CN107171752A - 一种认知无线电的频谱感知方法及系统 - Google Patents

一种认知无线电的频谱感知方法及系统 Download PDF

Info

Publication number
CN107171752A
CN107171752A CN201710425198.1A CN201710425198A CN107171752A CN 107171752 A CN107171752 A CN 107171752A CN 201710425198 A CN201710425198 A CN 201710425198A CN 107171752 A CN107171752 A CN 107171752A
Authority
CN
China
Prior art keywords
signal
matrix
split
frequency spectrum
user
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
Application number
CN201710425198.1A
Other languages
English (en)
Other versions
CN107171752B (zh
Inventor
张勇威
王永华
万频
杨健
苏登辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710425198.1A priority Critical patent/CN107171752B/zh
Publication of CN107171752A publication Critical patent/CN107171752A/zh
Application granted granted Critical
Publication of CN107171752B publication Critical patent/CN107171752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Abstract

本发明公开了一种认知无线电的频谱感知方法及系统，该方法包括：分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号；根据I信号和Q信号生成分解矩阵，并获取分解矩阵的协方差矩阵；根据协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量；判断判决统计量是否大于判决门限；若是，则存在主用户；若否，则不存在主用户；本发明通过分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号，可以对信号进行分解；通过根据I信号和Q信号生成的分解矩阵的协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量，可以将信号分解与最大特征值与矩阵迹之比算法结合，从而提高了频谱感知方法的准确性和可靠性。

