CN112235061B - 一种基于相位差鲁棒统计特征的频谱感知方法及相关设备 - Google Patents
一种基于相位差鲁棒统计特征的频谱感知方法及相关设备 Download PDFInfo
- Publication number
- CN112235061B CN112235061B CN202010937270.0A CN202010937270A CN112235061B CN 112235061 B CN112235061 B CN 112235061B CN 202010937270 A CN202010937270 A CN 202010937270A CN 112235061 B CN112235061 B CN 112235061B
- Authority
- CN
- China
- Prior art keywords
- phase difference
- robust statistical
- spectrum sensing
- training
- probability distribution
- 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
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
Abstract
本说明书一个或多个实施例提供一种基于相位差鲁棒统计特征的频谱感知方法及相关设备;所述方法包括:对接收到的接收信号进行采样处理;其中,采样处理得到若干采样点;分别计算相邻两个采样点的相位差,得到接收信号对应的相位差概率分布;对第一相位差概率分布进行特征提取,得到接收信号对应的相位差鲁棒统计特征;将相位差鲁棒统计特征输入预先训练的频谱感知模型,根据频谱感知模型的输出确定主用户信号是否存在。本申请通过提取相位差鲁棒统计特征,并利用监督学习训练机器学习模型,学习特征,从而识别接收信号相位差概率分布的类别,在低信噪比衰落信道条件下,实现更加准确、更加鲁棒的频谱感知。
Description
技术领域
本说明书一个或多个实施例涉及通信技术领域,尤其涉及一种基于相位差鲁棒统计特征的频谱感知方法及相关设备。
背景技术
频谱感知技术可以检测当前频谱信息,发现空闲频谱资源以对其进行再利用,提高频谱利用率,缓解频谱紧缺导致的频谱供需矛盾。然而,在低信噪比通信环境中,快速、准确地感知频谱空洞具有挑战性;此外,实际通信环境中,无法准确获得先验信息,即使获取到了先验信息,收发端同步误差仍会造成载频失配等问题,传统频谱感知方式在噪声功率不确定、载频失配等因素存在或先验信息完全未知的情况下,难以有效发挥作用。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种基于相位差鲁棒统计特征的频谱感知方法及相关设备。
基于上述目的,本说明书一个或多个实施例提供了一种基于相位差鲁棒统计特征的频谱感知方法,包括:
对接收到的接收信号进行采样处理;其中,所述采样处理得到若干采样点;
分别计算相邻两个所述采样点的相位差,得到所述接收信号对应的相位差概率分布;
对所述第一相位差概率分布进行特征提取,得到所述接收信号对应的相位差鲁棒统计特征;
将所述相位差鲁棒统计特征输入预先训练的频谱感知模型,根据所述频谱感知模型的输出确定主用户信号是否存在。
基于同一发明构思,本说明书一个或多个实施例还提供了一种基于相位差鲁棒统计特征的频谱感知装置,包括:
特征提取模块,被配置为对接收到的接收信号进行采样处理;其中,所述采样处理得到若干采样点;分别计算相邻两个所述采样点的相位差,得到所述接收信号对应的相位差概率分布;对所述第一相位差概率分布进行特征提取,得到所述接收信号对应的相位差鲁棒统计特征;
频谱感知模块,被配置为将所述相位差鲁棒统计特征输入预先训练的频谱感知模型,根据所述频谱感知模型的输出确定主用户信号是否存在。
基于同一发明构思,本说明书一个或多个实施例还提供了一种电子设备,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,所述处理器执行所述程序时实现如上任意一项所述的方法。
从上面所述可以看出,本说明书一个或多个实施例提供的基于相位差鲁棒统计特征的频谱感知方法及相关设备,通过提取相位差鲁棒统计特征,并利用监督学习训练机器学习模型,学习特征,从而识别接收信号相位差概率分布的类别,在低信噪比衰落信道条件下,实现更加准确、更加鲁棒的频谱感知。本申请的方案能够在低信噪比衰落环境中,有效提高的频谱感知的鲁棒性和有效性,且在无任何先验信息的环境中,仍可快速有效地感知频谱空洞。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本说明书一个或多个实施例,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为本说明书一个或多个实施例的基于相位差鲁棒统计特征的频谱感知方法流程图;
