CN113037406A - 一种时频特性提取及压缩感知融合的高效协作频谱感知方法 - Google Patents
一种时频特性提取及压缩感知融合的高效协作频谱感知方法 Download PDFInfo
- Publication number
- CN113037406A CN113037406A CN202011600975.XA CN202011600975A CN113037406A CN 113037406 A CN113037406 A CN 113037406A CN 202011600975 A CN202011600975 A CN 202011600975A CN 113037406 A CN113037406 A CN 113037406A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- signal
- matrix
- vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000001228 spectrum Methods 0.000 title claims abstract description 64
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 109
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 91
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000002620 method output Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 23
- 125000004429 atom Chemical group 0.000 description 17
- 238000005070 sampling Methods 0.000 description 14
- 230000001149 cognitive effect Effects 0.000 description 12
- 238000007906 compression Methods 0.000 description 7
- 230000006835 compression Effects 0.000 description 7
- 238000013144 data compression Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 125000004433 nitrogen atom Chemical group N* 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
-
- 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
- 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
本发明涉及一种信号时频特性提取及压缩感知融合的高效协作频谱感知方法,通过以下步骤完成:步骤一,接收信号x(t),利用短时傅里叶变换(STFT)提取信号时频特性,得到x(t)的时频特性矩阵,分别对矩阵每个元素求模及平方,得到时频图矩阵:步骤二,构造检测统计量,并检测主用户(PU)信号;步骤三,利用压缩感知(CS)压缩SU中的θ(w),并传输到融合中心,因现实通信中PU信号具有稀疏性;步骤四,融合中心利用正交匹配追踪(OMP)方法,重构和量化θ(w),再用K秩序准则,实现协作感知;本发明能同时检测多个频段内的PU信号,从而减少了所需滤波器的数量,且利用CS减少数据传输量,及协作感知技术提高频谱感知的检测概率。
Description
技术领域
本发明属于数字通信技术领域,尤其涉及一种时频特性提取及压缩感知融合的高效协作 频谱感知方法。
背景技术
传统频谱分配方式是静态的,导致频谱不能被充分利用,从而使频谱资源变得日益稀缺, 限制了无线通信发展。随着认知无线电(CR)技术的出现,使主用户(PU)能智能接入未占用 的空闲频谱,极大提高频谱利用率。其中,频谱感知作为CR关键,能精确智能地识别并利用 空闲频谱,来有效提高频谱利用率。其中,传统单用户频谱感知技术因其局限性,不适合实 际复杂环境。为此,多用户协作频谱感知技术应运而生。它通过对多用户感知结果融合,能 有效提高频谱感的性能。本发明方法首先估计了高斯白噪声功率,并利用STFT充分利用信号 时域和频域特性。因此,其不仅可检测信号,还可以对应到信号频率,从而可减少传统频谱 感知过程中滤波器的数量,并且使用CS技术,将传输到融合中心的数据降维,及使用K秩准 则提高了检测概率。
本发明方法涉及的一些背景技术如下:
1.短时傅里叶变换(STFT)
对于具有多个频率分量随时间变化的信号而言,为了获得频率、幅度和时间的对应关系, 通常是用“局部频谱”的概念,即用一个窄窗函数去获取所需的信号,然后对该信号做快速 傅里叶变换(FFT)。由于截取信号的频带宽度非常窄,并且剔除了窗函数以外的频谱信息, 因而称这种傅里叶变换方式为短时傅里叶变换(short-time Fouriertransform,STFT)。 STFT本质理念是:把整段截获信号用窗函数沿着信号接收先后顺序从前往后移动窗函数去和 信号做相乘处理,从而把整段截获信号按先后顺序分为多个小段,再用FFT把窗函数截得的 每小段信号用频谱表示,以确定在每个时间段里的频率分量。其具体过程如下:
