1.一种基于粘性隐马尔可夫模型的噪声功率估计方法,其特征在于具体包括以下步骤:步骤一:在认知无线电系统中,对连续的L个感知时隙内的信号进行采样,且对每个感知时隙内的信号进行等时间间隔地采样,共采样得到N个样本,将对第j个感知时隙内的信号进行采样得到的第n个样本记为rj(n);然后计算每个感知时隙对应的接收信号功率,将第j个感知时隙对应的接收信号功率记为xj,即为对第j个感知时隙内的信号进行采样得到的所有样本的平均功率, 其中,L、N、j和n均为正整数,L>1,100≤N≤
1000,1≤j≤L,1≤n≤N,符号“| |”为求模符号,xj服从高斯分布,即表示噪声功率, 表示第j个感知时隙内授权用
户的信号功率, 表示第j个感知时隙未被授权用户占用, 表示第j个感知时隙已被授权用户占用, 表示xj服从均值为 方差为 的高斯分布,表示xj服从均值为 方差为 的高斯分
布;
步骤二:将每个感知时隙对应的接收信号功率作为隐马尔可夫模型中的观测数据,即隐马尔可夫模型中的第j个观测数据为xj;然后确定隐马尔可夫模型中的每个观测数据所对应的一个隐藏状态,将xj对应的隐藏状态记为zj,zj的取值为区间[1,K]中的一个值,若zj的取值为1则认为xj属于第1类隐藏状态,若zj的取值为k则认为xj属于第k类隐藏状态,若zj的取值为K则认为xj属于第K类隐藏状态;接着计算隐马尔可夫模型中的每个观测数据属于各类隐藏状态的概率,将xj属于第k类隐藏状态的概率记为 最后计算隐马尔可夫模型中的状态转移概率矩阵,记为Q, 其中,K和
k均为正整数,K表示隐马尔可夫模型中设定的隐藏状态的类别数,2≤K≤10,1≤k≤K,表示xj服从的高斯分布的概率密度函数,其变量为xj、均值为μk、方差为 μk表示属于第k类隐藏状态的高斯分布的均值,τk表示属于第k类隐藏状态的高斯分布的精度即方差的倒数,Q1,1、Q1,2、Q1,k'、Q1,K对应表示Q中的第1行第1列的元素、第1行第2列的元素、第1行第k'列的元素、第1行第K列的元素,Q2,1、Q2,2、Q2,k'、Q2,K对应表示Q中的第2行第1列的元素、第2行第2列的元素、第2行第k'列的元素、第2行第K列的元素,Qk,1、Qk,2、Qk,k'、Qk,K对应表示Q中的第k行第1列的元素、第k行第2列的元素、第k行第k'列的元素、第k行第K列的元素,QK,1、QK,2、QK,k'、QK,K对应表示Q中的第K行第1列的元素、第K行第2列的元素、第K行第k'列的元素、第K行第K列的元素,1≤k'≤K,Qk,k'表示zj'-1=k的条件下zj'=k'的概率,2≤j'≤L,zj'-1表示隐马尔可夫模型中的第j'-1个观测数据xj'-1对应的隐藏状态,zj'表示隐马尔可夫模型中的第j'个观测数据xj'对应的隐藏状态;
步骤三:在隐马尔可夫模型中引入粘性因子,得到粘性隐马尔可夫模型;在粘性隐马尔可夫模型中,初始化属于每类隐藏状态的高斯分布的均值和精度,将μk的初始化值记为将τk的初始化值记为 初始化状态转移概率矩阵Q,将Q的初始化值记为Q(0),Q(0)中的每行中的所有元素的共轭先验分布服从狄利克雷分布,Q(0)中的第k行中的所有元素的共轭先验分布服从的狄利克雷分布为:其中, 表示Q(0)中的第k行中的
所有元素,Dir()表示狄利克雷分布,γ表示狄利克雷分布的参数,κ表示粘性因子,δ(k,1)表示两个参数分别为k和1的克罗内克函数,δ(k,k')表示两个参数分别为k和k'的克罗内克函数,δ(k,K)表示两个参数分别为k和K的克罗内克函数, γ+κδ(k,1)表示共轭先验分布服从的狄利克雷分布的第1个元素,γ+κδ(k,k')表示共轭先验分布服从的狄利克雷分布的第k'个元素,γ+κδ(k,K)表示共轭先验分布服从的狄利克雷分布的第K个元素;
步骤四:令t表示迭代次数,t的初始值为1;令T表示设定的最大迭代次数,T≥3;
步骤五:计算粘性隐马尔可夫模型中的所有观测数据对应的隐藏状态在第t次迭代下(t)的聚类结果,记为z , 其中,
