CN117796007A - 共享频谱带中的发送器检测 - Google Patents
共享频谱带中的发送器检测 Download PDFInfo
- Publication number
- CN117796007A CN117796007A CN202180100942.5A CN202180100942A CN117796007A CN 117796007 A CN117796007 A CN 117796007A CN 202180100942 A CN202180100942 A CN 202180100942A CN 117796007 A CN117796007 A CN 117796007A
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- radar signal
- radar
- band
- time slots
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 185
- 238000001514 detection method Methods 0.000 title claims description 76
- 230000003595 spectral effect Effects 0.000 claims abstract description 176
- 230000015654 memory Effects 0.000 claims abstract description 95
- 238000004590 computer program Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims description 144
- 238000012549 training Methods 0.000 claims description 67
- 230000007613 environmental effect Effects 0.000 claims description 51
- 230000015572 biosynthetic process Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 34
- 238000010276 construction Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 20
- 239000000654 additive Substances 0.000 claims description 18
- 230000000996 additive effect Effects 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 description 29
- 230000006870 function Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 17
- 238000013461 design Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 102100022734 Acyl carrier protein, mitochondrial Human genes 0.000 description 1
- 101000948583 Bacillus subtilis (strain 168) GTP pyrophosphokinase YjbM Proteins 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 101100411591 Dictyostelium discoideum rab8B gene Proteins 0.000 description 1
- 101000678845 Homo sapiens Acyl carrier protein, mitochondrial Proteins 0.000 description 1
- 101100148749 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SAS2 gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0006—Assessment of spectral gaps suitable for allocating digitally modulated signals, e.g. for carrier allocation in cognitive radio
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种装置包括一个处理器和包括计算机程序代码的一个存储器,该计算机程序代码用于:生成与至少一个雷达/非雷达信号相对应的至少一个样本;使用样本的时域和频域特性形成至少一个谱图;其中谱图是经由将样本的观察窗口细分为给定持续时间的时隙、计算相对于其他时隙具有较高确定能量的时隙的子集的功率谱密度以及组合子集的一个或多个计算的功率谱密度而形成的;将谱图传递到模型以检测雷达信号的存在并且将雷达信号分类为干扰/噪声或雷达存在,并且估计检测到的雷达信号的带宽;以及基于估计带宽来确定雷达信号相对于共享频谱带是在带内还是在带外。
Description
政府支持声明
本发明是在美国国家科学基金会(US NSF)授予的CNS 1563928号拨款的政府支持下进行的。政府对这项发明拥有某些权利。
技术领域
示例和非限制性实施例总体上涉及通信,并且更具体地涉及针对共享频谱带的环境感测能力传感器设计的特定情况而实例化的基于深度学习的发送器检测能力。
背景技术
已知在通信网络中分配频谱接入。
发明内容
根据一个示例方面,提供了一种装置,该装置包括至少一个处理器;以及包括计算机程序代码的至少一个存储器;该至少一个存储器和计算机程序代码被配置为与该至少一个处理器一起,使该装置至少执行:生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;使用至少一个样本的时域和频域特性形成至少一个谱图;其中至少一个谱图是作为以下各项的结果而形成的:将至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合子集的一个或多个计算的功率谱密度;将至少一个谱图传递到模型,以检测至少一个雷达信号的存在、并且进一步将至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的至少一个雷达信号的带宽;以及基于至少一个雷达信号的估计带宽来确定至少一个雷达信号相对于共享频谱带是在带内还是在带外。
根据一个示例方面,提供了一种装置,该装置包括用于执行以下各项的部件:生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;使用至少一个样本的时域和频域特性形成至少一个谱图;其中至少一个谱图是作为以下各项的结果而形成的:将至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合子集的一个或多个计算的功率谱密度;将至少一个谱图传递到模型,以检测至少一个雷达信号的存在、并且进一步将至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的至少一个雷达信号的带宽;以及基于至少一个雷达信号的估计带宽来确定至少一个雷达信号相对于共享频谱带是在带内还是在带外。
根据一个示例方面,提供了一种方法,该方法包括:生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;使用至少一个样本的时域和频域特性形成至少一个谱图;其中至少一个谱图是作为以下各项的结果而形成的:将至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合子集的一个或多个计算的功率谱密度;将至少一个谱图传递到模型,以检测至少一个雷达信号的存在、并且进一步将至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的至少一个雷达信号的带宽;以及基于至少一个雷达信号的估计带宽来确定至少一个雷达信号相对于共享频谱带是在带内还是在带外。
根据一个示例方面,提供了一种计算机可读介质,该计算机可读介质包括用于使装置执行至少以下各项的程序指令:生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;使用至少一个样本的时域和频域特性形成至少一个谱图;其中至少一个谱图是作为以下各项的结果而形成的:将至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合子集的一个或多个计算的功率谱密度;将至少一个谱图传递到模型,以检测至少一个雷达信号的存在、并且进一步将至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的至少一个雷达信号的带宽;以及基于至少一个雷达信号的估计带宽来确定至少一个雷达信号相对于共享频谱带是在带内还是在带外。
附图说明
在结合附图进行的以下描述中解释了上述方面和其他特征。
图1是可以在其中实践示例实施例的一个可能的非限制性系统的框图。
图2示出了美国3.5GHz公民宽带无线电服务(CBRS)分层接入及其在无线网络中的实现的E2E架构。
