CN103475431B - 一种低信噪比条件下的基于最佳随机共振的频谱感知方法 - Google Patents

Abstract

本发明公开了一种低信噪比条件下的基于最佳随机共振的频谱感知方法，包括：认知用户采样步长h以及随机共振系统参数b初始值设定。认知用户将采样信号送往融合中心。融合中心依据采样数据计算得到混合信号方差，再计算并调整随机共振系统参数a，使随机共振系统与认知用户采集的低信噪比混合信号达到最佳匹配。融合中心对最佳随机共振系统的输出信号进行FFT快速傅立叶变换，并利用认知无线电频谱感知算法对输出信号进行检测，判断主用户信号是否存在。通过本发明提出的方法，随机共振系统可以根据环境噪声自适应地改变系统参数，有效地解决了微弱信号的检测问题。

Description

一种低信噪比条件下的基于最佳随机共振的频谱感知方法

技术领域

本发明涉及一种适用于低信噪比环境、在认知无线电中利用随机共振原理进行频谱感知的方法。

背景技术

无线通信频谱是一种非常宝贵的自然资源，一般由政府授权使用。无线频谱分配方法是将某一段频谱固定地授权给一个用户。随着无线业务的发展，无线频谱资源渐渐匮乏，固定式频谱分配的弊端不断显现。在实际应用中，频率需求非常紧张的主要集中在频带为300MHz-3GHz的无线频带中，一些频带大部分时间内并没有用户使用，另外有一些偶尔才被占用，而其他一些频带的使用则相对很频繁。如何提高频谱利用率成为人们非常关注的技术问题。因此提出了在认知无线电技术，通过机会性的接入空闲地授权频段并且不对授权用户产生干扰的方法来解决频谱使用率不高的问题。

认知无线电(Cognitive Radio，CR)概念由Joseph Mitola博士提出，其主导思想是实现伺机的动态频谱接入，即认知用户通过检测，选择性地接入已分配给主用户、但暂时未被使用的空闲频段；一旦主用户重新接入该频段，认知用户则迅速退出信道。通过认知无线电技术可以动态地增加网络和用户的可用频谱总数，从而为频谱分配提供了一个可能的解决方案，同时可为网络及其终端提供更高的灵活度，所以认知无线电对无线通信研究来说具有较大的意义。

频谱感知是认知无线电最基本同时也是最关键的技术。目前，频谱感知面临的最大挑战之一是如何对微弱信号进行检测，或者说，如何提高采样微弱信号的信噪比。低信噪比环境下，频谱检测的性能会大幅降低，将随机共振(Stochastic Resonance， SR)引入到认知无线电频谱感知中可有效解决微弱信号的检测问题。随机共振是物理中的一种非线性现象，最初是由Benzi等人在研究古气象冰川问题时提出来的。这种现象是指当一个非线性系统的参数与输入的周期主用户信号和环境噪声之间满足一定匹配关系时，噪声的能量就会向周期主用户信号的能量转移，使得输出信号与输入信号相比信噪比有所提高。这就相当于将主用户信号“放大”的同时将环境噪声“缩小”，可以有效地提高频谱感知性能，解决微弱信号难以检测且检测概率较低的问题。近年来，随机共振被广泛应用在各种信号处理领域。目前，利用随机共振提升认知无线电频谱感知性能的研究还比较少，已有的研究主要集中在能量检测、方差矩阵检测、循环平稳特征检测和协作检测中。

发明内容

技术问题：本发明的目的是提供一种可以解决在环境噪声较大的情况下，微弱主用户信号难以检测且检测概率较低的问题，提高随机共振系统对环境噪声适应性的低信噪比条件下的基于最佳随机共振的频谱感知方法。

技术方案：本发明的方法是一种策略性的方法，随机共振系统通过对环境的动态感知，动态调整系统参数，使经过处理的认知用户采样信号信噪比得到最大化的提高。

根据图1所示的本发明认知系统的感知场景示意图，假设认知单元中有多个分布在不同地理位置上的认知用户SU以及多个不同位置的主用户PU，本发明的低信噪比条件下的基于最佳随机共振的频谱感知方法，包括以下步骤：

