CN108173610A - 基于二阶统计量的异构无线网络的协作式频谱感知方法 - Google Patents
基于二阶统计量的异构无线网络的协作式频谱感知方法 Download PDFInfo
- Publication number
- CN108173610A CN108173610A CN201810141144.7A CN201810141144A CN108173610A CN 108173610 A CN108173610 A CN 108173610A CN 201810141144 A CN201810141144 A CN 201810141144A CN 108173610 A CN108173610 A CN 108173610A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency spectrum
- order statistic
- center
- wireless network
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于二阶统计量的异构无线网络的协作式频谱感知方法,本发明为了解决现有异构网络频谱感知策略要求频段是稀疏的问题,提出了一种基于二阶统计量检测的协作式频谱感知策略。本发明利用授权频段上各类信号之间不存在相关性这一特点,首先选择感知用户中瞬时信道条件最好的几个用户作为感知中心,然后利用它们去检测各类信号在授权频段上的占用情况。在判断某类信号在授权频段上的使用情况时,可利用本发明策略将其它类信号的影响去除,即保证检测的准确性和可靠性又不增加检测复杂度。
Description
技术领域
本发明涉及基于二阶统计量的异构无线网络的协作式频谱感知方法,属于频谱感知技术领域。
背景技术
无线通信技术的高速发展,对频谱资源的需求变得日渐强烈。无线数据流量呈现爆炸的方式增长,然而由于自然条件的约束,原本制定的频谱配置和管理方式已经不能满足无线通信技术发展的需求,人们需要探寻利用率更高的频谱配置和管理方式。若是能够在网络异构的环境下,对有限的频谱资源进行共享,则可以极大的提高频谱资源的利用率,缓解当前无线通信技术的发展与频谱资源稀缺的矛盾。
认知无线电技术对频谱资源的使用提出了全新的思想,它注重对频谱智能、动态的利用,可有效解决电磁频谱物理资源匮乏与利用率低之间的矛盾。而频谱感知技术是认知无线电关键技术之一。它要求认知用户能够实时检测频谱段,找到频谱空穴,实现自身信息传输并且还需要连续检测是否有新的授权用户使用频谱段。目前大量的频谱感知技术都是基于对待检测频段上的信号进行奈奎斯特采样,为了解决宽带频谱感知要求采样率高和要求重建信号精确度高的问题,不得不假设信号在频段上是稀疏的,便于压缩宽带谱感知。但是该方法与实际不符并且计算复杂度高。
实际上,对于认知无线电技术来说,重要的不是精确的重建出信号本身,而是精确的检测出空闲频段和被占用频段的位置。因此可利用有损压缩去精确重建信号的二阶统计信息而不再重建信号的本身。
发明内容
本发明所要解决的技术问题是提供一种计算复杂度低、高效精确的异构网络的频谱感知方法,本发明通过利用信号的二阶统计信息,将频谱感知策略中通过重构信号完成频谱感知转化为对信号功率值的重建,通过加入感知节点以实现对频段中的多种信号进行感知。
本发明为了解决上述技术问题采用以下技术方案:
基于二阶统计量的异构无线网络的协作式频谱感知方法,其特征在于:具体包含如下步骤;
步骤A:感知用户将接收到的信号x(n)用多陪集采样,将x(n)分成L组,每组N个元素,然后进入步骤B,其中L和N均为正整数;
步骤B:选择一个压缩率为的压缩矩阵C,该压缩矩阵满足最小稀疏准则,使具有托普利兹结构的待压缩矩阵中的主要元素至少出现一次,然后进入步骤C;
步骤C:利用步骤B中产生的压缩矩阵C对已分为L组的接收信号x(n)进行压缩采样,进而从每组N元素中保留M个元素,并计算压缩采样后信号的二阶统计量自相关矩阵,然后进入步骤D;
步骤D:根据待感知的异构网络数i,确定以之相对应的感知节点数量,并且每个感知节点持有相应的网络的信号的基本信息,然后进入步骤E;
步骤E:每个感知中心利用自相关矩阵及压缩采样后的信号将对信号本省重构的问题转化为对信号功率值最优估计的问题,由于信号是零均值的高斯分布信号,问题最终被转化为对功率值的最大似然估计,然后进入步骤F;
步骤F:各感知中心将各自感知网络在待感知频段上的感知情况传送给融合中心,融合中心将各感知节点的感知结果进行融合并将结果反馈给请求接入的新用户。
