认知无线电通信系统中认知用户对授权用户基于能量感知的参数估计方法

摘要

认知无线电通信系统中认知用户对授权用户基于能量感知的参数估计方法，属于授权用户参数估计技术领域。本发明是为了解决认知无线电通信系统中，认知用户在授权用户出现时进行频谱切换，无法获取授权用户的参数，进而无法最大化其效益的问题。它首先建模获得授权信道模型，获得授权信道的状态概率分布；再利用隐式马尔可夫模型描述授权信道的繁忙与空闲状态变化，获得授权信道的隐藏状态转移概率矩阵；通过能量感知方法计算获得检测概率和虚警概率；进而获得混淆矩阵；最后利用Baum-Welsh算法对隐式马尔可夫模型进行估计，获得隐式马尔可夫模型的估计值。本发明用于对授权用户进行参数估计。

说明书

技术领域

本发明涉及认知无线电通信系统中认知用户对授权用户基于能量感知的参数估计方 法，属于授权用户参数估计技术领域。

背景技术

在认知无线电通信系统中，认知用户通过频谱检测获取授权信道信息，从而使用处 于空闲状态的授权信道。但是，当授权用户出现时，认知用户需要毫无条件的退出该信道， 此时将发生信道的切换，即频谱切换。目前，在认知无线电研究领域中，频谱切换主要分 为三种方式：主动式频谱切换、被动式频谱切换及混合式频谱切换。无论是何种频谱切换 方式，认知用户都需要知道授权用户的参数，从而制定最优的频谱切换策略，最大化其效 益。然而，在目前研究中，研究者对于授权用户的参数只是进行假定，并没有切实可行的 估计方法。

发明内容

本发明目的是为了解决认知无线电通信系统中，认知用户在授权用户出现时进行频谱 切换，无法获取授权用户的参数，进而无法最大化其效益的问题，提供了一种认知无线电 通信系统中认知用户对授权用户基于能量感知的参数估计方法。

本发明所述认知无线电通信系统中认知用户对授权用户基于能量感知的参数估计方 法，它包括以下步骤：

步骤一：认知用户利用M/M/1/Z排队模型对每条授权信道进行建模获得授权信道模 型，经计算获得授权信道的状态概率分布；Z为授权信道缓存容量；

步骤二：利用隐式马尔可夫模型描述授权信道的繁忙与空闲状态变化，获得授权信道 的隐藏状态转移概率矩阵；

步骤三：认知用户通过能量感知方法计算获得检测概率和虚警概率；

步骤四：根据检测概率和虚警概率获得混淆矩阵；

步骤五：利用Baum-Welsh算法对隐式马尔可夫模型进行估计，获得隐式马尔可夫模 型的估计值；

步骤六：根据隐式马尔可夫模型的估计值，计算获得授权用户的参数估计值。

步骤一中认知用户利用M/M/1/Z排队模型对每条授权信道进行建模，经计算获得授 权信道的状态概率分布的具体方法为：

所述授权信道模型基于FCFS规则；设定授权信道状态ζ∈{0,1,2,...,Z}，当 0≤ζ≤Z-1时，λ_ζ表示授权信道状态从ζ到ζ+1的到达率；当1≤ζ≤Z时，μ_ζ表示 授权信道状态从ζ到ζ-1的服务率；由此，获得授权信道状态平衡方程为：

$\left(\begin{array}{c}\frac{{\partial P}_0\left(t\right)}{\partial t}=-{\lambda }_0{P}_0\left(t\right)+{\mu }_1{P}_1\left(t\right)\\ \frac{{\partial P}_{\zeta }\left(t\right)}{\partial t}={\lambda }_{\zeta -1}{P}_{\zeta -1}\left(t\right)-({\lambda }_{\zeta }+{\mu }_{\zeta })\\ \frac{{\partial P}_Z\left(t\right)}{\partial t}={\lambda }_{Z-1}{P}_{Z-1}\left(t\right)-{\mu }_Z{P}_Z\left(t\right)\end{array},P_{\zeta }\left(t\right)+{\mu }_{\zeta +1}{P}_{\zeta +1}\left(t\right)\right),$

