CN102970083B - 基于噪声自适应随机共振系统的频谱感知方法 - Google Patents

Abstract

本发明公开了一种基于噪声自适应随机共振系统的频谱感知方法，具体先把大频率的接受信号r(t)经过二次采样处理，降为小频率的信号r′(t)，然后输入噪声自适应SR系统输出为x(t)，最后对x(t)进行检测做出判决。针对现有的能量频谱感知方法易受到噪声不确定性的影响不能满足实际需求的问题，本发明的方法通过噪声方差计算得到噪声功率自适应系数k，进而达到自适应调节输入SR系统的噪声功率k²σ_n ²，使其和SR系统的特性相匹配，从而使得输出信号x(t)的SNR得到最优的提高。

Description

基于噪声自适应随机共振系统的频谱感知方法

技术领域

本发明属于认知无线电技术领域，具体涉及其中的频谱感知方法。

背景技术

随着无线业务的增长，频谱资源显得日渐稀缺，为了解决这一问题，研究者提出了认知无线电（Cognitive Radio，CR）技术。CR技术的前提是寻找到可用的频谱资源，频谱感知正是用来完成这一任务的关键技术。为了有效地避免认知无线电系统的信号对授权用户产生有害的干扰，要求频谱感知方法在低信噪比（Signal-to-Noise Ratio，SNR）下能够可靠地检测出授权用户信号来。在CR系统中能量检测（energy detection，ED）是一种简单易行的频谱感知方法，但是传统的ED技术在低信噪比下检测概率较低，不能很好地满足认知无线电技术的要求。

传统能量检测中频谱感知的二元假设检验模型为：

$\left\{\begin{array}{c}{H}_1:r\left(t\right)=s\left(t\right)+n\left(t\right)\\ H_0:r\left(t\right)=n\left(t\right)\end{array}\right.,---\left(1\right)$

其中，H₁表示存在授权用户信号的假设，H₀表示不存在授权用户信号的假设；r(t)表示要感知的接收信号，s(t)表示授权用户信号，n(t)表示均值为零、方差为的加性白高斯噪声（Additive White GaussianNoise，AWGN）。把接收信号通过能量检测，判断授权用户是否信号存在，即通过计算得到检验统计量T(r)，把T(r)与门限r进行比较，判断授权用户信号是否存在。这里，N表示每次频谱感知所需的累积样本数。

研究发现随机共振（Stochastic Resonance，SR）能够使信号得到增强并且能够抑制噪声。当输入的信号、噪声和SR系统相匹配时噪声的部分能量能够转移到信号上，使信号得到增强，噪声的得干扰得到削减，使输出的SNR得到显著的提高，于是把SR理论应用于频谱感知技术中，这样能够有效地提高频谱感知的性能。

双稳态SR系统通常用非线性langevin方程描述如下：

$\frac{\mathrm{dx}\left(t\right)}{\mathrm{dt}}=-\frac{\∂V\left(x\right)}{\∂x}+s\left(t\right)+n\left(t\right)---\left(2\right)$

其中，V(x,t)是双稳态SR系统的势函数，其表达式为：其中，a,b为SR系统参数，U₀=a²/(4b)为势垒的高度，是SR系统的两个势阱点，把接收信号r(t)=s(t)+n(t)代入langevin方程中求解得到x(t)，输出信号x(t)的SNR得到了提高，从而有利于下一步的处理。对于通信中的常见信号s(t)=A_m cos(2πf_st)其输出SNR为

$R_{\mathrm{out}}\≈\frac{\sqrt{2}{A_m}^2\mathrm{\ρ}}{{\left({{\mathrm{\σ}}_n}^2\right)}^2}{e}^{-\mathrm{\ρ}/\left(2{{\mathrm{\σ}}_n}^2\right)}---\left(3\right)$

其中ρ=a²/b。具体可参考文献：McNamara B,Wiesenfeld K.Theory of stochastic resonance,Physical Review A,1989,39(9):4854-4869。

