CN103491551B - 一种基于特征向量的加权协作频谱感知方法 - Google Patents
一种基于特征向量的加权协作频谱感知方法 Download PDFInfo
- Publication number
- CN103491551B CN103491551B CN201310472726.0A CN201310472726A CN103491551B CN 103491551 B CN103491551 B CN 103491551B CN 201310472726 A CN201310472726 A CN 201310472726A CN 103491551 B CN103491551 B CN 103491551B
- Authority
- CN
- China
- Prior art keywords
- node
- frequency spectrum
- sample value
- spectral density
- power spectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Noise Elimination (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于特征向量的加权协作频谱感知方法,属于认知无线电频谱感知领域。各个节点对测试信号进行采样并发送给融合中心;融合中心计算各个节点的功率谱密度样值后,求出该批功率谱密度样值的协方差矩阵及协方差矩阵的特征值和特征向量;融合中心求出权重系数,接着用权重系数求出带有各个节点信号特征的功率谱密度样值;融合中心用基于频域的频谱感知算法检测主用户是否存在。本发明不仅能够综合运用不同信噪比的节点数据,还可以计算出权重系数,从而有效避免自适应加权协作频谱感知中权重系数的更新所带来的时间延长和更新次数不确定的问题。
Description
技术领域
本发明属于认知无线电技术领域,涉及一种用于认知无线电系统的基于特征向量的加权协作频谱感知方法。
背景技术
随着无线通信地快速发展,可用频谱资源正在变得越来越匮乏。人们注意到静态分配方式的劣势,这种分配方式使得实际中大约70%的频谱资源未被使用,但剩下的30%则过于拥挤。而认知无线电被认为是能够解决这一问题的有效手段。认知无线电以其智能化地感知周围无线电环境,并能实时做出决策,即保护了主用户免受认知用户的干扰,又可以让认知用户顺利使用频谱空洞而备受关注。
频谱感知是认知无线电的一项关键技术,它能够感知在空域、频域和时域有可能出现的频谱资源,并合理地加以利用。目前主要存在的单点感知算法如传统的能量检测、匹配滤波器检测和周期特征检测等,但是单点感知主要存在感知精度不高、阴影衰落现象严重等问题。
A.Ghasemi在2005年将协作分集技术运用到认知无线电频谱感知领域中。协作频谱感知能够有效地检测主用户的存在,提高检测性能,并且能解决认知用户隐端干扰的问题,并能够有效改善复杂通信环境中多径衰落的问题。
协作频谱感知通常分为3步:感知、报告和判决。在感知阶段,各个节点分别通过频谱感知做出决策,在报告阶段,所有节点的感知结果上报给融合中心,在判决阶段,融合中心使用某些规则综合处理各个节点的感知结果。已有的等权重协作感知在判决阶段把各个节点的判决结果等权重地送给融合中心。但是在实际中,若信噪比较小的节点在融合中心对全局判决影响较大的话就会导致融合中心做出错误的决策。
自适应协作频谱感知是对于不同信噪比节点的感知结果赋予不同的权重值,然后上报给融合中心进行数据融合。但是这种方式需多次更新权重系数,这在一定程度上延长了感知时间,并且更新的次数也需要具体测定,这也在一定程度上增加了复杂度。
发明内容
本发明的目的是提供一种基于特征向量的加权协作频谱感知方法,以解决现有方法中由于权重系数更新所带来的计算复杂以及更新次数不确定的问题。
本发明的技术方案是,一种基于特征向量的加权协作频谱感知方法,包括以下步骤:
各个节点对测试信号进行采样并发送给融合中心;
融合中心计算各个节点的功率谱密度样值后,求出该批功率谱密度样值的协方差矩阵及协方差矩阵的特征值和特征向量;
融合中心求出权重系数,接着用权重系数求出带有各个节点信号特征的功率谱密度样值;
融合中心用基于频域的频谱感知算法检测主用户是否存在。
一种基于特征向量的加权协作频谱感知方法,其特征在于,包括以下步骤:
a.对各个节点接收的测试信号进行采样并发送,处理过程包括:
设xi(t)为第i个节点接收到的测试信号,i=1,2,3…M,M为总节点数,测试信号的中心频率为fcHz且带宽为WHz;
以抽样速率fsHz对xi(t)进行采样,采样周期Ts=1/fs秒,则第i个节点上接收、采样得到的离散测试信号为xi(n)=xi(nTs),i=1,2,3…M,n=0,1,2…Ns-1,Ns为采样点数;
各个节点将离散测试信号发送给融合中心。
b.融合中心接收到第i个节点发送的离散测试信号为yi(n)=xi(n)+ηi(n),ηi(n)表示第i个节点发送的离散测试信号在传输过程中受到的噪声,i=1,2,3…M,n=0,1,2…Ns-1;
计算yi(n)的功率谱密度样值si:
式中,Yij是yi(jNF:(j+1)NF-1)的归一化离散傅里叶变换(DFT),NF是DFT的长度,j=0,1,2…N-1,表示N取不大于Ns/NF的最大整数,上标*表示共轭,⊙表示Yij和Yij *做分段乘积;
