CN110365437B - 基于次奈奎斯特采样的快速功率谱估计方法 - Google Patents
基于次奈奎斯特采样的快速功率谱估计方法 Download PDFInfo
- Publication number
- CN110365437B CN110365437B CN201910692107.XA CN201910692107A CN110365437B CN 110365437 B CN110365437 B CN 110365437B CN 201910692107 A CN201910692107 A CN 201910692107A CN 110365437 B CN110365437 B CN 110365437B
- Authority
- CN
- China
- Prior art keywords
- sampling
- power spectrum
- autocorrelation function
- spectrum
- channel
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明属于宽带频谱感知技术领域,具体的说是涉及一种基于次奈奎斯特采样的快速功率谱估计方法。本发明通过建立压缩样本与原始信号自相关函数的数学模型,将自相关函数转化为卷积利用FFT计算求解,算法中不涉及矩阵运算,仅包含FFT与简单四则运算,计算复杂度低,方便实现宽带信号的实时频谱感知。本发明的优点是,多陪集压缩采样框架结构简单,容易实现;利用了信号的二阶统计信息,可以在低信噪比环境下准确的完成频谱检测;功率谱重构算法只涉及FFT和简单的四则运算,计算复杂度低,可以满足宽带频谱实时感知的需求。
Description
技术领域
本发明属于宽带频谱感知技术领域,具体的说是涉及一种基于次奈奎斯特采样的快速功率谱估计方法。
背景技术
随着无线通信技术的发展和人们对无线业务需求的增长,需要对宽带频谱进行实时感知,从而更高效的利用频谱空洞,提升无线通信系统的频谱效率。传统的频谱感知方案需要满足奈奎斯特采样定理,当被监测或感知的频谱带宽很宽时,接收机需要采用高速的模数转换器件,使得硬件的成本和功耗都大幅提升,且采样后的数据量过大,给后续数据的存储和处理带来了不便。为了克服传统频谱感知方案的缺陷,需研究基于压缩采样理论的新型宽带频谱感知技术,突破奈奎斯特采样定理的理论限制,以次奈奎斯特采样频率对信号进行采样并实时感知宽带频谱。目前基于压缩采样的宽带频谱感知算法虽然可以以次奈奎斯特采样频率完成宽带频谱感知,但是由于算法复杂度过高,无法达到实时感知的目的。
发明内容
本发明的目的在于,针对上述问题,基于多陪集压缩采样框架(Multi-cosetCompressed Sampling),提出一种低复杂度的快速功率谱重构方案,利用压缩采样样本快速重构被监测频段的功率谱,满足宽带频谱感知的实时性需求。
本发明的技术方案是:
基于次奈奎斯特采样的快速功率谱估计方法,如图所示,包括以下步骤:
S1、产生频带分布在[0,1]GHz的多频带信号x,设置奈奎斯特采样率fnyq,采样通道数M,降采样因子N,给定多陪集采样框架的传感矩阵C,采集T0=1ms时间内各个采样通道的样本数据,第m通道上的时延为ΔmT,该通道上lTADC时刻采集的样本ym[l]为:
ym[l]=ym(lTADC)=x(lNT+ΔmT)=x[lN+Δm]
其中,m=0,…,M-1表示多陪集框架的采样通道,TADC为同步低速ADC的采样间隔,l=0,…,L-1表示各个采样通道上采集到的第l+1个样本,L是是每个采样通道上总的样本数。
S3、使用快速傅里叶变换计算观测数据的自相关函数向量与样本集合的模向量
S4、恢复原始信号自相关函数
rx=rh./q
S5、自相关函数做傅里叶变换得到功率谱
Px=F2NL-1rx
完成对功率谱Px的估计。
本发明的有益效果是:多陪集压缩采样框架结构简单,容易实现;利用了信号的二阶统计信息,可以在低信噪比环境下准确的完成频谱检测;功率谱重构算法只涉及FFT和简单的四则运算,计算复杂度低,可以满足宽带频谱实时感知的需求。
附图说明
图1为使用本发明方法应用于功率谱估计的流程图;
图2为多陪集亚奈奎斯特采样系统框图;
图3为本发明算法框图;
图4为奈奎斯特采样条件下的功率谱,其中(a)是采集1ms无噪声信号的数据样本重构功率谱效果,(b)是采集1ms噪声信号的数据样本重构功率谱效果;
图5为本发明算法恢复的功率谱,基于次奈奎斯特采样条件,其中(a)是采集1ms噪声信号的数据样本重构功率谱的效果,(b)是采集10ms噪声信号的数据样本重构功率谱的效果;
图6为本发明算法与传统频域算法的对比。
