CN108462544A - 一种频谱感知方法及装置 - Google Patents

一种频谱感知方法及装置 Download PDF

Info

Publication number
CN108462544A
CN108462544A CN201810258432.0A CN201810258432A CN108462544A CN 108462544 A CN108462544 A CN 108462544A CN 201810258432 A CN201810258432 A CN 201810258432A CN 108462544 A CN108462544 A CN 108462544A
Authority
CN
China
Prior art keywords
matrix
vector
splitting
reorganizing
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
Application number
CN201810258432.0A
Other languages
English (en)
Other versions
CN108462544B (zh
Inventor
张顺超
万频
王永华
黎兴成
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.)
Changsha Qiaoxun Technology Co ltd
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 CN201810258432.0A priority Critical patent/CN108462544B/zh
Publication of CN108462544A publication Critical patent/CN108462544A/zh
Application granted granted Critical
Publication of CN108462544B publication Critical patent/CN108462544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B17/00Monitoring; Testing
    • H04B17/30Monitoring; Testing of propagation channels
    • H04B17/382Monitoring; 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)
  • Investigating Or Analysing Biological Materials (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例公开了一种频谱感知方法及装置,该方法包括:获取认知用户对目标频谱进行感知得到的信号向量;对信号向量进行拆分重组得到拆分重组矩阵,再对信号向量进行分解重组得到分解重组矩阵;对拆分重组矩阵和分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据特征值生成信号特征向量;判断信号特征向量是否满足检测判据,若满足,则确定目标频谱不可用,若不满足,则确定目标频谱可用。本发明提供了一种在频谱感知中新的特征提取方式,通过对原始信号向量拆分重组和分解重组从而得到新矩阵,再进一步计算新矩阵的协方差矩阵,从而提取特征值,能省去复杂的门限推导,相比传统方法在性能上有所提高,且能有效提高检测性能。