作为本发明基于二阶统计量的异构无线网络的协作式频谱感知方法的进一步优选方案,步骤A至步骤B中所述的,假设异构无线网络中有i种网络类型。每种网络中信道条件最好的用户被选为感知中心,来检测本网络类型的用户在频段上的占用情况;异构无线网络中的感知中心对全部频段的使用情况进行检测,检测信息最终被发送到融合中心,由融合中心最终做出判断,检测到空闲频段及用频请求就可以实现动态频谱接入。
作为本发明基于二阶统计量的异构无线网络的协作式频谱感知方法的进一步优选方案,所述步骤B具体如下:由于感知中心接收到的信号x(n)数据量大,冗余信息多,使得计算复杂度大,所需的处理硬件成本高,所以需要对信号x(n)进行压缩处理,对信号x(n)进行压缩处理的压缩矩阵C的压缩率为满足使托普利兹结构的待压缩矩阵中的主要元素至少出现一次的特性。
作为本发明基于二阶统计量的异构无线网络的协作式频谱感知方法的进一步优选方案,在步骤C中,将分为L组的接收信号x(n)进行压缩采样,使压缩后从每组N元素中保留M个元素,并计算压缩采样后信号的二阶统计量自相关矩阵。
作为本发明基于二阶统计量的异构无线网络的协作式频谱感知方法的进一步优选方案,所述步骤E具体如下:每个感知中心利用自相关矩阵及压缩采样后的信号将对信号本身重构的问题转化为对信号功率值最优估计得问题,由于信号是零均值的高斯分布信号,问题最终被转化为对功率值得最大似然估计,由于估计函数不是一个凸函数,不容易求解出全局的最优解,但当一个目标函数难以优化时,我们可以寻找另一个较为容易优化的目标函数,用于逼近原目标函数,那么我们所寻找的这个目标函数的最优值可以无限的接近原目标函数的最优值,当迭代结束时,当前最优值即为原目标函数的最优值。
本发明所述基于二阶统计量的异构无线网络的协作式频谱感知策略采用以上技术方案与现有技术相比,具有以下技术效果:
1.本发明将频谱感知策略中将重构信号本身转化为利用信号的二阶统计量重构信号的功率值来判别频段是否空闲,减小方法的使用限制;
2.本发明由于不需要重构信号本身而是重建信号的功率值,故采用的是有损压缩,降低了方法的计算复杂度并且求解精度高。
附图说明
图1为本发明的方法流程图;
图2为本发明的系统模型。
具体实施方式
下面结合说明书附图对本发明的具体实施方式进一步详细的说明。
本发明提供了一种基于二阶统计量的异构无线网络的协作式频谱感知策略,该方法包括如下步骤:
步骤A:感知用户将接收到的信号x(n)用多陪集采样,将x(n)分成L组,每组N个元素,然后进入步骤B;
步骤B:选择一个压缩率为的压缩矩阵C,该压缩矩阵满足最小稀疏准则,使具有托普利兹结构的待压缩矩阵中的主要元素至少出现一次,然后进入步骤C;
步骤C:利用步骤B中产生的压缩矩阵C对已分为L组的接收信号x(n)进行压缩采样,使压缩后从每组N元素中保留M个元素,并计算压缩采样后信号的二阶统计量自相关矩阵,然后进入步骤D;
上述步骤A至步骤C,具体包括建立如下模型:
系统模型如图2所示,假设异构无线网络中有i种网络类型。每种网络中信道条件最好的用户被选为感知中心,来检测本网络类型的用户在频段上的占用情况。异构无线网络中的感知中心对全部频段的使用情况进行检测,检测信息最终被发送到融合中心,由融合中心最终做出判断,检测到空闲频段及用频请求就可以实现动态频谱接入。
感知中心将接收到的信号做多陪集采样,将x(n)分成L组,每组N个元素,即:x(n)=[xT[0],xT[1],...,xT[L-1]]T
其中:x[l]=[x[lN],x[lN+1],...,x[lN+N-1]]T,l={0,1,...,L-1}
再通过压缩矩阵C=[c0,c1,...,cM-1]H,对多陪集采样后的接收信号x(n)进行压缩使得压缩后接收信号从每组N个变为每组M个,即:
y[l]=[y0[l],y1[l],...,yM-1[l]]T=Cx[l]=[x[lN+p0],x[lN+p1],...,x[lN+pM-1]]T
其中:
从而:
其中:x=[xT[0],xT[1],...,xT[L-1]]T,x为接收信号x(n),C为压缩矩阵,IL为L×L的单位阵,y为接收信号x(n)被压缩后的结果
定理:向量集S={Σ0,Σ1,...,ΣI-1}中的向量是线性独立的,意味着不可能有两组不同的系数使得S的线性组合相等。即:
由于信号x(n)是由相互独立均值为零且广义平稳的信号xi(n)组成,而xi(n)的自相关矩阵为Σi=E{xixi Η},其中xi=[xi[0],xi[1],...,xi[LN-1]]T,那么接收信号自相关矩阵为其中θi为信号功率,由于信号xi和xj是相互独立的,当i≠j时,它们之间没有相关性,意味着有且只有一组信号功率θ满足所求条件。
