基于连续隐马尔可夫模型的协作频谱检测

来源：计算机技术与发展杂志2015年第06期北京时间：

作者：张凯;齐丽娜

摘要：机器学习是当前人工智能的主要研究方向,连续隐马尔可夫模型( Continuous Hidden MarKov Model,CHMM)作为机器学习方法的一种被广泛应用于故障诊断、图像处理、生命科学等领域。研究表明,在信道占用和空闲状态下采样得到的能量值满足不同的高斯分布,故可采用机器学习方法通过模式识别进行频谱感知；同时为了克服离散隐马尔可夫模型( Discrete Hidden MarKov Model,DHMM)在处理连续信号矢量量化过程中产生的信息失真问题,文中将CHMM引入多用户协作频谱检测技术,分别根据信道占用和信道空闲时采集到的能量值来训练CHMM模型建立CHMM1-CHMMn ,多个次用户分别将当前采集到的信道的能量值作为待测矩阵同CHMM1-CHMMn进行模式识别,根据识别结果判定当前信道是占用还是空闲。仿真结果表明,该方法在频谱感知方面具有较高的准确性。

关键词：认知无线电;机器学习;连续隐马尔可夫模型;频谱检测