CN108712222A - 一种协作频谱感知方法及相关装置 - Google Patents
一种协作频谱感知方法及相关装置 Download PDFInfo
- Publication number
- CN108712222A CN108712222A CN201810474357.1A CN201810474357A CN108712222A CN 108712222 A CN108712222 A CN 108712222A CN 201810474357 A CN201810474357 A CN 201810474357A CN 108712222 A CN108712222 A CN 108712222A
- Authority
- CN
- China
- Prior art keywords
- signal
- component
- obtains
- high band
- spectrum sensing
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Complex Calculations (AREA)
Abstract
本申请公开了一种协作频谱感知方法,包括:对已知信号进行经验模态分解得到高频段分量进行小波去噪处理,将去噪后的信号进行特征提取,在根据所提取的特征进行学习训练,利用训练得到的分类模型进行频谱感知。通过对分解后得到的高频段分量进行小波去噪处理,既可以去除已知信号中的噪声,还可以保留高频段分量中的有用信息,提高了频谱感知的感知性能。本申请还公开了一种协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及无线电技术领域,特别涉及一种协作频谱感知方法、协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质。
背景技术
随着无线电技术的进步和社会经济的发展,各行各业和消费者对无线电频率的需求越来越多,但是在实际环境中无线电频谱资源是有限的,使得频谱资源越来越匮乏。
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,授权频段占据者大部分频谱资源,如电视广播频段,但不少授权频段还处于空闲状态。另外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,在该频段上的用户很多,业务量也很大,无线电频段已经基本趋于饱和。但是据研究表明,在已分配的频谱利用率为15%~85%,可以发现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,造成大量空余频段未被利用浪费造成。
因此,现有技术对频谱进行频谱检测,也叫做频谱感知,检测出空闲时段的频谱,并加以利用。比较常用的方法是,通过能量检测算法对信号进行检测,在检测过程中不需要信号的先验信息,复杂度较低,并且也更容易实现。但是,在低信噪比环境中容易受到不确定的噪声的影响,导致检测性能下降。在现有技术提供的另一种方法中,通过基于经验模态对信号进行分解,就可以在分解后的信号中剔除含有噪声的分量,从而得到处理后的信号,再进行相应的检测,提高在低信噪比环境下的检测性能。
但是,通过经验模态对信号进行分解后,按照确定的临界值将一部分的信号分量剔除,被剔除的信号分量中,除了噪声外还存在一部分的有用信息或有用的特征。所以,经验模态分解为了将噪声剔除,也不得不牺牲一部分的有用特征信号,尤其在复杂环境中无法达到较高精度的检测,甚至会降低频谱感知的感知性能。
因此,如何提高频谱感知在复杂环境中的感知性能是本领域技术人员所关注的重点问题。
发明内容
本申请的目的是提供一种协作频谱感知方法、协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质,通过对分解后得到的高频段分量进行小波去噪处理,既可以去除已知信号中的噪声,还可以保留高频段分量中的有用信息,提高了频谱感知的感知性能。
为解决上述技术问题,本申请提供一种协作频谱感知方法,包括:
S1,对已知信号进行经验模态分解得到多个本征模态函数信号分量,将所述多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量;
S2,根据小波阈值算法对所述高频段分量进行去噪处理,得到去噪高频段分量;
S3,将所述去噪高频段分量和所述低频段分量进行叠加处理,得到重构信号,对所述重构信号进行特征提取处理得到信号特征;
S4,判断所述信号特征的数量是否大于等于预设数量;
S5,若否,则执行S1;若是,则根据聚类算法对所述信号特征进行分类,根据分类结果进行训练得到分类器;
S6,当接收到未知信号时,根据所述分类器对所述未知信号进行分类。
