CN111148107A - 基于压缩滤波的宽带频谱感知方法和装置 - Google Patents
基于压缩滤波的宽带频谱感知方法和装置 Download PDFInfo
- Publication number
- CN111148107A CN111148107A CN201911372013.0A CN201911372013A CN111148107A CN 111148107 A CN111148107 A CN 111148107A CN 201911372013 A CN201911372013 A CN 201911372013A CN 111148107 A CN111148107 A CN 111148107A
- Authority
- CN
- China
- Prior art keywords
- sub
- band
- matrix
- sensing
- filtering
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供了一种基于压缩滤波的宽带频谱感知方法和装置,涉及通信技术领域,包括根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息;根据观测矩阵得到子带滤波器,通过子带滤波器对频谱信息进行滤波处理,得到各个子带的能量信息;将各个子带的能量信息和压缩非重构能量检测准则进行比对,得到各个子带的比对结果;根据各个子带的比对结果进行协作检测,得到目标宽带的频谱感知结果,低复杂度地实现频谱精确检测,确保授权用户正常通信。
Description
技术领域
本发明涉及通信技术领域,尤其是涉及一种基于压缩滤波的宽带频谱感知方法和装置。
背景技术
随着无线通信的迅猛发展,无线频谱资源日益稀缺,成为现代社会不可或缺的宝贵资源。事实上,现有的频谱授权机制采用固定频谱分配,在时间和空间上都没有得到很好的利用,频谱利用率很低。
为了提高频谱利用率,解决频谱资源稀缺的局面,认知无线电(Cognitive Radio,CR)技术应运而生。认知无线电旨在不影响授权用户的正常通信的前提下,通过动态频谱接入的方式,共享和使用空闲频谱,达到解决频谱稀缺问题的目的。但目前的频谱检测方法较为复杂,且无法准确检测到空闲频谱,进而影响无线电冬天频谱接入方式的应用。
发明内容
有鉴于此,本发明的目的在于提供一种基于压缩滤波的宽带频谱感知方法和装置,低复杂度地实现频谱精确检测,确保授权用户正常通信。
第一方面,本发明实施例提供了一种基于压缩滤波的宽带频谱感知方法,包括:
根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息;
根据所述观测矩阵得到子带滤波器,通过所述子带滤波器对所述频谱信息进行滤波处理,得到各个子带的能量信息;
将所述各个子带的能量信息和压缩非重构能量检测准则进行比对,得到各个子带的比对结果;
根据所述各个子带的比对结果进行协作检测,得到所述目标宽带的频谱感知结果。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,在根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息的步骤之前,还包括:
根据压缩感知情况确定稀疏基和观测矩阵。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述观测矩阵包括高斯矩阵、哈达玛矩阵和伪单位阵。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据所述观测矩阵得到子带滤波器的步骤,包括:
根据所述观测矩阵的频段内子信道划分计算所述子带滤波器的子信道感知矩阵。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,根据所述各个子带的比对结果进行协作检测,得到所述目标宽带的频谱感知结果的步骤,包括:
根据所述各个子带的比对结果,利用K秩准则对每个子信道的占用情况进行联合判决,得到所述目标宽带的频谱感知结果的。
第二方面,本发明实施例还提供一种基于压缩滤波的宽带频谱感知装置,包括:
采集模块,用于根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息;
滤波模块,用于根据所述观测矩阵得到子带滤波器,通过所述子带滤波器对所述频谱信息进行滤波处理,得到各个子带的能量信息;
