CN114374450B - 一种基于过采样的最大特征值检测器 - Google Patents

一种基于过采样的最大特征值检测器 Download PDF

Info

Publication number
CN114374450B
CN114374450B CN202111601173.5A CN202111601173A CN114374450B CN 114374450 B CN114374450 B CN 114374450B CN 202111601173 A CN202111601173 A CN 202111601173A CN 114374450 B CN114374450 B CN 114374450B
Authority
CN
China
Prior art keywords
noise
oversampling
frequency
time slot
maximum eigenvalue
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
Application number
CN202111601173.5A
Other languages
English (en)
Other versions
CN114374450A (zh
Inventor
金明
马燕茹
胡宇铎
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.)
Ningbo University
Original Assignee
Ningbo University
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 Ningbo University filed Critical Ningbo University
Priority to CN202111601173.5A priority Critical patent/CN114374450B/zh
Publication of CN114374450A publication Critical patent/CN114374450A/zh
Application granted granted Critical
Publication of CN114374450B publication Critical patent/CN114374450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开了一种基于过采样的最大特征值检测器，其对认知用户在一个时隙内接收到的信号进行过采样；然后获取过采样得到的所有样本经过离散傅里叶变换后得到的在各个频点上的频域信号，频点的范围由过采样次数与过采样率确定的噪声频带的范围和在噪声频带的两边各取的间隔的带宽决定；再根据在各个频点上的频域信号的功率谱密度估计噪声功率；接着根据噪声功率和接收信号的样本协方差矩阵的最大特征值计算检验统计量；最后通过比较检验统计量和判决门限的大小，判定主用户信号是否存在，从而实现频谱感知；优点是其能够解决最大特征值检测法性能受到噪声不确定性因素影响的问题。

