CN112564831A - 一种小型移动主用户的信号精准检测方法 - Google Patents

一种小型移动主用户的信号精准检测方法 Download PDF

Info

Publication number
CN112564831A
CN112564831A CN202011027239.XA CN202011027239A CN112564831A CN 112564831 A CN112564831 A CN 112564831A CN 202011027239 A CN202011027239 A CN 202011027239A CN 112564831 A CN112564831 A CN 112564831A
Authority
CN
China
Prior art keywords
signal
matrix
user
secondary users
sampling
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
Application number
CN202011027239.XA
Other languages
English (en)
Other versions
CN112564831B (zh
Inventor
钟玮超
蒋尚华
陈雅芳
林超雄
闻建中
吴金海
罗益荣
高琳
蒋秀
李永锐
区楚虹
甘慧芳
杨学文
高垣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202011027239.XA priority Critical patent/CN112564831B/zh
Publication of CN112564831A publication Critical patent/CN112564831A/zh
Application granted granted Critical
Publication of CN112564831B publication Critical patent/CN112564831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B17/318—Received signal strength
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及信号检测技术领域，更具体的是涉及一种小型移动主用户的信号精准检测方法，包括以下步骤：S1：次用户接收小型移动主用户信号的数据，根据主用户信号和次用户信号的距离对数据加权；S2：求出对数据加权后的采样信号矩阵W；S3：求出加权后的采样信号矩阵W的采样协方差矩阵；S4：求出采样协方差矩阵的最大特征值和最小特征值，并根据最大特征值和最小特征值求出检测量T；S5：设定虚警概率，根据虚警概率确定检测量T的判决门限γ；S6：根据检测量T与判决门限γ的关系，判断是否存在主用户信号。本发明中通过将对主用户和次用户的距离进行加权，将其并入到信号检测的判决中，提高了信号检测的精度。

