CN110098882A - 基于压缩感知与熵的多天线宽带频谱检测方法 - Google Patents
基于压缩感知与熵的多天线宽带频谱检测方法 Download PDFInfo
- Publication number
- CN110098882A CN110098882A CN201910397962.8A CN201910397962A CN110098882A CN 110098882 A CN110098882 A CN 110098882A CN 201910397962 A CN201910397962 A CN 201910397962A CN 110098882 A CN110098882 A CN 110098882A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency spectrum
- compressed sensing
- multiple antennas
- follows
- 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
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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Abstract
本发明公开了一种基于压缩感知与熵的多天线宽带频谱检测方法,具体步骤包括首先,利用离散分数阶傅里叶变换(DFRFT)算法对信号进行稀疏表示;然后,通过共享各阵元接收信号之间稀疏系数的先验信息,基于层次贝叶斯概率模型的多任务压缩感知技术,对稀疏系数进行重构,以得到原信号;最后,对其频域统计量,基于信息熵进行频谱判决。该方法一方面可以提高单节点检测能力,解决测量不确定性,提高信号重构精度,另一方面解决了噪声不确定的问题,增强了系统的噪声鲁棒性。
Description
技术领域
本发明属于认知无线电领域,具体涉及一种基于压缩感知与熵的多天线宽带频谱检测方法。
背景技术
为适应未来电子战发展的新形态、新思想,形成实时、准确、有效对抗未来战场上智能化电子战设备的能力,以及在未来的复杂电磁环境中掌握制电磁权,则进一步探索和研究智能化认知电子战技术显得尤为重要。认知无线电(Cognitive Radio,CR)是一种智能无线电技术,其节点通过实时频谱感知,可检测出用于通信的不含干扰频段,以实现信息安全和可靠传输。众多频谱检测算法中,能量检测(EnergyDetection,ED)算法因其实现简单、成本低,故应用较为广泛,但ED算法是利用信号统计量进行频谱判决,与信号功率相关,则其易受噪声不确定性影响。基于此,Y.Ye等人提出一种改进型的能量检测(ImprovedEnergy Detection,IED)算法,可以有效提高系统噪声鲁棒性,但其主要针对拉普拉斯型噪声,则其泛化能力较弱。
近年来,为提高频谱利用率,用于宽带频谱检测的压缩感知理论已成为研究的热点方向之一。基于压缩感知理论,J.Zhao等人提出一种宽带频谱检测算法(CompressiveSensing Spectrum Detection,CSSD),其将信号映射为变换域稀疏信号,并基于优化理论实现信号重构,故具有快速高效的宽带频谱检测性能。此外,Abdel-Sayed等人提出一种快速匹配追踪(FastMatch Pursuit,FMP)信号重构算法,利用快速准确的压缩感知贪心重构算法,可有效降低计算复杂度,但由于其对测量不确定性敏感,故信号重构精度较低。为此,Y.ARJOUNE等人提出一种基于贝叶斯压缩感知的频谱感知(Bayesian CompressiveSensing,BCS)算法,通过考虑给稀疏信号和测量噪声设置层次先验,减小了由测量不确定性带来的重构误差,可实现更加精确的重构。然而,在信道环境非理想场景下,BCS算法存在单节点感知失效的问题。针对此问题,Y.Xu等人提出一种基于贝叶斯压缩感知的多节点协作频谱感知算法(Bayesian Compressive Sensing based Cooperative SpectrumSensing,BCS-CSS),其提高了频谱检测精度,但其数据融合过程较复杂,且将感知信息发送至数据融合中心,带来了额外的通信代价。为提高单节点频谱检测精度,刘畅等人提出一种多天线频谱感知(Multi-Antenna Spectrum Sensing,MASS)算法,该算法可有效利用空域信息,提高单节点检测性能,但其未考虑信号频域的稀疏性,且未充分挖掘阵元信号之间的相关信息,从而导致算法计算效率较低。
发明内容
针对上述问题,本发明提出一种基于压缩感知与熵的多天线宽带频谱检测(Compressed Sensing and Multi-Antenna based Wideband Spectrum Detection,CSMA-WSD)方法。该方法一方面可以提高单节点检测能力,解决测量不确定性,提高信号重构精度,另一方面解决了噪声不确定的问题,增强了系统的噪声鲁棒性。
