CN107276696A - 一种低信噪比条件下信号检测算法 - Google Patents
一种低信噪比条件下信号检测算法 Download PDFInfo
- Publication number
- CN107276696A CN107276696A CN201710379355.XA CN201710379355A CN107276696A CN 107276696 A CN107276696 A CN 107276696A CN 201710379355 A CN201710379355 A CN 201710379355A CN 107276696 A CN107276696 A CN 107276696A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msub
- sigma
- msup
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种低信噪比条件下信号检测算法,所述检测算法的步骤如下:步骤一、将随机共振系统作为能量检测器的前端,当输入信号y(t)、共振噪声信号n0(t)通过随机共振系统时产生随机共振,将共振噪声的能量转化成用户信号的能量,输出信号rSR(t);步骤二、根据步骤一获得的输出信号rSR(t),计算随机共振系统检测输出统计量T(r)SR;步骤三、在H0和H1条件下的检测统计量T(r)SR_ED皆服从非中心卡方分布,若N足够大,则它们都近似服从正态分布,可得虚警概率和正确检测概率。
Description
技术领域
本发明涉及一种基于随机共振技术的能量信号检测算法,尤其涉及一种基于随机共振技术的双门限信号检测的新算法。
背景技术
通信系统对无线频谱资源需求的不断增长,导致频谱资源日益紧张,是制约无线通信发展的瓶颈问题。当前数据通信业务的迅猛增长越来越要求通信网络具备更高的吞吐量和频谱效率,当前4G无线通信网络的组网方式实现全频率复用。在全频率复用的情况下由于所有基站同频传输使得邻近的小区间会产生严重的相互干扰。对于小区中心的用户来说,其本身离基站的距离比较近,而外小区的干扰信号距离又较远,则其信干噪比相对较大。但是对于小区边缘的用户,由于相邻小区占用同样频率载波资源的用户对其干扰比较大,加上本身距离基站较远,其信干噪比相对就较小,导致虽然小区整体的吞吐量较高,但是小区边缘的用户服务质量较差,吞吐量较低。如何有效检测频谱信号利用情况对于提高通信系统性能至关重要。而且通过研究发现,分配给现有很多无线系统的频谱资源在时间和空间上存在不同程度的闲置,严重利用不足。于是,人们开始寻求允许没有频谱使用许可的用户对法定授权用户不产生任何影响的情况下,伺机接入已授权的频段内进行通信,从而有效提高有限频谱的利用率。在无线通信网络中,由于信息传输时极易受信道多径衰落、遮蔽效应等干扰的影响,噪声方差不确定。如何在低信噪比条件下进行信号有效检测,直接关系着整个无线通信网络系统的性能,所以意义重大。随机共振理论的存在为解决低信噪比环境下的信号感知创造了可能。随机共振理论指出,当有噪声的系统发生随机共振时,部分噪声能量会转化为有用信号的能量,从而使系统输出信噪比大大提高。
无线通信网络中,信号检测方法较多,其中基于能量检测的实现,方法简单,并且易于实现,但是由于极易受信道多径衰落、遮蔽效应等干扰的影响,导致正确检测概率随信噪比的减弱而快速下降,在低信噪比信号检测性能很差。
发明内容
本发明的目的是提供一种低信噪比条件下信号检测算法,该算法实现了低信噪比条件下对信号有效检测,提升了整个通信系统性能。
本发明的目的是通过以下技术方案实现的:
一种低信噪比条件下信号检测算法,包括如下步骤:
步骤一、将随机共振系统作为能量检测器的前端,当输入信号y(t)、共振噪声信号n0(t)通过随机共振系统时产生随机共振,将共振噪声的能量转化成用户信号的能量,输出信号rSR(t),此时信噪比得到提高。
步骤二、根据步骤一获得的输出信号rSR(t),按照以下公式计算随机共振系统检测输出统计量T(r)SR:
式中,N代表样本数。
步骤三、在H0和H1条件下的检测统计量T(r)SR_ED皆服从非中心卡方分布,若N足够大,则它们都近似服从正态分布,即:
可得虚警概率:
正确检测概率为:
式中,H0表示只有共振噪声信号n0(t)噪声而输入信号y(t)不存在,H1表示有输入信号y(t)和共振噪声信号n0(t)噪声,λSR_ED表示门限,表示sSR(t)的功率,表示随机共振系统噪声nSR(t)的功率,Q(.)为标准正态分布的右尾概率分布,定义为 表示系统噪声n0(t)的功率,k为常数,sSR(t)、nSR(t)分别表示通过随机共振系统后的输出信号及噪声。
本发明具有如下优点:
本发明的算法能够有效提升信噪比,使得信号检测更加准确,并且能够减小噪声方差不确定度问题对信号检测的影响,实现对通信系统整体性能的有效提升。
附图说明
图1为能量检测原理;
图2为基于随机共振的能量检测的框图;
图3为信噪比与检测概率关系曲线对比图;
图4为两种方法检测性能曲线对比图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种低信噪比条件下信号检测算法,具体实施步骤如下:
一、能量检测模型
能量检测法检测过程可以综合为一个二进制假设过程。实现框图如图1所示。能量检测法首先直接对时域信号进行滤波,采样值求模,然后平方即可得到;或对接收信号做N点FFT,转换到频域,然后对频域信号求模的平方也可得到。
