CN111313990B - 基于信号实时似然比的频谱感知方法 - Google Patents
基于信号实时似然比的频谱感知方法 Download PDFInfo
- Publication number
- CN111313990B CN111313990B CN202010087066.4A CN202010087066A CN111313990B CN 111313990 B CN111313990 B CN 111313990B CN 202010087066 A CN202010087066 A CN 202010087066A CN 111313990 B CN111313990 B CN 111313990B
- Authority
- CN
- China
- Prior art keywords
- signal
- spectrum
- cognitive
- user
- likelihood ratio
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
- H04B17/327—Received signal code power [RSCP]
-
- 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
- H04B17/3911—Fading models or fading generators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于信号实时似然比的频谱感知方法,提取主用户信号出现与否时的信号特征,计算接收信号循环谱峰值似然比,并与频谱判决门限比较,做出主用户信号是否存在的判决,如果似然比大于判决门限,则判决主用户信号存在,否则判决主用户信号不存。本发明方法采用虚警概率和检测概率加权因子设置频谱判决门限,通过学习认知网络信号和噪声的特征,利用接收信号循环谱峰值似然比进行频谱感知,频谱判决统计量不仅与当前接收信号信息有关,而且还与认知网络历史信息有关,消除了信道快速变化对频谱感知性能的影响,同时又能简单有效的平衡频谱判决的虚警概率和检测概率性能,满足认知网络QoS性能要求,尤其适合于衰落信道下的频谱感知。
Description
技术领域
本发明涉及认知网络中的信号频谱感知技术,更为具体地说涉及一种基于信号实时似然比的频谱感知方法。
背景技术
随着无线通信技术的飞速发展,频谱资源短缺与通信业务量增长的矛盾日趋突出,频谱资源变得越来越稀缺。认知技术依靠人工智能感知无线通信环境,动态地检测频谱资源使用信息,实时自适应地改变自身系统工作参数以有效利用空闲频谱,是提高频谱利用率、缓解频谱资源紧张的有效办法之一。
在认知网络中,有多种频谱感知技术。比如,能量检测,匹配滤波器检测、平稳循环特征检测和拟合优度检验等。这些技术都是对主用户信号的某个特征进行感知的,没有人工智能的学习过程,不能实时地跟踪信道变化,在衰落多径、隐藏终端等复杂低信噪比环境下,其检测性能大打折扣。如何充分利用认知网络的历史信息,结合主用户信号的实时信息和信道噪声的实时信息,正确区判别主用户信号是否存在,是一个尚未解决的难题。
发明内容
本发明的目的在于解决上述难题。考虑到衰落信道下认知网络中主用户信号和信道噪声的特征的快变性,本发明以认知用户(感知节点)当前接收信号的循环谱峰值似然比为检验统计量,以虚警概率和检测概率加权组合为认知网络频谱感知性能指标,提出了一种基于认知网络历史信息的信号实时似然比频谱感知方法。在该方法中,认知用户首先根据认知网络QoS性能要求设置频谱判决门限,其次学习主用户信号出现与否时的信号特征,然后根据接收信号的循环谱峰值计算主用户信号出现与否的似然比,最后将似然比与判决门限进行比较,做出主用户信号出现与否的判决,并根据判决结果更新主用户信号存在与否的特征。该方法充分利用了认知网络的历史信息以及主用户信号和信道噪声的实时信息,克服了信道衰落对频谱感知性能的影响,大大提高了认知网络频谱感知的准确性。
上述目的通过下述技术方案予以实现:本发明基于信号实时似然比的频谱感知方法,认知网络至少包括1个主用户和1个认知用户,认知用户接收到的检测信号为y(t)=s(t)+n(t),其中,s(t)为认知用户接收到的主用户信号,n(t)为信道噪声,0≤t≤T,T为认知用户频谱检测周期;所述频谱感知方法包括如下步骤:
步骤1、判决门限设置——根据认知网络QoS性能要求,分别对认知网络的频谱感知虚警概率和检测概率进行加权,其中,虚警概率加权权重为α,检测概率加权权重为β,α+β=1,并由此构成认知网络频谱感知判决门限λ:
步骤2、训练样本获取——主用户发送M个训练样本信号,认知用户从其接收到的信号中分别获取主用户信号存在时的信号样本序列sm(k)和主用户信号不存在时的信号样本序列nm(k),m=0,1,…,M-1,k=0,1,…,K-1,其中M是样本数,K是每个样本的抽样数;
步骤3、信号特征提取——根据信号样本序列sm(k)和噪声样本序列nm(k)分别计算主用户信号存在和不存在时认知用户接收信号样本的循环谱峰值,主用户信号存在时第m个接收信号样本的循环谱峰值为主用户信号不存在时第m个接收信号样本的循环谱峰值为
其中,L是频域平滑次数,符号“*”代表复共轭,fc为主用户信号s(t)的数字化载波频率,Sm(i)为主用户信号存在时的第m个接收信号样本序列的离散傅里叶变换
Nm(i)为主用户信号不存在时的第m个接收信号样本序列的离散傅里叶变换:
步骤4、信号抽样——认知用户网络学习结束后,转换到正常频谱感知工作状态;此时,对认知用户接收到的信号y(t)进行抽样,得到抽样信号y(k),k=0,1,…,K-1;
步骤5、似然比计算——根据抽样信号y(k)计算信号循环谱峰值:
其中Y(i)为认知用户接收信号序列的离散傅里叶变换:
由此得到频谱判决统计量-循环谱峰值似然比γ
其中
步骤6、频谱判决——根据接收信号循环谱峰值似然比作出频谱判决,如果信号似然比γ大于判决门限λ,则判决主用户信号存在,否则判决主用户信号不存。
此外,本发明还提供了根据判决结果更新信号特征的方法,信号特征更新具体方法如下:
如果认知用户需要继续下一周期频谱检测,则回到步骤4进行新一轮的频谱检测,否则结束频谱检测。
本发明还具有如下特征:
1、所述步骤1中,认知网络频谱感知的判决门限λ是根据网络频谱感知的虚警概率加权因子α和检测概率加权因子β设定的,且α+β=1;如果认知网络对虚警概率要求比较高时,虚警概率权重α适当取大一些,检测概率权重β适当取小一些,例如α=0.6,β=0.4;如果认知网络对检测概率要求比较高时,虚警概率权重α适当取小一些,而检测概率权重β适当取大一些,例如α=0.4,β=0.6;一般来说,在大多数的认知网络中,网络虚警概率和检测概率是同等重要的,因此α=β=0.5,也就是说判决门限λ=1。
2、所述步骤2中,训练样本数M越大越好;训练样本数M越大,训练越准确;但训练样本数M越大,训练所花费的网络训练时间就越长,认知网络的频谱利用率就越低;因此,训练样本数M不宜过大,一般来说M取512。
3、所述步骤2中,每个样本的抽样数K越大越好;样本抽样数K越大,样本循环谱的频域分辨率越高,循环谱峰值就越准确;但样本抽样数K越大,计算循环谱峰值就越复杂,所花费的频谱感知时间就越长,认知网络的频谱利用率就越低;因此,样本抽样数K不宜过大,一般来说K取1024即可。
4、所述步骤3中,计算循环谱峰值的频域平滑次数L越大越好;平滑次数L越大,样本循环谱的频域分辨率越高,循环谱峰值就越准确;但平滑次数L越大,计算循环谱峰值就越复杂,所花费的频谱感知时间就越长,认知网络的频谱利用率就越低;因此,平滑次数L不宜过大,一般来说L=63。
5、所述步骤5中,似然比是根据最新的信号特征计算的,是实时的似然比。
6、信号特征的更新是利用最新的M个特征参数进行计算,即在信号特征的更新时放弃最早的一个特征参数,加入最新的一个特征参数。
7、信号特征的更新是为了下一次频谱判决计算新信号似然比。
本发明方法在于认知无线网络频谱检测中,认知用户利用认知网络的历史信息以及主用户信号和信道噪声的实时信息进行频谱感知,从而产生以下的有益效果:
(1)通过设置不同的频谱判决门限,满足不同认知网络不同QoS性能的要求,有效平衡了认知网络虚警概率和检测概率性能之间的关系;
(2)采用认知用户接收信号的循环谱峰值似然比作为频谱检测的统计量,消除了信道噪声波动性对频谱感知性能的影响;
(2)用于计算接收信号循环谱峰值似然比的信号特征是实时更新的,有效克服了信道衰落对频谱感知性能的影响,增强了认知用户频谱检测对信道变化的自适应能力,提高了认知网络频谱感知的准确性。
附图说明
下面结合附图对本发明作进一步的说明;
图1是认知网络系统模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1,在一个包括主用户和认知用户的认知网络中,认知用户首先根据认知网络QoS性能要求设置频谱判决门限,其次学习主用户信号特征和信道噪声特征,然后根据接收信号的循环谱峰值计算主用户信号出现与否的似然比,并与设置的判决门限比较,判决主用户信号是否存在,最后根据频谱判决结果更新主用户信号特征和信道噪声特征,具体过程如下:
步骤1、根据认知网络QoS性能要求,分别对认知网络的频谱感知虚警概率和检测概率进行加权,其中,虚警概率加权权重为α,检测概率加权权重为β,α+β=1,并由此构成认知网络频谱感知判决门限λ。
步骤2、主用户发送M个训练样本信号,认知用户从其接收到的信号中分别获取主用户信号存在时的信号样本序列sm(k)和主用户信号不存在时的信号样本序列nm(k),m=0,1,…,M-1,k=0,1,…,K-1,其中M是样本数,K是每个样本的抽样数。
在本例中,主用户信号为一个波特率500Baud、载波频率150kHz的BPSK信号,样本数M=512,每个样本的抽样数K=1024。
步骤3、根据信号样本序列sm(k)和噪声样本序列nm(k)分别计算主用户信号存在和不存在时认知用户接收信号样本的循环谱峰值,主用户信号存在时第m个接收信号样本的循环谱峰值为主用户信号不存在时第m个接收信号样本的循环谱峰值为
其中,L是频域平滑次数,符号“*”代表复共轭,fc为主用户信号s(t)的数字化载波频率,Sm(i)为主用户信号存在时的第m个接收信号样本序列的离散傅里叶变换
Nm(i)为主用户信号不存在时的第m个接收信号样本序列的离散傅里叶变换:
在本例中,频域平滑次数L=63。
步骤4、对认知用户接收到的信号y(t)进行抽样,得到抽样信号y(k),k=0,1,…,K-1。
步骤5、根据抽样信号y(k)计算信号循环谱峰值:
其中Y(i)为认知用户接收信号序列的离散傅里叶变换:
由此得到频谱判决统计量-循环谱峰值似然比γ
其中
步骤6、根据接收信号循环谱峰值似然比和设置的频谱判决门限作出频谱判决;如果信号似然比大于判决门限,则判决主用户信号存在,否则判决主用户信号不存。
步骤7、根据判决结果更新主用户信号存在与否的特征,特征更新的具体方法为:
步骤8、如果认知用户需要继续下一周期频谱检测,则回到步骤4进行新一轮的频谱检测,否则结束频谱检测。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (6)
1.基于信号实时似然比的频谱感知方法,认知网络至少包括1个主用户和1个认知用户,认知用户接收到的检测信号为y(t)=s(t)+n(t),其中,s(t)为认知用户接收到的主用户信号,n(t)为信道噪声,0≤t≤T,T为认知用户频谱检测周期;所述频谱感知方法包括如下步骤:
步骤1、判决门限设置——根据认知网络QoS性能要求,分别对认知网络的频谱感知虚警概率和检测概率进行加权,其中,虚警概率加权权重为α,检测概率加权权重为β,α+β=1,并由此构成认知网络频谱感知判决门限λ:
步骤2、训练样本获取——主用户发送M个训练样本信号,认知用户从其接收到的信号中分别获取主用户信号存在时的信号样本序列sm(k)和主用户信号不存在时的信号样本序列nm(k),m=0,1,…,M-1,k=0,1,…,K-1,其中M是样本数,K是每个样本的抽样数;
步骤3、信号特征提取——根据信号样本序列sm(k)和噪声样本序列nm(k)分别计算主用户信号存在和不存在时认知用户接收信号样本的循环谱峰值,主用户信号存在时第m个接收信号样本的循环谱峰值为主用户信号不存在时第m个接收信号样本的循环谱峰值为
其中,L是频域平滑次数,符号“*”代表复共轭,fc为主用户信号s(t)的数字化载波频率,Sm(i)为主用户信号存在时的第m个接收信号样本序列的离散傅里叶变换
Nm(i)为主用户信号不存在时的第m个接收信号样本序列的离散傅里叶变换:
步骤4、信号抽样——认知用户网络学习结束后,转换到正常频谱感知工作状态;此时,对认知用户接收到的信号y(t)进行抽样,得到抽样信号y(k),k=0,1,…,K-1;
步骤5、似然比计算——根据抽样信号y(k)计算信号循环谱峰值:
其中Y(i)为认知用户接收信号序列的离散傅里叶变换:
由此得到频谱判决统计量-循环谱峰值似然比γ
其中
步骤6、频谱判决——根据接收信号循环谱峰值似然比作出频谱判决,如果信号似然比γ大于判决门限λ,则判决主用户信号存在,否则判决主用户信号不存。
3.根据权利要求1所述的基于信号实时似然比的频谱感知方法,其特征在于还包括以下步骤:
步骤8、如果认知用户需要继续下一周期频谱检测,则回到步骤4进行新一轮的频谱检测,否则结束频谱检测。
4.根据权利要求1所述的基于信号实时似然比的频谱感知方法,其特征在于:所述步骤1中,认知网络频谱感知的判决门限λ是根据网络频谱感知的虚警概率加权因子α和检测概率加权因子β设定的,虚警概率加权权重α的取值范围为0.4-0.6,检测概率加权权重β的取值范围为0.4-0.6。
