1.一种基于协方差矩阵的长短期记忆协作频谱感知方法，其特征在于，包括以下步骤：S1、典型认知无线系统包含1个主用户，L个次用户，L为自然数；当主用户PU通信未被干扰时，第i个次用户SUi对PU信号检测，得到连续时间序列，其中，i＝1,2,…，L；对连续时间序列执行次用户感知信号检测，得到N×N维的主信号协方差矩阵，N为自然数，表示采样点数；

S2、将主信号协方差矩阵作为输入，执行信号样本标注，得到L个次用户的样本标签集，即把每个样本协方差矩阵中的N个序列，标记为0或1的标签集，分别代表PU存在或不存在频谱空穴；

S3、将第i个次用户SUi的样本标签集作为输入，执行LSTM网络训练，得到样本的特征序列；

S4、将样本的特征序列作为输入，执行全连接层与Softmax层联合处理，得到每个次用户0到1间的数值PiH0，表示主用户PU存在频谱空穴的概率；

所述步骤S4中的全连接层与Softmax层联合处理，包括以下步骤：S41、将SU1得到的样本序列X＝{x1 x2 x3...xN}，按一定比例作为训练数据集X1和验证数据集X2，将其余次用户SUi(i＝2,3,…,L)中得到的样本序列作为测试集X3，再将训练数据集X1输入LSTM网络，以执行LSTM网络训练，得到训练好的模型Y，输出特征序列TN，N为输出的维度；

S42、从LSTM输出的特征序列TN，输入到全连接层与Softmax层归一化处理，即通过Softmax函数把0和1分类，输出最终的频谱感知结果P1H0；

S43、待训练数据集X1训练结束后，将SU1中得到的验证数据集X2，输入到已训练好的模型Y，当模型发散或出现不寻常结果时，终止训练，执行人工调参，以得到最优模型；

S44、整个系统的映射关系表示为：

PiH0＝f(xi)                           (5)其中，PiH0为信号通过LSTM网络，在全连接层与Softmax层处理后所得的分类概率；将其余次用户SUi(i＝2,3,…,L)中得到的协方差样本序列，作为测试集X3，在LSTM网络及全连接层与Softmax层测试，得到最终测试值PiH0，即为频谱感知结果；

所述步骤S42，包括：

将LSTM输出的特征序列TN作为输入，TN通过全连接层分类，将特征序列TN维度由N降到

1，然后将其输出到样本标记空间，即输出0或1两个实数；之后，将全连接层的输出输入softmax层，以将全连接层的输出结果0和1分类，并输出0和1的概率；其中，softmax层将0和

1输出为2个[0,1]区间实数，即PiH0，表示为PU存在频谱空穴的概率；

softmax层在执行分类过程时，采用以下公式：

yt＝softmax(wht+b)                          (4)其中，xi为全输入层的输出，i为自然数，表示第i次输入，exp(xi)表示输入xi的指数函数，w为权重矩阵，b为向量偏差，ht为隐藏层的输出，yt的最终输出的就是0和1的分类概率，t为时刻。

2.根据权利要求1所述的一种基于协方差矩阵的长短期记忆协作频谱感知方法，其特征在于，所述步骤S1中的次用户感知信号检测，包括以下步骤：S11、当主用户PU通信未被干扰时，第i个次用户SUi对PU信号检测，接收信号采用二元假设模型表示为：其中，ri(k)表示第i个次用户在时刻k所接收的连续时间序列，k为整数，hi(k)为表示在时刻k第i个传输信道损耗系数，取值在0到1之间；s(k)表示主用户PU的信号，ni(k)表示第i2

个次用户在时刻k所接收的均值为0、方差为σ的加性高斯白噪声，H0表示无PU信号，H1表示有PU信号；

S12、对第i个次用户SUi接收到的PU信号，执行协方差矩阵的计算，即将PU信号采样为L×N维矩阵Rk，k为时刻；然后通过 计算得到N×N维样本协方差矩阵SN，N为采样点数。

3.根据权利要求2所述的一种基于协方差矩阵的长短期记忆协作频谱感知方法，其特征在于，所述步骤S2的信号样本标注，包括以下步骤：S21、次用户在k时刻接收的L个连续时间序列，经N次采样后，得到L×N维矩阵Rk，表示为：S22、通过 计算得到维度为N×N的协方差实矩阵SN；然后，将其依次分为N个序列，并表示为：S＝[s1 s2 s3...sN]；sj为1×N维实向量，标记为0或1，分别代表PU存在或不存在频谱空穴；

S23、将标注的相应标签集设为：X＝{x1 x2 x3...xN}，xj取值为0或1，分别表示PU不存在或PU存在。