Description

一种基于过采样的最大特征值检测器
技术领域
本发明涉及一种认知无线电中的频谱感知技术，尤其是涉及一种基于过采样的最大特征值检测器。
背景技术
物联网在医疗保健、农业、环境监测和智能计算等领域发挥着重要作用。大部分物联网使用6GHz以下的频段，比如数字电视频段。由于物联网设备的大量涌现，物联网面临着可用频谱资源稀缺的严峻挑战。认知无线电(Cognitive Radio，CR)允许次级用户(即认知用户)接入主用户未使用的频段从而极大地改善了频谱利用率，近年来得到了广泛的关注。频谱感知是认知无线电中的关键技术，其作用是检测频谱空洞并允许主用户和次级用户共存。在传统的频谱感知方法中，能量检测法因简单、容易实现的特点而得到了广泛的使用，然而，能量检测法只适用于独立同分布的信号，对于相关的信号其性能表现并不好。因此，人们通过广义似然比检验提出了最大特征值检测法，最大特征值检测法适用于很多场景，并且可以得到较好的性能，但是它的主要问题是其性能受到噪声不确定性因素的影响。
发明内容
本发明所要解决的技术问题是提供一种基于过采样的最大特征值检测器，其能够解决最大特征值检测法性能受到噪声不确定性因素影响的问题。
本发明解决上述技术问题所采用的技术方案为：一种基于过采样的最大特征值检测器，其特征在于它的处理方式为：对认知用户在一个时隙内接收到的信号进行过采样；然后获取过采样得到的所有样本经过离散傅里叶变换后得到的在各个频点上的频域信号，频点的范围由过采样次数与过采样率确定的噪声频带的范围和在噪声频带的两边各取的间隔的带宽决定；再根据在各个频点上的频域信号的功率谱密度估计噪声功率；接着根据噪声功率和认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值计算检验统计量；最后通过比较检验统计量和判决门限的大小，判定主用户信号是否存在，从而实现频谱感知。
该最大特征值检测器的检测过程为：
步骤1：在认知无线电系统中，任意选取一个时隙，对认知用户在该时隙内接收到的信号进行L次过采样，得到L个样本，将第i个样本记为x(i)；其中，L为正整数，L＝2n，n为正整数，n≥7，过采样率为K，K为正整数，K≥2，i为正整数，1≤i≤L；
步骤2：根据过采样次数L与过采样率K，确定噪声频带的范围为并在噪声频带的两边各取带宽为U的一部分频带作为间隔；然后根据噪声频带的范围和间隔的带宽U，获取L个样本经过离散傅里叶变换后得到的在频点m上的频域信号，记为X(m)，/>其中，U的取值范围为20Hz～50Hz，m的单位为Hz，/>e为自然基数，j为虚数单位；
步骤3：根据在所有频点上的频域信号的功率谱密度估计噪声功率，记为 其中，符号“| |”为取模运算符号，|X(m)|2表示X(m)的功率谱密度；
步骤4：根据和认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值，计算检验统计量，记为T，/>其中，λmax表示认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值；
步骤5：比较检验统计量T和判决门限λ的大小，如果T＞λ，那么判定主用户信号存在；否则，判定主用户信号不存在。
与现有技术相比，本发明的优点在于：
1)本发明方法对认知用户接收到的信号进行过采样之后，只有噪声信号的功率谱密度留在中间，主用户信号叠加噪声信号的功率谱密度分布在两边，这样就可以根据留在中间的噪声信号的功率谱密度来估计噪声功率，使得本发明方法在主用户信号存在时也可以准确地估计出噪声功率。
2)在噪声频带的两边各取一部分频带作为间隔，即两侧的间隔形成了一个保护频带，可以避免由于主用户信号泄漏到噪声频带中对噪声功率估计造成的影响，从而使得噪声功率估计更加准确。
3)本发明方法将通过过采样估计的噪声功率应用到最大特征值检测法中，进而解决了最大特征值检测法性能受到噪声不确定性因素影响的问题。
附图说明
图1为本发明方法的流程框图；
图2为在虚警概率为0.1时分别利用本发明方法和协方差绝对值检测器(CAV)、最大最小特征值检测器(MME)、最大特征值和算数平均检测器(MEAN)、算数几何平均值检测器(AGM)和加权特征值盲检测器(BEW)得到的检测概率随系统信噪比变化的性能曲线对比图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于过采样的最大特征值检测器，其流程框图如图1所示，其处理方式为：对认知用户在一个时隙内接收到的信号进行过采样；然后获取过采样得到的所有样本经过离散傅里叶变换后得到的在各个频点上的频域信号，频点的范围由过采样次数与过采样率确定的噪声频带的范围和在噪声频带的两边各取的间隔的带宽决定；再根据在各个频点上的频域信号的功率谱密度估计噪声功率；接着根据噪声功率和认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值计算检验统计量；最后通过比较检验统计量和判决门限的大小，判定主用户信号是否存在，从而实现频谱感知。
该最大特征值检测器的检测过程为：
步骤1：在认知无线电系统中，任意选取一个时隙，对认知用户在该时隙内接收到的信号进行L次过采样，得到L个样本，将第i个样本记为x(i)；其中，L为正整数，L＝2n，n为正整数，n≥7，在本实施例中取L＝210＝1024，过采样率为K，K为正整数，K≥2，K一般取大于或等于2的正整数，在现实场景中受硬件复杂度、成本的限制使K的取值不会太大，在本实施例中取K＝2，K远远小于L，i为正整数，1≤i≤L。
步骤2：根据过采样次数L与过采样率K，确定噪声频带的范围为并在噪声频带的两边各取带宽为U的一部分频带作为间隔；然后根据噪声频带的范围和间隔的带宽U，获取L个样本(离散的时域信号)经过离散傅里叶变换后得到的在频点m上的频域信号，记为X(m)，/>其中，U的取值范围为20Hz～50Hz，在本实施例中取U为50Hz，m的单位为Hz，/>e为自然基数，e＝2.71…，j为虚数单位，π＝3.14…。
步骤3：根据在所有频点上的频域信号的功率谱密度估计噪声功率，记为 其中，2U实际为保护频带的带宽，为了避免由于主用户信号泄漏到噪声频带中对噪声功率估计造成的影响，符号“| |”为取模运算符号，|X(m)|2表示X(m)的功率谱密度。
步骤4：根据和认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值，计算检验统计量，记为T，/>其中，λmax表示认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值，样本协方差矩阵采用现有技术获得，样本协方差矩阵的最大特征值采用现有技术获得。
步骤5：比较检验统计量T和判决门限λ的大小，如果T＞λ，那么判定主用户信号存在；否则，判定主用户信号不存在；其中，判决门限λ的获取采用现有技术。
通过以下仿真进一步说明本发明方法的可行性和有效性。
在仿真中，取过采样次数L＝1024，取过采样率K＝2，采样频率fs设为1000Hz，系统信噪比(主用户信号的功率与噪声信号的功率之比)由小到大从-25dB到-8dB变化。
图2给出了在虚警概率为0.1时分别利用本发明方法和协方差绝对值检测器(CAV)、最大最小特征值检测器(MME)、最大特征值和算数平均检测器(MEAN)、算数几何平均值检测器(AGM)和加权特征值盲检测器(BEW)得到的检测概率随系统信噪比变化的性能曲线对比图。用于对比的检测器均为盲检测器，从图2中可以看出，在系统信噪比为-14dB时，本发明的最大特征值检测器的检测概率可以达到50％，而现有的盲检测器的检测概率最高只能达到15％；在系统信噪比为-11dB时，本发明的最大特征值检测器的检测概率可以达到90％，而现有的盲检测器的检测概率最高只能达到55％。因此，本发明的最大特征值检测器的检测性能明显优于现有的盲检测器。

