CN108736992A - 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
- CN108736992A CN108736992A CN201810473868.1A CN201810473868A CN108736992A CN 108736992 A CN108736992 A CN 108736992A CN 201810473868 A CN201810473868 A CN 201810473868A CN 108736992 A CN108736992 A CN 108736992A
- Authority
- CN
- China
- Prior art keywords
- subsignal
- matrix
- signal
- matrixes
- eigenvalue
- 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)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本申请公开了一种协作频谱感知方法,包括:根据零空间追踪算法对已知信号进行分解得到多个子信号,将所述多个子信号进行组合得到子信号矩阵;在子信号矩阵的基础上提取信号特征,再进行特征聚类训练学习,并根据得到的分类模型,对未知信号进行分类。通过零空间追踪算法对已知信号分解为多个子信号,在子信号的基础上提取信号特征,相当于将复杂的已知信号分解为多个简单的子信号,利于对特征进行提取,提高特征提取的精度,进而提高频谱感知的准确率和精度。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,其中各项参数之间的确定还需要 根据一定的人工经验进行判断,无法得到准确的信号分解参数,降低了该方 法的准确率。尤其在复杂环境中,就无法对信号进行更好的分解,使经验模 态分解的方法达不到应有的效果,降低频谱感知的性能。
因此,如何在低信噪比和复杂环境中提高频谱感知的感知性能是本领域 技术人员关注的重点问题。
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,通过零空间追踪算法对已知信号分 解为多个子信号,在子信号的基础上提取信号特征,相当于将复杂的已知信 号分解为多个简单的子信号,利于对特征进行提取,提高特征提取的精度, 进而提高频谱感知的准确率和精度。
为解决上述技术问题,本申请提供协作频谱感知方法,包括:
S1,根据零空间追踪算法对已知信号进行分解得到多个子信号,将所述 多个子信号进行组合得到子信号矩阵;
S2,对所述子信号矩阵进行IQ分解得到I矩阵和Q矩阵,对所述I矩阵 和Q矩阵进行特征提取处理,得到第一特征值和第二特征值,将所述第一特 征值和所述第二特征值进行组合得到信号特征;
S3,判断所述信号特征的数量是否大于等于预设数量;
S4,若否,则执行S1;若是,则根据聚类算法对所有所述信号特征进行 分类,根据分类结果进行训练得到分类模型;
S5,当接收到未知信号时,根据所述分类模型对所述未知信号进行分类。
可选的,S1,根据零空间追踪算法对已知信号进行分解得到多个子信号, 将所述多个子信号进行组合得到子信号矩阵,包括:
获取所述已知信号;
根据所述零空间追踪算法对所述已知信号进行分解得到多个子信号;
将所述多个子信号进行组合得到子信号矩阵。
可选的,S2,对所述子信号矩阵进行IQ分解得到I矩阵和Q矩阵,对所 述I矩阵和Q矩阵进行特征提取处理,得到第一特征值和第二特征值,将所 述第一特征值和所述第二特征值进行组合得到信号特征,包括:
对所述子信号矩阵进行IQ分解得到所述I矩阵和所述Q矩阵,对所述I 矩阵和Q矩阵分别进行协方差计算,得到第一协方差矩阵和第二协方差矩阵;
对所述第一协方差矩阵和所述第二协方差矩阵进行特征计算,得到第一 特征值和第二特征值;
将所述第一特征值和所述第二特征值进行组合得到信号特征。
可选的,根据聚类算法对所有所述信号特征进行分类,根据分类结果进 行训练得到分类模型,包括:
根据FCM聚类算法对所述多个信号特征进行分类,得到分类结果;
根据所述分类结果进行模型训练处理,得到分类模型。
本申请还提供一种协作频谱感知系统,包括:
子信号矩阵获取模块,用于根据零空间追踪算法对已知信号进行分解得 到多个子信号,将所述多个子信号进行组合得到子信号矩阵;
信号矩阵分解模块,用于对所述子信号矩阵进行IQ分解得到I矩阵和Q 矩阵,对所述I矩阵和Q矩阵进行特征提取处理,得到第一特征值和第二特 征值,将所述第一特征值和所述第二特征值进行组合得到信号特征;
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;