随机共振系统要求输入的信号周期成分的频率一般较小，一般采用了二次采样技术来降低大频率信号的频率，使其满足SR系统的要求。二次采样的基本原理是：通过尺度变换因子R把高频信号变换成与随机共振系统相匹配的低频信号。R的作用原理是：采样后的信号表示为然后进行如下处理：

这样把RΔt作为新的采样时间间隔，把这个新的采样间隔应用于随机共振的计算中，相当于新的信号频率变换为了f_c/R，此处把R称作二次采样尺度变换因子，可见R>1的情况下信号频率得到了降低；二次采样的具体方法可参考：冷永刚,王太勇.二次采样用于随机共振从强噪声中提取弱信号的数值研究.物理学报,2003,52(10):2432～2437。

噪声不确定性因子的定义：通常噪声方差的波动会降低感知算法的性能，在此称作噪声不确定性的影响；令噪声方差的估计为定义不确定因子为：

B=sup{10log₁₀β}        (5)

令β（用dB表示）在[-B,B]上均匀分布，实际中噪声不确定因子通常是1dB到2dB。具体可参考：Y.Zeng,Y.-C.Liang,“Spectrum sensing algorithms for cognitive radio based onstatistical covariances”,In IEEE Transactions on Vehicular Technology，Vol.58,No.4,May 2009。

传统的ED检测方法虽然简单易行，但是在低SNR下仍然不能满足实际应用的需求，同时传统的ED对噪声的不确定性比较敏感，由于接收机的器件引入的噪声不确定性的影响使得ED的检测性能大幅下降，这样就很难满足实际的需求。

发明内容

本发明的目的是为了解决现有的能量频谱感知方法易受到噪声不确定性的影响不能满足实际需求的问题，提出了一种基于噪声自适应随机共振系统的频谱感知方法。

本发明的技术方案是：一种基于噪声自适应随机共振系统的频谱感知方法，包括以下步骤：

S1.初始化参数：所述参数包括，计算检验统计量所需的信号采样累积点数，二次采样的尺度变换因子R。

S2.对接收信号r(t)进行尺度变换因子为R的二次采样，输出的信号记为r′(t)；

S3.将步骤S2得到的r′(t)作为噪声自适应随机共振系统的输入信号，求解描述噪声自适应随机共振系统的方程的输出信号x(t)；

所述的随机共振系统方程为： $\frac{\mathrm{dx}\left(t\right)}{\mathrm{dt}}=-\frac{\∂V\left(x\right)}{\∂x}+k[s\left(t\right)+n\left(t\right)],$ 其中，

s(t)是授权用户信号；n(t)是均值为零方差为的噪声，a和b是随机共振系统参数；

S4.求解步骤S3得到的x(t)的的N个采样点的均值

S5.利用步骤S4得到的N个采样点的均值计算检验统计量T(x)，T(x)与预先设置的判决门限γ_th比较做出判决。

进一步的，计算检验统计量T(x)的过程如下：

其中，x[n]＝x(nRΔt)，Δt为接收信号r(t)的采样间隔。

做出判决的判决式是：

$T\left(x\right)\begin{array}{c}\underset{\&GreaterEqual;}{H_1}\\ \underset{H_0}{<}\end{array}{\mathrm{\&gamma;}}_{\mathrm{th}}---\left(6\right)$

T(x)大于等于γ_th时判为授权用户信号存在，T(x)小于γ_th时判为授权用户信号不存在。

本发明的有益效果：本发明的基于噪声自适应随机共振系统的频谱感知方法，先把大频率的接受信号r(t)经过二次采样处理，降为小频率的信号r′(t)，然后输入噪声自适应SR系统输出为x(t)，最后对x(t)进行检测做出判决。本发明的方法通过噪声方差计算得到噪声自适应系数k，进而达到自适应调节SR系统的输入噪声功率使其和SR系统的特性相匹配，从而使得输出信号x(t)的SNR得到最优的提高。