Description

一种小型移动主用户的信号精准检测方法
技术领域
本发明涉及信号检测技术领域，更具体地是涉及一种小型移动主用户的信号精准检测方法。
背景技术
频谱感知技术中存在着一个非常大的挑战就是如何对小型移动主用户的信号进行检测；所谓小型移动主用户(SSPU，可简称为主用户)是指信号的强度非常小，并且相对于周边噪声极其微弱，基本上淹没于环境噪声当中的主用户。由于自身信号强度弱的特点，小型移动主用户的信号传输距离一般是在100m～150m；同时小型移动主用户的开关时空特性变化很大，例如无线麦克风设备在移动过程中的任意时间或者地点都能变化于开关状态，并且没有预先给次用户任何的通知；另外小型移动主用户经常处于移动状态，并且每个地方逗留的时间很短。这就导致感知小型移动主用户的难度非常大。
中国专利CN106169945A公开了一种基于最大最小特征值之差的协作频谱感知方法，包括：认知用户接收端对接收到的信号进行随机采样并计算接收信号矩阵；通过接收信号矩阵计算得到样本协方差矩阵，并对其进行特征值分解；选择最大特征值与最小特征值之差作为检测统计量；计算授权用户存在时的门限值；将检测统计量与门限值进行比较，判断主用户是否存在；若统计量大于或等于门限值，表明主用户存在，否则主用户不存在，以便认知用户接入频段。其门限值的计算与噪声有关，因此，检测的精度受噪声值的影响较大，而噪声值为估计值，其存在误差，噪声越大则门限值的误差越大，容易出现门限值设定过大造成误判，而小型移动主用户信号的强度过低，基本处于淹没在噪声中的状态，在低信噪比的环境下，算法的门限值十分敏感，因此其门限值的设定不能满足信号强度低的小型移动主用户检测精度要求。
目前，还没有相关方案将次用户与主用户间的距离考虑到主用户的信号检测中。
发明内容
本发明为克服上述现有技术中的不足，提供了一种基于距离加权、检测精度高的小型主用户的信号精准检测方法。
在本技术方案中，提供了一种小型移动主用户的信号精准检测方法，用于一个小型主用户和多个次用户组成的系统；包括以下步骤：
S1：次用户接收小型移动主用户信号的数据，根据主用户信号和次用户信号的距离对数据加权；
S2：求出对数据加权后的采样信号矩阵W；
S3：求出加权后的采样信号矩阵W的采样协方差矩阵；
S4：求出采样协方差矩阵的最大特征值和最小特征值，并根据最大特征值和最小特征值求出检测量T；
S5：设定虚警概率，根据虚警概率确定检测量T的判决门限γ；
S6：根据检测量T与判决门限γ的关系，判断是否存在主用户信号。
本发明中通过在接收主用户信号后，根据主用户和次用户的距离对采样信号进行加权，并将其运用到后续的采样信号矩阵中，得到一个经过距离加权的采样信号矩阵，另外判决门限由虚警概率确定，其不受噪声信号的影响，因此即使是在低信噪比的环境中，判决门限的确定也不会受噪声信号的过多影响，因此主信号检测加入了与次用户间的距离作为加权值，进一步提高采样数据的可靠性，同时避免了噪声信号对判决门限的影响，其误判的概率会更小，检测精度会更高。
优选地，上述的步骤S1具体包括以下步骤：
S11：将接收信号表示为矩阵y(k)，y(k)＝[y1(k),…,yP(k)]T；
其中，[y1(k),…,yP(k)]T为[y1(k),…,yP(k)]的转置矩阵；N为有限的采样数量；
S12：定义主用户和次用户之间距离的加权函数：
mi＝f(Rd,di)
Figure RE-GDA0002945541690000021
其中，Rd为参考距离，di为第i个次用户与主用户的距离；可根据RSSI(接收信号的强度指示)测量算法获取，P为检测范围内次用户的数量。
S13：利用加权函数组合成对角矩阵M：
Figure RE-GDA0002945541690000031
其中P为次用户数量。
优选地，上述的步骤S2中具体包括以下步骤：
S21：设定xi(n)为第i个次用户在时刻k接收到的信号数据；
S22：设定噪声信号为ηi(n)；设定接收信号为si(n)；其中噪声信号是纯高斯白噪声且噪声信号与输入信号非相关；
S23：组成原始采样信号矩阵Y：
Figure RE-GDA0002945541690000032
其中，N为有限的采样数量；
S24：根据所述对角矩阵，得加权后的采样信号矩阵W：
Figure RE-GDA0002945541690000033
其中，P为次用户数量；N为有限的采样数量；M为对角矩阵；Y为原始采样信号矩阵。
优选地，上述的步骤S3中采样信号协方差矩阵表示为：
Figure RE-GDA0002945541690000034
其中，NS为无限的采样次数，(W)H为矩阵W的厄米特转置矩阵；MH为矩阵 M的厄米特转置矩阵。
优选地，上述的步骤S4中包括以下步骤：
S41：求出采样协方差矩阵
Figure RE-GDA0002945541690000035
的特征值λ1，λ2，…，λP，其中P为次用户个数；
S42：筛选最大特征值λmax和最小特征值λmin：
λmin＝min[λ1,λ2,…λP]，
λmax＝max[λ1,λ2,…λP]，
其中，P为次用户个数；
S43：计算最大特征值和最小特征值的极限值：
Figure RE-GDA0002945541690000041
Figure RE-GDA0002945541690000042
其中，
Figure RE-GDA0002945541690000043