Description

一种认知无线电的频谱感知方法及系统
技术领域
本发明涉及认知无线通信技术领域，特别涉及一种认知无线电的频谱感知方法及系统。
背景技术
随着无线电技术的进步和社会的发展，各行各业对无线电频率的需求越来越多，频谱资源匮乏的问题日益严重。目前，频谱资源采用国家统一分配授权的管理模式，将频谱分为两种类型：授权频段和非授权频段。其中，授权频段占据着大部分频谱资源，如电视广播频段，但不少授权频段处于空闲状态；开放使用的非授权频段占整个频谱资源的很少一部分，如无线局域网、无线城域网等无线网络大多使用非授权频段在工作，该频段上的用户很多，业务量也很大，无线电频段已基本趋于饱和。据美国联邦通信委员会的研究表明，已分配的频谱利用率为15％～85％。所以说，频谱资源的匮乏并不是真正意义上的频谱资源不足，更多是由频谱利用率过低造成的。
现有技术中，频谱感知的方法大多采用能量检测(ED)算法，该算法是一种最基本、最简单的信号检测方法，它无需知道信号的先验信息，复杂度低，容易实现，在现阶段的研究中广泛应用于信号检测中。能量检测方法是一种非连贯性、非相干的检测算法，检测的对象是特定频带内的频谱能量，而与具体信号的波形无关，特别适用于未知信号的检测。
然而，能量检测算法的判决门限比较难确定，在低信噪比环境下容易受到噪声不确定性影响产生误判，从而导致检测性能急剧下降，即使是能够自适应的门限值，检测器也不能做出正确的判断。因此，如何避免在低信噪比环境下容易受到噪声不确定性影响产生的误判，提高频谱感知的准确性和可靠性，是现今急需解决的问题。
发明内容
本发明的目的是提供一种认知无线电的频谱感知方法及系统，以利用信号分解和最大特征值与矩阵迹之比算法结合的频谱感知方法，提高频谱感知的准确性和可靠性。
为解决上述技术问题，本发明提供一种认知无线电的频谱感知方法，包括：
分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号；
根据所述I信号和所述Q信号生成分解矩阵，并获取所述分解矩阵的协方差矩阵；
根据所述协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量；其中，所述判决统计量为所述最大特征值和所述矩阵迹之比；
判断所述判决统计量是否大于判决门限；
若是，则存在主用户；
若否，则不存在主用户。
可选的，所述分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号，包括：
将每个次用户各自接收到的信号Xi分解成各自对应的I信号和Q信号
其中，Xi＝[xi(1)xi(2)...xi(N)]，n＝1,2,...,N，fc为载波频率，fs为采样频率，i为所述预设数量的次用户中任意一个次用户，N为所述信号Xi的采样次数。
可选的，所述根据所述I信号和所述Q信号生成分解矩阵，并获取所述分解矩阵的协方差矩阵，包括：
根据所述I信号和所述Q信号生成分解矩阵Y；
其中，Y为M×N维的所述分解矩阵，M＝2K，K为所述预设数量；
获取所述分解矩阵Y的协方差矩阵Ry(N)；
其中，Ry(N)＝E[YYH]＝Rs(N)+Rn(N)，IM为M阶单位矩阵，Rs(N)为信号空间，Rn(N)为噪声空间，w为所述信号Xi中的噪声信号，wi＝[wi(1)wi(2)...wi(N)]，σ2为噪声矩阵的特征值。
可选的，所述判决统计量，具体为：
其中，λmax为所述最大特征值，Tr(Ry(N))为所述矩阵迹。
可选的，所述判断所述判决统计量是否大于判决门限，包括：
判断TGRMET是否大于判决门限γ；
其中，所述判决门限γ为根据随机矩阵推导得到的数值，Pfa为虚警概率。
此外，本发明还提供了一种认知无线电的频谱感知系统，包括：
分解模块，用于分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号；
获取模块，用于根据所述I信号和所述Q信号生成分解矩阵，并获取所述分解矩阵的协方差矩阵；
计算模块，用于根据所述协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量；其中，所述判决统计量为所述最大特征值和所述矩阵迹之比；
判断模块，用于判断所述判决统计量是否大于判决门限；若是，则存在主用户；若否，则不存在所述主用户。
可选的，所述分解模块，包括：
分解子模块，用于将每个次用户各自接收到的信号Xi分解成各自对应的I信号和Q信号
其中，Xi＝[xi(1)xi(2)...xi(N)]，n＝1,2,...,N，fc为载波频率，fs为采样频率，i为所述预设数量的次用户中任意一个次用户，N为所述信号Xi的采样次数。
可选的，所述获取模块，包括：
第一获取子模块，用于根据所述I信号和所述Q信号生成分解矩阵Y；
其中，Y为M×N维的所述分解矩阵，M＝2K，K为所述预设数量；
第二获取子模块，用于获取所述分解矩阵Y的协方差矩阵Ry(N)；
