CN115190029B - 在扫频干扰下的全时空域宽带频谱空间构建方法及系统 - Google Patents
在扫频干扰下的全时空域宽带频谱空间构建方法及系统 Download PDFInfo
- Publication number
- CN115190029B CN115190029B CN202210766425.8A CN202210766425A CN115190029B CN 115190029 B CN115190029 B CN 115190029B CN 202210766425 A CN202210766425 A CN 202210766425A CN 115190029 B CN115190029 B CN 115190029B
- Authority
- CN
- China
- Prior art keywords
- matrix
- interference
- sweep
- spectrum
- time
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 234
- 238000005259 measurement Methods 0.000 claims abstract description 89
- 230000006835 compression Effects 0.000 claims abstract description 43
- 238000007906 compression Methods 0.000 claims abstract description 43
- 230000008447 perception Effects 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims description 58
- 230000003595 spectral effect Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 22
- 238000011084 recovery Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明提供了一种在扫频干扰下的全时空域宽带频谱空间构建方法及系统,将真实发射节点对接收节点的影响转化为虚拟格点对接收节点的影响;基于信道信息,构建压缩测量矩阵,并计算感知矩阵,使得感知矩阵满足约束等距性条件;将各个接收节点接收的测量数据传送到中心节点,并进行存储;利用压缩感知算法确定扫频干扰所在的位置索引;根据扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引;结合扫频干扰所在的位置索引以及当前环境中的频谱信息所在的位置索引,恢复完整的全时空域的宽带频谱信息。本发明减少了恢复完整信息的采样点数,降低了重构算法的复杂度,有效提高了在扫频干扰下恢复频谱空间的鲁棒性。
Description
技术领域
本发明涉及通信技术领域,具体地,涉及一种在扫频干扰下的全时空域宽带频谱空间构建方法及系统,同时提供了一种相应的终端及计算机可读存储介质。
背景技术
频谱资源作为一种不可再生的自然资源,目前是采用固定划分的方法去使用。然而随着对无线通信速率提出越来越高的要求,频谱资源变得稀缺。与此同时,根据相关研究表明,某些授权频段的使用率从15%至85%不等,造成极大的频谱资源浪费,加剧了频谱资源短缺的现状。在这种情况下,构建频谱信息空间,提高频谱资源利用率至关重要。
早期的频谱空间构建主要集中于频谱感知技术。对于窄带通信系统,已经有比较成熟的研究成果,例如能量检测、匹配滤波等方法,其优势是实现简单,但在低信噪比下的性能较差。随着无线通信技术的快速发展以及宽带业务的普及,对大带宽频段进行检测利用的需求愈发迫切。一种直观的解决方案是将宽带感知问题转换为多个窄带感知问题,但这会带来复杂度过高的问题。第二就是采用次奈奎斯特采样的方法以降低复杂度,其架构主要包括调制带宽转化器和多路均匀采样。
上述方案只能反映某个位置的频谱情况,缺乏对整个区域的估计。若要测量整个区域内的频谱信息,需要部署大量节点,进行多次测量,尽管这些方案仍可用于频谱空间的建设,但这会带来过高的计算复杂度和数据处理负担。在目前宽带的全时空频谱构建方案中,需要利用功率谱密度在空间上的稀疏性进行宽带频谱信息空间构建,一般只局限于单个节点且需要忽略干扰信号对于稀疏结构的影响,这对于频谱空间的构建精度存在较大影响。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种在扫频干扰下的全时空域宽带频谱空间构建方法及系统,同时提供了一种相应的终端及计算机可读存储介质。
根据本发明的一个方面,提供了一种在扫频干扰下的全时空域宽带频谱空间构建方法,包括:基于虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化为虚拟格点对接收节点的影响;
基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得所述感知矩阵满足约束等距性条件,用于获得更优的频谱空间构建性能;
基于所述压缩测量矩阵,构建联合压缩测量矩阵,并利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对所述中心节点得到的数据进行存储;
基于所述联合压缩测量矩阵以及所述中心节点得到的数据,利用压缩感知算法确定扫频干扰所在的位置索引;
根据所述扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引;
结合所述扫频干扰所在的位置索引以及所述当前环境中的频谱信息所在的位置索引,构建完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建。
可选地,所述基于虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化成虚拟格点对接收节点的影响,包括:
在虚拟节点网络模型中,第t个虚拟格点在频率f上的功率谱密度表示为:
其中,bm(f)为功率谱的基函数,θtm为对应基函数的系数,考虑有Nr个用户接收节点,在接收节点r处接收到的含噪声σrf的功率谱表示为:
其中,Nt为虚拟格点的数量,Pt(f)用于表示第t个虚拟主用户的功率谱,γtr为第t个虚拟主用户到第r个次级用户处的信道频响期望,br(f)包含信道信息,θ为频谱功率。
可选地,所述基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得所述感知矩阵满足约束等距性条件,用于获得更优的频谱空间构建性能,包括:
定义并/>对进行奇异值分解,得到/>其中,/>为信道能量的矩阵,/>为信道信息矩阵,Ub为酉矩阵,∑b为包含奇异值的对角矩阵,上标H表示矩阵的共轭转置;
构建对角矩阵Σ,所述对角矩阵Σ的对角元素满足其中,si为对角矩阵Σ的对角元素,sb,i为矩阵Σb的对角元素;
构建压缩测量矩阵Ψ为:其中,U为任意酉矩阵;
利用所述信道信息矩阵和所述压缩测量矩阵,计算得到感知矩阵Φ为:
将约束等距性条件等效转化为最小化感知矩阵的最大列相关值为:
其中,μ(Φ)为感知矩阵的最大列相关值,Φ(:,)为矩阵Φ的第i列,Φ(:,)为矩阵Φ的第j列,下标F表示矩阵的Frobenius范数。
感知矩阵的列相关值越小,频谱空间构建的性能就越好,因此,将感知矩阵的优化问题等效转化为:
min||ΦHΦ-I||F
其中,I为单位矩阵。
可选地,所述基于所述压缩测量矩阵,构建联合压缩测量矩阵,并利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对所述中心节点得到的数据进行存储,包括:
将各个接收节点接收的测量数据进行联合,构建联合压缩测量矩阵,即:
其中,为联合压缩测量矩阵,Ψi为第i个接收节点的压缩测量矩阵;
则中心节点得到的数据S为:
其中,为信道信息矩阵,Θ=[θ(k1),θ(k2),…,θ(K)]T表示从时刻k1到时刻K的具有结构化稀疏特征的待恢复信号,θ(k)表示时刻k的频谱功率向量;
将所述中心节点得到的数据S存储为一个Np×K的矩阵,其中,Np表示采样点数,K表示时刻数。
可选地,所述基于所述联合压缩测量矩阵以及所述中心节点得到的数据,利用压缩感知算法确定扫频干扰所在的位置索引,包括:
针对全时空域宽带频谱空间的恢复,构建一个压缩感知模型,即:
其中,Θ表示从时刻k1到时刻K的待恢复信号,为联合压缩测量矩阵,/>为信道信息矩阵,S为中心节点得到的数据,ε为干扰容限;
考虑一个扫频干扰,所述扫频干扰的扫频周期为T,在采样时刻k1时位于g,即频谱功率向量θ(k1)的第g行存在非零元素,则在采样时刻i的位置gi为:
gi=mod(g+mod(i-1,T),NTNb),i=1,2,...,K
其中,NT为虚拟发射源的数量,Nb为频谱功率向量θ(k1)的长度;·
对于扫描周期为T的扫频干扰,利用待恢复信号的结构化稀疏特征确定位置g为:
其中,ri表示第i时刻的残差,Φ(:,gi)表示感知矩阵Φ的第gi列,‖·‖2表示矩阵的2范数;
根据位置g得到位置索引后,根据所述扫频干扰的特征计算每个时刻的干扰位置,并根据所述干扰位置计算干扰的大小,并更新残差:
式中,Si表示中心节点得到的数据S的第i列,表示矩阵的伪逆;
最终得到扫频干扰所在位置g构成的支撑集索引,记为对应于时刻k1到K。
可选地,所述根据所述扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引,包括:
在根据所述扫频干扰所在的位置索引去除扫频干扰后,采用同时正交匹配追踪求解当前环境中的频谱信息所在的位置索引,包括:
利用贪婪算法确定当前环境中频谱信息所占用频谱的位置索引
其中,表示减去扫频干扰后的残差,/>表示感知矩阵Φ的第gi列,‖·‖2表示矩阵的2范数,NT为虚拟发射源的数量,Nb为频谱功率向量θ(k1)的长度;
最终得到当前环境中频谱信息所在位置索引构成的支撑集索引,记为ΩC。
可选地,所述结合所述扫频干扰所在的位置索引以及所述当前环境中的频谱信息所在的位置索引,恢复完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建,包括:
结合扫频干扰所在的位置索引以及当前环境中的频谱信息所在的位置索引,确定各个时刻的完整的支撑集Ωi为:
其中,为扫频干扰所在位置的支撑集索引,ΩC为当前环境中频谱信息所在位置的支撑集索引,K表示时刻数;
构建完整的全时空域的宽带频谱信息为:
其中,Φ表示感知矩阵,Si表示中心节点得到的数据S的第i列。
根据本发明的另一个方面,提供了一种在扫频干扰下的全时空域宽带频谱空间构建系统,包括:
虚拟节点网络模块,该模块基于虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化为虚拟格点对接收节点的影响;
构造模块,该模块基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得所述感知矩阵满足约束等距性条件,用于获得更优的频谱空间构建性能;
存储模块,该模块基于所述压缩测量矩阵,利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对所述中心节点得到的数据进行存储;
估计模块,该模块基于所述压缩测量矩阵以及所述中心节点得到的数据,利用压缩感知算法确定扫频干扰所在的位置索引;根据所述扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引;
恢复模块,该模块结合所述扫频干扰所在的位置索引以及所述当前环境中的频谱信息所在的位置索引,构建完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建。
根据本发明的第三个方面,提供了一种终端,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可用于执行上述任一项所述的方法,或,运行上述的系统。
根据本发明的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述任一项所述的方法,或,运行上述的系统。
由于采用了上述技术方案,本发明与现有技术相比,具有如下至少一项的有益效果:
本发明有效利用了频谱信息的宽带上呈现稀疏性的特点,并在此基础上结合虚拟节点网络模型挖掘时空频多维的联合稀疏性,实现了对全时空频谱信息的压缩测量,减少了构建方法整体需要计算的参数,且降低了回传给中心节点的数据量。