典型认知无线电网络(CNR)由PU和SU组成。通常,PU和SU间的无线通信在物理上分隔, SU无法直接获得PU信道状态。PU又称为授权用户,拥有在所授权频段的优先使用权;SU称 为认知用户,需实时感知PU用户的频谱占用状态,防止与PU造成通信冲突。SU感知信号可 表示为二元假设问题:
设整个认知网络中有ρ个SU,T个PU,第i个SU接收到一个维度为1×N的信号,即有Xi=(xi1,xi2,...,xiN)∈RN,i=1,...,M。Xi代表第i个SU接收到的信号,xij代表第i个SU 接收信号中的第j个采样点。设定一个矩形窗h(n),可用式表示为:
其中,P为整数,代表窗长。把接收信号用矩形窗h(n)按信号接收先后顺序,从前往后 移动窗函数与信号相乘,将整段截获信号按先后顺序分为多个小段,用窗函数去截取某小段 以时刻l为中心的信号,可用数学表达式表示为:
Xwindow(n)=Xi(n)h(n-li) (9)
其中,Xwindow(n)为1×N维的实数向量,代表截取信号,h(n)代表窗函数,li为整数,代表窗滑动距离。再用快速傅里叶变换(FFT)把窗函数截得的每段信号,用频谱表示为:
其中,w为整数,代表频率;li为整数,代表时间;P为整数,代表截取信号长度;STFTx(w,li) 为W×1维实数向量,表示li时段内的频率分量。因窗函数h(n)长远小于接收信号长度,故窗 函数截取的每小段频谱,按时间顺序排列可近似得到频率分量随时间变化的结果,输出W×L 维时频特性矩阵STFTx(w,l)。
2.压缩感知(SC)
对传统的奈奎斯特定理来说,信号采样时要想让原始信号无失真重构,必须采样频率大 于等于信号最高频率的两倍。那么是否可以在采样过程中以低于奈奎斯特采样速率进行采样 并且在采样时去除冗余呢?近几年来研究表明,压缩感知(CS)可以实现信号压缩和采样结合 的过程;其利用原始信号在稀疏矩阵下是可压缩的特点,利用观测矩阵将原始信号投影得到 具有关键信息的低维观测向量。但是它与传统采样定理有所不同。首先,传统采样定理关注 的对象是无限长的连续信号,而压缩感知理论描述的是有限维观测向量空间的向量;其次, 传统采样理论是通过均匀采样(在很少情况下也采用非均匀采样)获取数据,压缩感知则通过 计算信号与一个观测函数之间的内积获得观测数据;再次,传统采样恢复是通过对采样数据 的Sinc函数线性内插获得(在不均匀采样下不再是线性内插,而是非线性的插值恢复),压缩 感知采用的则是从线性观测数据中通过求解一个高度非线性的优化问题恢复信号的方法。
由于判别结果矢量具有稀疏性,即非零元素代表存在PU信号,而零元素代表不存在PU 信号,因此满足CS所需的稀疏性条件,并且判别结果矢量本身就是稀疏的,因此CS中的稀 疏矩阵就是单位阵:
Ψ=IN×N (11)
其中,Ψ为N×N维矩阵,矩阵中的元素均为整数,代表稀疏矩阵,IN×N代表单位阵。
要完全重构原始信号,还需满足有限等距特性(Restricted Isometry Property,RIP) 准则,等价于稀疏矩阵和观测矩阵间不相干这一条件,且有0<δ2K<1。从目前多种观测矩阵 设计研究来看,高斯随机矩阵与任意的正交矩阵都有较强的不相关性,故此处的观测矩阵采 用高斯随机矩阵。
因判别结果矢量θ(w)满足以上两个条件,故对判别结果矢量θ(w)执行CS处理方法时主 要用高斯随机矩阵作为观测矩阵实现数据压缩,且表示为:
Y=ΦΨθ(w)=Φθ(w) (12)
其中Φ为M×N维矩阵,其中每个元素都为实数。
3.正交匹配追踪(OMP)
自从压缩感知理论发展以来,稀疏信号恢复方法主要分为贪婪类方法、l1最小化方法、 非凸函数最小化方法和贝叶斯方法等。贪婪类方法中最先提出的方法为匹配追踪(MP)方法, 贪婪类方法中最典型最广泛应用的方法为正交匹配追踪(OMP)方法,相对于MP方法,OMP方 法在每一次更新已选择原子集合的时候会利用最小二乘更新已选择原子的线性组合系数。基 于OMP方法的改进方法层出不穷,基本改进有两个方向,一个方向为每一次迭代选择多个原 子,如广义OMP(gOMP)方法;另一种改进方向为每一次选择多个原子的同时并剔除多个原子, 比如子空间追踪(SP)方法、正则化OMP(ROMP)方法、CoSaMp方法等。
Y是判别结果矢量θ(w)经压缩后的信号。可通过求解最优l0范数问题,求解原信号稀疏 系数,并通过稀疏矩阵的可逆变换求得原始信号θ(w)。故利用l0范数来求解,得到式(4.1) 所示结果:
其中Y为实数;Φ为M×N维矩阵,其中每个元素都为实数;Ψ为N×N维矩阵,其中每个元素都为实数,因式(13)式对l0求解是背景技术所述非多项式(NP)问题,无法直接求解。 故将其转化为l1范数问题,来求解,即有:
θ(w)代表稀疏信号即判别结果矢量,Ψ为稀疏矩阵,Φ为观测矩阵。本发明使用OMP 方法来恢复稀疏信号。该方法将观测矩阵Φ称为冗余字典,其每一列称为原子。通过在字典 中寻找与压缩信号Y最匹配的向量,即计算压缩矩阵Φ中所有原子与信号θ(w)的内积,找到 内积绝对值最大的原子,该列的位置对应原信号非零元素的位置。OMP具体计算过程如下:
步骤S1:输入观测矩阵Φ,压缩后的信号Y,稀疏度K,每次循环选择的原子个数 N(N≤min(K,m/K))。
步骤S2:初始化支撑集Λ=0,残差信号r=Y。循环S2.1至2.3,直至循环K次,或者残 差信号r=0。
S2.1(原子识别):使得|φTr|值最大的N个原子的序号i1,i2…,iN
4.K秩准则
通常在合作式频谱感知模型中,根据本地感知用户所发出的检测结果可分为硬合并和软 合并。如果本地感知用户也具备一定的运算能力,则发给融合中心的是PU主用户是否存在的 1B判决信息,此时,融合中心将进行硬合并。如果本地感知用户只是将感知到的数据信息 直接传送到融合中心,那么在融合中心就会进行软合并。可见,硬合并运算工作是分散在感 知用户和融合中心进行的,相对软合并来说实现简单,传输开销小,融合中心运算压力小, 速度快。K秩准则进行硬合并的基本原理:在n个合作用户中,若有k个或者k个以上合作 用户(1≤k≤n)检测到主用户信号存在,则最终判定主用户信号存在,此时向融合中心 传送检测结果为1,否则若达不到k个,则传送检测结果为0。特别的,当k=1,k=n和k=n/2 时,K秩准则就转化为“或”准则、“与”准则和“Half_voting”准则。其具体过程为:
根据认知无线电网络中的SU个数设置K值:
对ρ个重构量化后的判别结果矢量求和及判决,输出最终的判别结果矢量:
5.有限等距特性(Restricted Isometry Property,RIP)
由背景技术所述的压缩感知理论知可知,要完全重构原始信号,还需稀疏矩阵和观测矩 阵间不相干这一条件,即实现压缩采样的观测矩阵Φ必须满足:
其中,δ2K为实数,x为1×N维向量,Φ为M×N维矩阵。式(18)表示矩阵Φ满足2K阶有限等距特性(Restricted Isometry Property,RIP)准则,且有0<δ2K<1。但是RIP很难证明,所以常用观测矩阵与稀疏矩阵之间的不相关性来代替。从目前多种观测矩阵设计研究 来看,高斯随机矩阵与任意的正交矩阵都有较强的不相关性,故此处的观测矩阵采用高斯随 机矩阵。
针对以上问题,故,有必要对其进行改进。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种时频特性提取及压缩感知融合的高效 协作频谱感知方法。
为了达到以上目的,本发明所采用的技术方案是:一种时频特性提取及压缩感知融合的 高效协作频谱感知方法,包括以下步骤:
步骤1.1、输入接收信号,利用背景技术所述的短时傅里叶变换(STFT)处理,输出W×L 维与时间相关的幅度谱;
步骤1.2、将步骤1.1所得幅度谱作为输入参数,利用时频功率谱计算方法处理幅度谱, 输出W×L维时频图矩阵;
步骤1.3、将步骤1.2中所得的时频图矩阵作为输入参数,采用以下子步骤,做功率估 计,构造检测统计量,判别主用户(PU)信号存在与否:
步骤1.3.1、将步骤1.1.2中的时频图矩阵中的每一列累加,得到W×1维的列向量,再 将其除以L,得到W×1维的列向量,即为接收信号的功率谱的估计;
步骤1.3.2、将步骤1.2.1所得的W×1维向量中每个元素相加,得到总功率,再除以W, 得到功率谱平均功率,平均功率除以W×1列向量的每个元素,构造检测统计量,最终得到 W×1维检测统计矢量;
步骤1.3.3、根据检测统计量构造方法,得到判决门限th=1;
步骤1.3.4、将得到的W×1维的检测统计矢量,用th进行判决得到W×1维判别结果矢 量θ(w);
步骤1.4、将θ(w)作为输入参数,次用户(SU)利用背景技术所述的压缩感知(CS)方法, 压缩θ(w),并将压缩后的信息传输到融合中心;
步骤1.5、将压缩信息作为输入参数,融合中心利用背景技术所述的正交匹配追踪(OMP) 方法,重构判别结果矢量并用量化方法,输出重构量化后的判别结果矢量最后, 利用背景技术所述的融合准则中的K秩序准则,实现协作感知,输出最终的判别结果矢量 其按以下步骤完成:
作为本发明的一种优选方案,所述步骤1.2中,时频功率谱计算方法采用以下步骤完成:
步骤2.1:对接收信号做由背景技术所述的STFT处理,得到W×L维STFTx(w,l)矩阵;
步骤2.2:将步骤2.1所得的STFTx(w,l)做如下处理得到其时频图矩阵为:
其中,wi是整数,lj为整数,W为整数,L为整数,STFTx(wi,lj)为复数,Px(w,l)为W×L维矩阵。故设在检测的频段内仅存在ρ个PU信号时,SU计算出接收信号的时频图矩阵为:
其中,该矩阵维度为W×L,纵向代表频率,横向代表时间;a代表PU信号的功率,为实数;σ2代表某一频率的噪声功率,为实数。故在PU信号频段处的功率为a+σ2,在仅有噪 声的频段处功率为σ2。
作为本发明的一种优选方案,所述步骤1.3中,时频图矩阵的功率估计,构造检测统计 量,判别主用户(PU)信号存在与否方法采用以下步骤完成:
其中,W为整数,代表时频图矩阵中的行数,即信号频带宽度;T为整数,代表存在的PU信号个数。构造检测统计量η(w):
其中,η(w)为实数,当wi频段只存在噪声时,
将判决门限Th设为1;若存在PU信号,则输出1,否则输出0;故SU根据判决门限和检测统计量,将生成一个W×1维判别结果矢量θ(w)。
作为本发明的一种优选方案,所述步骤1.5中,量化方法采用以下步骤完成:
本发明的有益效果是:本发明方法通过STFT处理信号时频特性,使其区别于传统方法一 次仅检测一个频段内PU信号。本发明能同时检测多个频段内的PU信号,从而减少了所需滤 波器的数量,且利用CS减少数据传输量,及协作感知技术提高频谱感知的检测概率。
附图说明
图1为本发明实施例信号时频特性提取并用压缩感知融合的高效协作式频谱感知方法流 程图;
图2为本发明实施例利用信号时频特性提取并构造检测统计量进行信号检测流程图;
图3为本发明实施例SU利用CS压缩判别结果矢量θ(w),传输压缩信息至融合中心,利 用OMP重构和量化恢复判别结果矢量流程图;
图4为本发明实施例K秩准则协作判决流程图;
图5为本发明实施例典型的认知无线网络(CRN)系统架构示意图;
具体实施方式
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。
在本发明的描述中,需要说明的是,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。
实施例:
如图1-5所示,本实施例基于信号时频特性提取并用压缩感知融合的高效协作式频谱感 知方法依次经过以下步骤得以实现:
步骤1,信号时频特性提取