1）对于低频主用户信号，设定认知用户采样步长h以及随机共振系统参数b，其中0<h<0.5秒，0<b<2；

2）认知用户采集主用户信号s(t)和环境噪声Γ(t)混合信号的采样数据，然后将其送往融合中心；

3）融合中心依据采样数据计算混合信号的方差σ _s ² ，然后将所述混合信号的方差σ_s ²作为环境噪声方差σ²；

4）融合中心根据环境噪声方差σ²根据下式计算最佳随机共振系统参数a：

，

然后更新已有的最佳随机共振系统参数a，使随机共振系统与认知用户采集的低信噪比混合信号达到最佳匹配；

5）随机共振系统根据下式计算得到最佳随机共振系统输出信号x(t)：

，

其中，x为随机共振系统输出信号x(t)的简称，t为认知用户的采样时间；

6）融合中心对所述最佳随机共振系统输出信号x(t)进行快速傅里叶变换，然后利用频谱感知算法对最佳随机共振系统输出信号x(t)进行检测，判断出主用户信号是否存在。

本发明方法是一种动态的感知方法，通过使用本发明提出的方法可以有效提高随机共振系统对环境噪声的适应性，使系统在不同噪声环境下都能产生最佳随机共振效果，最大化地提高了认知用户采样信号的信噪比。

有益效果：本发明与现有技术相比，具有以下优点：

在频谱感知实际应用中环境噪声是不断变化的，现有的随机共振系统使用固定的参数，没有考虑噪声的实时变化，难以达到最佳随机共振效果。本发明的方法对现有的随机共振系统加以改进，根据不断变化的环境噪声自适应地调整系统参数，增强对噪声的适应性、增大随机共振系统的适用范围。本发明主要的改进步骤为：在认知用户将混合信号采样数据送往融合中心后，随机共振系统对混合信号进行处理前，融合中心先根据采样信号数据计算出环境噪声的方差，然后计算出对应的最佳随机共振系统参数，并对参数进行实时调整，使认知用户的采样信号在环境噪声较大而且不断变化的情况下也能产生最佳的随机共振效果，这样就能使认知用户的采样信号信噪比得到最大化的提高，最终提高了主用户信号的检测成功率。

附图说明

图1是本发明的认知用户感知场景示意图。

图2是本发明的随机共振系统电路结构图。

图3是本发明的低信噪比条件下的基于最佳随机共振的频谱感知方法流程图。

图中：FC表示融合中心，PU1、PU2表示两个不同的主用户，分别为主用户一和主用户二，SU1、SU2、SU3表示三个不同的认知用户，分别为认知用户一、认知用户二和认知用户三。

具体实施方式

下面结合附图与实施例对本发明作进一步详细描述。

图1是本发明的认知用户感知场景示意图。本发明考虑的是存在融合中心、主用户以及认知用户的感知场景，其中各组成部分作用如下：

Primary User(PU) ：表示主用户，又称授权用户，认知用户的目的是要感知并确定能否占用其授权频谱。

Secondary User(SU) ：表示认知用户，负责对主用户PU发出的信号进行采样，并将采样结果发送给融合中心FC。

Fusion Center(FC) ：表示融合中心，主要负责接收各认知用户SU的采样信号，并对采样信号进行处理、变换，最后使用频谱感知算法对是否存在主用户信号进行判决。

Stochastic Resonance(SR) ：表示随机共振系统，位于融合中心内，该系统是一个非线性系统，可对认知用户SU送来的采样数据进行处理，当该非线性系统与主用户信号、环境噪声三者满足一定匹配关系时，采样混合信号中的噪声能量会向主用户信号能量转移，使经过处理的输出信号信噪比得到提高。

随机共振系统的作用是使包含了微弱信号s(t)和噪声Γ(t)的混合信号发生能量转移，以达到提高输出信号x(t)信噪比的目的。微弱信号s(t)可以是数字脉冲信号、周期或非周期信号、随机信号等多种类型的信号。噪声Γ(t)是环境噪声或者人为添加的噪声，可以是高斯噪声、白噪声或者有色噪声等。s(t)、Γ(t)、x(t)三者之间满足如下非线性关系：

在频谱感知应用中，s(t)=Acosωt表示待感知的微弱周期主用户信号，Γ(t)表示认知用户周围环境中均值为0、方差为σ ² 的高斯白噪声，x(t)表示经过随机共振系统处理后的采样混合信号。a、b为随机共振系统的两个参数，在随机共振原理中，参数a与参数b是两个固有的参数，参数a与参数b有着不同的含义和作用。

在上述认知用户感知场景下，为了实现本发明提出的方法，可以具体按照如下步骤实施:

第一步，设定认知用户的采样步长h以及随机共振系统参数参数b。考虑到系统的实时性以及算法的时间复杂度，本方法中采样步长h以及随机共振系统参数b都取固定值，且分别满足：0<h<0.5s，0<b<2。

第二步，认知用户以采样步长h为周期对主用户信号s(t)和环境噪声Γ(t) 的混合信号进行采样，得到采样数据，然后将该采样数据送往融合中心进行进一步处理。

第三步，融合中心依据采样数据计算混合信号的方差σ _s ² ，由于本发明方法考虑的是低信噪比环境，在这种情况下，混合信号中的主用户信号完全被环境噪声淹没，因此，混合信号的方差σ_s ²可以近似等于环境噪声方差σ²。

