CN109962745A - 一种频谱感知方法、系统及装置 - Google Patents
一种频谱感知方法、系统及装置 Download PDFInfo
- Publication number
- CN109962745A CN109962745A CN201910271910.6A CN201910271910A CN109962745A CN 109962745 A CN109962745 A CN 109962745A CN 201910271910 A CN201910271910 A CN 201910271910A CN 109962745 A CN109962745 A CN 109962745A
- Authority
- CN
- China
- Prior art keywords
- matrix
- user
- signal
- frequency spectrum
- clusters
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 250
- 238000013475 authorization Methods 0.000 claims abstract description 41
- 230000008447 perception Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 238000011946 reduction process Methods 0.000 claims description 18
- 230000001149 cognitive effect Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 5
- 238000005215 recombination Methods 0.000 claims description 5
- 230000006798 recombination Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 51
- 238000001514 detection method Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种频谱感知方法、系统及装置,包括:根据每个次用户的每根天线接收到的信号数据,得到每个次用户的所有天线接收到的信号数据所构成的信号矩阵;将所有次用户分为两个簇,并将两个簇对应的信号矩阵分别进行重组得到第一矩阵和第二矩阵;将第一矩阵和第二矩阵分别进行计算得到与第一矩阵对应的第一协方差矩阵和第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征;将多个统计特征组成的特征向量输入至预先设计好的二分类器中,并根据二分类器的分类结果确定主用户是否正在使用授权信道,以使次用户使用主用户当前不使用的授权信道。可见,本申请无需主用户的先验信息,应用范围较广。
Description
技术领域
本发明涉及无线通信领域,特别是涉及一种频谱感知方法、系统及装置。
背景技术
目前,认知无线电是一种有望缓解无线频谱资源短缺、频谱利用率低下的智能无线通信技术,其允许次用户使用主用户当前没有使用的频谱空穴,从而提高频谱利用率。在认知无线电系统中,频谱感知技术是一项关键技术,其主要功能在于检测认知无线电系统中可供次用户使用的频谱空穴,同时监测主用户信号的活动情况,从而使次用户在使用频谱空穴的同时避免对拥有授权频段的主用户形成干扰,即主用户以最高的优先级使用被授权的频段。现有技术中,匹配滤波检测方法是一种常用的频谱感知方法,但匹配滤波检测方法需事先知道主用户的先验信息,所以其只能应用于对主用户信息比较了解的频谱环境中,应用范围较窄。
因此,如何提供一种解决上述技术问题的方案是本领域的技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种频谱感知方法、系统及装置,无需主用户的先验信息,所以其不仅适用于对主用户信息比较了解的频谱环境中,还适用于主用户信息未知的频谱环境中,应用范围较广。
为解决上述技术问题,本发明提供了一种频谱感知方法,应用于包含主用户和次用户的认知无线电系统,包括:
根据每个所述次用户的每根天线接收到的信号数据,得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵;
将所有所述次用户分为两个簇,并将两个所述簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵;
将所述第一矩阵和所述第二矩阵分别进行计算,得到与所述第一矩阵对应的第一协方差矩阵和所述第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征;
