CN107104744A - 一种认知无线网络中的频谱感知方法及装置 - Google Patents
一种认知无线网络中的频谱感知方法及装置 Download PDFInfo
- Publication number
- CN107104744A CN107104744A CN201710265846.1A CN201710265846A CN107104744A CN 107104744 A CN107104744 A CN 107104744A CN 201710265846 A CN201710265846 A CN 201710265846A CN 107104744 A CN107104744 A CN 107104744A
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- matrix
- coordinate points
- sampling
- signal
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000019771 cognition Effects 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 220
- 238000005070 sampling Methods 0.000 claims abstract description 70
- 230000001149 cognitive effect Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims 1
- 230000008447 perception Effects 0.000 abstract description 21
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种认知无线网络中的频谱感知方法及装置,包括对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据第一采样矩阵和第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,第一协方差矩阵、第二协方差矩阵和第三协方差矩阵分别对应统计流形上的第一坐标点、第二坐标点和第三坐标点,统计流形依据高斯分布进行建立;当几何距离之差大于预设阈值时,所待感知无线信号中有信号,预设阈值依据虚警概率进行设定。本发明在一定程度上提高了频谱感知的效率和性能。
Description
技术领域
本发明涉及频谱感知技术领域,特别是涉及一种认知无线网络中的频谱感知方法。本发明还涉及一种认知无线网络中的频谱感知装置。
背景技术
随着人们对无线频谱资源需求的日益增加,以及无线通信技术的快速发展,无线频谱资源日益紧张。认知无线电是无线通信的关键技术,频谱感知又在认知无线电技术中占有重要的地位。在利用无线频谱资源的过程中,提高频谱感知的效率有利于提高对无线频谱资源的利用率。现有的频谱感知方法对信噪比的要求较高,也就是只有在信噪比较高的情况下才能感知出信号的存在,无法从具有低信噪比的噪声中有效的感知是否有信号的存在,从而造成现有的频谱感知方法的频谱感知效率和感知性能较低。
因此,如何提供一种解决上述技术问题的认知无线网络中的频谱感知方法及装置成为本领域的技术人员需要解决的问题。
发明内容
本发明的目的是提供一种认知无线网络中的频谱感知方法,在使用过程中在待感知的无线信号的信噪比较低时也可以对其进行感知,并且在一定程度上提高了频谱感知的效率和性能;本发明还提供了一种认知无线网络中的频谱感知装置,在使用过程中在待感知的无线信号的信噪比较低时也可以对其进行感知,并且在一定程度上提高了频谱感知的效率和性能。
为解决上述技术问题,本发明提供了一种认知无线网络中的频谱感知方法,所述方法包括:
对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据所述第一采样矩阵和所述第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;
采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,所述第一协方差矩阵、所述第二协方差矩阵和所述第三协方差矩阵分别对应统计流形上的所述第一坐标点、所述第二坐标点和所述第三坐标点,所述统计流形依据高斯分布进行建立;
当所述几何距离之差大于预设阈值时,所述待感知无线信号中有信号,所述预设阈值依据虚警概率进行设定。
可选的,所述第一采样矩阵为多个,则所述分别依据所述第一采样矩阵和所述第二采样矩阵得到第一协方差矩阵和第二协方差矩阵的过程具体为:
依据各个所述第一采样矩阵得出与其一一对应的各个协方差矩阵;
对各个所述协方差矩阵进行平均值计算,得到第一协方差矩阵;
依据所述第二采样矩阵得出与其对应的第二协方差矩阵。