Description

一种频谱感知方法及装置
技术领域
本发明涉及频谱感知技术领域,尤其涉及一种频谱感知方法及装置。
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。
频谱感知是认知无线电的关键技术。频谱感知常用的算法有能量检测算法,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。基于随机矩阵理论的方法也被逐渐运用到频谱感知中,该方法通过计算采样信号协方差矩阵的特征,从而作为统计量,然后推导相应的门限来进行判决,但该方法存在门限估计不准确的问题,会直接影响到频谱的感知性能。
发明内容
本发明实施例提供了一种频谱感知方法及装置,能有效提高检测性能。
根据本发明的一方面,提供一种频谱感知方法,包括:
获取认知用户对目标频谱进行感知得到的信号向量;
对所述信号向量进行拆分重组得到拆分重组矩阵,再对所述信号向量进行分解重组得到分解重组矩阵;
对所述拆分重组矩阵和所述分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据所述特征值生成信号特征向量;
判断所述信号特征向量是否满足检测判据,若满足,则确定目标频谱不可用,若不满足,则确定目标频谱可用。
优选地,所述对所述信号向量进行拆分重组得到拆分重组矩阵具体包括:
将所述信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将所述第一子信号向量进行重组得到第一拆分重组矩阵;
将所述信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将所述第二子信号向量进行重组得到第二拆分重组矩阵;
所述对所述拆分重组矩阵和所述分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据所述特征值生成信号特征向量具体为:
对所述第一拆分重组矩阵、所述第二拆分重组矩阵和所述分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据所述特征值生成信号特征向量。
优选地,所述再对所述信号向量进行分解重组得到分解重组矩阵具体为:
再对所述信号向量进行IQ分解并重组得到分解重组矩阵。
优选地,所述将所述信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将所述第一子信号向量进行重组得到第一拆分重组矩阵具体为:
通过预置第一公式将所述信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将所述第一子信号向量进行重组得到第一拆分重组矩阵;
其中,所述预置第一公式为:
式中,xi(i=1,2,...,M)为第i个认知用户的信号向量,xiq为第i个信号向量的第q个子信号向量,k=N/q,N为信号向量的长度;
所述第一拆分重组矩阵的表达式为:
优选地,所述将所述信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将所述第二子信号向量进行重组得到第二拆分重组矩阵具体为:
通过预置第二公式将所述信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将所述第二子信号向量进行重组得到第二拆分重组矩阵;
其中,所述预置第二公式为:
式中,xi(i=1,2,...,M)为第i个认知用户的信号向量,xiq为第i个信号向量的第q个子信号向量,k=N/q,N为信号向量的长度;
所述第二拆分重组矩阵的表达式为:
优选地,本发明提供的一种频谱感知方法还包括:
通过聚类算法对预置的训练特征向量进行迭代运算得到聚类结果,根据所述聚类结果生成所述检测判据;
所述检测判据为:
式中,Ψk为聚类结果,为信号特征向量。
优选地,所述聚类算法为K-means聚类算法或K-medoids聚类算法。
根据本发明的另一方面,提供一种频谱感知装置,包括:
获取模块,用于获取认知用户对目标频谱进行感知得到的信号向量;
重组模块,用于对所述信号向量进行拆分重组得到拆分重组矩阵,再对所述信号向量进行分解重组得到分解重组矩阵;
转化模块,用于对所述拆分重组矩阵和所述分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据所述特征值生成信号特征向量;
判断模块,用于判断所述信号特征向量是否满足检测判据,若满足,则确定目标频谱不可用,若不满足,则确定目标频谱可用。
根据本发明的另一方面,提供一种频谱感知装置,包括:存储器,以及耦接至所述存储器的处理器;
所述处理器被配置为基于存储在所述存储器设备中的指令,执行如以上所述的频谱感知方法。