图3示出了提供CBRS共享频谱的各种构建块的控制器(SC)。
图4是所描述的深度雷达方法的流程图。
图5示出了SIL中的对象检测。
图6示出了所描述的深度雷达方法的过程级并行化。
图7是基于本文中描述的示例的被配置为实现用于3.5GHz CBRS频带的基于深度学习的环境感测能力传感器设计的示例装置。
图8是基于本文中描述的示例的用于实现用于3.5GHz CBRS频带的基于深度学习的环境感测能力传感器设计的方法。
具体实施方式
转向图1,图1示出了可以在其中实践示例的一个可能的非限制性的示例的框图。示出了用户设备(UE)110、无线电接入网(RAN)节点170和(多个)网络元件190。在图1的示例中,用户设备(UE)110与无线网络100进行无线通信。UE是可以接入无线网络100的无线设备。UE 110包括通过一个或多个总线127互连的一个或多个处理器120、一个或多个存储器125以及一个或多个收发器130。一个或多个收发器130中的每个包括接收器Rx 132和发送器Tx 133。一个或多个总线127可以是地址、数据或控制总线,并且可以包括任何互连机制,诸如主板或集成电路上的一系列线路、光纤或其他光通信设备等。一个或多个收发器130连接到一个或多个天线128。一个或多个存储器125包括计算机程序代码123。UE 110包括模块140,模块140包括部分140-1和/或140-2中的一者或两者,模块140可以以多种方式实现。模块140可以以硬件实现为模块140-1,诸如实现为一个或多个处理器120的一部分。模块140-1也可以实现为集成电路或通过诸如可编程门阵列等其他硬件实现。在另一示例中,模块140可以实现为模块140-2,模块140-2实现为计算机程序代码123并且由一个或多个处理器120执行。例如,一个或多个存储器125和计算机程序代码123可以被配置为与一个或多个处理器120一起,使用户设备110执行如本文中描述的操作中的一个或多个。UE 110经由无线链路111与RAN节点170通信。
在该示例中,RAN节点170是提供无线设备(诸如UE 110)对无线网络100的接入的基站。RAN节点170可以是例如用于5G的基站,也称为新无线电(NR)。在5G中,RAN节点170可以是NG-RAN节点,NG-RAN节点被定义为gNB或ng-eNB。gNB是提供朝向UE的NR用户平面和控制平面协议终止并且经由NG接口(诸如连接131)连接到5GC(例如,(多个)网络元件190)的节点。ng-eNB是提供朝向UE的E-UTRA用户平面和控制平面协议终止并且经由NG接口(诸如连接131)连接到5GC的节点。NG-RAN节点可以包括多个gNB,该多个gNB还可以包括中央单元(CU)(gNB-CU)196和(多个)分布式单元(DU)(gNB-DU),其中DU 195被示出。注意,DU 195可以包括或耦合到并且控制无线电单元(RU)。gNB-CU 196是托管gNB的无线电资源控制(RRC)、SDAP和PDCP协议、或者控制一个或多个gNB-DU的操作的en-gNB的RRC和PDCP协议的逻辑节点。gNB-CU 196终止与gNB-DU 195连接的F1接口。F1接口被示出为附图标记198,尽管附图标记198还示出了RAN节点170的远程元件与RAN节点170的集中式元件之间的链路,诸如gNB-CU 196与gNB-DU 195之间的链路。gNB-DU 195是托管gNB或en-gNB的RLC、MAC和PHY层的逻辑节点,并且其操作部分地由gNB-CU 196控制。一个gNB-CU 196支持一个或多个小区。一个小区可以用一个gNB-DU 195来支持,或者一个小区可以在RAN共享下用多个DU来支持/共享。gNB-DU 195终止与gNB-CU 196连接的F1接口198。注意,DU 195被认为包括收发器160,例如,作为RU的一部分,但是这方面的一些示例可以使收发器160作为单独RU的一部分,例如,在DU 195的控制下并且连接到DU 195。RAN节点170也可以是用于LTE(长期演进)的eNB(演进型NodeB)基站、或任何其他合适的基站或节点。
RAN节点170包括通过一个或多个总线157互连的一个或多个处理器152、一个或多个存储器155、一个或多个网络接口(N/W I/F)161、以及一个或多个收发器160。一个或多个收发器160中的每个包括接收器Rx 162和发送器Tx 163。一个或多个收发器160连接到一个或多个天线158。一个或多个存储器155包括计算机程序代码153。CU 196可以包括(多个)处理器152、(多个)存储器155和网络接口161。注意,DU 195也可以包括它自己的一个存储器/多个存储器和(多个)处理器、和/或其他硬件,但这些未示出。
RAN节点170包括模块150,模块150包括部分150-1和/或150-2中的一者或两者,模块150可以以多种方式实现。模块150可以以硬件实现为模块150-1,诸如实现为一个或多个处理器152的一部分。模块150-1也可以实现为集成电路或通过诸如可编程门阵列等其他硬件实现。在另一示例中,模块150可以实现为模块150-2,模块150-2实现为计算机程序代码153并且由一个或多个处理器152执行。例如,一个或多个存储器155和计算机程序代码153被配置为与一个或多个处理器152一起,使RAN节点170执行如本文中描述的操作中的一个或多个。注意,模块150的功能可以是分布式的,诸如分布在DU 195与CU 196之间,或者单独地在DU 195中实现。
一个或多个网络接口161通过网络进行通信,诸如经由链路176和131。两个或更多个gNB 170可以使用例如链路176进行通信。链路176可以是有线的或无线的或这两者,并且可以实现例如用于5G的Xn接口、用于LTE的X2接口或用于其他标准的其他合适的接口。
一个或多个总线157可以是地址、数据或控制总线,并且可以包括任何互连机制,诸如主板或集成电路上的一系列线路、光纤或其他光通信设备、无线信道等。例如,一个或多个收发器160可以实现为用于LTE的远程无线电头(RRH)195或用于5G的gNB实现的分布式单元(DU)195,其中RAN节点170的其他元件可能在物理上位于与RRH/DU 195不同的位置,并且一个或多个总线157可以部分地实现为例如光纤电缆或用于将RAN节点170的其他元件(例如,中央单元(CU)、gNB-CU 196)连接到RRH/DU 195的其他合适的网络连接。附图标记198还指示这些(多个)合适的网络链路。
注意,本文中的描述指示“小区”执行功能,但是应当清楚,形成小区的设备可以执行该功能。小区构成基站的一部分。即,每个基站可以有多个小区。例如,单个载波频率和相关带宽可以有三个小区,每个小区覆盖360度区域的三分之一,因此单个基站的覆盖区域覆盖近似椭圆形或圆形。此外,每个小区可以对应于单个载波并且基站可以使用多个载波。所以如果每个载波有3个120度小区,并且有2个载波,则基站总共有6个小区。
无线网络100可以包括一个或多个网络元件190,网络元件190可以包括核心网功能并且经由一个或多个链路181提供与诸如电话网络和/或数据通信网络(例如,互联网)的另外的网络的连接性。这样的用于5G的核心网功能可以包括(多个)位置管理功能(LMF)和/或(多个)接入和移动性管理功能(AMF)和/或(多个)用户平面功能(UPF)和/或(多个)会话管理功能(SMF)。这样的用于LTE的核心网功能可以包括MME(移动性管理实体)/SGW(服务网关)功能。这样的核心网功能可以包括SON(自组织/优化网络)功能。这些仅仅是可以由(多个)网络元件190支持的示例性功能,并且注意,5G和LTE功能都可以得到支持。RAN节点170经由链路131耦合到网络元件190。链路131可以实现为例如用于5G的NG接口、或用于LTE的S1接口、或用于其他标准的其他合适的接口。网络元件190包括通过一个或多个总线185互连的一个或多个处理器175、一个或多个存储器171和一个或多个网络接口(N/W I/F)180。一个或多个存储器171包括计算机程序代码173。
无线网络100可以实现网络虚拟化,网络虚拟化是一个将硬件和软件网络资源以及网络功能组合成单个基于软件的管理实体(虚拟网络)的过程。网络虚拟化涉及平台虚拟化,平台虚拟化通常与资源虚拟化结合使用。网络虚拟化分为外部网络虚拟化或内部网络虚拟化,外部网络虚拟化将很多网络或网络部分组合成虚拟单元,内部网络虚拟化为单个系统上的软件容器提供类似网络的功能。注意,由网络虚拟化产生的虚拟化实体在某种程度上仍然使用诸如处理器152或175以及存储器155和171等硬件来实现,并且这种虚拟化实体也产生技术效果。
计算机可读存储器125、155和171可以是适合本地技术环境的任何类型并且可以使用任何适合的数据存储技术来实现,诸如基于半导体的存储器设备、闪存、磁存储器设备和系统、光存储器设备和系统、非暂态存储器、暂态存储器、固定存储器和可移动存储器。计算机可读存储器125、155和171可以是用于执行存储功能的部件。处理器120、152和175可以是适合本地技术环境的任何类型,并且作为非限制性示例,可以包括通用计算机、专用计算机、微处理器、数字信号处理器(DSP)和基于多核处理器架构的处理器中的一种或多种。处理器120、152和175可以是用于执行诸如对UE 110、RAN节点170、(多个)网络元件190的控制和本文中描述的其他功能等功能的部件。
通常,用户设备110的各种实施例可以包括但不限于具有无线通信能力的蜂窝电话(诸如智能电话、平板电脑、个人数字助理(PDA))、具有无线通信能力的便携式计算机、具有无线通信能力的图像捕获设备(诸如数码相机)、具有无线通信能力的游戏设备、具有无线通信能力的音乐存储和播放设备、允许无线互联网接入和浏览的互联网设备、具有无线通信能力的平板电脑、诸如实现虚拟/增强/混合现实的头戴式显示器等头戴显示器、以及结合了这样的功能的组合的便携式单元或终端。