为实现上述目的,本申请技术方案为:一种基于压缩感知与熵的多天线宽带频谱检测方法。首先,利用离散分数阶傅里叶变换(DFRFT)算法对信号进行稀疏表示;然后,通过共享各阵元接收信号之间稀疏系数的先验信息,基于层次贝叶斯概率模型的多任务压缩感知技术,对稀疏系数进行重构,以得到原信号;最后,对其频域统计量,基于信息熵进行频谱判决。该方案的具体步骤为:
S1:建立接收信号模型;
S2:基于压缩感知的多天线宽带频谱感知算法重构得到原稀疏信号;
S3:基于信息熵进行频谱判决。
进一步地,建立接收信号模型具体是:假设空间中有W个分量组成的宽带Chirp类干扰信号xW,入射至一个具有Q阵元的均匀线性阵列,则第i个阵元接收信号以间隔Δt进行采样,表示为:
yi(n)=xWi(n)+ei(n),(i=1,2,…,Q) (1)
其中,yi(n)为阵元接收信号采样值,xWi(n)为干扰信号采样,ei(n)为噪声信号采样。
进一步地,对采样公式进行L点离散分数阶傅里叶变换,则各阵元接收信号的DFRFT表示为:
Yi(γ,m)=zWi(γ,m)+ε,(i=1,2,…,Q) (2)
其中,γ∈[-π,π]为旋转角度,m为分数阶采样点数,zWi(γ,m)为干扰信号的DFRFT,ε为噪声信号ei(n)的DFRFT。
进一步地,基于压缩感知的多天线宽带频谱感知算法重构得到原稀疏信号,具体步骤是:
L次快拍下的接收信号表示为:
采样信号的DFRFT表示为:
其中L为采样点数,表示相应信号是L维的,为实数值;
每一个阵元接收信号的重构过程均对应一个重构任务,多个阵元实现多任务重构;根据压缩感知理论,则第i个阵元接收信号的数学模型表示为:
gi=Φiyi=ΦiF(zi+εi)=Tizi+εi (5)
其中,Φi为高斯观测矩阵;F为DFRFT变换基;zi第i个阵元的DFRFT稀疏向量;εi为第i个阵元均值为0,方差为β-1的测量噪声向量;Ti为第i个阵元全息观测矩阵。
进一步地,由观测数据向量gi,得到关于参数zi和β的似然函数,表示为:
其中,gi为第i个阵元的观测向量;Mi为观测向量gi的纬度。
进一步地,为每个任务的稀疏向量zi都引入一个超参数向量α,鉴于Q个任务相关,每个任务通过与所有任务共享超参数α,以得到各自的先验;考虑零均值的高斯先验,则zi的先验表示为:
其中,zij表示压缩感知任务i的第j个DFRFT系数,αj对应zij的精度(方差的倒数),α=(α1,…,αL)T。
进一步地,利用Bayes法则,计算zi的后验概率,即:
均值和方差分别为:
μi=βΣiTi Tgi (9)
Σi=(βTi TTi+A)-1 (10)
由于矩阵A或者α中的参数是未知的;将重构zi转换为对参数α的估计问题;并通过确定非零元素的位置获得zi。
α和β的值通过最大化边缘似然函数得到,边缘似然函数通过对稀疏向量积分的形式得到,即:
通过计算求得对数边缘似然函数,即:
目标是关于超参数α和β的最大化,令对数边缘似然函数的导数为零,进一步得到超参数估计方程:
其中,μij为第i个后验均值μi的第j个分量,gij为第i个观测向量gi的第j个分量,τj=1-αjΣii度量对应的zi由观测数据确定的效果,Σii为后验协方差Σi的第i个对角元素,||·||2表示向量的L2范数。
进一步地,得到稀疏向量的估计值
更进一步地,基于信息熵进行频谱判决的具体步骤是:对重构的原信号作L点DFT(对应于γ=π/2的DFRFT),即:
其中,ε(m)分别为接收信号、干扰信号和噪声信号的频谱。
基于频域熵的信号检测建模为:
HJ0vs.HJ1 (16)
利用直方图法来估计每个状态的概率,得到信号的信息熵与其对应的统计量,表示为:
在假设Hk下,状态空间维度为J(概率空间维度)的随机变量R的信息熵为HJk(R);根据R的取值个数(状态数),将其分成J个单元格,每个单元格b的大小为:b=(Rmax-Rmin)/J,ni则表示位于第i个单元格b内的频点数,总个数为因此,频率出现在第i个单元格的概率为pi=ni/L;
由上述分析,基于熵的频谱判决算法,表示为:
等于0表示可用频段,否则为干扰频段,阈值λ定义为:
λ=HJ+Q-1(1-Pfa)β-1/2 (19)
式中:HJ为理论噪声熵,δ是Euler-Mascheroni常数,Q-1(·)是Q函数的逆,β是H在H0下的噪声精度(方差的倒数),由Neyman-Pearson准则,Pfa是理论虚警概率。
进一步地,基于统计的检测概率和虚警概率分别定义为:
其中,LT为总共检测数,LD为正确检测数,LFA为虚警数。
基于以上分析,本文提出的CSMA-WSD算法,可具体描述为,如表1所示。
表1 CSMA-WSD算法
