CN116366187A - 一种基于特征值矩比的双门限频谱感知方法 - Google Patents

一种基于特征值矩比的双门限频谱感知方法 Download PDF

Info

Publication number
CN116366187A
CN116366187A CN202310301620.8A CN202310301620A CN116366187A CN 116366187 A CN116366187 A CN 116366187A CN 202310301620 A CN202310301620 A CN 202310301620A CN 116366187 A CN116366187 A CN 116366187A
Authority
CN
China
Prior art keywords
threshold
emr
spectrum sensing
energy
lambda
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.)
Pending
Application number
CN202310301620.8A
Other languages
English (en)
Inventor
李里
李永芯
王艳艳
唐小虎
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202310301620.8A priority Critical patent/CN116366187A/zh
Publication of CN116366187A publication Critical patent/CN116366187A/zh
Pending legal-status Critical Current

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • 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)
  • Spectroscopy & Molecular Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于特征值矩比的双门限频谱感知方法，具体为：各次用户对接收到的信号利用能量检测方法进行第一层频谱感知，对处于双门限外的能量值作出判决，并将判决结果发送给融合中心；然后对于能量检测统计量处于模糊区间的信号使用特征值矩比感知方法进行第二层频谱感知，第二层感知是针对能量处于模糊区间的接收信号，利用特征值矩比感知方法作出判决，并将判决结果发送给融合中心；最后融合中心根据次用户的感知结果使用“or”融合方法进行融合并作出最终的判决。本发明可以提高双门限能量频谱感知方法的检测概率，从而保证主用户通信质量以及提高对频谱资源的利用率。

