CN109962745B - 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 PDF

Info

Publication number
CN109962745B
CN109962745B CN201910271910.6A CN201910271910A CN109962745B CN 109962745 B CN109962745 B CN 109962745B CN 201910271910 A CN201910271910 A CN 201910271910A CN 109962745 B CN109962745 B CN 109962745B
Authority
CN
China
Prior art keywords
matrix
signal
user
secondary user
covariance
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.)
Expired - Fee Related
Application number
CN201910271910.6A
Other languages
English (en)
Other versions
CN109962745A (zh
Inventor
张顺超
王永华
万频
袁汉涛
邓宇寰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910271910.6A priority Critical patent/CN109962745B/zh
Publication of CN109962745A publication Critical patent/CN109962745A/zh
Application granted granted Critical
Publication of CN109962745B publication Critical patent/CN109962745B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种频谱感知方法、系统及装置
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
Figure BDA0002018683480000021
其中，
Figure BDA0002018683480000022
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
Figure BDA0002018683480000023
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
Figure BDA0002018683480000024
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
Figure BDA0002018683480000031
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
Figure BDA0002018683480000032
和
Figure BDA0002018683480000033
其中，当所述次用户的个数M为奇数时，
Figure BDA0002018683480000034
当M为偶数时，
Figure BDA0002018683480000035
Figure BDA0002018683480000036
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
Figure BDA0002018683480000037
和所述第二矩阵对应的第二协方差矩阵
Figure BDA0002018683480000038
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
Figure BDA0002018683480000039
和第一最大特征值与迹之比
Figure BDA00020186834800000310
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
Figure BDA00020186834800000311
和第二最大特征值与迹之比
Figure BDA00020186834800000312
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
Figure BDA0002018683480000041
其中，
Figure BDA0002018683480000042
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
Figure BDA0002018683480000043
Figure BDA0002018683480000044
利用最大似然函数
Figure BDA0002018683480000045
得到最优参数
Figure BDA0002018683480000046
其中，K为混合分量数，πk为混合系数且
Figure BDA0002018683480000047
为均值为μk方差为∑k的高斯分布；
利用关系式
Figure BDA0002018683480000048
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，
Figure BDA0002018683480000049
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
Figure BDA0002018683480000091
其中，
Figure BDA0002018683480000092
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
Figure BDA0002018683480000093
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
Figure BDA0002018683480000094
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
Figure BDA0002018683480000101
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
Figure BDA0002018683480000102
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：
Figure BDA0002018683480000103
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
Figure BDA0002018683480000104
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
Figure BDA0002018683480000105
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
Figure BDA0002018683480000106
最后使用
Figure BDA0002018683480000107
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：
Figure BDA0002018683480000108
其中，γ为Visu Shrink阈值，其满足
Figure BDA0002018683480000109
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：
Figure BDA0002018683480000111
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
Figure BDA0002018683480000112
和
Figure BDA0002018683480000113
其中，当次用户的个数M为奇数时，
Figure BDA0002018683480000114
当M为偶数时，
Figure BDA0002018683480000115
Figure BDA0002018683480000116
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
Figure BDA0002018683480000117
和
Figure BDA0002018683480000118
当次用户的个数M＞2且M为奇数时，
Figure BDA0002018683480000119
当次用户的个数M≥2且M为偶数时，
Figure BDA00020186834800001110
(当次用户的个数M＝2时，
Figure BDA00020186834800001111
Figure BDA00020186834800001112
)。
然后，当次用户的个数M＞2且M为奇数时，本申请将簇
Figure BDA00020186834800001113
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
Figure BDA00020186834800001114
的矩阵：
Figure BDA00020186834800001115
同时将簇
Figure BDA0002018683480000121
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
Figure BDA0002018683480000122
的矩阵：
Figure BDA0002018683480000123
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
Figure BDA0002018683480000124
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
Figure BDA0002018683480000125
和第二矩阵对应的第二协方差矩阵
Figure BDA0002018683480000126
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
Figure BDA0002018683480000127
和第一最大特征值与迹之比
Figure BDA0002018683480000128
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
Figure BDA0002018683480000129
和第二最大特征值与迹之比
Figure BDA00020186834800001210
具体地，本申请对第一矩阵X进行协方差计算
Figure BDA0002018683480000131
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
Figure BDA0002018683480000132
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：
Figure BDA0002018683480000133
第二协方差矩阵RY的特征值从大到小依次为：
Figure BDA0002018683480000134
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：
Figure BDA0002018683480000135
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
Figure BDA0002018683480000136
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
Figure BDA0002018683480000137
和第一最大特征值与迹之比
Figure BDA0002018683480000138
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
Figure BDA0002018683480000139
和第二最大特征值与迹之比
Figure BDA00020186834800001310
以得到由多个统计特征组成的特征向量：
Figure BDA00020186834800001311
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
Figure BDA00020186834800001312
其中，
Figure BDA00020186834800001313
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
Figure BDA0002018683480000141
Figure BDA0002018683480000142
利用最大似然函数
Figure BDA0002018683480000143
得到最优参数
Figure BDA0002018683480000144
其中，K为混合分量数，πk为混合系数且
Figure BDA0002018683480000145
Figure BDA0002018683480000146
为均值为μk方差为∑k的高斯分布；
利用关系式
Figure BDA0002018683480000147
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，
Figure BDA0002018683480000148
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
Figure BDA0002018683480000149
而高斯混合模型的分布可以表示为：
Figure BDA00020186834800001410
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：
Figure BDA00020186834800001411
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
Figure BDA00020186834800001412
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
Figure BDA0002018683480000151
根据后验概率计算πk,μk,∑k，
Figure BDA0002018683480000152
其中，
Figure BDA0002018683480000153
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
Figure BDA0002018683480000154
基于此，本申请利用关系式
Figure BDA0002018683480000155
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
Figure BDA0002018683480000156
输入至二分类器，二分类器在
Figure BDA0002018683480000157
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 (8)