根据本发明的另一方面,提供一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现以上所述的频谱感知方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种频谱感知方法及装置,该方法包括:获取认知用户对目标频谱进行感知得到的信号向量;对信号向量进行拆分重组得到拆分重组矩阵,再对信号向量进行分解重组得到分解重组矩阵;对拆分重组矩阵和分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据特征值生成信号特征向量;判断信号特征向量是否满足检测判据,若满足,则确定目标频谱不可用,若不满足,则确定目标频谱可用。本发明提供了一种在频谱感知中新的特征提取方式,通过对原始信号向量拆分重组和分解重组从而得到新矩阵,再进一步计算新矩阵的协方差矩阵,从而提取特征值,能省去复杂的门限推导,相比传统方法在性能上有所提高,且能有效提高检测性能。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种频谱感知方法的一个实施例的流程示意图;
图2为本发明提供的一种频谱感知装置的一个实施例的结构示意图;
图3为实验仿真结果的示意图。
具体实施方式
本发明实施例提供了一种频谱感知方法及装置,能有效提高检测性能。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种频谱感知方法的一个实施例,包括:
101、获取认知用户对目标频谱进行感知得到的信号向量;
在本实施例中,假设在认知无线电网络中存在着一个PU以及M个SU(认知用户),并且每个SU的采样点数为N。假设H0表示主用户信号不存在,H1表示主用户信号存在。因此在两种假设下,认知用户感知信号的模型可由(1)式表示:
其中,si(n)表示主用户信号,wi(n)表示均值为0,方差为σ2高斯白噪声信号。频道的可用性A可以被定义为:
其中,A=0表示频道不能使用,A=1表示频道可以使用。
本发明的虚警概率和检测概率可以表示为:
Pf=P[A=1|A=0]
Pd=P[A=0|A=0] (3)
在本实施例中,xi=[xi(1)x2(2),...,xi(N)]表示第i个认知用户对目标频段感知得到的信号向量,则在一个感知时间段内的感知矩阵可以表示为:
102、对信号向量进行拆分重组得到拆分重组矩阵,再对信号向量进行分解重组得到分解重组矩阵;
为了更准确地获取认知用户感知得到的信号的特征,可选的,对信号向量进行拆分重组包括两部分:
(a)将信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将第一子信号向量进行重组得到第一拆分重组矩阵;
(b)将信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将第二子信号向量进行重组得到第二拆分重组矩阵。
在(a)过程中,将xi(i=1,2,...,M)按顺序拆分成q(q>0)段k=N/q长的子信号向量,则xi(i=1,2,...,M)拆分成如下形式:
将式(4)中的信号矩阵中的各个向量按照上式进行拆分,然后将拆分后的信号向量进行重组,则可以得到一个(qM)×k维的第一拆分重组矩阵:
在(b)过程中,采用间隔采样拆分,即每隔q-1个单位在已采样数据中选取采样点,再重组信号矩阵。将xi(i=1,2,...,M)按顺序拆分成q(q>0)段k=N/q长的子信号向量,则xi(i=1,2,...,M)拆分成如下形式:
将式(4)中的信号矩阵中的各个向量按照上式进行拆分,然后将拆分后的信号向量进行重组,则可以得到一个(qM)×k维的第二拆分重组矩阵:
在进行拆分重组后,为了进一步准确地获得采样信号的特征信息,在拆分重组的同时,再引入信号分解的方法,信号分解的方式可以为IQ分解,具体算法如下:
经过IQ分解后,得到一个2M×N的分解重组矩阵,矩阵如下:
103、对拆分重组矩阵和分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据特征值生成信号特征向量;
需要说明的是,拆分重组矩阵包括第一拆分重组矩阵和第二拆分重组矩阵。
为了获得三维特征,首先分别获得第一拆分重组矩阵、第二拆分重组矩阵和分解重组矩阵的协方差矩阵,即 然后计算出每个协方差矩阵对应的特征值T1、T2和T3,最后得到一个特征向量T=[T1,T2,T3],表示待检测的信号特征向量。
104、判断信号特征向量是否满足检测判据,若满足,则确定目标频谱不可用,若不满足,则确定目标频谱可用。
可选的,步骤104中的检测判据可以提前设置,具体设置过程为:通过聚类算法对预置的训练特征向量进行迭代运算得到聚类结果,再根据聚类结果生成得到该检测判据。
可选的,聚类算法可以为K-means聚类算法或K-medoids聚类算法。这两种算法类似,不同之处在于质点的选取与质心的更新方式。在K-means聚类算法中,将质心点选取为当前簇中所有数据点的均值。在K-medoids算法中,将从当前簇中选取一个点,即该点到当前类内所有点的距离之和最小作为质心,其他步骤都与K-means算法一样。考虑到频谱感知的实际情况,将训练集分为两类,噪声类和信号加噪声类。
在本实施例中,使用K-means聚类算法来实现特征值的分类。在训练之前,首先需要准备一个训练集
其中Tl表示一个特征向量,l=1,2,...,L,L表示训练特征向量的个数;K-means聚类算法将未标记的训练特征向量分为K个非重叠聚类。设Ck表示属于类k的训练特征向量集合,其中,k=2,3,...,K,则:
类Ck具有与其相对应的质心Ψk。与传统的K-means算法不同,C1的质心固定为特征向量Tl在H0条件下,因为实际的聚类将只包含噪声样本,质心可以离线修正。因此Ψ1可以被定义为:
Ψ1=E[Tl|H0] (13)
其中,E[·]表示期望运算符。其他聚类k=2,3,...,K的质心定义为Ψk中所有训练特征向量的均值为:
其中,n(·)表示类内特征向量的个数。K-means聚类算法的失真函数定义为所有点与它们在所有聚类K上求和的相应质心相关的聚类间平方距离的总和,则:
其中,||·||2为2范数。聚类算法试图最小化失真函数。因此,优化目标可以表述为:
训练成功后,可以使用式(17)作为检测判据来测试信道是否可用:
其中代表待检测的信号数据,需要说明的是,待检测的数据由步骤103得到的信号特征向量组成,待检测的信号数据为一个集合,即多次进行步骤101至103可以得到多个信号特征向量,然后组成一个待检测的信号数据。可以理解的是,判断待检测的信号数据是否满足检测判据时,是对数据中的特征向量逐个进行判断。
如果满足不等式(17),则表明信道不可用(A=0),否则信道可用(A=1)。在实验中计算检测概率时,参数ξ用于控制漏检概率和虚警概率。
下面将对K-means聚类算法的具体过程进行说明:
S0:输入其为已知的信号数据,该数据用于训练,且该数据由预置的训练特征向量组成,并设置聚类数量K。
S1:初始化质心Ψ1,...,Ψk,Ψ1可由式(13)得到。
S2:计算每个特征向量Tl到各质心Ψ的距离,将特征向量归到最近的类。
S3:对于类Ck中的特征向量,通过式(14)计算该类中所有点的均值并将均值作为质心Ψk
S4:计算式(15),若式(16)不在发生变化,则算法停止,否则返回到S2。
S5:输入待检测的信号数据
S6:若则输出A=0,否则输出A=1。
下面将对K-medoids聚类算法的具体过程进行说明,K-medoids类中C1质心也可以固定为特征向量Tl在H0条件下,因此Ψ1可以被定义为:
通过式(19)进行更新。
Y0:输入其为已知的信号数据,该数据用于训练,且该数据由预置的训练特征向量组成,并设置聚类数量K。
Y1:初始化质心Ψ1,...,Ψk,Ψ1可由式(18)得到,其中质心为训练数据中真实存在的点。
Y2:计算每个特征向量Tl到各质心Ψ的距离,将特征向量归到最近的类,形成K个类。其中类内质心Ψk∈Ck
Y3:对于类Ck中的特征向量,通过式(19)计算该类质心,并更新Ψk
Y4:计算式(15),若式(16)不在发生变化,则算法停止,否则返回到Y2。
Y5:输入待检测的信号数据
Y6:若则输出A=0,否则输出A=1。
本发明的实验仿真结果如图3所示。从图3中可以看出在SNR=-13dB条件下,本发明所提出方法的具有更好的检测效果,其检测性能有了进一步的提高。
请参阅图2,本发明提供的一种频谱感知装置的一个实施例,包括:
获取模块201,用于获取认知用户对目标频谱进行感知得到的信号向量;
重组模块202,用于对信号向量进行拆分重组得到拆分重组矩阵,再对信号向量进行分解重组得到分解重组矩阵;
转化模块203,用于对拆分重组矩阵和分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据特征值生成信号特征向量;
判断模块204,用于判断信号特征向量是否满足检测判据,若满足,则确定目标频谱不可用,若不满足,则确定目标频谱可用。
更进一步地,重组模块202包括:
第一拆分重组单元,用于将信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将第一子信号向量进行重组得到第一拆分重组矩阵;
第二拆分重组单元,用于将信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将第二子信号向量进行重组得到第二拆分重组矩阵;
IQ分解单元,用于再对信号向量进行IQ分解并重组得到分解重组矩阵;
转化模块203,还用于对第一拆分重组矩阵、第二拆分重组矩阵和分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据特征值生成信号特征向量。
更进一步地,第一拆分重组单元,还用于通过预置第一公式将信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将第一子信号向量进行重组得到第一拆分重组矩阵;
其中,预置第一公式为:
式中,xi(i=1,2,...,M)为第i个认知用户的信号向量,xiq为第i个信号向量的第q个子信号向量,k=N/q,N为信号向量的长度;
第一拆分重组矩阵的表达式为:
更进一步地,第二拆分重组单元,还用于通过预置第二公式将信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将第二子信号向量进行重组得到第二拆分重组矩阵;
其中,预置第二公式为:
式中,xi(i=1,2,...,M)为第i个认知用户的信号向量,xiq为第i个信号向量的第q个子信号向量,k=N/q,N为信号向量的长度;
第二拆分重组矩阵的表达式为:
更进一步地,本发明提供的一种频谱感知装置还包括:
训练模块,用于通过聚类算法对预置的训练特征向量进行迭代运算得到聚类结果,根据聚类结果生成检测判据。
更进一步地,聚类算法为K-means聚类算法或K-medoids聚类算法。
本发明提供的一种频谱感知装置的另一个实施例,包括:存储器,以及耦接至存储器的处理器;