可选的,S1,对已知信号进行经验模态分解得到多个本征模态函数信号分量,将所述多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量,包括:
对已知信号进行经验模态分解得到多个本征模态函数信号分量;
根据连续均方误差准则确定所述多个本征模态函数信号分量的临界值;
根据所述临界值对所述多个本征模态函数信号分量进行分段处理,得到所述高频段分量和所述低频段分量。
可选的,S2,根据小波阈值算法对所述高频段分量进行去噪处理,得到去噪高频段分量,包括:
对所述高频段分量进行小波变换,得到小波系数;
对所述小波系数进行阈值处理,得到估计系数;
根据所述估计系数进行小波重构处理,得到去噪高频段分量。
可选的,根据聚类算法对所述信号特征进行分类,根据分类结果进行训练得到分类器,包括:
根据K均值聚类算法对所述信号特征进行分类,得到分类结果;
根据所述分类结果进行训练处理,得到分类器。
本申请还提供一种协作频谱感知系统,包括:
信号分解处理模块,用于对已知信号进行经验模态分解得到多个本征模态函数信号分量,将所述多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量;
信号分量去噪模块,用于根据小波阈值算法对所述高频段分量进行去噪处理,得到去噪高频段分量;
信号叠加处理模块,用于将所述去噪高频段分量和所述低频段分量进行叠加处理,得到重构信号,对所述重构信号进行特征提取处理得到信号特征;
特征数量判断模块,用于判断所述信号特征的数量是否大于等于预设数量;
分类器训练模块,用于根据聚类算法对所述信号特征进行分类,根据分类结果进行训练得到分类器;
频谱感知模块,用于当接收到未知信号时,根据所述分类器对所述未知信号进行分类。
可选的,所述信号分解处理模块,包括:
经验模态分解单元,用于对已知信号进行经验模态分解得到多个本征模态函数信号分量;
临界值确定单元,用于根据连续均方误差准则确定所述多个本征模态函数信号分量的临界值;
分段处理单元,用于根据所述临界值对所述多个本征模态函数信号分量进行分段处理,得到所述高频段分量和所述低频段分量。
可选的,所述信号分量去噪模块,包括:
小波系数获取单元,用于对所述高频段分量进行小波变换,得到小波系数;
阈值处理单元,用于对所述小波系数进行阈值处理,得到估计系数;
小波重构处理单元,用于根据所述估计系数进行小波重构处理,得到去噪高频段分量。
可选的,所述分类器训练模块,包括:
特征分类单元,用于根据K均值聚类算法对所述信号特征进行分类,得到分类结果;
分类器训练单元,用于根据所述分类结果进行训练处理,得到分类器。
本申请还提供一种协作频谱感知装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上所述的协作频谱感知方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的协作频谱感知方法的步骤。
本申请所提供的一种协作频谱感知方法,包括:S1,对已知信号进行经验模态分解得到多个本征模态函数信号分量,将所述多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量;S2,根据小波阈值算法对所述高频段分量进行去噪处理,得到去噪高频段分量;S3,将所述去噪高频段分量和所述低频段分量进行叠加处理,得到重构信号,对所述重构信号进行特征提取处理得到信号特征;S4,判断所述信号特征的数量是否大于等于预设数量;S5,若否,则执行S1;若是,则根据聚类算法对所述信号特征进行分类,根据分类结果进行训练得到分类器;S6,当接收到未知信号时,根据所述分类器对所述未知信号进行分类。
通过对现有技术中本要剔除的高频段分量进行小波阈值去噪,将去噪高频段分量和低频段分量叠加得到处理后的重构信号,对其进行特征提取得到信号特征,既可以去除已知信号中的噪声,还可以保留高频段分量中的有用信息,避免现有技术中对高频段分量一刀切而导致的特征丢失的情况,尽可能的保证提取的特征数量,提高频谱感知的感知性能。
本申请还提供一种协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质,具有上述有益效果,在此不做赘述。
附图说明
为了更清楚地说明本申请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申请的实施例,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为本申请实施例所提供的一种协作频谱感知方法的流程图;
图2为本申请实施例所提供的协作频谱感知方法的分解处理的流程图;
图3为本申请实施例所提供的协作频谱感知方法的小波去噪处理的流程图;
图4为本申请实施例所提供的实验结果图;
图5为本申请实施例所提供的一种协作频谱感知系统的结构示意图。
具体实施方式