具体实施方式
下面结合附图和仿真示例,详细描述本发明的技术方案:
本发明用于降低功率谱重构的计算复杂度,实现宽带频谱的实时感知,下面将进行详细说明。
多陪集压缩采样机制如图2所示,该结构由多个采样通道组成,在每一个采样通道中,模拟输入信号经过时延后,再由低采样频率的模数转换芯片进行采样,不同采样通道的采样时刻是同步的。多陪集采样是一种次奈奎斯特采样机制,即直接从信号x(t)的奈奎斯特采样样本x[n]=x(nT)(T为奈奎斯特采样时间间隔)选择一些样本作为压缩采样的观测样本y[l],假设ΔmT为第m个采样通道的时延,Δm为大于零的整数,该采样通道在lTADC=lNT(N为降采样因子,TADC为低频率模数转换芯片的采样间隔)采样时刻的采样样本为
ym[l]=x(lNT+ΔmT)=x[lN+Δm]
y[l]=Cx[l]
其中x[l]为原始信号的奈奎斯特样本C∈{0,1}M×N为该多陪集采样框架对应的采样矩阵(M为采样通道总数,N为降采样因子),该矩阵每一行仅有一个值非零,出现位置由采样通道上的时延决定(第m行非零值对应位置为Δm+1)。
选取持续采样时间段t=lNT,l=0,…,L-1(l表示每个采样通道上低速ADC采集到的第l+1个样本)内的信号建立压缩采样模型,即从原始信号的奈奎斯特采样样本中采集出压缩采样样本为了方便后续推导,对观测信号进行补零操作,定义一个新的数据序列和对应的指示序列
因此,新的观测数据序列与原始样本满足
h[n]=x[n]I[n],n=0…LN-1
维纳-辛钦定理指出:信号的功率谱和该信号的自相关函数是一个傅里叶变换对。因此,在探索压缩采样样本与被监测频段功率谱的数学关系之前,可以先建立压缩采样样本与原始信号自相关函数的数学关系。信号x[n]的自相关函数定义为
rx[k]=E[x[n]x*[n-k]]
当信号为有限长序列时,只能得到其自相关函数的估计值。对于长度为LN的有限长信号,自相关函数的无偏估计为
基于以上估计器,下面讨论如何快速的计算原始信号的自相关函数。
定义rh[k]为
两个离散序列h[k]和h[-k]的卷积运算定义为
则rh[k]表示为
利用圆周卷积定理使用快速傅里叶变换(FFT)有效率的计算信号的圆周卷积,满足
其中,|·|2表示向量模的平方,rh可以通过对F2NL-1rh做傅里叶逆变换得到
下面讨论Qk的计算,同样基于指示序列I[n]定义两个新的序列
基于前文自相关函数估计器满足的关系式rx[k]=rh[k]/Qk可以得到,原始信号的自相关函数向量满足
其中,点除./定义为向量或矩阵对应元素相除,即
由维纳-辛钦定理对自相关函数做傅里叶变换得到原始信号的功率谱
Px=F2NL-1rx
仿真中,假定信号分布在[0,1]GHz,奈奎斯特采样率fnyq=2GHz,使用的多陪集采样框架有M=8个采样通道,采样速率为80MHz,对应降采样因子为N=25,延时设置为{00.511.5 2 2.53 6.5}ns,要求频谱分辨率达到fmin=62.5kHz。信号的信噪比定义为Nt为采集的原始信号x(t)的奈奎斯特采样样本数,σ2为零均值高斯噪声的方差(噪声功率)。
基于上述所构建模型及定义,本发明提供了基于快速傅里叶变换恢复原始信号功率谱的算法,以降低功率谱恢复算法的计算复杂度。
下面将利用频域功率谱重构方法同本发明方法做算法性能对比分析,以进一步验证本发明的性能。
采用算法时间复杂度(Time Complexity)来衡量算法的效率。传统的频域功率谱重构方法中在满足分辨率1/2NLT要求时涉及2MLPlog(2L)+2M2(N+P)L>2MLPlog(2L)+2N2L浮点运算,与降采样因子N成多项式关系,不适用于高压缩场景。本发明中的算法只有FFT与简单的四则运算,在满足相同分辨率1/2NLT要求时涉及(6LN-3)log(2LN-1)+2LN-1浮点运算,与降采样因子N成线性关系。使用接受者操作特性曲线(receiver operatingcharacteristic curve,简称ROC曲线)来显示选择不同阈值检测频段上是否存在信号的情况。
图4、图5中描述了信号在信噪比SNR=-5dB时奈奎斯特采样和我们提出的发明方法中功率谱的情况。从图中可以看出,本发明方法能够准确恢复真实的功率谱,且由图5中不同采样时间的功率谱恢复对比看出增加信号采样时间可以补偿压缩采样带来的性能损失,使得重构出的功率谱接近奈奎斯特采样条件下的功率谱。图6对比了相同的采样通道数M和采样速率条件下本发明方法与频域功率谱估计算法的性能。图中画出两种方法的ROC曲线,可以看出本发明方法性能优于频域方法,同时,计算出两种方法的平均运行时间分别是0.17ns,0.35ns,前者所需时间仅为后者算法的一半,计算复杂度较低,更适用于硬件实现。