本发明考虑了扫频干扰对于原有稀疏特征的破坏,设计了独特的压缩感知算法,进一步提高了在扫频干扰下全时空频谱空间的恢复精度。
本发明的频谱构建方案没有对接收机数量和前端架构的设计提出要求,一般的通信接收机均满足要求,具有较好的兼容性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例中在扫频干扰下的全时空域宽带频谱空间构建方法的工作流程图。
图2为本发明一具体应用实例中虚拟格点网络模型下的接收节点部署图。
图3为本发明一具体应用实例中的构建方法与其他构建算法的性能对比示意图。
图4为本发明一实施例中在扫频干扰下的全时空域宽带频谱空间构建系统的组成模块示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明一实施例提供了一种在扫频干扰下的全时空域宽带频谱空间构建方法,该方法利用虚拟节点网络模型和宽带频谱占用呈现稀疏性的特征,挖掘多到多模型中的空时频三维联合的结构化稀疏特征,结合稀疏信号处理设计高效的重构算法,以恢复完整的全时空域宽带频谱空间信息。
如图1所示,该实施例提供的在扫频干扰下的全时空域宽带频谱空间构建方法,可以包括如下步骤:
S000,针对目标区域,借助虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化成虚拟格点对接收节点的影响;
S100,基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得感知矩阵满足约束等距性条件,用于获得更优乃至最优的频谱空间构建性能;
S200,基于压缩测量矩阵,构建联合压缩测量矩阵,并利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对中心节点得到的数据进行存储;
S300,基于联合压缩测量矩阵以及中心节点得到的数据,利用压缩感知算法确定扫频干扰所在的位置索引;
S400,根据扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引;
S500,结合扫频干扰所在的位置索引以及当前环境中的频谱信息所在的位置索引,构建完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建。
在S000的一优选实施例中,借助虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化成虚拟格点对接收节点的影响,可以包括如下步骤:
在虚拟节点网络模型中,第t个虚拟格点在频率f上的功率谱密度可以表示为:
其中bm(f)为功率谱的基函数,θtm为对应基函数的系数。考虑有Nr个用户接收节点,接收节点r处接收到的含噪声σrf的功率谱可以表示为
其中Nt为虚拟格点的数量。Pt(f)为第t个虚拟主用户的功率谱。γtr为第t个虚拟主用户到第r个次级用户处的信道频响期望,br(f)包含信道信息,θ为频谱功率。
在S100的一优选实施例中,基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得感知矩阵满足约束等距性条件,用于获得更优乃至最优的频谱空间构建性能,可以包括如下步骤:
定义并/>对进行奇异值分解,得到/>其中,/>为信道能量的矩阵,/>为信道信息矩阵,Ub为左(右)酉矩阵,Σb为包含奇异值的对角矩阵,上标H表示矩阵的共轭转置;
构建对角矩阵Σ,对角矩阵Σ的对角元素满足其中,si为对角矩阵Σ的对角元素,sb,i为矩阵Σb的对角元素;
构建压缩测量矩阵Ψ为:其中,U为任意酉矩阵;
利用信道信息矩阵和压缩测量矩阵,计算得到感知矩阵Φ为:
将约束等距性条件等效转化为最小化感知矩阵的最大列相关值为:
其中,μ(Φ)为感知矩阵的最大列相关值,Φ(:,i)为感知矩阵Φ的第i列,Φ(:,j)为感知矩阵Φ的第j列,下标F表示矩阵的Frobenius范数;
感知矩阵的列相关值越小,频谱空间构建的性能就越好,因此,将感知矩阵的优化问题等效转化为:
min||ΦHΦ-I||F
其中,I为单位矩阵。
在S200的一优选实施例中,基于压缩测量矩阵,构建联合压缩测量矩阵,并利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对中心节点得到的数据进行存储,可以包括如下步骤:
将各个接收节点接收的测量数据进行联合,构建联合压缩测量矩阵,即:
其中,为联合压缩测量矩阵,Ψi为第i个接收节点的压缩测量矩阵;
则中心节点得到的数据S为:
其中,为信道信息矩阵,Θ=[θ(k1),θ(k2),…,θ(K)]T表示从时刻k1到时刻K的具有结构化稀疏特征的待恢复信号,θ(k)表示时刻k的频谱功率向量;由于频谱占用在宽频上呈现稀疏特征,使得Θ具有结构化稀疏特征,具体来说从大尺度来看,Θ的列在空间维度展开,行在时间维度展开;从小尺度来看,Θ的每个子向量在频率维度展开。考虑频谱占用存在区域性特点,功率谱密度存在空间相关性,Θ的每个子向量在Θ的列中呈块状分布;考虑功率谱采样在时间上的连续性,功率谱密度存在时间相关性,相近时刻k与时刻l的参数向量θ(k)与θ(l)有相似的非零支撑集;因此,待恢复信号Θ整体上呈现多维度联合结构化稀疏的特征;
将中心节点得到的数据S存储为一个Np×K的矩阵,其中,Np表示采样点数,K表示时刻数。
在S300的一优选实施例中,基于联合压缩测量矩阵以及中心节点得到的数据,利用压缩感知算法确定扫频干扰所在的位置索引,可以包括如下步骤:
针对全时空域宽带频谱空间的恢复,构建一个压缩感知模型,即:
其中,Θ表示从时刻k1到时刻K的待恢复信号,为联合压缩测量矩阵,/>为信道信息矩阵,S为中心节点得到的数据,ε为干扰容限;
在存在扫频干扰时,会对原有的多维度联合结构化稀疏特征造成破坏,即在保留原有稀疏结构的同时,还存在一个扫频干扰量,随着时间呈现规律性变化。
考虑一个扫频干扰,扫频干扰的扫频周期为T,在采样时刻k1时位于g,即频谱功率向量θ(k1)的第g行存在非零元素,则在采样时刻i的位置gi为:
gi=mod(g+mod(i-1,T),NTNb),i=1,2,...,K
其中,NT为虚拟发射源的数量,Nb为频谱功率向量θ(k1)的长度;
对于扫描周期为T的扫频干扰,利用待恢复信号的结构化稀疏特征确定位置g为:
其中,ri表示第i时刻的残差,Φ表示感知矩阵,Φ(:,gi)表示感知矩阵Φ的第gi列,‖·‖2表示矩阵的2范数;
根据位置g得到位置索引后,根据扫频干扰的特征计算每个时刻的干扰位置,并根据干扰位置计算干扰的大小,并更新残差:
式中,Si表示中心节点得到的数据S的第i列,表示矩阵的伪逆;
最终得到扫频干扰所在位置g构成的支撑集索引,记为对应于时刻k1到K。
在S400的一优选实施例中,根据扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引,可以包括如下步骤:
在根据扫频干扰所在的位置索引去除扫频干扰后,采用同时正交匹配追踪求解当前环境中的频谱信息所在的位置索引,包括:
利用贪婪算法确定当前环境中频谱信息所占用频谱的位置索引(该位置在物理意义上表示频谱能量较大的位置,是扫频干扰位置和环境中原有频谱占用位置的叠加;数学上表示Θ中的非零元素位置):
其中,表示减去扫频干扰后的残差,Φ表示感知矩阵,/>表示感知矩阵Φ的第gi列,‖·‖2表示矩阵的2范数,NT为虚拟发射源的数量,Nb为频谱功率向量θ(k1)的长度;
最终得到当前环境中频谱信息所在位置索引构成的支撑集索引,记为ΩC。
在S500的一优选实施例中,结合扫频干扰所在的位置索引以及当前环境中的频谱信息所在的位置索引,恢复完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建,可以包括如下步骤:
结合扫频干扰所在的位置索引以及当前环境中的频谱信息所在的位置索引,确定各个时刻的完整的支撑集Ωi为:
其中,为扫频干扰所在位置的支撑集索引,ΩC为当前环境中频谱信息所在位置的支撑集索引,K表示时刻数;
构建完整的全时空域的宽带频谱信息为:
其中,Φ表示感知矩阵,Si表示中心节点得到的数据S的第i列。
该实施例提供的,基于虚拟节点网络模型,将真实的物理区域划分成虚拟的格点,将真实发射节点对接收节点的影响转化成虚拟格点对接收节点的影响,并利用频谱占用的稀疏性,将全时空域宽带频谱空间构建转化为压缩感知问题,进而实现扫频干扰下的全时空域宽带频谱空间构建。
下面结合一具体应用实例,对本发明上述实施例提供的技术方案进一步说明。
该具体应用实例提供的在扫频干扰下的全时空域宽带频谱空间构建方法,基于已知的信道信息设计压缩测量矩阵;将各个接收节点接收的数据传送到中心节点,并以数据矩阵的形式存储;结合扫频干扰模型,设计压缩感知算法确定扫频干扰所在位置索引;在去除扫频干扰后,确定当前环境中的频谱信息所在的位置索引;结合扫频干扰的频谱信息以及当前环境中的频谱信息的位置索引,构建完整的全时空域的宽带频谱信息。
在该具体应用实例中,采用4个接收节点部署在单位区域内,如图2所示,图2中,横坐标为构建区域的长度,归一化为1,纵坐标为为构建区域的宽度,归一化为1。把测量区域均匀划分呈25个格点,并采用矩形基形容频率谱密度,其长度为20,一共测量20个频点,采样点数默认为256。
该具体应用实例的频谱空间构建方法,具体步骤如下:
步骤1、根据稀疏信号处理理论,为了达到更好的重构性能,其感知矩阵需要满足约束等距性条件。该条件刻画一个矩阵和标准正交阵的相似程度,保证了感知矩阵不会把两个不同的稀疏信号映射到同一个集合中。有学者指出束等距性条件可以等效转化为最小化感知矩阵的最大列相关值,即
其中表示感知矩阵,Ψ是需要设计的压缩测量矩阵,/>矩阵包含信道信息。步骤1的目标就是通过设计Ψ来使感知矩阵满足约束等距性条件。其列相关值越小,恢复性能就越好。感知矩阵的优化问题可等效转化为
min||ΦHΦ-I||F
具体设计方法如下:
(1)定义并进行SVD分解,即/>
(2)构建对角矩阵Σ,其对角元素满足其中sb,i是矩阵Σb的对角元素;
(3)则压缩测量矩阵可构建为其中U为任意酉矩阵。
步骤2、各个接收节点的测量矩阵按照如下形式构建联合压缩测量矩阵,即
则中心节点得到的数据可以通过公式得到,其中/>是等效信道矩阵,以及Θ=[θ(k1),θ(k2),…,θ(8)]T表示从时刻1到时刻8的系数。中心节点得到一个256×8的矩阵,行数表示采样点数,列数表示时刻数。
步骤3、对于全时空频谱空间的恢复,即对变量Θ的求解可建模为一个压缩感知问题,即
考虑存在一个扫频干扰,其扫频周期为4,在采样时刻1时位于g,即向量θ(1)的第g行存在非零元素,则在时刻i其位置在
gi=mod(g+mod(i-1,4),500),i=1,2,...,8
不同于传统的压缩感知算法,其扫频干扰存在特殊的稀疏结构,因此采用步骤3中的方法。具体来说,对于某个周期为T的扫频干扰首先利用上述的特有的稀疏结构确定位置,即
其中ri表示第i时刻的残差。得到位置索引后,根据扫频干扰的特征计算每个时刻的干扰位置,然后根据求得的位置计算干扰的大小,并更新残差,即
最后在该步骤中得到扫频干扰的支撑集(即位置g构成的集合),记为对于时刻1到8。
步骤4、在去除扫频干扰的影响后,环境中的频谱稀疏特征一般在采样时间K内保持不变,可采用传统的压缩感知算法,即同时正交匹配追踪(SOMP)求解。具体来说,首先利用贪婪算法确定Θ中的非零元素位置,即
其中表示减去扫频干扰后的残差,/>表示当前环境中频谱信息所占用频谱的位置索引。最后得到当前环境中频谱信息所在位置的支撑集索引,记为ΩC。
步骤5、结合步骤3得到的扫频干扰频谱信息的支撑集索引,以及步骤4得到的当前环境中的频谱信息的支撑集索引,确定各个时刻的完整的支撑集,即
最后构建完整的全时空域的宽带频谱信息,即
其中Si表示S的第i列。
通过以上步骤,可以得到在扫频干扰下的全时空宽带频谱信息。该具体应用实例的频谱构建算法与传统的构建算法的标准均方根误差(RMSE)性能对比如图3所示,RMSE可计算如下:
图3中有“●”标记的虚线为传统的最小二乘算法,有“□”标记的实线为传统的同时正交匹配追踪算法,有“◇”标记的实线为本发明实施例中所提出的构建方法,横坐标为采样点数,纵坐标为均方根误差(RMSE)。可见,基于本发明改进的全时空频谱空间构建方法相较于传统的算法,在扫频干扰下重构的精度有了一定提升,且所需的采样点数更少。
本发明一实施例提供了一种在扫频干扰下的全时空域宽带频谱空间构建系统。
如图4所示,该实施例提供的在扫频干扰下的全时空域宽带频谱空间构建,可以包括如下模块:
虚拟节点网络模块,该模块基于虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化为虚拟格点对接收节点的影响;