步骤1.1,接收信号,对接收的信号执行背景技术所述的STFT变换。假设整个认知网络 中有ρ个SU,T个PU,第i个SU接收到一个维度为1×N的信号,即 Xi=(xi1,xi2,...,xiN)∈RN,i=1,...,M。把整段接收信号用事先设定长度为P的矩形窗沿着 信号的先后顺序从前往后移动窗函数去和信号做相乘处理从而把整段截获信号按先后顺序分 为多个小段,用窗函数去截取某小段以时刻l为中心的信号Xwindow(n):
Xwindow(n)=Xi(n)h(n-l) (19)
Xwindow(n)为1×P维的实数向量;Xi(n)为1×N维实数向量;h(n-l)为1×P维实 数向量。其中h(n)代表窗函数,l代表窗滑动的距离。由于窗函数的长度远远小于接收到的 信号长度,因此对窗函数截取的每小段信号Xwindow(n)做FFT变换后频谱按照时间顺序排列 得到频率分量随时间变化的矩阵
其中w为1×W维整数向量,代表频率;li为整数,代表时间。将截取的每段信号的傅里 叶变换结果按截取时间从左往右排列得到W×L维实数矩阵STFTx(w,l)。
步骤1.2,将所得的STFTx(w,l)矩阵中每个元素分别取模值,再对每个元素求平方得到 时频图矩阵
其中wi是整数,lj为整数,W为整数,L为整数,STFTx(wi,lj)为复数,Px(w,l)为W×L维矩阵。因此在假设在检测的频段内仅有T个PU在发送信号,SU计算出接收信号的时频图矩阵表示为:
其中,该矩阵维度为W×L,纵向代表频率,横向代表时间。a代表PU信号的功率,为实数;σ2代表某一频率的噪声功率,为实数。故在PU信号频段处的功率为a+σ2,在仅有噪 声的频段处功率为σ2。这样做的原因是高斯白噪声的功率谱密度是常数,因此该操作能够简化检测问题。
步骤2,根据时频图矩阵,做功率估计,并构造检测统计量进行信号检测:
其中W为整数,代表时频图矩阵中的行数即信号的频带宽度;T为整数,代表存在的PU 信号个数。
步骤2.3,构造检测统计量η(w)
若wi频段存在PU信号则输出1,不存在PU信号则输出0,故SU根据判决门限和检测统计量将生成一个判别结果矢量θ(w)。
步骤3,利用CS压缩判别结果矢量θ(w)
由于判别结果矢量本身就是一个稀疏的,因此满足CS要求原始信号具有稀疏性这一条 件,且要压缩的数据本身就是稀疏的,所以此处的稀疏矩阵选取单位阵Ψ=IN×N,IN×N代 表单位阵。
由压缩感知理论知可知,要想完全重构原始信号还需要稀疏矩阵和观测矩阵之间不相干 这一条件,即实现压缩采样的观测矩阵Φ必须满足:
其中,δ2K为实数,x为1×N维向量,Φ为M×N维矩阵。式(28)也称矩阵Φ满足2K阶有限等距特性(RIP)准则,并且有0<δ2K<1。从目前多种观测矩阵设计研究来看,高斯随机矩阵与任意的正交矩阵都有较强的不相关性,故此处的观测矩阵采用高斯随机矩阵。
由于判别结果矢量满足以上两个条件,因此θ(w)进行CS处理方法,具体过程为用高斯 随机矩阵作为观测矩阵进行数据压缩:
Y=ΦΨθ(w)=Φθ(w) (27)
步骤4,融合中心利用OMP方法重构并量化判别结果矢量
步骤4.1,Y是判别结果矢量θ(w)经压缩后的信号。可通过求解最优l0范数问题求解原 信号的稀疏系数,进而通过可逆变换求得原始信号θ(w)。故利用l0范数来求解,得到式(10) 所示结果:
因式(28)式对l0求解是NP问题,无法直接求解。故将其转化为l1范数问题来求解,即:
本发明使用OMP方法恢复稀疏信号,该方法将观测矩阵Φ称为冗余字典,其每一列称为 原子。通过在字典中寻找与压缩信号Y最匹配的向量,即计算压缩矩阵Φ中所有原子与信号 θ(w)的内积,找到内积绝对值最大的原子,该列的位置对应原始信号非零元素的位置。OMP 具体方法过程如下:
S1:输入观测矩阵Φ,压缩后的信号Y,稀疏度K,每次循环选择的原子个数 N(N≤min(K,m/K))。
S2:初始化支撑集Λ=0,残差信号r=Y。循环S2.1至S2.3,直至循环K次或者残差信号 r=0。
S2.1(原子识别):使得|φTr|值最大的N个原子的序号i1,i2…,iN
步骤5,利用融合准则中的K秩序准则进行协作感知方法
融合中心恢复ρ个判别结果矢量后利用K秩融合准则进行联合判别,最终判定主用户所 在频段。K秩准则的硬合并基本原理:在ρ个合作用户中,若有k个或者k个以上SU(1≤k≤M) 检测到PU信号存在,则最终判定PU信号存在,否则PU信号不存在。
根据认知无线电网络中的SU个数设置K值:
对ρ个重构量化后的判别结果矢量求和及判决,输出最终的判别结果矢量:
本发明的具体实施方式,可通过以下实施例图来详细说明。
图1描述了基于短时傅里叶变换(Short-Time Fourier Transform,STFT)信号时频特性 提取及压缩感知(Compressive Sensing,CS)融合的高效协作式频谱感知方法,其特征在于依 次采用以下步骤或方法完成:
步骤一,接收信号,并提取信号时频特性,输出时频图矩阵。
步骤二,将时频图矩阵作为输入参数,做功率估计,并构造检测统计量,判别PU信号存 在与否,如果存在PU信号则为1,否则为0,输出判别结果矢量。
步骤三,将判别结果矢量作为输入参数,利用CS方法压缩判别结果矢量,并将压缩后的 信息传输到融合中心。
步骤四,融合中心利用OMP方法重构及量化判别结果矢量,并利用融合准则中的K秩序 准则进行协作感知。
在2图中,信号时频特性提取并构造检测统计量,具体步骤如下:
假设整个认知网络中有ρ个SU,T个PU,第i个SU接收到一个维度为1×N的信号,即有Xi=(xi1,xi2,...,xiN)∈RN,i=1,...,M。把整段接收信号用事先设定长度为P的窗函数沿着信号接收到的先后顺序从前往后移动窗函数去和信号做相乘处理从而把整段截获信号按先 后顺序分为多个小段,用窗函数去截取某小段以时刻l为中心的信号Xwindow(n),可以用数 学表达式表示为:
Xwindow(n)=Xi(n)h(n-l) (33)
其中,Xwindow(n)为1×N维的实数向量,代表截取信号,h(n)代表窗函数,li为整数,代表窗滑动距离。再用快速傅里叶变换(FFT)把窗函数截得的每段信号,用频谱表示为:
其中,w为整数,代表频率;li为整数,代表时间;P为整数,代表截取信号长度;STFTx(w,li) 为W×1维实数向量,以便确定在每个时间段里的频率分量。由于窗函数的长度远远小于接收 到的信号长度,因此窗函数截取的每小段频谱,按时间顺序排列得到具有时频特性的矩阵 STFTx(w,l)。
步骤一:将所得的STFTx(w,l)做如下处理得到其时频图矩阵为:
其中wi是整数,lj为整数,W为整数,L为整数,STFTx(wi,lj)为复数,Px(w,l)为W×L维矩阵。故设在检测的频段内仅存在ρ个PU信号时,SU计算出接收信号的时频图矩阵为:
其中,该矩阵维度为W×L,纵向代表频率,横向代表时间。a代表PU信号的功率,为实数;σ2代表某一频率的噪声功率,为实数。故在PU信号频段处的功率为a+σ2,在仅有噪 声的频段处功率为σ2。
其中W为整数,代表时频图矩阵中的行数即信号的频带宽度;T为整数,代表存在的PU 信号个数。
步骤四:构造检测统计量η(w)为:
其中η(w)为实数,当wi频段只存在噪声时,
故可将判决门限Th设为1。若存在PU信号则输出1,不存在PU信号则输出0,故SU 根据判决门限和检测统计量,生成一个判别结果矢量θ(w)。
图3中CS压缩判别结果矢量θ(w),传输压缩信息至融合中心进行OMP重构及量化,具 体步骤如下:
由于判别结果矢量满足以上两个条件,因此θ(w)进行CS处理,方法具体过程为用高斯 随机矩阵作为观测矩阵进行数据压缩:
Y=ΦΨθ(w)=Φθ(w) (40)
其中Φ为M×N维矩阵,矩阵中每个元素都为实数。然后,用OMP方法恢复稀疏信号,该方法将观测矩阵Φ称为冗余字典,其每一列称为原子。通过在字典中寻找与压缩信号Y最匹配的向量,即计算压缩矩阵Φ中所有原子与信号θ(w)的内积,找到内积绝对值最大的原子, 该列的位置对应原始信号非零元素的位置。OMP具体方法过程如下:
S1:输入观测矩阵Φ,压缩后的信号Y,稀疏度χ,每次循环选择的原子个数N(N≤min(χ,m/χ))。
S2:初始化支撑集Λ=0,残差信号r=Y。循环执行以下步骤:T2.1至T2.3,直至循环χ 次或者残差信号r=0。
T2.1(原子识别):使得|φTr|值最大的N个原子的序号i1,i2…,iN
S4:量化判别结果矢量
在图4中,融合中心重构ρ个判别结果矢量并做量化后,利用K秩融合准则进行联合判 别,最终判定主用户所在频段。K秩准则的硬合并基本原理:在ρ个合作用户中,若有k个及以上SU(1≤k≤M)检测到PU信号存在,则最终判定PU信号存在,否则PU信号不存在。
图5为典型的认知无线网络(CRN)系统架构。典型的认知无线电网络(CNR)由主用户(PU) 和次用户(SU)组成,通常假设PU和SU的无线网络通信在物理上分隔,SU无法直接获得PU 信道状态。在该系统中,PU对所占信道具有优先使用权,认知基站(CBS)首先通过检测信道 中的PU信号,判断频谱的空闲信道。然后,发送PU接收机(PU-R)的状态,并确定空闲频谱。 直到PU不再占用频谱,SU可重新使用该频谱。若SU正使用的频谱被PU访问,则SU退出该频谱,转入缓存,认知设备同时检测别的空闲频谱。
本发明方法主要提出一种低信噪比(SNR)下的信号时频特性提取并用压缩感知(CS)融合 的高效协作式频谱感知,其包括了STFT预处理、构造检测统计量、数据的压缩、压缩数据的 重构和协作感知过程。通过STFT处理,同时利用了信号的频谱和时域特性,该方法区别于传 统方法一次仅能判别一个频段内的PU信号存在与否,本发明能同时判断多个频段内的PU信 号存在与否与,减少所需滤波器的数量。并且利用协作感知技术提高频谱感知的检测概率, 具有较高应用价值。本发明的创新点主要是以下几点:
1.利用STFT对多个信道中的信号功率做了估计
2.利用信号时频特性同时检测多个频段的PU信号
3.将压缩感知用于压缩归一化稀疏信号判别结果矢量
最后,上述表述仅为本发明方法的较佳实施例及所运用技术原理。本领域技术人员会理 解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、 重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了 较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可 以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (4)
1.一种时频特性提取及压缩感知融合的高效协作频谱感知方法,其特征在于:包括以下步骤:
步骤1.1、输入接收信号,利用背景技术所述的短时傅里叶变换(STFT)处理,输出W×L维与时间相关的幅度谱;
步骤1.2、将步骤1.1所得幅度谱作为输入参数,利用时频功率谱计算方法处理幅度谱,输出W×L维时频图矩阵;
步骤1.3、将步骤1.2中所得的时频图矩阵作为输入参数,采用以下子步骤,做功率估计,构造检测统计量,判别主用户(PU)信号存在与否;
步骤1.3.1、将步骤1.1.2中的时频图矩阵中的每一列累加,得到W×1维的列向量,再将其除以L,得到W×1维的列向量,即为接收信号的功率谱的估计;
步骤1.3.2、将步骤1.2.1所得的W×1维向量中每个元素相加,得到总功率,再除以W,得到功率谱平均功率,平均功率除以W×1列向量的每个元素,构造检测统计量,最终得到W×1维检测统计矢量;
步骤1.3.3、根据检测统计量构造方法,得到判决门限th=1;