能量检测的基本实现原理是在一定的频带范围内作能量积累,如果积累的能量值高于一定的门限,说明有信号存在;如果低于一定的门限值,则说明仅有噪声存在。它的出发点是信号加噪声的能量大于噪声的能量。
假设:
式中,s(n)为输入的使用用户信息,假设服从均值为零,方差为的正态分布,w(n)为噪声信息,假设为高斯白噪声,服从均值为零,方差为的正态分布,H0表示只有噪声而授权用户不存在,H1表示有使用用户信息和噪声,假设噪声采样值相互独立同分布,并且与信号采样值也相互独立,则在H0下在H1下也即在N个抽样求和后,输出统计量Y可以表示为:
假定给定的门限为λ,依据纽曼-皮尔逊准则,似然比函数为:
其中,p(y/Hi),(i=0,1)为接入矢量y为H1或H0时的概率密度函数,若L(x)>λ,则认为H1为真,反之则H0为真。
根据模型假设,则似然函数为:
在似然比检验中,若似然函数大于门限则判决为1,小于判决门限则判决为0。
二、算法设计实现
随机共振能量检测是指在进行能量检测之前,将信号通过随机共振这种非线性信号处理方法,再将此信号引入到通信网络中进行频谱感知,通过以上分析可以知道,随机共振系统能提高信号信噪比,从而实现提升在恒虚警概率条件下的检测概率。根据此假设,模型框图如图2所示。
通过将随机共振系统将作为能量检测器的前端,当授权用户信号s(t)通过共振系统,产生随机共振使得认知用户接收信号的信噪比提高,从而实现检测性能的提升。
三、信号检测性能分析
通过随机共振系统,共振噪声的能量会转化成授权用户信号的能量,实现信噪比的提高,从而改善低信噪比条件下的传统能量检测器的检测性能。计算随机共振系统检测输出统计量T(r)SR:
统计量T(r)SR服从中心卡方分布,当N足够大时,根据中心极限定理,它近似服从高斯分布,同样噪声信号nSR(t)在N足够大时,也可以看成高斯分布。
根据线性相应理论,rSR(t)可以看做是一个高斯过程,若不考虑随机共振系统的输入噪声n0(t),在H0条件下,可以得到T(r)SR的概率密度函数为:
其中,是sSR(t)的功率,为随机共振系统噪声nSR(t)的功率,由两部分来构成,一部分是加性噪声n(t)经过随机共振系统后产生,另一部分是随机系统的输入噪声n0(t)。通过随机共振系统后,为了获得噪声估计值,采用最大似然函数估计方法来得到,即当时得到:
在H1条件下,T(r)SR的概率密度函数为:
其中,Ij(·)是j阶第一类修正贝塞尔函数,且
若已知门限,假设为λSR_ED,则可以通过(6)中的概率密度函数通过求积分来获得虚警概率值,为:
检测概率为:
通常情况下,利用设定恒定虚警概率,将最大似然估计来代替,推导出基于随机共振的能量检测方法的判决门限,进而求出检测概率。实际上,信号通过随机共振系统以后,输出的sSR(t)和nSR(t)仍然保持着与输入信号s(t)和n(t)相似的频谱属性,并且在N较大的情况下,仍然服从高斯分布,若随机共振系统f(·),则经过随机共振系统后,r(t)=f[y(t)+n0(t)],可进一步简化分析。在H0条件下只有噪声存在,即输入y(t)=n(t),在H1条件下,输入y(t)=h·s(t)+n(t),其中s(t)是随机共振系统中等效的PU发射信号,假设n(t)为均值是零,方差为的加性高斯白噪声。设等效的授权用户信号s(t)的幅值服从均值为0,方差为的高斯分布,且信号s(t)、噪声n(t)和η(t)两两相互独立。经过随机共振系统后,x(t)=ySR(t)=h·sSR(t)+nSR(t),根据以上分析,sSR(t)和nSR(t)仍然保持着与输入信号s(t)和n(t)相似的频谱属性,仍然服从高斯分布,此时假设sSR(t)均值为0,方差为nSR(t)均值是零,方差为η(t)是加入的均值为零,方差为的加性随机共振高斯白噪声,在背景噪声能量不足以帮助产生SR的情况下,用η(t)来帮助产生SR现象。
基于随机共振系统在增加了SR噪声η(t)后下,二元假设检验可以表示为:
计算随机共振能量检测系统输出统计量在H0的情况下,均值为:
方差为:
在H1的情况下,均值:
方差为:
H0和H1条件下的检测统计量T(r)SR_ED皆服从非中心卡方分布,若N足够大,则它们都近似服从正态分布,即:
所以基于随机共振的能量检测虚警概率为:
正确检测概率为:
为了得到与普通能量感知相对比,我们取一样的虚警概率记为则在给定虚警概率的情况下,我们可以进一步确定增加SR后的检测门限。
四、仿真分析
随机共振系统采用双稳态系统,仿真中,采用BPSK信号作为使用用户信号,通过瑞利衰落信道的该信号和其它BPSK干扰信号、加性高斯白噪声作为随机共振系统的输入信号:
其中,h是均值为1的瑞利信道增益;AP,ωP和分别是授权用户信号的幅度、角频率和相位,计算统计量采用的样本数为N=100,在恒虚警概率为0.1时条件下,仿真结果如图3所示。
从图3中可以得到,基于随机共振的能量检测方法的检测概率明显优于传统的能量检测方法,尤其是在信噪比较低的条件下,大约有5dB的改善。
图4给出了信噪比为-10dB条件下基于随机共振能量检测和传统能量检测方法的接收机操作特性曲线对比,计算统计量采用的样本数为N=1000。如图4所示,基于随机共振能量检测方法的检测概率要明显由于传统的能量检测方法的检测概率,尤其是在低于-10dB这样的低信噪比条件下,性能提升尤为明显,可见在低信噪比情况下基于随机共振的能量检测方法有效提升信号检测概率,提升通信系统整体性能。