将多个所述统计特征组成的特征向量输入至预先设计好的二分类器中,并根据所述二分类器的分类结果确定所述主用户是否正在使用授权信道,以使所述次用户使用所述主用户当前不使用的授权信道。
优选地,在得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵之后,在将所有所述次用户分为两个簇之前,所述频谱感知方法还包括:
对目标次用户对应的信号矩阵进行降噪处理,并将降噪处理后的信号矩阵作为所述目标次用户对应的信号矩阵;其中,所述目标次用户为所有所述次用户中任一次用户。
优选地,所述根据每个所述次用户的每根天线接收到的信号数据,得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵的过程,包括:
根据第i个次用户的第l根天线接收到的信号情况,得到二元信号模型其中,为第i个次用户的第l根天线接收到的信号,wl(n)为加性高斯白噪声,hl(n)为信道衰减系数,sl(n)为所述主用户发射的信号,N为信号采样点数;
将所述二元信号模型转化为矩阵形式以得到第i个次用户的所有天线接收到的信号数据所构成的信号矩阵其中,A为第i个次用户的天线个数。
优选地,所述对目标次用户对应的信号矩阵进行降噪处理的过程,包括:
采用小波阈值去噪原理对第i个次用户对应的信号矩阵进行降噪处理,得到降噪后的信号矩阵
优选地,所述将所有所述次用户分为两个簇,并将两个所述簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵的过程,包括:
将所有所述次用户分为两个簇和其中,当所述次用户的个数M为奇数时,当M为偶数时,
将两个所述簇对应的信号矩阵分别进行重组,得到第一矩阵X和第二矩阵Y。
优选地,所述将所述第一矩阵和所述第二矩阵分别进行计算,得到与所述第一矩阵对应的第一协方差矩阵和所述第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征的过程,包括:
将所述第一矩阵X和所述第二矩阵Y分别进行计算,得到与所述第一矩阵对应的第一协方差矩阵和所述第二矩阵对应的第二协方差矩阵
根据所述第一协方差矩阵的特征值得到第一最大最小特征值之差和第一最大特征值与迹之比并根据所述第二协方差矩阵的特征值得到第二最大最小特征值之差和第二最大特征值与迹之比
优选地,所述二分类器预先设计的过程,包括:
预先根据已收集的次用户的信号数据得到训练特征集合其中,b=1,2,...,B,z∈{DMM,RMET},B为训练特征向量的个数;
根据高斯混合模型 利用最大似然函数得到最优参数其中,K为混合分量数,πk为混合系数且为均值为μk方差为∑k的高斯分布;
利用关系式设计二分类器,以使所述二分类器在所述关系式成立时确定所述主用户正在使用授权信道、在所述关系式不成立时确定所述主用户当前未使用授权信道,其中,为在进行在线感知时所得到的特征向量,ξ为预设阈值。
为解决上述技术问题,本发明还提供了一种频谱感知系统,应用于包含主用户和次用户的认知无线电系统,包括:
矩阵构建模块,用于根据每个所述次用户的每根天线接收到的信号数据,得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵;
矩阵重组模块,用于将所有所述次用户分为两个簇,并将两个所述簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵;
统计特征模块,用于将所述第一矩阵和所述第二矩阵分别进行计算,得到与所述第一矩阵对应的第一协方差矩阵和所述第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征;
分类模块,用于将多个所述统计特征组成的特征向量输入至预先设计好的二分类器中,并根据所述二分类器的分类结果确定所述主用户是否正在使用授权信道,以使所述次用户使用所述主用户当前不使用的授权信道。
优选地,所述频谱感知系统还包括:
信号降噪模块,用于在得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵之后,在将所有所述次用户分为两个簇之前,对目标次用户对应的信号矩阵进行降噪处理,并将降噪处理后的信号矩阵作为所述目标次用户对应的信号矩阵;其中,所述目标次用户为所有所述次用户中任一次用户。
为解决上述技术问题,本发明还提供了一种频谱感知装置,包括:
存储器,用于存储计算机程序;
处理器,用于在执行所述计算机程序时实现上述任一种频谱感知方法的步骤。
本发明提供了一种频谱感知方法,应用于包含主用户和次用户的认知无线电系统,包括:根据每个次用户的每根天线接收到的信号数据,得到每个次用户的所有天线接收到的信号数据所构成的信号矩阵;将所有次用户分为两个簇,并将两个簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵;将第一矩阵和第二矩阵分别进行计算,得到与第一矩阵对应的第一协方差矩阵和第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征;将多个统计特征组成的特征向量输入至预先设计好的二分类器中,并根据二分类器的分类结果确定主用户是否正在使用授权信道,以使次用户使用主用户当前不使用的授权信道。
