CN102082617A - 基于mtm-svd自适应传感器个数的频谱检测方法 - Google Patents

Abstract

本发明一种基于MTM-SVD自适应传感器个数的频谱检测方法，涉及认知无线电频谱检测方法技术领域。因MTM-SVD频谱检测技术具有不需要主用户的先验信息；有效处理淹没在色噪声中信号的检测和重建及算法速度快等优点，故本发明在MTM-SVD算法基础上，根据Neyman-Pearson准则得出门限公式，确定了实际所需传感器的最佳个数。对每个传感器上的接收信号进行抽样、计算抽样信号的特征谱，并由得到的特征谱计算新的判决量^TM(f_i)，与满足虚警概率P_f的门限th做比较，判定频谱是否被占用。相对于传统的能量检测，本发明在正确检测主用户信号的同时，降低了系统的复杂度。

Description

基于MTM-SVD自适应传感器个数的频谱检测方法

技术领域

本发明涉及认知无线电频谱检测方法技术领域，具体是一种认知无线电系统中基于MTM-SVD自适应传感器个数的宽带频谱检测方法。

背景技术

高速增长的宽带无线业务需求对无线网络提出了更高的要求，环境变化、需求差异、技术进步、业务增长、投资保护等因素造就了众多异构的无线网络子系统并存的局面，给网络发展和建设带来极大困难，又无法满足用户日益增长的应用需求；同时无线网络中普遍存在资源静态管理，条块分割使用等问题，可用资源分布高度不均衡、资源短缺和浪费共存、使用方式不能根据需求和环境的变化动态调整等矛盾日益尖锐，造成了网络使用方式僵化、资源利用效率低下。这些问题已成为制约无线网络发展的主要瓶颈，而且日趋严重。这些现象的产生源于原有无线网络的设计思想：封闭式的静态网络工作模式。这造成了网络融合需求与当前孤岛式的异构网络的矛盾，以及动态环境与静态网络工作模式间的矛盾。

为了解决频谱资源匮乏的问题，基本思路就是尽量提高现有频谱的利用率。为此，人们提出了认知无线电的概念。认知无线电的基本出发点就是：为了提高频谱利用率，具有认知功能的无线通信设备可以按照某种“伺机(Opportunistic Way)”的方式工作在已授权的频段内。当然，这一定要建立在已授权频段没用或只有很少的通信业务在活动的情况下。这种在空域、时域和频域中出现的可以被利用的频谱资源被称为“频谱空洞”。认知无线电的核心思想就是使无线通信设备具有发现“频谱空洞”并合理利用的能力。因此认知无线电被认为是未来实现动态频谱接入、解决无线频谱匮乏问题的关键技术之一。

Haykin提出的时域频域相结合的MTM-SVD算法并建议在认知无线电系统中使用MTM-SVD进行频谱感知。他在文中介绍了频谱感知的精确度要求和利用多个传感器对干扰温度进行估计，利用MTM-SVD在电视频带上对真实信号进行了感知，并在性能上与周期图法进行了比较，结果表明：MTM-SVD不需要任何主用户的先验信息，并且，MTM-SVD能有效处理淹没在有色噪声中信号的检测和重建，算法速度快，能应用到实际环境下。

目前虽然在研究基于MTM-SVD的方法上增加传感器的个数M来提高频谱检测的精度，抗干扰及多径效应的能力，但对于实际环境下M到底取多少却没有得到研究，也没有提到在认知无线电系统中需要的传感器个数要求。

发明内容

本发明的目在于克服上述现有技术存在的不足和缺失，提供一种认知无线电系统中基于MTM-SVD自适应传感器个数的频谱检测方法。本发明首先计算接收信号抽样的谱特征函数矩阵的特征值之和，利用其分布特性计算其概率密度函数；然后根据Neyman-Pearson准则，成功推导出满足P_f下的门限值th及所需要的传感器个数。

本发明对每个传感器上的接收信号进行抽样、计算所需传感器个数及抽样信号的特征谱，并由得到的特征谱计算新的判决量，将该判决量与满足虚警概率P_f的门限进行比较，以此判定频谱是否被占用。该方法分为6个部分实现：对接收信号进行抽样；计算能成功检测所需传感器个数；计算接收信号抽样的特征谱；计算新的判决量；计算满足虚警概率P_f的门限值th；判断该频谱是否被占用；以达到自适应选择传感器个数的功能。具体方法为：