Claims (2)
1.一种低信噪比条件下信号检测算法,其特征在于所述检测算法的步骤如下:
步骤一、将随机共振系统作为能量检测器的前端,当输入信号y(t)、共振噪声信号n0(t)通过随机共振系统时产生随机共振,将共振噪声的能量转化成用户信号的能量,输出信号rSR(t);
步骤二、根据步骤一获得的输出信号rSR(t),按照以下公式计算随机共振系统检测输出统计量T(r)SR:
<mrow>
<mi>T</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>,</mo>
</mrow>
式中,N代表样本数;
步骤三、在H0和H1条件下的检测统计量T(r)SR_ED皆服从非中心卡方分布,若N足够大,则它们都近似服从正态分布,即:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mn>0</mn>
</msub>
<mo>:</mo>
<mi>N</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
<mi>a</mi>
<mi>l</mi>
<mo>&lsqb;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>2</mn>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>4</mn>
</msubsup>
<mo>+</mo>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>:</mo>
<mi>N</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
<mi>a</mi>
<mi>l</mi>
<mo>&lsqb;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>2</mn>
<mi>N</mi>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>4</mn>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
得虚警概率:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>F</mi>
<mo>_</mo>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>S</mi>
<mi>R</mi>
<mo>_</mo>
<mi>E</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
<mo>-</mo>
<mi>E</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
<mo>-</mo>
<mi>E</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>N&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>4</mn>
</msubsup>
<mo>+</mo>
<mn>4</mn>
<msubsup>
<mi>N&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
正确检测概率为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mo>_</mo>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>S</mi>
<mi>R</mi>
<mo>_</mo>
<mi>E</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
<mo>-</mo>
<mi>E</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
<mo>-</mo>
<mi>E</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>N</mi>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>2</mn>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
式中,H0表示只有共振噪声信号n0(t)噪声而输入信号y(t)不存在,H1表示有输入信号y(t)和共振噪声信号n0(t)噪声,λSR_ED表示门限,表示sSR(t)的功率,表示随机共振系统噪声nSR(t)的功率,Q(.)为标准正态分布的右尾概率分布,定义为 表示系统噪声n0(t)的功率,k为常数,sSR(t)、nSR(t)分别表示通过随机共振系统后的输出信号及噪声。
2.根据权利要求1所述的低信噪比条件下信号检测算法,其特征在于所述的计算公式如下:
<mrow>