图2为本说明书一个或多个实施例的基于相位差鲁棒统计特征的频谱感知装置结构示意图;
图3为本说明书一个或多个实施例的电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
目前,频谱感知技术以能量检测和循环平稳特征检测为主。能量检测通过比较检测周期内接收信号的能量和门限值的大小,判定主用户信号是否存在。主用户信号存在时,信号能量较大,因此若检测能量值大于门限,则判定主用户信号存在,频谱被占用。循环平稳特征检测通过检测接收信号是否具有频谱相关性判定主用户信号是否存在。调制信号具有频谱相关性,而高斯白噪声不具有该特征,因此若接收信号具有频谱相关性,则判定主用户信号存在。此外,现有技术中也有一些其他的频谱感知方案;如利用信号的相位信息进行频谱感知、利用信号相位差的方差进行频谱感知等。
然而,传统频谱感知方案多基于理想假设,在信噪比低,先验信息缺少的恶劣通信环境中难以发挥感知作用。能量检测在低噪比或存在信道衰落的环境中,检测性能较差;此外,其门限值取决于噪声功率,检测准确度受噪声功率的不确定性影响较大。循环平稳特征检测方法复杂度较高,技术实用性较差;此外,该方法需要信号频率等先验信息以确定循环频率,检测性能受频率未知、频率失配等不确定因素影响较大。然而在实际环境中,通常难以获得噪声功率、信号频率等先验信息,多采用估计方法获得,且估计误差不可避免,此外由发送端和接收端同步误差引起的频率失配等问题不可避免,因此能量检测和循环平稳特征检测不适用于实际系统检测。
现有基于相位感知的方案只考虑了相位分布范围、相位差方差等统计量,未能充分利用相位信息,感知性能受限。其中,基于相位范围的感知方案只适用于较好的的信道环境,难以区分低信噪比环境中的主用户信号和噪声;基于相位差方差的感知方案只关注方差这一统计量,未能深入研究相位差的概率分布,在处理复PSK调制信号时,性能低于能量检测,此外,相位差的方差与采样频率相关,导致该方案只适用于特定采样频率,不适用于实际检测。
针对于上述现有技术存在的问题,本申请提供了一种基于相位差鲁棒统计特征的频谱感知方案,通过提取相位差鲁棒统计特征,并利用监督学习训练机器学习模型,学习特征,从而识别接收信号相位差概率分布的类别,在低信噪比衰落信道条件下,实现更加准确、更加鲁棒的频谱感知。
以下,通过具体的实施例来详细说明本申请的方案。
首先,本说明书一个或多个实施例提供了一种基于相位差鲁棒统计特征的频谱感知方法。参考图1,所述的基于相位差鲁棒统计特征的频谱感知方法,包括以下步骤:
步骤S101、对接收到的接收信号进行采样处理;其中,所述采样处理得到若干采样点;
步骤S102、分别计算相邻两个所述采样点的相位差,得到所述接收信号对应的相位差概率分布;
步骤S103、对所述第一相位差概率分布进行特征提取,得到所述接收信号对应的相位差鲁棒统计特征;
步骤S104、将所述相位差鲁棒统计特征输入预先训练的频谱感知模型,根据所述频谱感知模型的输出确定主用户信号是否存在。
本实施例中,步骤S101至步骤S102具体包括:
首先对接收端接收到的接收信号进行采样处理。接收信号可以通过如下公式表示:
其中,y(n)为第n个采样点;fc为载波频率;fs为采样频率;A(n)为采样点的幅度;φ(n)为采样点的相位;h(n)为信道增益;u(n)为复高斯白噪声。
采样处理中相应的确定若干采样点。对于任意相邻的两个采样点,均计算其相位差,该相位差可以通过如下公式表示:
根据上述得到的各相邻采样点的相位差,得到接收信号对应的第一相位差概率分布。
假设主用户信号不存在,此时接收信号为高斯噪声,其相位均匀分布在[0,2π]区间内,计算可得高斯噪声的相位差服从[0,2π]区间的均匀分布,即
假设主用户信号存在,则根据相关技术,经过推导可以得到第一相位差概率分布的理论表达式为:
令k=fs/fc为采样倍频,则有:
本实施例中,步骤S103具体包括:
根据接收信号的载波频率已知和未知的两种情况,分别采用不同的特征提取和相位差鲁棒统计特征的构建方法。
对于接收信号的载波频率fc已知的情况,有如下的理论分析:
首先,考虑相位差概率分布的相对熵D。相对熵可以衡量相位差概率分布之间的差异,差异越大,相对熵越大。根据相对熵的特性,以下结论成立:
然后,考虑位差概率分布的最值点、起点和终点。
假设主用户信号存在时,相位差概率分布存在最大值和最小值,且θ=0和θ=2π时相位差概率分布随频率变化,具体为:
假设主用户信号不存在时,即接收信号为高斯噪声时:
所以,在本实施例中,在接收信号的载波频率已知时,根据得到的相位差概率分布为f(θ),计算其相对熵D(f(θ))、最大值maxf(θ)、最小值minf(θ)、起点值f(0)和终点值f(2π)。