可选的,所述对各个所述协方差矩阵进行平均值计算,得到第一协方差矩阵的过程为:
采用梯度下降法对各个所述协方差矩阵进行处理,得到各个所述协方差矩阵的黎曼均值矩阵,将所述黎曼均值矩阵作为所述第一协方差矩阵。
可选的,所述对各个所述协方差矩阵进行平均值计算,得到第一协方差矩阵的过程为:
采用平均值法对各个所述协方差矩阵进行处理,得到各个所述协方差矩阵的算数平均值矩阵,并将所述算数平均值矩阵作为所述第一协方差矩阵。
可选的,如上述所述的认知无线网络中的频谱感知方法,所述统计流形度量方法为对称KL分离度度量法。
可选的,如上述所述的认知无线网络中的频谱感知方法,所述统计流形度量方法为测地线距离方法。
为解决上述技术问题,本发明提供了一种认知无线网络中的频谱感知装置,所述装置包括:
采集模块,用于对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据所述第一采样矩阵和所述第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;
计算模块,用于采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,所述第一协方差矩阵、所述第二协方差矩阵和所述第三协方差矩阵分别对应统计流形上的所述第一坐标点、所述第二坐标点和所述第三坐标点,所述统计流形依据高斯分布进行建立;
比较模块,用于当所述几何距离之差大于预设阈值时,所述待感知无线信号中有信号,所述预设阈值依据虚警概率进行设定。
本发明提供了一种认知无线网络中的频谱感知方法及装置,包括对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据第一采样矩阵和第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,第一协方差矩阵、第二协方差矩阵和第三协方差矩阵分别对应统计流形上的第一坐标点、第二坐标点和第三坐标点,统计流形依据高斯分布进行建立;当几何距离之差大于预设阈值时,所待感知无线信号中有信号,预设阈值依据虚警概率进行设定。
由于每个协方差矩阵对应于统计流形上的一个坐标点,故依据信息几何方法中的统计流形方法,第一协方差矩阵、第二协方差矩阵和第三协方差矩阵均分别对应于统计流形上的第一坐标点、第二坐标点和第三坐标点,再利用统计流形度量法计算出第一坐标点和第二坐标点之间的第一几何距离,以及计算出第二坐标点和第三坐标点之间的第二几何距离,将第一几何距离和第二几何距离相减得到几何距离之差,当该几何距离之差大于预设阈值时则证明待感知的无线信号中存在信号,否则证明待感知的无线信号中只有噪声。本发明在待感知的无线信号的信噪比较低时也可以对其进行感知,并且在一定程度上提高了频谱感知的效率和性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种认知无线网络中的频谱感知方法的流程示意图;
图2为本发明所提供的一种仿真示意图;
图3为本发明提供的一种认知无线网络中的频谱感知装置的结构示意图。
具体实施方式
本发明提供了一种认知无线网络中的频谱感知方法,在使用过程中在待感知的无线信号的信噪比较低时也可以对其进行感知,并且在一定程度上提高了频谱感知的效率和性能;本发明还提供了一种认知无线网络中的频谱感知装置,在使用过程中在待感知的无线信号的信噪比较低时也可以对其进行感知,并且在一定程度上提高了频谱感知的效率和性能。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1,图1为本发明提供的一种认知无线网络中的频谱感知方法的流程示意图。该方法包括:
步骤10:对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据第一采样矩阵和第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;
步骤20:采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,第一协方差矩阵、第二协方差矩阵和第三协方差矩阵分别对应统计流形上的第一坐标点、第二坐标点和第三坐标点,统计流形依据高斯分布进行建立;
步骤30:当几何距离之差大于预设阈值时,待感知无线信号中有信号,预设阈值依据虚警概率进行设定。
需要说明的是,本申请中的噪声环境指的是仅含噪声的环境。本发明在使用的过程中需要对噪声环境进行估计和处理,并且还需要对先验频谱信号进行处理(先验频谱信号也就是频谱信号的历史信息),基于噪声环境和先验频谱信号对待感知的无线信号进行感知。
具体的,对噪声环境进行估计和处理时,通过多个(例如M个)次用户进行噪声环境中的信号进行采样,并且每个次用户的节点采样信号构成一个向量矩阵,例如该向量矩阵用X=[x1,x2,x3,…,xM]表示,其中xi=[xi(1),xi(2),xi(3),…,xi(N)]T表示第i个次用户的采样信号值,也就是每个次用户采集N个信号采样值,所有的信号采样值构成第一采样矩阵。该第一采样矩阵可以表示为一个N×M的矩阵。对第一采样矩阵进行求协方差计算得出与该第一采样矩阵对应的第一协方差矩阵R1。