综上所述,本发明提出的发明是基于多陪集压缩采样框架下压缩样本与原始信号的相关函数的关系来实现功率谱的快速重构。通过构建自相关函数的数学模型,将相关函数的计算转化为求解卷积,使用FFT计算求解出原始信号的功率谱。不涉及矩阵运算的策略使得算法的复杂度大幅度降低,更加适合宽带信号的实时频谱感知。
Claims (1)
1.基于次奈奎斯特采样的快速功率谱估计方法,其特征在于,包括以下步骤:
S1、产生频带分布在[0,1]GHz的多频带信号x,设置奈奎斯特采样率fnyq,采样通道数M,降采样因子N,给定多陪集采样框架的传感矩阵C,采集T0=1ms时间内各个采样通道的样本数据,第m通道上的时延为ΔmT,该通道上lTADC时刻采集的样本ym[l]为:
ym[l]=ym(lTADC)=x(lNT+ΔmT)=x[lN+Δm]
其中,m=0,…,M-1表示多陪集框架的每个采样通道,Δm为大于零的整数,TADC为同步低速ADC的采样间隔,l=0,…,L-1表示各个采样通道上采集到的第l+1个样本,L是每个采样通道上总的样本数;
S3、使用快速傅里叶变换计算观测数据的自相关函数向量与样本集合的模向量
S4、恢复原始信号自相关函数
rx=rh./q
其中,点除./定义为向量或矩阵对应元素相除,即
S5、自相关函数做傅里叶变换得到功率谱
Px=F2NL-1rx
完成对功率谱Px的估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910692107.XA CN110365437B (zh) | 2019-07-30 | 2019-07-30 | 基于次奈奎斯特采样的快速功率谱估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910692107.XA CN110365437B (zh) | 2019-07-30 | 2019-07-30 | 基于次奈奎斯特采样的快速功率谱估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365437A CN110365437A (zh) | 2019-10-22 |
CN110365437B true CN110365437B (zh) | 2021-05-14 |
Family
ID=68222634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910692107.XA Active CN110365437B (zh) | 2019-07-30 | 2019-07-30 | 基于次奈奎斯特采样的快速功率谱估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365437B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111901058B (zh) * | 2020-07-31 | 2021-07-02 | 电子科技大学 | 基于亚奈奎斯特采样的多天线辅助宽带频谱感知方法 |
CN112019219B (zh) * | 2020-08-14 | 2022-08-26 | 山东大学 | 一种基于亚奈奎斯特采样的φ-otdr系统中多频带信号检测方法 |
CN112118061A (zh) * | 2020-09-11 | 2020-12-22 | 西安交通大学 | 一种基于快速功率谱估计的稀疏宽带频谱感知方法 |
CN112543073B (zh) * | 2020-11-27 | 2022-03-08 | 电子科技大学 | 基于次奈奎斯特采样的联合宽带频谱感知和载频估计方法 |
CN113768532A (zh) * | 2021-08-20 | 2021-12-10 | 中北大学 | 基于五路心音信号分类算法的健康检测方法及系统 |
CN114826456B (zh) * | 2022-05-20 | 2022-12-13 | 电子科技大学 | 一种针对多陪集采样中通道时钟偏移的校准方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946288A (zh) * | 2012-11-23 | 2013-02-27 | 西安电子科技大学 | 基于自相关矩阵重构的压缩频谱感知方法 |
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 |