5.根据权利要求1所述的基于信号实时似然比的频谱感知方法,其特征在于:M取512,K取1024。
6.根据权利要求1所述的基于信号实时似然比的频谱感知方法,其特征在于:L=63。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087066.4A CN111313990B (zh) | 2020-02-11 | 2020-02-11 | 基于信号实时似然比的频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087066.4A CN111313990B (zh) | 2020-02-11 | 2020-02-11 | 基于信号实时似然比的频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111313990A CN111313990A (zh) | 2020-06-19 |
CN111313990B true CN111313990B (zh) | 2021-09-28 |
Family
ID=71148886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087066.4A Active CN111313990B (zh) | 2020-02-11 | 2020-02-11 | 基于信号实时似然比的频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111313990B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114759996B (zh) * | 2022-04-13 | 2023-12-01 | 西安邮电大学 | 基于循环相关熵似然比检验的频谱感知方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577564A (zh) * | 2009-06-04 | 2009-11-11 | 南通大学 | 基于判决门限自适应的信号频谱感知与检测方法 |
KR20100008211A (ko) * | 2008-07-15 | 2010-01-25 | 재단법인서울대학교산학협력재단 | 무선 인지 시스템에서 멀티 유저들을 위한 에너지 검출기반의 협력 채널 센싱 방법 |
CN102291186A (zh) * | 2011-07-06 | 2011-12-21 | 电子科技大学 | 一种基于信号到达方向估计的频谱感知方法 |
CN102412918A (zh) * | 2011-12-31 | 2012-04-11 | 电子科技大学 | 一种基于过采样的空时相关的glrt检测方法 |
CN108055096A (zh) * | 2018-02-13 | 2018-05-18 | 南通大学 | 基于信号和噪声特征检测的频谱感知方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289926B (zh) * | 2019-07-22 | 2020-11-27 | 南通大学 | 基于调制信号循环自相关函数对称峰值的频谱感知方法 |
-
2020
- 2020-02-11 CN CN202010087066.4A patent/CN111313990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100008211A (ko) * | 2008-07-15 | 2010-01-25 | 재단법인서울대학교산학협력재단 | 무선 인지 시스템에서 멀티 유저들을 위한 에너지 검출기반의 협력 채널 센싱 방법 |
CN101577564A (zh) * | 2009-06-04 | 2009-11-11 | 南通大学 | 基于判决门限自适应的信号频谱感知与检测方法 |
CN102291186A (zh) * | 2011-07-06 | 2011-12-21 | 电子科技大学 | 一种基于信号到达方向估计的频谱感知方法 |
CN102412918A (zh) * | 2011-12-31 | 2012-04-11 | 电子科技大学 | 一种基于过采样的空时相关的glrt检测方法 |
