CN109150342A - 一种最大特征值频谱感知方法 - Google Patents
一种最大特征值频谱感知方法 Download PDFInfo
- Publication number
- CN109150342A CN109150342A CN201811059865.XA CN201811059865A CN109150342A CN 109150342 A CN109150342 A CN 109150342A CN 201811059865 A CN201811059865 A CN 201811059865A CN 109150342 A CN109150342 A CN 109150342A
- Authority
- CN
- China
- Prior art keywords
- authorized user
- time slot
- sample
- noise power
- maximum 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001228 spectrum Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000001149 cognitive effect Effects 0.000 claims description 13
- 238000005094 computer simulation Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 description 20
- 238000001514 detection method Methods 0.000 description 8
- 238000013475 authorization Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000017105 transposition Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种最大特征值频谱感知方法，其处理过程为：在授权用户的静默期内估计得到噪声功率；在当前感知时隙内，对来自多个通道的信号进行多次采样，并将每次采样得到的多个样本构成一个样本向量；然后根据所有样本向量计算协方差矩阵；再根据协方差矩阵的最大特征值及噪声功率，计算检验统计量；最后通过比较检验统计量与判决门限的大小，判定当前感知时隙内是否存在授权用户信号；优点是利用在授权用户的静默期内采样得到的样本来估计得到噪声功率，由于在授权用户的静默期内不存在授权用户的信号，因此能够准确地估计出噪声功率；在计算检验统计量时利用了协方差矩阵的最大特征值和估计的噪声功率，从而能够获得较好的感知性能。
Description
技术领域
本发明涉及一种认知无线电频谱感知技术，尤其是涉及一种在授权用户静默期估计噪声功率的最大特征值频谱感知方法。
背景技术
移动通信业务多样化的迅猛发展极大程度地丰富和便利了人们的工作和生活，但是，相应地无线设备数量和移动数据流量的需求呈爆炸式增长，这就导致了频谱资源短缺问题。近几年，频谱资源短缺问题已经逐渐显现，而且在可预见的未来会变得愈加严重。然而，这却不是因为物理频谱资源不足造成的，而是因为现有的固定频谱分配策略使很多频谱资源无法得到充分利用，极大地降低了频谱利用率。因此，提高频谱利用率成为了解决这个问题的关键。针对这个问题，Mitola博士提出了认知无线电技术。认知无线电技术是指无线设备能够与所处的通信环境进行交互并根据交互结果改变自身传输参数，从而实现以动态、自适应的方式灵活地利用潜在的空闲频谱。为了避免对授权用户产生干扰，认知无线电技术需要能够准确、快速地发现空闲频谱，实现稳健地频谱感知。因此，频谱感知成为了认知无线电的关键技术之一。
目前，接收信号协方差矩阵的特征值已被广泛应用于认知无线电的频谱感知中，Li等人在2016年发表的《Maximum-eigenvalue-based sensing and power recognitionfor multiantenna cognitive radio system》(用于多天线认知无线电系统的最大特征值感知与功率认知)中提到的传统的最大特征值频谱感知方法被大量的应用。然而，传统的最大特征值频谱感知方法需要知道噪声功率本身，而实际中噪声功率本身往往是未知的，当噪声功率本身未知时，传统的最大特征值频谱感知方法使用人为设定的噪声功率的上界值来代替噪声功率本身，这会引起噪声功率不确定性的问题，从而会严重降低频谱感知的性能。
发明内容
本发明所要解决的技术问题是提供一种在授权用户静默期估计噪声功率的最大特征值频谱感知方法，其无需知道噪声功率本身，且感知性能好。
本发明解决上述技术问题所采用的技术方案为：一种最大特征值频谱感知方法，其特征在于处理过程为：在授权用户的静默期内估计得到噪声功率；在当前感知时隙内，对来自多个通道的信号进行多次采样，并将每次采样得到的多个样本构成一个样本向量；然后根据所有样本向量计算协方差矩阵；再根据协方差矩阵的最大特征值及噪声功率，计算检验统计量；最后通过比较检验统计量与判决门限的大小，判定当前感知时隙内是否存在授权用户信号。