Description

一种基于特征值矩比的双门限频谱感知方法
技术领域
本发明属于认知无线电领域。尤其涉及一种基于特征值矩比的双门限频谱感知方法。
背景技术
近年来，随着无线通信技术的发展，原有的固定频谱分配策略已不能满足我们对于频谱资源的需求，频谱资源短缺问题越来越突出。频谱感知技术能够有效提高频谱利用率，缓解频谱资源短缺问题，其核心思想是次用户对某一频段的主用户信号进行感知，如果感知到主用户信号存在，则次用户不接入该频段通信，避免对主用户通信造成干扰，如果未感知到主用户信号存在，则次用户利用该频段进行通信，提高频谱利用率。
经典频谱感知算法有能量检测算法、匹配滤波器算法、循环特征检测算法，其中能量检测算法凭借复杂度低、不需要主用户信号的先验信息等优势，成为了当前应用最广泛的频谱感知算法。但是能量检测算法也具有明显的劣势，一方面由于只存在一个判决门限，容易使检测统计量位于判决门限附近的次用户误判，另一方面能量检测算法判决门限与噪声方差有关，如果次用户的噪声存在不确定度，那么将会影响感知的准确度。
针对能量检测算法的不足，有学者提出了双门限频谱感知算法，该算法根据噪声不确定度设置双门限，将位于双门限外的能量值进行第一层频谱感知，减少对处于门限值附近能量的误判。对于双门限频谱感知算法的第二层感知，有学者提出了差分能量检测、证据理论频谱感知等方法，但这些方法对于噪声不确定度比较敏感。
发明内容
针对上述问题，本发明提供一种基于特征值矩比的双门限频谱感知方法。
本发明的一种基于特征值矩比的双门限频谱感知方法，包括以下步骤：
步骤1：L个次用户根据噪声不确定度Δ和给定的第一层感知虚警概率Pf1计算双门限频谱感知的两个门限λL和λH；
Figure BDA0004145259010000011
Figure BDA0004145259010000012
其中，
Figure BDA0004145259010000013
M是次用户的天线数，K是采样数，/>
Figure BDA0004145259010000014
是噪声方差，ρ＝10(Δ/10)。
步骤2：L个次用户对接收到的信号进行K次采样，并计算各采样信号的能量TED。
Figure BDA0004145259010000021
其中，X是次用户接收到的信号，k表示对接收信号的第k次采样，i表示次用户的第i根天线。
步骤3：各次用户将计算得到的能量检测统计量TED与门限λL、λH比较，如果TED＞λH，表明该次用户检测到主用户信号存在，判决结果为“1”，如果TED＜λH，表明该次用户未检测到主用户信号存在，判决结果为“0”，如果λL≤TED≤λH，则进行步骤4。
步骤4：对于能量检测统计量TED处于[λL,λH]的采样信号，首先计算采样信号的协方差矩阵R；计算公式为：
R＝(1/K)XXH (4)
其中，(·)H表示矩阵的共轭转置。
然后根据协方差矩阵R构建特征值矩比感知方法的检测统计量TEMR，其公式为：
Figure BDA0004145259010000022
其中，
Figure BDA0004145259010000023
表示特征值的一阶矩，/>
Figure BDA0004145259010000024
表示特征值的二阶矩，||·||F表示F范数，tr(·)表示矩阵的迹。
最后利用给定的第二层感知虚警概率Pf2计算特征值矩比感知方法的判决门限λEMR：
Figure BDA0004145259010000025
其中，c＝M/K。
步骤5：将步骤4中计算得到的检测统计量TEMR与判决门限λEMR进行比较，如果TEMR＞λEMR，表明该次用户检测到主用户信号存在，判决结果为“1”，如果TEMR＜λEMR，表明该次用户未检测到主用户信号存在，判决结果为“0”。
步骤6：L个次用户将感知结果上传到融合中心，融合中心使用“or”准则将接收到的L个感知结果进行融合并给出最终判决结果。
本发明的有益技术效果为：
本发明将双门限能量频谱感知方法与特征值矩比频谱感知方法相结合，第一层感知使用能量检测频谱感知方法，对处于双门限外的能量值作出判决，并将判决结果发送给融合中心，第二层感知是针对能量处于模糊区间的接收信号，利用特征值矩比感知方法作出判决，并将判决结果发送给融合中心，最后融合中心根据接收到的判决结果利用“or”准则作出最终的判决。第一层频谱感知使用传统能量检测方法保留了传统双门限能量频谱感知复杂度低的优势，第二层感知使用的是特征值矩比感知方法，其检测统计量的构建和判决门限的计算都与噪声方差无关，因此与其他方法相比可以更好地减少噪声不确定度带来的不利影响。总的来说，本发明所提出的方法与所有次用户都使用特征值矩比方法的复杂度低，同时与传统双门限频谱感知算法、基于差分能量的双门限频谱感知算法相比有更高的检测概率，特别是在次用户存在噪声不确定的情况下，本发明检测性能更优越。
附图说明
图1为本发明基于特征值矩比的双门限频谱感知方法的处理流程示意图。
图2为单用户检测时，本发明与基于差分能量的双门限频谱感知算法的检测性能比较。
图3为改变次用户的天线数量，本发明与基于差分能量的双门限频谱感知算法的检测性能对比。
图4为本发明算法与传统双门限能量频谱感知算法、基于差分能量的双门限频谱感知算法在不同噪声不确定度下的检测概率对比图。
图5为各次用户噪声不确定度互不相同时，本发明与传统双门限能量频谱感知算法、基于差分能量的双门限频谱感知算法的检测概率仿真对比图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于特征值矩比的双门限频谱感知方法，其核心思想是各次用户对接收到的信号利用能量检测方法进行第一层频谱感知，然后对于能量检测统计量处于模糊区间的信号使用特征值矩比感知方法进行第二层频谱感知。最后融合中心根据次用户的感知结果使用“or”融合方法进行融合并作出最终的判决。其流程如图1所示，具体为：
