1.一种考虑主用户信号随机到达和离开的频谱感知方法，其特征在于该方法在认知无线电系统中考虑一个感知周期内最多存在一次主用户信号的随机到达或一次主用户信号的随机离开，设定一个感知周期内授权信道忙碌的持续时间为Tb、授权信道空闲的持续时间为Ti，且Tb服从均值为μ的超指数分布，Ti服从均值为ν的超指数分布，μ与ν相等；该方法具体包括以下步骤：步骤1：设定有NSNR个不同的信噪比和Nμ个不同的μ值，并将NSNR个不同的信噪比和Nμ个不同的μ值两两组合成NSNR×Nμ种场景情况；其中，NSNR≥3，Nμ≥3；

步骤2：针对每一种场景情况，任意选取一个感知周期作为第1个感知周期；然后从第1个感知周期开始选定连续的K个感知周期；接着对选定的每个感知周期内的次级用户接收信号进行N次采样，得到每个感知周期内的次级用户接收信号的N个采样值，将第k个感知周k期内的次级用户接收信号的第n个采样值记为x(n)，若第k个感知周期内授权信道空闲，则若第k个感知周期内授权信道忙碌，则之后将每个感知周期内的次级用户接收信号的各个采

样值的实部和虚部分开；紧接着将每个感知周期内的次级用户接收信号的N个采样值的实部和虚部构成一个样本矩阵，将第k个感知周期内的次级用户接收信号的N个采样值的实部和虚部k构成的样本矩阵记为X ，

再对每个感知周期内授权信道的状态打标签，将第k个感知周期内授权信道的状态标签记k k k k

为z，z的值为0或1，z的值为0时表示第k个感知周期内授权信道空闲，z的值为1时表示第k个感知周期内授权信道忙碌；其中，K≥1000，N＝Ts×fs，Ts表示每个感知周期的时长，fs表k示采样频率，k为正整数，1≤k≤K，n为正整数，1≤n≤N，l (n)表示第k个感知周期内的主用k k

户发射信号即主用户信号的第n个采样值，l (n)服从均值为0方差为 的复高斯分布，ωk

(n)表示第k个感知周期内的加性高斯白噪声的第n个采样值，ω (n)服从均值为0方差为k k

的复高斯分布，l (n)与ω (n)是相互独立的，n0表示主用户信号离开的时刻，n1表示主用户k k

信号到达的时刻，X的维数为2×N，Re()表示取实部操作，Im()表示取虚部操作，x(1)表示k

第k个感知周期内的次级用户接收信号的第1个采样值，x(2)表示第k个感知周期内的次级k

用户接收信号的第2个采样值，x (N)表示第k个感知周期内的次级用户接收信号的第N个采样值；

步骤3：从针对每一种场景情况共得到的K个样本矩阵中随机选择Ntrain个样本矩阵，将从NSNR×Nμ种场景情况共得到的NSNR×Nμ×K个样本矩阵中随机选择出的NSNR×Nμ×Ntrain个样本矩阵及对应的授权信道的状态标签构成训练集，记为Ytrain，将NSNR×Nμ种场景情况共得到的NSNR×Nμ×K个样本矩阵中剩余的NSNR×Nμ×(K‑Ntrain)个样本矩阵构成测试集，记为 其中，表示训练集中的第j个样本矩阵， 表示 所对应的授权信道的状态标签， 表

示测试集中的第j'个样本矩阵；

步骤4：构建卷积神经网络，其包括三个卷积层、三个最大池化层及两个全连接层，第1个卷积层的输入端为该卷积神经网络的输入端，第1个卷积层的输出端输出的特征数据经过“ReLU”激活函数后输入到第1个最大池化层的输入端，第1个最大池化层的输出端输出的特征数据经过“ReLU”激活函数后输入到第2个卷积层的输入端，第2个卷积层的输出端输出的特征数据经过“ReLU”激活函数后输入到第2个最大池化层的输入端，第2个最大池化层的输出端输出的特征数据经过“ReLU”激活函数后输入到第3个卷积层的输入端，第3个卷积层的输出端输出的特征数据经过“ReLU”激活函数后输入到第3个最大池化层的输入端，第3个最大池化层的输出端输出的特征数据经过“ReLU”激活函数后输入到第1个全连接层的输入端，第1个全连接层的输出端输出的特征数据经过“ReLU”激活函数后再经过dropout操作输入到第2个全连接层的输入端，第2个全连接层的输出端输出的特征数据经过“Softmax”激活函数后作为该卷积神经网络的输出端输出的特征数据；其中，第1个卷积层的卷积核大小为3×3、卷积核深度为32、卷积步长为1，第2个卷积层的卷积核大小为3×3、卷积核深度为

64、卷积步长为1，第3个卷积层的卷积核大小为3×3、卷积核深度为128、卷积步长为1，第1个最大池化层、第2个最大池化层和第3个最大池化层的池化窗大小为2×2、池化步长为2，第1个全连接层的神经元个数为128，第2个全连接层的神经元个数为2，dropout率设置为

0.5；

步骤5：将训练集中的每个样本矩阵及对应的授权信道的状态标签输入到构建的卷积神经网络中对卷积神经网络进行训练，训练的batch size设置为大于或等于100，训练的优化器采用Adam，训练的损失函数采用交叉熵函数，训练的结束条件为交叉熵函数的值收敛到0附近或迭代次数设置为大于或等于20；训练结束后得到训练好的卷积神经网络模型及训练集中的每个样本矩阵对应的输出向量，输出向量包含两个元素，分别为授权信道空闲的概率和授权信道忙碌的概率；

步骤6：找出训练集中对应的授权信道的状态标签的值为0的所有样本矩阵；然后计算找出的每个样本矩阵对应的输出向量的概率比值，将找出的任一个样本矩阵对应的输出向量的概率比值记为B， 接着对找出的所有样本矩阵对应的输出向量的概率比值进行降序排序；再从排序结果中选择第int(S×Pf)个概率比值作为判决门限，记为λ；其中，P1表示该样本矩阵对应的输出向量中的授权信道忙碌的概率，P0表示该样本矩阵对应的输出向量中的授权信道空闲的概率，P1+P0＝1，int()为取整函数，S表示训练集中对应的授权信道的状态标签的值为0的样本矩阵的总个数，Pf表示给定的虚警概率，Pf∈[0,1]；

步骤7：将测试集中的每个样本矩阵输入到训练好的卷积神经网络模型中进行测试，得到测试集中的每个样本矩阵对应的输出向量；然后计算测试集中的每个样本矩阵对应的输出向量的概率比值，将测试集中的任一个样本矩阵对应的输出向量的概率比值记为B'，其中，P1'表示测试集中的任一个样本矩阵对应的输出向量中的授权信道忙碌的概率，P0'表示测试集中的任一个样本矩阵对应的输出向量中的授权信道空闲的概率，P1'+P0'＝1；

步骤8：将测试集中的每个样本矩阵对应的输出向量的概率比值作为检验统计量；然后将每个检验统计量与λ进行比较，对于任一个检验统计量，如果该检验统计量大于λ，则判定该检验统计量对应的样本矩阵所对应的感知周期内主用户信号到达，即授权信道忙碌；否则，判定该检验统计量对应的样本矩阵所对应的感知周期内主用户信号离开，即授权信道空闲。