本申请的有益效果:第一,采用多天线技术可提高单节点检测能力;第二,利用贝叶斯压缩感知方法,解决了测量不确定性,可提高信号重构精度;第三,采用基于熵的频域频谱判决方法,解决噪声不确定的问题,可增强系统噪声鲁棒性。针对普遍存在的宽带Chirp类干扰信号的检测问题,本方法检测性能较好,一定程度上解决了对Chirp类干扰分析检测困难的难题。
附图说明
图1为本发明实现的流程图。
图2为阵列接收信号的二维DFRFT幅度谱图。
图3为阵列接收信号的三维DFRFT幅度谱图。
图4为不同观测值下采用不同算法重构性能比较。
图5为不同观测数下重构误差比较。
图6为不同观测数下重构精度比较。
图7为不同SNR下检测概率的(噪声不确定度±3dB)。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体的实施方式对本发明进行详细描述。
本实施例提出一种基于压缩感知与熵的多天线宽带频谱检测方法,该方法的具体步骤为:
S1:建立接收信号模型
假设空间中有W个分量组成的宽带Chirp类干扰信号xW入射至一个具有Q阵元的均匀线性阵列,则第i个阵元接收信号以间隔Δt的采样可表示为:
yi(n)=xWi(n)+ei(n),(i=1,2,…,Q) (1)
其中,n=0,1,…,L-1,ei(n)为噪声信号。
基于式(1),利用Ozaktas提出的分解型离散FRFT(DFRFT)算法对其进行L点DFRFT变换,则各阵元接收信号的DFRFT可表示为:
Yi(γ,m)=zWi(γ,m)+ε,(i=1,2,…,Q) (2)
其中,γ∈[-π,π]为DFRFT旋转角度,m为分数阶采样点数,zWi(γ,m)为多分量Chirp干扰信号DFRFT,ε为噪声信号DFRFT。
S2:基于压缩感知的多天线宽带频谱感知算法重构得到原稀疏信号;
基于式(1),L次快拍下的接收信号可表示为:
由式(2)采样后得到信号的DFRFT可表示为:
每一个阵元接收信号的重构过程都对应一个重构任务,多个阵元可实现多任务重构。根据压缩感知理论,则第i个阵元接收信号的数学模型可表示为:
gi=Φiyi=ΦiF(zi+εi)=Tizi+εi (5)
其中,为Q组Mi×L维高斯观测阵,F为DFRFT变换基,为的DFRFT系数,考虑到由测量不确定引入的噪声,设是一均值为0,方差为β-1的测量噪声向量,Ti=ΦiF为全息观测矩阵,为Q组Mi×1维的观测向量。
由观测数据向量gi,得到关于参数zi和β的似然函数,可表示为:
基于此,为每个任务的稀疏向量zi都引入一个超参数向量α,鉴于Q个任务相关,每个任务可通过与所有任务共享超参数α,以得到各自的先验。考虑零均值的高斯先验,因此zi的先验可表示为:
其中,zij表示压缩感知任务i的第j个DFRFT系数,αj对应zij的精度(方差的倒数),α=(α1,…,αL)T。
需要注意的是,超参数与zi的稀疏性直接相关,具体为:1)当αj很大时,zij的方差很小,因zij的均值为0,所以zij可当作0;2)当αj很小时,zij的方差很大,所以zij非零。
基于式(6)和式(7),可利用Bayes法则,计算zi的后验概率,即:
其中,均值和方差分别为:
μi=βΣiTi Tgi (9)
Σi=(βTi TTi+A)-1 (10)
其中,A=diag(α1,α2,…,αL)。当μi和Σi已知时,估计zi的方法有很多种,即可得到zi的估计,其可表示为
然而,矩阵A或者α中的参数是未知的。基于此,可将重构zi转换为对参数α的估计问题。并通过确定非零元素的位置获得zi。
α和β的值可通过最大化边缘似然函数得到,边缘似然函数通过对稀疏向量积分的形式得到,即:
式(11)表示两个高斯分布的卷积,因此通过计算求得对数边缘似然函数,即:
其中,Ci=β-1I+TiA-1Ti T。
目标是关于超参数α和β的最大化式(12),令对数边缘似然函数的导数为零,可进一步得到超参数估计方程,即:
其中,μij为第i个后验均值μi的第j个分量,gij为第i个观测向量gi的第j个分量,τi=1-αjΣii度量对应的zi由观测数据确定的效果,Σii为后验协方差Σi的第i个对角元素,||·||2表示向量的L2范数。
考虑每一个超参数均对应于一个稀疏向量,通过计算可得众多超参数α均趋于无穷大,其对于稀疏向量映射为观测向量是无效,即稀疏向量可自动得出。基于此,可得稀疏向量的估计值
S3:基于信息熵进行频谱判决
基于能量检测的频谱判决方法建模为二元假设检验,但由于统计量与信号功率相关,故其易受噪声不确定性影响,在低信噪比场景下,算法检测性能较差。针对上述问题,可采用基于熵的频域频谱判决(Frequency Domain Entropy,FDE)算法。
考虑到实际的通信过程在频域实现,则对重构后的稀疏信号,可通过逆变换求出各阵元的原信号估计并对其作DFT将其映射至频域,以进行最终的频谱判决。基于式(2),对重构的原信号作L点DFT(对应于γ=π/2的DFRFT),即:
式中,ε(m)分别为接收信号、干扰信号和噪声信号的频谱。
考虑到信号谱的幅度值具有随机性,将其记为随机变量R,并通过估计其概率密度函数来表示被测量信号。基于此,基于频域熵的信号检测可建模为:
HJ0vs.HJ1 (16)
其中,在假设Hk下,状态空间维度为J(概率空间维度)的随机变量R的信息熵为HJk(R)。
为减少计算复杂度,利用直方图法来估计每个状态的概率。根据R的取值个数(状态数),将其分成J个单元格,每个单元格b的大小为:b=(Rmax-Rmin)/J,ni则表示位于第i个单元格b内的频点数,总个数为因此,频率出现在第i个单元格的概率为pi=ni/L,则可得到信号的信息熵与其对应的统计量,可表示为:
由上述分析,基于熵的频谱判决算法,可表示为:
其中,等于0表示可用频段,否则为干扰频段,阈值λ定义为:
λ=HJ+Q-1(1-Pfa)β-1/2 (19)
式(20)中HJ为理论噪声熵,δ是Euler-Mascheroni常数,Q-1(·)是Q函数的逆,β是H在H0下的噪声精度(方差的倒数),由Neyman-Pearson准则,Pfa是理论虚警概率。
基于统计的检测概率和虚警概率分别定义为:
其中,LT为总共检测数,LD为正确检测数,LFA为虚警数。
为模拟测量的不确定性,给每个观测数据向量加入均值为0,方差为δ=1的高斯噪声。
为验证重构效果,将重构误差和精度定义为:
其中,z为原稀疏信号向量,为重构稀疏信号向量。
仿真内容:
本文通过MATLAB仿真进一步验证所提算法的有效性。需要说明的是,为表征阵元信号之间的相关信息,故将其量化为稀疏向量间的支撑集(幅值与位置)相似度。仿真环境为:Intel(R)Core(TM)i7-4790 CPU@3.6GHz,16GBRAM,MATLAB2018a,dell。
仿真参数设置如下:1)阵元个数Q=3;2)多分量宽带Chirp干扰信号分量个数W=6;3)相对于基阵元,阵元2和3的相似度分别设为95%,80%;4)各阵元观测矩阵观测维数M分别设为60,50,40。
仿真1:多分量Chirp信号,设置仿真参数:快拍数,L=1024,信号脉冲宽度T=16μs,信号采样频率fs=64MHz,信噪比SNR=0dB,各分量信号带宽[B1,B2,B3,B4,B5,B6]=[50,55,60,65,70,75](MHz),调频率[k1,k2,k3]=[3.125,3.438,3.75](MHz/μs),[k4,k5,k6]=[4.063,4.375,4.688](MHz/μs),由旋转角度γ=arccot(-kL/fs 2),得到:[γ1,γ2,γ3,γ4,γ5,γ6]=[0.908,0.861,0.817,0.778,0.741,0.706](rad)。
检验信号DFRFT稀疏表示效果。图2为含有多分量Chirp信号的二维DFRFT幅度谱图,图3为信号三维DFRFT幅度谱图。
由图2与图3可知,在分数域的信号噪声值远小于Chirp信号谱峰值,且仅在极少的位置,出现明显峰值,而多数位置为很小值,表现出良好的稀疏特性,则可利用压缩感知技术对信号进行后续处理。
仿真2:检验信号重构效果。图4为信号稀疏系数与其重构情况。图4(a)-(c)为三个阵元信号的DFRFT,图4(d)-(f)、(g)-(i)和(j)-(l)分别为利用MP、单任务BCS和CSMA-WSD重构算法得到的重构结果。
由图4可知,a)相同观测数下,与贝叶斯算法相比,由于MP算法对测量不确定性敏感,则其重构效果较差;b)不同观测数下,随着观测数减少,单任务BCS算法重构效果变差,MP算法无法进行有效重构,CSMA-WSD算法则可获得较好重构效果,其归因于CSMA-WSD算法利用多天线接收信号的相关信息,故重构效果受观测数影响较小,具有较好的重构性能。
仿真3:考虑重构误差来定量分析重构效果,蒙特卡罗仿真循环次数为100。
图5为不同观测数下重构误差曲线仿真图。由图可知,信号相似度在95%,80%的多任务重构算法与单任务BCS重构算法、MP重构算法相比,由于共享阵元信号相关信息降低了对观测数据数量的严格要求,随着观测数的增加,较单任务BCS算法,多任务重构算法收敛更快,趋于稳定时需要的观测数更少。此外,图中误差棒给出了重构信号的置信度,用于描述测量的不确定性。
仿真4:考虑重构精度分析重构效果,蒙特卡罗仿真循环100次。
图6为信号重构正确率随观测数变化的仿真曲线。由图可知,多任务BCS算法对信号之间的相关信息依赖性较强,故在相同观测数下,相似度越大,信号重构精度越高。此外,多任务BCS算法在观测数为50后可趋于稳定,而单任务BCS和MP算法要达到同样的重构效果,则需要更多的观测数据,亦会带来更大的计算量。
仿真5:考虑信噪比变化对检测性能的影响,其中,噪声波动的不确定性通过改变信噪比体现。图7为噪声不确定度设为±3dB,理论虚警概率Pfa为0.01下,感知时间ts=0.1ms,基于统计的检测概率关于信噪比SNR的变化曲线仿真图。