然后根据相对熵D(f(θ))、最大值maxf(θ)、最小值minf(θ)、起点值f(0)和终点值f(2π),构建一向量,该构建得到的向量即为,先验信息已知时的相位差鲁棒统计特征F(f(θ)):
F(f(θ))={D(f(θ)),maxf(θ),minf(θ),f(0),f(2π)}。
对于该先验信息已知时的相位差鲁棒统计特征,一方面,提取特征与噪声功率无关,因此相位差鲁棒统计特征对噪声功率具有鲁棒性;另一方面,影响提取的特征的是采样倍频,而非载波频率,根据相关技术,由收发端不同步引起的载频失配误差约为10-4fc,对采样倍频几乎无影响,因此相位差鲁棒统计特征对载频失配问题也具有鲁棒性。
对于接收信号的载波频率fc未知的情况,由于的值与采样倍频相关,所以这两个特征不适用于先验信息未知的频谱感知。相对熵、最大值、最小值等特征与频率无关,则此时,先验信息未知时相位差鲁棒统计特征Fu(f(θ)):
Fu(f(θ))={D(f(θ)),maxf(θ),minf(θ)}。
对于该先验信息未知时的相位差鲁棒统计特征,由于其中包含的特征均与噪声功率和频率无关,因此,对噪声和频率具有鲁棒性,适用于盲频谱感知。
本实施例中,步骤S104具体包括:
根据接收信号的载波频率已知或未知的两种情况(即是否具有先验信息),分别采用步骤S103中相应的方法进行特征提取,得到的相位差鲁棒统计特征。将相位差鲁棒统计特征输入预先训练的频谱感知模型。该频谱感知模型是使用不同的正弦调制信号(对应主用户信号存在)和高斯噪声(对应主用户信号不存在),根据载波频率已知或未知的两种情况分别采用步骤S103中相应的方法进行特征提取得到的训练用相位差鲁棒统计特征为输入,以正弦调制信号对应的标签为1,高斯噪声对应的标签0,构建的训练集对一个初始的机器学习模型进行训练后得到的。其中,根据具体的实施需要,该频谱感知模型可以选择神经网络、支持向量机、决策树、知识图谱等。在本实施例中,频谱感知模型以BP神经网络为例,即采用误差反向传播算法(Error Back Propagation Training,BP)的神经网络。
本步骤中,将相位差鲁棒统计特征输入频谱感知模型,频谱感知模型的输出即能够判定主用户信号是否存在;具体的,当输出为1时,则表明主用户信号存在;当输出为0时,则表明主用户信号不存在。
在本实施例中,不涉及频谱感知模型的训练过程、验证过程和模型工作方式等原理和细节的的改进,故对于上述内容本申请实施例中不再详述。
对于上述的频谱感知模型的训练过程,具体可以包括以下步骤:
获取若干正弦调制信号和若干高斯噪声;
对部分所述正弦调制信号和部分所述高斯噪声,在载波频率已知的条件下进行特征提取,得到第一训练用相位差鲁棒统计特征;
对其他所述正弦调制信号和其他所述高斯噪声,在载波频率未知的条件下进行特征提取,得到第二训练用相位差鲁棒统计特征;
载波频率已知时,根据所述第一训练用相位差鲁棒统计特征,构建第一训练数据集;载波频率未知时,根据所述第二训练用相位差鲁棒统计特征,构建第二训练数据集;
通过所述第一训练数据集或所述第二训练数据集,对一初始的机器学习模型进行训练,并在训练结束后得到所述频谱感知模型。
其中,正弦调制信号对应于主用户信号存在的情况,高斯噪声对应于主用户信号不存在的情况。
对于正弦调制信号和高斯噪声,还需要在载波频率已知和未知两种条件下,分别采用前述步骤S103的两种方法分别进行特征提取。对于载波频率已知的条件下,对正弦调制信号和高斯噪声进行特征提取,得到第一训练用相位差鲁棒统计特征,其包括和对于载波频率未知的条件下,对正弦调制信号和高斯噪声进行特征提取,得到第二训练用相位差鲁棒统计特征,其包括和
使用上述的训练数据集对一个初始的神经网络模型采用监督学习算法进行训练,训练结束后即能够得到能够根据相位差鲁棒统计特征来确定主用户信号是否存在的所述频谱感知模型。其中,根据所述第一训练用相位差鲁棒统计特征,构建第一训练数据集,该第一训练数据集对应载波频率已知的情况;根据所述第二训练用相位差鲁棒统计特征,构建第二训练数据集,该第一训练数据集对应载波频率未知的情况。实施过程中,可以根据应载波频率已知或未知的情况,相应的选择训练数据集,以训练得到所述频谱感知模型,从而在相应的载波频率已知或未知的情况下,进行主用户信号是否存在的判断。
由上述实施例可见,本实施例的基于相位差鲁棒统计特征的频谱感知方法,相比于现有技术具有诸多的优点。首先,本申请考虑低信噪比、衰落信道等恶劣通信环境中频谱感知,提出基于相位差鲁棒统计特征的频谱感知方案,利用监督学习算法识别鲁棒统计特征,有效提高恶劣环境中的频谱感知性能。其次,本申请考虑噪声功率不确定、载频失配误差等降低现有感知方案的因素的影响,提取出对噪声不确定性和载频失配具有强鲁棒性的统计特征,从而保证了频谱感知方法的鲁棒性。最后,本申请针对频率未知的情况提取出独立于噪声和频率的特征,有效提高了盲频谱感知的性能,更适用于无任何先验信息的实际环境感知,实用性更强。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,本说明书一个或多个实施例还提供了一种基于相位差鲁棒统计特征的频谱感知装置。参考图2,所述的基于相位差鲁棒统计特征的频谱感知装置,包括:
特征提取模块201,被配置为对接收到的接收信号进行采样处理;其中,所述采样处理得到若干采样点;分别计算相邻两个所述采样点的相位差,得到所述接收信号对应的相位差概率分布;对所述第一相位差概率分布进行特征提取,得到所述接收信号对应的相位差鲁棒统计特征;
频谱感知模块202,被配置为将所述相位差鲁棒统计特征输入预先训练的频谱感知模型,根据所述频谱感知模型的输出确定主用户信号是否存在。
作为一个可选的实施例,所述特征提取模块201,具体被配置为当所述接收信号的载波频率已知时,计算所述相位差概率分布的相对熵、最大值、最小值、起点值和终点值;根据所述相对熵、最大值、最小值、起点值和终点值构建向量,以得到所述相位差鲁棒统计特征。
作为一个可选的实施例,所述特征提取模块201,具体被配置为当所述接收信号的载波频率未知时,计算所述相位差概率分布的相对熵、最大值和最小值;根据所述相对熵、最大值和最小值构建向量,以得到所述相位差鲁棒统计特征。
作为一个可选的实施例,所述装置还包括:训练模块,被配置为获取若干正弦调制信号和若干高斯噪声;对所述正弦调制信号和所述高斯噪声,在载波频率已知的条件下进行特征提取,得到第一训练用相位差鲁棒统计特征;对所述正弦调制信号和所述高斯噪声,在载波频率未知的条件下进行特征提取,得到第二训练用相位差鲁棒统计特征;载波频率已知时,根据所述第一训练用相位差鲁棒统计特征,构建第一训练数据集;载波频率未知时,根据所述第二训练用相位差鲁棒统计特征,构建第二训练数据集;通过所述第一训练数据集或所述第二训练数据集,对一初始的机器学习模型进行训练,并在训练结束后得到所述频谱感知模型。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本说明书一个或多个实施例还提供了一种电子设备,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,所述处理器执行所述程序时实现如上任意一实施例所述的基于相位差鲁棒统计特征的频谱感知方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (6)
1.一种基于相位差鲁棒统计特征的频谱感知方法,其特征在于,包括:
对接收到的接收信号进行采样处理;其中,所述采样处理得到若干采样点;
分别计算相邻两个所述采样点的相位差,得到所述接收信号对应的相位差概率分布;
对所述相位差概率分布进行特征提取,得到所述接收信号对应的相位差鲁棒统计特征;
将所述相位差鲁棒统计特征输入预先训练的频谱感知模型,根据所述频谱感知模型的输出确定主用户信号是否存在;
其中,当所述接收信号的载波频率已知时,所述对所述相位差概率分布进行特征提取,得到所述接收信号对应的相位差鲁棒统计特征,具体包括:
计算所述相位差概率分布的相对熵、最大值、最小值、起点值和终点值;
根据所述相对熵、最大值、最小值、起点值和终点值构建向量,以得到所述相位差鲁棒统计特征;
其中,当所述接收信号的载波频率未知时,所述对所述相位差概率分布进行特征提取,得到所述接收信号对应的相位差鲁棒统计特征,具体包括:
计算所述相位差概率分布的相对熵、最大值和最小值;
根据所述相对熵、最大值和最小值构建向量,以得到所述相位差鲁棒统计特征。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取若干正弦调制信号和若干高斯噪声;
对所述正弦调制信号和所述高斯噪声,在载波频率已知的条件下进行特征提取,得到第一训练用相位差鲁棒统计特征;
对所述正弦调制信号和所述高斯噪声,在载波频率未知的条件下进行特征提取,得到第二训练用相位差鲁棒统计特征;
载波频率已知时,根据所述第一训练用相位差鲁棒统计特征,构建第一训练数据集;载波频率未知时,根据所述第二训练用相位差鲁棒统计特征,构建第二训练数据集;
通过所述第一训练数据集或所述第二训练数据集,对一初始的机器学习模型进行训练,并在训练结束后得到所述频谱感知模型。
3.根据权利要求1所述的方法,其特征在于,所述频谱感知模型为BP神经网络模型。
4.一种基于相位差鲁棒统计特征的频谱感知装置,其特征在于,包括:
特征提取模块,被配置为对接收到的接收信号进行采样处理;其中,所述采样处理得到若干采样点;分别计算相邻两个所述采样点的相位差,得到所述接收信号对应的相位差概率分布;对所述相位差概率分布进行特征提取,得到所述接收信号对应的相位差鲁棒统计特征;