构造模块,该模块基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得感知矩阵满足约束等距性条件,用于获得更优乃至最优的频谱空间构建性能;
存储模块,该模块基于压缩测量矩阵,利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对中心节点得到的数据进行存储;
估计模块,该模块基于压缩测量矩阵以及中心节点得到的数据,利用压缩感知算法确定扫频干扰所在的位置索引;根据扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引;
恢复模块,该模块结合扫频干扰所在的位置索引以及当前环境中的频谱信息所在的位置索引,构建完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建。
该实施例提供的在扫频干扰下的全时空域宽带频谱空间构建系统,利用虚拟节点网络模型和宽带频谱占用呈现稀疏性的特征,挖掘多到多模型中的空时频三维联合的结构化稀疏特征,结合稀疏信号处理设计高效的重构算法,以恢复完整的全时空域宽带频谱空间信息。
下面结合一具体应用实例,对本发明上述实施例提供的技术方案进一步说明。
该具体应用实例的在扫频干扰下的全时空域宽带频谱空间构建系统中,构造模块用于根据信道信息构造压缩测量矩阵;存储模块用于将接收的频域数据以数据矩阵的形式储存;估计模块用于结合扫频干扰的稀疏特征分别估计扫频干扰以及当前环境中的频谱信息的支撑集;恢复模块用于结合扫频干扰的频谱信息以及当前环境中的频谱信息,构建完整的全时空域的宽带频谱信息。
进一步地:
构造模块是根据信道矩阵设计压缩测量矩阵以满足约束等距性条件,以提高压缩感知性能,其具体设计方式为:
(1)定义并进行SVD分解,即/>
(2)构建对角矩阵Σ,其对角元素满足其中sb,i是矩阵Σb的对角元素;/>
(3)则压缩测量矩阵可构建为其中U为任意酉矩阵。
存储模块是得到存储各个接收节点接收到的数据,根据公式中心节点得到一个256×8的矩阵,行数表示采样点数,列数表示时刻数。
估计模块则是根据所提出的基于压缩感知的算法,恢复目标区域内的频谱密度,主要分为两个部分:
第一部分主要针对扫频干扰,考虑存在一个扫频干扰,其扫频周期为4,在采样时刻1时位于g,即向量θ(1)的第g行存在非零元素,则在时刻i其位置在
gi=mod(g+mod(i-1,4),500),i=1,2,...,8
不同于传统的压缩感知算法,其扫频干扰存在特殊的稀疏结构,因此采用步骤3中的方法。具体来说,对于某个周期为T的扫频干扰首先利用上述的特有的稀疏结构确定位置,即
其中ri表示第i时刻的残差。得到位置索引后,根据扫频干扰的特征计算每个时刻的干扰位置,然后根据求得的位置计算干扰的大小,并更新残差,即
最后在该步骤中得到扫频干扰的支撑集,记为对于时刻1到8。
第二部分则是在去除扫频干扰的影响后,环境中的频谱稀疏特征一般在采样时间K内保持不变,可采用传统的压缩感知算法,即同时正交匹配追踪(SOMP)求解。具体来说,首先利用贪婪算法确定非零元素位置,即
其中表示减去扫频干扰后的残差。最后得到当前环境中频谱信息所在的支撑集位置,记为ΩC。
恢复模块是结合估计模块中得到的扫频干扰频谱信息的支撑集索引,的当前环境中的频谱信息的支撑集索引,确定各个时刻的完整的支撑集,即
最后构建完整的全时空域的宽带频谱信息,即
需要说明的是,本发明提供的方法中的步骤,可以利用系统中对应的模块、装置、单元等予以实现,本领域技术人员可以参照方法的技术方案实现系统的组成,即,方法中的实施例可理解为构建系统的优选例,在此不予赘述。
本发明一实施例提供了一种终端,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,处理器执行程序时可用于执行本发明上述实施例中任一项的方法,或,运行本发明上述实施例中任一项的系统。
可选地,存储器,用于存储程序;存储器,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
本发明一实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行本发明上述实施例中任一项的方法,或,运行本发明上述实施例中任一项的系统。
本发明上述实施例提供的在扫频干扰下的全时空域宽带频谱空间构建方法及系统,有效利用了频谱信息的宽带上呈现稀疏性的特点,并在此基础上结合虚拟节点网络模型挖掘时空频多维的联合稀疏性,实现了对全时空频谱信息的压缩测量,减少了构建方法整体需要计算的参数,且降低了回传给中心节点的数据量;考虑了扫频干扰对于原有稀疏特征的破坏,设计了独特的压缩感知算法,进一步提高了在扫频干扰下全时空频谱空间的恢复精度。本发明上述实施例提供的频谱构建方案,没有对接收机数量和前端架构的设计提出要求,一般的通信接收机均满足要求,具有较好的兼容性。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明上述实施例中未尽事宜均为本领域公知技术。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (7)
1.一种在扫频干扰下的全时空域宽带频谱空间构建方法,其特征在于,包括:
基于虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化为虚拟格点对接收节点的影响;
基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得所述感知矩阵满足约束等距性条件,用于获得更优的频谱空间构建性能;
基于所述压缩测量矩阵,构建联合压缩测量矩阵,并利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对所述中心节点得到的数据进行存储;
基于所述联合压缩测量矩阵以及所述中心节点得到的数据,确定扫频干扰所在的位置索引;
根据所述扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引;
结合所述扫频干扰所在的位置索引以及所述当前环境中的频谱信息所在的位置索引,构建完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建;