附图说明

图1为随机共振系统输出增益数值的曲面图

图2为本发明方法的总体示意图。

图3为本发明方法的流程示意图。

图4为本发明方法的检测性能仿真比较图。

图5为噪声不确定性对本发明方法的影响比较图。

具体实施方式

下面结合图1-图5对本发明的频谱感知方法进行阐述。

如图2和图3所示，本发明的频谱感知方法具体包括以下步骤：

S1.初始化参数：所述参数包括，二次采样的尺度变换因子R；计算检验统计量所需的信号采样累积点数N；

下面给出初始化参数的取值依据：

定义二次采样后的频率为f′_c=f_c/R，研究发现自适应随机共振系统的输入信号在5×10^-4Hz~3×10^-3Hz范围内时易于产生随机共振，所以f′_c∈[5×10^-4,3×10^-3]，一般可以取f′_c=1×10^-3Hz，即R=f_c/1×10^-3。采样累积点数N的取值应不少于1/4个信号周期的采样点数，建议N为一个周期的采样点数。

S2.对大频率的信号进行尺度变换因子为R的二次采样，输出的信号记为r′(t)；

尺度变换后r′(t)的频率易于产生SR现象。

S3.把r′(t)作为噪声自适应SR系统的输入信号，求解噪声自适应SR系统方程输出信号x(t)；

具体为：一般可以通过加入合适的噪声可以获得SR系统的最大输出SNR增益，其(2)式一般写为

$\frac{\mathrm{dx}\left(t\right)}{\mathrm{dt}}=-\frac{\&PartialD;V\left(x\right)}{\&PartialD;x}+k[s\left(t\right)+n\left(t\right)]+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2---\left(7\right)$

其中k>0为一个给定的常数，Δσ_n ²是加入的噪声的方差。针对(7)式，(3)可写重写为

$R_{\mathrm{out}}\&ap;\frac{\sqrt{2}{k}^2{A_m}^2\mathrm{\&rho;}}{{(k^2{{\mathrm{\&sigma;}}_n}^2+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2)}^2}{e}^{-\mathrm{\&rho;}/\left[2(k^2{{\mathrm{\&sigma;}}_n}^2+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2)\right]}---\left(8\right)$

输入SNR为：

$R_{\mathrm{in}}=\frac{k^2{A_m}^2}{2k^2{{\mathrm{\&sigma;}}_n}^2}=\frac{{A_m}^2}{2{{\mathrm{\&sigma;}}_n}^2}---\left(9\right)$

所以经过(7)式描述的系统后，输出SNR的增益表示为：

$\mathrm{\&eta;}=\frac{R_{\mathrm{out}}}{R_{\mathrm{in}}}$

$\&ap;\frac{2\sqrt{2}\mathrm{\&rho;}{k}^2{{\mathrm{\&sigma;}}_n}^2}{{(k^2{{\mathrm{\&sigma;}}_n}^2+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2)}^2}{e}^{-\mathrm{\&rho;}/\left[2(k^2{{\mathrm{\&sigma;}}_n}^2+{{\mathrm{\&sigma;}}_n}^2)\right]}---\left(10\right)$

$\&ap;\frac{2\sqrt{2}\mathrm{\&rho;\&epsiv;}}{{(\mathrm{\&epsiv;}+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2)}^2}{e}^{-\mathrm{\&rho;}/\left[2(\mathrm{\&epsiv;}+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2)\right]}$

其中，ε=k²σ_n ²。

1)ε在不同范围内取值对η的影响

ε是一个定值，这里对(10)式求变量Δσ_n ²的一阶导数得

$\frac{\mathrm{d\&eta;}}{d\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)}=(\frac{\mathrm{\&rho;}}{\mathrm{\&epsiv;}+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2}-4)\&times;\frac{\sqrt{2}\mathrm{\&rho;\&epsiv;}}{{(\mathrm{\&epsiv;}+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2)}^3}{e}^{-\mathrm{\&rho;}/\left[2(\mathrm{\&epsiv;}+{{\mathrm{\&sigma;}}_n}^2)\right]}---\left(11\right)$