处理器被配置为基于存储在存储器设备中的指令,执行如以上所述的频谱感知方法。
本发明还涉及一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现以上所述的频谱感知方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种频谱感知方法,其特征在于,包括:
获取认知用户对目标频谱进行感知得到的信号向量;
对所述信号向量进行拆分重组得到拆分重组矩阵,再对所述信号向量进行分解重组得到分解重组矩阵;
对所述拆分重组矩阵和所述分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据所述特征值生成信号特征向量;
判断所述信号特征向量是否满足检测判据,若满足,则确定目标频谱不可用,若不满足,则确定目标频谱可用。
2.根据权利要求1所述的频谱感知方法,其特征在于,所述对所述信号向量进行拆分重组得到拆分重组矩阵具体包括:
将所述信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将所述第一子信号向量进行重组得到第一拆分重组矩阵;
将所述信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将所述第二子信号向量进行重组得到第二拆分重组矩阵;
所述对所述拆分重组矩阵和所述分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据所述特征值生成信号特征向量具体为:
对所述第一拆分重组矩阵、所述第二拆分重组矩阵和所述分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据所述特征值生成信号特征向量。
3.根据权利要求1或2所述的频谱感知方法,其特征在于,所述再对所述信号向量进行分解重组得到分解重组矩阵具体为:
再对所述信号向量进行IQ分解并重组得到分解重组矩阵。
4.根据权利要求2所述的频谱感知方法,其特征在于,所述将所述信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将所述第一子信号向量进行重组得到第一拆分重组矩阵具体为:
通过预置第一公式将所述信号向量的元素按元素顺序进行均等拆分,得到第一子信号向量,再将所述第一子信号向量进行重组得到第一拆分重组矩阵;
其中,所述预置第一公式为:
式中,xi(i=1,2,...,M)为第i个认知用户的信号向量,xiq为第i个信号向量的第q个子信号向量,k=N/q,N为信号向量的长度;
所述第一拆分重组矩阵的表达式为:
5.根据权利要求2或4所述的频谱感知方法,其特征在于,所述将所述信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将所述第二子信号向量进行重组得到第二拆分重组矩阵具体为:
通过预置第二公式将所述信号向量的元素按预置间隔进行采样拆分,得到第二子信号向量,再将所述第二子信号向量进行重组得到第二拆分重组矩阵;
其中,所述预置第二公式为:
式中,xi(i=1,2,...,M)为第i个认知用户的信号向量,xiq为第i个信号向量的第q个子信号向量,k=N/q,N为信号向量的长度;
所述第二拆分重组矩阵的表达式为:
6.根据权利要求1所述的频谱感知方法,其特征在于,还包括:
通过聚类算法对预置的训练特征向量进行迭代运算得到聚类结果,根据所述聚类结果生成所述检测判据;
所述检测判据为:
式中,Ψk为聚类结果,为信号特征向量。
7.根据权利要求6所述的频谱感知方法,其特征在于,所述聚类算法为K-means聚类算法或K-medoids聚类算法。
8.一种频谱感知装置,其特征在于,包括:
获取模块,用于获取认知用户对目标频谱进行感知得到的信号向量;
重组模块,用于对所述信号向量进行拆分重组得到拆分重组矩阵,再对所述信号向量进行分解重组得到分解重组矩阵;
转化模块,用于对所述拆分重组矩阵和所述分解重组矩阵进行协方差转化,并计算各个协方差矩阵的特征值,根据所述特征值生成信号特征向量;
判断模块,用于判断所述信号特征向量是否满足检测判据,若满足,则确定目标频谱不可用,若不满足,则确定目标频谱可用。
9.一种频谱感知装置,其特征在于,包括:存储器,以及耦接至所述存储器的处理器;
所述处理器被配置为基于存储在所述存储器设备中的指令,执行如权利要求1至7任意一项所述的频谱感知方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7任意一项所述的频谱感知方法。
CN201810258432.0A 2018-03-27 2018-03-27 一种频谱感知方法及装置 Active CN108462544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810258432.0A CN108462544B (zh) 2018-03-27 2018-03-27 一种频谱感知方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810258432.0A CN108462544B (zh) 2018-03-27 2018-03-27 一种频谱感知方法及装置