步骤1：L个次用户根据噪声不确定度Δ和给定的第一层感知虚警概率Pf1计算双门限频谱感知的两个门限λL和λH；
Figure BDA0004145259010000041
Figure BDA0004145259010000042
其中，
Figure BDA0004145259010000043
M是次用户的天线数，K是采样数，/>
Figure BDA0004145259010000044
是噪声方差，ρ＝10(Δ/10)。
步骤2：L个次用户对接收到的信号进行K次采样，并计算各采样信号的能量TED。
Figure BDA0004145259010000045
其中，X是次用户接收到的信号，k表示对接收信号的第k次采样，i表示次用户的第i根天线。
步骤3：各次用户将计算得到的能量检测统计量TED与门限λL、λH比较，如果TED＞λH，表明该次用户检测到主用户信号存在，判决结果为“1”，如果TED＜λH，表明该次用户未检测到主用户信号存在，判决结果为“0”，如果λL≤TED≤λH，则进行步骤4。
步骤4：对于能量检测统计量TED处于[λL,λH]的采样信号，首先计算采样信号的协方差矩阵R；计算公式为：
R＝(1/K)XXH (4)
其中，(·)H表示矩阵的共轭转置。
然后根据协方差矩阵R构建特征值矩比感知方法的检测统计量TEMR，其公式为：
Figure BDA0004145259010000046
其中，
Figure BDA0004145259010000047
表示特征值的一阶矩，/>
Figure BDA0004145259010000048
表示特征值的二阶矩，||·||F表示F范数，tr(·)表示矩阵的迹。
最后利用给定的第二层感知虚警概率Pf2计算特征值矩比感知方法的判决门限λEMR：
Figure BDA0004145259010000051
其中，c＝M/K。
步骤5：将步骤4中计算得到的检测统计量TEMR与判决门限λEMR进行比较，如果TEMR＞λEMR，表明该次用户检测到主用户信号存在，判决结果为“1”，如果TEMR＜λEMR，表明该次用户未检测到主用户信号存在，判决结果为“0”。
步骤6：L个次用户将感知结果上传到融合中心，融合中心使用“or”准则将接收到的L个感知结果进行融合并给出最终判决结果。
仿真实验：
本发明在单用户检测时，与基于差分能量的双门限频谱感知算法的检测性能比较(如图2所示)。
仿真参数设置为：次用户天线数M＝24，次用户的信噪比SNR＝-15dB，第一层感知虚警概率Pf1＝[0:0.1:0.9]，第二层感知虚警概率Pf2＝[0:0.1:0.9]，噪声不确定度为Δ＝0.1dB，作图以全局虚警概率Pf为横坐标。在图2中，虽然随着全局虚警概率增加，基于差分能量的双门限频谱感知算法的检测概率会高于本发明，但根据IEEE802.22标准，全局虚警概率取值应为Pf＝0.01～0.1，从仿真结果可知，当Pf＝0.01～0.1时，本发明所提方法的检测性能优于基于差分能量的双门限频谱感知算法，所以本发明所提方法更具优势。
本发明在改变次用户的天线数量，与基于差分能量的双门限频谱感知算法的检测性能对比(如图3所示)。
仿真参数设置为：次用户个数L＝5，次用户天线数分别为M＝6,8,10，噪声不确定度为Δ＝0.1dB，第一层感知的虚警概率Pf1＝0.05，第二层感知的虚警概率Pf2＝0.05，次用户1、2、3、4的信噪比分别为-20dB、-18dB、-16dB、-16dB，改变次用户5的信噪比作为仿真图的横坐标。从图3可以看出，当次用户增加相同的天线数量时，本发明所提方法比基于差分能量的双门限频谱感知方法提升的检测概率要大。以次用户5的信噪比为-16dB为例，当天线数从6增加到8时，本文所提算法检测概率提高了7％，而基于差分能量的双门限频谱感知算法检测概率仅提高了不到2％。本发明所提算法能够在天线数目较低时获得更高的检测概率。
本发明与传统双门限能量频谱感知算法、基于差分能量的双门限频谱感知算法在不同噪声不确定度下的检测概率对比(如图4所示)。
仿真参数设置为：次用户个数L＝5，次用户天线数M＝24，噪声不确定度分别为Δ＝0.05dB、0.1dB，第一层感知虚警概率Pf1＝0.05，第二层感知虚警概率Pf2＝0.05，次用户1、2、3、4的信噪比分别为-20dB、-18dB、-16dB、-16dB，改变次用户5的信噪比作为仿真图横坐标。从图4中可以看到，本发明相比于传统双门限能量频谱感知算法、基于差分能量的双门限频谱感知算法，受噪声不确定度的不利影响更小，在相同条件下的检测概率更高。本发明算法在噪声不确定度Δ＝0.1dB时的检测概率略高于Δ＝0.05dB是因为随着噪声不确定度的增大，在第一层频谱感知时能量值落在模糊区间的次用户数增多，而它们使用特征值矩比感知方法可以得到更高的检测概率。
本发明在各次用户噪声不确定度互不相同时，与传统双门限能量频谱感知算法、基于差分能量的双门限频谱感知算法的检测概率仿真对比(如图5所示)。
仿真参数设置为：次用户个数L＝5，次用户天线数M＝6，各次用户的噪声不确定度分别为Δ1＝0.1dB、Δ2＝0.12dB、Δ3＝0.14dB、Δ4＝0.16dB、Δ5＝0.18dB，第一层感知虚警概率Pf1＝0.05，第二层感知的虚警概率Pf2＝0.05，次用户1、2、3、4的信噪声比均为-16dB为，改变次用户5的信噪比作为仿真图的横坐标。从图5中可以看到，当所有次用户的信噪比都较低时，本文算法的检测概率明显高于基于差分能量的双门限频谱感知算法。具体的，次用户5的信噪比为-16dB时，本文算法的检测概率达到了21％，而基于差分能量的双门限频谱感知算法的检测概率仅为7％，本文算法在低信噪比时具有更高的检测概率。