UE 110、RAN节点170和/或(多个)网络元件190(以及相关联的存储器、计算机程序代码和模块)可以被配置为实现(例如,部分地)本文中描述的方法,包括用于共享频谱带(诸如3.5GHz CBRS频带)的基于深度学习的环境感测能力传感器设计。因此,UE 110的图1所示的计算机程序代码123、模块140-1、模块140-2和其他元件/特征可以实现本文中描述的方法的用户设备相关方面。类似地,RAN节点170的图1所示的计算机程序代码153、模块150-1、模块150-2和其他元件/特征可以实现本文中描述的方法的gNB/TRP相关方面,诸如CBSD相关方面。网络元件190的图1所示的计算机程序代码173和其他元件/特征可以被配置为实现本文中描述的方法的网络元件相关方面,诸如ESC相关方面。
因此引入了用于实践示例实施例的合适但非限制性的技术上下文,现在以更具体的方式描述示例实施例。
参考图2,作为朝着发布500MHz新频谱供商业使用的目标迈出的第一步,从2013年末开始,FCC的目标是发布3550-3700MHz频带202,该频带主要由高功率国防部(DoD)雷达系统用于地面、船上和机载平台以及非联邦固定卫星服务(FSS)地球站。FCC已经宣布了一套规则,称为公民宽带无线电服务(CBRS),编码为47CFR第96部分规则,其适用于来自3.55-3.70GHz(202)的150MHz频带中的商业无线使用。基本CBRS规则是,当该3.5GHz频带未被现任(incumbent)用户(IU)220使用时,该频带可以被辅用户(SU)219用于商业用途。
第96部分规则中创新框架的一些方面如下:(1)规则要求频谱接入系统(SAS)(228、230)实现创新的三层(216)频谱管理系统(201、224)(图2):顶层的动态现任(incumbent)220、第二层中的优先级接入许可证(PAL)用户210和第三层中的广义授权接入(GAA)用户212。具有最高优先级频谱接入的现任(主218)可以在任何时间要求空间区域中的所有辅系统放弃全部或部分频谱。PAL层210的辅设备219被分配专用信道,该专用信道提供有保证的干扰保护,很像传统的长期许可证。GAA层212不提供干扰保护,因此允许多个独立网络使用不由现任220或PAL用户210使用的给定信道。(2)这些规则将PAL许可证定义为在小到美国一个县的空间区域内分配10年持续时间的10MHz频谱块。PAL所有者210可以获取多个PAL许可证,并且将它们在空间和时间上堆叠在一起,以创建在非常大的空间区域上有效的高达40MHz的频谱块。(3)在3550-3700MHz 202中的150MHz频谱中,70MHz被保留用于PAL 210,而剩余的80MHz可用于GAA设备212。FCC还提倡“使用或共享”规则,以允许PAL信道的未使用部分用作GAA信道。
如图2中进一步所示,现任层220包括现任联邦无线电定位设备204、现任FSS仅Rx地球站206和现任无线宽带服务208。在3550-3700CBRS频带202内是与新3GPP频带(48)相关联的层214。
图2还示出了用WINNForum标准体222标准化的端到端CBRS架构201。
这里,在224,SAS(228、230)执行操作,诸如(1)现任干扰确定和(2)CBRS信道分配。架构201中的元件包括(a)FCC数据库226,其提供关于诸如FSS站点等静态现任的信息;(b)多个SAS(通过SAS-SAS接口234互连的SAS1 228和SAS2 230);(c)通知现任232(在适用时),其是向SAS(228、230)通知新现任的动态添加或现有现任的激活的接口(诸如日历服务);(d)现任检测ESC(环境感测能力)236,其执行动态现任检测,特别是在CBRS频带的3550-3650MHz部分中操作的海军(雷达);(e)可选的域代理(DP)240(例如,被管理GAA/PAL),其作为SAS(228、230)与多个CBSD 244(图2中的CBSD 1、2和3以及CBSD 4)的集合之间的中介。SAS用户接口238可以被实现为SAS(228、230)与域代理240和/或现任检测(雷达)242之间的接口。CBSD 244可以是接入点,例如eNB 170,其中信道经由SAS请求来被分配。
在242,ESC传感器检测现任(海军雷达舰)的存在,并且将该信息中继到SAS(228、230),其中SAS确保如果现任出现,则它具有使用信道的第一权利,并且所有其他辅用户219被指示根据由WINNForum 222所定义的标准来使用不同信道以针对现任220实施动态和静态保护区域。保护现任220免受来自辅用户219的干扰的责任在频谱接入系统(SAS)(228、230)上,该系统是CBRS生态系统中的中心组件。由于FSS收发器是静态的,因此对它们的现任保护可以使用地理定位数据库来实现。相比之下,DoD雷达的现任保护更具挑战性,因为安装在海军舰艇上的雷达收发器是移动的。FCC建议部署环境感测能力(ESC)236,其中在沿海地区放置有多个ESC传感器,以检测海军雷达信号,并且及时向SAS(228、230)报告这些信号。基于来自ESC 236的报告的雷达信息和ESC的位置,SAS(228、230)将可能干扰检测到的雷达信号的有源CBRS设备(CBSD)重新定位到不同频率。鉴于由CBRS提供的频谱共享机会,人们对构建ESC系统非常感兴趣。
图3示出了提供CBRS共享频谱架构的各种构建块的频谱控制器(SC)302的表现(manifestation)300。这种频谱控制器可以为除了传统的MNO/MSO细分市场之外的新的垂直细分市场提供CBRS频谱到私有企业网络的部署。
如图3所示,被包括在频谱控制器云302中的是SAS 328,其确保如果现任出现,则其具有使用信道的第一权利,并且所有其他辅用户219被指示根据由WINNForum 222所定义的标准来使用不同信道。(可选的)共存管理器306和频谱分析耦合到SAS 328。ESC 336执行动态现任检测。独立ESC传感器342检测现任的存在,并且将该信息中继到ESC 336。ESC 336将从独立ESC传感器342获取的信息中继到SAS 328。接口316使得能够在SAS 328与其他SAS之间进行通信。
域代理340充当SAS 328与EPC云320之间的中介。EPC云320提供EPC核心功能、OSS和分析322(诸如LTE核心、4G核心、5G核心、未来核心网等),并且提供对多个CBSD的接入,包括344(3.5GHz PAL CBSD类别A/B)、346(3.5GHz GAA类别A/B)和348(3.5GHz PAL+GAA CBSD类别A/B)。
显然,ESC 336是实现E2E CBRS201解决方案的频谱控制器(SC)云解决方案302中的关键技术。
这项技术可以很容易地扩展到其他频带,诸如3.1至3.4GHz和3.45至3.55GHz,在这些频带中,频谱需要与动态现任共享。随着5G网络的发展和6G网络的设计,这种共享频谱带是一个关键组成部分。
CBRS频带中的雷达通常在3550-3650MHz中操作。本文中描述的技术不限于(3GHz至4GHz)之间的3个频带,并且可以应用于无线频谱的任何或所有块。CBRS频带为3550-3700MHz,但是CBRS中的动态雷达检测以及因此本文中描述的ESC传感器适用于底部100MHz(3550-3650MHz)。因此,本文中描述的示例与该部分相关。本文中描述的示例考虑了3550-3650MHz频带和ESC认证标准。此外,本文中描述的示例涉及同时执行信号检测和带宽估计。即,这些方法不一定首先将信号检测为雷达并且然后估计带宽。相反,本文中描述的模型确定是否存在雷达,以及如果存在雷达,则确定雷达的带宽。检测和估计同时执行。
ESC 336的设计和实现带来了若干挑战。首先,海军雷达发送器发射低占空比(脉冲开启时间与关闭时间之比)脉冲,同时是可移动的,并且其天线绕其轴线旋转360度。此外,ESC无法跟踪/定位发送器,因为存储关于雷达发送器的移动/位置的信息是不允许的。因此,ESC仅在未知时间被窄雷达脉冲照亮一小段时间。因此,ESC必须连续监测3.5GHz频带,并且同时以高时间分辨率分析捕获信号。这尤其具有挑战性,因为由于100MHz宽的带宽,ESC必须以高RF采样速率进行采样。雷达信号可以出现在该频带的任何地方,并且ESC必须以99%的准确度检测这些信号,以符合ESC认证标准。其次,ESC必须准确估计雷达信号所占用的频谱,这对于现任保护和高效的频谱共享至关重要。有五种不同雷达类型,带宽在1-100MHz之间,可以出现在3.5GHz频带中。虽然不同雷达类型具有不同频谱特性,但ESC必须在没有任何现任雷达类型先验知识的情况下估计未知雷达频谱占用。第三,ESC必须检测雷达信号并且估计其频谱占用,不仅在存在接收器噪声的情况下,而且在存在来自在CBRS频带中机会主义地操作的LTE eNodeB的未知特性的干扰的情况下。最后,ESC必须区分带内(3.5GHz)雷达信号和带外(OoB)雷达信号。在3.55-3.65GHz频带之外可以存在高功率雷达信号,其中在3.5GHz频带中具有相当大的旁瓣功率。ESC不应当将这些OoB雷达错误地检测为带内雷达,这可能导致CBRS频谱利用率不足。
ESC认证标准:当雷达脉冲的峰值功率为-89dBm/MHz(或更大),并且聚合干扰的平均功率为-109dBm/MHz(或更小)时,ESC 336必须检测所有五种雷达类型的雷达脉冲突发,精度为至少99%。精度是根据检测雷达脉冲突发而不是个体脉冲来定义的。在认证测试期间,一旦脉冲突发被馈送到ESC,ESC必须在并不确切知道脉冲突发何时被馈送的情况下在5秒内检测到它。雷达脉冲参数在雷达脉冲突发之间是不同的,但对于单个突发中的所有脉冲都是相同的。在测试期间,用于模拟聚合CBSD干扰的加性高斯白噪声(AWGN)被应用于整个100MHz CBRS频带。