所述基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得所述感知矩阵满足约束等距性条件,用于获得更优的频谱空间构建性能,包括:
定义并/>对进行奇异值分解,得到/>其中,/>为信道能量的矩阵,为信道信息矩阵,Ub为酉矩阵,∑b为包含奇异值的对角矩阵,上标H表示矩阵的共轭转置;
构建对角矩阵Σ,所述对角矩阵Σ的对角元素满足其中,si为对角矩阵Σ的对角元素,sb,i为矩阵Σb的对角元素;
构建压缩测量矩阵Ψ为:其中,U为任意酉矩阵;
利用所述信道信息矩阵和所述压缩测量矩阵,计算得到感知矩阵Φ为:
将约束等距性条件等效转化为最小化感知矩阵的最大列相关值为:
其中,μ(Φ)为感知矩阵的最大列相关值,Φ(:,i)为感知矩阵Φ的第i列,Φ(:,j)为感知矩阵Φ的第j列,下标F表示矩阵的Frobenius范数;
感知矩阵的列相关值越小,频谱空间构建的性能就越好,因此,将感知矩阵的优化问题等效转化为:
min||ΦHΦ-I||F
其中,I为单位矩阵;
所述基于所述压缩测量矩阵,构建联合压缩测量矩阵,并利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对所述中心节点得到的数据进行存储,包括:
将各个接收节点接收的测量数据进行联合,构建联合压缩测量矩阵,即:
其中,为联合压缩测量矩阵,Ψi为第i个接收节点的压缩测量矩阵;
则中心节点得到的数据S为:
其中,为信道信息矩阵,Θ=[θ(k1),θ(k2),…,θ(K)]T表示从时刻k1到时刻K的具有结构化稀疏特征的待恢复信号,θ(k)表示时刻k的频谱功率向量;
将所述中心节点得到的数据S存储为一个Np×K的矩阵,其中,Np表示采样点数,K表示时刻数;
所述基于所述联合压缩测量矩阵以及所述中心节点得到的数据,确定扫频干扰所在的位置索引,包括:
针对全时空域宽带频谱空间的恢复,构建一个压缩感知模型,即:
其中,Θ表示从时刻k1到时刻K的待恢复信号,为联合压缩测量矩阵,/>为信道信息矩阵,S为中心节点得到的数据,ε为干扰容限;
考虑一个扫频干扰,所述扫频干扰的扫频周期为T,在采样时刻k1时位于g,即频谱功率向量θ(k1)的第g行存在非零元素,则在采样时刻i的位置gi为:
gi=mod(g+mod(i-1,T),NTNb),i=1,2,...,K
其中,NT为虚拟发射源的数量,Nb为频谱功率向量θ(k1)的长度;·
对于扫描周期为T的扫频干扰,利用待恢复信号的结构化稀疏特征确定位置g为:
其中,ri表示第i时刻的残差,Φ(:,gi)表示感知矩阵Φ的第gi列,‖·‖2表示矩阵的2范数;
根据位置g得到位置索引后,根据所述扫频干扰的特征计算每个时刻的干扰位置,并根据所述干扰位置计算干扰的大小,并更新残差:
式中,Si表示中心节点得到的数据S的第i列,表示矩阵的伪逆;
最终得到扫频干扰所在位置g构成的支撑集索引,记为对应于时刻k1到K。
2.根据权利要求1所述的在扫频干扰下的全时空域宽带频谱空间构建方法,其特征在于,所述基于虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化成虚拟格点对接收节点的影响,包括:
在虚拟节点网络模型中,第t个虚拟格点在频率f上的功率谱密度表示为:
其中,bm(f)为功率谱的基函数,θtm为对应基函数的系数,考虑有Nr个用户接收节点,在接收节点r处接收到的含噪声σrf的功率谱表示为:
其中,Nt为虚拟格点的数量,Pt(f)用于表示第t个虚拟主用户的功率谱,γtr为第t个虚拟主用户到第r个次级用户处的信道频响期望,br(f)包含信道信息,θ为频谱功率。
3.根据权利要求1所述的在扫频干扰下的全时空域宽带频谱空间构建方法,其特征在于,所述根据所述扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引,包括:
在根据所述扫频干扰所在的位置索引去除扫频干扰后,采用同时正交匹配追踪求解当前环境中的频谱信息所在的位置索引,包括:
利用贪婪算法确定当前环境中频谱信息所占用频谱的位置索引
其中,表示减去扫频干扰后的残差,/>表示感知矩阵Φ的第/>列,‖·‖2表示矩阵的2范数,NT为虚拟发射源的数量,Nb为频谱功率向量θ(k1)的长度;
最终得到当前环境中频谱信息所在位置索引构成的支撑集索引,记为ΩC。
4.根据权利要求1所述的在扫频干扰下的全时空域宽带频谱空间构建方法,其特征在于,所述结合所述扫频干扰所在的位置索引以及所述当前环境中的频谱信息所在的位置索引,恢复完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建,包括:
结合扫频干扰所在的位置索引以及当前环境中的频谱信息所在的位置索引,确定各个时刻的完整的支撑集Ωi为:
其中,为扫频干扰所在位置的支撑集索引,ΩC为当前环境中频谱信息所在位置的支撑集索引,K表示时刻数;
构建完整的全时空域的宽带频谱信息为:
其中,Φ表示感知矩阵,Si表示中心节点得到的数据S的第i列。
5.一种在扫频干扰下的全时空域宽带频谱空间构建系统,其特征在于,包括:
虚拟节点网络模块,该模块基于虚拟节点网络模型,将真实的物理区域划分成多个虚拟格点,将真实发射节点对接收节点的影响转化为虚拟格点对接收节点的影响;
构造模块,该模块基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得所述感知矩阵满足约束等距性条件,用于获得更优的频谱空间构建性能;
存储模块,该模块基于所述压缩测量矩阵,利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对所述中心节点得到的数据进行存储;
估计模块,该模块基于所述压缩测量矩阵以及所述中心节点得到的数据,利用压缩感知算法确定扫频干扰所在的位置索引;根据所述扫频干扰所在的位置索引去除扫频干扰,并确定当前环境中的频谱信息所在的位置索引;
恢复模块,该模块结合所述扫频干扰所在的位置索引以及所述当前环境中的频谱信息所在的位置索引,构建完整的全时空域的宽带频谱信息,完成在扫频干扰下的全时空域宽带频谱空间构建;
所述基于已知的信道信息,构建压缩测量矩阵,并计算感知矩阵,使得所述感知矩阵满足约束等距性条件,用于获得更优的频谱空间构建性能,包括:
定义并/>对进行奇异值分解,得到/>其中,/>为信道能量的矩阵,/>为信道信息矩阵,Ub为酉矩阵,∑b为包含奇异值的对角矩阵,上标H表示矩阵的共轭转置;
构建对角矩阵Σ,所述对角矩阵Σ的对角元素满足其中,si为对角矩阵Σ的对角元素,sb,i为矩阵Σb的对角元素;
构建压缩测量矩阵Ψ为:其中,U为任意酉矩阵;
利用所述信道信息矩阵和所述压缩测量矩阵,计算得到感知矩阵Φ为:
将约束等距性条件等效转化为最小化感知矩阵的最大列相关值为:
其中,μ(Φ)为感知矩阵的最大列相关值,Φ(:,i)为感知矩阵Φ的第i列,Φ(:,j)为感知矩阵Φ的第j列,下标F表示矩阵的Frobenius范数;
感知矩阵的列相关值越小,频谱空间构建的性能就越好,因此,将感知矩阵的优化问题等效转化为:
min||ΦHΦ-I||F
其中,I为单位矩阵;
所述基于所述压缩测量矩阵,构建联合压缩测量矩阵,并利用频谱占用的稀疏性,将各个接收节点接收的测量数据传送到中心节点,并以数据矩阵的形式对所述中心节点得到的数据进行存储,包括:
将各个接收节点接收的测量数据进行联合,构建联合压缩测量矩阵,即:
其中,为联合压缩测量矩阵,Ψi为第i个接收节点的压缩测量矩阵;
则中心节点得到的数据S为:
其中,为信道信息矩阵,Θ=[θ(k1),θ(k2),…,θ(K)]T表示从时刻k1到时刻K的具有结构化稀疏特征的待恢复信号,θ(k)表示时刻k的频谱功率向量;
将所述中心节点得到的数据S存储为一个Np×K的矩阵,其中,Np表示采样点数,K表示时刻数;
所述基于所述联合压缩测量矩阵以及所述中心节点得到的数据,确定扫频干扰所在的位置索引,包括:
针对全时空域宽带频谱空间的恢复,构建一个压缩感知模型,即:
其中,Θ表示从时刻k1到时刻K的待恢复信号,为联合压缩测量矩阵,/>为信道信息矩阵,S为中心节点得到的数据,ε为干扰容限;
考虑一个扫频干扰,所述扫频干扰的扫频周期为T,在采样时刻k1时位于g,即频谱功率向量θ(k1)的第g行存在非零元素,则在采样时刻i的位置gi为:
gi=mod(g+mod(i-1,T),NTNb),i=1,2,...,K
其中,NT为虚拟发射源的数量,Nb为频谱功率向量θ(k1)的长度;·
对于扫描周期为T的扫频干扰,利用待恢复信号的结构化稀疏特征确定位置g为:
其中,ri表示第i时刻的残差,Φ(:,gi)表示感知矩阵Φ的第gi列,‖·‖2表示矩阵的2范数;
根据位置g得到位置索引后,根据所述扫频干扰的特征计算每个时刻的干扰位置,并根据所述干扰位置计算干扰的大小,并更新残差:
式中,Si表示中心节点得到的数据S的第i列,表示矩阵的伪逆;
最终得到扫频干扰所在位置g构成的支撑集索引,记为对应于时刻k1到K。
6.一种终端,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可用于执行权利要求1-4中任一项所述的方法,或,运行权利要求5所述的系统。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时可用于执行权利要求1-4中任一项所述的方法,或,运行权利要求5所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766425.8A CN115190029B (zh) | 2022-06-30 | 2022-06-30 | 在扫频干扰下的全时空域宽带频谱空间构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766425.8A CN115190029B (zh) | 2022-06-30 | 2022-06-30 | 在扫频干扰下的全时空域宽带频谱空间构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115190029A CN115190029A (zh) | 2022-10-14 |
CN115190029B true CN115190029B (zh) | 2024-01-19 |
Family
ID=83515833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210766425.8A Active CN115190029B (zh) | 2022-06-30 | 2022-06-30 | 在扫频干扰下的全时空域宽带频谱空间构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115190029B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102291341A (zh) * | 2011-07-08 | 2011-12-21 | 南京邮电大学 | 基于压缩感知的宽带频谱感知方法 |
CN103051403A (zh) * | 2013-01-29 | 2013-04-17 | 哈尔滨工业大学 | 基于多个mwc分布式亚奈奎斯特采样联合重构的频谱感知方法 |
CN103983850A (zh) * | 2014-05-13 | 2014-08-13 | 天津大学 | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 |
CN108847909A (zh) * | 2018-06-14 | 2018-11-20 | 电子科技大学 | 一种基于压缩感知的宽带块稀疏频谱恢复方法 |
CN109379745A (zh) * | 2018-09-20 | 2019-02-22 | 南京邮电大学 | 一种面向5g的多用户协作频谱感知策略研究方法 |
CN110646805A (zh) * | 2019-09-04 | 2020-01-03 | 宁波核芯光电科技有限公司 | 一种基于虚拟扫频光源的调频连续波激光测距系统 |
CN111189642A (zh) * | 2020-02-20 | 2020-05-22 | 重庆大学 | 用于模拟和恢复叶盘系统振动特性测量欠采样信号的装置 |
CN114244458A (zh) * | 2021-11-16 | 2022-03-25 | 中国科学院上海微系统与信息技术研究所 | 一种亚奈奎斯特采样前端的全盲频谱感知方法 |
-
2022