因为ρ>0,ε>0,Δσ_n ²≥0所以

$\frac{\sqrt{2}\mathrm{\&rho;\&epsiv;}}{{(\mathrm{\&epsiv;}+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2)}^3}{e}^{-\mathrm{\&rho;}/\left[2(\mathrm{\&epsiv;}+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2)\right]}>0---\left(12\right)$

令

$f\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)=\frac{\mathrm{\&rho;}}{\mathrm{\&epsiv;}+\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2}-4---\left(13\right)$

a)当ε>ρ/4：

$f\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)<0\&DoubleRightArrow;\frac{\mathrm{d\&eta;}}{d\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)}<0---\left(14\right)$

所以ε>ρ/4时η是关于Δσ_n ²的单调递减函数。

b)当0<ε≤ρ/4：

很明显(13)式中f(Δσ_n ²)是关于Δσ_n ²的单调递减函数，并且有

$\left\{\begin{array}{cc}f\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)>0\&DoubleRightArrow;\frac{\mathrm{d\&eta;}}{d\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)}>0& \mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\&Element;[0,\mathrm{\&rho;}/4-\mathrm{\&epsiv;})\\ f\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)=0\&DoubleRightArrow;\frac{\mathrm{d\&eta;}}{d\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)}=0& \mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2=\mathrm{\&rho;}/4-\mathrm{\&epsiv;}\\ f\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)<0\&DoubleRightArrow;\frac{\mathrm{d\&eta;}}{d\left(\mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\right)}<0& \mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2\&Element;(\mathrm{\&rho;}/4-\mathrm{\&epsiv;},+\&infin;)\end{array}\right.---\left(15\right)$

所以，0<ε<ρ/4时η是关于Δσ_n ²的上凸函数，并且在Δσ_n ²=ρ/4-ε处η取得最大值。

2)η取到最大值的条件

通过以上分析，构建平面P:ε=ρ/4，把曲面η(ε,Δσ_n ²)分为S₁和S₂两个曲面，如图1所示。对两个曲面分析如下：

a)曲面S₁

通过以上的分析，在S₁中，η是Δσ_n ²的单调递减函数，所以Δσ_n ²=0时η取得最大值，此时

$\mathrm{\&eta;}\left(\mathrm{\&epsiv;}\right)=\frac{2\sqrt{2}\mathrm{\&rho;}}{\mathrm{\&epsiv;}}{e}^{-\mathrm{\&rho;}/\left(2\mathrm{\&epsiv;}\right)}---\left(16\right)$

由于ε的任意性得到

$\frac{\mathrm{d\&eta;}\left(\mathrm{\&epsiv;}\right)}{\mathrm{d\&epsiv;}}=(\frac{\mathrm{\&rho;}}{\mathrm{\&epsiv;}}-2)\frac{\sqrt{2}\mathrm{\&rho;}}{{\mathrm{\&epsiv;}}^2}{e}^{-\mathrm{\&rho;}/\left(2\mathrm{\&epsiv;}\right)}---\left(17\right)$

因为ρ>0,ε>ρ/4所以有

$\left\{\begin{array}{cc}\frac{\mathrm{d\&eta;}\left(\mathrm{\&epsiv;}\right)}{\mathrm{d\&epsiv;}}>0& \mathrm{\&epsiv;}\&Element;(\mathrm{\&rho;}/4,\mathrm{\&rho;}/2)\\ \frac{\mathrm{d\&eta;}\left(\mathrm{\&epsiv;}\right)}{\mathrm{d\&epsiv;}}=0& \mathrm{\&epsiv;}=\mathrm{\&rho;}/2\\ \frac{\mathrm{d\&eta;}\left(\mathrm{\&epsiv;}\right)}{\mathrm{d\&epsiv;}}<0& \mathrm{\&epsiv;}\&Element;(\mathrm{\&rho;}/2,+\&infin;)\end{array}\right.---\left(18\right)$