有不同频谱感测方法专门用于ESC。基于沿海地区的实际雷达记录,可以使用基于深度学习的二进制分类,其中接收器带宽比3.5GHz频带宽,以区分带内雷达信号和OoB雷达信号。它们收集的数据可以通过合并LTE和AWGN干扰来增强。可以使用具有如高阶统计和峰值统计等特征的支持向量机(SVM)对该增强数据集执行有监督学习。还可以使用信号幅度和相位差的组合。匹配滤波可以利用关于雷达脉冲特性的知识来检测雷达信号。然而,这些方法都没有提供满足所有ESC认证要求的完整解决方案、设计和实现。例如,一些方法只考虑五种可能类型中的雷达类型1,一些方法没有考虑任何CBSD干扰,而另一些方法则假定关于雷达脉冲参数的知识,而在ESC认证测试中的情况并非如此,尤其是当将所有雷达类型被一起考虑时。此外,这些方法都不能准确估计雷达信号的带宽。雷达带宽是使用十个串联或并联运行的检测器在粗略水平上估计的。
已经开发出了经过认证的ESC,包括那些使用匹配滤波方法检测雷达信号的ESC。然而,考虑到雷达脉冲参数在五种雷达类型之间可能存在大范围的变化,匹配滤波将需要对大量滤波器系数进行强力搜索。另一选项是使用取决于各种阈值和存储的信号指纹的峰值检测方法。在具有动态干扰的环境中,选择这些阈值和参数可能是困难的。
本文中描述了一种被称为谱图图像学习(SIL)的深度学习方法,用于解决检测雷达信号以及估计其频谱占用的问题。SIL基于“只看一次”(you only look once)(YOLO)算法。在训练阶段,SIL使用基于雷达和非雷达数据的谱图来学习对象检测模型。谱图是分别沿着图像的宽度和高度具有频率和时间的二维图像。ESC认证要求在每MHz 20dB峰均(peak-to-average)信干(signal-to-interference)比(SIR)下99%的检测精度,这对谱图的宽度产生了约束。这种约束使得谱图又窄又高,其中雷达信息仅在谱图的几行中。本文中描述的方法包括在训练阶段和在线阶段都跳过非雷达行中的一些的计算。跳过谱图的某些行允许对ESC的可用计算资源进行稳健适应,并且确保在线阶段的及时预测。在训练阶段,该方法确定ESC处LTE信号的不确定性聚合将如何影响SIL中的谱图,并且相应地训练SIL以承受ESC在部署中可能遇到的各种干扰。
在在线阶段,首先基于传感数据形成谱图。在形成谱图的同时,基于在训练阶段确定的参数来跳过某些行的计算。然后,将谱图馈送到SIL,SIL基于所学习的模型进行预测。SIL是快速的,因为它同时检测雷达信号,并且通过单个卷积神经网络(CNN)使用输入谱图的单程来估计其频谱占用。SIL的这一方面和跳过策略确保了系统的连续实时可操作性,具有高的时间和光谱分辨率。在检测到雷达信号时,如果其估计带宽的大部分在3.5GHz频带之外,则将其视为OoB雷达;否则,将其视为带内雷达。为了能够进行这种区分,对以3.6GHz为中心的较大的125MHz频带进行监测。
本文中进一步描述了该系统的嵌入式实现。分析了不同商用现货(COTS)软件定义的无线电(SDR)对ESC操作的适用性,并且在此分析的基础上,AIR-T被选择作为用于实现的SDR。本文中描述的实现满足ESC认证的性能要求,同时保持连续的可操作性,即,提供及时的预测,而没有存储器溢出,并且跟上ESC的采样速率。
总之,本文中描述的实施例做出了以下贡献,并且具有以下技术优势和效果:
·开发了一种新的深度学习方法,以用于检测雷达信号并且估计其带宽。
·确定了确保高雷达探测精度所需要的谱图宽度。
·系统中基于可用计算资源的计算被适配。
·开发了一种用于处理ESC处的未知干扰的数据增强方法。
·该系统可以在COTSSDR上实现。
本文中描述的设计系统称为DeepRadar。DeepRadar 400包括四个组成元件,如图4所示,谱图维度的选择410、自适应计算420、谱图图像学习422和雷达带宽估计430。
DeepRadar 400的输入是通过对捕获的RF信号进行采样而获取的同相(I)值404和正交值(Q)406。DeepRadar在不同连续观察窗口411(每个观察窗口具有持续时间to 416)中划分(412)这些(I,Q)值,并且对它们中的每个进行预测。在一个示例中,ESC接收器(342,参考图6)的带宽是125MHz。因此,在该示例中,ESC 336的采样(正交采样)速率是S=125×106个样本/秒,其中每个样本是(I,Q)元组403。DeepRadar的四个组成元件将在以下四个部分(1-4)中详细描述。本文中下面介绍DeepRadar如何应对未知干扰。还提供了一个实现示例。首先描述的是SIL,即,DeepRadar的一个元件。
1.谱图图像学习(SIL):在SIL 422中,谱图用于同时检测雷达信号并且估计其带宽,其中谱图包含捕获信号的时域408和频域特性两者。如图4所示,形成了用作SIL 422中的特征的这些谱图。首先,在414,将观察窗口411细分为N个时隙,每个时隙具有持续时间ts418,使得N×ts=to。接下来,在424,为每个时隙计算功率谱密度(PSD),并且在426,垂直堆叠PSD以产生谱图435。因此,谱图435是大小为N×M的矩阵,其行和列分别对应于不同时隙和频率区间(bin)。这里,M=S×ts是时隙中(I,Q)样本的数目。因此,M也是PSD中的频率区间的数目。假定谱图435是其像素值表示不同频率区间和时隙之间的信号功率的图像,则基于谱图的雷达检测任务可以被认为是图像分类问题。在428,将谱图435馈送到模型433(例如,CNN)以对谱图435进行分类。项目427、429和431是CNN中的不同滤波器(统称为425),并且是CNN 433的一部分。
在一个实施例中,SIL 422被框定为回归问题,而不是分类问题,使得回归器433可以同时检测雷达信号并且估计它们的带宽。使用训练数据,训练学习模型433,该模型为msil:其中/>和/>分别表示雷达信号的存在和不存在。当msil检测到雷达时,它还产生元组(fL,fH)501,以估计检测到的雷达信号的3dB带宽的较低和较高频率(分别为fL 502和fH 504)。从图5可以观察到,雷达信号的估计带宽可以表示为矩形506,其完全由(fL,fH)501限定。这一观察为使用对象检测算法来解决SIL中的问题提供了动力。在计算机视觉中,对象检测是模型的学习问题,该模型可以检测图像中的不同对象,对检测到的对象进行分类,并且估计它们在图像中的位置。如果将如图5所示的由雷达脉冲产生的谱图中的所有亮点视为称为雷达对象的单个对象,则如图5所示的矩形506限定雷达对象在图像中的位置。如果这些雷达对象能够被检测和定位,则雷达检测和带宽估计的目的就达到了。因此,如果亮点在谱图上可见,则SIL中的学习问题可以转换为对象检测问题。
在一个示例中,YOLO可以用于SIL中的对象检测。与其他检测算法相比,YOLO更快地检测对象,因为它只需要输入图像435通过单个神经网络433的一次通过。由于本文中描述的对象检测任务比计算机视觉中的一般对象检测问题更简单,因此在SIL中开发了更简单版本的YOLO。简化对象检测任务进一步减少了SIL的预测时间,这是ESC 336的一个重要考虑因素。进行了以下简化:i)雷达对象的高度始终与图像的高度相同。雷达对象的高度(其表示观察窗口中脉冲突发的持续时间)并不重要,因为ESC 336只关心脉冲突发的发生,而不关心其持续时间或发生的确切时间。ii)不使用用于定位不同形状的多个重叠对象的锚盒,因为预计不会同时出现具有频谱重叠的雷达信号;从雷达操作的角度来看,这是一个不切实际的场景。iii)此外,多个同时雷达信号预计不会频谱接近。因此,针对每个小区使用一个边界框。YOLO在每个小区中使用多个边界框来检测邻近的多个对象。
2.谱图维度的选择(410):在DeepRadar 400中,观察窗口411被划分为持续时间为ts 418的时隙。ts的值必须仔细选择,因为SIL的精度取决于它。从图5可以观察到,当雷达脉冲的频谱分量具有比PSD中的剩余频谱分量高的功率时,在谱图中出现亮点508。SIL将谱图中所有亮点的集合检测为雷达对象。因此,SIL的成功取决于这些点相对于谱图背景的亮度。然而,这些点的亮度取决于ts,如下所述。
ESC认证标准规定,必须以每MHz 20dB峰均SIR检测雷达脉冲。尽管20dB SIR表示比干扰高的雷达功率,但当ts较大时,这不会反映在计算的PSD中。当使用时隙的(I,Q)样本来计算PSD时,所得到的PSD表示捕获信号在不同频谱分量处的平均功率。由于雷达信号具有低占空比,当ts较大时,它们的平均功率远低于峰值功率。因此,对于大的ts,雷达信号与干扰信号之间的每MHz 20dB峰均SIR被转换为每MHz低得多的平均对平均(average-to-average)SIR。因此,导出了ts的界限,使得每MHz的平均对平均SIR较高。本文中描述的示例实现20dB值作为至少在CBRS频带中使用的有利阈值的示例。然而,不同阈值也可以通过本文中描述的示例来实现。
设s(t)为雷达信号,其开启持续时间为ton、峰值幅度为xt、中心频率为fc,带宽为Δf Hz。在ts之上取平均值的s(t)的平均功率为利用Parseval定理,
这里,S(f)=FFT{s(t)},并且xf=maxfS(f);fr是FFT的频率分辨率。接下来,s(t)的峰值功率/>是峰值幅度的平方,即,/>使用等式1,
接下来,考虑y(t)作为聚合干扰信号。使用Parseval定理,它的平均功率为:
其中yf是Y(f)中的每个FFT区间的值,即y(t)的FFT。这里,y(t)是AWGN,用作聚合干扰的代理(proxy),存在于整个CBRS频带上。因此,Y(f)中的频谱是平坦的,每个区间的值近似为yf。必须以高精度检测雷达信号的每MHz的最低峰均SIR为20dB。因此