si=[si(0)si(1)…si(NF-1)]表示第i个节点的功率谱密度样值,i=1,2,3…M。
c.计算协方差矩阵,求出第i个节点功率谱密度样值的平均值:
构造第i个节点去均值后的功率谱密度样值siRM: 式中,上标T表示矩阵转置;
构造矩阵SRM=[s1RMs2RM…sMRM],对SRM计算协方差矩阵C=ST RMSRM,C为M×M维的矩阵。
d.计算特征向量,根据Cν=λν,计算特征值和特征向量;
令特征值按降序排列,即λ1>λ2>…>λM。
e.计算权重系数,将最大特征值λ1对应的特征向量ν1归一化,得a=ν1/|ν1|=[a1a2…aM]T,a的M个分量称为权重系数。
f.计算带有各个节点信号特征的功率谱密度样值s’:
s’是NF行1列的带有各个节点信号特征的功率谱密度样值。
g.对s’用基于频域的频谱感知算法检测主用户是否存在。
检测主用户是否存在的基于频域的频谱感知算法,并不局限于用某特定的基于频域的频谱感知算法。
本发明所述的节点是无线通信网络或无线传感器网络中的基站、移动终端或固定终端。
本发明一种基于特征向量的加权协作频谱感知方法,通过系统中各个节点对测试信号进行采样并发送给融合中心,融合中心计算各节点的功率谱密度样值后用这些样值的协方差矩阵求出权重系数,接着用权重系数求出带有各个节点信号特征的功率谱密度样值,最后用基于频域的频谱感知算法检测主用户是否存在。本发明专利中,主用户存在与否的检测,并不局限于用某特定的基于频域的频谱感知算法。
本发明不需要任何主用户的先验信息,且能有效地检测主用户的存在。相对于自适应协作频谱感知,本发明不仅能够综合运用不同信噪比的节点数据,还可以计算出权重系数,从而有效避免自适应加权协作频谱感知中权重系数的更新所带来的时间延长和更新次数不确定的问题。
附图说明
图1是本发明的一种基于特征向量的加权协作频谱感知方法流程图。
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。
如图1所示,一种基于特征向量的加权协作频谱感知方法,包括以下步骤:
a.对各个节点接收的测试信号进行采样并发送,处理过程包括:
设xi(t)为第i个节点接收到的测试信号,i=1,2,3…M,M为总节点数,测试信号的中心频率为fcHz且带宽为WHz;以抽样速率fsHz对xi(t)进行采样,采样周期Ts=1/fs秒,则第i个节点上接收、采样得到的离散测试信号为xi(n)=xi(nTs),i=1,2,3…M,n=0,1,2…Ns-1,Ns为采样点数;各个节点将离散测试信号发送给融合中心。
b.融合中心接收到第i个节点发送的离散测试信号为yi(n)=xi(n)+ηi(n),ηi(n)表示第i个节点发送的离散测试信号在传输过程中受到的噪声,i=1,2,3…M,n=0,1,2…Ns-1;计算yi(n)的功率谱密度样值si:
式中,Yij是yi(jNF:(j+1)NF-1)的归一化离散傅里叶变换(DFT),NF是离散傅里叶变换的长度,j=0,1,2…N-1,表示N取不大于Ns/NF的最大整数,上标*表示共轭,⊙表示Yij和Yij *做分段乘积。如对于Yi0=[Yi(0)Yi(1)…Yi(NF-1)],Yi0⊙Yi0 *=[Yi(0)Y* i(0)Yi(1)Y* i(1)…Yi(NF-1)Y* i(NF-1)];
表示第i个节点的功率谱密度样值,i=1,2,3…M。
c.求出第i个节点功率谱密度样值的平均值:构造第i个节点去均值后的功率谱密度样值siRM: 式中,上标T表示矩阵转置。
d.计算协方差矩阵:构造矩阵SRM=[s1RMs2RM…sMRM],对SRM计算协方差矩阵C=ST RMSRM,C为M×M维的矩阵。
e.计算特征向量:根据Cν=λν,计算特征值和特征向量;令特征值按降序排列,即λ1>λ2>…>λM。
f.计算权重系数:将最大特征值λ1对应的特征向量ν1归一化,得a=ν1/|ν1|=[a1a2…aM]T,a的M个分量称为权重系数。
g.计算带有各个节点信号特征的功率谱密度样值s’:
s’是NF行1列的带有各个节点信号特征的功率谱密度样值。
h.对s’用基于频域的频谱感知算法检测主用户是否存在。如选用贝叶斯分类器频谱感知算法、基于小波边缘检测的算法等。
本发明一种基于特征向量的加权协作频谱感知方法,通过系统中各个节点对测试信号进行采样并发送给融合中心,融合中心计算各节点的功率谱密度样值后用这些样值的协方差矩阵求出权重系数,接着用权重系数求出带有各个节点信号特征的功率谱密度样值,最后用基于频域的频谱感知算法检测主用户是否存在。本发明专利中,最后的主用户存在与否的检测,并不局限于用某特定的基于频域的频谱感知算法。
本发明不需要任何主用户的先验信息,且能有效地检测主用户的存在。相对于自适应协作频谱感知,本发明不仅能够综合运用不同信噪比的节点数据,还可以计算出权重系数,从而有效避免自适应加权协作频谱感知中权重系数的更新所带来的时间延长和更新次数不确定的问题。
Claims (4)
1.一种基于特征向量的加权协作频谱感知方法,其特征在于,包括以下步骤:
在无线通信网络中,需要判断是否有主用户存在的场景下,各具有计算能力并且能够发送与接收信号的节点对测试信号进行采样并发送给融合中心;