本申请的核心是提供一种协作频谱感知方法、协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质,通过对分解后得到的高频段分量进行小波去噪处理,既可以去除已知信号中的噪声,还可以保留高频段分量中的有用信息,提高了频谱感知的感知性能。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
频谱感知是无线技术领域中为了提高频谱利用率而出现的方法,主要作用是用来判断当前频谱中是否有用户使用。其中,协作频谱感知是协作用户去判断当前信号中是否存在主用户。因此,可以将协作频谱感知看作是对当前信号的二分类的方法。在现有技术提供的一种方法中,通过基于经验模态对信号进行分解,就可以在分解后的信号中剔除含有噪声的分量,从而得到处理后的信号,再进行相应的检测,提高在低信噪比环境下的检测性能。但是,通过经验模态对信号进行分解后,按照确定的临界值将一部分的信号分量剔除,被剔除的信号分量中,除了噪声外还存在一部分的有用信息或有用的特征。所以,经验模态分解为了将噪声剔除,也不得不牺牲一部分的有用特征信号,尤其在复杂环境中无法达到较高精度的检测,甚至会降低频谱感知的感知性能。
因此,本实施例通过对现有技术中本要剔除的高频段分量进行小波阈值去噪,将去噪高频段分量和低频段分量叠加得到处理后的重构信号,对其进行特征提取得到信号特征,既可以去除已知信号中的噪声,还可以保留高频段分量中的有用信息,避免现有技术中对高频段分量一刀切而导致的特征丢失的情况,尽可能的保证提取的特征数量,提高频谱感知的感知性能。
具体的,请参考图1,图1为本申请实施例所提供的一种协作频谱感知方法的流程图。
本实施例可以包括:
S1,对已知信号进行经验模态分解得到多个本征模态函数信号分量,将多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量;
本步骤旨在对已知信号进行经验模态分解后得到高频段分量和低频段分量。本步骤的主要目的也是将已知信号分解为高频段分量和低频段分量,其中,具体的可以采用现有技术提供的任意一种经验模态分解的方法,也可以采用下一实施例介绍的经验模态分解方法,在此不做限定。
具体的,本步骤所介绍的已知信号的获取方法可以采用现有技术提供的任意一种已知信号的获取方法,也可以采用建立模型,模拟得到已知信号的方法,具体实施方式如下:
假设在认知无线电网络中有K个SU(协作用户)而且每个SU的采样点数为N。假设H0表示为主用户信号不存在,H1表示为主用户信号存在。因此在两种假设下接收信号的模型可由下式表示:
其中si(n)表示主用户(PU)信号,wi(n)表示均值为0,方差为σ2高斯白噪声信号。让S=1和S=0分别表示PU的状态。频道的可用性A可以被定义为:
当A=0表示频道不能使用,A=1表示频道可以使用。
系统的虚警概率和检测概率可以定义为:
Pf=P[A=0|A=1]
Pd=P[A=0|A=0]
S2,根据小波阈值算法对高频段分量进行去噪处理,得到去噪高频段分量;
在步骤S1的基础上,本步骤旨在对上一步骤得到的高频段分量进行去噪处理,得到去噪高频分量,特别的本步骤旨在通过小波阈值算法对高频段分量进行去噪处理。
一般的,在现有技术中提供的已知信号的处理方法,是将已知信号进行分解后得到多个信号分量,由于噪声一般分布在信号分量中的高频段部分,因此现有技术直接将高频段的信号分量去除,得到将剩余的分量作为处理后的信号分量,就达到的去除已知信号中的噪声目的。
但是,现有技术中对已知信号去除的高频段信号分量中还含有一定数量的有用信息或者是特征,为了将噪声剔除,现有技术不得不剔除一部分的有用的特征信号,但是在复杂环境中去除了高频段部分的分量后,会使频谱感知无法达到较高精度的检测性能,甚至会降低频谱感知的感知性能。
因此,本步骤对分解后的信号的高频段分量进行去噪处理,特别的本步骤主要通过小波阈值算法对高频段分量进行去噪处理。
其中,根据小波阈值算法对高频段分量进行去噪处理的方法可以采用现有技术提供的任意一种小波阈值去噪方法,也可以参考以下实施例具体说明的小波阈值去噪方法。
S3,将去噪高频段分量和低频段分量进行叠加处理,得到重构信号,对重构信号进行特征提取处理得到信号特征;
在步骤S2的基础上,本步骤旨在将得到去噪高频段分量和低频段分量相互叠加,也就是叠加处理,得到重构信号。再对重构信号提取相关特征得到信号特征。
其中,叠加处理可以理解为将两个信号进行相加,也就是叠加,得到重构信号。
其中,本步骤中可以采用现有技术提供任意一种特征提取方法,从重构信号中特征提取到信号特征。也可以采用以下实时具体说明的特征提取方法。
S4,判断信号特征的数量是否大于等于预设数量;
在步骤S3的基础上,本步骤旨在判断获取的信号特征的数量是否大于等于预设数量。本实施例中获取信号特征是循环进行,每次循环就可以获取一个信号特征,多次循环累加该信号特征的数量。在循环过程中需要对信号特征的数量进行判断,进而确定该数量是否达到预设数量。因此,本步骤的目的就在判断信号特征的数量是否大于等于预设数量。