该最大特征值频谱感知方法具体包括以下步骤：
步骤一：从授权用户的公开的地理信息数据库中获取授权用户的静默期；然后在授权用户的静默期内估计得到噪声功率，记为
步骤二：在认知无线电系统中配置有M个通道；将当前想要采样的感知时隙定义为当前感知时隙；然后在当前感知时隙内，对来自M个通道的信号进行同时采样，共进行N次采样，每次采样得到M个样本；接着将每次采样得到的M个样本构成一个样本向量，将第n次采样得到的M个样本构成的样本向量记为x(n)，x(n)＝[x1(n),x2(n),…,xM(n)]T；其中，M≥3，N≥2M，n为正整数，1≤n≤N，符号“[]”为向量表示符号，[x1(n),x2(n),…,xM(n)]T为[x1(n),x2(n),…,xM(n)]的转置，x1(n),x2(n),…,xM(n)对应表示第n次采样得到的第1个样本、第n次采样得到的第2个样本、……、第n次采样得到的第M个样本；
步骤三：根据N个样本向量，计算协方差矩阵，记为R，其中，R的维数为M×M，(x(n))H为x(n)的共轭转置；
步骤四：计算R的M个特征值；然后从R的M个特征值中找出最大特征值，记为λmax；
步骤五：根据λmax和计算检验统计量，记为T，
步骤六：判断T是否大于判决门限d，如果T＞d，则判定当前感知时隙内存在授权用户信号；否则，判定当前感知时隙内不存在授权用户信号；其中，d满足给定的虚警概率Pf，并通过计算机仿真获得，Pf∈[0,1]。
与现有技术相比，本发明的优点在于：
1)本发明方法利用在授权用户的静默期内采样得到的样本来估计得到噪声功率，由于在授权用户的静默期内不存在授权用户的信号，因此能够准确地估计出噪声功率，解决了传统的最大特征值频谱感知方法需要知道噪声功率本身的问题，同时，解决了传统的最大特征值频谱感知方法中授权用户的信号的协方差矩阵的秩比较大或授权用户的活跃度较高引起的噪声功率估计偏大问题。
2)本发明方法在计算检验统计量时利用了协方差矩阵的最大特征值和估计的噪声功率，能够避免传统的最大特征值频谱感知方法中的噪声功率不确定性的问题，从而能够获得较好的感知性能。
附图说明
图1为本发明方法的总体流程框图；
图2为取M＝6、N＝100、Pf＝0.1、信噪比区间为-15分贝到0分贝时，采用本发明方法和传统的最大特征值频谱感知方法的检测概率示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种在授权用户静默期估计噪声功率的最大特征值频谱感知方法，其总体流程框图如图1所示，其特征在于处理过程为：在授权用户的静默期内估计得到噪声功率；在当前感知时隙内，对来自多个通道的信号进行多次采样，并将每次采样得到的多个样本构成一个样本向量；然后根据所有样本向量计算协方差矩阵；再根据协方差矩阵的最大特征值及噪声功率，计算检验统计量；最后通过比较检验统计量与判决门限的大小，判定当前感知时隙内是否存在授权用户信号。
该最大特征值频谱感知方法具体包括以下步骤：
步骤一：从授权用户的公开的地理信息数据库中获取授权用户的静默期；然后在授权用户的静默期内估计得到噪声功率，记为在授权用户的静默期内估计噪声功率采用本领域的常规技术，如：在认知无线电系统中配置有M个通道时，在授权用户的静默期内对来自M个通道的信号进行同时采样，共进行N次采样，每次采样得到M个样本，将采样得到的M×N个样本的模的平方的平均值作为噪声功率的估计值。
步骤二：在认知无线电系统中配置有M个通道；将当前想要采样的感知时隙定义为当前感知时隙；然后在当前感知时隙内，对来自M个通道的信号进行同时采样，共进行N次采样，每次采样得到M个样本；接着将每次采样得到的M个样本构成一个样本向量，将第n次采样得到的M个样本构成的样本向量记为x(n)，x(n)＝[x1(n),x2(n),…,xM(n)]T；其中，M≥3，在本实施例中取M＝6，N≥2M，在本实施例中取N＝100，n为正整数，1≤n≤N，符号“[]”为向量表示符号，[x1(n),x2(n),…,xM(n)]T为[x1(n),x2(n),…,xM(n)]的转置，x1(n),x2(n),…,xM(n)对应表示第n次采样得到的第1个样本、第n次采样得到的第2个样本、……、第n次采样得到的第M个样本。
步骤三：根据N个样本向量，计算协方差矩阵，记为R，其中，R的维数为M×M，(x(n))H为x(n)的共轭转置。
步骤四：采用现有的特征值计算方法计算R的M个特征值，M个特征值与M个通道中的M为同一个数值；然后从R的M个特征值中找出最大特征值，记为λmax。
步骤五：根据λmax和计算检验统计量，记为T，
步骤六：判断T是否大于判决门限d，如果T＞d，则判定当前感知时隙内存在授权用户信号；否则，判定当前感知时隙内不存在授权用户信号；其中，d满足给定的虚警概率Pf，并通过计算机仿真获得，Pf∈[0,1]，在本实施例中取Pf＝0.1，满足给定的虚警概率Pf的判决门限可采用现有技术并通过计算机仿真获得。
本发明方法的可行性和有效性可以通过以下仿真结果进一步说明。