根据绝热近似理论和线性响应理论，当随机共振系统的输入信号为微弱信号时，输出信噪比可以近似表示为：

式中ΔV=a ²/(4b)称为势垒高度。D表示噪声强度，在系统实际运行时受到认知用户采样步长h的影响，其与噪声方差σ ² 关系为：

当随机共振系统的输出信噪比SNR _out 达到峰值时，D满足：

此时噪声能量向信号能量产生最大限度的转移，即信号、噪声、随机共振系统三者之间达到最佳匹配关系，取得最好的随机共振效果。

进而可以得到参数a与噪声方差σ ² 、采样步长h以及参数b之间关系为：

因此，本方法的第四步是融合中心根据第三步得到的环境噪声方差σ²使用式计算最佳随机共振系统参数a，然后更新已有的最佳随机共振系统参数a，使随机共振系统与认知用户采集的低信噪比混合信号达到最佳匹配，这一步骤提高了随机共振系统的灵活性以及对环境噪声的适应性。

第五步，随机共振系统根据下式计算得到最佳随机共振系统输出信号x(t)：

其中，x为随机共振系统输出信号x(t)的简称，t为认知用户的采样时间。

该式为随机共振系统固有的非线性表达式，对该式左右两边积分可得：

根据上式，可以设计出随机共振系统电路如图2所示。

图2中in表示认知用户采样的混合信号u(t)，其中Noise表示高斯白噪声Γ(t)，PU Signal表示周期主用户信号s(t)。out表示采样混合信号经过随机共振系统处理后的输出信号x(t)。随机共振系统参数a、b可以按照要求设定。

当随机共振系统的参数a、b与输入的周期主用户信号s(t)和噪声Γ(t)之间满足匹配关系时，噪声Γ(t)的能量就会向周期主用户信号s(t)的能量转移，使得输出信号x(t)与输入信号s(t)相比信噪比有所提高。这就相当于将主用户信号“放大”的同时将环境噪声“缩小”。

最后一步，融合中心对最佳随机共振系统输出信号x(t)进行快速傅里叶变换。快速傅立叶变换的目的是将时域信号转化为频域信号，通过对频谱图的幅值谱线进行检测，就可以初步判断主用户信号的存在情况。然后，利用频谱感知算法（如能量检测法、协方差检测法等）对最佳随机共振系统输出信号x(t)进行进一步检测，最终判断出主用户信号是否存在。

本文方法与传统随机共振频谱感知方法最大的不同，是该方法可以通过动态地感知环境噪声改变随机共振系统参数，提高了随机共振系统对环境噪声的适应性，使认知用户能在噪声不断变化的情况下成功检测出主用户信号。改进后的方法有更强的灵活性，尤其在低信噪比环境下具有更好的检测性能，有效地解决了频谱感知中微弱信号的检测问题。

Claims (1)

1.一种低信噪比条件下的基于最佳随机共振的频谱感知方法，其特征在于，该方法包括以下步骤：

1)对于低频主用户信号，设定认知用户采样步长h和随机共振系统参数b，其中0<h<0.5秒，0<b<2；

2)认知用户采集主用户信号s(t)和环境噪声Γ(t)混合信号的采样数据，然后将其送往融合中心，其中，所述主用户信号s(t)＝Acosωt，为待感知的微弱周期主用户信号，所述环境噪声Γ(t)为认知用户周围环境中均值为0、方差为σ²的高斯白噪声；

3)融合中心依据采样数据计算混合信号的方差σ_s ²，然后将所述混合信号的方差σ_s ²作为环境噪声方差σ²；

4)融合中心根据环境噪声方差σ²根据下式计算最佳随机共振系统参数a：

$a=\sqrt{{4\mathrm{\&sigma;}}^2\mathrm{hb}},$

然后更新已有的最佳随机共振系统参数a，使随机共振系统与认知用户采集的低信噪比混合信号达到最佳匹配；

5)随机共振系统根据下式计算得到最佳随机共振系统输出信号x(t)：

$\frac{\mathrm{dx}}{\mathrm{dt}}=\mathrm{ax}-{\mathrm{bx}}^3+s\left(t\right)+\mathrm{\&Gamma;}\left(t\right),$

其中，x为随机共振系统输出信号x(t)的简称，t为认知用户的采样时间；

6)融合中心对所述最佳随机共振系统输出信号x(t)进行快速傅里叶变换，然后利用频谱感知算法对最佳随机共振系统输出信号x(t)进行检测，判断出主用户信号是否存在。