表示求使得p(z|x,Q(t-1),μ(t-1),τ(t-1))取最大值时变量z的值,z为粘性隐马尔可夫模型中的所有观测数据对应的隐藏状态构成的向量,z=[z1,z2,…,zj,…,zL],z1表示第1个观测数据x1对应的隐藏状态,z2表示第2个观测数据x2对应的隐藏状态,zL表示第L个观测数据xL对应的隐藏状态,x表示粘性隐马尔可夫模型中的所有观测数据构成的向量,x=[x1,x2,…,xj,…,xL],t=1时Q(t-1)即为Q(0),t≠1时Q(t-1)表示粘性隐马尔可夫模型中的状态转移概率矩阵Q在第t-1次迭代下的值,t=1时μ(t-1)即为μ的初始值μ(0),μ=[μ1,…,μk…,μK],μ1表示属于第1类隐藏状态的高斯分布的均值,μK表示属于第K类隐藏状态的高斯分布的均值, 表示μ1的初始化值, 表示μK的初始化值,t≠1时μ(t-1)表示μ在第t-1次迭代下的值,
表示μ1在第t-1次迭代下的值, 表示μk在第t-1次迭代下的值, 表示μK在第t-1次迭代下的值,t=1时τ(t-1)即为τ的初始值τ(0),τ=[τ1,…,τk,…,τK],τ1表示属于第1类隐藏状态的高斯分布的精度,τK表示属于第K类隐藏状态的高斯分布的精度,表示τ1的初始化值, 表示τK的初始化值,t≠1时τ(t-1)表示
τ在第t-1次迭代下的值, 表示τ1在第t-1次迭代下的值,
表示τk在第t-1次迭代下的值, 表示τK在第t-1次迭代下的值,p(z|x,Q(t-1),μ(t-1),(t-1)τ )表示z的后验概率,根据贝叶斯定理得到
p(zj|x,Q(t-1),μ(t-1),τ(t-1))表示zj的后验概率,符号“∝”表示正比,xj+1表示第j+1个观测数据,xj+2表示第j+2个观测数据,p(zj,x1,x2,...,xj|Q(t-1),μ(t-1),τ(t-1))表示zj,x1,x2,...,xj的联合概率,p(xj+1,xj+2,...,xL|zj,Q(t-1),μ(t-1),τ(t-1))表示zj的条件下xj+1,xj+2,...,xL的联合概率,p(zj,x1,x2,...,xj|Q(t-1),μ(t-1),τ(t-1))和p(xj+1,xj+2,...,xL|zj,Q(t-1),μ(t-1),τ(t-1))通过前向后向算法计算得到, 表示z1在第t次迭代下的值, 表示z2在第t次迭代下的值, 为z(t)中的第j个元素,也即表示zj在第t次迭代下的值, 表示zL在第t次迭代下的值;
步骤六:计算粘性隐马尔可夫模型中的状态转移概率矩阵Q在第t次迭代下的值,记为Q(t),Q(t)中的第k行中的所有元素的共轭先验分布服从的狄利克雷分布为:(t)
Q 中的第k行中的所有元素的后验
分布服从的狄利克雷分布为:
其中, 表示Q
(t)中的第k行中的所有元素, 表示在第t次迭代下从第k类隐藏状态转移到第1类隐藏状态的观测数据的数量, 表示在第t次迭代下从第k类隐藏状态转移到第k'类隐藏状态的观测数据的数量, 表示在第t次迭代下从第k类隐藏状态转移到第K类隐藏状态的观测数据的数量, 表示后验分布服从的狄利克雷分布的第1个元素,表示后验分布服从的狄利克雷分布的第k'个元素, 表
示后验分布服从的狄利克雷分布的第K个元素;
步骤七:利用属于同一类隐藏状态的所有观测数据,根据贝叶斯定理,计算在x和z(t)确定后μ在第t次迭代下的值μ(t)和τ在第t次迭代下的值τ(t)的后验概率,记为p(μ(t),τ(t)|x,z(t)),p(μ(t),τ(t)|x,z(t))其中,μ(t)表
示μ在第t次迭代下的值, 表示μ1在第t次迭代下的值, 表示
μk在第t次迭代下的值, 表示μK在第t次迭代下的值,τ(t)表示τ在第t次迭代下的值,表示τ1在第t次迭代下的值, 表示τk在第t次迭代下的值,表示τK在第t次迭代下的值, 表示 服从的高斯分
布的概率密度函数,其变量为 均值为 方差为
表示 服从的伽马分布的
概率密度函数,其变量为 形状参数为 速率参数为
表示在第t次迭代下属于第k类隐藏状态的
观测数据的数量, 表示在第t次迭代下属于第k类隐藏状态的所有观测数据的平均值,表示在第t次迭代下属于第k类隐藏状态的第 个观测数据,η0、m0、a0和b0均为常数;
步骤八:判断t<T是否成立,如果成立,则令t=t+1,然后返回步骤五继续迭代;如果不成立,则执行步骤九;其中,t=t+1中的“=”为赋值符号;
步骤九:将μ(t)中的每个元素的值作为对应一类隐藏状态的功率估计值,即将μ(t)中的第k个元素的值作为第k类隐藏状态的功率估计值;然后将所有类隐藏状态的功率估计值中的最小功率估计值作为噪声功率的估计值,记为