<msubsup>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mn>16</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
</msqrt>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>4</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mi>T</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>.</mo>
</mrow>
1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379355.XA CN107276696A (zh) | 2017-05-25 | 2017-05-25 | 一种低信噪比条件下信号检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379355.XA CN107276696A (zh) | 2017-05-25 | 2017-05-25 | 一种低信噪比条件下信号检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107276696A true CN107276696A (zh) | 2017-10-20 |
Family
ID=60064593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710379355.XA Pending CN107276696A (zh) | 2017-05-25 | 2017-05-25 | 一种低信噪比条件下信号检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107276696A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108880712A (zh) * | 2018-08-02 | 2018-11-23 | 重庆大学 | 一种两步协作随机共振能量检测算法 |
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 |
CN108899041A (zh) * | 2018-08-20 | 2018-11-27 | 百度在线网络技术(北京)有限公司 | 语音信号加噪方法、装置及存储介质 |
CN112073138A (zh) * | 2020-09-17 | 2020-12-11 | 重庆大学 | 一种基于量化的双门限协作频谱感知方法 |
CN113345443A (zh) * | 2021-04-22 | 2021-09-03 | 西北工业大学 | 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法 |
CN114626403A (zh) * | 2022-01-04 | 2022-06-14 | 深圳大学 | 基于修剪法的电子信号检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2846818A1 (fr) * | 2002-11-06 | 2004-05-07 | Univ Rennes | Dispositif de detection d'un signal grace a un systeme non lineaire |
CN101848046A (zh) * | 2010-06-22 | 2010-09-29 | 上海交通大学 | 提高频谱感知的检测概率方法 |
CN103475431A (zh) * | 2013-09-09 | 2013-12-25 | 南京邮电大学 | 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 |
-
2017
- 2017-05-25 CN CN201710379355.XA patent/CN107276696A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2846818A1 (fr) * | 2002-11-06 | 2004-05-07 | Univ Rennes | Dispositif de detection d'un signal grace a un systeme non lineaire |
CN101848046A (zh) * | 2010-06-22 | 2010-09-29 | 上海交通大学 | 提高频谱感知的检测概率方法 |
CN103475431A (zh) * | 2013-09-09 | 2013-12-25 | 南京邮电大学 | 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 |
Non-Patent Citations (1)
Title |
---|
王晓林: "认知无线电网络中频谱感知算法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (9)
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 |