采用同样的方法对待感知的无线信号进行采样得到第二采样矩阵,在对第二采样矩阵进行协方差计算得到与该第二采样矩阵对应的第二协方差矩阵R2。
从先验频谱信号中采集多个历史采样值,并构成一个历史采样矩阵,对该历史采样矩阵进行协方差计算得到与之相对应的第三协方差矩阵R3。
采用信息几何方法对得到的第一协方差矩阵R1、第二协方差矩阵R2以及第三协方差矩阵R3进行处理,由于不同类型或不同参数化的概率分布函数族都对应于一个具有一定几何结构的统计流形,并且统计流形上的每个点都对应了一个概率分布函数。因此,可以将统计检测问题转化为统计流形上的几何问题。针对不同的分布数据可以对应到相应的统计流形上进行几何分析,并且可以得到较好的检测效果。另外,采用利用先验频谱信号进行频谱感知,提高了频谱感知的准确度,并且所采用的先验频谱信号的历史采样值越多,对待感知的无线信息的感知越准确。
具体的,由协方差矩阵R∈Cn×n参数化的概率分布函数族S={p(x|R)|R∈Cn×n},其中Cn×n为n×n维向量空间的开集,p(x|R)为高斯分布的概率密度函数。故,根据信息几何学理论,在一定的拓扑结构下S可以构成一个可微的流形,称之为统计流形。由于,统计流形S的参数R为协方差矩阵,故S又可以成为矩阵流形。一个协方差矩阵对应于统计流形S上的一个坐标点,所以由仅含噪声的噪声环境中得到的第一协方差矩阵、由待感知的无线信号得到的第二协方差矩阵以及由先验频谱信号得到的第三协方差矩阵分别对应于统计流形上第一坐标点、第二坐标点和第三坐标点,采用统计流形度量法计算出第一坐标点与第二坐标点之间的几何距离(可以称为第一几何距离,其大小为D12,),并且计算出第二坐标点与第三坐标点之间的几何距离(可以称为第二几何距离,其大小为D23),将D12和D23相减,其差值的绝对值即为几何距离之差D,也就是D=|D12-D23|,再将D与预设阈值进行比较,当几何距离之差D的大小大于预设阈值时,说明待感知的无线信号中有信号存在,当几何距离之差D的大小小于预设阈值时,说明待感知的无线信号中仅有噪声,没有信号。
还需要说明的是,本申请中的预设阈值为虚警概率,根据恒虚警率(ConstantFalse Alarm Rate,CFAR)准则,即为了使认知用户对空闲频谱的利用率能达到一定水平,我们需要限定CR系统的误警概率在一个固定值,称此固定值为虚警概率Pf,预设门限需要根据虚警概率Pf进行设置。
具体的,预设门限可以采用以下方法预先计算得出,过程为:
(1)仿真产生噪声,并对该噪声进行采样得到N'+1个相应的协方差矩阵,并将其中的一个作为待检测矩阵R';采样梯度下降法计算出N'个协方差矩阵的黎曼均值Rd;
(2)对先验信号进行采集得到N'个相应的协方差矩阵,并通过梯度下降达计算出先验信号的N'个协方差矩阵的黎曼均值Rs,
(3)采用统计流形度量法计算出待检测矩阵R'和黎曼均值Rd在统计流形S上对应的两个坐标点之间距离D(Rd,R'),以及计算出待检测矩阵R'与黎曼均值Rs在统计流形S上对应的两个坐标点之间距离D(Rs,R'),再计算出两个距离的距离之差D=D(Rs,R')-D(Rd,R');
(4)重复步骤(1)至(3)L次,设第一次得到的距离之差D为La1,第2次得到的距离之差D为La2,…,第i次得到的距离之差D(Rd,R')为Lai,…,第L次得到的距离之差D为LaL;并将L个Lai进行升序序排列,即第一个Lai的值最小,第L个Lai的值最大;依据虚警概率Pf得到预设门限为第L*Pf个位置对应的距离值。其中L越大越好,例如,L=50000,虚警概率Pf=x(0<x<1),则第50000*Pf个位置也就是第50000*x个位置对应的距离之差,此距离之差的具体数值即为预设门限的具体数值。
需要说明的是,具体可以采用统计流形度量法中的对称KL分离度度量法或测地线距离法计算出待检测矩阵R'和黎曼均值Rd在统计流形S上对应的两个坐标点之间距离D(Rd,R'),并且需要指出的是,在对待感知的无线信号进行感知时所采用的统计流形度量法应与计算预设门限时所采用的统计流形度量法一致。
当然,预设门限不仅限于通过上述计算方法计算得出,也可以通过其他的计算方法进行计算,本发明对此不做特殊的限定,能实现本发明的目的即可。
当然,虚警概率Pf的具体数值可以根据实际情况而定,本发明对此不做特殊的限定,能实现本发明的目的即可。
可选的,第一采样矩阵为多个,则分别依据第一采样矩阵和第二采样矩阵得到第一协方差矩阵和第二协方差矩阵的过程具体为:
依据各个第一采样矩阵得出与其一一对应的各个协方差矩阵;
对各个协方差矩阵进行平均值计算,得到第一协方差矩阵;
依据第二采样矩阵得出与其对应的第二协方差矩阵。