假设认知无线电系统中配置有M＝6个通道，信号采样次数为N＝100，给定的虚警概率为Pf＝0.1，信噪比区间为-15分贝到0分贝，采用本发明方法和传统的最大特征值频谱感知方法的检测概率如图2所示。从图2中可以看出，随着信噪比的增大，采用本发明方法的检测概率和采用传统的最大特征值频谱感知方法的检测概率都在增大，但是信噪比小于-11分贝时，采用传统的最大特征值频谱感知方法的检测概率随信噪比的增大变化不明显，而采用本发明方法的检测概率明显得到提升；当信噪比为-9分贝时，采用本发明方法的检测概率约为0.95，而采用传统的最大特征值频谱感知方法的检测概率不到0.6；当信噪比大于或等于-7分贝时，采用本发明方法的检测概率已达到1，而采用传统的最大特征值频谱感知方法在信噪比大于或等于-6分贝时达到1，这足以说明本发明方法的感知性能优于传统的最大特征值频谱感知方法的感知性能。
Claims (2)
1.一种最大特征值频谱感知方法，其特征在于处理过程为：在授权用户的静默期内估计得到噪声功率；在当前感知时隙内，对来自多个通道的信号进行多次采样，并将每次采样得到的多个样本构成一个样本向量；然后根据所有样本向量计算协方差矩阵；再根据协方差矩阵的最大特征值及噪声功率，计算检验统计量；最后通过比较检验统计量与判决门限的大小，判定当前感知时隙内是否存在授权用户信号。
2.根据权利要求1所述的一种最大特征值频谱感知方法，其特征在于具体包括以下步骤：
步骤一：从授权用户的公开的地理信息数据库中获取授权用户的静默期；然后在授权用户的静默期内估计得到噪声功率，记为
步骤二：在认知无线电系统中配置有M个通道；将当前想要采样的感知时隙定义为当前感知时隙；然后在当前感知时隙内，对来自M个通道的信号进行同时采样，共进行N次采样，每次采样得到M个样本；接着将每次采样得到的M个样本构成一个样本向量，将第n次采样得到的M个样本构成的样本向量记为x(n)，x(n)＝[x1(n),x2(n),…,xM(n)]T；其中，M≥3，N≥2M，n为正整数，1≤n≤N，符号“[]”为向量表示符号，[x1(n),x2(n),…,xM(n)]T为[x1(n),x2(n),…,xM(n)]的转置，x1(n),x2(n),…,xM(n)对应表示第n次采样得到的第1个样本、第n次采样得到的第2个样本、……、第n次采样得到的第M个样本；
步骤三：根据N个样本向量，计算协方差矩阵，记为R，其中，R的维数为M×M，(x(n))H为x(n)的共轭转置；
步骤四：计算R的M个特征值；然后从R的M个特征值中找出最大特征值，记为λmax；
步骤五：根据λmax和计算检验统计量，记为T，
步骤六：判断T是否大于判决门限d，如果T＞d，则判定当前感知时隙内存在授权用户信号；否则，判定当前感知时隙内不存在授权用户信号；其中，d满足给定的虚警概率Pf，并通过计算机仿真获得，Pf∈[0,1]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811059865.XA CN109150342A (zh) | 2018-09-12 | 2018-09-12 | 一种最大特征值频谱感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811059865.XA CN109150342A (zh) | 2018-09-12 | 2018-09-12 | 一种最大特征值频谱感知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109150342A true CN109150342A (zh) | 2019-01-04 |
Family
ID=64824788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811059865.XA Pending CN109150342A (zh) | 2018-09-12 | 2018-09-12 | 一种最大特征值频谱感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109150342A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110350992A (zh) * | 2019-07-26 | 2019-10-18 | 西安电子科技大学 | 一种基于差分特征值的鲁棒性频谱感知方法、装置及计算机存储介质 |
| CN114205870A (zh) * | 2021-12-24 | 2022-03-18 | 宁波大学 | 一种通过过采样估计噪声功率的方法 |
| CN114374450A (zh) * | 2021-12-24 | 2022-04-19 | 宁波大学 | 一种基于过采样的最大特征值检测器 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102271022A (zh) * | 2011-07-22 | 2011-12-07 | 宁波大学 | 一种基于最大广义特征值的频谱感知方法 |
| CN107682103A (zh) * | 2017-10-20 | 2018-02-09 | 宁波大学 | 一种基于最大特征值和主特征向量的双特征频谱感知方法 |
| CN108322277A (zh) * | 2018-04-04 | 2018-07-24 | 宁波大学 | 一种基于协方差矩阵反特征值的频谱感知方法 |