同样压缩采样后的信号y的自相关矩阵也可以表示为:
其中:由此可知,可根据压缩后的信息y重建接收信号的功率值θ。
步骤D:根据待感知的异构网络数i,确定以之相对应的感知节点数量,并且每个感知节点持有相应的网络的信号的基本信息,然后进入步骤E;
步骤E:每个感知中心利用自相关矩阵及压缩采样后的信号将对信号本身重构的问题转化为对信号功率值最优估计得问题,由于信号是零均值的高斯分布信号,问题最终被转化为对功率值得最大似然估计,然后进入步骤F;
上述步骤D至步骤E,具体包括建立如下模型:
求解目标是从y的统计信息中估计功率θi的值,由于接收信号x(n)是零均值高斯分布的信号,那么y的概率密度函数(PDF)可以写成:
其中功率集合θ=[θ0,θ1,...,θI-1]T是待估计的未知系数,求解的目标函数为:
θML=argmaxθp(y;θ),{θ∈RI:θi≥0} (4)
通常这类问题也被等价为:
其中:R=yyH,
由于L(θ)不是一个凸函数,不容易求解出全局的最优解,但当一个目标函数难以优化时,我们可以寻找另一个较为容易优化的目标函数,当满足一定的条件时,我们所寻找的这个目标函数的最优值可以无限的接近原目标函数的最优值。假设θ是参与当前迭代的向量,函数L(θ)可以利用它的切面对其进行优化:
那么:
那么对于任意θ的有:
L(θ)=g(θ) (8)
我们可以选择下次参与迭代的向量使得g(θ)满足进而使L(θ)的值减小:
进而,对L(θ)求最小值的问题转化成了如下问题:
步骤F:各感知中心将各自感知网络在待感知频段上的感知情况传送给融合中心,融合中心将各感知节点的感知结果进行融合并将结果反馈给请求接入的新用户。
Claims (5)
1.基于二阶统计量的异构无线网络的协作式频谱感知方法,其特征在于;具体包含如下步骤;
步骤A:感知用户将接收到的信号x(n)用多陪集采样,将x(n)分成L组,每组N个元素,然后进入步骤B,其中L和N均为正整数;
步骤B:选择一个压缩率为的压缩矩阵C,该压缩矩阵满足最小稀疏准则,使具有托普利兹结构的待压缩矩阵中的主要元素至少出现一次,然后进入步骤C;
步骤C:利用步骤B中产生的压缩矩阵C对已分为L组的接收信号x(n)进行压缩采样,进而从每组N元素中保留M个元素,并计算压缩采样后信号的二阶统计量自相关矩阵,然后进入步骤D;
步骤D:根据待感知的异构网络数i,确定以之相对应的感知节点数量,并且每个感知节点持有相应的网络的信号的基本信息,然后进入步骤E;
步骤E:每个感知中心利用自相关矩阵及压缩采样后的信号将对信号本省重构的问题转化为对信号功率值最优估计的问题,由于信号是零均值的高斯分布信号,问题最终被转化为对功率值的最大似然估计,然后进入步骤F;
步骤F:各感知中心将各自感知网络在待感知频段上的感知情况传送给融合中心,融合中心将各感知节点的感知结果进行融合并将结果反馈给请求接入的新用户。
2.根据权利要求1所述的基于二阶统计量的异构无线网络的协作式频谱感知方法,其特征在于,步骤A至步骤B中所述的,假设异构无线网络中有i种网络类型。每种网络中信道条件最好的用户被选为感知中心,来检测本网络类型的用户在频段上的占用情况;异构无线网络中的感知中心对全部频段的使用情况进行检测,检测信息最终被发送到融合中心,由融合中心最终做出判断,检测到空闲频段及用频请求就可以实现动态频谱接入。
3.根据权利要求1所述的基于二阶统计量的异构无线网络的协作式频谱感知方法,其特征在于,所述步骤B具体如下:由于感知中心接收到的信号x(n)数据量大,冗余信息多,使得计算复杂度大,所需的处理硬件成本高,所以需要对信号x(n)进行压缩处理,对信号x(n)进行压缩处理的压缩矩阵C的压缩率为满足使托普利兹结构的待压缩矩阵中的主要元素至少出现一次的特性。
4.根据权利要求1所述的基于二阶统计量的异构无线网络的协作式频谱感知方法,其特征在于,在步骤C中,将分为L组的接收信号x(n)进行压缩采样,使压缩后从每组N元素中保留M个元素,并计算压缩采样后信号的二阶统计量自相关矩阵。