分类模型训练模块,用于根据聚类算法对所有所述信号特征进行分类, 根据分类结果进行训练得到分类模型;
频谱感知模块,用于当接收到未知信号时,根据所述分类模型对所述未 知信号进行分类。
可选的,所述子信号矩阵获取模块,包括:
已知信号获取单元,用于获取所述已知信号;
已知信号分解单元,用于根据所述零空间追踪算法对所述已知信号进行 分解得到多个子信号;
子信号组合单元,用于将所述多个子信号进行组合得到子信号矩阵。
可选的,所述信号矩阵分解模块,包括:
矩阵IQ分解单元,用于对所述子信号矩阵进行IQ分解得到所述I矩阵 和所述Q矩阵,对所述I矩阵和Q矩阵分别进行协方差计算,得到第一协方 差矩阵和第二协方差矩阵;
特征值计算单元,用于对所述第一协方差矩阵和所述第二协方差矩阵进 行特征计算,得到第一特征值和第二特征值;
信号特征获取单元,用于将所述第一特征值和所述第二特征值进行组合 得到信号特征。
可选的,分类模型训练模块,包括:
信号特征分类单元,用于根据FCM聚类算法对所述多个信号特征进行分 类,得到分类结果;
分类模型训练单元,用于根据所述分类结果进行模型训练处理,得到分 类模型。
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,根据零空间追踪算 法对已知信号进行分解得到多个子信号,将所述多个子信号进行组合得到子 信号矩阵;S2,对所述子信号矩阵进行IQ分解得到I矩阵和Q矩阵,对所述 I矩阵和Q矩阵进行特征提取处理,得到第一特征值和第二特征值,将所述第 一特征值和所述第二特征值进行组合得到信号特征;S3,判断所述信号特征 的数量是否大于等于预设数量:S4,若否,则执行S1;若是,则根据聚类算 法对所有所述信号特征进行分类,根据分类结果进行训练得到分类模型;S5, 当接收到未知信号时,根据所述分类模型对所述未知信号进行分类。
通过零空间追踪算法对已知信号进行分解得到多个子信号,在子信号的 基础上提取相应的信号特征,再根据该信号特征训练得到分类模型进行频谱 感知,相当于将复杂的已知信号分解为多个简单的子信号,利于对信号特征 进行提取,提高特征提取的精度,进而提高频谱感知的准确率和精度。
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已知信号分解过程的 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子信号矩阵分解过程 的流程图;
图4为本申请实施例所提供的协作频谱感知方法的实验结果图;
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,通过零空间追踪算法对已知信号分 解为多个子信号,在子信号的基础上提取信号特征,相当于将复杂的已知信 号分解为多个简单的子信号,利于对特征进行提取,提高特征提取的精度, 进而提高频谱感知的准确率和精度。
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。现有技术中,无论是经典的能量检测或基于随机矩 阵的频谱感知,都通过门限值进行判决,进而对信号进行分类。而在实际环 境中,尤其是在低信噪比环境中,通过门限值进行判断,容易受到噪声等不 确定性的影响,从而产生误判,导致频谱感知的性能下降,也就是检测的准 确率下降。
本实施例提供一种协作频谱感知方法,该方法通过零空间追踪算法对已 知信号进行分解得到多个子信号,在子信号的基础上提取相应的信号特征, 再根据该信号特征训练得到分类模型进行频谱感知,相当于将复杂的已知信 号分解为多个简单的子信号,利于对信号特征进行提取,提高特征提取的精 度,进而提高频谱感知的准确率和精度。并且,对子信号进行IQ分解提高特 征提取的数量。
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。
该方法可以包括:
S1,根据零空间追踪算法对已知信号进行分解得到多个子信号,将多个 子信号进行组合得到子信号矩阵;
本步骤旨在根据零空间追踪算法对已知信号进行分解为多个子信号,并 将多个子信号组合成子信号矩阵。本步骤也是本实施例区别于现有技术的关 键步骤,通过零空间追踪算法将已知信号分解为多个子信号,由于零空间追 踪算法中的参数可以根据计算得到,不同于现有技术中的信号分解算法需要 根据实验或经验确定算法的参数,因此避免了实验不准确或经验不准确而出 现的信号分解不准确,信号分解不可行等问题,可以准确对原始信号进行分 解,提高信号分解的可行性。
而在现有技术中对已知信号进行经验模态分解,在分解中控制分解过程 和分解结果的参数均通过经验或实验确定,具有一定的随机因素,同样也无 法避免随机事件对分解结果的影响,因此在处理中具有一定的不稳定的因素, 无法确保频谱感知的可行性和准确性。