由图7表明,在信噪比为SNR=-10dB时,单节点的ED算法和FDE算法无法进行有效检测,而协作式感知算法和多天线感知算法的检测概率均大于55%。与OR-CSS算法相比,由于利用贝叶斯概率模型,CSMA-WSD算法和BCS-CSS算法检测效果较优,具有更好的测量不确定性和鲁棒性。此外,由于BCS-CSS方法需将多个节点数据发给融合中心进行融合,故其会占用额外的通信信道,亦会引入更多的噪声,而CSMA-WSD算法采用多天线技术,未利用远距离数据传输融合过程,并采用基于熵的频谱判决算法,故在低信噪比场景下,能够取得较好的检测性能。
仿真结果表明,在测量数据较少场景下,与匹配追踪和单任务贝叶斯算法相比,信号重构精度较高;且在低信噪比条件下,与已有算法相比,具有较好的检测性能。
由此,本发明所提算法针对普遍存在的宽带Chirp类干扰信号的检测问题检测性能较好,一定程度上解决了对Chirp类干扰分析检测困难的难题。因此,将本文算法应用于军用无人机等电子战设备,可有效对抗恶意线性调频雷达干扰,确保通信安全。
发明针对已有单节点频谱感知精度低、协作频谱感知数据融合过程复杂,以及对噪声不确定性敏感等问题,提出一种基于压缩感知与熵的多天线宽带频谱检测方法。该算法利用多天线技术,通过共享各阵元接收信号之间的相关信息,建立多任务学习模型,实现阵元之间的协作感知,进而提高单节点感知精度;基于贝叶斯概率模型,解决测量不确定性问题,可提高宽带信号重构精度;并利用频域信息熵进行频谱判决,能够改善算法的噪声鲁棒性。
Claims (10)
1.基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,具体步骤包括:
S1:建立接收信号模型;
S2:基于压缩感知的多天线宽带频谱感知算法重构得到原稀疏信号;
S3:基于信息熵进行频谱判决。
2.根据权利要求1所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,建立接收信号模型具体是:假设空间中有W个分量组成的宽带Chirp类干扰信号xW,入射至一个具有Q阵元的均匀线性阵列,则第i个阵元接收信号以间隔Δt进行采样,表示为:
yi(n)=xWi(n)+ei(n),(i=1,2,…,Q) (1)
其中,yi(n)为阵元接收信号采样,xWi(n)为干扰信号采样,ei(n)为噪声信号采样。
3.根据权利要求2所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,对采样公式进行L点离散分数阶傅里叶变换,则各阵元接收信号的DFRFT表示为:
Yi(γ,m)=zWi(γ,m)+ε,(i=1,2,…,Q) (2)
其中,γ∈[-π,π]为旋转角度,m为分数阶采样点数,zWi(γ,m)为干扰信号的DFRFT,ε为噪声信号ei(n)的DFRFT。
4.根据权利要求1所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,基于压缩感知的多天线宽带频谱感知算法重构得到原稀疏信号,具体步骤是:
L次快拍下的接收信号表示为:
采样信号的DFRFT表示为:
其中L为采样点数,表示相应信号是L维的,为实数值;
每一个阵元接收信号的重构过程均对应一个重构任务,多个阵元实现多任务重构;根据压缩感知理论,则第i个阵元接收信号的数学模型表示为:
gi=Φiyi=ΦiF(zi+εi)=Tizi+εi (5)
其中,Φi为高斯观测矩阵;F为DFRFT变换基;zi第i个阵元的DFRFT稀疏向量;εi为第i个阵元均值为0,方差为β-1的测量噪声向量;Ti为第i个阵元全息观测矩阵。
5.根据权利要求4所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,由观测数据向量gi,得到关于参数zi和β的似然函数,表示为:
其中,gi为第i个阵元的观测向量;Mi为观测向量gi的纬度。
6.根据权利要求5所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,为每个任务的稀疏向量zi都引入一个超参数向量α,鉴于Q个任务相关,每个任务通过与所有任务共享超参数α,以得到各自的先验;考虑零均值的高斯先验,则zi的先验表示为:
其中,zij表示压缩感知任务i的第j个DFRFT系数,αj对应zij的精度,α=(α1,…,αL)T。
7.根据权利要求6所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,利用Bayes法则,计算zi的后验概率,即:
均值和方差分别为:
μi=βΣiTi Tgi (9)
Σi=(βTi TTi+A)-1 (10)
由于矩阵A或者α中的参数是未知的;将重构zi转换为对参数α的估计问题;并通过确定非零元素的位置获得zi;
α和β的值通过最大化边缘似然函数得到,边缘似然函数通过对稀疏向量积分的形式得到,即:
通过计算求得对数边缘似然函数,即:
目标是关于超参数α和β的最大化,令对数边缘似然函数的导数为零,进一步得到超参数估计方程:
其中,μij为第i个后验均值μi的第j个分量,gij为第i个观测向量gi的第j个分量,τj=1-αjΣii度量对应的zi由观测数据确定的效果,Σii为后验协方差Σi的第i个对角元素,||·||2表示向量的L2范数。
8.根据权利要求7所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,得到稀疏向量的估计值
9.根据权利要求8所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,基于信息熵进行频谱判决的具体步骤是:对重构的原信号作L点DFT,即:
其中,ε(m)分别为接收信号、干扰信号和噪声信号的频谱;
基于频域熵的信号检测建模为:
HJ0vs.HJ1 (16)
利用直方图法来估计每个状态的概率,得到信号的信息熵与其对应的统计量,表示为:
在假设Hk下,状态空间维度为J的随机变量R的信息熵为HJk(R);根据R的取值个数,将其分成J个单元格,每个单元格b的大小为:b=(Rmax-Rmin)/J,ni则表示位于第i个单元格b内的频点数,总个数为因此,频率出现在第i个单元格的概率为pi=ni/L;
由上述分析,基于熵的频谱判决算法,表示为:
等于0表示可用频段,否则为干扰频段,阈值λ定义为:
λ=HJ+Q-1(1-Pfa)β-1/2 (19)
式中:HJ为理论噪声熵,δ是Euler-Mascheroni常数,Q-1(·)是Q函数的逆,β是H在H0下的噪声精度,由Neyman-Pearson准则,Pfa是理论虚警概率。
10.根据权利要求1所述基于压缩感知与熵的多天线宽带频谱检测方法,其特征在于,基于统计的检测概率和虚警概率分别定义为:
其中,LT为总共检测数,LD为正确检测数,LFA为虚警数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910397962.8A CN110098882B (zh) | 2019-05-14 | 2019-05-14 | 基于压缩感知与熵的多天线宽带频谱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910397962.8A CN110098882B (zh) | 2019-05-14 | 2019-05-14 | 基于压缩感知与熵的多天线宽带频谱检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110098882A true CN110098882A (zh) | 2019-08-06 |
CN110098882B CN110098882B (zh) | 2021-08-17 |
Family
ID=67447962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910397962.8A Active CN110098882B (zh) | 2019-05-14 | 2019-05-14 | 基于压缩感知与熵的多天线宽带频谱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110098882B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111786717A (zh) * | 2020-06-10 | 2020-10-16 | 东方红卫星移动通信有限公司 | 多波束低轨卫星信道稀疏特征自适应提取方法及通信系统 |
CN112731306A (zh) * | 2020-12-19 | 2021-04-30 | 北京工业大学 | 基于CS和简化FrFT的UWB-LFM信号参数估计方法 |
CN115021845A (zh) * | 2022-06-20 | 2022-09-06 | 西安航空学院 | 一种频谱感知方法、系统、介质、设备及终端 |
CN115173971A (zh) * | 2022-07-08 | 2022-10-11 | 电信科学技术第五研究所有限公司 | 一种基于频谱数据的宽带信号实时检测方法 |
CN116955444A (zh) * | 2023-06-15 | 2023-10-27 | 共享易付(广州)网络科技有限公司 | 基于大数据分析的采集噪声点挖掘方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007050593A2 (en) * | 2005-10-25 | 2007-05-03 | William Marsh Rice University | Method and apparatus for signal detection, classification, and estimation from compressive measurements |