所以ε=ρ/2时(16)式取到最大值，即，ε=ρ/2,Δσ_n ²=0时取到S₁曲面上的最大值

${\mathrm{\&eta;}}_{S_1\max }=\frac{4\sqrt{2}}{e}---\left(19\right)$

b)曲面S₂

有前面的分析可知，在S₂中，在Δσ_n ²=ρ/4-ε处取得η的最大值

$\mathrm{\&eta;}\left(\mathrm{\&epsiv;}\right)=\frac{32\sqrt{2}\mathrm{\&epsiv;}}{\mathrm{\&rho;}{e}^2}---\left(20\right)$

很明显在ε=ρ/4时式(20)取得最大值，即S₂曲面上的最大值是

${\mathrm{\&eta;}}_{S_2\max }=\frac{8\sqrt{2}}{e^2}---\left(21\right)$

由于所以SR系统输出的SNR增益能够取得的最大值是把ε=k²σ_n ²和ρ=a²/b带入，则取得最大值的条件是

$\left\{\begin{array}{c}k=\sqrt{\frac{a^2}{2b{{\mathrm{\&sigma;}}_n}^2}}\\ \mathrm{\&Delta;}{{\mathrm{\&sigma;}}_n}^2=0\end{array}\right.---\left(22\right)$

针对以上分析，把SR系统方程(7)修改为

$\frac{\mathrm{dx}\left(t\right)}{\mathrm{dt}}=-\frac{\&PartialD;V\left(x\right)}{\&PartialD;x}+k[s\left(t\right)+n\left(t\right)]---\left(23\right)$

其中，k的值随着噪声方差σ_n ²的不同而自动调节。这样通过引入自适应调节噪声功率系数k使得噪声的功率和SR系统的特性相匹配，从而使得输出信号x(t)的SNR得到最优的提高。把(23)式描述的修改后的SR系统称为噪声自适应随机共振系统。

这里先通过接收信号r(t)获得当前噪声的方差σ_n ²，再求的k的值，然后通过四阶龙格库塔数值计算方法或者其他的数值求解方法求解(23)式，求得的解就是噪声自适应随机共振系统的输出信号x(t)；

S4.求x(t)的N个采样点的均值

均值计算如下：

$\stackrel{\&OverBar;}{x}=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}x\left[n\right]---\left(24\right)$

其中，x[n]＝x(nRΔt)，Δt为接收信号r(t)的采样间隔。

S5.利用步骤S4得到的N个采样点的均值计算检验统计量T(x)，计算检验统计量T(x)，T(x)与判决门限γ_th比较做出判决；

这里，计算检验统计量T(x)的过程可以采用如下一种形式：

$T\left(x\right)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left|x\right[n]-\stackrel{\&OverBar;}{x}|}^2---\left(25\right)$

具体判决如下：

$T\left(x\right)\begin{array}{c}\underset{\&GreaterEqual;}{H_1}\\ \underset{H_0}{<}\end{array}{\mathrm{\&gamma;}}_{\mathrm{th}}---\left(26\right)$

判决门限γ_th可以在H₀假设下的检测统计量根据虚警概率P_f通过仿真得到，如果T(x)≥γ_th则判决为假设H₁，即授权用户信号存在；如果T(x)<γ_th则判决为假设H₀，即授权用户信号不存在。

通过上述基于偏差修正的能量检测的操作，有效去除了在H₀假设下SR系统输出信号的直流分量，使得判决门限得到大幅的下降，但是在H₁假设下由于直流分量很小，所以在H₁假设下检测统计量受到的影响不大，从而使得门限值远小于H₁假设下检测统计量的值，使检测性能得到了很大的提高，特别是在低SNR下表现出良好的性能。