因此,本步骤根据零空间追踪算法对已知信号进行分解得到多个子信号。 由于使用零空间追踪算法可以不通过经验或实验确定分解过程中的参数,从 而避免随机事件和因素对分解过程的影响,降低分解过程中的不稳定因素, 可以提高频谱感知的可行性和准确性。
其中,零空间追踪算法可以将信号分解为多个子信号,例如将已知信号 分解为2个子信号,或者将已知信号分解为5个子信号。具体的,可以根据 实际的应用环境和需求在确定分解子信号的数量,在此不做限定。
接下来,将得到多个子信号,也就是所有子信号进行组合得到子信号矩 阵。
S2,对子信号矩阵进行IQ分解得到I矩阵和Q矩阵,对I矩阵和Q矩阵 进行特征提取处理,得到第一特征值和第二特征值,将第一特征值和第二特 征值进行组合得到信号特征;
在步骤S1的基础上,本步骤旨在讲上一步骤得到子信号矩阵进行IQ分 解得到的矩阵进行特征提取操作,得到信号特征。
一般的,由于上一步骤得到的子信号矩阵只是单一的矩阵,对一个矩阵 进行特征提取只能提取出一个特征。通过单独的特征对体现信号的变化,准 确度较低,因此,本步骤通过IQ分解提高协作用户的数量,以提高特征值的 数量,进而提高特征的准确度。
其中,IQ分解又叫做信号的矢量分解,可以将信号分解为频率相同、峰 值幅度相同但相位相差90度的两个分量。
因此,本步骤主要是将子信号矩阵进行IQ分解,得到两个矩阵,再对这 两个矩阵进行特征提取处理得到信号矩阵。
其中,本步骤所使用的特征提取方法可以采用现有技术提供的任意一种 特征提取方法,可以参考以下实施例中具体说明的特征提取方法。
S3,判断信号特征的数量是否大于等于预设数量;
在步骤S2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。
S4,若否,则执行S1;若是,则根据聚类算法对所有信号特征进行分类, 根据分类结果进行训练得到分类模型;
在步骤S3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 进行训练得到分类模型。
通过本步骤得到分类模型,就可以实现对未知信号的判断,也就是对未 知信号进行频谱感知。
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模 型的方法,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FCM聚类算法对多个信号特征进行分类,得到分类结果;
根据分类结果进行模型训练处理,得到分类模型。
S5,当接收到未知信号时,根据分类模型对未知信号进行分类。
在步骤S4得到的分类模型的基础上,当接收到未知信号时,可以根据该 分类模型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 是在无线电信号技术中,通过该分类模型对未知信号也就是待测信号进行频 谱感知,以提高在实际使用中的频谱利用率。
步骤S4至S5所展示的技术方案可以如下的方式进行:
为了使协作频谱感知方法有良好的感知性能,可以采用FCM(Fuzzy C-means)算法作为本系统的聚类算法。FCM算法是一种根据模糊隶属度来确 定数据点的分类的算法。FCM的目标函数采用的是误差平方和函数。
假设训练样本集,也就是得到的所有信号特征为考虑到 频谱感知是二分类问题,因此要把训练样本集划分成两类,即主用户存在和 主用户不存在。假设每一个训练样本j属于某一类i的隶属度为uij,FCM聚类 算法的目标函数可以表示为:
约束条件可以表示为:
其中c表示训练样本的类别数;根据频谱感知实际情况,c取值可以为2。 uij表示训练样本第j个特征值对第i类的隶属度。m表示FCM算法的平滑指 数,一般m的取值大于或等于1。
将拉格朗日乘数法将约束条件加入目标函数可得:
通过对上式中的uij和ci求导可得,隶属度的迭代公式:
聚类中心的迭代公式:
FCM聚类算法的具体步骤如下:
步骤1,初始化类别数c、FCM聚类算法的平滑数m、隶属度初始值uij, 允许误差ε;
步骤2,根据聚类中心的迭代公式计算聚类中心ci;
步骤3,计算误差如果e<ε,算法停止,否则继续步骤4;
步骤4,根据聚类中心ci的值和隶属度的迭代公式计算新隶属度;
步骤5,跳转到步骤2,一直循环直到迭代数目达到预设数目为止;
步骤6,输出隶属度和聚类中心。
经过FCM训练后,我们可以用下式来判断主用户是否存在:
其中表示测试集数据,也可以表示是未知信号的特征数据,ε用来控制 系统的虚警概率和检测概率,k表示簇的个数,在本实施例中,k的值可以为 2。
综上,本实施例通过零空间追踪算法对已知信号分解为多个子信号,在 子信号的基础上提取信号特征,相当于将复杂的已知信号分解为多个简单的 子信号,利于对特征进行提取,提高特征提取的精度,进而提高频谱感知的 准确率和精度。