CN103412974A (zh) * | 2013-07-11 | 2013-11-27 | 武汉大学 | 一种计算稀疏微波成像雷达系统信道容量的方法 |
CN104703216A (zh) * | 2015-02-04 | 2015-06-10 | 杭州电子科技大学 | 基于能量有效的多任务贝叶斯压缩感知宽带频谱检测方法 |
CN104868962A (zh) * | 2015-05-12 | 2015-08-26 | 北京邮电大学 | 基于压缩感知的频谱检测方法及装置 |
CN105024771A (zh) * | 2015-07-20 | 2015-11-04 | 西安电子科技大学 | 一种Alpha稳定分布噪声下频谱感知方法 |
-
2019
- 2019-05-14 CN CN201910397962.8A patent/CN110098882B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007050593A2 (en) * | 2005-10-25 | 2007-05-03 | William Marsh Rice University | Method and apparatus for signal detection, classification, and estimation from compressive measurements |
CN103412974A (zh) * | 2013-07-11 | 2013-11-27 | 武汉大学 | 一种计算稀疏微波成像雷达系统信道容量的方法 |
CN104703216A (zh) * | 2015-02-04 | 2015-06-10 | 杭州电子科技大学 | 基于能量有效的多任务贝叶斯压缩感知宽带频谱检测方法 |
CN104868962A (zh) * | 2015-05-12 | 2015-08-26 | 北京邮电大学 | 基于压缩感知的频谱检测方法及装置 |
CN105024771A (zh) * | 2015-07-20 | 2015-11-04 | 西安电子科技大学 | 一种Alpha稳定分布噪声下频谱感知方法 |
Non-Patent Citations (2)
Title |
---|
YA LIN ZHANG等: "A frequency-domain entropy-based detector for robust spectrum sensing in cognitive radio networks", 《IEEE COMMUNICATIONS LETTERS》 * |
常国彬: "基于压缩感知和指数熵的频谱感知技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111786717A (zh) * | 2020-06-10 | 2020-10-16 | 东方红卫星移动通信有限公司 | 多波束低轨卫星信道稀疏特征自适应提取方法及通信系统 |
CN111786717B (zh) * | 2020-06-10 | 2022-02-15 | 东方红卫星移动通信有限公司 | 多波束低轨卫星信道稀疏特征自适应提取方法及通信系统 |
CN112731306A (zh) * | 2020-12-19 | 2021-04-30 | 北京工业大学 | 基于CS和简化FrFT的UWB-LFM信号参数估计方法 |
CN112731306B (zh) * | 2020-12-19 | 2024-03-15 | 北京工业大学 | 基于CS和简化FrFT的UWB-LFM信号参数估计方法 |
CN115021845A (zh) * | 2022-06-20 | 2022-09-06 | 西安航空学院 | 一种频谱感知方法、系统、介质、设备及终端 |
CN115021845B (zh) * | 2022-06-20 | 2023-04-18 | 西安航空学院 | 一种频谱感知方法、系统、介质、设备及终端 |
CN115173971A (zh) * | 2022-07-08 | 2022-10-11 | 电信科学技术第五研究所有限公司 | 一种基于频谱数据的宽带信号实时检测方法 |
CN115173971B (zh) * | 2022-07-08 | 2023-10-03 | 电信科学技术第五研究所有限公司 | 一种基于频谱数据的宽带信号实时检测方法 |
CN116955444A (zh) * | 2023-06-15 | 2023-10-27 | 共享易付(广州)网络科技有限公司 | 基于大数据分析的采集噪声点挖掘方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110098882B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110098882A (zh) | 基于压缩感知与熵的多天线宽带频谱检测方法 | |