其中，Ry(N)＝E[YYH]＝Rs(N)+Rn(N)，IM为M阶单位矩阵，Rs(N)为信号空间，Rn(N)为噪声空间，w为所述信号Xi中的噪声信号，wi＝[wi(1)wi(2)...wi(N)]，σ2为噪声矩阵的特征值。
可选的，所述计算模块，包括：
计算子模块，用于根据所述协方差矩阵Y获取最大特征值λmax和矩阵迹Tr(Ry(N))，并获取判决统计量TGRMET；
其中，
可选的，所述判断模块，包括：
判断子模块，用于判断所述判决统计量TGRMET是否大于判决门限γ；若是，则存在所述主用户；若否，则不存在所述主用户；
其中，所述判决门限γ为根据随机矩阵推导得到的数值，Pfa为虚警概率。
本发明所提供的一种认知无线电的频谱感知方法，包括：分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号；根据所述I信号和所述Q信号生成分解矩阵，并获取所述分解矩阵的协方差矩阵；根据所述协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量；其中，所述判决统计量为所述最大特征值和所述矩阵迹之比；判断所述判决统计量是否大于判决门限；若是，则存在主用户；若否，则不存在主用户；
可见，本发明通过分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号，可以对信号进行分解；通过根据I信号和Q信号生成的分解矩阵的协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量，可以将信号分解与最大特征值与矩阵迹之比算法结合，从而提高频谱感知方法的准确性和可靠性，提升了用户体验。此外，本发明还提供了一种认知无线电的频谱感知系统，同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种认知无线电的频谱感知方法的流程图；
图2为本发明实施例所提供的一种认知无线电的频谱感知方法的检测性能的仿真图；
图3为本发明实施例所提供的一种认知无线电的频谱感知系统的结构图。
具体实施方式
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。
请参考图1，图1为本发明实施例所提供的一种认知无线电的频谱感知方法的流程图。该方法可以包括：
步骤101：分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号。
其中，预设数量可以为频谱感知系统中的次用户的数量，对于预设数量的具体数值的设置，可以由设计人员或用户根据实用场景和用户需求自行设置，本实施例对此不受任何限制。
具体的，可以假设频谱感知系统由K个次用户组成，对于任何一个次用户，主用户的信号检测可以归纳为一个二元假设检验问题：
式中：H0表示次用户接收信号中只存在噪声；H1表示次用户接收信号中同时存在信号和噪声；si(n)表示主用户信号，wi(n)表示为零均值方差为σ2的高斯白噪声。
其中，第i个次用户N次采集到的信号可以为Xi＝[xi(1)xi(2)...xi(N)]，噪声信号为wi＝[wi(1)wi(2)...wi(N)]。通过所有次用户进行N次采样，采样数据可构成一个K×N维的矩阵，可以表示为：
通过分解信号，增加信号数量可以获的更多的相关信息。将上面的第i个次用户采集到的信号Xi＝[xi(1)xi(2)...xi(N)]分解为I信号和Q信号两部分，表示为：
式中，fc表示载波频率，fs表示采样频率。
可以理解的是，对于将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号的具体方式，可以采用上述方式，也可以采用其他方式，本实施例对此不受任何限制。
步骤102：根据I信号和Q信号生成分解矩阵，并获取分解矩阵的协方差矩阵。
其中，分解矩阵可以为I信号和Q信号组成的矩阵。
具体的，可以将式(3)中K×N维的矩阵，变为I信号和Q信号组成的M×N维矩阵，其中，M＝2K，可以表示为
从而可以获得分解矩阵Y的协方差矩阵为：
Ry(N)＝E[YYH]＝Rs(N)+Rn(N) (5)
式中，IM为M阶单位矩阵，σ2为噪声矩阵的特征值。从式(5)可以看出协方差矩阵Ry(N)可以由信号空间Rs(N)和噪声空间Rn(N)两部分组成。
步骤103：根据协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量；其中，判决统计量为最大特征值和矩阵迹之比。
其中，本步骤的目的是通过最大特征值与矩阵迹之比构建判决统计量，以信号分解获取的分解矩阵的协方差矩阵的最大特征值的极限近似代替最大特征值，从而无需获知主信号的先验知识，在不增加算法复杂度的情况下，获得比传统的最大特征值与矩阵迹之比算法的认知无线电的频谱感知方法(RMET)更好的可靠性和准确性。