式中P_ζ(t)表示t时刻授权信道状态处于ζ状态的概率；

根据M/M/1/Z排队模型等价于有限状态的生灭过程，再根据生灭过程微分差分方程 组微分存在性定理，得到：

$\underset{t\to \infty }{\lim }{\partial P}_{\zeta }\left(t\right)/\partial t=0,$

此时授权信道状态处于ζ状态的概率与时间无关，则：

$\underset{t\to \infty }{\lim }{P}_{\zeta }\left(t\right)=P_{\zeta },$

由此求解授权信道状态平衡方程，获得稳定的授权信道状态概率分布P₀和P_ζ：

$\left(\begin{array}{c}{P}_0=\frac{1}{1+\underset{\zeta =1}{\overset{Z}{\Sigma }}\frac{{\lambda }_0{\lambda }_1...{\lambda }_{\zeta -1}}{{\mu }_1{\mu }_2...{\mu }_{\zeta }}}\\ P_{\zeta }=\left(\frac{{\lambda }_0{\lambda }_1...{\lambda }_{\zeta -1}}{{\mu }_1{\mu }_2...{\mu }_{\zeta }}\right)\end{array},P_0\right).$

步骤二中利用隐式马尔可夫模型描述授权信道的繁忙与空闲状态变化，获得授权信道 的隐藏状态转移概率矩阵的具体方法为：

隐式马尔可夫模型ψ=(A,B,π)，

其中A为隐藏状态转移概率矩阵，B为混淆矩阵，π为授权用户初始状态概率分布； 将授权用户对于授权信道的真实使用情况视为隐藏状态，以H₁表示繁忙，H₀表示空闲； 将认知用户对授权信道的使用情况检测结果视为可观测序列，以D₁表示检测结果为繁忙， D₀表示检测结果为空闲；则隐藏状态转移概率矩阵A为：

$A=\left(\begin{array}{cc}{a}_{H_0\to H_0}& a_{H_0\to H_1}\\ a_{H_1\to H_0}& a_{H_1\to H_1}\end{array}\right),$

其中，表示授权信道的真实使用情况由状态H_i到状态H_j的转 移概率，并且${\Sigma }_i{a}_{H_i\to H_j}=1$和${\Sigma }_j{a}_{H_i\to H_j}=1;$

根据M/M/1/Z排队模型，△t时间内授权信道的状态转移概率的表达式如下：

$\left(\begin{array}{c}{a}_{H_0\to H_0}=\underset{t\to \infty }{\lim }\frac{P_{\mathrm{tr}}(S(t+\mathrm{\Delta t})=0|S\left(t\right)=0)}{P_0}=1-{\lambda }_0\mathrm{\Delta t}\\ a_{H_1\to H_0}=\underset{t\to \infty }{\lim }\frac{{\Sigma }_{\zeta =1}^Z{P}_{\mathrm{tr}}(S(t+\mathrm{\Delta t})=0|S\left(t\right)=\zeta )}{{\Sigma }_{\zeta =1}^Z{P}_{\zeta }}\\ =\frac{\frac{{\lambda }_0}{{\mu }_1}{P}_0·{\mu }_1\mathrm{\Delta t}}{{\Sigma }_{\zeta =1}^Z\left(\frac{{\lambda }_0{\lambda }_1...{\lambda }_{\zeta -1}}{{\mu }_1{\mu }_2...{\mu }_{\zeta }}\right)P_0}\end{array}\right),$

其中，S(t)表示授权信道在t时刻的状态，P_tr(S(t+△t)=ζ′|S(t)=ζ)表示授权信道 在t时刻状态为ζ，在t+△t时刻为ζ′，且ζ,ζ′∈{0,1,2,...Z}；