本申请的频谱感知方法以次用户的天线接收到的信号数据为出发点,得到每个次用户对应的信号矩阵,然后将信号矩阵经过一系列的重组、协方差及统计特征的运算,得到由多个可表征信号特性的统计特征组成的特征向量,最后将特征向量输入至已设计好的二分类器中便可确定主用户是否正在使用授权信道。可见,本申请的频谱感知方法无需主用户的先验信息,所以其不仅适用于对主用户信息比较了解的频谱环境中,还适用于主用户信息未知的频谱环境中,应用范围较广。
本发明还提供了一种频谱感知系统及装置,与上述频谱感知方法具有相同的有益效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种频谱感知方法的流程图;
图2为本发明实施例提供的一种多次用户多天线协作频谱感知系统模型图;
图3为本发明实施例提供的一种频谱感知系统的结构示意图。
具体实施方式
本发明的核心是提供一种频谱感知方法、系统及装置,无需主用户的先验信息,所以其不仅适用于对主用户信息比较了解的频谱环境中,还适用于主用户信息未知的频谱环境中,应用范围较广。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
请参照图1,图1为本发明实施例提供的一种频谱感知方法的流程图。
该频谱感知方法应用于包含主用户和次用户的认知无线电系统,包括:
步骤S1:根据每个次用户的每根天线接收到的信号数据,得到每个次用户的所有天线接收到的信号数据所构成的信号矩阵。
具体地,考虑到在实际的无线网络中,通常存在着多径衰减和阴影衰减等问题,当主用户与次用户之间的信道处于深度衰减时,很难通过分析单个次用户的信号准确判断出主用户是否正在使用授权信道,所以本申请采用多个次用户多根天线协作进行频谱感知,以降低信道衰减对频谱感知性能的影响。
请参照图2,图2为本发明实施例提供的一种多次用户多天线协作频谱感知系统模型图。图2中,认知无线电系统包含一个主用户、M个次用户(M为大于1的整数)及一个融合中心(融合中心用于收集各次用户的天线接收到的信号),并且,每个次用户均有A根天线(A为大于1的整数),而主用户和融合中心仅有一根天线。
基于图2所示模型,本申请首先从融合中心中获取每个次用户的每根天线接收到的信号数据,从而得到每个次用户的所有天线接收到的信号数据,然后将每个次用户的所有天线接收到的信号数据构成信号矩阵。
步骤S2:将所有次用户分为两个簇,并将两个簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵。
具体地,为了能够便利地提取信号特征,本申请将所有次用户分为两个簇(第一簇和第二簇),即将所有次用户划分成两个集合。然后,本申请将第一簇中所有次用户对应的信号矩阵重组在一起,得到第一矩阵;同时将第二簇中所有次用户对应的信号矩阵重组在一起,得到第二矩阵,以为后续提取信号特征打下基础。
步骤S3:将第一矩阵和第二矩阵分别进行计算,得到与第一矩阵对应的第一协方差矩阵和第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征。
具体地,本申请将第一矩阵进行协方差计算,得到与第一矩阵对应的第一协方差矩阵,并求取第一协方差矩阵的特征值;同时将第二矩阵进行协方差计算,得到与第二矩阵对应的第二协方差矩阵,并求取第二协方差矩阵的特征值。已知基于随机矩阵的协作感知算法有最大最小特征值之比、最大特征值与迹之比、最大特征值与平均能量值之差及最大最小特征值之差等协作感知算法,协方差矩阵的特征值基于每个协作感知算法均可以求解出一个表示信号特性的统计特征,所以本申请将第一协方差矩阵的特征值基于多个协作感知算法求解出多个表示信号特性的统计特征,同时将第二协方差矩阵的特征值基于多个协作感知算法求解出多个表示信号特性的统计特征。
步骤S4:将多个统计特征组成的特征向量输入至预先设计好的二分类器中,并根据二分类器的分类结果确定主用户是否正在使用授权信道,以使次用户使用主用户当前不使用的授权信道。
具体地,考虑到根据频谱感知的实际情况,频谱感知可以被认为是一个二分类问题,即主用户是否正在使用授权信道,所以本申请提前设计一个二分类器,二分类器的输入为步骤S3中求解出的多个统计特征组成的特征向量,输出为两种结果:主用户正在使用授权信道,主用户当前未使用授权信道。所以本申请在将多个统计特征组成的特征向量输入至二分类器之后,可根据二分类器的分类结果确定主用户是否正在使用授权信道,当主用户正在使用授权信道时,次用户不允许使用主用户的授权信道;当主用户当前未使用授权信道时,次用户可使用主用户的授权信道,直至主用户再次使用授权信道。可见,本申请的频谱感知方法无需主用户的先验信息,应用范围较广。