步骤1.3.4、将得到的W×1维的检测统计矢量,用th进行判决得到W×1维判别结果矢量θ(w);
步骤1.4、将θ(w)作为输入参数,次用户(SU)利用背景技术所述的压缩感知(CS)方法,压缩θ(w),并将压缩后的信息传输到融合中心;
步骤1.5、将压缩信息作为输入参数,融合中心利用背景技术所述的正交匹配追踪(OMP)方法,重构判别结果矢量并用量化方法,输出重构量化后的判别结果矢量最后,利用背景技术所述的融合准则中的K秩序准则,实现协作感知,输出最终的判别结果矢量其按以下步骤完成:
2.根据权利要求1所述的一种时频特性提取及压缩感知融合的高效协作频谱感知方法,其特征在于:所述步骤1.2中,时频功率谱计算方法采用以下步骤完成:
步骤2.1:对接收信号做由背景技术所述的STFT处理,得到W×L维STFTx(w,l)矩阵;
步骤2.2:将步骤2.1所得的STFTx(w,l)做如下处理得到其时频图矩阵为:
其中,wi是整数,lj为整数,W为整数,L为整数,STFTx(wi,lj)为复数,Px(w,l)为W×L维矩阵。故设在检测的频段内仅存在ρ个PU信号时,SU计算出接收信号的时频图矩阵为:
其中,该矩阵维度为W×L,纵向代表频率,横向代表时间;a代表PU信号的功率,为实数;σ2代表某一频率的噪声功率,为实数;故在PU信号频段处的功率为a+σ2,在仅有噪声的频段处功率为σ2。
3.根据权利要求1所述的一种时频特性提取及压缩感知融合的高效协作频谱感知方法,其特征在于:所述步骤1.3中,时频图矩阵的功率估计,构造检测统计量,判别主用户(PU)信号存在与否方法采用以下步骤完成:
其中,W为整数,代表时频图矩阵中的行数,即信号频带宽度;T为整数,代表存在的PU信号个数;构造检测统计量η(w):
其中,η(w)为实数,当wi频段只存在噪声时;
将判决门限Th设为1;若存在PU信号,则输出1,否则输出0;故SU根据判决门限和检测统计量,将生成一个W×1维判别结果矢量θ(w)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011600975.XA CN113037406B (zh) | 2020-12-29 | 2020-12-29 | 一种时频特性提取及压缩感知融合的高效协作频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011600975.XA CN113037406B (zh) | 2020-12-29 | 2020-12-29 | 一种时频特性提取及压缩感知融合的高效协作频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113037406A true CN113037406A (zh) | 2021-06-25 |
CN113037406B CN113037406B (zh) | 2022-07-05 |
Family
ID=76460456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011600975.XA Active CN113037406B (zh) | 2020-12-29 | 2020-12-29 | 一种时频特性提取及压缩感知融合的高效协作频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113037406B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392813A (zh) * | 2021-07-30 | 2021-09-14 | 湖北工业大学 | 精确识别振动信号主频的方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010026514A1 (en) * | 2008-09-04 | 2010-03-11 | Koninklijke Philips Electronics N.V. | Distributed spectrum sensing |
CN102271022A (zh) * | 2011-07-22 | 2011-12-07 | 宁波大学 | 一种基于最大广义特征值的频谱感知方法 |
CN102546061A (zh) * | 2012-01-09 | 2012-07-04 | 西安交通大学 | 基于小波变换的自适应时频空穴检测方法 |
CN102833020A (zh) * | 2012-09-10 | 2012-12-19 | 杭州电子科技大学 | 认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法 |
CN103338082A (zh) * | 2013-06-01 | 2013-10-02 | 华南理工大学 | 一种基于“k秩”准则的双门限协作频谱感知方法 |
CN104703216A (zh) * | 2015-02-04 | 2015-06-10 | 杭州电子科技大学 | 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 |
US20170093603A1 (en) * | 2015-04-02 | 2017-03-30 | The Board Of Trustees Of The University Of Alabama | Systems and methods for detecting unused communication spectrum |
CN107517089A (zh) * | 2017-09-06 | 2017-12-26 | 南京邮电大学 | 一种基于频谱特征的宽带频谱感知方法 |