Claims (1)

1.一种基于特征值矩比的双门限频谱感知方法，其特征在于，包括以下步骤：
步骤1：L个次用户根据噪声不确定度Δ和给定的第一层感知虚警概率Pf1计算双门限频谱感知的两个门限λL和λH；
Figure FDA0004145259000000011
Figure FDA0004145259000000012
其中，
Figure FDA0004145259000000013
M是次用户的天线数，K是采样数，/>
Figure FDA0004145259000000014
是噪声方差，ρ＝10(Δ/10)；
步骤2：L个次用户对接收到的信号进行K次采样，并计算各采样信号的能量TED：
Figure FDA0004145259000000015
其中，X是次用户接收到的信号，k表示对接收信号的第k次采样，i表示次用户的第i根天线；
步骤3：各次用户将计算得到的能量检测统计量TED与门限λL、λH比较，如果TED＞λH，表明该次用户检测到主用户信号存在，判决结果为“1”，如果TED＜λH，表明该次用户未检测到主用户信号存在，判决结果为“0”，如果λL≤TED≤λH，则进行步骤4；
步骤4：对于能量检测统计量TED处于[λL,λH]的采样信号，首先计算采样信号的协方差矩阵R；计算公式为：
R＝(1/K)XXH (4)
其中，(·)H表示矩阵的共轭转置；
然后根据协方差矩阵R构建特征值矩比感知方法的检测统计量TEMR，其公式为：
Figure FDA0004145259000000016
其中，
Figure FDA0004145259000000017
表示特征值的一阶矩，/>
Figure FDA0004145259000000018
表示特征值的二阶矩，||·||F表示F范数，tr(·)表示矩阵的迹；
最后利用给定的第二层感知虚警概率Pf2计算特征值矩比感知方法的判决门限λEMR：
Figure FDA0004145259000000021
其中，c＝M/K；
步骤5：将步骤4中计算得到的检测统计量TEMR与判决门限λEMR进行比较，如果TEMR＞λEMR，表明该次用户检测到主用户信号存在，判决结果为“1”，如果TEMR＜λEMR，表明该次用户未检测到主用户信号存在，判决结果为“0”；
步骤6：L个次用户将感知结果上传到融合中心，融合中心使用“or”准则将接收到的L个感知结果进行融合并给出最终判决结果。
CN202310301620.8A 2023-03-27 2023-03-27 一种基于特征值矩比的双门限频谱感知方法 Pending CN116366187A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310301620.8A CN116366187A (zh) 2023-03-27 2023-03-27 一种基于特征值矩比的双门限频谱感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310301620.8A CN116366187A (zh) 2023-03-27 2023-03-27 一种基于特征值矩比的双门限频谱感知方法

Publications (1)

Publication Number Publication Date
CN116366187A true CN116366187A (zh) 2023-06-30

Family

ID=86917131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310301620.8A Pending CN116366187A (zh) 2023-03-27 2023-03-27 一种基于特征值矩比的双门限频谱感知方法

Country Status (1)

Country Link
CN (1) CN116366187A (zh)

Similar Documents

Publication Publication Date Title
CN113595664B (zh) 一种基于深度学习的多用户宽带通信系统的频谱感知方法
CN102324959B (zh) 一种基于多天线系统协方差矩阵的频谱感知方法
CN101615926B (zh) 认知无线电中的异步协同频谱感知方法
CN108322277B (zh) 一种基于协方差矩阵反特征值的频谱感知方法
CN107370521A (zh) 一种认知无线电多用户协作频谱感知方法
CN109274438B (zh) 一种自适应双门限协同干扰检测方法及装置
CN107276696A (zh) 一种低信噪比条件下信号检测算法
CN104079359B (zh) 一种认知无线网络中协作频谱感知门限优化方法
CN110740006A (zh) 一种优化的物联网多频段协作频谱感知方法
CN109600181B (zh) 一种用于多天线的频谱感知方法
CN110649982A (zh) 基于次用户节点选择的双阈值能量检测方法
CN106788817A (zh) 一种基于贝叶斯准则和能量检测法的频谱感知方法
CN111934797B (zh) 基于协方差特征值和均值漂移聚类的协作频谱感知方法
CN106972900B (zh) 基于广义t2统计量的盲频谱感知方法
CN116366187A (zh) 一种基于特征值矩比的双门限频谱感知方法
CN110139283B (zh) 基于双门限能量检测的认知车联网协作频谱感知方法
CN112260777B (zh) 一种基于序贯检测的特征值频谱感知方法
CN111740795B (zh) 一种基于次用户历史判决的双阈值协作感知方法
CN110138478B (zh) 一种用于非圆信号的多天线频谱感知方法
Abdullah et al. Improvement of energy consumption in spectrum sensing cognitive radio networks using an efficient two stage sensing method
CN111313990A (zh) 基于信号实时似然比的频谱感知方法
Mu [Retracted] Research and Application of Computer Collaborative Spectrum Sensing Guided by Radio Technology
CN111542068B (zh) 一种面向认知网络模拟主用户攻击的协同感知优化方法
CN115085833A (zh) 一种面向多天线的两步协作窄带频谱检测方法
CN102324989B (zh) 一种分簇式频谱感知方法

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