本发明提供了一种频谱感知方法,应用于包含主用户和次用户的认知无线电系统,包括:根据每个次用户的每根天线接收到的信号数据,得到每个次用户的所有天线接收到的信号数据所构成的信号矩阵;将所有次用户分为两个簇,并将两个簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵;将第一矩阵和第二矩阵分别进行计算,得到与第一矩阵对应的第一协方差矩阵和第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征;将多个统计特征组成的特征向量输入至预先设计好的二分类器中,并根据二分类器的分类结果确定主用户是否正在使用授权信道,以使次用户使用主用户当前不使用的授权信道。
本申请的频谱感知方法以次用户的天线接收到的信号数据为出发点,得到每个次用户对应的信号矩阵,然后将信号矩阵经过一系列的重组、协方差及统计特征的运算,得到由多个可表征信号特性的统计特征组成的特征向量,最后将特征向量输入至已设计好的二分类器中便可确定主用户是否正在使用授权信道。可见,本申请的频谱感知方法无需主用户的先验信息,所以其不仅适用于对主用户信息比较了解的频谱环境中,还适用于主用户信息未知的频谱环境中,应用范围较广。
在上述实施例的基础上:
作为一种可选地实施例,在得到每个次用户的所有天线接收到的信号数据所构成的信号矩阵之后,在将所有次用户分为两个簇之前,频谱感知方法还包括:
对目标次用户对应的信号矩阵进行降噪处理,并将降噪处理后的信号矩阵作为目标次用户对应的信号矩阵;其中,目标次用户为所有次用户中任一次用户。
进一步地,本申请在计算次用户信号的统计特征之前,为了降低噪声对统计特征的影响,对每个次用户对应的信号矩阵均进行降噪处理,从而更准确地计算出次用户信号的统计特征。
作为一种可选地实施例,根据每个次用户的每根天线接收到的信号数据,得到每个次用户的所有天线接收到的信号数据所构成的信号矩阵的过程,包括:
根据第i个次用户的第l根天线接收到的信号情况,得到二元信号模型其中,为第i个次用户的第l根天线接收到的信号,wl(n)为加性高斯白噪声,hl(n)为信道衰减系数,sl(n)为主用户发射的信号,N为信号采样点数;
将二元信号模型转化为矩阵形式以得到第i个次用户的所有天线接收到的信号数据所构成的信号矩阵其中,A为第i个次用户的天线个数。
具体地,考虑到次用户的天线的接收信号有两种情况:只接到噪声信号,同时接收到噪声信号和主用户发射的信号。所以本申请根据第i个次用户的第l根天线接收到的信号情况,得到二元信号模型wl(n)表示加性高斯白噪声,hl(n)*sl(n)表示第i个次用户的第l根天线接收到的主用户发射的信号。
然后,本申请根据二元信号模型,定义表示第i个次用户的第l根天线接收到的信号数据,从而第i个次用户的所有天线接收到的信号数据所构成的信号矩阵可以表示为:
作为一种可选地实施例,对目标次用户对应的信号矩阵进行降噪处理的过程,包括:
采用小波阈值去噪原理对第i个次用户对应的信号矩阵进行降噪处理,得到降噪后的信号矩阵
具体地,本申请采用小波阈值去噪原理对每个次用户对应的信号矩阵均进行降噪处理,以第i个次用户为例,具体降噪处理步骤如下:
首先通过小波变换信号以获得小波系数W,然后对小波系数W进行阈值处理以获得估计系数最后使用进行小波重构以获得去噪后的信号。其中,本申请采用软阈值函数对小波系数W进行阈值处理,具体表示如下:
其中,γ为Visu Shrink阈值,其满足σn为噪声的标准偏差。
在第i个次用户的所有天线接收到的信号均经过小波降噪后,可以得到一个降噪后的信号矩阵:
作为一种可选地实施例,将所有次用户分为两个簇,并将两个簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵的过程,包括:
将所有次用户分为两个簇和其中,当次用户的个数M为奇数时,当M为偶数时,
将两个簇对应的信号矩阵分别进行重组,得到第一矩阵X和第二矩阵Y。
具体地,本申请将所有次用户分为两个簇和当次用户的个数M>2且M为奇数时,当次用户的个数M≥2且M为偶数时,(当次用户的个数M=2时, )。
然后,当次用户的个数M>2且M为奇数时,本申请将簇对应的信号矩阵进行重组,得到第一矩阵X,第一矩阵X为一个的矩阵:
同时将簇对应的信号矩阵进行重组,得到第二矩阵Y,第二矩阵Y为一个的矩阵:
同理,当次用户的个数M≥2且M为偶数时,同样可以得到X矩阵和Y矩阵,且都为的矩阵。
作为一种可选地实施例,将第一矩阵和第二矩阵分别进行计算,得到与第一矩阵对应的第一协方差矩阵和第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征的过程,包括:
将第一矩阵X和第二矩阵Y分别进行计算,得到与第一矩阵对应的第一协方差矩阵和第二矩阵对应的第二协方差矩阵
根据第一协方差矩阵的特征值得到第一最大最小特征值之差和第一最大特征值与迹之比并根据第二协方差矩阵的特征值得到第二最大最小特征值之差和第二最大特征值与迹之比
具体地,本申请对第一矩阵X进行协方差计算得到与第一矩阵X对应的第一协方差矩阵RX,同时对第二矩阵Y进行协方差计算得到与第二矩阵Y对应的第二协方差矩阵RY。