其中,预设数量可以根据经验确定,也可以根据频谱感知的实际应用情况进行确定,还可以根据实际的精度需求确定该预设数量的大小,具体的,在此不做限定。
S5,若否,则执行S1;若是,则根据聚类算法对信号特征进行分类,根据分类结果进行训练得到分类器;
在步骤S4的基础上,本步骤旨在当判定信号特征的数量小于预设数量时,执行步骤S1,也就是再一次的获取信号特征。当判定信号特征的数量大于等于预设数量时,根据聚类算法对所有的信号特征进行分类,再根据分类结果进行训练得到分类器。
在无线电信号技术应用中,就可以通过本步骤得到分类器,实现对未知信号的判断,也就是对未知信号进行频谱感知,以提高在实际使用过程中的频谱利用率。
本步骤中对多个信号特征进行分类,根据分类结果进行训练得到分类器的方法,可以采用现有技术中提供任意一种分类再训练的方法,也可以采用本实施例提供的如下方式进行:
根据K均值聚类算法对信号特征进行分类,得到分类结果;
根据分类结果进行训练处理,得到分类器。
S6,当接收到未知信号时,根据分类器对未知信号进行分类。
在步骤S5得到的分类器的基础上,当接收到未知信号时,可以根据该分类器对未知信号进行分类,通过分类模型对未知信号的分类过程,也就是对未知信号也就是待测信号进行频谱感知。
步骤S5至步骤S6所展示的技术方法可以如以下方法进行:
在步骤S4之后,可以采用K均值聚类算法对信号进行下一步处理。
假设表示第i个SU(协作用户)重构后的采样向量,则在一个时间段内的感知矩阵可以表示为:
因此信号的协方差矩阵可以表示为
在本感知系统中,首先收集N个SU节点的信号特征值,把这些特征值构造成一个训练集:
T=[T1,T2,...,TN]T
其中T是一个列向量,N是表示SU的个数。得到这个训练集后,利用K均值聚类算法对这些特征进行分类并得出一个分类器,考虑到频谱感知的实际情况,通常分为两类,一类表示主用户不存在,另一类表示主用户存在。训练过程完成之后,得到相对应的簇心φ,然后把未知状态的信号特征值放入分类器中,通过以下判决公式来判断属于哪一类:
如果测试集的数据满足判决公式则判定为A=1,如果不满足则判定为A=0。
具体的步骤如下:
步骤一,首先收集足够数量的训练特征矩阵T;
步骤二,随机初始化簇心(φ1,φ2,...,φk);
步骤三,计算每个特征Ti到各簇心φi的距离d,找到最小的d并重新分类;
步骤四,计算簇中所有点(z1,z2,...,zj)的均值并将均值作为新的簇心;
步骤五,计算如果J收敛则算法停止,否则返回步骤三;
步骤六,分类器训练成功后,导入相应的测试集,通过判决公式对频道可用性A作出相应的判决;
步骤七,根据虚警概率计算公式和检测概率计算公式计算出现相对应的虚警概率Pf和检测概率Pd。
综上,本实施例通过对分解后得到的高频段分量进行小波去噪处理,既可以去除已知信号中的噪声,还可以保留高频段分量中的有用信息,提高了频谱感知的感知性能。
基于上一实施例,本实施例主要针对上一实施例中如何进行已知信号的分解处理做的一个具体说明,其他部分与上一实施例大体相同,相同部分可以参考上一实施例,在此不做赘述。
具体的,请参考图2,图2为本申请实施例所提供的协作频谱感知方法的分解处理的流程图。
本实施例可以包括:
S201,对已知信号进行经验模态分解得到多个本征模态函数信号分量;
本步骤旨在对已知信号进行经验模态分解得到多个本征模态函数信号分量。
具体的,经验模态分解方式可以如下:
本文引入了经验模态分解(EMD)算法。相对于传统的信号处理方法,EMD算法能够很好的处理非平稳、非线性信号。EMD算法是根据信号的局部时间特征尺度把原信号分解成若干个本征模态函数(IMF)。
EMD分解过程的具体步骤如下:
步骤1:找出通信信号X(t)中的所有局部极大值和局部极小值
步骤2:找出极大值包络Xmax(t)和极小值包络Xmin(t),并计算出平均值m1(t):
步骤3:用原始信号X(t)减去m1(t),得到第一个分量h1(t):
h1(t)=X(t)-m1(t),
判断h1(t)是否满足IMF的两个条件,如果满足进行步骤4,否则对h1(t)进行步骤1和2的操作,得出均值包络线m11(t)并计算出h11(t):
h11(t)=h1(t)-m11(t)
依次下去,直到h1k(t)满足IMF条件,则:
C1(t)=h1k(t)
C1(t)为第一个IMF分量;
步骤4:将通信信号X(t)减去C1(t)得到残差r1(t),即:
X(t)-C1(t)=r1(t)
将r1(t)看作原始信号重复步骤1至4,得到r2(t)。以此类推,直到残差rn(t)为单调函数或者常数为止。
最后,信号X(t)可以表示为:
也就是得到分解后的多个本征模态函数分量的表示方式。
S202,根据连续均方误差准则确定多个本征模态函数信号分量的临界值;
