1.一种基于K均值算法的频谱感知方法，其特征在于，包括：获取训练信号，计算得到所述训练信号的MME特征；

利用K均值聚类算法与所述MME特征得到分类器；

获取测试信号，计算得到所述测试信号的测试MME特征；

利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率；

其中，所述获取训练信号，计算得到所述训练信号的MME特征，包括：采集第一信号特征与第二信号特征，所述第一信号特征与所述第二信号特征构成训练信号；其中所述第一信号特征为主用户存在时，次用户采集到的信号特征，所述第二信号特征为所述主用户不存在时，次用户采集到的信号特征；

利用所述训练信号计算得到一个感知时间段内多个次用户的第一感知矩阵；

将所述第一感知矩阵分为第一预设个数的第二感知矩阵；

计算得到每个第二感知矩阵的MME特征；

并且，利用K均值聚类算法与所述MME特征得到分类器，包括：S301，在由所述MME特征构成的数据对象集中，随机确定第二预设个数的MME特征对象作为第二预设个数的类中心点，形成第二预设个数的初始类；其中，每个类中包括类中心点与非类中心点；

S302，计算每个初始类中的非类中心点到每个类中心点的距离，将每个非类中心点分配到距离每个非类中心点最近的类中心点所在的类，形成目标类；

S303，计算目标类中所有MME特征对象的平均值，判断所述平均值是否与所述目标类的类中心点相同，若是，则停止，确定分类器；若否，则将所述目标类的类中心点还原为所述目标类的非类中心点，将所述平均值作为所述目标类的类中心点，将所述目标类作为初始类，返回S302。

2.根据权利要求1所述的频谱感知方法，其特征在于，将所述第一感知矩阵分为预设个数的第二感知矩阵之后，还包括：将所述第二感知矩阵的信号向量分解为I、Q两部分，得到第三感知矩阵；

则所述计算得到每个第二感知矩阵的MME特征，包括：计算得到每个第三感知矩阵的MME特征。

3.根据权利要求1至2中任意一项所述的频谱感知方法，其特征在于，所述计算检测概率之后，还包括：计算虚警概率。

4.一种基于K均值算法的频谱感知装置，其特征在于，包括：MME特征计算模块，用于获取训练信号，计算得到所述训练信号的MME特征；

分类器计算模块，用于利用K均值聚类算法与所述MME特征得到分类器；

测试MME特征计算模块，用于获取测试信号，计算得到所述测试信号的测试MME特征；

分类模块，用于利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率；

其中，所述MME特征计算模块，包括：

训练信号采集单元，用于采集第一信号特征与第二信号特征，所述第一信号特征与所述第二信号特征构成训练信号；其中所述第一信号特征为主用户存在时，次用户采集到的信号特征，所述第二信号特征为所述主用户不存在时，次用户采集到的信号特征；

第一感知矩阵计算单元，用于利用所述训练信号计算得到一个感知时间段内多个次用户的第一感知矩阵；

分组单元，用于将所述第一感知矩阵分为第一预设个数的第二感知矩阵；

MME特征计算单元，用于计算得到每个第二感知矩阵的MME特征；

并且，所述分类器计算模块，包括：

类中心确定单元，用于在由所述MME特征构成的数据对象集中，随机确定第二预设个数的MME特征对象作为第二预设个数的类中心点，形成第二预设个数的初始类；其中，每个类中包括类中心点与非类中心点；

目标类形成单元，用于计算每个初始类中的非类中心点到每个类中心点的距离，将每个非类中心点分配到距离每个非类中心点最近的类中心点所在的类，形成目标类；

判断单元，计算目标类中所有MME特征对象的平均值，判断所述平均值是否与所述目标类的类中心点相同，若是，则停止，确定分类器；若否，则将所述目标类的类中心点还原为所述目标类的非类中心点，将所述平均值作为所述目标类的类中心点，将所述目标类作为初始类，继续调用所述目标类形成单元。

5.根据权利要求4所述的频谱感知装置，其特征在于，还包括：分解模块，用于将所述第一感知矩阵分为预设个数的第二感知矩阵之后，将所述第二感知矩阵的信号向量分解为I、Q两部分，得到第三感知矩阵；

则所述MME特征计算单元，具体用于：

计算得到每个第三感知矩阵的MME特征。

6.根据权利要求4至5中任意一项所述的频谱感知装置，其特征在于，还包括：虚警概率计算模块，用于计算检测概率之后，计算虚警概率。