1.一种基于聚类算法的联合频谱感知方法，其特征在于，所述的方法包括以下步骤：S1：输入采样矩阵；对采样矩阵进行小波变换降噪，得到降噪后的采样矩阵；

S2：将降噪后的采样矩阵进行处理，得到协方差矩阵；

S3：取S2所得协方差矩阵的最大特征值和最小特征值相加得到一个和值，取S2中所得协方差矩阵的最大特征值和最小特征值相减得到一个差值；

S4：输入待测信号的采样矩阵，循环S2-S4三次，分别得到三个和值L1、L2、L3和三个差值G1、G2、G3；将三个和值和三个差值分别组成向量 和输入有主用户信号存在情况下的采样矩阵，循环S2-S4，循环的次数为n次，且n为3的倍数，分别得到n个和值S1，S2…Sn和n个差值P1,P2…Pn；将n个和值和n个差值分别组成向量和输入无主用户信号存在情况下的采样矩阵，循环S2-S4，循环的次数为n次，且n为3的倍数，分别得到n个和值Q1，Q2…Qn和n个差值T1,T2…Tn；将n个和值和n个差值分别组成向量和S5：取三维坐标 的中点为β，取 的中点为η；

将 顺序均匀切分成三段然后组成一个3×(n/3)的矩阵，以该矩阵的每一列为一个三维空间中点的坐标，于是可以得到n/3个三维空间中心的集合U1；

将 顺序均匀切分成三段然后组成一个3×(n/3)的矩阵，以该矩阵的每一列为一个三维空间中点的坐标，于是可以得到n/3个三维空间中心的集合V1；

将 顺序均匀切分成三段然后组成一个3×(n/3)的矩阵，以该矩阵的每一列为一个三维空间中点的坐标，于是可以得到n/3个三维空间中心的集合U2；

将 顺序均匀切分成三段然后组成一个3×(n/3)的矩阵，以该矩阵的每一列为一个三维空间中点的坐标，于是可以得到n/3个三维空间中心的集合V2；

S6：将U1、U2的点混合得到点的集合μ，将V1、V2的点混合得到点的集合ω；通过k-means++聚类算法分别对μ和ω集合中的点进行聚类，分别得到聚类中心C1、C2和C3、C4；

S7：比较β点与C1、C2的距离，如果β点与C2点距离更小，则判断待测信号中含有主用户信号；否则进行S8；

S8：比较η点与C3、C4的距离，如果η点与C4点距离更小，则判断待测信号中含有主用户信号；否则判断待测信号中不含有主用户信号。

2.根据权利要求1所述的基于聚类算法的联合频谱感知方法，其特征在于，步骤S1包括以下步骤：S1.1：通过小波变换以获得小波系数；

S1.2：对小波系数进行阈值处理以获得估计系数；

S1.3：使用估计系数执行小波重构并获得去噪后信号；

S1.4：将去噪后信号按照顺序重新拆分，得到降噪后采样信号矩阵。

3.根据权利要求1所述的基于聚类算法的联合频谱感知方法，其特征在于，步骤S2的处理公式为：δ＝XXT/N

其中，δ为协方差矩阵，X为降噪后的采样矩阵，N为X列向量的个数。

4.根据权利要求1所述的基于聚类算法的联合频谱感知方法，其特征在于，步骤S6中k-means++聚类算法的聚类过程如下：S6.1：从数据集中随机选择其中一类的一个样本作为初始中心点之一，然后计算该中心点与其他中心点的距离，选择与该中心点距离最大的点为另外一个初始中心点，并且该中心点所属另外一类；

S6.2：针对数据集中的每个样本，计算它到两个中心点的距离，并将其分到距离最小的聚类中心所对应的类中；

S6.3：设其中一类有m个点，该类任意一点坐标为(xi yi zi),则可得到该类新的中心点为：同理可得到另外一个新的中心点；

S6.4：重复步骤S6.2-S6.3，直到无法产生新的中心点为止，最终的中心点即为所求聚类中心。

5.根据权利要求1所述的基于聚类算法的联合频谱感知方法，其特征在于，步骤S7中的比较判据为：则预测β点属于有主用户信号类别，于是判断β来源的采样矩阵中含有主用户信号，否则进行步骤S9；

其中，C1的坐标为(a1,b1,c1)，C2的坐标为(a2,b2,c2)，β的坐标为(L1,L2,L3)，β使用最大最小特征值之和作为坐标参数。

6.根据权利要求1所述的基于聚类算法的联合频谱感知方法，其特征在于，步骤S8中的比较判据为：则预测η点属于有主用户信号类别，于是判断η来源的采样矩阵X中含有主用户信号，否则判断采样矩阵X中无主用户信号；

其中，C3的坐标为(a3,b3,c3)，C4的坐标为(a4,b4,c4)，η坐标为(G1,G2,G3)，η使用最大最小特征值之差作为坐标参数。