S203,根据临界值对多个本征模态函数信号分量进行分段处理,得到高频段分量和低频段分量。
在步骤S201的基础上,步骤S202至步骤S203主要是根据连续均方误差准则确定的临界值对多个本征模态函数信号分量进行分段处理,得到高频段分量和低频段分量。
具体的,步骤S202至步骤S203的实施方式如下:
可以用连续均方误差准则找出临界值K,即:
其中,N表示信号X(t)的采样点数,临界点K表示所有IMF分量能量的全局极小值点,也是低频段和高频段的分界点。通过临界值就可以将所有的IMF分量分为低频段和高频段两个部分。
基于上一实施例,本实施例主要针对上一实施例中如何进行去噪处理做的一个具体说明,其他部分与上一实施例大体相同,相同部分可以参考上一实施例,在此不做赘述。
具体的,请参考图3,图3为本申请实施例所提供的协作频谱感知方法的小波去噪处理的流程图。
本实施例可以包括:
S301,对高频段分量进行小波变换,得到小波系数;
S302,对小波系数进行阈值处理,得到估计系数;
S303,根据估计系数进行小波重构处理,得到去噪高频段分量。
本实施例主要是针对提取出来的高频段分量进行小波阈值去噪处理,具体的,本实施例通过小波软阈值算法对提取到的高频段分量进行去噪处理。
可以参考以下实施例步骤:
第一步:先对采样信号x(t)作小波变换,得到一组小波系数W
第二步:通过对W进行阈值处理,得到估计系数使得估计系数W和两者的差值尽可能小:
第三步:利用进行小波重构,得到估计信号x′(t),即去噪后的信号。
首先,设定一个合适的门限值λ作为阈值:其次,把低于阈值λ的小波函数W设为零,保留高于阈值λ的小波函数W,从而得到估计小波系数最后,对进行重构,从而得到重构信号。
其中,阈值的选择满足
其中,σn是噪声的标准差,N是信号的长度。
该阈值的设定需要具备一个先验条件:噪声的方差是已知的。
在不能预先知道噪声的方差的情况下,就必须对噪声方差采用第一层细节信号来估计噪声的方差,即:
上式中,median(|Yij|)表示对分解出的第一层小波系数的绝对中值。
小波阈值函数主要有硬阈值函数和软阈值函数两种。硬阈值函数的特点是,将低于阈值的小波系数置0,完全地保留高于阈值的小波系数。软阈值函数的特点在于首先将高于阈值的小波系数的模值减去阈值;经过与之函数处理后,重构小波系数就得到了去噪后的信号。
硬阈值函数表示为:
软阈值函数表示为:
在以上实施例的基础上,可以对实施例提供的一种协作频谱感知方法进行实验测试。
具体的,实验结果可以参考图4,图4为本申请实施例所提供的实验结果图。
本次实验采用的是DMM(一种特征提取方法)信号特征,从图中可以看出基于EMD和小波阈值算法的频谱感知方法的感知性能比传统的DMM方法和基于EMD和聚类算法的频谱感知方法都好。其中,SNR表示的是信噪比。
本申请实施例提供了一种协作频谱感知方法,可以通过对分解后得到的高频段分量进行小波去噪处理,既可以去除已知信号中的噪声,还可以保留高频段分量中的有用信息,提高了频谱感知的感知性能。
下面对本申请实施例提供的一种协作频谱感知系统进行介绍,下文描述的一种协作频谱感知系统与上文描述的一种协作频谱感知方法可相互对应参照。
请参考图5,图5为本申请实施例所提供的一种协作频谱感知系统的结构示意图。
本实施例提供一种协作频谱感知系统,可以包括:
信号分解处理模块100,用于对已知信号进行经验模态分解得到多个本征模态函数信号分量,将多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量;
信号分量去噪模块200,用于根据小波阈值算法对高频段分量进行去噪处理,得到去噪高频段分量;
信号叠加处理模块300,用于将去噪高频段分量和低频段分量进行叠加处理,得到重构信号,对重构信号进行特征提取处理得到信号特征;
特征数量判断模块400,用于判断信号特征的数量是否大于等于预设数量;
分类器训练模块500,用于根据聚类算法对信号特征进行分类,根据分类结果进行训练得到分类器;
频谱感知模块600,用于当接收到未知信号时,根据分类器对未知信号进行分类。
该系统的信号分解处理模块100,包括:
经验模态分解单元,用于对已知信号进行经验模态分解得到多个本征模态函数信号分量;
临界值确定单元,用于根据连续均方误差准则确定多个本征模态函数信号分量的临界值;
分段处理单元,用于根据临界值对多个本征模态函数信号分量进行分段处理,得到高频段分量和低频段分量。
该系统的信号分量去噪模块200,包括:
小波系数获取单元,用于对高频段分量进行小波变换,得到小波系数;
阈值处理单元,用于对小波系数进行阈值处理,得到估计系数;
小波重构处理单元,用于根据估计系数进行小波重构处理,得到去噪高频段分量。
该系统的分类器训练模块500,包括:
特征分类单元,用于根据K均值聚类算法对信号特征进行分类,得到分类结果;
分类器训练单元,用于根据分类结果进行训练处理,得到分类器。