具体的,在实际应用中可以对噪声环境进行多次采样,以得到多个第一采样矩阵,并且对每个第一采样矩阵进行协方差计算,可以得到多个协方差矩阵。对多个协方差矩阵进行平均值计算,以得到一个对具有代表性的协方差矩阵,所得到的协方差矩阵即为第一协方差矩阵(即用于计算几何距离的协方差矩阵)。对噪声环境进行多次采样,获得多个协方差矩阵,并依据这多个协方差矩阵得到第一协方差矩阵,可以提高感知的精确度。
当然,也可以从先验频谱信号中采集大量的历史采样值,以构成多个历史采样矩阵,对这多个历史采样矩阵分别进行协方差计算得到与之相对应的各个协方差矩阵,在通过对这各个协方差矩阵进行平均值技术以得到第三协方差矩阵R3,有利于提高频率感知的准确度。
可选的,对各个协方差矩阵进行平均值计算,得到第一协方差矩阵的过程为:
采用梯度下降法对各个协方差矩阵进行处理,得到各个协方差矩阵的黎曼均值矩阵,将黎曼均值矩阵作为第一协方差矩阵。
需要说明的是,可以采用梯度下降法对由噪声环境得到的多个协方差矩阵进行处理,得到与该噪声环境对应的黎曼均值矩阵,并将该黎曼均值矩阵作为第一协方差矩阵,即用于通过统计流形计算几何距离的协方差矩阵。
另外,也可以采用梯度下降法对由先验频谱信号得到的多个协方差矩阵进行处理,得到与先验频谱信号对应的黎曼均值矩阵,并将该黎曼均值矩阵作为第三协方差矩阵。
当然,也可以采用其他的方法对上述多个协方差矩阵处理,并分别得到第一协方差矩阵和第三协方差矩阵。具体采用哪种方法,本发明对此不做特殊的限定,能实现本发明的目的即可。
可选的,对各个协方差矩阵进行平均值计算,得到第一协方差矩阵的过程为:
采用平均值法对各个协方差矩阵进行处理,得到各个协方差矩阵的算数平均值矩阵,并将算数平均值矩阵作为第一协方差矩阵。
当然,本发明中除了可以通过采用梯度下降法计算出由噪声环境得到的各个协方差矩阵的黎曼均值矩阵之外,还可以通过平均值算法计算出各个协方差矩阵的算数平均值矩阵,并将该算数平均值矩阵作为本申请中的第一协方差矩阵。
可选的,如上述的认知无线网络中的频谱感知方法,统计流形度量方法为对称KL分离度(Symmetrized Kullback-Leibler Divergence,SKLD)度量法。
需要说明的是,对于统计流形S上的两个坐标点之间的几何距离,可以对称KL分离度度量法对第一坐标点和第二坐标点的坐标进行计算得出两个坐标点之间的第一几何距离D12,对第二坐标点和第三坐标点的坐标进行计算得出两个坐标点之间的第二几何距离D23,以进一步得到几何距离之差D。当然,也可以采用其他的统计流形度量方法计算出第一几何距离D12和第二几何距离D23,具体采用哪种统计流形度量方法本发明对此不做特殊的限定,能实现本发明的目的即可。
可选的,如上述的认知无线网络中的频谱感知方法,统计流形度量方法为测地线距离方法。
需要说明的是,本发明中除了可以采用对称KL分离度度量法计算第一几何距离D12和第二几何距离D23之外,还可以采用测地距离(Geosedic Distance,GD)方法计算出第一几何距离D12和第二几何距离D23,具体采用哪种统计流形度量方法,本发明对此不做特殊的限定,能实现本发明的目的即可。
此外,请参照图2,图2为本发明提供的一种仿真示意图。在对待感知的无线信号进行仿真的过程中,分别采用采用测地距离方法和对称KL分离度度量法计算第一坐标点和第二坐标点之间的几何距离,图中,GDD是基于测地线的距离检测器进行仿真的,SKLDD是对称KL分离度检测器进行仿真的,在仿真过程中虚警概率取为0.01,次用户的数量为5,采样点数为500。图2中给出了检测概率与信噪比之间的关系,当信噪比较低(例如-20)时,就可感知出信号(而现有技术中的频谱感知方法在信噪比较低时无法感知出信号),并且随着信噪比的改善检测性能也迅速得到提升。
本发明提供了一种认知无线网络中的频谱感知方法,包括对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据第一采样矩阵和第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,第一协方差矩阵、第二协方差矩阵和第三协方差矩阵分别对应统计流形上的第一坐标点、第二坐标点和第三坐标点,统计流形依据高斯分布进行建立;当几何距离之差大于预设阈值时,所待感知无线信号中有信号,预设阈值依据虚警概率进行设定。
由于每个协方差矩阵对应于统计流形上的一个坐标点,故依据信息几何方法中的统计流形方法,第一协方差矩阵、第二协方差矩阵和第三协方差矩阵均分别对应于统计流形上的第一坐标点、第二坐标点和第三坐标点,再利用统计流形度量法计算出第一坐标点和第二坐标点之间的第一几何距离,以及计算出第二坐标点和第三坐标点之间的第二几何距离,将第一几何距离和第二几何距离相减得到几何距离之差,当该几何距离之差大于预设阈值时则证明待感知的无线信号中存在信号,否则证明待感知的无线信号中只有噪声。本发明在待感知的无线信号的信噪比较低时也可以对其进行感知,并且在一定程度上提高了频谱感知的效率和性能。
请参照图3,图3为本发明提供的一种认知无线网络中的频谱感知装置的结构示意图。在上述实施例的基础上:
该装置包括:
采集模块1,用于对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据第一采样矩阵和第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;
计算模块2,用于采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,第一协方差矩阵、第二协方差矩阵和第三协方差矩阵分别对应统计流形上的第一坐标点、第二坐标点和第三坐标点,统计流形依据高斯分布进行建立;
比较模块3,用于当几何距离之差大于预设阈值时,待感知无线信号中有信号,预设阈值依据虚警概率进行设定。
需要说明的是,本发明在使用的过程中在待感知的无线信号的信噪比较低时也可以对其进行感知,并且在一定程度上提高了频谱感知的效率和性能。另外,对于本发明所提供的认知无线网络中的频谱感知装置中所涉及到的频谱感知方法的具体介绍请参照上述方法实施例,本申请在此不再赘述。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种认知无线网络中的频谱感知方法,其特征在于,所述方法包括:
对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据所述第一采样矩阵和所述第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;
采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,所述第一协方差矩阵、所述第二协方差矩阵和所述第三协方差矩阵分别对应统计流形上的所述第一坐标点、所述第二坐标点和所述第三坐标点,所述统计流形依据高斯分布进行建立;
当所述几何距离之差大于预设阈值时,所述待感知无线信号中有信号,所述预设阈值依据虚警概率进行设定。
2.根据权利要求1所述的认知无线网络中的频谱感知方法,其特征在于,所述第一采样矩阵为多个,则所述分别依据所述第一采样矩阵和所述第二采样矩阵得到第一协方差矩阵和第二协方差矩阵的过程具体为:
依据各个所述第一采样矩阵得出与其一一对应的各个协方差矩阵;
对各个所述协方差矩阵进行平均值计算,得到第一协方差矩阵;
依据所述第二采样矩阵得出与其对应的第二协方差矩阵。
3.根据权利要求2所述的认知无线网络中的频谱感知方法,其特征在于,所述对各个所述协方差矩阵进行平均值计算,得到第一协方差矩阵的过程为:
采用梯度下降法对各个所述协方差矩阵进行处理,得到各个所述协方差矩阵的黎曼均值矩阵,将所述黎曼均值矩阵作为所述第一协方差矩阵。
4.根据权利要求2所述的认知无线网络中的频谱感知方法,其特征在于,所述对各个所述协方差矩阵进行平均值计算,得到第一协方差矩阵的过程为:
采用平均值法对各个所述协方差矩阵进行处理,得到各个所述协方差矩阵的算数平均值矩阵,并将所述算数平均值矩阵作为所述第一协方差矩阵。
5.根据权利要求1-4任意一项所述的认知无线网络中的频谱感知方法,其特征在于,所述统计流形度量方法为对称KL分离度度量法。
6.根据权利要求1-4任意一项所述的认知无线网络中的频谱感知方法,其特征在于,所述统计流形度量方法为测地线距离方法。
7.一种认知无线网络中的频谱感知装置,其特征在于,所述装置包括:
采集模块,用于对噪声环境和待感知的无线信号进行采样分别得到第一采样矩阵和第二采样矩阵,并分别依据所述第一采样矩阵和所述第二采样矩阵得到第一协方差矩阵和第二协方差矩阵;对先验频谱信号进行处理得到第三协方差矩阵;
计算模块,用于采用统计流形度量法计算出第二坐标点与第一坐标点和与第三坐标点之间的几何距离之差,所述第一协方差矩阵、所述第二协方差矩阵和所述第三协方差矩阵分别对应统计流形上的所述第一坐标点、所述第二坐标点和所述第三坐标点,所述统计流形依据高斯分布进行建立;
比较模块,用于当所述几何距离之差大于预设阈值时,所述待感知无线信号中有信号,所述预设阈值依据虚警概率进行设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710265846.1A CN107104744B (zh) | 2017-04-21 | 2017-04-21 | 一种认知无线网络中的频谱感知方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710265846.1A CN107104744B (zh) | 2017-04-21 | 2017-04-21 | 一种认知无线网络中的频谱感知方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107104744A true CN107104744A (zh) | 2017-08-29 |
CN107104744B CN107104744B (zh) | 2020-09-11 |
Family