比对模块,用于将所述各个子带的能量信息和压缩非重构能量检测准则进行比对,得到各个子带的比对结果;
检测模块,用于根据所述各个子带的比对结果进行协作检测,得到所述目标宽带的频谱感知结果。
本发明实施例提供一种基于压缩滤波的宽带频谱感知方法和装置,首先,各个感知用户使用压缩技术以远低于Nyquist采样率的速率采集各自的宽带频谱信息。在信息压缩过程中,采用本方案构建的观测矩阵。其次,各感知用户采用子带滤波技术得到各个子带的能量信息,并通过压缩非重构能量检测准则判断各子带是否有主用户占用。本方案需要设计合适的子带滤波器,使得子带间干扰尽可能最小。滤波器由步骤(1)的观测矩阵决定。融合中心收集通过步骤(2)得到的多用户的各个子带判决结果,进行多用户协作检测,得到最终的频谱感知结果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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基于压缩滤波的宽带频谱感知方法流程图;
图2为本发明实施例提供的一种表征高斯随机矩阵与子信道感知矩阵相关性的热度图;
图3为本发明实施例提供的一种表征哈达玛矩阵与子信道感知矩阵相关性的热度图;
图4为本发明实施例提供的一种伪单位阵与子信道感知矩阵相关性的热度图;
图5为本发明实施例提供的一种不同观测矩阵下,检测概率随SNR变化曲线图;
图6为本发明实施例提供的一种不同观测矩阵下,虚警概率随SNR变化曲线图;
图7为本发明实施例提供的一种融合中心和用户检测概率随SNR变化曲线图;
图8为本发明实施例提供的一种融合中心和用户虚警概率随SNR变化曲线图;
图9为本发明实施例提供的一种基于压缩滤波的宽带频谱感知装置的功能框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。
目前,在认知无线电的实际应用中,需要在几十M甚至上百M的宽带频谱上检测空白频谱后从而进行接入和后续信号传输。在检测过程中,需要将宽带谱划分为若干个窄的子带进行逐一感知,从而选取“干净”的子带。
对于宽带频谱的感知,根据奈奎斯特定理,采样率与观察带宽成正比,这就需要有非常高的采样频率,从而对AD采样器件性能和储存器带来极高的要求。近年来基于(Compressed Sensing,CS)理论的采样方法,其能够有效克服过高采样速率的问题。CS理论指出,如果信号在某个域上是充分稀疏的,当以远低于Nyquist采样的速率对信号进行采样时,只要采样矩阵满足一定性质,则利用少量采样值即可恢复原始信号。由于降低了采样速率,从而进一步地减轻了原有的存储、传输资源上的浪费。此外,由于较为活跃的无线电频谱占用率较低,因而使得无线通信信号具有典型的频域稀疏性。由此,可以对频域稀疏信号进行压缩采样及重构。
非压缩的传统频谱感知检测方法包括能量检测、匹配滤波、循环平稳检测等。非压缩感知需要采样点多,计算量大,因此基于压缩的频谱感知成为新的研究领域。在认知无线电的实际应用场景中,通信环境复杂,存在阴影衰落,多感知节点将各自感知信息汇集到主节点的集中式协作或两两进行信息共享的分布式协作的方案要优于单节点。
综合现有研究成果,基于压缩感知的协作认知方案一方面由于压缩感知技术使得复杂度大幅降低,另一方面通过多用户协作提升了感知性能,因此是较为有效实用的解决方案。
但是对于目前的基于压缩感知的协作检测中,对宽带或超宽带的频谱感知方案研究相对较少,宽带频谱感知的特点是需要对整个带宽进行子带划分后逐一进行检测。而目前的方案大多都是基于单个子带,如果要进行多子带的宽带检测,则需要进行多次信息传输,极大浪费信道资源。此外,虽然现有技术具有考虑了宽带频谱感知逐子带检测的方案,但前提是在主节点需要将各感知节点发送的压缩信息进行重构和还原,重构的过程导致较高的计算复杂度。
基于此,本发明实施例提供的一种基于压缩滤波的宽带频谱感知方法和装置,低复杂度地实现频谱精确检测,确保授权用户正常通信。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种基于压缩滤波的宽带频谱感知方法进行详细介绍。
图1为本发明实施例提供的一种基于压缩滤波的宽带频谱感知方法流程图。
参照图1,基于压缩滤波的宽带频谱感知方法,包括以下步骤:
步骤S102,根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息;
这里,共有U个用户,压缩信号为yu=ΦΨx+nu。
步骤S104,根据所述观测矩阵得到子带滤波器,通过所述子带滤波器对所述频谱信息进行滤波处理,得到各个子带的能量信息;