Publications (2)

Publication Number Publication Date
CN108462544A true CN108462544A (zh) 2018-08-28
CN108462544B CN108462544B (zh) 2021-09-17

Family

ID=63237880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810258432.0A Active CN108462544B (zh) 2018-03-27 2018-03-27 一种频谱感知方法及装置

Country Status (1)

Country Link
CN (1) CN108462544B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900268A (zh) * 2018-09-12 2018-11-27 宁波大学 利用小特征值估计噪声功率的最大特征值频谱感知方法
CN109039503A (zh) * 2018-09-07 2018-12-18 广东工业大学 一种频谱感知方法、装置、设备及计算机可读存储介质
CN109743121A (zh) * 2019-03-01 2019-05-10 广东工业大学 一种信道占用状态检测方法、装置、电子设备及存储介质
CN110048788A (zh) * 2019-03-15 2019-07-23 广东工业大学 一种基于聚类算法的联合频谱感知方法
CN110460401A (zh) * 2019-07-05 2019-11-15 广东工业大学 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法
CN113595664A (zh) * 2021-08-13 2021-11-02 电子科技大学长三角研究院(湖州) 一种基于深度学习的多用户宽带通信系统的频谱感知方法
WO2023160538A1 (zh) * 2022-02-25 2023-08-31 维沃移动通信有限公司 感知方法、装置及通信设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103220052A (zh) * 2013-04-11 2013-07-24 南京邮电大学 一种认知无线电中检测频谱空洞的方法
WO2014190573A1 (zh) * 2013-05-27 2014-12-04 东南大学 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
CN107360577A (zh) * 2017-08-17 2017-11-17 广东工业大学 一种基于机器学习的频谱感知方法及装置
CN107395301A (zh) * 2017-08-17 2017-11-24 广东工业大学 一种基于k均值算法的频谱感知方法
CN107733541A (zh) * 2017-11-29 2018-02-23 广东工业大学 频谱感知的方法、装置、设备以及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103220052A (zh) * 2013-04-11 2013-07-24 南京邮电大学 一种认知无线电中检测频谱空洞的方法
WO2014190573A1 (zh) * 2013-05-27 2014-12-04 东南大学 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
CN107360577A (zh) * 2017-08-17 2017-11-17 广东工业大学 一种基于机器学习的频谱感知方法及装置
CN107395301A (zh) * 2017-08-17 2017-11-24 广东工业大学 一种基于k均值算法的频谱感知方法
CN107733541A (zh) * 2017-11-29 2018-02-23 广东工业大学 频谱感知的方法、装置、设备以及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡伟康: ""认知无线电频谱感知技术的研究"", 《中国优秀硕士学位论文全文数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109039503A (zh) * 2018-09-07 2018-12-18 广东工业大学 一种频谱感知方法、装置、设备及计算机可读存储介质
CN108900268A (zh) * 2018-09-12 2018-11-27 宁波大学 利用小特征值估计噪声功率的最大特征值频谱感知方法
CN109743121A (zh) * 2019-03-01 2019-05-10 广东工业大学 一种信道占用状态检测方法、装置、电子设备及存储介质
CN110048788A (zh) * 2019-03-15 2019-07-23 广东工业大学 一种基于聚类算法的联合频谱感知方法
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
CN110460401A (zh) * 2019-07-05 2019-11-15 广东工业大学 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法
CN110460401B (zh) * 2019-07-05 2022-02-11 广东工业大学 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法
CN113595664A (zh) * 2021-08-13 2021-11-02 电子科技大学长三角研究院(湖州) 一种基于深度学习的多用户宽带通信系统的频谱感知方法
WO2023160538A1 (zh) * 2022-02-25 2023-08-31 维沃移动通信有限公司 感知方法、装置及通信设备