为平稳高斯白噪声的方差；Ns表示无限的采样数量；P为次用户个数，L为次用户连续输出的信号个数；
S44：计算检测量T：
Figure RE-GDA0002945541690000044
优选地，上述的步骤S5具体包括以下步骤：
S51：设定最大特征值λmax为Tracy-Widom分布(特蕾西·维多姆分布)；
S52：设定F1为Tracy-Widom(特蕾西·维多姆)第1分布的累积分布函数：
Figure RE-GDA0002945541690000045
q″(u)＝uq(u)+2q3(u)，
其中，q(u)为二阶非线性微分方程q″(μ)的解，t为累积分布函数的变量， u为q(u)方程的变量；
S53：计算虚警概率Pf：
Figure RE-GDA0002945541690000046
其中，γ为判决门限；Ns为无限的采样数量；P为次用户个数；u为q(u) 方程的变量；v为累积分布函数的变量；
S54：对步骤S53的结果进行化简：
Figure RE-GDA0002945541690000051
其中，γ为判决门限；Ns为无限的采样数量；P为次用户个数；u为q(u)方程的变量；v为累积分布函数的变量；F1 -1为F1的反函数；Pf为虚警概率；
S55：设信号为实噪声，有
Figure RE-GDA0002945541690000052
和
Figure RE-GDA0002945541690000053
其中，Ns为无限的采样数量；P为次用户个数；u为方程的变量；v为累积分布函数的变量；
S56：根据步骤S54、S55计算判决门限γ：
Figure RE-GDA0002945541690000054
其中，Pf为虚警概率，F1 -1为F1的反函数；P为次用户数量，NS为无限的采样次数。
优选地，上述的步骤S6判断的方式具体为：
Figure RE-GDA0002945541690000055
其中，H0为无信号，H1为存在小型移动主用户信号；T为检测量；γ为判决门限。
优选地，上述的步骤S53中F1(t)的值通过查找已知的q(u)数据对照表得到，其中，t为函数变量。
优选地，上述的步骤S43中的噪声方差估计值为
Figure RE-GDA0002945541690000056
噪声的不确定度为B＝max{10lgβ}(dB)，其中，β为不确定因子，服从[-B,B]的均匀分布。
优选地，上述的步骤S53中虚警概率Pf≤0.1。
与现有技术相比，有益效果是：
(1)在采样信号矩阵中加入了主用户与次用户的距离加权，从而提高采样信号矩阵的精确度，保证后续检测计算的精确度；
(2)判决门限的取值仅由虚警概率决定，不会带入噪声信号的误差影响，因而检测精度更高。
附图说明
图1为本发明小型移动主用户的信号精准检测方法的流程示意图；
图2为本发明小型移动主用户的信号精准检测方法的认知网络组成图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”“长”“短”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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：
实施例
如图1、图2为一种小型移动主用户的信号精准检测方法的实施例，用于一个小型主用户和多个次用户组成的系统，其中小型移动主用户可以为无线麦克风、对讲机等，次用户可以为接收主用户信号的设备，如传感器，包括以下步骤：
S1：次用户接收小型移动主用户信号的数据，根据主用户信号和次用户信号的距离对数据加权；
S2：求出对数据加权后的采样信号矩阵W；
S3：求出加权后的采样信号矩阵W的采样协方差矩阵；
S4：求出采样协方差矩阵的最大特征值和最小特征值，并根据最大特征值和最小特征值求出检测量T；
S5：设定虚警概率，根据虚警概率确定检测量T的判决门限γ；
S6：根据检测量T与判决门限γ的关系，判断是否存在主用户信号。
本实施例中的步骤S1具体包括以下步骤：
S11：将接收信号表示为矩阵y(k)，y(k)＝[y1(k),…,yP(k)]T；
其中，[y1(k),…,yP(k)]T为[y1(k),…,yP(k)]的转置矩阵；N为有限的采样数量；
S12：定义主用户和次用户之间距离的加权函数：
mi＝f(Rd,di)
Figure RE-GDA0002945541690000071
其中，Rd为参考距离，取值150m，di为第i个次用户与主用户的距离；其可根据RSSI(接收信号的强度指示)测量算法获取；P为检测范围内次用户的数量。需要说明的是，RSSI(接收信号的强度指示)测量算法为常用算法，这里不再详细介绍；另外参考Rd的取值为150m仅为优选的一个实施方式，其可以根据精度要求在100～200m之间变化。
S13：利用加权函数组合成对角矩阵M：
Figure RE-GDA0002945541690000072
其中P为次用户数量。
本实施例中的步骤S2中具体包括以下步骤：
S21：设定xi(n)为第i个次用户在时刻k接收到的信号采样；
S22：设定噪声信号为ηi(n)；设定接收信号为si(n)；其中噪声信号是纯高斯白噪声且噪声信号与输入信号非相关。
S23：组成原始采样信号矩阵Y：
Figure RE-GDA0002945541690000073
其中，N为有限的采样数量；
S24：根据所述对角矩阵，得加权后的采样信号矩阵W：
Figure RE-GDA0002945541690000081