令λ₀=λ₁=...=λ_Ζ-1=λ，μ₁=μ₂=...=μ_Ζ=μ，则授权信道的隐藏状态转移概 率矩阵为：

$A=\left(\begin{array}{cc}1-\mathrm{\lambda \Delta t}& \mathrm{\lambda \Delta t}\\ \frac{1-\lambda /\mu }{1-{(\lambda /\mu )}^Z}\mathrm{\mu \Delta t}& 1-\frac{1-\lambda /\mu }{1-{(\lambda /\mu )}^Z}\mathrm{\mu \Delta t}\end{array}\right).$

步骤三中认知用户通过能量感知方法计算获得检测概率和虚警概率的具体方法为：

首先，认知用户将接收到的来自授权信道的检测信号进行抽样获得抽样信号，计算获 得抽样信号的平方和Y，将该平方和Y与预设能量感知的门限值比较，判断获得授权信道 是否处于工作状态；当授权用户处在加性高斯白噪声条件下，根据概率论与数理统计原理， 当授权信道处于繁忙状态时，抽样信号的平方和Y服从非中心卡方分布，其自由度N为 抽样个数；当授权信道处于空闲状态时，抽样信号的平方和Y则满足中心卡方分布，其自 由度N为抽样个数；

抽样信号的平方和Y的概率密度函数f_Y(y)为：

$f_Y\left(y\right)=\left(\begin{array}{cc}\frac{1}{{\left({2\sigma }^2\right)}^{N/2}\Gamma (N/2)}{y}^{N/2}{e}^{-\frac{y}{{2\sigma }^2}},& H_0\\ \frac{1}{{2\sigma }^2}{\left(\frac{y}{2\gamma }\right)}^{\frac{N-2}{4}}{e}^{-\frac{2\gamma +y}{{2\sigma }^2}}{I}_{N/2-1}\left(\frac{\sqrt{2\mathrm{\gamma y}}}{{\sigma }^2}\right),& H_1\end{array}\right),$

其中，σ²表示噪声功率，Γ(·)为伽马函数，γ为信号功率，I_N/2-1(·)为贝塞尔函数；

设定能量感知的门限值为η，则通过积分得到检测概率P_d和虚警概率P_f：

$\left(\begin{array}{c}{P}_d=P(Y>\eta |H_1)\\ =\underset{\eta }{\overset{\infty }{\int }}\frac{1}{{2\sigma }^2}{\left(\frac{y}{2\gamma }\right)}^{\frac{N-2}{4}}\\ =Q_{N/2}(\sqrt{\frac{2\gamma }{{\sigma }^2}},\sqrt{\frac{\eta }{{\sigma }^2}})\end{array},e^{-\frac{2\gamma +y}{{2\sigma }^2}}{I}_{N/2-1}\left(\frac{\sqrt{2\mathrm{\gamma y}}}{{\sigma }^2}\right)\mathrm{dy}\right),$

其中，Q_N/2(·，·）为Marcum-Q函数；

$\left(\begin{array}{c}{P}_f=1-P(Y<\eta |H_0)\\ =1-\underset{-\infty }{\overset{\eta }{\int }}\frac{1}{{\sigma }^N{2}^{N/2}\Gamma (N/2)}{y}^{N/2}{e}^{-\frac{y}{{2\sigma }^2}}\mathrm{dy}\\ =\frac{\Gamma (N/2,\frac{\eta }{{2\sigma }^2})}{\Gamma (N/2)}\end{array}\right).$

步骤四中根据检测概率和虚警概率获得混淆矩阵的具体方法为：

根据检测概率P_d和虚警概率P_f表示混淆矩阵B为：

$B=\left(\begin{array}{cc}{b}_{H_0\to D_0}& b_{H_0\to D_1}\\ b_{H_1\to D_0}& b_{H_1\to D_1}\end{array}\right),$

其中，表示授权用户真实处于H_j状态而其检测结果为D_k的概 率，并且${\Sigma }_j{b}_{H_j\to D_k}=1$和${\Sigma }_k{b}_{H_j\to D_k}=1;$