Also Published As

Publication number Publication date
CN108462544B (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN108462544A (zh) 一种频谱感知方法及装置
CN104135327B (zh) 基于支持向量机的频谱感知方法
CN104994045B (zh) 一种基于usrp平台的数字调制方式自动识别平台及方法
CN109379153B (zh) 一种频谱感知方法
CN107360577B (zh) 一种基于机器学习的频谱感知方法及装置
US20210109140A1 (en) Method for identifying parameters of 10 kv static load model based on similar daily load curves
CN110062379B (zh) 一种人体行为场景下基于信道状态信息的身份认证方法
CN104581748B (zh) 一种在无线通信网络中识别场景的方法和装置
CN106612511B (zh) 一种基于支持向量机的无线网络吞吐量的评估方法及装置
CN104391879B (zh) 层次聚类的方法及装置
CN110460401B (zh) 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法
CN112825576A (zh) 小区扩容的确定方法、装置以及存储介质
CN110213774A (zh) 一种基于神经网络的5g网络自动评估系统、方法及装置
CN110705387A (zh) 一种基于云模型的通信信号特征提取方法及信号识别方法
CN106470435B (zh) 识别WiFi群的方法及系统
CN115577357A (zh) 一种基于堆叠集成技术的Android恶意软件检测方法
CN117118810B (zh) 一种网络通信异常预警方法及系统
CN107770813B (zh) 基于pca与二维偏度特征的lte上行干扰分类方法
CN109309538A (zh) 一种频谱感知方法、装置、设备、系统及存储介质
CN108090040A (zh) 一种文本信息分类方法及系统
CN108566254A (zh) 一种频谱感知方法及装置
CN108712222A (zh) 一种协作频谱感知方法及相关装置
CN109962745A (zh) 一种频谱感知方法、系统及装置
CN116980824B (zh) 一种轻量化的加权集成学习室内csi定位方法
Yin et al. Co-channel multi-signal modulation classification based on convolution neural network

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240408

Address after: Room 201, Building A, No. 318 Outer Ring West Road, University City, Panyu District, Guangzhou City, Guangdong Province, 510000

Patentee after: Guangzhou University Town (Guangong) Science and Technology Achievement Transformation Center

Country or region after: China

Address before: No.729, Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province 510060

Patentee before: GUANGDONG University OF TECHNOLOGY

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240423

Address after: 410000, Building 4, 603, Advanced Energy Storage and Energy Conservation Creative Demonstration Industrial Park, No. 169, Section 2, Renmin East Road, Changsha Economic Development Zone, Changsha Area, China (Hunan) Pilot Free Trade Zone, Changsha City, Hunan Province

Patentee after: Changsha Qiaoxun Technology Co.,Ltd.

Country or region after: China

Address before: Room 201, Building A, No. 318 Outer Ring West Road, University City, Panyu District, Guangzhou City, Guangdong Province, 510000

Patentee before: Guangzhou University Town (Guangong) Science and Technology Achievement Transformation Center

Country or region before: China