1.对接收信号进行抽样：设x^m(t)为第m个传感器接收到的连续时间信号，信号的中心频率为f_c且带宽为W，以抽样速率为f_s对x^m(t)进行抽样，抽样时间为T_s＝1/f_s，则第m个传感器上接收到的离散信号为y^m(n)＝x^m(nT_s)；n＝0，1，…，N；

2.计算满足虚警概率P_f下成功检测所需传感器个数M：

$M\≈\frac{{\mathrm{\ψ}}^{\′}\left(K\right)}{\ln {(1+\mathrm{\γ})}^2}$

其中，γ表示主用户信号与噪声的方差比，K是所用Slepian序列(DPSS)的最大阶数；ψ(K)是Digamma函数；ψ′(x)是Trigamma函数；

3.计算接收信号抽样的特征谱：第m个传感器上的第k阶Slepian序列的特征谱为：

${Y_k}^m\left(f_i\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{v}^{\left(k\right)}\left(n\right)y^m\left(n\right)e^{-j2\mathrm{\π}{f}_{i}n}$

其中，f_i＝0，1/N，…，N-1/N表示归一化频率点，v^(k)(n)是第k阶的N点Slepian序列。

4.计算新的判决量：

$\mathrm{\Λ}\left(f_i\right)=(K-\frac{1}{M})\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\ln {\mathrm{\η}}_m^{\mathrm{Rx}}\left(f_i\right)$

其中，

接收信号在f_i频点上的谱估计，上标Rx表示接收信号中既有主用户信号又有噪声信号，

上标m表示第m个传感器；

5.计算满足虚警概率P_f的门限值th：

th＝σ₀·Q^-1(P_f)+μ₀

${\mathrm{\μ}}_0=(K-\frac{1}{M})\·M\·[\ln \left(2\right)+\mathrm{\ψ}\left(K\right)-\ln \left(2\mathrm{MK}\right)]+(K-\frac{1}{M})\·\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\ln \left[{\mathrm{\η}}_m^n\left(f_i\right)\right]$

${\mathrm{\σ}}_0={(K-\frac{1}{M})}^2\·M\·{\mathrm{\ψ}}^{\′}\left(K\right)$

其中

上标n表示接收信号中只有噪声信号，是噪声序列在f_i频点上的谱估计，i＝1，2，…，N；Q^-1(x)是Q(x)的逆函数，

6.判断该频谱是否被占用：采用判决量Λ(f_i)与满足虚警概率P_f的门限th进行比较，以此判定频谱是否被占用，如果Λ(f_i)＞th，则表明该频谱被占用，反之，当Λ(f_i)＜th，表明该频谱未被占用。

本发明所述的传感器是无线通信中基站或移动终端的天线或无线传感器网络中的射频模块。

综上所述，本发明运用MTM进行谱估计，求取特征谱并根据Neyman-Pearson准则推导出需要的最佳传感器个数，有效降低了系统的复杂度。该方法不需要任何主用户的先验信息，且能有效处理淹没在有色噪声中信号的检测和重建，算法速度快。相对于传统的能量检测法，该方法更能有效地精确地对频谱进行检测，复杂度也更低。

附图说明

图1是基于MTM-SVD自适应传感器个数的频谱检测方法流程图。

具体实施方式

以下结合附图和实施例对本发明作进一步的描述

基于MTM-SVD自适应传感器个数的频谱检测方法具体设计步骤如下：

1.对x^m(t)进行抽样，假设x^m(t)为第m个传感器接收到的连续时间信号，以抽样速率为f_s抽样时间为T_s＝1/f_s，则第m个传感器上接收到的离散信号为y^m(n)＝x^m(nT_s)；n＝0，1，…，N；v^(k)(n)是K阶Slepian序列(DPSS)(n＝0，1，…，N-1；k＝1，2，…，K)，γ表示主用户信号与噪声的方差比。

2.计算所需传感器个数 $M=\frac{{\mathrm{\ψ}}^{\′}\left(K\right)}{\ln {(1+\mathrm{\γ})}^2}.$

3.计算第m个传感器上抽样信号的第k阶Slepian序列的特征谱为：

${Y_k}^m\left(f_i\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{v}^{\left(k\right)}\left(n\right)y^m\left(n\right)e^{-j2\mathrm{\π}{f}_{i}n}.$