本申请实施例还提供一种协作频谱感知装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述实施例的协作频谱感知方法的步骤。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例的协作频谱感知方法的步骤。
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。对于实施例公开的装置而言,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申请的范围。
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。
以上对本申请所提供的一种协作频谱感知方法、协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请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申请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,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种协作频谱感知方法,其特征在于,包括:
S1,对已知信号进行经验模态分解得到多个本征模态函数信号分量,将所述多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量;
S2,根据小波阈值算法对所述高频段分量进行去噪处理,得到去噪高频段分量;
S3,将所述去噪高频段分量和所述低频段分量进行叠加处理,得到重构信号,对所述重构信号进行特征提取处理得到信号特征;
S4,判断所述信号特征的数量是否大于等于预设数量;
S5,若否,则执行S1;若是,则根据聚类算法对所述信号特征进行分类,根据分类结果进行训练得到分类器;
S6,当接收到未知信号时,根据所述分类器对所述未知信号进行分类。
2.根据权利要求1所述的协作频谱感知方法,其特征在于,S1,对已知信号进行经验模态分解得到多个本征模态函数信号分量,将所述多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量,包括:
对已知信号进行经验模态分解得到多个本征模态函数信号分量;
根据连续均方误差准则确定所述多个本征模态函数信号分量的临界值;
根据所述临界值对所述多个本征模态函数信号分量进行分段处理,得到所述高频段分量和所述低频段分量。
3.根据权利要求2所述的协作频谱感知方法,其特征在于,S2,根据小波阈值算法对所述高频段分量进行去噪处理,得到去噪高频段分量,包括:
对所述高频段分量进行小波变换,得到小波系数;
对所述小波系数进行阈值处理,得到估计系数;
根据所述估计系数进行小波重构处理,得到去噪高频段分量。
4.根据权利要求3所述的协作频谱感知方法,其特征在于,根据聚类算法对所述信号特征进行分类,根据分类结果进行训练得到分类器,包括:
根据K均值聚类算法对所述信号特征进行分类,得到分类结果;
根据所述分类结果进行训练处理,得到分类器。
5.一种协作频谱感知系统,其特征在于,包括:
信号分解处理模块,用于对已知信号进行经验模态分解得到多个本征模态函数信号分量,将所述多个本征模态函数信号分量进行高低频分段处理,得到高频段分量和低频段分量;
信号分量去噪模块,用于根据小波阈值算法对所述高频段分量进行去噪处理,得到去噪高频段分量;
信号叠加处理模块,用于将所述去噪高频段分量和所述低频段分量进行叠加处理,得到重构信号,对所述重构信号进行特征提取处理得到信号特征;
特征数量判断模块,用于判断所述信号特征的数量是否大于等于预设数量;
分类器训练模块,用于根据聚类算法对所述信号特征进行分类,根据分类结果进行训练得到分类器;
频谱感知模块,用于当接收到未知信号时,根据所述分类器对所述未知信号进行分类。
6.根据权利要求5所述的协作频谱感知系统,其特征在于,所述信号分解处理模块,包括:
经验模态分解单元,用于对已知信号进行经验模态分解得到多个本征模态函数信号分量;
临界值确定单元,用于根据连续均方误差准则确定所述多个本征模态函数信号分量的临界值;
分段处理单元,用于根据所述临界值对所述多个本征模态函数信号分量进行分段处理,得到所述高频段分量和所述低频段分量。
7.根据权利要求6所述的协作频谱感知系统,其特征在于,所述信号分量去噪模块,包括:
小波系数获取单元,用于对所述高频段分量进行小波变换,得到小波系数;
阈值处理单元,用于对所述小波系数进行阈值处理,得到估计系数;
小波重构处理单元,用于根据所述估计系数进行小波重构处理,得到去噪高频段分量。
8.根据权利要求7所述的协作频谱感知系统,其特征在于,所述分类器训练模块,包括:
特征分类单元,用于根据K均值聚类算法对所述信号特征进行分类,得到分类结果;
分类器训练单元,用于根据所述分类结果进行训练处理,得到分类器。
9.一种协作频谱感知装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述的协作频谱感知方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的协作频谱感知方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474357.1A CN108712222A (zh) | 2018-05-17 | 2018-05-17 | 一种协作频谱感知方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474357.1A CN108712222A (zh) | 2018-05-17 | 2018-05-17 | 一种协作频谱感知方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108712222A true CN108712222A (zh) | 2018-10-26 |
Family
ID=63869133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810474357.1A Pending CN108712222A (zh) | 2018-05-17 | 2018-05-17 | 一种协作频谱感知方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108712222A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109962745A (zh) * | 2019-04-04 | 2019-07-02 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
CN110071773A (zh) * | 2019-04-28 | 2019-07-30 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
WO2022217406A1 (zh) * | 2021-04-12 | 2022-10-20 | 深圳市速腾聚创科技有限公司 | 信号处理方法、装置及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847210A (zh) * | 2010-06-25 | 2010-09-29 | 哈尔滨工业大学 | 基于二维经验模态分解和小波降噪的多分组图像分类方法 |
US7966156B1 (en) * | 2002-10-11 | 2011-06-21 | Flint Hills Scientific Llc | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale |
CN106911410A (zh) * | 2017-05-02 | 2017-06-30 | 广东工业大学 | 一种通信主用户感知方法及系统 |
CN107036817A (zh) * | 2017-04-05 | 2017-08-11 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
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 |
-
2018
- 2018-05-17 CN CN201810474357.1A patent/CN108712222A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7966156B1 (en) * | 2002-10-11 | 2011-06-21 | Flint Hills Scientific Llc | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale |
CN101847210A (zh) * | 2010-06-25 | 2010-09-29 | 哈尔滨工业大学 | 基于二维经验模态分解和小波降噪的多分组图像分类方法 |
CN107036817A (zh) * | 2017-04-05 | 2017-08-11 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
CN106911410A (zh) * | 2017-05-02 | 2017-06-30 | 广东工业大学 | 一种通信主用户感知方法及系统 |