可以理解的是，对于根据协方差矩阵获取最大特征值和矩阵迹的具体方式，可以采用与现有技术中传统的最大特征值与矩阵迹之差算法的认知无线电的频谱感知方法相似的方式获取，也可以采用其他方式获取，本实施例对此不受任何限制。
具体的，判决统计量可以为：
式中，λmax为最大特征值，Tr(Ry(N))为矩阵迹。
步骤104：判断判决统计量是否大于判决门限；若是，则进入步骤105；若否，则进入步骤106。
其中，判决门限可以根据随机矩阵理论推出，可以为：
可以理解的是，式(8)中，Pfa为虚警概率。从式(8)可以看出，判决门限与噪声无关，算法克服了噪声不确定性对检测精度带来的影响，因此本实施例所提供的利用信号分解和最大特征值与矩阵迹之比算法结合的频谱感知方法(GRMET)能有效克服噪声不确定性对检测性能的影响。
步骤105：存在主用户。
步骤106：不存在主用户。
可以理解的是，步骤105和步骤106可以为根据本实施所提供的GRMET，对主用户检测的两种结果，对于检测出存在或不存在主用户之后的操作，可以由设计人员或用户根据实用场景和用户需求自行设置，本实施例对此不受任何限制。
需要说明的是，本实施例所提供的方法可以在现有的最大特征值与矩阵迹之比算法的认知无线电的频谱感知方法的基础上，加入信号分解，从而以信号分解获取的分解矩阵的协方差矩阵的最大特征值的极限近似代替最大特征值，在无需获知主信号的先验知识，不增加算法复杂度的情况下，获得更好的可靠性和准确性。
具体的，可以参考图2(横坐标为信噪比，纵坐标为检测概率)，由图2所示的仿真结果可知，与原来RMET算法对比，本实施例所提供的GRMET的检测性能有所提升。
本实施例中，本发明实施例通过分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号，可以对信号进行分解；通过根据I信号和Q信号生成的分解矩阵的协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量，可以将信号分解与最大特征值与矩阵迹之比算法结合，从而提高频谱感知方法的准确性和可靠性，提升了用户体验。
请参考图3，图3为本发明实施例所提供的一种认知无线电的频谱感知系统的结构图。该系统可以包括：
分解模块100，用于分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号；
获取模块200，用于根据I信号和Q信号生成分解矩阵，并获取分解矩阵的协方差矩阵；
计算模块300，用于根据协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量；其中，判决统计量为最大特征值和矩阵迹之比；
判断模块400，用于判断判决统计量是否大于判决门限；若是，则存在主用户；若否，则不存在主用户。
可选的，分解模块100，可以包括：
分解子模块，用于将每个次用户各自接收到的信号Xi分解成各自对应的I信号和Q信号
其中，Xi＝[xi(1)xi(2)...xi(N)]，n＝1,2,...,N，fc为载波频率，fs为采样频率，i为预设数量的次用户中任意一个次用户，N为信号Xi的采样次数。
可选的，获取模块200，可以包括：
第一获取子模块，用于根据I信号和Q信号生成分解矩阵Y；
其中，Y为M×N维的分解矩阵，M＝2K，K为预设数量；
第二获取子模块，用于获取分解矩阵Y的协方差矩阵Ry(N)；
其中，Ry(N)＝E[YYH]＝Rs(N)+Rn(N)，IM为M阶单位矩阵，Rs(N)为信号空间，Rn(N)为噪声空间，w为信号Xi中的噪声信号，wi＝[wi(1)wi(2)...wi(N)]，σ2为噪声矩阵的特征值。
可选的，计算模块300，可以包括：
计算子模块，用于根据协方差矩阵Y获取最大特征值λmax和矩阵迹Tr(Ry(N))，并获取判决统计量TGRMET；
其中，
可选的，判断模块400，可以包括：
判断子模块，用于判断判决统计量TGRMET是否大于判决门限γ；若是，则存在主用户；若否，则不存在主用户；
其中，判决门限γ为根据随机矩阵推导得到的数值，Pfa为虚警概率。
本实施例中，本发明实施例通过分解模块100分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号，可以对信号进行分解；通过计算模块300根据I信号和Q信号生成的分解矩阵的协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量，可以将信号分解与最大特征值与矩阵迹之比算法结合，从而提高频谱感知方法的准确性和可靠性，提升了用户体验。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的认知无线电的频谱感知方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种认知无线电的频谱感知方法，其特征在于，包括：