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已知信号 分解过程的流程图。
基于上一实施例,本实施例主要是针对上一实施例中如何对已知信号进 行分解做的一个具体说明,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。
本实施例可以包括:
S201,获取已知信号;
本步骤旨在获取已知信号。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:
假设认知无线电网络中存在着一个PU(主用户)以及M个SU(协作用 户),每个SU的采样点数为N。假设H0和H1分别表示主用户信号存在与不存 在。因此在这两种假设下,接收到的信号模型可由下表示:
其中si(n)表示PU发射的信号,wi(n)为环境噪声,该噪声为均值0,方差 为σ2高斯白噪声。
信道的可用性A可以被定义为:
其中A=0表示PU存在,信道不可用;A=1表示PU不存在,信道可用; 进一步定义系统的虚警概率和检测概率分别为:
S202,根据零空间追踪算法对已知信号进行分解得到多个子信号;
S203,将多个子信号进行组合得到子信号矩阵。
在步骤S201的基础上,步骤S202到步骤S203旨在对获取的已知信号进行 分解得到多个子信号,将多个子信号进行组合得到子信号矩阵。具体的,实 施步骤可以如下:
零空间追踪算法将窄带信号分解成S和U两部分,对于窄带信号V(t),能 找到一个局部算子T,使得:
T(V)(n)=0
即通过算子T的映射,窄带信号V(t)的值为零。
我们假设频谱信号可以表示为xi(n)=V(n)+U(n),其中U(n)为残差分量, V(n)为待提取的信号。经算子T映射可得:
T(S)(n)=U(n)
残差分量U(n)可以由残差分量计算公式来计算:
其中D是一个对角矩阵,λ是拉格朗日系数
为了提高信号的提取精度,需要加入泄露因子,因此残差信号的计算公 式和提取信号的计算公式如下:
V(t)=(S(n)-U(n))(1+γ)
其中γ表示泄露因子。
在本实施例中,可以选取微分算子,它的表达式为:
其中α(t)表示瞬时频率的平方,为微分算子。
因此残差分量计算公式可以写成:
进一步化简可得:
其中Pα是对角矩阵,对角元素为α
对α和U进行估计可得:
其中 由上面式子可知的值由参 数来决定。由于实验表明对优化问题影响不大,因此一般设为一个恒 定值。的值由参数和来决定。经过计算,参数γ和可以分别由下面两 式得出:
在以上公式及算法说明的基础上,本实施例中NSP算法具体步骤如下:
步骤一:输入频谱信号x(t),设置参数λ2,ε,λ1 0和γ0;
步骤二:设置j=0,Uj=0,λ1 j=λ1 0,γj=γ0;
步骤三:根据计算αj;
步骤四:根据计算λ1 j+1;
步骤五:根据计算
步骤六:根据计算γj+1;
步骤七:如果那么令j=j+1,然后回到步骤三;
步骤八:输出信号和
经过上述NSP算法能够有效的将复杂主用户信号分解成特征更明显的和 低复杂的子信号,再将获得的子信号组合成子信号矩阵:
就可以通过该子信号矩阵更加容易的提取到相应的信号特征,进而进行 频谱感知,提高频谱感知的感知性能。
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子信号矩 阵分解过程的流程图。
基于上一实施例,本实施例主要是针对上一实施例中如何对子信号矩阵 进行分解做的一个具体说明,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。
本实施例可以包括:
S301,对子信号矩阵进行IQ分解得到I矩阵和Q矩阵,对I矩阵和Q矩 阵分别进行协方差计算,得到第一协方差矩阵和第二协方差矩阵;
S302,对第一协方差矩阵和第二协方差矩阵进行特征计算,得到第一特 征值和第二特征值;
S303,将第一特征值和第二特征值进行组合得到信号特征。
本实施例主要是对子信号矩阵进行IQ分解得到分解后的两个矩阵,进一 步对这两个矩阵进行特征提取操作,得到信号特征。
具体的,本实施例中的对子信号矩阵进行IQ分解的实施过程可以如下:
在本节中,为了更准确的获取信号特征,以及提高协作用户数量少的情 况下的频谱频谱感知性能。通过IQ分解,将矩阵分解成矩阵 以及矩阵,具体算法如下:
其中fc是携带频率,fs是采样频率。经过IQ分解后,我们将得到一个 2M×N的矩阵。
经过NSP和IQ分解之后,将得到两个新的矩阵YI和YQ,然后分别计算出 相应的协方差矩阵:
根据相应的协方差矩阵能够求得特征值λj=1,2,..,2M。因此可以进一步求出 MSE(最大特征值与平均特征值之差)特征:
根据以上方式可以得到两个矩阵对应的T1、T2,最后将特征将组成一个二 维的特征向量T=[T1,T2],用以表示信号特征。
基于以上实施例,本实施例还提供一种协时作频谱感知方法的测试实验。 具体的,请参考图4,图4为本申请实施例所提供的协作频谱感知方法的实验 结果图。
从图中可知是NSP IQ所标识的曲线比IQ所标识的曲线,具有较高的高度, 也就是经过NSP和IQ分解后的频谱感知方法的检测概率比不添加NSP的方法 有所提高。
其中,SNR表示为信噪比。
本申请实施例提供了一种协作频谱感知方法,可以通过零空间追踪算法 对已知信号分解为多个子信号,在子信号的基础上提取信号特征,相当于将 复杂的已知信号分解为多个简单的子信号,利于对特征进行提取,提高特征 提取的精度,进而提高频谱感知的准确率和精度。
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:
子信号矩阵获取模块100,用于根据零空间追踪算法对已知信号进行分解 得到多个子信号,将多个子信号进行组合得到子信号矩阵;
信号矩阵分解模块200,用于对子信号矩阵进行IQ分解得到I矩阵和Q 矩阵,对I矩阵和Q矩阵进行特征提取处理,得到第一特征值和第二特征值, 将第一特征值和第二特征值进行组合得到信号特征;
特征数量判断模块300,用于判断信号特征的数量是否大于等于预设数 量;
分类模型训练模块400,用于根据聚类算法对所有信号特征进行分类,根 据分类结果进行训练得到分类模型;
频谱感知模块500,用于当接收到未知信号时,根据分类模型对未知信号 进行分类。
该系统中的子信号矩阵获取模块100,包括:
已知信号获取单元,用于获取已知信号;
已知信号分解单元,用于根据零空间追踪算法对已知信号进行分解得到 多个子信号;
子信号组合单元,用于将多个子信号进行组合得到子信号矩阵。
该系统中的信号矩阵分解模块200,包括:
矩阵IQ分解单元,用于对子信号矩阵进行IQ分解得到I矩阵和Q矩阵, 对I矩阵和Q矩阵分别进行协方差计算,得到第一协方差矩阵和第二协方差 矩阵;
特征值计算单元,用于对第一协方差矩阵和第二协方差矩阵进行特征计 算,得到第一特征值和第二特征值;
信号特征获取单元,用于将第一特征值和第二特征值进行组合得到信号 特征。
该系统中的分类模型训练模块400,包括:
信号特征分类单元,用于根据FCM聚类算法对多个信号特征进行分类, 得到分类结果;
分类模型训练单元,用于根据分类结果进行模型训练处理,得到分类模 型。
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,根据零空间追踪算法对已知信号进行分解得到多个子信号,将所述多个子信号进行组合得到子信号矩阵;
S2,对所述子信号矩阵进行IQ分解得到I矩阵和Q矩阵,对所述I矩阵和Q矩阵进行特征提取处理,得到第一特征值和第二特征值,将所述第一特征值和所述第二特征值进行组合得到信号特征;
S3,判断所述信号特征的数量是否大于等于预设数量;
S4,若否,则执行S1;若是,则根据聚类算法对所有所述信号特征进行分类,根据分类结果进行训练得到分类模型;
S5,当接收到未知信号时,根据所述分类模型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,根据零空间追踪算法对已知信号进行分解得到多个子信号,将所述多个子信号进行组合得到子信号矩阵,包括:
获取所述已知信号;
根据所述零空间追踪算法对所述已知信号进行分解得到多个子信号;
将所述多个子信号进行组合得到子信号矩阵。
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,对所述子信号矩阵进行IQ分解得到I矩阵和Q矩阵,对所述I矩阵和Q矩阵进行特征提取处理,得到第一特征值和第二特征值,将所述第一特征值和所述第二特征值进行组合得到信号特征,包括:
对所述子信号矩阵进行IQ分解得到所述I矩阵和所述Q矩阵,对所述I矩阵和Q矩阵分别进行协方差计算,得到第一协方差矩阵和第二协方差矩阵;
对所述第一协方差矩阵和所述第二协方差矩阵进行特征计算,得到第一特征值和第二特征值;
将所述第一特征值和所述第二特征值进行组合得到信号特征。
4.根据权利要求3所述的协作频谱感知方法,其特征在于,根据聚类算法对所有所述信号特征进行分类,根据分类结果进行训练得到分类模型,包括:
根据FCM聚类算法对所述多个信号特征进行分类,得到分类结果;
根据所述分类结果进行模型训练处理,得到分类模型。
5.一种协作频谱感知系统,其特征在于,包括:
子信号矩阵获取模块,用于根据零空间追踪算法对已知信号进行分解得到多个子信号,将所述多个子信号进行组合得到子信号矩阵;
信号矩阵分解模块,用于对所述子信号矩阵进行IQ分解得到I矩阵和Q矩阵,对所述I矩阵和Q矩阵进行特征提取处理,得到第一特征值和第二特征值,将所述第一特征值和所述第二特征值进行组合得到信号特征;