Claims (1)

1.一种基于过采样的最大特征值检测器，其特征在于它的处理方式为：对认知用户在一个时隙内接收到的信号进行过采样；然后获取过采样得到的所有样本经过离散傅里叶变换后得到的在各个频点上的频域信号，频点的范围由过采样次数与过采样率确定的噪声频带的范围和在噪声频带的两边各取的间隔的带宽决定；再根据在各个频点上的频域信号的功率谱密度估计噪声功率；接着根据噪声功率和认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值计算检验统计量；最后通过比较检验统计量和判决门限的大小，判定主用户信号是否存在，从而实现频谱感知；
该最大特征值检测器的检测过程为：
步骤1：在认知无线电系统中，任意选取一个时隙，对认知用户在该时隙内接收到的信号进行L次过采样，得到L个样本，将第i个样本记为x(i)；其中，L为正整数，L＝2n，n为正整数，n≥7，过采样率为K，K为正整数，K≥2，i为正整数，1≤i≤L；
步骤2：根据过采样次数L与过采样率K，确定噪声频带的范围为并在噪声频带的两边各取带宽为U的一部分频带作为间隔；然后根据噪声频带的范围和间隔的带宽U，获取L个样本经过离散傅里叶变换后得到的在频点m上的频域信号，记为X(m)，/>其中，U的取值范围为20Hz～50Hz，m的单位为Hz，/>e为自然基数，j为虚数单位；
步骤3：根据在所有频点上的频域信号的功率谱密度估计噪声功率，记为 其中，符号“||”为取模运算符号，|X(m)|2表示X(m)的功率谱密度；
步骤4：根据和认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值，计算检验统计量，记为T，/>其中，λmax表示认知用户在一个时隙内接收到的信号的样本协方差矩阵的最大特征值；
步骤5：比较检验统计量T和判决门限λ的大小，如果T＞λ，那么判定主用户信号存在；否则，判定主用户信号不存在。
CN202111601173.5A 2021-12-24 2021-12-24 一种基于过采样的最大特征值检测器 Active CN114374450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111601173.5A CN114374450B (zh) 2021-12-24 2021-12-24 一种基于过采样的最大特征值检测器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111601173.5A CN114374450B (zh) 2021-12-24 2021-12-24 一种基于过采样的最大特征值检测器

Publications (2)

Publication Number Publication Date
CN114374450A CN114374450A (zh) 2022-04-19
CN114374450B true CN114374450B (zh) 2023-10-20

Family

ID=81141451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111601173.5A Active CN114374450B (zh) 2021-12-24 2021-12-24 一种基于过采样的最大特征值检测器

Country Status (1)

Country Link
CN (1) CN114374450B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707675B (zh) * 2023-08-03 2023-11-03 兰州交通大学 无线电信号的检测、无线电信号的异常检测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359930A (zh) * 2008-09-12 2009-02-04 南京邮电大学 认知无线电系统中基于最大特征值的频谱感知方法
JP2010035170A (ja) * 2008-07-29 2010-02-12 Ntt Docomo Inc スペクトル検知方法、エネルギー検出方法および装置
WO2012030301A1 (en) * 2010-08-30 2012-03-08 Agency For Science, Technology And Research A method, apparatus and computer program product for identifying frequency bands, and a method, apparatus and computer program product for evaluating performance
CN102404063A (zh) * 2011-12-26 2012-04-04 电子科技大学 一种基于过采样的glrt检测方法
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
CN106408525A (zh) * 2016-08-25 2017-02-15 上海航天控制技术研究所 一种应用于红外探测器的低噪声采样方法
WO2018053525A1 (en) * 2016-09-19 2018-03-22 The University Of New Hampshire Techniques for empirical mode decomposition (emd)-based noise estimation
CN109150342A (zh) * 2018-09-12 2019-01-04 宁波大学 一种最大特征值频谱感知方法
CN109194417A (zh) * 2018-09-12 2019-01-11 宁波大学 一种协方差矩阵频谱感知方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101141888B1 (ko) * 2010-05-24 2012-05-03 포항공과대학교 산학협력단 무선 인지 기술을 기반으로 하는 무선통신 시스템에서 신호의 존재를 검출하는 방법 및 장치