在等式4中,将除以Δf以获取每Hz的峰值雷达功率,因为s(t)分布在Δf Hz之上。将/>除以S以获取每Hz的平均干扰功率,因为y(t)分布在S Hz之上。在等式4中,将等式2和等式3中的/>和/>分别代入等式4得到:
上述等式的进一步简化产生
现在,为了确保谱图中亮点的出现,雷达信号所在的频谱部分需要xf 2>>yf 2。该裕度(margin)被认为至少为5dB,即10log(xf 2)-10log(yf 2)≥5。使用等式5中xf 2、yf 2之间的裕度,获取ts≤31.6×ton。因此,可以使用的最大ts是由ton的最低值设置上限。在所有雷达类型中,ton的最低值为0.5μs。因此,ts≤15.8μs。然而,在执行评估时,观察到,尽管选择ts≤15.8μs确保高检测精度,但是必须使用ts=4.096μs才能实现99%的目标检测率。因此,该方法使用ts=4.096μs,这表示,在DeepRadar中M=S×ts=512。
而ts 418限定谱图的宽度,to 416限定它们的高度。为了选择合适的to,首先要注意,必须在5秒内检测到脉冲突发。因此,to≤5秒。然而,由于雷达脉冲突发可以小到0.6ms,使用to≈5秒可能会导致短突发的持续时间明显小于to,从而在观察窗口中产生显著的非雷达信息。选择to(416)作为所有雷达类型的最小突发长度的最大值,即,to=13ms。这确保了最短突发不会跨越多个观察窗口,从而导致单个窗口中的雷达信息不足。
3.自适应计算(420):如果ESC 336上的计算资源有限,DeepRadar 400可能无法处理402(I,Q)403样本,即,计算PSD(在424)并且使谱图435穿过CNN 433(在428),并且跟上RF采样402。在这种情况下,ESC 336遇到存储器溢出,这可能导致暂时的感测失明和较差的检测精度。为了解决这个问题,可以首先观察到,即使to被选择为低至13ms,在谱图中仍然存在足够稀疏的雷达信息。利用这一观察结果来开发一种策略,该策略使得DeepRadar 400能够基于ESC上的可用计算资源来调节其计算。如前一节所述,ts的值=4.096μs用于SIL的高度精确性。因此,N(谱图的高度)为DeepRadar中的自适应策略420(其可以称为跳过)基于可用计算资源来避免为谱图中的3200行中一些精心选择的时隙/行来计算PSD。减少PSD计算的数目可以实现SIL的及时预测,而不会出现任何存储器溢出。参考421,或者使用跳过技术从N个时隙中选择T。
跳过:跳过基于这样一种观察,即,只要ts=4.096μs,能量相对较高的时隙就有更高的可能性包括雷达脉冲。因此,跳过中的第一步是计算观察窗口中N个时隙的能量,并且形成能量序列ei。接下来,对ei进行排序,并且确定ei中与T(小于N)个最高值相对应的那些时隙,如图4中的项目421所示。最后,在424,计算所确定的T个时隙的PSD,并且所得到的谱图的大小为T×M。
减少PSD计算次数可以确保更快的预测。然而,由于PSD是在计算能量序列ei之后计算的,因此在某些情况下,计算ei可以是及时预测的瓶颈。为了解决这个问题,使用时隙中的每个第K(K≥1)(I,Q)样本,其中K=1表示在计算时隙的能量时不跳过任何样本。该策略基于这样的观察,即,跳过时隙内的样本会降低雷达信号和干扰信号两者的能量;然而,其相对能量差将仍然保持,只要与雷达脉冲的开启时间相对应的一些(I,Q)元组被保留。因此,K被选择为使得雷达脉冲从不被完全跳过。由于最窄雷达脉冲为0.5μs,因此K×(1/S)<0.5μs,即,K<62。这里,1/S是样本间持续时间。
K的上限基于确定在不丢失完整雷达脉冲的情况下可以跳过多少样本。K越高,能量计算所需要的时间越低。但是,如果K的高值被选择,则雷达检测精度可以下降到99%以下。因此,K的较低值受雷达检测精度的限制。
总之,跳过421有助于避免为不重要的时隙计算PSD,这由T控制。在计算PSD时,时隙中的样本不会被跳过。为了确定哪些时隙是必不可少的,计算时隙的能量。为了减少这个计算时间,跳过时隙内的样本,这由K控制。
选择K和T:当在特定硬件上运行DeepRadar时,该方法可以首先探测应用是否可以顺利运行而没有跳过,即K=1并且T=N(实际上T=50,如在下一节中所解释的)。如果预测不及时,则逐渐增加K并且减少T直到预测及时,以确保在连续运行DeepRadar时不会出现存储器溢出。探测是在训练阶段之前执行的,因为雷达对象对于不同T值具有不同模式,并且SIL应当使用与在在线阶段必须检测到的模式相似的模式进行训练。
Skip可能需要不同硬件才能以不同T值运行,使得SIL中的输入谱图的形状是依赖于硬件的。随着输入谱图形状的变化,SIL的超参数会被重新调节,这可能会阻碍DeepRadar部署。下一节将描述一种策略,尽管动机不同,但可以避免这个问题。
4.雷达带宽估计(430):SIL 422的对象检测具有估计雷达信号的带宽的内置能力。但是,使用M=512的约束对带宽估计的精度有影响。使用M=512使得包含雷达信息的谱图行的数目是稀疏的。如果谱图中亮点的密度高,则检测雷达目标更容易。因此,在本节中,对SIL进行了修改,以解决这种稀疏性问题。
该策略是从谱图中移除一些非雷达行,以增加亮点的密度。虽然这可以通过计算整个谱图并且然后保留具有高像素值(指示雷达脉冲的可能存在)的行来实现,但在计算上更优雅的方法是使用跳过来避免计算非雷达行的PSD。因此,跳过总是与T=50一起使用,即使当ESC 336具有充足的计算资源时也是如此。当ESC 336上的计算资源稀缺,并且T<50时,T(<50)个计算的PSD被随机复制以创建具有50行的谱图。因此,SIL中的输入谱图总是大小为50×512,这也解决了前一节中描述的硬件依赖性,即3.自适应计算(420)。
当计算资源充足时,选择T=50的原因源于雷达参数。对于脉冲突发内的所有脉冲,雷达脉冲的带宽是相同的。因此,必须保留谱图中的至少一个完整脉冲,以确保谱图包含用于精确带宽估计的所有相关雷达频率。现在,所有雷达类型中的最宽脉冲对于雷达类型5是100μs,跨越几乎25个连续时隙,每个时隙的持续时间为4.096μs。因此T≥25。具体使用T=25可以由于以下原因而增加带宽估计432的误差。如果雷达脉冲所跨越的所有时隙的能量都是相同的,T=25,则跳过中的排序在谱图中保留一个或多个完整脉冲,而不是在观察窗口中保留不同脉冲的部分。然而,在上述条件不成立的情况下,例如,在存在衰落的情况下,跳过中的排序(T=25)可以保留不同雷达脉冲的部分,这可能导致谱图中的雷达带宽信息不完整。因此,添加一些冗余并且使用T=50,使得即使从不同脉冲的部分来看,也有很好的机会保留谱图中的所有雷达频率。
OoB雷达检测:SIL的带宽估计能力用于区分带内和OoB雷达信号(434)。DeepRadar的监测频带为125MHz(3537.5-3662.5MHz),比在CBRS频带中操作的雷达所使用的100MHz频带高出25MHz。当DeepRadar检测到125MHz频带中的任何雷达信号并且估计其频谱占用时,它还检查检测到的雷达信号的大多数是否在CBRS频带(3550-3650MHz)中雷达使用的频带之外。如果是,则DeepRadar不会将检测到的雷达标记为带内雷达信号。为了使这一策略发挥作用,SIL应当能够检测CBRS频带之外的雷达信号。因此,OoB雷达信号的实例被包括在训练数据中。从SIL的角度来看,除了一个因素外,带内雷达信号和OoB雷达信号没有区别。在训练中使用的OoB雷达信号的带宽必须根据125MHz监测频带中存在的雷达频谱部分进行调节。例如,如果存在以3525MHz为中心的50MHz类型3OoB雷达,则在125MHz的监测频带中只有12.5MHz的频谱。因此,在SIL训练中,12.5MHz被用作该雷达信号的带宽。
5.对抗干扰:DeepRadar必须处理ESC 336处的任何聚合CBSD干扰,其统计特性未知,尽管SAS 328确保最大干扰是有界的。解决这种不确定性的一种方法是使用AWGN作为聚合CBSD干扰的代理。该策略背后的原理是,来自在时分双工(TDD)模式下操作的LTE eNodeB(eNB)的未调谐信号的统计特性类似于AWGN。由于CBSD被期望在TDD模式下作为LTE eNodeB操作,因此ESC处的聚合干扰是多个独立AWGN的总和,这继而也是AWGN。因此,无论在训练数据中有无雷达信号,都使用AWGN。AWGN在ESC处处于最大可能干扰功率水平,并且雷达信号处于每MHz 20dB峰均SIR。以这种方式训练DeepRadar在战略上是稳健的,因为在现场部署的ESC中,每MHz的峰均SIR不能小于20dB,并且在ESC认证测试中预计会出现类似信号,其中AWGN干扰一直存在。然而,由于以下两个原因,现场部署的ESC处的干扰模式可以大不相同。聚合干扰可以在观察窗口内发生变化,因为LTE帧为10ms,这小于观察窗口(13ms),并且不同LTE eNB可以具有不同上行链路/下行链路(UL/DL)配置。此外,LTE信号的频谱特性可以在谱图中产生类似于雷达对象的对象。因此,该领域中的在线谱图可以具有与训练图像中的背景模式大不相同的背景(非雷达)模式。训练与测试数据之间的这种不一致可能导致错误分类。
在训练数据中使用一些记录的LTE信号不会解决上述问题,因为现场中的干扰可以具有与训练中使用的LTE数据非常不同的模式。因此,使用数据扩充方法来支持SIL中的学习。在训练数据中,两种类型的干扰数据被合并,如下面所述被人工生成,其包括ESC在现场可能遇到的所有LTE干扰场景。假定ESC 336处的干扰主要来自LTE eNB(344、346、348),而不是来自用户设备110,并且仅关注LTE TDD UL/DL配置的DL时隙。