- 2022-06-30 CN CN202210766425.8A patent/CN115190029B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102291341A (zh) * | 2011-07-08 | 2011-12-21 | 南京邮电大学 | 基于压缩感知的宽带频谱感知方法 |
CN103051403A (zh) * | 2013-01-29 | 2013-04-17 | 哈尔滨工业大学 | 基于多个mwc分布式亚奈奎斯特采样联合重构的频谱感知方法 |
CN103983850A (zh) * | 2014-05-13 | 2014-08-13 | 天津大学 | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 |
CN108847909A (zh) * | 2018-06-14 | 2018-11-20 | 电子科技大学 | 一种基于压缩感知的宽带块稀疏频谱恢复方法 |
CN109379745A (zh) * | 2018-09-20 | 2019-02-22 | 南京邮电大学 | 一种面向5g的多用户协作频谱感知策略研究方法 |
CN110646805A (zh) * | 2019-09-04 | 2020-01-03 | 宁波核芯光电科技有限公司 | 一种基于虚拟扫频光源的调频连续波激光测距系统 |
CN111189642A (zh) * | 2020-02-20 | 2020-05-22 | 重庆大学 | 用于模拟和恢复叶盘系统振动特性测量欠采样信号的装置 |
CN114244458A (zh) * | 2021-11-16 | 2022-03-25 | 中国科学院上海微系统与信息技术研究所 | 一种亚奈奎斯特采样前端的全盲频谱感知方法 |
Non-Patent Citations (2)
Title |
---|
基于目标物理特征和压缩感知的地雷目标鉴别方法;王鹏宇;宋千;周智敏;;电子与信息学报(08);全文 * |
宽频段压缩频谱检测应用研究;马永华;;中国新通信(13);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115190029A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817465A (zh) | 超高斯噪声背景下的基于无网格压缩感知的doa估计方法 | |
CN105824002B (zh) | 基于嵌套式子阵阵列的波达方向估计方法 | |
CN102833020B (zh) | 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 | |
CN111707985A (zh) | 基于协方差矩阵重构的off-grid DOA估计方法 | |
CN102882530B (zh) | 一种压缩感知信号重构方法 | |
CN111046737B (zh) | 一种用于微地震信号检测的高效智能感知采集方法 | |
CN108802705A (zh) | 一种基于稀疏的空时自适应处理方法及系统 | |
CN114624646B (zh) | 一种基于模型驱动复数神经网络的doa估计方法 | |
Pegram et al. | Downscaling Regional Circulation Model rainfall to gauge sites using recorrelation and circulation pattern dependent quantile–quantile transforms for quantifying climate change | |
CN102914774B (zh) | 一种综合孔径辐射计图像反演方法 | |
CN110954860B (zh) | 一种doa和极化参数估计方法 | |
CN113655444B (zh) | 一种阵元失效下基于重加权先验的mimo雷达doa估计方法 | |
CN115190029B (zh) | 在扫频干扰下的全时空域宽带频谱空间构建方法及系统 | |
CN114765855A (zh) | 位置估计 | |
CN111683390B (zh) | 上行干扰识别的方法、装置及系统 | |
Yun et al. | A pseudoproxy assessment of why climate field reconstruction methods perform the way they do in time and space | |
Guhaniyogi et al. | Large multi-scale spatial modeling using tree shrinkage priors | |
CN115587281A (zh) | 基于因子矩阵先验的阵元失效mimo雷达角度估计方法 | |
Liu et al. | HTR-CTO algorithm for wireless data recovery | |
CN114036984B (zh) | 一种基于tuckals3算法的高维频谱数据降噪方法 | |
CN117650861B (zh) | 无线环境预测方法和装置、电子设备及存储介质 | |
Chen et al. | A novel noncircular fourth-order DOA estimation algorithm exploiting the difference and sum co-array concept | |
CN115731378B (zh) | 一种基于大数据技术的干涉阵列极化效应消除方法 | |
US20210152277A1 (en) | Electronic device and method for selecting representation matrix and measurement matrix used for compressing data based on machine learning | |
CN114332607B (zh) | 针对多帧图像光谱字典构建的增量学习方法和系统 |
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 |