融合中心计算各具有计算能力并且能够发送与接收信号的节点的功率谱密度样值,表示为si,i=1,2,3…M,M为总节点数,求出si,i=1,2,3…M所表示的功率谱密度样值的协方差矩阵及协方差矩阵的特征值和特征向量;
融合中心求出权重系数,接着用权重系数求出带有这M个节点信号特征的功率谱密度样值;
融合中心用基于频域的频谱感知算法检测主用户是否存在。
2.如权利要求1所述的一种基于特征向量的加权协作频谱感知方法,其应用场景为无线通信网络中需要判断主用户是否存在,其特征如下,包括以下步骤:
a.对各具有计算能力并且能够发送与接收信号的节点接收的测试信号进行采样并发送,处理过程包括:
设xi(t)为第i个具有计算能力并且能够发送与接收信号的节点接收到的测试信号,i=1,2,3…M,M为总节点数,测试信号的中心频率为fcHz且带宽为WHz;
以抽样速率fsHz对xi(t)进行采样,采样周期Ts=1/fs秒,则第i个节点上接收、采样得到的离散测试信号为xi(n)=xi(nTs),i=1,2,3…M,n=0,1,2…Ns-1,Ns为采样点数;
这M个节点将离散测试信号发送给融合中心;
b.融合中心接收到第i个节点发送的离散测试信号为yi(n)=xi(n)+ηi(n),ηi(n)表示第i个节点发送的离散测试信号在传输过程中受到的噪声,i=1,2,3…M,n=0,1,2…Ns-1;
计算yi(n)的功率谱密度样值si:
式中,Yij是yi(jNF:(j+1)NF-1)的归一化离散傅里叶变换(DFT),NF是DFT的长度,j=0,1,2…N-1,表示N取不大于Ns/NF的最大整数,上标*表示共轭,⊙表示Yij和Yij *做分段乘积;
si=[si(0)si(1)…si(NF-1)]表示第i个节点的功率谱密度样值,i=1,2,3…M;
c.计算协方差矩阵,求出第i个节点功率谱密度样值的平均值:
构造第i个节点去均值后的功率谱密度样值siRM: 式中,上标T表示矩阵转置;
构造矩阵SRM=[s1RMs2RM…sMRM],对SRM计算协方差矩阵C=ST RMSRM,C为M×M维的矩阵;
d.计算特征向量,根据Cν=λν,计算特征值和特征向量;
令特征值按降序排列,即λ1>λ2>…>λM;
e.计算权重系数,将最大特征值λ1对应的特征向量ν1归一化,得a=ν1/|ν1|=[a1a2…aM]T,a的M个分量称为权重系数;
f.计算带有这M个节点信号特征的功率谱密度样值s’:
s’是NF行1列的带有这M个节点信号特征的功率谱密度样值;
g.对s’用基于频域的频谱感知算法检测主用户是否存在。
3.如权利要求1所述的一种基于特征向量的加权协作频谱感知方法,其特征在于,所述的节点是无线通信网络中的具有计算能力并且能够发送与接收信号的基站、移动终端或固定终端。
4.如权利要求1所述的一种基于特征向量的加权协作频谱感知方法,其特征在于,检测主用户是否存在的基于频域的频谱感知算法,并不局限于用某特定的基于频域的频谱感知算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310472726.0A CN103491551B (zh) | 2013-10-11 | 2013-10-11 | 一种基于特征向量的加权协作频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310472726.0A CN103491551B (zh) | 2013-10-11 | 2013-10-11 | 一种基于特征向量的加权协作频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103491551A CN103491551A (zh) | 2014-01-01 |
CN103491551B true CN103491551B (zh) | 2016-06-29 |
Family
ID=49831438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310472726.0A Expired - Fee Related CN103491551B (zh) | 2013-10-11 | 2013-10-11 | 一种基于特征向量的加权协作频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103491551B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103888201B (zh) * | 2014-03-03 | 2015-10-28 | 宁波大学 | 一种利用空间分集的协作频谱感知方法 |
CN103987051B (zh) * | 2014-04-28 | 2017-05-31 | 南京邮电大学 | 基于无线传感器网络可靠感知的频谱共享方法 |
CN104980238B (zh) * | 2015-04-16 | 2017-06-06 | 西安交通大学 | 一种基于群稀疏的协作频谱感知方法 |
CN110431773B (zh) * | 2017-03-21 | 2021-01-12 | 三菱电机株式会社 | 信号传输装置 |