当j=0,k=0时，表示授权信道空闲，检测结果D₀为空闲，则由 此，获得混淆矩阵B为：

$B=\left(\begin{array}{cc}1-P_f& P_f\\ 1-P_d& P_d\end{array}\right).$

步骤五中利用Baum-Welsh算法对隐式马尔可夫模型进行估计，获得隐式马尔可夫模 型的估计值的具体方法为：

利用Baum-Welsh算法对隐式马尔可夫模型ψ=(A,B,π)进行估计，估计值表达式如 下：

其中，表示初始时隙授权信道状态概率分布的估计值；表示第t个时隙授权 信道状态处于状态H_i的概率；；表示授权信道的真实使用情况由状态H_i到H_j的转 移概率估计值；T为对隐式马尔可夫模型进行估计的时隙数；ξ_t(H_i,H_j)表示在第t个时 隙时，授权信道状态由从H_i转移到H_j的概率；表示授权信道隐藏状态为H_j，而可 观测序列值为D_k的概率；D_t=D_k表示第t个时隙可观测序列值为D_k则有：

且(i,j,k∈{0,1}，则获得隐式马尔可夫模型的估 计值$\bar{\psi }=(\bar{A},\bar{B},\bar{\pi }).$

步骤六中根据隐式马尔可夫模型的估计值，计算获得授权用户的参数估计值的具体方 法为：

根据隐式马尔可夫模型的估计值，利用下述方程，计算获得授权用户参数估计值，即 到达率和服务率

$\left(\begin{array}{c}\bar{\lambda }\mathrm{\Delta t}={\bar{a}}_{H_0\to H_1}\\ \frac{1-\bar{\lambda }/\bar{\mu }}{1-{(\bar{\lambda }/\bar{\mu })}^Z}\bar{\mu }\mathrm{\Delta t}={\bar{a}}_{H_1\to H_0}\end{array}\right).$

本发明的优点：本发明方法利用M/M/1/Z排队模型对授权系统进行建模与分析，从 而获得授权系统稳定的状态分布概率。然后在此基础上，利用隐式马尔可夫模型描述授权 系统中授权信道繁忙与空闲状态变化过程，使得隐式马尔可夫模型中隐藏状态转移概率矩 阵由授权系统中授权信道到达率与服务率来表示。同时，认知用户通过能量感知算法对授 权用户真实状态进行感知，使得隐式马尔可夫模型中混淆矩阵由检测概率和虚警概率来表 示。最后采用Baum-Welsh算法估计隐式马尔可夫模型，获得隐藏状态转移概率矩阵和混 淆矩阵，从而估计出授权系统中到达率与服务率参数。本发明方法能够检测出授权用户的 真实状态，而且还能估计出到达率与服务率参数。为认知用户进行自适应频谱切换提供了 可靠地依据，降低了切换的损失，减少了对授权用户的影响，从而优化认知用户频谱切换 的效益。本发明适用于认知无线电系统中。

本发明在利用M/M/1/Z排队模型与隐式马尔可夫模型的基础上，巧妙地获取了由授 权用户参数来表示的隐式马尔可夫模型参数表达式。然后，再利用Baum-Welsh算法估计 出隐式马尔可夫模型的参数，从而计算出授权用户的相关参数。解决了认知无线电中认知 用户频谱切换时授权用户参数估计问题。

附图说明

图1是认知用户利用M/M/1/Z排队模型对每条授权信道进行建模获得的授权信道模 型状态转移图；

图2是隐式马尔可夫模型的状态示意图。

具体实施方式

具体实施方式一：下面结合图1和图2说明本实施方式，本实施方式所述认知无线电 通信系统中认知用户对授权用户基于能量感知的参数估计方法，它包括以下步骤：

步骤一：认知用户利用M/M/1/Z排队模型对每条授权信道进行建模获得授权信道模 型，经计算获得授权信道的状态概率分布；Z为授权信道缓存容量；

步骤二：利用隐式马尔可夫模型描述授权信道的繁忙与空闲状态变化，获得授权信道 的隐藏状态转移概率矩阵；

步骤三：认知用户通过能量感知方法计算获得检测概率和虚警概率；

步骤四：根据检测概率和虚警概率获得混淆矩阵；

步骤五：利用Baum-Welsh算法对隐式马尔可夫模型进行估计，获得隐式马尔可夫模 型的估计值；

步骤六：根据隐式马尔可夫模型的估计值，计算获得授权用户的参数估计值。

本实施方式中，Z为授权信道上最多可容纳的授权用户的数量，包括正在接受服务 的授权用户。

具体实施方式二：本实施方式对实施方式一作进一步说明，本实施方式所述步骤一中 认知用户利用M/M/1/Z排队模型对每条授权信道进行建模，经计算获得授权信道的状态 概率分布的具体方法为：