5.根据权利要求1所述的基于二阶统计量的异构无线网络的协作式频谱感知方法,其特征在于,所述步骤E具体如下:每个感知中心利用自相关矩阵及压缩采样后的信号将对信号本身重构的问题转化为对信号功率值最优估计得问题,由于信号是零均值的高斯分布信号,问题最终被转化为对功率值得最大似然估计,由于估计函数不是一个凸函数,不容易求解出全局的最优解,但当一个目标函数难以优化时,我们可以寻找另一个较为容易优化的目标函数,用于逼近原目标函数,那么我们所寻找的这个目标函数的最优值可以无限的接近原目标函数的最优值,当迭代结束时,当前最优值即为原目标函数的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141144.7A CN108173610B (zh) | 2018-02-11 | 2018-02-11 | 基于二阶统计量的异构无线网络的协作式频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141144.7A CN108173610B (zh) | 2018-02-11 | 2018-02-11 | 基于二阶统计量的异构无线网络的协作式频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108173610A true CN108173610A (zh) | 2018-06-15 |
CN108173610B CN108173610B (zh) | 2021-02-19 |
Family
ID=62514211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810141144.7A Active CN108173610B (zh) | 2018-02-11 | 2018-02-11 | 基于二阶统计量的异构无线网络的协作式频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108173610B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109600180A (zh) * | 2018-12-17 | 2019-04-09 | 电子科技大学 | 一种基于频谱信息的无线通信智能流量感知系统 |
CN110138476A (zh) * | 2019-05-22 | 2019-08-16 | 哈尔滨工业大学 | 基于稀疏表示最大分量的频谱感知方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103684634A (zh) * | 2013-12-03 | 2014-03-26 | 南京邮电大学 | 异构无线传感网中基于定位信息的压缩频谱感知方法 |
KR20150094332A (ko) * | 2014-02-11 | 2015-08-19 | 한국전자통신연구원 | 스펙트럼 센싱 방법 및 스펙트럼 센싱 장치 |
CN105610525A (zh) * | 2015-12-23 | 2016-05-25 | 宁波大学 | 一种基于子频带匹配选择的宽带压缩频谱感知方法 |
CN107172704A (zh) * | 2017-05-10 | 2017-09-15 | 叶仕通 | 基于协作频谱感知和干扰约束的认知异构网络功率分配方法 |
-
2018
- 2018-02-11 CN CN201810141144.7A patent/CN108173610B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103684634A (zh) * | 2013-12-03 | 2014-03-26 | 南京邮电大学 | 异构无线传感网中基于定位信息的压缩频谱感知方法 |
KR20150094332A (ko) * | 2014-02-11 | 2015-08-19 | 한국전자통신연구원 | 스펙트럼 센싱 방법 및 스펙트럼 센싱 장치 |
CN105610525A (zh) * | 2015-12-23 | 2016-05-25 | 宁波大学 | 一种基于子频带匹配选择的宽带压缩频谱感知方法 |
CN107172704A (zh) * | 2017-05-10 | 2017-09-15 | 叶仕通 | 基于协作频谱感知和干扰约束的认知异构网络功率分配方法 |
Non-Patent Citations (1)
Title |
---|
李婷婷: "压缩感知在认知无线电通信中的应用研究", 《微型机与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109600180A (zh) * | 2018-12-17 | 2019-04-09 | 电子科技大学 | 一种基于频谱信息的无线通信智能流量感知系统 |
CN109600180B (zh) * | 2018-12-17 | 2020-01-03 | 电子科技大学 | 一种基于频谱信息的无线通信智能流量感知系统 |