CN110690933B (zh) * | 2018-07-05 | 2022-03-04 | 广东工业大学 | 一种基于fcm聚类算法的合作频谱感知方法 |
CN110048788B (zh) * | 2019-03-15 | 2021-08-24 | 广东工业大学 | 一种基于聚类算法的联合频谱感知方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326797A (zh) * | 2013-06-21 | 2013-09-25 | 上海交通大学 | 认知网络中的合作式频谱感知方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120036416A (ko) * | 2010-10-08 | 2012-04-18 | 성균관대학교산학협력단 | 무선인지 시스템에서 협력 스펙트럼 센싱을 위한 경판정 방법 및 장치 |
-
2013
- 2013-10-11 CN CN201310472726.0A patent/CN103491551B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326797A (zh) * | 2013-06-21 | 2013-09-25 | 上海交通大学 | 认知网络中的合作式频谱感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103491551A (zh) | 2014-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103491551B (zh) | 一种基于特征向量的加权协作频谱感知方法 | |
CN102118199B (zh) | 基于空时分集的多天线频谱感知方案的实现方法 | |
CN107820255B (zh) | 一种改进的协方差绝对值协作频谱感知方法 | |
Yue et al. | Spectrum sensing algorithms for primary detection based on reliability in cognitive radio systems | |
CN104780008B (zh) | 一种基于自适应压缩感知的宽带频谱感知方法 | |
CN102088324B (zh) | 一种认知无线电系统的频谱检测方法 | |
CN108322277B (zh) | 一种基于协方差矩阵反特征值的频谱感知方法 | |
CN107733541A (zh) | 频谱感知的方法、装置、设备以及计算机可读存储介质 | |
CN103297160A (zh) | 基于归一化特征值的拟合优度检验的频谱感知方法及装置 | |
CN106713190A (zh) | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 | |
CN110932806A (zh) | 一种alpha稳定噪声衰落信道下多天线频谱感知方法 | |
CN105721083B (zh) | 一种基于自相关能量的频谱检测方法 | |
CN104683050B (zh) | 一种能有效对抗噪声不确定性的多天线全盲频谱感知方法 | |
CN108111213B (zh) | 一种用于多天线的频谱感知方法 | |
CN102497239B (zh) | 一种基于极化度的频谱感知方法 | |
CN104965959A (zh) | 一种无线通信系统抗电磁干扰性能评估方法 | |
Chatzinotas et al. | Asymptotic analysis of eigenvalue-based blind spectrum sensing techniques | |
CN103117821B (zh) | 一种基于瑞利商的加权协作频谱感知方法 | |
KR101189943B1 (ko) | 카오스 특성을 이용한 인지 무선 통신 시스템 엔진 유닛 | |
CN109600181B (zh) | 一种用于多天线的频谱感知方法 | |
CN103152790B (zh) | 基于相关性分簇的两级融合调制识别方法 | |
Hekkala et al. | Cooperative spectrum sensing study using welch periodogram | |
Ramírez et al. | Multiantenna spectrum sensing: Detection of spatial correlation among time-series with unknown spectra | |
CN104954308A (zh) | 认知无线电中基于特征向量的双节点协方差盲检测方法 | |
CN106656376A (zh) | 一种基于特征值一致估计的合作频谱感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 Termination date: 20181011 |
|
CF01 | Termination of patent right due to non-payment of annual fee |