其中，P为次用户数量；N为有限的采样数量；M为对角矩阵；Y为原始采样信号矩阵。
本实施例中的步骤S3中采样信号协方差矩阵表示为：
Figure RE-GDA0002945541690000082
其中，NS为无限的采样次数，(W)H为矩阵W的厄米特转置矩阵；MH为矩阵 M的厄米特转置矩阵。
本实施例中的步骤S4中包括以下步骤：
S41：求出采样协方差矩阵
Figure RE-GDA0002945541690000083
的特征值λ1，λ2，…，λP，其中P为用户个数；
S42：筛选最大特征值λmax和最小特征值λmin：
λmin＝min[λ1,λ2,…λP]，
λmax＝max[λ1,λ2,…λP]，
其中，P为次用户个数；
S43：计算最大特征值和最小特征值的极限值：
Figure RE-GDA0002945541690000084
Figure RE-GDA0002945541690000085
其中，
Figure RE-GDA0002945541690000086
为平稳高斯白噪声的方差；Ns表示无限的采样数量；P为次用户个数，L为次用户连续输出的信号个数；
S44：计算检测量T：
Figure RE-GDA0002945541690000087
本实施例中的步骤S5具体包括以下步骤：
S51：设定最大特征值λmax为Tracy-Widom分布(特蕾西·维多姆分布)；
S52：设定F1为Tracy-Widom(特蕾西·维多姆)第1分布的累积分布函数：
Figure RE-GDA0002945541690000091
q″(μ)＝μq(u)+2q3(μ)，
其中，q(u)为二阶非线性微分方程q″(μ)的解，t为累积分布函数的变量， u为q(u)方程的变量；
S53：计算虚警概率Pf：
Figure RE-GDA0002945541690000092
其中，γ为判决门限；Ns为无限的采样数量；P为次用户个数；u为q(u) 方程的变量；v为累积分布函数的变量；
S54：对步骤S53的结果进行化简：
Figure RE-GDA0002945541690000093
其中，γ为判决门限；Ns为无限的采样数量；P为次用户个数；u为q(u)方程的变量；v为累积分布函数的变量；F1 -1为F1的反函数；Pf为虚警概率；
S55：设信号为实噪声，有
Figure RE-GDA0002945541690000094
和
Figure RE-GDA0002945541690000095
其中，Ns为无限的采样数量；P为次用户个数；u为方程的变量；v为累积分布函数的变量；
S56：根据步骤S54、S55计算判决门限γ：
Figure RE-GDA0002945541690000096
其中，Pf为虚警概率，F1 -1为F1的反函数；P为次用户数量，NS为无限的采样次数。
本实施例中的步骤S6判断的具体公式为：
Figure RE-GDA0002945541690000101
其中，H0为无信号，H1为存在小型移动主用户信号；T为检测量；γ为判决门限。
本实施例中的步骤S53中F1(t)的值通过查找已知的q(u)数据对照表得到，其已经被实验测得并为公知数据，其中t为函数变量，q(u)数据对照表如下：
Figure RE-GDA0002945541690000102
本实施例中步骤S43中的噪声方差估计值为
Figure RE-GDA0002945541690000103
噪声的不确定度为 B＝max{10lgβ}(dB)，其中，β为不确定因子，服从[-B,B]的均匀分布。
本实施例中步骤S53中的虚警概率Pf≤0.1。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种小型移动主用户的信号精准检测方法，用于一个小型主用户和多个次用户组成的系统；其特征在于，包括以下步骤：
S1：次用户接收小型移动主用户信号的数据，根据主用户信号和次用户信号的距离对数据加权；
S2：求出对数据加权后的采样信号矩阵W；
S3：求出加权后的采样信号矩阵W的采样协方差矩阵；
S4：求出采样协方差矩阵的最大特征值和最小特征值，并根据最大特征值和最小特征值求出检测量T；
S5：设定虚警概率，根据虚警概率确定检测量T的判决门限γ；
S6：根据检测量T与判决门限γ的关系，判断是否存在主用户信号。
2.根据权利要求1所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S1具体包括以下步骤：
S11：将接收信号表示为矩阵y(k)，y(k)＝[y1(k),…,yP(k)]T；
其中，[y1(k),…,yP(k)]T为[y1(k),…,yP(k)]的转置矩阵；N为有限的采样数量；
S12：定义主用户和次用户之间距离的加权函数：
mi＝f(Rd,di)
Figure RE-FDA0002945541680000011
其中，Rd为参考距离，di为第i个次用户与主用户的距离；P为检测范围内次用户的数量。
S13：利用加权函数组合成对角矩阵M：
Figure RE-FDA0002945541680000012
其中P为次用户数量。
3.根据权利要求2所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S2中具体包括以下步骤：
S21：设定xi(n)为第i个次用户在时刻k接收到的信号数据；