所述授权信道模型基于FCFS规则；设定授权信道状态ζ∈{0,1,2,...,Z}，当 0≤ζ≤Z-1时，λ_ζ表示授权信道状态从ζ到ζ+1的到达率；当1≤ζ≤Z时，μ_ζ表示 授权信道状态从ζ到ζ-1的服务率；由此，获得授权信道状态平衡方程为：

$\left(\begin{array}{c}\frac{{\partial P}_0\left(t\right)}{\partial t}=-{\lambda }_0{P}_0\left(t\right)+{\mu }_1{P}_1\left(t\right)\\ \frac{{\partial P}_{\zeta }\left(t\right)}{\partial t}={\lambda }_{\zeta -1}{P}_{\zeta -1}\left(t\right)-({\lambda }_{\zeta }+{\mu }_{\zeta })\\ \frac{{\partial P}_Z\left(t\right)}{\partial t}={\lambda }_{Z-1}{P}_{Z-1}\left(t\right)-{\mu }_Z{P}_Z\left(t\right)\end{array},P_{\zeta }\left(t\right)+{\mu }_{\zeta +1}{P}_{\zeta +1}\left(t\right)\right),$

式中P_ζ(t)表示t时刻授权信道状态处于ζ状态的概率；

根据M/M/1/Z排队模型等价于有限状态的生灭过程，再根据生灭过程微分差分方程 组微分存在性定理，得到：

$\underset{t\to \infty }{\lim }{\partial P}_{\zeta }\left(t\right)/\partial t=0,$

此时授权信道状态处于ζ状态的概率与时间无关，则：

$\underset{t\to \infty }{\lim }{P}_{\zeta }\left(t\right)=P_{\zeta },$

由此求解授权信道状态平衡方程，获得稳定的授权信道状态概率分布P₀和P_ζ：

$\left(\begin{array}{c}{P}_0=\frac{1}{1+\underset{\zeta =1}{\overset{Z}{\Sigma }}\frac{{\lambda }_0{\lambda }_1...{\lambda }_{\zeta -1}}{{\mu }_1{\mu }_2...{\mu }_{\zeta }}}\\ P_{\zeta }=\left(\frac{{\lambda }_0{\lambda }_1...{\lambda }_{\zeta -1}}{{\mu }_1{\mu }_2...{\mu }_{\zeta }}\right)\end{array},P_0\right).$

具体实施方式三：下面结合图1和图2说明本实施方式，本实施方式对实施方式二作 进一步说明，本实施方式所述步骤二中利用隐式马尔可夫模型描述授权信道的繁忙与空闲 状态变化，获得授权信道的隐藏状态转移概率矩阵的具体方法为：

隐式马尔可夫模型ψ=(A,B,π)，

其中A为隐藏状态转移概率矩阵，B为混淆矩阵，π为授权用户初始状态概率分布； 将授权用户对于授权信道的真实使用情况视为隐藏状态，以H₁表示繁忙，H₀表示空闲； 将认知用户对授权信道的使用情况检测结果视为可观测序列，以D₁表示检测结果为繁忙， D₀表示检测结果为空闲；则隐藏状态转移概率矩阵A为：

$A=\left(\begin{array}{cc}{a}_{H_0\to H_0}& a_{H_0\to H_1}\\ a_{H_1\to H_0}& a_{H_1\to H_1}\end{array}\right),$