步骤S106,将所述各个子带的能量信息和压缩非重构能量检测准则进行比对,得到各个子带的比对结果;
步骤S108,根据所述各个子带的比对结果进行协作检测,得到所述目标宽带的频谱感知结果。
在实际应用的优选实施例中,首先,各个感知用户使用压缩技术以远低于Nyquist采样率的速率采集各自的宽带频谱信息。在信息压缩过程中,采用本方案构建的观测矩阵。其次,各感知用户采用子带滤波技术得到各个子带的能量信息,并通过压缩非重构能量检测准则判断各子带是否有主用户占用。本方案需要设计合适的子带滤波器,使得子带间干扰尽可能最小。滤波器由步骤(1)的观测矩阵决定。融合中心收集通过步骤(2)得到的多用户的各个子带判决结果,进行多用户协作检测,得到最终的频谱感知结果。
考虑一个包含U个感知用户(SU)的认知网络系统,这U个用户与一个融合中心相连。由于采用集中式协作频谱感知,所有SU首先检测目标频段内各个子带是否有主用户(PU)占用,然后将检测结果发送给融合中心。融合中心收集U个用户的观测结果后通过判决得到全局观测结果。
令原始信号为x=[x1,...,xN]T,N为采样长度,ψi,i=1,...,N为RN空间下的一组正交基,原始信号x可以用下式表示[12],
x=Ψs (1)
其中,Ψ=[ψ1,...,ψN],si,i=1,...,N表示x在RN空间下以Ψ为基的坐标值,s=[s1,...,sN]T。根据压缩感知理论,若x用Ψ表示的坐标s满足只有K(K<<N)个值不为O的条件,称x是K稀疏的,可以在域Ψ下稀疏表示。且可以采用M个线性无关的N维列向量对信号进行观测,得到观测信号y=[y1,...,yM]T,M满足条件K<M<N。定义是一个M×N维的矩阵,对SU用户u来说,观测信号yu可用下式表示,
yu=Φx+nu=ΦΨs+nu (2)
其中,nu为用户u检测时的噪声向量。考虑到原始信号x是频域稀疏信号,那么正交基Ψ可以采用离散傅里叶变换基,s具有稀疏性。所有用户使用相同的观测矩阵Φ。
进一步的,因为s是接收信号的宽带频域形式,由若干个子带组成。假设有J个子带,则划分为:
s=[s1 T,...,sJ T]T (3)
不失一般性,sj=[s(j-1)*N/J+1,...,sj*N/J]T表示子带j的接收信号的频域形式。
对应的,稀疏基Ψ也做相同的划分:
Ψ=[Ψ1,...,ΨJ] (4)
其中,Ψj表示块矩阵,由矩阵Ψ的第(j-1)*N/J+1到第j*N/J列构成。因此观测信号yu可用下式表示:
yu=ΦΨs+nu=Φ[Ψ1,...,ΨJ][s1 T,...,sJ T]T+nu (5)
进一步分解为:
令子信道感知矩阵Aj=ΦΨj,则得到:
当满足以下条件时:
此时,子带j的信息被完全分离出来。
进一步的,在步骤S102之前,还包括:
根据压缩感知情况确定稀疏基和观测矩阵。
每个感知用户SU进行压缩感知,选择Ψ为离散傅里叶变换基,观测矩阵Φ为本方案构造的M×N维的伪单位阵。需要说明的是,所述观测矩阵包括高斯矩阵、哈达玛矩阵和伪单位阵。
在压缩感知技术的理论中,观测矩阵Φ一般可以采用高斯随机矩阵,伯努利随机矩阵,部分哈达玛矩阵等。
然而,这些随机矩阵未必能使Aj互相之间的相关性最低。因此需要寻找更适合的观测矩阵。
我们构造测矩阵为伪单位阵:
Φ=[IM×M,0M×(N-M)] (11)
其中,IM×M为M×M维单位矩阵,0M×(N-M)为M×(N-M)维的全零矩阵。
观测矩阵采用高斯随机矩阵,哈达玛矩阵和伪单位阵时,Aj的相关性可用图2、图3、图4的热度图表示。
具体地,图2用于表示高斯随机矩阵与子信道感知矩阵相关性。图3用于哈达玛矩阵与子信道感知矩阵相关性。图4用于伪单位阵与子信道感知矩阵相关性。
综上可以看到在观测矩阵为伪单位阵时,子带感知矩阵间相关性是最低的。
作为一种可选的实施例,步骤S104中根据所述观测矩阵得到子带滤波器的步骤,包括:
根据所述观测矩阵的频段内子信道划分计算所述子带滤波器的子信道感知矩阵。
根据频段内子信道划分情况计算子带滤波矩阵Aj=ΦΨj,其中Ψj为Φ的第j个块矩阵,由矩阵Ψ的第(j-1)*N/J+1到第j*N/J列构成。
进一步的,步骤S108,包括:
根据所述各个子带的比对结果,利用K秩准则对每个子信道的占用情况进行联合判决,得到所述目标宽带的频谱感知结果的。
本发明实施例先对单用户能量检测,再对多用户协作感知,具体过程如下所示:
频域估计向量为因为频域估计向量中包含了子信道j中每个频点的幅值信息。利用非重构的能量检测算法[5],该算法直接可以利用压缩后信号进行频谱检测,而不需要进行类似文献[10]的SOMP,SASMP的迭代重构过程,复杂度得到简化。第j个子带判定准则可用下式表示,将子带j信号能量与所有子带平均能量进行对比:
其中,Hu,j,0表示用户u认为子信道j不存在PU占用,Hu,j,1表示用户u认为已有PU占用子信道j。γ表示能量检测阈值。
融合中心收集每个用户的判决信息,利用VOT准则对每个子信道的占用情况进行判决。协作频谱感知的目的是获取各个SU的感知信息的最优融合,利用空间分集,得到感知信息的最佳表达。
本方案使用VOT准则[9]:VOT准则也称为K/N准则。假设共有N个感知用户SU参与协作,且1≤K≤N。N个感知用户中大于或等于K个用户的判决结果为“1”时,联合判决结果为“1”,判定信道被占用;当有小于K个感知用户的判决结果为“1”时,融合中心判决结果为“O”,判定感知频段空闲。
根据下表1中的仿真参数配置,对本发明实施例提供的基于压缩滤波的宽带频谱感知方法进行仿真。
表1仿真参数配置
此外,经仿真后得到的不同观测矩阵下检测概率和虚警概率随SNR变化情况如图5、图6、图7、图8所示:
具体地,图5用于表征不同观测矩阵下,检测概率随SNR变化曲线。图6用于表征不同观测矩阵下,虚警概率随SNR变化曲线。
综上,选取观测矩阵Φ分别为高斯矩阵、哈达玛矩阵和伪单位阵,对比其正确检测概率和虚警概率。从图5可以看到,三种矩阵在-5dB时均可达到98%以上的正确检测性能,选取伪单位阵时性能略好。从图6可以看到,当子信道上不存在PU用户时,无论在低信噪还是高信噪比下,高斯矩阵、哈达玛矩阵情况误检测到有PU的概率明显高于伪单位阵情况,始终在20%以上。这是因为选取这两个矩阵时的子带滤波器相关性较高,占用子带的功率泄漏到了闲置子带上从而出现虚警。而单位阵在信噪比为-13dB时,虚警概率已经低于0.01,因此本方案构造的伪单位阵具有更好的性能。
图7用于表征融合中心和用户检测概率随SNR变化的变化情况。图8用于表征融合中心和用户虚警概率随SNR变化的变化情况。
可以看到,多用户协作检测概率明显则会高于单个用户。另外,融合中心的虚警概率则始终低于用户。采用VOT准则的集中式协作方案有效提升了感知性能。
根据下表2对比本方案与重构算法的复杂度。以OMP重构算法为例,与所提出算法的区别主要在第3和第4步,OMP重构算法需要利用最小二乘法迭代获得原始信号。该过程中的计算量主要由感知矩阵与残差内积的计算产生,该步骤复杂度为O(KMN),在t轮迭代过程中,利用最小二乘法得到估计信号的计算的复杂度为O(tM),而每个用户都要经历相同的流程,所以OMP重构算法的复杂度为O(KMNU)+O(tMU)[5]。而所提出算法在第3步的子信道感知矩阵Aj是可以预设的,不占用计算量,第4步获得频域估计向量的复杂度为O(MNU)。因此所提出算法可以极大降低计算复杂度。
表2所提出算法和OMP重构算法的复杂度比较
本发明实施例提出将压缩技术、集中式协作技术、子带滤波技术以及基于压缩的非重构能量检测进行结合的宽带频谱认知方案。提出通过子带滤波从而得到子带能量的方案,给出子带滤波器的数学表达式。构建伪单位矩阵作为观测矩阵,从而得到低互相关性的子带滤波器。相比于高斯矩阵和哈达玛矩阵,伪单位矩阵下的子带滤波器的相关性较最小,子带间的干扰最小。本方案的复杂度以及系统开销较低,性能较好,非常适合工程实现。
进一步的,如图9所示,本发明实施例还包括一种基于压缩滤波的宽带频谱感知装置,包括:
采集模块,用于根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息;
滤波模块,用于根据所述观测矩阵得到子带滤波器,通过所述子带滤波器对所述频谱信息进行滤波处理,得到各个子带的能量信息;
比对模块,用于将所述各个子带的能量信息和压缩非重构能量检测准则进行比对,得到各个子带的比对结果;
检测模块,用于根据所述各个子带的比对结果进行协作检测,得到所述目标宽带的频谱感知结果。
本方案旨在设计一套低复杂度且有效的基于压缩感知的宽带谱协作认知方案。方案将压缩技术、集中式协作技术、以及基于压缩的非重构能量检测进行结合,从而使得该宽带频谱认知方案兼具低复杂度和性能较优的的特点。方案中提出一种子带滤波的方法,通过构造优化的子带滤波器一次性将宽带频谱的每个子带进行分离和感知,使得后续的基于压缩的非重构能量感知成为可能。
