CN109412718B - 宽带频谱信号检测方法 - Google Patents
宽带频谱信号检测方法 Download PDFInfo
- Publication number
- CN109412718B CN109412718B CN201811579013.3A CN201811579013A CN109412718B CN 109412718 B CN109412718 B CN 109412718B CN 201811579013 A CN201811579013 A CN 201811579013A CN 109412718 B CN109412718 B CN 109412718B
- Authority
- CN
- China
- Prior art keywords
- signal
- spectrum
- vector
- broadband
- band
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
- H04B17/327—Received signal code power [RSCP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/345—Interference values
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
Abstract
本发明属于无线通信技术领域,具体的说是宽带频谱信号检测方法。为解决通信系统中宽频谱信号检测选择过程中系统开销和时间消耗大,以及在硬件实现中需要较高的硬件复杂度的问题,本发明提出了基于压缩感知技术的宽频谱信号检测方法。通过利用相关的压缩感知技术,利用压缩采样来实现亚奈奎斯特采样率下的宽带频谱占用恢复。然后,提出了利用宽带接入中的占用异构性的新技术以及利用机器学习来提高频谱感知恢复效率的方法。建议的方法不仅能减少系统开销,节省用户能耗,还能降低硬件复杂度。同样得益于压缩感知技术,在反馈过程中,根据提供的占有率信息,可以进一步提升系统效率。
Description
技术领域
本发明属于无线通信技术领域,涉及信号检测(Signal Detection),压缩感知技术,具体的说是涉及宽带频谱信号检测方法。
背景技术
频谱检测一直是许多研究的焦点,因为它在促进动态频谱接入方面发挥着重要作用。然而,现有研究成果主要集中在窄带接入,直到最近才有宽带频谱接入吸引了一些动力,这仅仅是由于近来对频谱资源的高需求以及物联网(IoT)和第五代的出现(5G)技术,迫使FCC等监管机构开放更高频率的新频段。尽管这些新的法规和规则为频谱接入带来了新的机遇以满足新的需求,但他们也是如此呈现新的频谱感知挑战。
宽带谱感应的传统方法包括首先使用模数转换器(ADC)将宽带信号数字化,然后应用数字信号处理(DSP)技术来定位频谱空缺。一种简单的方法是频率扫描,其基本上将宽带频率划分为多个窄带,然后使用窄带感测方法扫过所有窄带以定位频谱可用性。这种方法的一个主要问题是扫描延迟,这会造成很大的局限性,特别是对于实时应用。另一种方法是使用多个滤波硬件模块,每个窄带使用一个滤波硬件模块,以便在所有窄带上进行并行传感。虽然它解决了延迟问题,但从硬件的角度来看,这种方法可能非常昂贵。小波技术也被提出用于执行宽带感测,其使用功率谱密度分析来检测可用于定位频谱可用性的不规则性。更自然的方法是以奈奎斯特(或更高)速率对占据整个宽带的时域信号进行采样,然后使用快速傅里叶变换(FFT)方法来确定整个频谱的频率占用率。尽管这看起来更自然,但这些奈奎斯特速率采样方法的问题在于它们需要复杂的硬件和ADC电路,这些电路必须以高采样速率工作,以及可能导致显着延迟的复杂DSP算法,这使得这些方法不切实际应用于宽带频谱感知。
发明内容
本发明的主要工作是提出了一种宽带频谱检测方法,利用该频谱检测方法,可以用于战场环境,感知敌方活动状态。并利用频谱信号的功率的强弱,来检测敌方是临近我方还是远离我方。根据这个宽带频谱感知设备,可以精确绘制频谱地图,根据频谱地图,有效地实施对敌方信号的干扰。
本发明的目的,采用欠奈奎斯特采样的方法,用于干扰信号检测;由于采用欠奈奎斯特采样,可以硬件低复杂度实现宽带频谱范围的信号检测,从而未干扰的频带进行有效信号传输。利用有限的采样量,恢复出采样信号。
本发明的技术方案如下:
宽带频谱干扰信号检测方法,设定宽带系统具有n个非重叠窄带,干扰用户信号和通信用户的接收信号占用整个宽带频谱,其特征在于,包括以下步骤:
S1、采用欠奈奎斯特采样,在SU的前端采样的离散信号r[l],l=0,1,…,n-1表示为:
r[l]=h[l]*s[l]+w[l]