其中，表示授权信道的真实使用情况由状态H_i到状态H_j的转 移概率，并且${\Sigma }_i{a}_{H_i\to H_j}=1$和${\Sigma }_j{a}_{H_i\to H_j}=1;$

根据M/M/1/Z排队模型，△t时间内授权信道的状态转移概率的表达式如下：

$\left(\begin{array}{c}{a}_{H_0\to H_0}=\underset{t\to \infty }{\lim }\frac{P_{\mathrm{tr}}(S(t+\mathrm{\Delta t})=0|S\left(t\right)=0)}{P_0}=1-{\lambda }_0\mathrm{\Delta t}\\ a_{H_1\to H_0}=\underset{t\to \infty }{\lim }\frac{{\Sigma }_{\zeta =1}^Z{P}_{\mathrm{tr}}(S(t+\mathrm{\Delta t})=0|S\left(t\right)=\zeta )}{{\Sigma }_{\zeta =1}^Z{P}_{\zeta }}\\ =\frac{\frac{{\lambda }_0}{{\mu }_1}{P}_0·{\mu }_1\mathrm{\Delta t}}{{\Sigma }_{\zeta =1}^Z\left(\frac{{\lambda }_0{\lambda }_1...{\lambda }_{\zeta -1}}{{\mu }_1{\mu }_2...{\mu }_{\zeta }}\right)P_0}\end{array}\right),$

其中，S(t)表示授权信道在t时刻的状态，P_tr(S(t+△t)=ζ′|S(t)=ζ)表示授权信道 在t时刻状态为ζ，在t+△t时刻为ζ′，且ζ,ζ′∈{0,1,2,...Z}；

令λ₀=λ₁=...=λ_Ζ-1=λ，μ₁=μ₂=...=μ_Ζ=μ，则授权信道的隐藏状态转移概 率矩阵为：

$A=\left(\begin{array}{cc}1-\mathrm{\lambda \Delta t}& \mathrm{\lambda \Delta t}\\ \frac{1-\lambda /\mu }{1-{(\lambda /\mu )}^Z}\mathrm{\mu \Delta t}& 1-\frac{1-\lambda /\mu }{1-{(\lambda /\mu )}^Z}\mathrm{\mu \Delta t}\end{array}\right).$

具体实施方式四：本实施方式对实施方式三作进一步说明，本实施方式所述步骤三中 认知用户通过能量感知方法计算获得检测概率和虚警概率的具体方法为：

首先，认知用户将接收到的来自授权信道的检测信号进行抽样获得抽样信号，计算获 得抽样信号的平方和Y，将该平方和Y与预设能量感知的门限值比较，判断获得授权信道 是否处于工作状态；当授权用户处在加性高斯白噪声条件下，根据概率论与数理统计原理， 当授权信道处于繁忙状态时，抽样信号的平方和Y服从非中心卡方分布，其自由度N为 抽样个数；当授权信道处于空闲状态时，抽样信号的平方和Y则满足中心卡方分布，其自 由度N为抽样个数；

抽样信号的平方和Y的概率密度函数f_Y(y)为：

$f_Y\left(y\right)=\left(\begin{array}{cc}\frac{1}{{\left({2\sigma }^2\right)}^{N/2}\Gamma (N/2)}{y}^{N/2}{e}^{-\frac{y}{{2\sigma }^2}},& H_0\\ \frac{1}{{2\sigma }^2}{\left(\frac{y}{2\gamma }\right)}^{\frac{N-2}{4}}{e}^{-\frac{2\gamma +y}{{2\sigma }^2}}{I}_{N/2-1}\left(\frac{\sqrt{2\mathrm{\gamma y}}}{{\sigma }^2}\right),& H_1\end{array}\right),$