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;
分类模型训练模块,用于根据聚类算法对所有所述信号特征进行分类,根据分类结果进行训练得到分类模型;
频谱感知模块,用于当接收到未知信号时,根据所述分类模型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,所述子信号矩阵获取模块,包括:
已知信号获取单元,用于获取所述已知信号;
已知信号分解单元,用于根据所述零空间追踪算法对所述已知信号进行分解得到多个子信号;
子信号组合单元,用于将所述多个子信号进行组合得到子信号矩阵。
7.根据权利要求6所述的协作频谱感知系统,其特征在于,所述信号矩阵分解模块,包括:
矩阵IQ分解单元,用于对所述子信号矩阵进行IQ分解得到所述I矩阵和所述Q矩阵,对所述I矩阵和Q矩阵分别进行协方差计算,得到第一协方差矩阵和第二协方差矩阵;
特征值计算单元,用于对所述第一协方差矩阵和所述第二协方差矩阵进行特征计算,得到第一特征值和第二特征值;
信号特征获取单元,用于将所述第一特征值和所述第二特征值进行组合得到信号特征。
8.根据权利要求7所述的协作频谱感知系统,其特征在于,分类模型训练模块,包括:
信号特征分类单元,用于根据FCM聚类算法对所述多个信号特征进行分类,得到分类结果;
分类模型训练单元,用于根据所述分类结果进行模型训练处理,得到分类模型。
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 |
---|---|---|---|
CN201810473868.1A CN108736992A (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 |
---|---|---|---|
CN201810473868.1A CN108736992A (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 |
---|---|
CN108736992A true CN108736992A (zh) | 2018-11-02 |
Family
ID=63938502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810473868.1A Pending CN108736992A (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) | CN108736992A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112350790A (zh) * | 2020-09-25 | 2021-02-09 | 深圳大学 | 一种基于深度学习的频谱感知检测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1540832A1 (en) * | 2002-08-29 | 2005-06-15 | BAE SYSTEMS Information and Electronic Systems Integration, Inc. | Method for separating interferering signals and computing arrival angles |
CN107171751A (zh) * | 2017-05-12 | 2017-09-15 | 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 |
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 |
-
2018
- 2018-05-17 CN CN201810473868.1A patent/CN108736992A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1540832A1 (en) * | 2002-08-29 | 2005-06-15 | BAE SYSTEMS Information and Electronic Systems Integration, Inc. | Method for separating interferering signals and computing arrival angles |