CN104852745A (zh) * | 2015-05-26 | 2015-08-19 | 哈尔滨工业大学 | 基于压缩感知的多频带信号欠采样重构方法及实现该方法的装置 |
CN105281779A (zh) * | 2015-11-04 | 2016-01-27 | 哈尔滨工业大学 | 多观测值向量稀疏度自适应压缩采样匹配追踪方法 |
CN105933008A (zh) * | 2016-04-15 | 2016-09-07 | 哈尔滨工业大学 | 基于聚集稀疏正则化正交匹配追踪算法的多频带信号重构方法 |
CN106301631A (zh) * | 2016-10-18 | 2017-01-04 | 天津大学 | 一种基于子空间分解的互素欠采样频谱感知方法及其装置 |
CN106506102A (zh) * | 2016-10-18 | 2017-03-15 | 天津大学 | 一种互素欠采样下高精度、低时延的谱感知方法及其装置 |
CN107171748A (zh) * | 2017-05-11 | 2017-09-15 | 电子科技大学 | 欠采样的多阵列协同测频与直接定位方法 |
CN109495198A (zh) * | 2019-01-25 | 2019-03-19 | 西安电子科技大学 | 基于残差相关矩阵检测的欠采样频谱感知方法 |
CN109905158A (zh) * | 2019-03-13 | 2019-06-18 | 哈尔滨工业大学 | 均匀功率宽带信号自适应波束形成最优权值的设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10064073B2 (en) * | 2016-11-11 | 2018-08-28 | International Business Machines Corporation | Optimizing bandwidth of cognitive radios |
US10651955B2 (en) * | 2018-01-19 | 2020-05-12 | Arizona Board Of Regents On Behalf Of Arizona State University | Active sequential xampling receiver for spectrum sensing |
-
2019
- 2019-07-30 CN CN201910692107.XA patent/CN110365437B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946288A (zh) * | 2012-11-23 | 2013-02-27 | 西安电子科技大学 | 基于自相关矩阵重构的压缩频谱感知方法 |
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 |
CN104852745A (zh) * | 2015-05-26 | 2015-08-19 | 哈尔滨工业大学 | 基于压缩感知的多频带信号欠采样重构方法及实现该方法的装置 |
CN105281779A (zh) * | 2015-11-04 | 2016-01-27 | 哈尔滨工业大学 | 多观测值向量稀疏度自适应压缩采样匹配追踪方法 |
CN105933008A (zh) * | 2016-04-15 | 2016-09-07 | 哈尔滨工业大学 | 基于聚集稀疏正则化正交匹配追踪算法的多频带信号重构方法 |
CN106301631A (zh) * | 2016-10-18 | 2017-01-04 | 天津大学 | 一种基于子空间分解的互素欠采样频谱感知方法及其装置 |
CN106506102A (zh) * | 2016-10-18 | 2017-03-15 | 天津大学 | 一种互素欠采样下高精度、低时延的谱感知方法及其装置 |
CN107171748A (zh) * | 2017-05-11 | 2017-09-15 | 电子科技大学 | 欠采样的多阵列协同测频与直接定位方法 |
CN109495198A (zh) * | 2019-01-25 | 2019-03-19 | 西安电子科技大学 | 基于残差相关矩阵检测的欠采样频谱感知方法 |
CN109905158A (zh) * | 2019-03-13 | 2019-06-18 | 哈尔滨工业大学 | 均匀功率宽带信号自适应波束形成最优权值的设计方法 |
Non-Patent Citations (5)
Title |
---|