其中，σ²表示噪声功率，Γ(·)为伽马函数，γ为信号功率，I_N/2-1(·)为贝塞尔函数；

设定能量感知的门限值为η，则通过积分得到检测概率P_d和虚警概率P_f：

$\left(\begin{array}{c}{P}_d=P(Y>\eta |H_1)\\ =\underset{\eta }{\overset{\infty }{\int }}\frac{1}{{2\sigma }^2}{\left(\frac{y}{2\gamma }\right)}^{\frac{N-2}{4}}\\ =Q_{N/2}(\sqrt{\frac{2\gamma }{{\sigma }^2}},\sqrt{\frac{\eta }{{\sigma }^2}})\end{array},e^{-\frac{2\gamma +y}{{2\sigma }^2}}{I}_{N/2-1}\left(\frac{\sqrt{2\mathrm{\gamma y}}}{{\sigma }^2}\right)\mathrm{dy}\right),$

其中，Q_N/2(·，·)为Marcum-Q函数；

$\left(\begin{array}{c}{P}_f=1-P(Y<\eta |H_0)\\ =1-\underset{-\infty }{\overset{\eta }{\int }}\frac{1}{{\sigma }^N{2}^{N/2}\Gamma (N/2)}{y}^{N/2}{e}^{-\frac{y}{{2\sigma }^2}}\mathrm{dy}\\ =\frac{\Gamma (N/2,\frac{\eta }{{2\sigma }^2})}{\Gamma (N/2)}\end{array}\right).$

所述加性高斯白噪声即AWGN:Additive White Gaussian Noise。

具体实施方式五：下面结合图1和图2说明本实施方式，本实施方式对实施方式四作 进一步说明，本实施方式所述步骤四中根据检测概率和虚警概率获得混淆矩阵的具体方法 为：

根据检测概率P_d和虚警概率P_f表示混淆矩阵B为：

$B=\left(\begin{array}{cc}{b}_{H_0\to D_0}& b_{H_0\to D_1}\\ b_{H_1\to D_0}& b_{H_1\to D_1}\end{array}\right),$

其中，表示授权用户真实处于H_j状态而其检测结果为D_k的概 率，并且${\Sigma }_j{b}_{H_j\to D_k}=1$和${\Sigma }_k{b}_{H_j\to D_k}=1;$

当j=0,k=0时，表示授权信道空闲，检测结果D₀为空闲，则由 此，获得混淆矩阵B为：

$B=\left(\begin{array}{cc}1-P_f& P_f\\ 1-P_d& P_d\end{array}\right).$

具体实施方式六：下面结合图1和图2说明本实施方式，本实施方式对实施方式五作 进一步说明，本实施方式所述步骤五中利用Baum-Welsh算法对隐式马尔可夫模型进行估 计，获得隐式马尔可夫模型的估计值的具体方法为：

利用Baum-Welsh算法对隐式马尔可夫模型ψ=(A,B,π)进行估计，估计值表达式如 下：

其中，表示初始时隙授权信道状态概率分布的估计值；表示第t个时隙授权 信道状态处于状态H_i的概率；表示授权信道的真实使用情况由状态H_i到H_j的转移 概率估计值；T为对隐式马尔可夫模型进行估计的时隙数；ξ_t(H_i,H_j)表示在第t个时隙 时，授权信道状态由从H_i转移到H_j的概率；表示授权信道隐藏状态为H_j，而可观 测序列值为D_k的概率；D_t=D_k表示第t个时隙可观测序列值为D_k则有：

且(i,j,k∈{0,1}，则获得隐式马尔可夫模型的估 计值$\bar{\psi }=(\bar{A},\bar{B},\bar{\pi }).$

具体实施方式七：下面结合图1和图2说明本实施方式，本实施方式对实施方式六作 进一步说明，本实施方式所述步骤六中根据隐式马尔可夫模型的估计值，计算获得授权用 户的参数估计值的具体方法为：

根据隐式马尔可夫模型的估计值，利用下述方程，计算获得授权用户参数估计值，即 到达率和服务率

$\left(\begin{array}{c}\bar{\lambda }\mathrm{\Delta t}={\bar{a}}_{H_0\to H_1}\\ \frac{1-\bar{\lambda }/\bar{\mu }}{1-{(\bar{\lambda }/\bar{\mu })}^Z}\bar{\mu }\mathrm{\Delta t}={\bar{a}}_{H_1\to H_0}\end{array}\right).$