-
2018
- 2018-09-12 CN CN201811059865.XA patent/CN109150342A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102271022A (zh) * | 2011-07-22 | 2011-12-07 | 宁波大学 | 一种基于最大广义特征值的频谱感知方法 |
| CN107682103A (zh) * | 2017-10-20 | 2018-02-09 | 宁波大学 | 一种基于最大特征值和主特征向量的双特征频谱感知方法 |
| CN108322277A (zh) * | 2018-04-04 | 2018-07-24 | 宁波大学 | 一种基于协方差矩阵反特征值的频谱感知方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘昆等: "《一种基于协方差矩阵行列式的频谱感知方法》", 《信息传输与接入技术》 * |
| 金明等: "《基于广义特征值的合作频谱感知方法》", 《通信学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110350992A (zh) * | 2019-07-26 | 2019-10-18 | 西安电子科技大学 | 一种基于差分特征值的鲁棒性频谱感知方法、装置及计算机存储介质 |
| CN114205870A (zh) * | 2021-12-24 | 2022-03-18 | 宁波大学 | 一种通过过采样估计噪声功率的方法 |
| CN114374450A (zh) * | 2021-12-24 | 2022-04-19 | 宁波大学 | 一种基于过采样的最大特征值检测器 |
| CN114374450B (zh) * | 2021-12-24 | 2023-10-20 | 宁波大学 | 一种基于过采样的最大特征值检测器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109194417A (zh) | 一种协方差矩阵频谱感知方法 | |
| CN106656374A (zh) | 一种基于双门限能量检测的协作宽带频谱感知方法 | |
| CN108322277B (zh) | 一种基于协方差矩阵反特征值的频谱感知方法 | |
| CN113595664A (zh) | 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 | |
| CN102710345A (zh) | 一种基于多天线Friedman检验的认知无线电频谱感知方法 | |
| CN104821852B (zh) | 一种基于多天线瞬时功率的频谱感知方法 | |
| CN107682103B (zh) | 一种基于最大特征值和主特征向量的双特征频谱感知方法 | |
| CN102271022B (zh) | 一种基于最大广义特征值的频谱感知方法 | |
| CN109150342A (zh) | 一种最大特征值频谱感知方法 | |
| CN105721083B (zh) | 一种基于自相关能量的频谱检测方法 | |
| CN109120360A (zh) | 在授权用户静默期估计噪声功率的能量检测频谱感知方法 | |
| CN107770778B (zh) | 一种基于软融合策略的盲协作频谱感知方法 | |
| CN110798270B (zh) | 一种基于功率方差比较的多频带频谱感知方法 | |
| CN108900268B (zh) | 利用小特征值估计噪声功率的最大特征值频谱感知方法 | |
| CN103780318A (zh) | 一种动态双门限协作频谱感知方法 | |
| CN109219055B (zh) | 一种主用户占空比估计方法 | |
| CN108400826B (zh) | 一种基于循环矩阵特征值的频谱感知方法 | |
| CN104954089A (zh) | 一种基于多天线瞬时功率比较的频谱感知方法 | |
| CN105490761A (zh) | 车联认知无线电自适应频谱感知方法 | |
| CN104363065B (zh) | 基于非高斯性测度的无线通信系统频谱感知方法 | |
| CN109286937B (zh) | 利用小特征值估计噪声功率的协方差矩阵频谱感知方法 | |
| CN117614572A (zh) | 一种基于深度学习的非圆信号频谱感知方法 | |
| CN103248442B (zh) | 一种时间同步情况下的ofdm信号频谱感知方法 | |
| CN109067484B (zh) | 一种利用以往感知时隙数据的能量检测频谱感知方法 | |
| CN104320209A (zh) | 一种基于拟合优度检验的频谱感知方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
| RJ01 | Rejection of invention patent application after publication |