随机LTE干扰:对于不同谱图行,聚合LTE干扰可以具有不同频谱占用,导致谱图中的随机背景模式。之所以会发生这种情况,是因为N个时隙中的T个从观察窗口411中被选择。如果所选择的T个时隙不是连续的,不同LTE下行链路传输的时间部分可以在谱图中被捕获。在实践中,记录将产生各种随机LTE干扰的信号是困难的。因此,为了创建具有随机LTE干扰的谱图,该方法人为地构造干扰PSD。为此,首先,该方法在已知频率下捕获具有2-3个非重叠下行链路传输的LTE信号,每个传输10MHz宽。然后,该方法使用来自捕获信号的PSD的10MHz宽的LTE部分,并且在随机选择的CBSD信道中的一些上复制这些部分,以构造新PSD的较大集合。CBSD信道是十个连续非重叠信道,每个信道宽10MHz,跨越100MHz雷达监测频带。因此,所构造的PSD中的每个都包含在1-10的范围内随机选择的若干同时LTE下行链路信号。该方法确保所构造的PSD具有与训练数据的剩余部分相同的本底噪声,并且聚合干扰功率从不会超过ESC 336处的最大可能干扰。最后,为了创建与随机LTE干扰相对应的谱图,从人工构造PSD集合中随机选择T个PPSD,并且将它们堆叠起来。
非随机LTE干扰:与上述情况相反,可以在观察窗口中的T个时隙之中选择若干连续时隙。在这种情况下,由于时隙为4.096μs长并且LTE DL时隙在1-7ms的范围内,因此在谱图中的多行上,聚合LTE干扰的频谱模式可以是相同的。为了创建具有非随机LTE干扰的谱图,使用与针对随机LTE干扰而描述的方法相同的方法,但是对于随机选择的若干连续时隙,保持LTE干扰的频谱占用不变。使用上述方法,生成有雷达对象和无雷达对象的谱图,并且将其用于训练。
6.6.DeepRadar的实现:参考图6,DeepRadar需要两个组件:RF接收器342和计算节点343,下面概述它们的要求。
ESC RF接收器(342):对RF接收器342有三个基本要求:i)瞬时带宽≥100MHz,ii)在3.5GHz频带内的操作能力,以及iii)(I,Q)样本到计算节点343的高速传输。基于这些要求,在分析不同COTS SDR的适用性之后,确定AIR-T SDR有资格作为ESC RF接收器。
如图6中进一步所示,ESC RF接收器342包括天线340。在344,ESC RF接收器342执行对所接收的RF信号的采样。
ESC计算节点(343):DeepRadar被设计为四过程流水线(346、350、352、354),如图6所示。第一要求是至少有四个核心,使得所有四个过程都可以并行进行。流式传输过程346必须跟上来自RF接收器342的高数据传输速率。因此,第二要求是具有能够无缝地从接收器卸载业务的接口345。
DeepRadar应用400中的所有三个过程都必须在13ms内完成对观察窗口(持续时间to=13ms)的处理,使得(I,Q)样本以与由流式传输过程346填充样本的速率相同的速率从存储器344中被清除。DeepRadar 400必须通过将ESC 336上的计算资源战略性地分配给其过程来确保其过程的及时性。这种分配是探测阶段进行的,其在训练之前进行。在探测阶段,DeepRadar 400监测所有三个过程(过程350、352、354)的观察窗口的平均处理时间。如果其中任何一个的计算花费超过13ms,如果有附加核心可用,则DeepRadar会使用子过程来加快速度。只有当有额外核心可用时,采用子过程才有意义,使得子过程能够对计算进行并行化。例如,通过并行计算能量序列ei的不同部分和谱图的不同行,能量计算350和谱图形成352过程受益于子过程。CNN过程354不能被并行化,但是多个子过程可以对输入谱图进行负载平衡。CNN过程354还可以受益于ESC 336上的GPU的可用性。如果在13ms中仍然不能进行能量计算350或谱图形成352(即使在耗尽所有可用核心之后),则DeepRadar 400使用跳过技术(421,图4)并且逐渐增加K(用于能量计算过程350)和/或减少T(用于谱图形成过程352),直到它们可以在13ms中完成。DeepRadar应用400的输出包括O/P 356。
接下来介绍的是使用AIR-T传感器的DeepRadar 400的基于嵌入式系统的实现,该AIR-T传感器满足上述ESC硬件要求。
基于AIR-T的实现:AIR-T通过将RF收发器342和计算节点343放置在同一电路板上,消除了RF接收器342与运算节点343之间的任何布线。板载FPGA 364通过高速PCIe接口345将捕获的(I,Q)样本传输到板载存储器344(8GB),该板载存储器由计算节点343中的CPU360和GPU 362两者共享。在一个示例中,计算节点343是具有256核GPU和6个CPU核的嵌入式计算设备。
计算节点的边缘计算的优点是以ESC 336上的计算资源减少为代价的。探测阶段表明,DeepRadar 400流水线中的任何过程(350、352、354)都无法在13ms中处理观察窗口。首先,一个想法是使用两个子过程来加快能量计算,但仍然无法在13ms中完成。由于没有更多的备用核心(五个用于DeepRadar,一个用于与SAS 328和其他内务任务保持套接字连接),采用跳过技术(421)并且增加K。在K=4的情况下,能量计算可以在13ms中完成,然而,它阻碍了雷达检测精度。99%的雷达检测精度使用K≤2。因此,为了能够使用K=2、计算|I|+|Q|,而不是I 2+Q 2,作为代理能量来减少能量计算时间。接下来,该方法处理CNN过程354,该过程不能在13ms中完成,即使在使用计算节点GPU 362之后。为此,该方法使用TensorRT推理加速器(即,TensorRTTM)。TeTensorRT推理加速器减少了CNN过程354的处理时间,但仍然不在13ms内。因此,该方法实现/使用两个核心来对CNN过程354进行负载平衡。然而,由于没有备用核心,DeepRadar流水线进行了修改。谱图形成352和CNN前向传递354被组合在单个过程中,其中这两个操作被串行执行,并且使用两个负载平衡子过程,这两个子过程在每个交替的观察窗口上执行CNN计算。为了确保每个负载平衡过程的计算可以在13×2=26ms中完成,并且由于处理交替窗口,使用T=8用于谱图形成352。
图7是示例装置700,其可以在硬件中实现,装置700被配置为实现本文中描述的示例。装置700包括至少一个处理器702(FPGA和/或CPU)、包括计算机程序代码705的至少一个非暂态或暂态存储器704,其中至少一个存储器704和计算机程序代码705被配置为与至少一个处理器702一起使得装置700实现电路系统、过程、组件、模块或或功能(统称为DeepRadar 706)以实现用于3.5GHz CBRS频带的基于深度学习的环境感测能力传感器设计。
装置700可选地包括显示器和/或I/O接口708,其可以用于显示本文中描述的方法的各方面或状态(例如,当执行方法中的一个时或在后续时间)。装置700包括一个或多个网络(N/W)接口((多个)I/F)710。(多个)N/W I/F 710可以是有线和/或无线的,并且经由任何通信技术在互联网/(多个)其他网络上通信。(多个)N/W I/F 710可以包括一个或多个发送器和一个或多个接收器。(多个)N/W I/F 710可以包括标准的众所周知的组件,诸如放大器、滤波器、频率转换器、(去)调制器和编码器/解码器电路系统以及一个或多个天线。装置700还可以包括GPU 714。
用于实现DeepRadar 706的功能的装置700可以是UE 110、RAN节点170或(多个)网络元件190。因此,处理器702可以分别对应于(多个)处理器120、(多个)处理器152和/或(多个)处理器175,存储器704可以分别对应于(多个)存储器125、(多个)存储器155和/或(多个)存储器171,计算机程序代码705可以分别对应于计算机程序代码123、模块140-1、模块140-2和/或计算机程序代码153、模块150-1、模块150-2和/或计算机程序代码173,并且(多个)N/WI/F 710可以分别对应于(多个)N/W I/F 161和/或(多个)N/W I/F 180。替代地,装置700可以不对应于UE 110、RAN节点170、网络元件190中的任何一个,因为装置700可以对应于ESC 336,或者是自组织/优化网络(SON)节点的一部分,诸如在云中。装置700还可以分布在整个网络100中,包括在装置700和(多个)网络元件(190)(诸如网络控制元件(NCE))和/或RAN节点170和/或UE 110中的任何一个以及在其之间。
当装置700对应于ESC 336时,(多个)N/W I/F 710对应于ESC RF接收器342,存储器704对应于存储器344,并且DeepRadar 706对应于IQ流式传输过程346和DeepRadar 400,DeepRadar 400包括能量计算过程350、谱图形成过程352和CNN前向传播过程354。此外,(多个)处理器702可以对应于CPU 360和/或FPGA 364,GPU 714可以对应于GPU 362,并且接口712可以对应于接口345和/或366。此外,显示器和/或I/O 708可以对应于O/P 356。
接口712实现装置700的各个项目之间的数据通信,如图7所示。例如,接口712可以是一个或多个总线,诸如地址、数据或控制总线,并且可以包括任何互连机制,诸如主板或集成电路上的一系列线路、光纤或其他光通信设备等。包括DeepRadar 706的计算机程序代码705可以包括面向对象的软件,该软件被配置为在计算机程序代码706内的对象之间传递数据/消息。装置700不需要包括图7中提到和示出的每个特征,或者也可以包括其他特征。