然后,本申请分别求取第一协方差矩阵RX和第二协方差矩阵RY的特征值。当次用户的个数M>2且M为奇数时,假设第一协方差矩阵RX的特征值从大到小依次为:第二协方差矩阵RY的特征值从大到小依次为:当次用户的个数M≥2且M为偶数时,假设第一协方差矩阵RX和第二协方差矩阵RY的特征值从大到小依次为:
基于此,本申请选用最大最小特征值之差TDMM=λmax-λmin和最大特征值与迹之比g∈{X,Y}这两种性能较优的协作感知算法求解统计特征。具体地,根据第一协方差矩阵RX的特征值得到第一最大最小特征值之差和第一最大特征值与迹之比并根据第二协方差矩阵的特征值得到第二最大最小特征值之差和第二最大特征值与迹之比以得到由多个统计特征组成的特征向量:z∈{DMM,RMET}。
作为一种可选地实施例,二分类器预先设计的过程,包括:
预先根据已收集的次用户的信号数据得到训练特征集合其中,b=1,2,...,B,z∈{DMM,RMET},B为训练特征向量的个数;
根据高斯混合模型 利用最大似然函数得到最优参数其中,K为混合分量数,πk为混合系数且 为均值为μk方差为∑k的高斯分布;
利用关系式设计二分类器,以使二分类器在关系式成立时确定主用户正在使用授权信道、在关系式不成立时确定主用户当前未使用授权信道,其中,为在进行在线感知时所得到的特征向量,ξ为预设阈值。
需要说明的是,本申请的预设是提前设置好的,只需要设置一次,除非根据实际情况需要修改,否则不需要重新设置。
具体地,本申请需提前使用较多数量的训练特征向量Tz对高斯混合模型进行训练,从而得到用于在线感知的二分类器。更具体地,在高斯混合模型训练之前,本申请需提前根据过去已收集的次用户的信号数据得到训练特征集合而高斯混合模型的分布可以表示为:由于频谱感知被认为是一个二分类问题,所以K=2,即高斯混合模型可以分解为:为了求解高斯混合模型中的参数,本申请采用最大似然函数来估计参数(π1,μ1,∑1)和(π2,μ2,∑2),具体步骤如下:
定义分类数量K=2,对于k=1、2,初始化πk,μk,∑k;根据当前的πk,μk,∑k计算后验概率根据后验概率计算πk,μk,∑k,其中,检查参数πk,μk,∑k是否收敛,若否,则返回上述步骤:根据当前的πk,μk,∑k计算后验概率继续执行;若是,则训练完成,将收敛的πk,μk,∑k作为最优参数
基于此,本申请利用关系式设计二分类器,从而使二分类器在关系式成立时确定主用户正在使用授权信道、在关系式不成立时确定主用户当前未使用授权信道。即本申请在进行在线感知时,将当前所获取的特征向量输入至二分类器,二分类器在成立时确定主用户正在使用授权信道,否则确定主用户当前未使用授权信道。
需要说明的是,如果参数ξ设定得越小,则越可能认为主用户当前未使用授权信道,信道可用,从而导致频谱感知系统的虚警概率和检测概率升高。反之,如果ξ设定得越大,则越可能认为主用户正在使用授权信道,信道不可用,从而导致检测概率降低,频谱利用率降低。所以ξ应同时考虑到频谱感知系统的虚警概率和检测概率而设定。
请参照图3,图3为本发明实施例提供的一种频谱感知系统的结构示意图。
该频谱感知系统应用于包含主用户和次用户的认知无线电系统,包括:
矩阵构建模块1,用于根据每个次用户的每根天线接收到的信号数据,得到每个次用户的所有天线接收到的信号数据所构成的信号矩阵;
矩阵重组模块2,用于将所有次用户分为两个簇,并将两个簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵;
统计特征模块3,用于将第一矩阵和第二矩阵分别进行计算,得到与第一矩阵对应的第一协方差矩阵和第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征;
分类模块4,用于将多个统计特征组成的特征向量输入至预先设计好的二分类器中,并根据二分类器的分类结果确定主用户是否正在使用授权信道,以使次用户使用主用户当前不使用的授权信道。
作为一种可选地实施例,频谱感知系统还包括:
信号降噪模块,用于在得到每个次用户的所有天线接收到的信号数据所构成的信号矩阵之后,在将所有次用户分为两个簇之前,对目标次用户对应的信号矩阵进行降噪处理,并将降噪处理后的信号矩阵作为目标次用户对应的信号矩阵;其中,目标次用户为所有次用户中任一次用户。
本发明提供的频谱感知系统的介绍请参考上述频谱感知方法的实施例,本发明在此不再赘述。
本发明还提供了一种频谱感知装置,包括:
存储器,用于存储计算机程序;
处理器,用于在执行所述计算机程序时实现上述任一种频谱感知方法的步骤。
本发明提供的频谱感知装置的介绍请参考上述频谱感知方法的实施例,本发明在此不再赘述。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种频谱感知方法,其特征在于,应用于包含主用户和次用户的认知无线电系统,包括:
根据每个所述次用户的每根天线接收到的信号数据,得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵;
将所有所述次用户分为两个簇,并将两个所述簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵;
将所述第一矩阵和所述第二矩阵分别进行计算,得到与所述第一矩阵对应的第一协方差矩阵和所述第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征;
将多个所述统计特征组成的特征向量输入至预先设计好的二分类器中,并根据所述二分类器的分类结果确定所述主用户是否正在使用授权信道,以使所述次用户使用所述主用户当前不使用的授权信道。
2.如权利要求1所述的频谱感知方法,其特征在于,在得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵之后,在将所有所述次用户分为两个簇之前,所述频谱感知方法还包括:
对目标次用户对应的信号矩阵进行降噪处理,并将降噪处理后的信号矩阵作为所述目标次用户对应的信号矩阵;其中,所述目标次用户为所有所述次用户中任一次用户。
3.如权利要求2所述的频谱感知方法,其特征在于,所述根据每个所述次用户的每根天线接收到的信号数据,得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵的过程,包括:
根据第i个次用户的第l根天线接收到的信号情况,得到二元信号模型其中,为第i个次用户的第l根天线接收到的信号,wl(n)为加性高斯白噪声,hl(n)为信道衰减系数,sl(n)为所述主用户发射的信号,N为信号采样点数;
将所述二元信号模型转化为矩阵形式以得到第i个次用户的所有天线接收到的信号数据所构成的信号矩阵其中,A为第i个次用户的天线个数。
4.如权利要求3所述的频谱感知方法,其特征在于,所述对目标次用户对应的信号矩阵进行降噪处理的过程,包括:
采用小波阈值去噪原理对第i个次用户对应的信号矩阵进行降噪处理,得到降噪后的信号矩阵
5.如权利要求4所述的频谱感知方法,其特征在于,所述将所有所述次用户分为两个簇,并将两个所述簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵的过程,包括:
将所有所述次用户分为两个簇和其中,当所述次用户的个数M为奇数时,当M为偶数时,
将两个所述簇对应的信号矩阵分别进行重组,得到第一矩阵X和第二矩阵Y。
6.如权利要求5所述的频谱感知方法,其特征在于,所述将所述第一矩阵和所述第二矩阵分别进行计算,得到与所述第一矩阵对应的第一协方差矩阵和所述第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征的过程,包括:
将所述第一矩阵X和所述第二矩阵Y分别进行计算,得到与所述第一矩阵对应的第一协方差矩阵和所述第二矩阵对应的第二协方差矩阵
根据所述第一协方差矩阵的特征值得到第一最大最小特征值之差和第一最大特征值与迹之比并根据所述第二协方差矩阵的特征值得到第二最大最小特征值之差和第二最大特征值与迹之比
7.如权利要求6所述的频谱感知方法,其特征在于,所述二分类器预先设计的过程,包括:
预先根据已收集的次用户的信号数据得到训练特征集合其中,z∈{DMM,RMET},B为训练特征向量的个数;
根据高斯混合模型 利用最大似然函数得到最优参数其中,K为混合分量数,πk为混合系数且为均值为μk方差为∑k的高斯分布;
利用关系式设计二分类器,以使所述二分类器在所述关系式成立时确定所述主用户正在使用授权信道、在所述关系式不成立时确定所述主用户当前未使用授权信道;其中,为在进行在线感知时所得到的特征向量,ξ为预设阈值。
8.一种频谱感知系统,其特征在于,应用于包含主用户和次用户的认知无线电系统,包括:
矩阵构建模块,用于根据每个所述次用户的每根天线接收到的信号数据,得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵;
矩阵重组模块,用于将所有所述次用户分为两个簇,并将两个所述簇对应的信号矩阵分别进行重组,得到第一矩阵和第二矩阵;
统计特征模块,用于将所述第一矩阵和所述第二矩阵分别进行计算,得到与所述第一矩阵对应的第一协方差矩阵和所述第二矩阵对应的第二协方差矩阵,并分别根据两个协方差矩阵的特征值求解出多个表示信号特性的统计特征;
分类模块,用于将多个所述统计特征组成的特征向量输入至预先设计好的二分类器中,并根据所述二分类器的分类结果确定所述主用户是否正在使用授权信道,以使所述次用户使用所述主用户当前不使用的授权信道。
9.如权利要求8所述的频谱感知系统,其特征在于,所述频谱感知系统还包括:
信号降噪模块,用于在得到每个所述次用户的所有天线接收到的信号数据所构成的信号矩阵之后,在将所有所述次用户分为两个簇之前,对目标次用户对应的信号矩阵进行降噪处理,并将降噪处理后的信号矩阵作为所述目标次用户对应的信号矩阵;其中,所述目标次用户为所有所述次用户中任一次用户。