US20180014217A1 (en) * | 2013-03-15 | 2018-01-11 | DGS Global Systems, Inc. | Systems, methods, and devices for automatic signal detection with temporal feature extraction within a spectrum |
CN107770778A (zh) * | 2017-09-20 | 2018-03-06 | 宁波大学 | 一种基于软融合策略的盲协作频谱感知方法 |
CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
-
2020
- 2020-12-29 CN CN202011600975.XA patent/CN113037406B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010026514A1 (en) * | 2008-09-04 | 2010-03-11 | Koninklijke Philips Electronics N.V. | Distributed spectrum sensing |
CN102271022A (zh) * | 2011-07-22 | 2011-12-07 | 宁波大学 | 一种基于最大广义特征值的频谱感知方法 |
CN102546061A (zh) * | 2012-01-09 | 2012-07-04 | 西安交通大学 | 基于小波变换的自适应时频空穴检测方法 |
CN102833020A (zh) * | 2012-09-10 | 2012-12-19 | 杭州电子科技大学 | 认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法 |
US20180014217A1 (en) * | 2013-03-15 | 2018-01-11 | DGS Global Systems, Inc. | Systems, methods, and devices for automatic signal detection with temporal feature extraction within a spectrum |
CN103338082A (zh) * | 2013-06-01 | 2013-10-02 | 华南理工大学 | 一种基于“k秩”准则的双门限协作频谱感知方法 |
CN104703216A (zh) * | 2015-02-04 | 2015-06-10 | 杭州电子科技大学 | 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 |
US20170093603A1 (en) * | 2015-04-02 | 2017-03-30 | The Board Of Trustees Of The University Of Alabama | Systems and methods for detecting unused communication spectrum |
CN107517089A (zh) * | 2017-09-06 | 2017-12-26 | 南京邮电大学 | 一种基于频谱特征的宽带频谱感知方法 |
CN107770778A (zh) * | 2017-09-20 | 2018-03-06 | 宁波大学 | 一种基于软融合策略的盲协作频谱感知方法 |
CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
Non-Patent Citations (8)
Title |
---|
RYNO STRAUSS VERSTER: "Selective spectrum sensing: A new scheme for efficient spectrum sensing for EW and Cognitive Radio applications", 《2014 IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS, COMPUTING AND COMMUNICATION TECHNOLOGIES (CONECCT)》 * |
RYNO STRAUSS VERSTER: "Selective spectrum sensing: A new scheme for efficient spectrum sensing for EW and Cognitive Radio applications", 《2014 IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS, COMPUTING AND COMMUNICATION TECHNOLOGIES (CONECCT)》, 17 February 2014 (2014-02-17) * |
申艳妮: "非平稳信号的频谱感知方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
申艳妮: "非平稳信号的频谱感知方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》, 15 September 2018 (2018-09-15) * |
聂建园等: "基于采样协方差矩阵混合SVM高校频谱感知", 《电信科学》 * |
聂建园等: "基于采样协方差矩阵混合SVM高校频谱感知", 《电信科学》, 20 November 2019 (2019-11-20) * |