Blind multiband signal reconstruction compressed sensing for analog signals;Moshe Mishali 等;《IEEE Transactions on Signal Processing》;20090113;全文 * |
Blind Sub-Nyquist Spectrum Sensing With Modulated Wideband Converter;Peihan Qi 等;《IEEE Transactions on Vehicular Technology》;20180117;全文 * |
Circular sparse rulers based on co-prime sampling for compressive power spectrum estimation;Nuria González-Prelcic 等;《2014 IEEE Global Communications Conference》;20141212;全文 * |
Wideband spectrum sensing based on sub-Nyquist sampling;Chia-Pang Yen 等;《IEEE Transactions on Signal Processing》;20130306;全文 * |
随机采样模型及其信号处理算法研究;刘晶晶;《中国优秀硕士学位论文全文库》;20180815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110365437A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365437B (zh) | 基于次奈奎斯特采样的快速功率谱估计方法 | |
CN103036573B (zh) | 基于滤波的压缩感知信号采集方法 | |
CN105281779B (zh) | 多观测值向量稀疏度自适应压缩采样匹配追踪方法 | |
CN103780521B (zh) | 一种稀疏度自适应的ofdm系统信道估计方法 | |
CN105933008B (zh) | 基于聚集稀疏正则化正交匹配追踪算法的多频带信号重构方法 | |
CN101924717B (zh) | 一种基于信道初估计的变步长自适应回波干扰抵消方法 | |
CN102882530B (zh) | 一种压缩感知信号重构方法 | |
CN102394707B (zh) | 调制宽带转换器采样系统中的宽带频谱感知方法 | |
CN103559888A (zh) | 基于非负低秩和稀疏矩阵分解原理的语音增强方法 | |
CN108802667A (zh) | 基于广义正交匹配追踪的波达方向估计方法 | |
Marvasti et al. | Sparse signal processing using iterative method with adaptive thresholding (IMAT) | |
CN106027445A (zh) | 一种水声块结构稀疏特性的信道估计方法 | |
CN104574450A (zh) | 一种基于压缩感知的图像重构方法 | |
CN111224672B (zh) | 一种基于多通道延时的多谐波信号欠采样方法 | |
CN113271269A (zh) | 基于压缩感知的稀疏度自适应信道估计方法 | |
CN109586688A (zh) | 基于迭代计算的时变可分非下采样图滤波器组的设计方法 | |
CN109688074A (zh) | 一种基于压缩感知的ofdm系统的信道估计方法 | |
CN108494508A (zh) | 基于mwc相关支撑集恢复的高效频谱检测方法 | |
CN107483057A (zh) | 基于共轭梯度追踪的稀疏多频带信号重构方法 | |
CN108132383B (zh) | 一种时间交错的多谐波信号欠采样方法 | |
CN109586728A (zh) | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 | |
CN114070702A (zh) | 一种基于叠加与快速频域相关联合的pss检测方法 | |
CN103152298A (zh) | 一种基于分布式压缩感知系统的盲信号重构方法 | |
CN110944336A (zh) | 一种基于有限新息率的时频谱感知方法 | |
CN109586763B (zh) | 一种电子通信系统中扩频信号的去噪方法及其去噪系统 |
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 |