10.一种频谱感知装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于在执行所述计算机程序时实现如权利要求1-7任一项所述的频谱感知方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910271910.6A CN109962745B (zh) | 2019-04-04 | 2019-04-04 | 一种频谱感知方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910271910.6A CN109962745B (zh) | 2019-04-04 | 2019-04-04 | 一种频谱感知方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109962745A true CN109962745A (zh) | 2019-07-02 |
CN109962745B CN109962745B (zh) | 2021-11-26 |
Family
ID=67025781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910271910.6A Expired - Fee Related CN109962745B (zh) | 2019-04-04 | 2019-04-04 | 一种频谱感知方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109962745B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111511018A (zh) * | 2020-04-28 | 2020-08-07 | 国家广播电视总局广播电视科学研究院 | 基于信道分类结果进行现有WiFi网络定位的方法及系统 |
CN111934797A (zh) * | 2020-07-09 | 2020-11-13 | 广东工业大学 | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 |
CN117119465A (zh) * | 2023-10-20 | 2023-11-24 | 电子科技大学 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108712222A (zh) * | 2018-05-17 | 2018-10-26 | 广东工业大学 | 一种协作频谱感知方法及相关装置 |
CN109004997A (zh) * | 2018-08-09 | 2018-12-14 | 广东工业大学 | 一种频谱感知方法、装置和计算机可读存储介质 |
CN109309538A (zh) * | 2018-08-28 | 2019-02-05 | 广东工业大学 | 一种频谱感知方法、装置、设备、系统及存储介质 |
-
2019
- 2019-04-04 CN CN201910271910.6A patent/CN109962745B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108712222A (zh) * | 2018-05-17 | 2018-10-26 | 广东工业大学 | 一种协作频谱感知方法及相关装置 |
CN109004997A (zh) * | 2018-08-09 | 2018-12-14 | 广东工业大学 | 一种频谱感知方法、装置和计算机可读存储介质 |
CN109309538A (zh) * | 2018-08-28 | 2019-02-05 | 广东工业大学 | 一种频谱感知方法、装置、设备、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
AMIR GHASEMI 等: "Collaborative spectrum sensing for opportunistic access in fading environments", 《FIRST IEEE INTERNATIONAL SYMPOSIUM ON NEW FRONTIERS IN DYNAMIC SPECTRUM ACCESS NETWORKS, 2005. DYSPAN 2005》 * |
GOUNOU CHARLES SOBABE 等: ""A Cooperative Spectrum Sensing Algorithm Based on Unsupervised Learning"", 《2017 10TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)》 * |