CN110138476A (zh) * | 2019-05-22 | 2019-08-16 | 哈尔滨工业大学 | 基于稀疏表示最大分量的频谱感知方法 |
CN110138476B (zh) * | 2019-05-22 | 2021-08-27 | 哈尔滨工业大学 | 基于稀疏表示最大分量的频谱感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108173610B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105227253A (zh) | 一种新型的基于能量检测的双门限协作频谱感知算法 | |
CN108768695B (zh) | Kqi的问题定位方法及装置 | |
CN101521896A (zh) | 认知无线电中的基于似然比的协同频谱感知方法 | |
CN102638802A (zh) | 一种分层协作联合频谱感知算法 | |
CN104869630A (zh) | 基于离线指纹库的伪基站快速定位方法与系统 | |
Lin et al. | Soft decision cooperative spectrum sensing with entropy weight method for cognitive radio sensor networks | |
Hamdan et al. | Compression techniques used in iot: A comparitive study | |
CN108173610A (zh) | 基于二阶统计量的异构无线网络的协作式频谱感知方法 | |
CN107770778B (zh) | 一种基于软融合策略的盲协作频谱感知方法 | |
Xiang et al. | Robust sub-meter level indoor localization-a logistic regression approach | |
CN104836612A (zh) | 一种自适应卫星信道动态接入方法 | |
CN103888201B (zh) | 一种利用空间分集的协作频谱感知方法 | |
CN103227688B (zh) | 一种基于带宽受限的动态分组合作频谱检测方法 | |
Yuan et al. | Features extraction and analysis for device-free human activity recognition based on channel statement information in b5G wireless communications | |
CN104270210A (zh) | 基于压缩非重构的软判决频谱感知方法 | |
Hassan et al. | Measurement‐based determination of parameters for non‐stationary TDL models with reduced number of taps | |
CN110225540A (zh) | 一种面向集中式接入网的故障检测方法 | |
Ma et al. | Service demand prediction with incomplete historical data | |
CN112468248B (zh) | 基于电力无线专网的认知无线电频谱检测方法 | |
Sun et al. | Selection of sensing nodes in cognitive radio system based on correlation of sensing information | |
Lee et al. | Bi‐LSTM model with time distribution for bandwidth prediction in mobile networks | |
Gao et al. | Wi-Prox: Proximity Estimation of Non-Directly Connected Devices via Sim2Real Transfer Learning | |
KR101475039B1 (ko) | 무선 네트워킹을 이용한 이미지 데이터 전송 방법 및 장치 | |
CN101854217B (zh) | 一种基于审查的最优量化协作频谱感知方法 | |
CN105337676A (zh) | 移动场景中软判决协作频谱感知数据融合方法 |
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 |