频谱感知模块,被配置为将所述相位差鲁棒统计特征输入预先训练的频谱感知模型,根据所述频谱感知模型的输出确定主用户信号是否存在;
其中,所述特征提取模块,具体被配置为当所述接收信号的载波频率已知时,计算所述相位差概率分布的相对熵、最大值、最小值、起点值和终点值;根据所述相对熵、最大值、最小值、起点值和终点值构建向量,以得到所述相位差鲁棒统计特征;
其中,所述特征提取模块,具体被配置为当所述接收信号的载波频率未知时,计算所述相位差概率分布的相对熵、最大值和最小值;根据所述相对熵、最大值和最小值构建向量,以得到所述相位差鲁棒统计特征。
5.根据权利要求4所述的装置,其特征在于,还包括:
训练模块,被配置为获取若干正弦调制信号和若干高斯噪声;对所述正弦调制信号和所述高斯噪声,在载波频率已知的条件下进行特征提取,得到第一训练用相位差鲁棒统计特征;对所述正弦调制信号和所述高斯噪声,在载波频率未知的条件下进行特征提取,得到第二训练用相位差鲁棒统计特征;载波频率已知时,根据所述第一训练用相位差鲁棒统计特征,构建第一训练数据集;载波频率未知时,根据所述第二训练用相位差鲁棒统计特征,构建第二训练数据集;通过所述第一训练数据集或所述第二训练数据集,对一初始的机器学习模型进行训练,并在训练结束后得到所述频谱感知模型。
6.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937270.0A CN112235061B (zh) | 2020-09-08 | 2020-09-08 | 一种基于相位差鲁棒统计特征的频谱感知方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937270.0A CN112235061B (zh) | 2020-09-08 | 2020-09-08 | 一种基于相位差鲁棒统计特征的频谱感知方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112235061A CN112235061A (zh) | 2021-01-15 |
CN112235061B true CN112235061B (zh) | 2021-10-22 |
Family
ID=74116110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010937270.0A Active CN112235061B (zh) | 2020-09-08 | 2020-09-08 | 一种基于相位差鲁棒统计特征的频谱感知方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112235061B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
CN105721080A (zh) * | 2016-01-27 | 2016-06-29 | 北京邮电大学 | 一种频谱感知方法及装置 |
CN109039500A (zh) * | 2018-08-28 | 2018-12-18 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8537772B2 (en) * | 2009-07-02 | 2013-09-17 | Qualcomm Incorporated | Transmitter quieting during spectrum sensing |
CN110011742A (zh) * | 2019-04-16 | 2019-07-12 | 西安交通大学 | 基于最大互相关熵准则鲁棒稀疏的宽带频谱感知算法 |
-
2020
- 2020-09-08 CN CN202010937270.0A patent/CN112235061B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
CN105721080A (zh) * | 2016-01-27 | 2016-06-29 | 北京邮电大学 | 一种频谱感知方法及装置 |
CN109039500A (zh) * | 2018-08-28 | 2018-12-18 | 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)
Title |
---|
Deep Learning Based Identification of Wireless Protocols in the PHY lay;Alex Berian 等;《2020 Workshop on Computing, Networking and Communications (CNC)》;20200530;全文 * |