其中h[l]是主发射机和SU之间的信道冲击,s[l]是干扰发射信号,w[l]是具有w[l]~N(0,σ2)的加性高斯白噪声,并且*是卷积算子;对接收到的离散信号r[l]的表达式进行DFT得到R=HS+W=x+W,其中H,S和W是h[l],s[l]和w[l]的离散化矩阵,矢量x是包含在不同窄带发送的PU的接收信号的衰减;所述SU为感知用户,PU为主用户;
根据加权LASSO算法恢复出原始信号。
本发明的有益效果是:
有效降低了系统中的噪声干扰,在硬件实现上,以较低的硬件复杂度实现宽带频谱范围的信号检测。
利用有限的采样量,恢复出采样信号,通过从采样信号的强度感知,从而获知敌方设备的运行状态,根据设备运行状态,判知敌军动态,为我军作为应战准备。
通过对宽带频谱进行划分,可以更准确的得到原始信号。除此之外,本方法可以去除传统频谱占有率信息恢复所需要的更多冗余信息,减小反馈开销,提升系统效率。
数据传输阶段采用压缩频谱方法,可以减小信号间的干扰。
附图说明
图1为压缩的宽带频谱感测架构。
图2为不同用户频谱占用的频谱带。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行进一步详细描述。
图1显示了捕获这些体系结构的关键组件的高级实现。首先,使用低噪声放大器(LNA)对接收到的宽带RF信号进行放大并馈送到N个并行分支,其中在每个分支处与独特的伪随机(PN)序列(例如±1)。在每个分支处的混合步骤基本上用一个n长度随机信号调制信号,产生信号,该信号只是移位副本的线性组合的频域信号占据宽带频谱的每个频带。换句话说,混合操作扩展了整个频谱,使得每个分支的低通滤波(LPF)输出是包含来自所有其他频带的能量的信号的窄带副本。将其与前面讨论的理论相结合,可以将每个PN序列看作感知测量矩阵的一行,因此,重要的是PN序列不相关以确保可靠恢复。在低通滤波之后,然后在每个分支处以由窄带宽度确定的速率(远低于奈奎斯特速率)进行采样,产生输出序列。再次,这里每个序列的频域版本是占据不同频带的信号的移位版本的组合。最后,DSP算法用于恢复信号并提供每个频段的占用率。图2给出了不同频率块的占有统计图。
实施例
本例考虑一个具有n个非重叠窄带的宽带系统和一个接收占用整个宽带频谱的干扰用户信号和通信用户。本例的目标是对其接收信号r(t)进行频谱分析,通信用户获取n个窄带中的每一个的频谱占用率。
根据奈奎斯特/香农采样理论,为了在不混淆的情况下重建r(t),必须采用至少两倍于最大宽带频率fmax的采样。考虑具有T0=1/(2fmax)的灵敏窗口其中L表示保证以奈奎斯特速率或高于奈奎斯特速率采样信号所需的最小采样数。样本矢量是离散矢量r[l],其中L个元素是
一种明显的频谱占用恢复方法将包括以下步骤:对样本矢量执行离散傅立叶变换(DFT)以计算每个窄带中存在的能量级,然后使用这些计算的能量值来确定窄带的可用性。更具体地说,占据窄带b,b=1,2,…,L的接收信号可以在频域中通过其DFT被表示为使用r[l]来计算;即现在对于每个窄带b,可以在不同的间隔上重复该过程M次,计算该窄带上的接收能量的总和统计(即,),并将其与一些决定窄带b是否可用。L越大,感知周期越长,因此采样数量越多,但采样频率数量越多(即分辨率越好)。在整个过程中,为了正常和简单,我们考虑L=n;也就是说,采样频率的数量被设置为窄带的数量。
如前所述,这种非压缩信号恢复方法面临的挑战是它需要高采样率,因此需要复杂的ADC硬件和信号处理算法。本例利用压缩方法作为替代解决方案。
各种测量研究表明,宽带频谱具有相对较低的占用率,因此可以利用压缩采样来恢复亚奈奎斯特采样率下的频谱占用信息[。简单地说,压缩采样理论允许通过比奈奎斯特率更低的采样率来重构稀疏信号(或矢量),其中,形式上,如果矢量具有(稀疏)至多k个非零元素;即
在本例,令x是代表n个窄带(0空置)的占用信息的{n×1}向量;x的稀疏度k是指占用的窄带的数量。由于这种稀疏性,压缩采样很方便,并且允许通过长度为n的矢量x仅采集m<<n个测量结果来恢复占用信息。在整个过程中,y将表示这些m个测量的长度为m的向量。
压缩频谱感知:在t=lT0,l=0,1,…,n-1时,其元素是接收信号r(t)的样本的离散向量r并且可以用n×1傅立叶逆矩阵列向量作为或者以矩阵符号表示为其中x又是表示相应感知期间n个窄带的占用信息的{n×1}向量周期,而是列为的n×n矩阵。虽然x或r可以唯一地表示接收信号的奈奎斯特速率采样,但只有频域表示x是稀疏的。也就是说,用k来再次表示稀疏度,则r可以被看作是仅有k<<n个基础矩阵的列的线性组合。正是这种稀疏结构允许使用压缩采样来恢复x,而只有m<<n个采样而不是所有n个采样。令m×n矩阵F表示m长度为n行的n对m的缩减矩阵,可以将这些m个测量的长度为m的向量y写为y=φr,或者,通过将r替换为y=ψx,这里每个测量值yi=<φi,r>不过是n个样本的线性组合。