ID=59656721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710265846.1A Expired - Fee Related CN107104744B (zh) | 2017-04-21 | 2017-04-21 | 一种认知无线网络中的频谱感知方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107104744B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107979431A (zh) * | 2017-11-28 | 2018-05-01 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
CN108880717A (zh) * | 2018-08-17 | 2018-11-23 | 广东工业大学 | 一种基于信息几何的α散度的频谱感知方法 |
-
2017
- 2017-04-21 CN CN201710265846.1A patent/CN107104744B/zh not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107979431A (zh) * | 2017-11-28 | 2018-05-01 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
CN107979431B (zh) * | 2017-11-28 | 2021-05-28 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
CN108880717A (zh) * | 2018-08-17 | 2018-11-23 | 广东工业大学 | 一种基于信息几何的α散度的频谱感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107104744B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107071788A (zh) | 一种认知无线网络中的频谱感知方法及装置 | |
CN104469937B (zh) | 压缩感知定位技术中的传感器高效部署方法 | |
WO2014106363A1 (zh) | 移动设备定位系统及方法 | |
CN110488222B (zh) | 一种nlos条件下svm与重心坐标相结合的uwb定位方法 | |
CN109035292A (zh) | 基于深度学习的运动目标检测方法及装置 | |
CN105407529B (zh) | 基于模糊c均值聚类的无线传感器网络节点定位算法 | |
CN107967487A (zh) | 一种基于证据距离和不确定度的冲突数据融合方法 | |
CN110224771B (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
CN107623924A (zh) | 一种验证影响关键质量指标kqi相关的关键性能指标kpi的方法和装置 | |
CN109004997A (zh) | 一种频谱感知方法、装置和计算机可读存储介质 | |
CN108200644A (zh) | 一种基于网络可视图的无源室内定位方法 | |
CN104766324A (zh) | 基于超像素和异常检测的彩色血细胞图像白细胞分割方法 | |
CN107979431A (zh) | 基于黎曼中值的频谱感知的方法、装置以及设备 | |
KR102655903B1 (ko) | 기지국의 에너지를 절약하기 위한 처리 방법 및 처리 장치 | |
CN106714296A (zh) | 一种基于最速下降法的室内定位方法 | |
CN107104744A (zh) | 一种认知无线网络中的频谱感知方法及装置 | |
CN107632018A (zh) | 一种食品微生物快速检测系统及方法 | |
CN104363649A (zh) | 带有约束条件的ukf的wsn节点定位方法 | |
CN109405960A (zh) | 一种航空噪声识别方法 | |
CN104699595B (zh) | 一种面向软件升级的软件测试方法 | |
CN104902509A (zh) | 基于top-k(σ)算法的异常数据检测方法 | |
CN108880717A (zh) | 一种基于信息几何的α散度的频谱感知方法 | |
US20180242274A1 (en) | Node localization method and device | |
CN108663675A (zh) | 用于生命探测雷达阵列多目标同时定位的方法 | |
CN110288025A (zh) | 基于信息几何与谱聚类的频谱感知方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200911 |