金智明: ""认知无线电中频谱感知技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111511018A (zh) * | 2020-04-28 | 2020-08-07 | 国家广播电视总局广播电视科学研究院 | 基于信道分类结果进行现有WiFi网络定位的方法及系统 |
CN111511018B (zh) * | 2020-04-28 | 2022-04-19 | 国家广播电视总局广播电视科学研究院 | 基于信道分类结果进行现有WiFi网络定位的方法及系统 |
CN111934797A (zh) * | 2020-07-09 | 2020-11-13 | 广东工业大学 | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 |
CN117119465A (zh) * | 2023-10-20 | 2023-11-24 | 电子科技大学 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
CN117119465B (zh) * | 2023-10-20 | 2023-12-22 | 电子科技大学 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109962745B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109962745A (zh) | 一种频谱感知方法、系统及装置 | |
CN104780008B (zh) | 一种基于自适应压缩感知的宽带频谱感知方法 | |
CN104023340B (zh) | 一种基于联合极化适配和波束赋形处理的极化‑空域频谱共享方法 | |
CN107820255B (zh) | 一种改进的协方差绝对值协作频谱感知方法 | |
CN108322277B (zh) | 一种基于协方差矩阵反特征值的频谱感知方法 | |
CN110233653A (zh) | 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统 | |
CN108712748A (zh) | 一种基于强化学习的认知无线电抗干扰智能决策的方法 | |
CN104883707B (zh) | 一种无线ap抗干扰能力的测试系统及测试方法 | |
CN108462544A (zh) | 一种频谱感知方法及装置 | |
Huynh-The et al. | MIMO-OFDM modulation classification using three-dimensional convolutional network | |
CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN104796991B (zh) | 基于势博弈的ofdma系统的资源分配方法 | |
Swetha et al. | Analysis of spectrum sensing based on energy detection method in cognitive radio networks | |
CN107196722B (zh) | 一种自适应压缩频谱感知方法 | |
CN104158604B (zh) | 一种基于平均共识的分布式协作频谱感知方法 | |
CN108566227A (zh) | 一种多用户检测方法 | |
Liu et al. | A novel wireless interference identification and scheduling method based on convolutional neural network | |
CN115834303B (zh) | 自适应频域信道估计方法、装置、通信设备和存储介质 | |
CN108173791A (zh) | 基于平滑技术的时变衰落信道的物理层盲认证方法及系统 | |
CN103929224A (zh) | 蜂窝网络中干扰抑制方法及装置 | |
CN109600181B (zh) | 一种用于多天线的频谱感知方法 | |
Yang et al. | Hierarchical decision-making with information asymmetry for spectrum sharing systems | |
Noam et al. | Competitive spectrum management with incomplete information | |
CN103716802B (zh) | 基于双正交极化天线的多输入多输出宽带卫星移动通信信道建模方法 | |
CN116319190A (zh) | 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211126 |
|
CF01 | Termination of patent right due to non-payment of annual fee |