首先,通过求解系统y=ψx来恢复x,如果x不是稀疏的,那么将会是一个不适合的问题,因为未知数比方程数多。由于x是k-稀疏矩阵,那么只要y具有受限的等距特性(RIP)[,就可以从m个测量值(即y)中恢复它。因此,如何构造约化矩阵φ使得ψ具有RIP为目标。已经表明,高斯矩阵φ的元素φi,j分别从i.i.d中绘出。具有零均值和1/n方差的高斯随机变量可以确保RIP成立,矩阵具有RIP并且向量x可以仅用m=O(k log(n/k))测量值恢复。
频谱恢复方法:当考虑到无噪声环境时,可以通过简单地找到最小化并受y=ψz限制的z来恢复x。然而,解决这样的组合问题在计算上是昂贵的,因此,启发式方法已被提议作为替代解决方案。例如,已经证明,通过简单地最小化z的l1范数而不是它的l0范数,这个组合问题可以等价地表示为凸优化问题(因此可以通过经典线性规划求解);目前广为人知的是BP。
本例打算从中恢复频谱占用信息向量x的m个测量值(即,y)通常不是无噪声的。考虑一个衰减的和有噪声的通信环境,其中在SU的前端采样的离散信号r[l],l=0,1,…,n-1可以表示为r[l]=h[l]*s[l]+w[l],其中h[l]是主发射机和SU之间的信道冲击,s[l]干扰发射信号,w[l]是具有w[l]~N(0,σ2)的加性高斯白噪声,并且*是卷积算子。现在对接收到的离散信号r的表达式进行DFT得到R=HS+W=x+W,其中H,S和W是h[l],s[l]和w[l]的离散化矩阵,然后对得到的方程进行傅里叶逆变换得到这里的矢量x包含在不同窄带发送的PU的信号的衰减版本。现在给定测量向量y=φr,我们可以写出或者更紧凑地,y=ψx+η,其中η=ψW,其中并且φ是n对m减小矩阵,其将测量/采样的数量从n减少到仅m。与无噪声(理想)环境中,在这种嘈杂的(现实的)环境中,不仅有更少的信号样本,而且这些少数观察结果也不准确。
采用压缩采样理论,即使在这种不利的情况下,也可以帮助恢复x。显然,由于收集到的测量结果不完善,现在恢复的矢量可能不准确。然而,针对这种特定情况已经开发了许多具有各种误差界限的恢复方法。通常称为LASSO的l1最小化方法,像OMP,CoSaMP和AS-SaMP这样的贪婪追求都是这些方法的良好代表。例如,LASSO通过解决所有可行信号中最稀疏的一个有界误差遵循l1最小化问题
硬件实现:最近也出现了一些旨在设计适合于宽带频谱感测的新硬件体系结构(,其重点是平衡扫描时间,能耗和硬件复杂性/成本。为了说明,图1显示了捕获这些体系结构的关键组件的高级实现。首先,使用低噪声放大器(LNA)对接收到的宽带RF信号r(t)进行放大并馈送到m个并行分支,其中在每个分支处r(t)与独特的伪随机(PN)序列(例如±1)。在每个分支处的混合步骤基本上用一个n长度随机信号调制信号r(t),产生信号该信号只是移位副本的线性组合的频域信号占据宽带频谱的每个频带。换句话说,混合操作扩展了整个频谱,使得每个分支的低通滤波(LPF)输出是包含来自所有其他频带的能量的信号的窄带副本。
将其与前面讨论的理论相结合,可以将每个PN序列看作感测矩阵的一行,因此,重要的是PN序列不相关以确保可靠恢复。在低通滤波之后,然后在每个分支i处以由窄带宽度确定的速率(远低于奈奎斯特速率)进行采样,产生输出序列yi[n]。再次,这里每个序列的频域版本yi[n]是占据不同频带的信号的移位版本的组合。最后,DSP算法用于恢复信号并提供每个频段的占用率。
干扰主要用户占用灰色带,白色带空置:a)不同频谱块的平均占用率;b)在某个时间段有一种可能的分配。
减轻了宽带压缩频谱感知
模拟每个宽带的状态i,参数pi∈[0,1],其中pi是波段i被某个PU占据的概率。设为平均值区块j内占用的频带数(假设在频带占用情况下是独立的)。频谱占用行为的块状结构指示kj从一个块到另一个块变化;必要时,将具有相似稀疏级别的块合并在一起,并分配与其平均值相对应的稀疏级别。这些每块频谱占用平均值可以通过测量直接估算或由频谱运营商提供。本例提出的恢复方法称为加权LASSO(wLASSO),它集成并利用了在不同频率块上观察到的稀疏变异性,以便进行更高效的解决方案搜索。再次参考进行说明,定义矢量变量z为其中zi是与之对应的ni×1向量为i∈{1,…,g}分块i,并为每个块i分配权重wi,当wi>wj时,ki>kj对于所有块i,j。本质上,权重的设计方式是,将具有较高稀疏度的块分配较小的权重;例如,设置满足这样的设计要求。获得的加权LASSO就是
直观地说,通过为具有较高稀疏性等级的块分配较小的权重,加权LASSO确保在所有可行矢量中搜索稀疏解矢量的目标是针对具有较小稀疏等级的块,从而减少恢复错误和/或需要更少的测量。
本发明还提出如下的硬件实现方式:
首先,使用低噪声放大器(LNA)对接收到的宽带RF信号进行放大并馈送到m个并行分支,其中在每个分支处与独特的伪随机(PN)序列(例如±1)。在每个分支处的混合步骤基本上用一个n长度随机信号调制信号产生信号,该信号只是移位副本的线性组合的频域信号占据宽带频谱的每个频带。换句话说,混合操作扩展了整个频谱,使得每个分支的低通滤波(LPF)输出是包含来自所有其他频带的能量的信号的窄带副本。将其与前面讨论的理论相结合,可以将每个PN序列看作感测矩阵的一行,因此,重要的是PN序列不相关以确保可靠恢复。在低通滤波之后,然后在每分支处以由窄带宽度确定的速率(远低于奈奎斯特速率)进行采样,产生输出序列。再次,这里每个序列的频域版本是占据不同频带的信号的移位版本的组合。最后,DSP算法用于恢复信号并提供每个频段的占用率。
Claims (1)
1.一种宽带频谱信号检测方法,设定宽带系统具有n个非重叠窄带,干扰用户信号和通信用户的接收信号占用整个宽带频谱,其特征在于,包括以下步骤:
S1、采用欠奈奎斯特采样,在SU的前端采样的离散信号r[l],l=0,1,…,n-1表示为:
r[l]=h[l]*s[l]+w[l]
其中h[l]是主发射机和感知用户SU之间的信道冲击响应,s[l]是干扰发射信号,w[l]是具有w[l]~N(0,σ2)的加性高斯白噪声,并且*是卷积算子;对接收到的离散信号r[l]的表达式进行DFT得到R=HS+W=x+W,其中H,S和W是h[l],s[l]和w[l]的离散化矩阵,矢量x是包含在不同窄带发送的主用户PU的接收信号的衰减;
其中,l1、l2是计算中加入的作为罚约束的范数;
根据加权LASSO算法恢复出通信用户的接收信号并且消除干扰信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811579013.3A CN109412718B (zh) | 2018-12-24 | 2018-12-24 | 宽带频谱信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811579013.3A CN109412718B (zh) | 2018-12-24 | 2018-12-24 | 宽带频谱信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109412718A CN109412718A (zh) | 2019-03-01 |
CN109412718B true CN109412718B (zh) | 2021-07-09 |
Family
ID=65460740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811579013.3A Active CN109412718B (zh) | 2018-12-24 | 2018-12-24 | 宽带频谱信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109412718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115632727A (zh) * | 2022-09-15 | 2023-01-20 | 鹏城实验室 | 一种频谱感知方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103139828A (zh) * | 2012-12-29 | 2013-06-05 | 东北大学 | 一种宽带频谱感知装置及方法 |
CN104270234A (zh) * | 2014-09-12 | 2015-01-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于欠奈奎斯特采样的宽带信号检测识别方法 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8908546B2 (en) * | 2008-09-04 | 2014-12-09 | Koninklijke Philips N.V. | Distributed spectrum sensing |
-
2018
- 2018-12-24 CN CN201811579013.3A patent/CN109412718B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103139828A (zh) * | 2012-12-29 | 2013-06-05 | 东北大学 | 一种宽带频谱感知装置及方法 |