图8是基于本文中描述的示例实施例来实现用于3.5GHz CBRS频带的基于深度学习的环境感测能力传感器设计的示例方法800。在802,该方法包括生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本。在804,该方法包括使用至少一个样本的时域和频域特性形成至少一个谱图。在806,该方法包括,其中至少一个谱图是作为以下各项的结果而形成的:将至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度。在808,该方法包括将至少一个谱图传递到模型,以检测至少一个雷达信号的存在、并且进一步将至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的至少一个雷达信号的带宽。在810,该方法包括基于至少一个雷达信号的所估计的带宽来确定至少一个雷达信号相对于共享频谱带是在带内还是在带外。方法800可以用ESC 336、装置700、频谱控制器云302、(多个)网络元件190或这些的组合来执行。
对“计算机”、“处理器”等的引用应当理解为不仅包括具有不同架构(诸如单/多处理器架构、顺序或并行架构)的计算机,还包括专用电路,诸如现场可编程门阵列(FPGA)、专用电路(ASIC),信号处理设备和其他处理电路系统。对计算机程序、指令、代码等的引用应当理解为包括用于可编程处理器的软件、或固件,例如硬件设备的可编程内容,而无论是用于处理器的指令,还是用于固定功能设备、门阵列或可编程逻辑器件的配置设置等。
本文中描述的(多个)存储器可以使用任何合适的数据存储技术来实现,诸如基于半导体的存储器设备、闪存、磁存储器设备和系统、光存储器设备和系统、非暂态存储器、暂态存储器、固定存储器和可移动存储器。(多个)存储器可以包括用于存储数据的数据库。
如本文中使用的,术语“电路系统”可以是指以下内容:(a)硬件电路实现,诸如模拟和/或数字电路系统中的实现,以及(b)电路和软件(和/或固件)的组合,诸如(如适用):(i)(多个)处理器的组合,或(ii)(多个)处理器/软件的部分,包括(多个)数字信号处理器、软件、以及(多个)存储器,其一起工作以使装置执行各种功能,以及(c)电路,诸如(多个)微处理器或(多个)微处理器的一部分,其需要软件或固件来进行操作,即使软件或固件在物理上不存在。作为另外的示例,如本文中使用的,术语“电路系统”还将涵盖仅处理器(或多个处理器)或处理器的一部分及其附带软件和/或固件的实现。例如,如果适用于特定元素,则术语“电路系统”还将涵盖用于移动电话的基带集成电路或应用处理器集成电路、或者服务器、蜂窝网络设备或另一网络设备中的类似集成电路。
根据第一示例方面,提供了一种装置,所述装置包括至少一个处理器;以及包括计算机程序代码的至少一个存储器;所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,使所述装置至少执行:生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;使用所述至少一个样本的时域和频域特性形成至少一个谱图;其中所述至少一个谱图是作为以下各项的结果而形成的:将所述至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度;将所述至少一个谱图传递到模型,以检测所述至少一个雷达信号的存在、并且进一步将所述至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的所述至少一个雷达信号的带宽;以及基于所述至少一个雷达信号的所估计的带宽来确定所述至少一个雷达信号相对于共享频谱带是在带内还是在带外。
根据一个示例实施例,所述装置还被引起执行:响应于所估计的所述带宽在所述共享频谱带之外,确定所述至少一个雷达信号在带外。
根据一个示例实施例,所述共享频谱带是3100兆赫至3400兆赫、3450兆赫至3550兆赫、或3550兆赫至3650兆赫。
根据一个示例实施例,所述装置还被引起执行:作为在所述至少一个谱图内检测到亮点的结果而使用所述模型来估计所述至少一个雷达信号的所述带宽,所述亮点包括所述时隙的所述子集的所计算的所述一个或多个功率谱密度内相对于其他频谱分量具有较高功率的频谱分量。
根据一个示例实施例,所述装置还被引起执行:计算所述时隙的所述一个或多个功率谱密度以确定所述至少一个谱图;以及从所述至少一个谱图中移除与具有不指示所述雷达脉冲的存在的相对较低像素值的所述时隙相对应的行,以从所述至少一个谱图中移除非雷达行以增加所述亮点的密度。
根据一个示例实施例,所述装置还被引起执行:检测超过每兆赫的峰均(peak-to-average)信号对干扰(signal-to-interference)的阈值的所述至少一个雷达信号;以及将上限应用于所述时隙的所述给定持续时间,使得平均对平均信号对干扰高于阈值,所述给定持续时间定义所述至少一个谱图的宽度。
根据一个示例实施例,所述上限是所述至少一个雷达信号的接通持续时间的最低值。
根据一个示例实施例,所述上限被选择为使得所述至少一个谱图中存在至少一个亮点,所述至少一个亮点包括所计算的功率谱密度内相对于其他频谱分量具有较高功率的频谱分量。
根据一个示例实施例,所述每兆赫的峰均信号对干扰的阈值为20分贝。
根据一个示例实施例,所述时隙的所述给定持续时间的所述上限使用Parseval定理来应用。
根据一个示例实施例,所述至少一个样本是元组,所述元组包括与所述至少一个雷达信号相对应的同相值和与所述至少一个雷达信号相对应的正交值;并且时隙的所述功率谱密度是利用所述装置使用所述时隙内的多个所述元组来计算的,所述功率谱密度表示所述至少一个雷达信号的不同频谱分量处的平均功率。
根据一个示例实施例,所述至少一个谱图是具有第一维度和第二维度的矩阵,所述第一维度对应于所述给定持续时间的所述一定数目的时隙,所述第二维度对应于所述功率谱密度的一定数目的频率区间;并且所述至少一个谱图是其像素值表示跨不同频率区间和所述时隙的信号功率的图像。
根据一个示例实施例,所述频率区间的数目对应于所述时隙中的同相和正交值的数目。
根据一个示例实施例,所述谱图是二维图像,其中频率沿着所述图像的宽度,并且时间沿着所述图像的高度。
根据一个示例实施例,所述装置还被引起执行:基于所述装置的环境感测能力节点的认证要求来约束所述谱图的所述宽度。
根据一个示例实施例,所述装置还被引起执行:跳过不在具有相对较高计算能量的所述子集中的时隙的所述功率谱密度的计算;其中所述子集中时隙的数目小于所述时隙的数目。
根据一个示例实施例,所述子集中时隙的数目等于所述时隙的数目,使得在计算所述至少一个谱图的所述一个或多个功率谱密度时没有时隙被跳过。
根据一个示例实施例,所述装置还被引起执行:使用以整数给出的样本增量来计算时隙的能量,所述整数大于或等于1,其中当所述整数等于1时没有样本被跳过;以及为所述整数选择下限,使得所述能量计算发生在时间阈值内。
根据一个示例实施例,所述装置还被引起执行:为所述整数选择上限,使得所述至少一个雷达信号的所述存在的检测超过雷达检测阈值。
根据一个示例实施例,所述装置还被引起执行:作为以下项的结果而确定所述整数的值和所述子集中时隙的数目:逐渐增加所述整数和减少所述子集中时隙的数目,直到所述至少一个雷达信号的所述存在的所述检测及其带宽估计在时间阈值内、并且直到不存在以下情况:存储器溢出而使得样本在所述至少一个样本的所述生成之后以其被放入所述存储器中的速率相同的速率从所述存储器中被清除。
根据一个示例实施例,所述装置还被引起执行:经由以下项来训练所述模型:确定在谱图图像学习期间无线电信号在所述装置的环境感测能力节点处的非确定性聚合如何影响所述至少一个谱图。
根据一个示例实施例,所述装置还被引起执行:使用带外雷达信号的实例来训练所述模型;以及基于存在于所述装置的射频接收器的监测频带中的雷达频谱的一部分来调节用于训练所述模型的所述带外雷达信号的所述实例。
根据一个示例实施例,所述模型是卷积神经网络、回归模型、和/或只看一次(youonly look once)模型。
根据一个示例实施例,所述装置还被引起执行:监测以所述共享频谱带的中心频率为中心的频带,被监测频带比所述共享频谱带要宽;确定所述至少一个雷达信号的估计带宽的大部分是否在所述共享频谱带之外;以及响应于所述至少一个雷达信号的所述估计带宽的所述大部分在所述共享频谱带之外,确定所述至少一个雷达信号为带外雷达。
根据一个示例实施例,所述被监测频带是与3537.5兆赫至3662.5兆赫的带宽相对应的125兆赫,比所述共享频谱带要宽25兆赫,所述共享频谱带具有3550兆赫至3650兆赫的带宽。
根据一个示例实施例,所述共享频谱带是公民宽带无线电服务频带。
根据一个示例实施例,所述装置还被引起执行:将所述至少一个谱图的高度选择为跨所述至少一个雷达信号的类型集合的最小突发长度的最大值。
根据一个示例实施例,所述装置还被引起执行:确定多个无线设备对所述装置的环境感测能力节点的聚合干扰;将所述聚合干扰确定为与相应无线设备相对应的相应加性高斯白噪声的总和,使得所述加性高斯白噪声是所述无线设备的所述聚合干扰的代理;以及使用所确定的所述聚合干扰来训练所述模型。
根据一个示例实施例,所述无线设备在所述共享频谱带中操作。
根据一个示例实施例,所述无线设备是公民宽带无线电服务设备。
根据一个示例实施例,所述装置还被引起执行:使用与随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度;或者使用与非随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度、同时对于数个随机选择的连续时隙保持干扰的频谱占用不变;并且其中所述人工构造功率谱密度具有与从至少一个无线设备捕获的雷达信号相对应的大小。