本发明实施例提供的基于压缩滤波的宽带频谱感知装置,与上述实施例提供的基于压缩滤波的宽带频谱感知方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例所提供的基于压缩滤波的宽带频谱感知方法、装置以及系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例提供的基于压缩滤波的宽带频谱感知方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例的基于压缩滤波的宽带频谱感知方法的步骤。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种基于压缩滤波的宽带频谱感知方法,其特征在于,包括:
根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息;
根据所述观测矩阵得到子带滤波器,通过所述子带滤波器对所述频谱信息进行滤波处理,得到各个子带的能量信息;
将所述各个子带的能量信息和压缩非重构能量检测准则进行比对,得到各个子带的比对结果;
根据所述各个子带的比对结果进行协作检测,得到所述目标宽带的频谱感知结果。
2.根据权利要求1所述的基于压缩滤波的宽带频谱感知方法,其特征在于,在根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息的步骤之前,还包括:
根据压缩感知情况确定稀疏基和观测矩阵。
3.根据权利要求2所述的基于压缩滤波的宽带频谱感知方法,其特征在于,所述观测矩阵包括高斯矩阵、哈达玛矩阵和伪单位阵。
4.根据权利要求1所述的基于压缩滤波的宽带频谱感知方法,其特征在于,根据所述观测矩阵得到子带滤波器的步骤,包括:
根据所述观测矩阵的频段内子信道划分计算所述子带滤波器的子信道感知矩阵。
5.根据权利要求1所述的基于压缩滤波的宽带频谱感知方法,其特征在于,根据所述各个子带的比对结果进行协作检测,得到所述目标宽带的频谱感知结果的步骤,包括:
根据所述各个子带的比对结果,利用K秩准则对每个子信道的占用情况进行联合判决,得到所述目标宽带的频谱感知结果的。
6.一种基于压缩滤波的宽带频谱感知装置,其特征在于,包括:
采集模块,用于根据观测矩阵以预设采样速率压缩采集目标宽带的频谱信息;
滤波模块,用于根据所述观测矩阵得到子带滤波器,通过所述子带滤波器对所述频谱信息进行滤波处理,得到各个子带的能量信息;
比对模块,用于将所述各个子带的能量信息和压缩非重构能量检测准则进行比对,得到各个子带的比对结果;
检测模块,用于根据所述各个子带的比对结果进行协作检测,得到所述目标宽带的频谱感知结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911372013.0A CN111148107A (zh) | 2019-12-27 | 2019-12-27 | 基于压缩滤波的宽带频谱感知方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911372013.0A CN111148107A (zh) | 2019-12-27 | 2019-12-27 | 基于压缩滤波的宽带频谱感知方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111148107A true CN111148107A (zh) | 2020-05-12 |
Family
ID=70520867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911372013.0A Pending CN111148107A (zh) | 2019-12-27 | 2019-12-27 | 基于压缩滤波的宽带频谱感知方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111148107A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112702132A (zh) * | 2020-12-23 | 2021-04-23 | 重庆邮电大学 | 一种基于卷积神经网络分类器的宽带频谱感知方法 |
-
2019
- 2019-12-27 CN CN201911372013.0A patent/CN111148107A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112702132A (zh) * | 2020-12-23 | 2021-04-23 | 重庆邮电大学 | 一种基于卷积神经网络分类器的宽带频谱感知方法 |