S22：设定噪声信号为ηi(n)；设定接收信号为si(n)；其中噪声信号是纯高斯白噪声且噪声信号与输入信号非相关；
S23：组成原始采样信号矩阵Y：
Figure RE-FDA0002945541680000021
其中，N为有限的采样数量；
S24：根据所述对角矩阵，得加权后的采样信号矩阵W：
Figure RE-FDA0002945541680000022
其中，P为次用户数量；N为有限的采样数量；M为对角矩阵；Y为原始采样信号矩阵。
4.根据权利要求3所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S3中采样信号协方差矩阵表示为：
Figure RE-FDA0002945541680000023
其中，NS为无限的采样次数，(W)H为矩阵W的厄米特转置矩阵；MH为矩阵M的厄米特转置矩阵。
5.根据权利要求4所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S4中包括以下步骤：
S41：求出采样协方差矩阵
Figure RE-FDA0002945541680000024
的特征值λ1，λ2，…，λP，其中P为次用户个数；
S42：筛选最大特征值λmax和最小特征值λmin：
λmin＝min[λ1,λ2,…λP]，
λmax＝max[λ1,λ2,…λP]，
其中，P为次用户个数；
S43：计算最大特征值和最小特征值的极限值：
Figure RE-FDA0002945541680000031
Figure RE-FDA0002945541680000032
其中，
Figure RE-FDA0002945541680000033
为平稳高斯白噪声的方差；Ns表示无限的采样数量；P为次用户个数，L为次用户连续输出的信号个数；
S44：计算检测量T：
Figure RE-FDA0002945541680000034
6.根据权利要求5所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S5具体包括以下步骤：
S51：设定最大特征值λmax为Tracy-Widom分布；
S52：设定F1为Tracy-Widom第1分布的累积分布函数：
Figure RE-FDA0002945541680000035
其中，q(u)为二阶非线性微分方程q″(μ)的解，t为累积分布函数的变量，u为q(u)方程的变量；
S53：计算虚警概率Pf：
Figure RE-FDA0002945541680000036
其中，γ为判决门限；Ns为无限的采样数量；P为次用户个数；u为q(u)方程的变量；v为累积分布函数的变量；
S54：对步骤S53的结果进行化简：
Figure RE-FDA0002945541680000041
其中，γ为判决门限；Ns为无限的采样数量；P为次用户个数；u为q(u)方程的变量；v为累积分布函数的变量；F1 -1为F1的反函数；Pf为虚警概率；
S55：设信号为实噪声，有
Figure RE-FDA0002945541680000042
和
Figure RE-FDA0002945541680000043
其中，Ns为无限的采样数量；P为次用户个数；u为方程的变量；v为累积分布函数的变量；
S56：根据步骤S54、S55计算判决门限γ：
Figure RE-FDA0002945541680000044
其中，Pf为虚警概率，F1-1为F1的反函数；P为次用户数量，NS为无限的采样次数。
7.根据权利要求6所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S6判断的具体公式为：
Figure RE-FDA0002945541680000045
其中，H0为无信号，H1为存在小型移动主用户信号；T为检测量；γ为判决门限。
8.根据权利要求6所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S53中F1(t)的值通过查找已知的q(u)数据对照表得到，其中t为函数变量。
9.根据权利要求5所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S43中的噪声方差估计值为
Figure RE-FDA0002945541680000046
噪声的不确定度为B＝max{10lgβ}(dB)，其中，β为不确定因子，服从[-B,B]的均匀分布。
10.根据权利要求6所述的一种小型移动主用户的信号精准检测方法，其特征在于，所述步骤S53中的虚警概率Pf≤0.1。
CN202011027239.XA 2020-09-25 2020-09-25 一种小型移动主用户的信号精准检测方法 Active CN112564831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011027239.XA CN112564831B (zh) 2020-09-25 2020-09-25 一种小型移动主用户的信号精准检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011027239.XA CN112564831B (zh) 2020-09-25 2020-09-25 一种小型移动主用户的信号精准检测方法