分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号；
根据所述I信号和所述Q信号生成分解矩阵，并获取所述分解矩阵的协方差矩阵；
根据所述协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量；其中，所述判决统计量为所述最大特征值和所述矩阵迹之比；
判断所述判决统计量是否大于判决门限；
若是，则存在主用户；
若否，则不存在主用户。
2.根据权利要求1所述的认知无线电的频谱感知方法，其特征在于，所述分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号，包括：
将每个次用户各自接收到的信号Xi分解成各自对应的I信号和Q信号
其中，Xi＝[xi(1)xi(2)...xi(N)]，n＝1,2,...,N，fc为载波频率，fs为采样频率，i为所述预设数量的次用户中任意一个次用户，N为所述信号Xi的采样次数。
3.根据权利要求2所述的认知无线电的频谱感知方法，其特征在于，所述根据所述I信号和所述Q信号生成分解矩阵，并获取所述分解矩阵的协方差矩阵，包括：
根据所述I信号和所述Q信号生成分解矩阵Y；
其中，Y为M×N维的所述分解矩阵，M＝2K，K为所述预设数量；
获取所述分解矩阵Y的协方差矩阵Ry(N)；
其中，Ry(N)＝E[YYH]＝Rs(N)+Rn(N)，IM为M阶单位矩阵，Rs(N)为信号空间，Rn(N)为噪声空间，w为所述信号Xi中的噪声信号，wi＝[wi(1)wi(2)...wi(N)]，σ2为噪声矩阵的特征值。
4.根据权利要求3所述的认知无线电的频谱感知方法，其特征在于，所述判决统计量，具体为：
其中，λmax为所述最大特征值，Tr(Ry(N))为所述矩阵迹。
5.根据权利要求4所述的认知无线电的频谱感知方法，其特征在于，所述判断所述判决统计量是否大于判决门限，包括：
判断TGRMET是否大于判决门限γ；
其中，所述判决门限γ为根据随机矩阵推导得到的数值，Pfa为虚警概率。
6.一种认知无线电的频谱感知系统，其特征在于，包括：
分解模块，用于分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号；
获取模块，用于根据所述I信号和所述Q信号生成分解矩阵，并获取所述分解矩阵的协方差矩阵；
计算模块，用于根据所述协方差矩阵获取最大特征值和矩阵迹，并获取判决统计量；其中，所述判决统计量为所述最大特征值和所述矩阵迹之比；
判断模块，用于判断所述判决统计量是否大于判决门限；若是，则存在主用户；若否，则不存在所述主用户。
7.根据权利要求6所述的认知无线电的频谱感知系统，其特征在于，所述分解模块，包括：
分解子模块，用于将每个次用户各自接收到的信号Xi分解成各自对应的I信号和Q信号
其中，Xi＝[xi(1)xi(2)...xi(N)]，n＝1,2,...,N，fc为载波频率，fs为采样频率，i为所述预设数量的次用户中任意一个次用户，N为所述信号Xi的采样次数。
8.根据权利要求7所述的认知无线电的频谱感知系统，其特征在于，所述获取模块，包括：
第一获取子模块，用于根据所述I信号和所述Q信号生成分解矩阵Y；
其中，Y为M×N维的所述分解矩阵，M＝2K，K为所述预设数量；
第二获取子模块，用于获取所述分解矩阵Y的协方差矩阵Ry(N)；
其中，Ry(N)＝E[YYH]＝Rs(N)+Rn(N)，IM为M阶单位矩阵，Rs(N)为信号空间，Rn(N)为噪声空间，w为所述信号Xi中的噪声信号，wi＝[wi(1)wi(2)...wi(N)]，σ2为噪声矩阵的特征值。
9.根据权利要求8所述的认知无线电的频谱感知方法，其特征在于，所述计算模块，包括：
计算子模块，用于根据所述协方差矩阵Y获取最大特征值λmax和矩阵迹Tr(Ry(N))，并获取判决统计量TGRMET；
其中，
10.根据权利要求9所述的认知无线电的频谱感知方法，其特征在于，所述判断模块，包括：
判断子模块，用于判断所述判决统计量TGRMET是否大于判决门限γ；若是，则存在所述主用户；若否，则不存在所述主用户；
其中，所述判决门限γ为根据随机矩阵推导得到的数值，Pfa为虚警概率。
CN201710425198.1A 2017-06-07 2017-06-07 一种认知无线电的频谱感知方法及系统 Active CN107171752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710425198.1A CN107171752B (zh) 2017-06-07 2017-06-07 一种认知无线电的频谱感知方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710425198.1A CN107171752B (zh) 2017-06-07 2017-06-07 一种认知无线电的频谱感知方法及系统