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 |
Non-Patent Citations (2)
Title |
---|
YONGWEI ZHANG等: "A Spectrum Sensing Method Based on Signal Feature and Clustering Algorithm in Cognitive Wireless Multimedia Sensor Networks", 《ADVANCES IN MULTIMEDIA》 * |
李书荣: "基于DE-BP的神经网络认知无线电频谱预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109962745A (zh) * | 2019-04-04 | 2019-07-02 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
CN109962745B (zh) * | 2019-04-04 | 2021-11-26 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
CN110071773A (zh) * | 2019-04-28 | 2019-07-30 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
WO2022217406A1 (zh) * | 2021-04-12 | 2022-10-20 | 深圳市速腾聚创科技有限公司 | 信号处理方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927706B (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
CN103279957B (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
CN105138970B (zh) | 基于空间信息的极化sar图像分类方法 | |
NL2024774B1 (en) | Blood leukocyte segmentation method based on adaptive histogram thresholding and contour detection | |
CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
CN108712222A (zh) | 一种协作频谱感知方法及相关装置 | |
CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
CN106203522B (zh) | 基于三维非局部均值滤波的高光谱图像分类方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN108462544A (zh) | 一种频谱感知方法及装置 | |
CN103310227A (zh) | 基于神经网络的自动窗宽窗位提取方法 | |
EP3206574A1 (en) | Frame based spike detection module | |
CN108197545A (zh) | 干扰类型的识别方法和系统 | |
KR20140026393A (ko) | 분류기의 분류결과의 개선방법 | |
CN108768563A (zh) | 一种协作频谱感知方法及相关装置 | |
CN114783021A (zh) | 一种口罩佩戴智能检测方法、装置、设备及介质 | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
CN108764112A (zh) | 一种遥感图像目标物检测方法及设备 | |
Joseph et al. | Multifractal theory based breast tissue characterization for early detection of breast cancer | |
CN106971392A (zh) | 一种结合dt‑cwt和mrf的遥感图像变化检测方法与装置 | |
CN109271902B (zh) | 复杂背景下基于时域经验模态分解的红外弱小目标检测方法 | |
CN115424163A (zh) | 唇形修改伪造视频检测方法、装置、设备及存储介质 | |
CN108768564A (zh) | 一种协作频谱感知方法及相关装置 | |
CN108736992A (zh) | 一种协作频谱感知方法及相关装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181026 |