Phase Difference Variance Based Low Complexity Spectrum Sensing Scheme;Xuan Fu 等;《2015 IEEE Global Communications Conference (GLOBECOM)》;20160225;全文 * |
基于非完备数据的频谱检测;付璇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;第I136-900页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112235061A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11188627B2 (en) | Method for fingerprint unlocking and terminal | |
CN103141067B (zh) | 频带识别方法、装置 | |
CN107426736B (zh) | 一种认知无线电的频谱感知方法及系统 | |
CN110741387B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
CN107404450A (zh) | 解调信号的方法及装置 | |
CN111800359A (zh) | 一种通信信号调制方式的识别方法、装置、设备及介质 | |
CN114520736A (zh) | 一种物联网安全检测方法、装置、设备及存储介质 | |
CN114997213A (zh) | 信号识别方法、装置、电子设备及存储介质 | |
Chakraborty et al. | Time-series data optimized AR/ARMA model for frugal spectrum estimation in Cognitive Radio | |
CN112235061B (zh) | 一种基于相位差鲁棒统计特征的频谱感知方法及相关设备 | |
CN112073130B (zh) | 基于相位差分布曲线三点定形的频谱感知方法及相关设备 | |
CN112073131B (zh) | 基于相位差分布曲线解析表达的频谱感知方法及相关设备 | |
CN114339764A (zh) | 导频欺骗攻击检测方法、装置、电子设备及存储介质 | |
CN113033457B (zh) | 一种软故障识别模型训练和软故障识别方法、装置 | |
US20170171524A1 (en) | Techniques for improving stereo block matching with the pyramid method | |
US9332454B2 (en) | Method, system and program product for detecting, quantifying and localizing of wireless interferers | |
CN112994813B (zh) | 自适应采样的频谱感知方法及相关装置 | |
CN108734188A (zh) | 一种聚类方法、设备及存储介质 | |
US9742600B2 (en) | Method and system for estimating and compensating for direct current (DC) offset in ultra-low power (ULP) receiver | |
CN114006798A (zh) | 一种信号处理方法、装置、电子设备及存储介质 | |
US8892052B2 (en) | Methods for determining whether a signal includes a wanted signal and apparatuses configured to determine whether a signal includes a wanted signal | |
JP2020127098A (ja) | 解析装置および解析方法 | |
CN111917674A (zh) | 一种基于深度学习的调制识别方法 | |
JP2018157561A (ja) | 信号中の同期点を検出する信号送受信装置と方法 | |
KR102297318B1 (ko) | 부채널 정보 분석에 따른 암호 알고리즘 안전성 검증 시스템 및 그 시스템의 제어 방법 |
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 |