Publications (2)

Publication Number Publication Date
CN107171752A true CN107171752A (zh) 2017-09-15
CN107171752B CN107171752B (zh) 2021-01-26

Family

ID=59825424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710425198.1A Active CN107171752B (zh) 2017-06-07 2017-06-07 一种认知无线电的频谱感知方法及系统

Country Status (1)

Country Link
CN (1) CN107171752B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900267A (zh) * 2018-07-17 2018-11-27 浙江万胜智能科技股份有限公司 基于特征值的单边右尾拟合优度检验频谱感知方法及装置
CN110365434A (zh) * 2019-06-27 2019-10-22 广东工业大学 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法
CN110690933A (zh) * 2018-07-05 2020-01-14 广东工业大学 一种基于fcm聚类算法的合作频谱感知方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359930A (zh) * 2008-09-12 2009-02-04 南京邮电大学 认知无线电系统中基于最大特征值的频谱感知方法
CN103795479A (zh) * 2014-01-28 2014-05-14 南京邮电大学 一种基于特征值的协作频谱感知方法
WO2014190572A1 (zh) * 2013-05-27 2014-12-04 东南大学 基于快速傅里叶变换的盲频谱感知方法及装置
CN106169945A (zh) * 2016-07-04 2016-11-30 广东工业大学 一种基于最大最小特征值之差的协作频谱感知方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359930A (zh) * 2008-09-12 2009-02-04 南京邮电大学 认知无线电系统中基于最大特征值的频谱感知方法
WO2014190572A1 (zh) * 2013-05-27 2014-12-04 东南大学 基于快速傅里叶变换的盲频谱感知方法及装置
CN103795479A (zh) * 2014-01-28 2014-05-14 南京邮电大学 一种基于特征值的协作频谱感知方法
CN106169945A (zh) * 2016-07-04 2016-11-30 广东工业大学 一种基于最大最小特征值之差的协作频谱感知方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110690933A (zh) * 2018-07-05 2020-01-14 广东工业大学 一种基于fcm聚类算法的合作频谱感知方法
CN108900267A (zh) * 2018-07-17 2018-11-27 浙江万胜智能科技股份有限公司 基于特征值的单边右尾拟合优度检验频谱感知方法及装置
CN108900267B (zh) * 2018-07-17 2021-10-15 浙江万胜智能科技股份有限公司 基于特征值的单边右尾拟合优度检验频谱感知方法及装置
CN110365434A (zh) * 2019-06-27 2019-10-22 广东工业大学 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法
CN110365434B (zh) * 2019-06-27 2021-08-24 广东工业大学 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法

Also Published As

Publication number Publication date
CN107171752B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN107426736A (zh) 一种认知无线电的频谱感知方法及系统
CN107733541A (zh) 频谱感知的方法、装置、设备以及计算机可读存储介质
Altrad et al. A new mathematical analysis of the probability of detection in cognitive radio over fading channels
WO2020215783A1 (zh) 定位方法、装置及存储介质
CN106533577B (zh) 一种基于能量检测的非高斯噪声抑制方法
CN107359948A (zh) 一种认知无线网络的频谱预测方法及装置
CN106169945A (zh) 一种基于最大最小特征值之差的协作频谱感知方法
CN109039503A (zh) 一种频谱感知方法、装置、设备及计算机可读存储介质
CN107171752A (zh) 一种认知无线电的频谱感知方法及系统
CN107979431A (zh) 基于黎曼中值的频谱感知的方法、装置以及设备
CN103281142B (zh) 联合时域双门限和频域变点数的能量检测方法和装置
CN110932807B (zh) 一种非高斯噪声下mimo系统的频谱感知方法及系统
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
CN106170139B (zh) 一种频谱检测方法及系统
Deng et al. A novel specific emitter identification method based on radio frequency fingerprints
CN108880717A (zh) 一种基于信息几何的α散度的频谱感知方法
CN104253659B (zh) 一种频谱检测方法及其装置
CN110289926B (zh) 基于调制信号循环自相关函数对称峰值的频谱感知方法
CN109525339B (zh) 认知无线电的频谱感知方法、装置、设备以及存储介质
CN113507334B (zh) 基于信道嗅探的参量测试方法、装置、设备及存储介质
CN108712222A (zh) 一种协作频谱感知方法及相关装置
Yoo et al. ATSC digital television signal detection with spectral correlation density
Zhang et al. A modified cyclostationary spectrum sensing based on softmax regression model
CN115021845B (zh) 一种频谱感知方法、系统、介质、设备及终端
CN110095753A (zh) 一种基于到达角度aoa测距的定位方法及装置

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