Zhaocheng et al. | Sparsity-based STAP using alternating direction method with gain/phase errors | |
Wang et al. | Subspace-augmented clutter suppression technique for STAP radar | |
Yang et al. | Knowledge‐aided STAP with sparse‐recovery by exploiting spatio‐temporal sparsity | |
CN104950296B (zh) | 基于重加权自适应功率剩余的稳健非均匀检测方法 | |
CN104407331B (zh) | 船舶rcs的缩尺模型湖面试验方法及系统 | |
CN109374985A (zh) | 电磁环境监测方法、系统及存储介质 | |
CN109270486A (zh) | 一种采用两传感器旋转的频变信号二维测向方法 | |
Tao et al. | A knowledge aided SPICE space time adaptive processing method for airborne radar with conformal array | |
CN115508799A (zh) | 一种基于矩空间的分布式被动雷达目标检测方法 | |
Zhou et al. | Spatial information and angular resolution of sensor array | |
Kirincich et al. | Improving surface current resolution using direction finding algorithms for multiantenna high-frequency radars | |
RU2380719C2 (ru) | Способ пеленгации источников радиоизлучения на одной частоте | |
Hu et al. | Compressive frequency hopping signal detection using spectral kurtosis and residual signals | |
CN112924924A (zh) | 一种基于l1范数稀疏表示的宽带信号DOA估计方法 | |
Wang et al. | A novel indoor ranging method using weighted altofrequent RSSI measurements | |
Prateek et al. | Target detection using weather radars and electromagnetic vector sensors | |
Aubry et al. | Compatibility assessment of multistatic/polarimetric clutter data with the SIRP model | |
He et al. | DOA estimation of wideband signals based on iterative spectral reconstruction | |
Pribić et al. | Stochastic resolution analysis of co-prime arrays in radar | |
Torres et al. | The impact of signal processing on the range-weighting function for weather radars | |
Mooney et al. | Performance analysis of a GLRT automated target discrimination scheme | |
Peng et al. | Constant false alarm rate detection of slow targets in polarimetric along‐track interferometric synthetic aperture radar imagery | |
Shu-Tao et al. | Deterministic constructions of compressive sensing matrices based on berlekamp-justesen codes | |
Oyedokun | Sea clutter simulation |
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 |