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010035170A (ja) * 2008-07-29 2010-02-12 Ntt Docomo Inc スペクトル検知方法、エネルギー検出方法および装置
CN101359930A (zh) * 2008-09-12 2009-02-04 南京邮电大学 认知无线电系统中基于最大特征值的频谱感知方法
WO2012030301A1 (en) * 2010-08-30 2012-03-08 Agency For Science, Technology And Research A method, apparatus and computer program product for identifying frequency bands, and a method, apparatus and computer program product for evaluating performance
CN102404063A (zh) * 2011-12-26 2012-04-04 电子科技大学 一种基于过采样的glrt检测方法
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
CN106408525A (zh) * 2016-08-25 2017-02-15 上海航天控制技术研究所 一种应用于红外探测器的低噪声采样方法
WO2018053525A1 (en) * 2016-09-19 2018-03-22 The University Of New Hampshire Techniques for empirical mode decomposition (emd)-based noise estimation
CN109150342A (zh) * 2018-09-12 2019-01-04 宁波大学 一种最大特征值频谱感知方法
CN109194417A (zh) * 2018-09-12 2019-01-11 宁波大学 一种协方差矩阵频谱感知方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于噪声估计的加权协同频谱感知技术;冯文江;宋麟;蒋卫恒;;计算机工程与应用(第09期);全文 *
基于最大特征值的协作式频谱感知;冯一舟;郑霖;张文辉;;微电子学与计算机(第05期);全文 *
涂浚洋 ; 朱永建 ; 郑仕链 ; .基于主用户信号谱特征的频谱感知方法.中国电子科学研究院学报.2012,(第04期),全文. *
过采样方法与提高ADC分辨率的研究;于光平;张昕;;沈阳工业大学学报(第02期);全文 *
非协作通信中的信噪比估计算法;孙钢灿;安建平;杨杰;杨凯;;北京理工大学学报(第08期);全文 *

Also Published As

Publication number Publication date
CN114374450A (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN105785324B (zh) 基于mgcstft的线性调频信号参数估计方法
CN114374450B (zh) 一种基于过采样的最大特征值检测器
CN109347584A (zh) 基于指数平滑预测的频谱感知方法
CN113325277A (zh) 一种局部放电处理方法
CN105025583A (zh) 基于能量与协方差检测的分步频谱感知方法
Eslami et al. Performance analysis of double threshold energy detection-based spectrum sensing in low SNRs over Nakagami-m fading channels with noise uncertainty
CN113098638B (zh) 一种基于分组极差图的微弱信号检测方法
CN114205012B (zh) 一种基于过采样的能量检测频谱感知方法
CN114268393B (zh) 一种基于连通分量个数特征的认知无线电频谱感知方法
Zhang et al. A spectrum sensing algorithm for OFDM signal based on deep learning and covariance matrix graph
CN105119668B (zh) 一种采用双重判决的迭代频谱感知方法
CN114650108B (zh) 一种变换域通信系统信号的检测方法及系统
CN106330361B (zh) 基于图连通性分析的弱信号检测方法
CN107196720B (zh) 针对时间同步且不存在频偏情况下的ofdm信号频谱感知方法
KR20180013485A (ko) 레이더 신호 검출 장치 및 방법
CN107196721B (zh) 针对时间异步且存在频偏情况下的ofdm信号频谱感知方法
CN110138478B (zh) 一种用于非圆信号的多天线频谱感知方法
CN106100775B (zh) 基于邻接矩阵的ofdm频谱感知方法
CN114245389A (zh) 一种基于过采样的自相关频谱感知方法
CN114268389B (zh) 一种联合小波变换的多点协作频谱感知方法
CN104936190B (zh) 基于稀疏系数信息估计的自适应宽带频谱压缩感知方法
Tan et al. Signal analysis and classification of digital communication signal using time-frequency analysis techniques in the multipath fading environment
CN105959035B (zh) 一种直扩信号截获检测方法
Varma et al. Cognitive wideband sensing using correlation of inverted spectrum segments
Abdullahi et al. Optimized Forward Consecutive Mean Excision Algorithm for Adaptive Threshold Estimation in the Energy Detector

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