CN104270234A (zh) * | 2014-09-12 | 2015-01-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于欠奈奎斯特采样的宽带信号检测识别方法 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109412718A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Slavinsky et al. | The compressive multiplexer for multi-channel compressive sensing | |
Kirolos et al. | Analog-to-information conversion via random demodulation | |
KR20140092998A (ko) | 압축 센싱을 이용한 광대역 스펙트럼 센싱 방법 및 장치 | |
WO2010108099A1 (en) | Method and apparatus for compressive domain filtering and interference cancelation | |
KR102364215B1 (ko) | 인지 무선 시스템에서 합성곱 신경망 기반 스펙트럼 센싱 방법 및 장치 | |
Sundman et al. | On the use of compressive sampling for wide-band spectrum sensing | |
CN109412718B (zh) | 宽带频谱信号检测方法 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN106452626B (zh) | 基于多组互质采样的宽带频谱压缩感知 | |
CN103401560A (zh) | 基于轮廓预提取的直接信息采样系统及其方法 | |
Huang et al. | A simplified FRI sampling system for pulse streams based on constraint random modulation | |
CN114244458B (zh) | 一种亚奈奎斯特采样前端的全盲频谱感知方法 | |
CN114245117B (zh) | 多采样率复用重建网络方法、装置、设备及存储介质 | |
US7994959B2 (en) | System and method of signal sensing, sampling and processing through the exploitation of channel mismatch effects | |
Alam et al. | Computationally efficient compressive sensing in wideband cognitive radios | |
Pan et al. | Joint multiband signal detection and cyclic spectrum estimation from compressive samples | |
Grigoryan et al. | Performance comparison of reconstruction algorithms in discrete blind multi-coset sampling | |
CN111490793A (zh) | 一种基于阶梯型随机序列的调制宽带转换器的混频矩阵生成方法 | |
Wang et al. | Compressive sampling for recognition of frequency-hopping spread spectrum signals | |
Kim et al. | Multi-channel analog-to-digital conversion using a single-channel quantizer | |
KR102246461B1 (ko) | Mwc 기반의 레이더 전자 감시 시스템 | |
KR102246472B1 (ko) | Mwc 기반의 레이더 전자 감시 방법 | |
KR102100344B1 (ko) | 레이더 전자 감시 방법 | |
KR102100342B1 (ko) | 레이더 전자 감시 시스템 | |
Petrellis | Compressive sampling methods and their implementation issues |
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 |