并将每个传感器得到的联合特征谱排列成矩阵形式：

$A\left(f_i\right)=\left[\begin{array}{cccc}{Y}_1^1\left(f_i\right)& Y_2^1\left(f_i\right)& \·& Y_K^1\left(f_i\right)\\ Y_1^2\left(f_i\right)& Y_2^2\left(f_i\right)& \·& Y_K^2\left(f_i\right)\\ \·& \·& & \·\\ Y_1^M\left(f_i\right)& Y_2^M& \·& Y_K^M\left(f_i\right)\end{array}\right].$

4.计算A(f_i)A^H(f_i)主对角线上的元素之和

计算判决量：

$\mathrm{\Λ}\left(f_i\right)=(K-\frac{1}{M})\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\ln ({\mathrm{\η}}_m^{\mathrm{Rx}}\left(f_i\right)/(M*K)).$

5.th＝σ₀·Q^-1(P_FA)+μ₀。

6.判断频谱是否被占用。

如果Λ(f_i)＞th，则表明该频谱被占用，反之，当Λ(f_i)＜th，表明该频谱未被占用。

本发明基于MTM-SVD算法，根据Neyman-Pearson准则推导了在认知无线电系统中的门限公式，并确定了需要传感器的最佳个数要求，相对于传统的能量检测，本发明在正确检测主用户信号的同时，又降低了系统的复杂度。

Claims (3)

1.一种基于MTM-SVD自适应传感器个数的频谱检测方法，其特征在于，在认知无线电系统中，对每个传感器上的接收信号进行抽样、计算所需传感器个数及抽样信号的特征谱，并由得到的特征谱计算新的判决量，将该判决量与满足虚警概率P_f的门限进行比较，以此判定频谱是否被占用。

2.如权利要求1所述的基于MTM-SVD自适应传感器个数的频谱检测方法，其特征在于，包括如下步骤：

a.对接收信号进行抽样：设x^m(t)为第m个传感器接收到的连续时间信号，信号的中心频率为f_c且带宽为W，以抽样速率为f_s对x^m(t)进行抽样，抽样时间为T_s＝1/f_s，则第m个传感器上接收到的离散信号为y^m(n)＝x^m(nT_s)；n＝0，1，…，N；

b.计算满足虚警概率P_f下成功检测所需传感器个数M：

$M\≈\frac{{\mathrm{\ψ}}^{\′}\left(K\right)}{\ln {(1+\mathrm{\γ})}^2}$

其中，γ表示主用户信号与噪声的方差比，K是所用Slepian序列(DPSS)的最大阶数；ψ(K)是Digamma函数；ψ′(x)是Trigamma函数；

c.计算抽样信号的特征谱：第m个传感器上的第k阶Slepian序列的特征谱为

${Y_k}^m\left(f_i\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{v}^{\left(k\right)}\left(n\right)y^m\left(n\right)e^{-j2\mathrm{\π}{f}_{i}n}$

其中，f_i＝0，1/N，…，N-1/N表示归一化频率点，v^(k)(n)是第k阶的N点Slepian序列。k＝1，2，…，K。

d.计算新的判决量：

$\mathrm{\Λ}\left(f_i\right)=(K-\frac{1}{M})\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\ln {\mathrm{\η}}_m^{\mathrm{Rx}}\left(f_i\right)$

其中，

是接收信号在f_i频点上的谱估计，上标Rx表示接收信号中既有主用户信号又有噪声信号，

上标m表示第m个传感器；

e.计算满足虚警概率P_f的门限值th：

th＝σ₀·Q^-1(P_f)+μ₀

${\mathrm{\μ}}_0=(K-\frac{1}{M})\·M\·[\ln \left(2\right)+\mathrm{\ψ}\left(K\right)-\ln \left(2\mathrm{MK}\right)]+(K-\frac{1}{M})\·\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\ln \left[{\mathrm{\η}}_m^n\left(f_i\right)\right]$

${\mathrm{\σ}}_0={(K-\frac{1}{M})}^2\·M\·{\mathrm{\ψ}}^{\′}\left(K\right)$

其中

上标n表示接收信号中只有噪声信号，是噪声序列在f_i频点上的谱估计，i＝1，2，…，N；Q^-1(x)是Q(x)的逆函数，

f.判断该频谱是否被占用：采用判决量Λ(f_i)与满足虚警概率P_f的门限th进行比较，以此判定频谱是否被占用，如果Λ(f_i)＞th，则表明该频谱被占用，反之，当Λ(f_i)＜th，表明该频谱未被占用。

3.如权利要求1所述的基于MTM-SVD自适应传感器个数的频谱检测方法，其特征在于，所述的传感器是无线通信中基站或移动终端的天线或无线传感器网络中的射频模块。

Images