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 |
CN108880712A (zh) * | 2018-08-02 | 2018-11-23 | 重庆大学 | 一种两步协作随机共振能量检测算法 |
CN108899041A (zh) * | 2018-08-20 | 2018-11-27 | 百度在线网络技术(北京)有限公司 | 语音信号加噪方法、装置及存储介质 |
CN108899041B (zh) * | 2018-08-20 | 2019-12-27 | 百度在线网络技术(北京)有限公司 | 语音信号加噪方法、装置及存储介质 |
CN112073138A (zh) * | 2020-09-17 | 2020-12-11 | 重庆大学 | 一种基于量化的双门限协作频谱感知方法 |
CN113345443A (zh) * | 2021-04-22 | 2021-09-03 | 西北工业大学 | 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法 |
CN114626403A (zh) * | 2022-01-04 | 2022-06-14 | 深圳大学 | 基于修剪法的电子信号检测方法及系统 |
CN114626403B (zh) * | 2022-01-04 | 2024-03-26 | 深圳大学 | 基于修剪法的电子信号检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107276696A (zh) | 一种低信噪比条件下信号检测算法 | |
CN102324959B (zh) | 一种基于多天线系统协方差矩阵的频谱感知方法 | |
Yue et al. | Spectrum sensing algorithms for primary detection based on reliability in cognitive radio systems | |
CN101986583B (zh) | 基于协方差匹配的多天线频谱感知方法 | |
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 | |
CN103338082B (zh) | 一种基于“k秩”准则的双门限协作频谱感知方法 | |
CN103384174B (zh) | 多用户多天线协作频谱感知检测概率优化方法 | |
CN101615926A (zh) | 认知无线电中的异步协同频谱感知方法 | |
CN106713190B (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 | |
CN102271022B (zh) | 一种基于最大广义特征值的频谱感知方法 | |
CN105025583A (zh) | 基于能量与协方差检测的分步频谱感知方法 | |
CN103841566B (zh) | 移动模型下存在恶意用户攻击的基于d‑s证据理论的协作频谱感知方法 | |
Hu et al. | An algorithm for energy detection based on noise variance estimation under noise uncertainty | |
CN111465023A (zh) | 一种基于历史能量信息的自适应双门限频谱感知方法 | |
CN102394712B (zh) | 认知无线电系统中检测周期与检测时间的联合优化方法 | |
CN102006609A (zh) | 一种自适应序贯的协同频谱检测方法 | |
CN102497239B (zh) | 一种基于极化度的频谱感知方法 | |
CN103117821B (zh) | 一种基于瑞利商的加权协作频谱感知方法 | |
CN109600181B (zh) | 一种用于多天线的频谱感知方法 | |
CN102412911B (zh) | 两极频谱检测方法 | |
CN105119668B (zh) | 一种采用双重判决的迭代频谱感知方法 | |
CN102868654B (zh) | 一种认知网络中数字调制信号的分类方法 | |
Jiang et al. | Signal detection algorithm design based on stochastic resonance technology under low signal-to-noise ratio | |
CN103051402B (zh) | 一种基于直流偏移自适应频谱能量的用户信号检测方法 | |
Rabiee et al. | Throughput optimization of double-threshold based improved energy detection in cooperative sensing over imperfect reporting channels |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171020 |
|
WD01 | Invention patent application deemed withdrawn after publication |