CN112702132B (zh) * | 2020-12-23 | 2022-06-21 | 重庆邮电大学 | 一种基于卷积神经网络分类器的宽带频谱感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian | Compressed wideband sensing in cooperative cognitive radio networks | |
CN102946288B (zh) | 基于自相关矩阵重构的压缩频谱感知方法 | |
Sharma et al. | Compressive sparsity order estimation for wideband cognitive radio receiver | |
De Vito | A review of wideband spectrum sensing methods for cognitive radios | |
Kakalou et al. | A survey on spectrum sensing algorithms for cognitive radio networks | |
CN104703216A (zh) | 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 | |
Leinonen et al. | Compressed sensing with applications in wireless networks | |
Sheikh et al. | Cognitive spectrum sensing and detection using polyphase DFT filter banks | |
KR20210126912A (ko) | 인지 무선 시스템에서 합성곱 신경망 기반 스펙트럼 센싱 방법 및 장치 | |
CN111148107A (zh) | 基于压缩滤波的宽带频谱感知方法和装置 | |
Dibal et al. | Wideband spectrum sensing in cognitive radio using discrete wavelet packet transform and principal component analysis | |
Dagne et al. | Compressive sensing based maximum-minimum subband energy detection for cognitive radios | |
CN110190917B (zh) | 一种LTE230MHz电力无线专网的频谱空洞感知方法、装置及设备 | |
CN106878997A (zh) | 一种分布式网络中的贝叶斯压缩频谱感知方法 | |
CN112994813B (zh) | 自适应采样的频谱感知方法及相关装置 | |
CN115378776A (zh) | 一种基于循环谱参数的mfsk调制识别方法 | |
CN115102983A (zh) | 基于压缩感知的电力物联网多源异构数据信号处理方法 | |
Azghani et al. | Simultaneous block iterative method with adaptive thresholding for cooperative spectrum sensing | |
Bruno et al. | An edge detection approach to wideband temporal spectrum sensing | |
CN114244458A (zh) | 一种亚奈奎斯特采样前端的全盲频谱感知方法 | |
CN114036984B (zh) | 一种基于tuckals3算法的高维频谱数据降噪方法 | |
Ebian | I2-Minimization Recovery Algorithm for Compressive Sensing in Cognitive Radio Networks | |
Sharma et al. | Compressive SNR estimation for wideband cognitive radio under correlated scenarios | |
CN110138476B (zh) | 基于稀疏表示最大分量的频谱感知方法 | |
CN109412718A (zh) | 宽带频谱信号检测方法 |
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 |