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；
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；
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，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
Figure FDA0003168977140000011
其中，
Figure FDA0003168977140000012
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
Figure FDA0003168977140000021
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
Figure FDA0003168977140000022
其中，A为第i个次用户的天线个数。
3.如权利要求2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
Figure FDA0003168977140000023
4.如权利要求3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C1和C2，其中，当所述次用户的个数M为奇数时，y1,y3…yM∈C1，y2,y4,...,yM-1∈C2；当M为偶数时，y1,y3...yM-1∈C1，y2,y4,...,yM∈C2；
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。
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
Figure FDA0003168977140000031
和所述第二矩阵对应的第二协方差矩阵
Figure FDA0003168977140000032
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
Figure FDA0003168977140000033
和第一最大特征值与迹之比
Figure FDA0003168977140000034
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
Figure FDA0003168977140000035
和第二最大特征值与迹之比
Figure FDA0003168977140000036
6.如权利要求5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
Figure FDA0003168977140000037
其中，
Figure FDA0003168977140000038
B为训练特征向量的个数；
根据高斯混合模型
Figure FDA0003168977140000039
Figure FDA00031689771400000310
利用最大似然函数
Figure FDA00031689771400000311
得到最优参数
Figure FDA00031689771400000312
其中，K为混合分量数，πk为混合系数且
Figure FDA00031689771400000313
N(x|μk,∑k)为均值为μk方差为∑k的高斯分布；
利用关系式
Figure FDA00031689771400000314
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，
Figure FDA0003168977140000041
为在进行在线感知时所得到的特征向量，ξ为预设阈值。
7.一种频谱感知系统，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；
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；
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。
8.一种频谱感知装置，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1-6任一项所述的频谱感知方法的步骤。
CN201910271910.6A 2019-04-04 2019-04-04 一种频谱感知方法、系统及装置 Expired - Fee Related CN109962745B (zh)

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 CN109962745A (zh) 2019-07-02
CN109962745B true 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)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111934797B (zh) * 2020-07-09 2022-06-24 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
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

Citations (5)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
"A Cooperative Spectrum Sensing Algorithm Based on Unsupervised Learning";Gounou Charles Sobabe 等;《2017 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI)》;20180227;第1-6页 *
"认知无线电中频谱感知技术研究";金智明;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;正文第1-49页 *
Collaborative spectrum sensing for opportunistic access in fading environments;Amir Ghasemi 等;《First IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks, 2005. DySPAN 2005》;20051205;全文 *

Also Published As

Publication number Publication date
CN109962745A (zh) 2019-07-02

Similar Documents

Publication Publication Date Title
CN109962745B (zh) 一种频谱感知方法、系统及装置
Janu et al. Machine learning for cooperative spectrum sensing and sharing: A survey
Zhang et al. A spectrum sensing method based on signal feature and clustering algorithm in cognitive wireless multimedia sensor networks
CN108462544B (zh) 一种频谱感知方法及装置
Hyder et al. An approximate l0 norm minimization algorithm for compressed sensing
CN110062379B (zh) 一种人体行为场景下基于信道状态信息的身份认证方法
Giri et al. Eigenvalue-based cooperative spectrum sensing using kernel fuzzy c-means clustering
CN103391143A (zh) 基于特征值的多天线盲频谱感知方法及系统
CN107426736B (zh) 一种认知无线电的频谱感知方法及系统
Zhang et al. Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set
Ali et al. Minimum eigenvalue detection for spectrum sensing in cognitive radio
CN112422213A (zh) 一种基于支持向量机的高效频谱感知方法
CN114268388A (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
Majumder A Gaussian mixture model method for eigenvalue-based spectrum sensing with uncalibrated multiple antennas
Zhang et al. Limited data spectrum sensing based on semi-supervised deep neural network
CN110365434B (zh) 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法
Shachi et al. Convolutional neural network for cooperative spectrum sensing with spatio-temporal dataset
Yin et al. Co-channel multi-signal modulation classification based on convolution neural network
CN109600181B (zh) 一种用于多天线的频谱感知方法
CN109274444B (zh) 一种空-时-频三维频谱感知方法
Wang et al. Automatic digital modulation recognition in the presence of alpha-stable noise
Chen et al. Robust RF mixture signal recognition using discriminative dictionary learning
Wang et al. A geodesic projection-based data fusion scheme for cooperative spectrum sensing
Zhao et al. Multi-feature collaborative spectrum sensing method based on support vector machine
CN112615652B (zh) 一种适用于高阶mimo的基于特征值检验的半盲频谱感知方法

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
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