黄柳舟: "航空无线电系统宽带频谱感知算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
黄柳舟: "航空无线电系统宽带频谱感知算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》, 15 June 2015 (2015-06-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392813A (zh) * | 2021-07-30 | 2021-09-14 | 湖北工业大学 | 精确识别振动信号主频的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113037406B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111464220B (zh) | 一种基于深度学习的信道状态信息重建方法 | |
Liu et al. | A Markovian model-driven deep learning framework for massive MIMO CSI feedback | |
CN113748614A (zh) | 一种信道估计模型训练方法及设备 | |
CN106130563B (zh) | 一种基于压缩感知信号的阈值收缩迭代差分重构方法 | |
Li et al. | Distributed MIMO radar based on sparse sensing: Analysis and efficient implementation | |
CN113037406B (zh) | 一种时频特性提取及压缩感知融合的高效协作频谱感知方法 | |
Kalphana et al. | Convolutional Neural Network Auto Encoder Channel Estimation Algorithm in MIMO-OFDM System. | |
CN103929256B (zh) | 一种多帧压缩感知信号频谱检测方法 | |
Abdel-Sayed et al. | Fast matching pursuit for wideband spectrum sensing in cognitive radio networks | |
Romero et al. | Stochastic semiparametric regression for spectrum cartography | |
Haneche et al. | Compressed sensing investigation in an end-to-end rayleigh communication system: Speech compression | |
Saoudi et al. | A fast soft bit error rate estimation method | |
CN113890794B (zh) | 一种大规模mimo信道估计方法、装置及存储介质 | |
Diamantaras | Blind channel identification based on the geometry of the received signal constellation | |
CN106534028B (zh) | 基于压缩感知的ofdm信道跟踪方法 | |
CN114978818A (zh) | 一种基于压缩感知的自适应信道估计方法及估计系统 | |
Valadäo et al. | Trends and challenges for the spectrum sensing in the next generation of communication systems | |
Pearlsy et al. | Implementation of compressive sensing for speech signals | |
Liu et al. | Constant Wideband Compressive Spectrum Sensing for Sparse and Nonsparse Signals With Low-Rank Matrix Recovering and Prior Knowledge Mining | |
Damavandi et al. | Compressive wideband spectrum sensing in cognitive radio systems using CPSD | |
Ebian et al. | Blind compressive sensing for cognitive radio networks using spectrum segmentation and l 2-minimization recovery | |
KR101599189B1 (ko) | 대규모 mimo 시스템에서의 채널 추정 방법 | |
Kumar et al. | Fast and efficient compressive sensing for wideband cognitive radio systems | |
Aiswarya et al. | Spectrum sensing using sparse Bayesian learning | |
Babadi et al. | Comparison of SPARLS and RLS algorithms for adaptive filtering |
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 |