下面对本发明的方法进行仿真测试。

图4-图5中，NASR(D-ED)表示本发明的频谱感知方法；ED表示传统的能量检测方法。

仿真的参数为：输入正弦信号s(t)=A_m sin(2πf_ct)，幅度A_m=0.3，频率f_c=1000Hz，采样频率f_s=5MHz，通过优选方案确定的二次采样因子R=10⁶，累积点数N=5000，虚警概率P_f=0.1。

图4中本发明的NASR(D-ED)方法的性能优于传统的ED方法，可以满足实际的需求。

图5中的“1”或“2”表示存在噪声不确定性因子是1dB或2dB的情况。图中可以看到噪声不确定性对本发明方法的影响远小于对传统ED方法的影响。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于可读存储介质中，例如只读存储器、随机存取存储器、磁盘、光盘等。

Claims (2)

1.一种基于噪声自适应随机共振系统的频谱感知方法，包括以下步骤：

S1.初始化参数：所述参数包括，计算检验统计量所需的信号采样累积点数N，二次采样的尺度变换因子R；

S2.对接收信号r(t)进行尺度变换因子为R的二次采样，输出的信号记为r′(t)；

S3.将步骤S2得到的r′(t)作为噪声自适应随机共振系统的输入信号，求解描述噪声自适应随机共振系统的方程的输出信号x(t)；

所述的随机共振系统的方程为：其中，

s(t)是授权用户信号；n(t)是均值为零方差为的噪声，自适应调节噪声功率系数a、b是随机共振系统参数；

所述自适应调节噪声功率系数k的求解过程具体为：在随机共振系统中加入噪声后表示为Δσ_n ²是加入的噪声的方差；分别导出输入信噪比为 $R_{in}=\frac{k^2{A_m}^2}{2k^2{{\mathrm{\&sigma;}}_n}^2}=\frac{{A_m}^2}{2{{\mathrm{\&sigma;}}_n}^2},$ 输出信噪比为 $R_{out}\&ap;\frac{\sqrt{2}{k}^2{A_m}^2\mathrm{\&rho;}}{{(k^2{{\mathrm{\&sigma;}}_n}^2+{{\mathrm{\&Delta;\&sigma;}}_n}^2)}^2}{e}^{-\mathrm{\&rho;}/\&lsqb;2(k^2{{\mathrm{\&sigma;}}_n}^2+{{\mathrm{\&Delta;}}_n}^2)\&rsqb;},$ ρ＝a²/b；得到输出信噪比的增益为 $\mathrm{\&eta;}=\frac{R_{out}}{R_{in}}\&ap;\frac{2\sqrt{2}\mathrm{\&rho;}\mathrm{\&epsiv;}}{{(\mathrm{\&epsiv;}+{{\mathrm{\&Delta;\&sigma;}}_n}^2)}^2}{e}^{-\mathrm{\&rho;}/\&lsqb;2(\mathrm{\&epsiv;}+{{\mathrm{\&Delta;\&sigma;}}_n}^2)\&rsqb;},$ $\mathrm{\&epsiv;}=k^2{{\mathrm{\&sigma;}}_n}^2;$ 计算得到输出信噪比增益取得最大值的条件为 $\left\{\begin{array}{c}k=\sqrt{\frac{a^2}{2{{\mathrm{b\&sigma;}}_n}^2}}\\ {{\mathrm{\&Delta;\&sigma;}}_n}^2=0\end{array}\right.,$ 将随机共振系统的方程修改为 $\frac{dx\left(t\right)}{dt}=-\frac{\&part;V\left(x\right)}{\&part;x}+k\&lsqb;s\left(t\right)+n\left(t\right)\&rsqb;;$

S4.求解步骤S3得到的x(t)的的N个采样点的均值

S5.利用步骤S4得到的N个采样点的均值计算检验统计量T(x)，T(x)与预先设置的判决门限γ_th比较做出判决。

2.根据权利要求1所述的基于噪声自适应随机共振系统的频谱感知方法，其特征在于，计算检验统计量T(x)的过程如下：

其中，x[n]＝x(nRΔt)，Δt为接收信号r(t)的采样间隔。