1.一种基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于，包括以下步骤：

步骤一、采用动态贝叶斯感知度量的能量检测计算次用户接收信号的检测概率PD和虚警概率Pf，获得当前主用户的信道状态；

步骤二、将检测到的能量表示为一个动态模型，生成时间序列X，利用状态空间模型对生成的时间序列建立隐马尔可夫模型；

步骤三、确定使用隐马尔可夫模型对生成的时间序列进行信道占用状态的预测的模型参数β＝(A,C,π)和模型参数β下观测输出概率P(Y|β)；

步骤四、给定观测集合O(t)＝{o1,o2,…,ot,…,oT}和模型参数β＝(A,C,π)，采用Viterbi算法，选择概率最高的路径来计算隐藏状态的最可能序列，寻找状态序列的最大概率；

步骤五、采用Baum‑Welch算法不断迭代重新估计模型参数β＝(A,C,π)，得到隐马尔可夫模型的局部最优解β'＝(A',C',π')，从而预测当前检测信道状态前一步主用户的信道状态；

步骤六、每一次变分贝叶斯(VB)迭代后对系统状态的对数似然进行证据下界(ELB)，实现模型的验证和优化。

2.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤一中，次用户接收信号的检测概率PD和虚警概率Pf为：式中，N为样本数，γ为检测阈值， 为噪声方差，D(y)为检验统计量，P为平均信号功率，H1和H0分别代表许可用户是否存在，Q(·)为互补累积分布函数。

3.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤二中，生成时间序列X＝{X1,X2,Xt,...XT}定义为一阶Markov过程，状态空间模型用公式表示为：

式中，Xt为隐藏状态，Yt为观测状态，P(Xt|Xt‑1)为状态转移概率，P(Yt|Xt)为观测概率。

4.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤三中，给定观测集合O(t)＝{o1,o2,…,ot,…,oT}，隐马尔可夫模型参数为β＝(A,C,π)，其中π为主用户的初始状态分布，Aij为从状态i到状态j的转换数，Cjm为从状态j的m发射数。

5.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤四中，σt(i)为长度为t且以状态结束的状态序列的最大概率，公式表示为：

ζt(i)为存储最大化σt(i)参数的数组，通过计算发生的所有特定跃迁和发射来重新估计模型参数

(1)初始化参数

σt(i)＝πici(o1)

ζt(i)＝null

(2)重复递推，对于t＝2,3,…Tσt(j)＝max1≤i≤k[σt‑1(i)aij]cj(ot)t＝2，…T；j＝1，…Kζt(j)＝argmax1≤i≤k[σt‑1(i)aij]t＝2,…T；j＝1,…K(3)最后的终止状态(T状态)计算*

V＝max1≤i≤kσT(i)*

式中，aij为转换概率，V为计算出的最大似然概率， 为T时刻最可能的终止状态。

6.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤五中，σt(i)为从观测序列O(t)中获得的概率的前向变量，当它终止于状态i时，表示为：

αt(i)＝P(o1,o2,…oL，xt＝i|β)1≤i≤Lρt(i,j)为在时间t时处于状态i且在时间t+1时在状态j处通过的概率，公式表示为：ρt(i,j)＝P(o1,o2,…oL，xt＝i，xt+1＝j|β)1≤t≤L

1≤t≤L路径中从状态i的期望转换次数为：路径中从状态i到状态j的期望转换次数为：基于已有概率估计和期望值，利用原有隐马尔可夫模型β＝(A,C,π)，估计新模型β'＝(A',C',π')(两个模型共享状态和观测值)。新的初始条件分布通过平滑得到：‑π't＝α1(i)

α1(i)为时间为1(t＝1)时状态i的预期频率。新的转移矩阵如下：

7.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤六中，利用Jensen不等式可以直接获得它的下界，实现模型的优化验证：

式中，β'为新模型参数，X(t+1)为关于新模型参数β'的主用户状态的下一步，Yt为观察的优化输出。