CN108055096A (zh) * | 2018-02-13 | 2018-05-18 | 南通大学 | 基于信号和噪声特征检测的频谱感知方法 |
Non-Patent Citations (4)
Title |
---|
Significant cycle frequency based feature detection for cognitive radio systems;Shen Da 等;《Proceedings of International Conference on Cognitive Radio Oriented Wireless Networks and Communications (CROWNCOM)》;20090804;全文 * |
Spectrum sensing method based on likelihood ratio goodness-of-fit test;D. Teguig 等;《Electronics Letters》;20180227;全文 * |
一种基于多个循环频率的联合循环谱感知方法;张瑜 等;《应用科技》;20100215(第02期);全文 * |
多认知用户协作频谱感知算法研究;张浩;《中国优秀硕士论文全文数据库 信息科技辑》;20181215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111313990A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103117820B (zh) | 基于可信度的加权协作频谱检测方法 | |
CN108322277B (zh) | 一种基于协方差矩阵反特征值的频谱感知方法 | |
CN107370521B (zh) | 一种认知无线电多用户协作频谱感知方法 | |
CN104660356B (zh) | 一种具有可靠虚警性能的半盲协作式频谱感知方法 | |
CN102638802A (zh) | 一种分层协作联合频谱感知算法 | |
CN111465023B (zh) | 一种基于历史能量信息的自适应双门限频谱感知方法 | |
CN112787736B (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
CN111313990B (zh) | 基于信号实时似然比的频谱感知方法 | |
CN109274438B (zh) | 一种自适应双门限协同干扰检测方法及装置 | |
CN107332855B (zh) | 基于增强学习算法的主用户仿真攻击检测方法 | |
CN110289926B (zh) | 基于调制信号循环自相关函数对称峰值的频谱感知方法 | |
CN110649982B (zh) | 基于次用户节点选择的双阈值能量检测方法 | |
CN109219055B (zh) | 一种主用户占空比估计方法 | |
CN110740006A (zh) | 一种优化的物联网多频段协作频谱感知方法 | |
CN113702703A (zh) | 一种微弱信号检测识别方法及系统 | |
CN111934797A (zh) | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 | |
CN108055096B (zh) | 基于信号和噪声特征检测的频谱感知方法 | |
CN111740795B (zh) | 一种基于次用户历史判决的双阈值协作感知方法 | |
Zhao et al. | Cyclic spectrum based intelligent modulation recognition with machine learning | |
CN107465471B (zh) | 协作感知中基于公平和节能的认知用户选择方法 | |
CN109510644A (zh) | 基于眼图能量的直扩通信信号干扰检测方法 | |
CN114448536B (zh) | 一种全双工频谱感知方法 | |
CN118041472B (zh) | 基于能量检测的可信度比较协作频谱感知优化方法及系统 | |
CN112073135B (zh) | 一种集中式频谱感知方法、系统、储存介质及通信设备 | |
CN114205012B (zh) | 一种基于过采样的能量检测频谱感知方法 |
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 |