Publications (2)

Publication Number Publication Date
CN112564831A true CN112564831A (zh) 2021-03-26
CN112564831B CN112564831B (zh) 2022-09-06

Family

ID=75041204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011027239.XA Active CN112564831B (zh) 2020-09-25 2020-09-25 一种小型移动主用户的信号精准检测方法

Country Status (1)

Country Link
CN (1) CN112564831B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112799043A (zh) * 2021-04-08 2021-05-14 中国人民解放军空军预警学院 一种部分均匀环境中存在干扰时的扩展目标检测器与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419276A (zh) * 2008-12-10 2009-04-29 清华大学 一种认知无线电网络中定位主用户的方法
CN104660356A (zh) * 2015-03-13 2015-05-27 湖南大学 一种具有可靠虚警性能的半盲协作式频谱感知方法
CN106169945A (zh) * 2016-07-04 2016-11-30 广东工业大学 一种基于最大最小特征值之差的协作频谱感知方法
CN106254002A (zh) * 2016-09-22 2016-12-21 哈尔滨工业大学 认知网络中加权的基于信号相关特性的频谱检测方法
CN107426736A (zh) * 2017-06-07 2017-12-01 广东工业大学 一种认知无线电的频谱感知方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419276A (zh) * 2008-12-10 2009-04-29 清华大学 一种认知无线电网络中定位主用户的方法
CN104660356A (zh) * 2015-03-13 2015-05-27 湖南大学 一种具有可靠虚警性能的半盲协作式频谱感知方法
CN106169945A (zh) * 2016-07-04 2016-11-30 广东工业大学 一种基于最大最小特征值之差的协作频谱感知方法
CN106254002A (zh) * 2016-09-22 2016-12-21 哈尔滨工业大学 认知网络中加权的基于信号相关特性的频谱检测方法
CN107426736A (zh) * 2017-06-07 2017-12-01 广东工业大学 一种认知无线电的频谱感知方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨铁军等: "基于混合加权的双门限能量协作检测算法研究", 《计算机仿真》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112799043A (zh) * 2021-04-08 2021-05-14 中国人民解放军空军预警学院 一种部分均匀环境中存在干扰时的扩展目标检测器与系统
CN112799043B (zh) * 2021-04-08 2021-07-06 中国人民解放军空军预警学院 一种部分均匀环境中存在干扰时的扩展目标检测器与系统

Also Published As

Publication number Publication date
CN112564831B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
US8396691B2 (en) Position detector, position detecting method, data determination apparatus, data determination method, computer program, and storage medium
JP5793961B2 (ja) 電磁波識別装置、電磁波識別方法及びプログラム
Abraham et al. Active sonar detection in shallow water using the Page test
Abraham Detection-threshold approximation for non-Gaussian backgrounds
CN112684428B (zh) 一种基于信号代理的多目标恒虚警率检测方法
Smith et al. VI-CFAR: A novel CFAR algorithm based on data variability
CN112564831B (zh) 一种小型移动主用户的信号精准检测方法
WO2021172126A1 (ja) 推定装置、推定方法、および、プログラム
CN115459868B (zh) 一种复杂环境下的毫米波通信性能评估方法及系统
CN116866129A (zh) 一种无线通信信号检测方法
Li et al. Time-reversal detection of multidimensional signals in underwater acoustics
CN109150838A (zh) 一种针对慢速拒绝服务攻击的综合检测方法
CN116150967A (zh) 一种压制性干扰下的雷达可靠性建模方法
CN113534059B (zh) 开集场景下基于深度卷积网络的雷达有源干扰识别方法
CN111817803A (zh) 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质
CN108896989B (zh) 毫米波雷达成像与模式识别
CN108718223B (zh) 一种非合作信号的盲频谱感知方法
CN112260779A (zh) 一种小型移动主用户的信号检测方法
CN108418660B (zh) 一种低信噪比环境中提高特征值信号检测灵敏度的方法
Tabet et al. A generalized switching CFAR processor based on test cell statistics
Alvarado et al. Performance evaluation of SOCA-CFAR detectors in Weibull-distributed clutter environments
Kolchev et al. Use of hazard function for signal detection on ionograms
EP3188398A1 (en) Communication device and method for signal determination in radio communication
Weinberg Minimum-based sliding window detectors in correlated Pareto distributed clutter
Surekha et al. Spectrum Sensing for Wireless Medical Telemetry Systems Using a Bias Compensated Normalized Adaptive Algorithm.

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