CN107171751A (zh) * | 2017-05-12 | 2017-09-15 | 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 |
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)
Title |
---|
吴春志等: "基于零空间追踪和SWY的柴油机信号降噪研究", 《车用发动机》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112350790A (zh) * | 2020-09-25 | 2021-02-09 | 深圳大学 | 一种基于深度学习的频谱感知检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DeFries et al. | Multiple criteria for evaluating machine learning algorithms for land cover classification from satellite data | |
CN109347834B (zh) | 物联网边缘计算环境中异常数据的检测方法、装置及设备 | |
McIver et al. | Estimating pixel-scale land cover classification confidence using nonparametric machine learning methods | |
CN109447461B (zh) | 用户信用评估方法及装置、电子设备、存储介质 | |
Li et al. | A systematic sensitivity analysis of constrained cellular automata model for urban growth simulation based on different transition rules | |
CN108229296A (zh) | 人脸皮肤属性识别方法和装置、电子设备、存储介质 | |
WO2022126810A1 (zh) | 文本聚类方法 | |
CN108229509A (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
Li et al. | Integrating ensemble-urban cellular automata model with an uncertainty map to improve the performance of a single model | |
CN108154168A (zh) | 综合货物检验系统及方法 | |
CN109842513A (zh) | 网络异常事件分析装置、方法及其电脑存储介质 | |
WO2021051917A1 (zh) | 人工智能ai模型的评估方法、系统及设备 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN105046241B (zh) | 基于rbm模型的目标级遥感图像变化检测方法 | |
CN109446812A (zh) | 一种嵌入式系统固件安全分析方法及系统 | |
TW201350836A (zh) | 用於自動缺陷分類之不明缺陷拒絕率之最佳化 | |
CN107395301A (zh) | 一种基于k均值算法的频谱感知方法 | |
CN105354595A (zh) | 一种鲁棒视觉图像分类方法及系统 | |
Yin et al. | Joint inference about sensitivity and specificity at the optimal cut-off point associated with Youden index | |
CN104680542A (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN103955709B (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
Sun et al. | Sensitivity of digital soil maps based on FCM to the fuzzy exponent and the number of clusters | |
CN107979431A (zh) | 基于黎曼中值的频谱感知的方法、装置以及设备 | |
WO2020108219A1 (zh) | 基于交通安全风险的群体划分与差异性分析方法及系统 |
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: 20181102 |