根据一个示例实施例,所述装置还被引起执行:使用多个雷达信号的较低和较高频率的集合来训练所述模型。
根据一个示例实施例,所述装置还包括环境感测能力接收器,所述环境感测能力接收器检测所述至少一个雷达信号的所述存在并且生成与所述至少一个雷达信号相对应的所述至少一个样本,其中所述环境感测能力接收器是人工智能无线电收发器软件定义的无线电环境感测能力射频接收器。
根据一个示例实施例,所述装置还包括多个处理器核,所述多个处理器核用于执行并行处理使得所述至少一个样本的所述生成、所述能量确定和所述谱图形成被并行执行。
根据一个示例实施例,所述装置还被引起执行:监测在训练所述模型之前的探测阶段期间处理所述能量确定、所述谱图形成和所述带宽估计所花费的时间量;以及响应于所述能量确定、所述谱图形成或所述带宽估计所花费的时间长于所述观察窗口的持续时间,使用附加处理器核来加快所花费的时间大于所述观察窗口的所述处理。
根据一个示例实施例,所述能量确定、所述谱图形成和/或所述带宽估计与所述至少一个雷达信号的所述存在的所述检测并行发生。
根据一个示例实施例,所述至少一个雷达信号是从可移动源生成的。
根据一个示例实施例,所述装置可以被包括在频谱控制器云中。
根据一个示例实施例,所述装置可以被实现为所述频谱控制器云内的环境感测能力节点。
根据一个示例实施例,所述共享频谱带向现任用户、优先接入许可证用户或一般授权接入用户中的至少一者提供接入。
根据一个示例实施例,所述装置还可以包括被配置为将所述至少一个样本传输到所述存储器的电路系统,所述存储器与所述至少一个处理器和可选的所述装置的计算节点的图形处理单元共享,所述计算节点用于所述能量确定、所述谱图形成和所述带宽估计,其中所述电路系统是离散电路系统、现场可编程门阵列或专用集成电路。
根据第二示例方面,提供了一种装置,所述装置包括用于执行以下各项的部件:生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;使用所述至少一个样本的时域和频域特性形成至少一个谱图;其中所述至少一个谱图是作为以下各项的结果而形成的:将所述至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度;将所述至少一个谱图传递到模型,以检测所述至少一个雷达信号的存在、并且进一步将所述至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的所述至少一个雷达信号的带宽;以及基于所述至少一个雷达信号的估计带宽来确定所述至少一个雷达信号相对于共享频谱带是在带内还是在带外。
根据一个示例实施例,所述部件还被配置为执行:响应于所述估计带宽在所述共享频谱带之外,确定所述至少一个雷达信号在带外。
根据一个示例实施例,所述共享频谱带是3100兆赫至3400兆赫、3450兆赫至3550兆赫、或3550兆赫至3650兆赫。
根据一个示例实施例,所述部件还被配置为执行:作为在所述至少一个谱图内检测到亮点的结果而使用所述模型来估计所述至少一个雷达信号的所述带宽,所述亮点包括所述时隙的所述子集的所述计算的一个或多个功率谱密度内相对于其他频谱分量具有较高功率的频谱分量。
根据一个示例实施例,所述部件还被配置为执行:计算所述时隙的所述一个或多个功率谱密度以确定所述至少一个谱图;以及从所述至少一个谱图中移除与具有不指示所述雷达脉冲的存在的相对较低像素值的所述时隙相对应的行,以从所述至少一个谱图中移除非雷达行以增加所述亮点的密度。
根据一个示例实施例,所述部件还被配置为执行:检测超过每兆赫的峰均信号对干扰的阈值的所述至少一个雷达信号;以及将上限应用于所述时隙的所述给定持续时间使得平均对平均信号对干扰高于阈值,所述给定持续时间定义所述至少一个谱图的宽度。
根据一个示例实施例,所述上限是所述至少一个雷达信号的接通持续时间的最低值。
根据一个示例实施例,所述上限被选择为使得所述至少一个谱图中存在至少一个亮点,所述至少一个亮点包括计算的功率谱密度内相对于其他频谱分量具有较高功率的频谱分量。
根据一个示例实施例,所述每兆赫的峰均信号对干扰的阈值为20分贝。
根据一个示例实施例,所述时隙的所述给定持续时间的所述上限使用Parseval定理来应用。
根据一个示例实施例,所述至少一个样本是元组,所述元组包括与所述至少一个雷达信号相对应的同相值和与所述至少一个雷达信号相对应的正交值;并且时隙的所述功率谱密度是利用所述装置使用所述时隙内的多个所述元组来计算的,所述功率谱密度表示所述至少一个雷达信号的不同频谱分量处的平均功率。
根据一个示例实施例,所述至少一个谱图是具有第一维度和第二维度的矩阵,所述第一维度对应于所述给定持续时间的所述一定数目的时隙,所述第二维度对应于所述功率谱密度的一定数目的频率区间;并且所述至少一个谱图是其像素值表示跨不同频率区间和所述时隙的信号功率的图像。
根据一个示例实施例,所述频率区间的数目对应于所述时隙中的同相和正交值的数目。
根据一个示例实施例,所述谱图是二维图像,其中频率沿着所述图像的宽度,并且时间沿着所述图像的高度。
根据一个示例实施例,所述部件还被配置为执行:基于所述装置的环境感测能力节点的认证要求来约束所述谱图的所述宽度。
根据一个示例实施例,所述部件还被配置为执行:跳过不在具有相对较高计算能量的所述子集中的时隙的所述功率谱密度的计算;其中所述子集中时隙的数目小于所述时隙的数目。
根据一个示例实施例,所述子集中时隙的数目等于所述时隙的数目,使得在计算所述至少一个谱图的所述一个或多个功率谱密度时没有时隙被跳过。
根据一个示例实施例,所述部件还被配置为执行:使用以整数给出的样本增量来计算时隙的能量,所述整数大于或等于1,其中当所述整数等于1时没有样本被跳过;以及为所述整数选择下限使得所述能量计算发生在时间阈值内。
根据一个示例实施例,所述部件还被配置为执行:为所述整数选择上限使得所述至少一个雷达信号的所述存在的检测超过雷达检测阈值。
根据一个示例实施例,所述部件还被配置为执行:作为以下项的结果而确定所述整数的值和所述子集中时隙的数目:逐渐增加所述整数和减少所述子集中时隙的数目,直到所述至少一个雷达信号的所述存在的所述检测及其带宽估计在时间阈值内,并且直到不存在以下情况:存储器溢出而使得样本在所述至少一个样本的所述生成之后以其被放入所述存储器中的速率相同的速率从所述存储器中被清除。
根据一个示例实施例,所述部件还被配置为执行:经由以下项来训练所述模型:确定在谱图图像学习期间无线电信号在所述装置的环境感测能力节点处的非确定性聚合如何影响所述至少一个谱图。
根据一个示例实施例,所述部件还被配置为执行:使用带外雷达信号的实例来训练所述模型;以及基于存在于所述装置的射频接收器的监测频带中的雷达频谱的一部分来调节用于训练所述模型的所述带外雷达信号的所述实例。
根据一个示例实施例,所述模型是卷积神经网络、回归模型和/或只看一次模型。
根据一个示例实施例,所述部件还被配置为执行:监测以所述共享频谱带的中心频率为中心的频带,被监测频带比所述共享频谱带要宽;确定所述至少一个雷达信号的估计带宽的大部分是否在所述共享频谱带之外;以及响应于所述至少一个雷达信号的所述估计带宽的所述大部分在所述共享频谱带之外,确定所述至少一个雷达信号为带外雷达。
根据一个示例实施例,所述被监测频带是与3537.5兆赫至3662.5兆赫的带宽相对应的125兆赫,比所述共享频谱带要宽25兆赫,所述共享频谱带具有3550兆赫至3650兆赫的带宽。
根据一个示例实施例,所述共享频谱带是公民宽带无线电服务频带。
根据一个示例实施例,所述部件还被配置为执行:将所述至少一个谱图的高度选择为跨所述至少一个雷达信号的类型集合的最小突发长度的最大值。
根据一个示例实施例,所述部件还被配置为执行:确定多个无线设备对所述装置的环境感测能力节点的聚合干扰;将所述聚合干扰确定为与相应无线设备相对应的相应加性高斯白噪声的总和,使得所述加性高斯白噪声是所述无线设备的所述聚合干扰的代理;以及使用所确定的聚合干扰来训练所述模型。
根据一个示例实施例,所述无线设备在所述共享频谱带中操作。
根据一个示例实施例,所述无线设备是公民宽带无线电服务设备。
根据一个示例实施例,所述部件还被配置为执行:使用与随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度;或者使用与非随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度、同时对于数个随机选择的连续时隙保持干扰的频谱占用不变;并且其中所述人工构造功率谱密度具有与从至少一个无线设备捕获的雷达信号相对应的大小。
根据一个示例实施例,所述部件还被配置为执行:使用多个雷达信号的较低和较高频率的集合来训练所述模型。
根据一个示例实施例,所述装置还包括环境感测能力接收器,所述环境感测能力接收器检测所述至少一个雷达信号的所述存在并且生成与所述至少一个雷达信号相对应的所述至少一个样本,其中所述环境感测能力接收器是人工智能无线电收发器软件定义的无线电环境感测能力射频接收器。
根据一个示例实施例,所述装置还包括多个处理器核,所述多个处理器核用于执行并行处理,使得所述至少一个样本的所述生成、所述能量确定和所述谱图形成被并行执行。
根据一个示例实施例,所述部件还被配置为执行:监测在训练所述模型之前的探测阶段期间处理所述能量确定、所述谱图形成和所述带宽估计所花费的时间量;以及响应于所述能量确定、所述谱图形成或所述带宽估计所花费的时间长于所述观察窗口的持续时间,使用附加处理器核来加快所花费的时间大于所述观察窗口的所述处理。
根据一个示例实施例,所述能量确定、所述谱图形成、和/或所述带宽估计与所述至少一个雷达信号的所述存在的所述检测并行发生。
根据一个示例实施例,所述至少一个雷达信号是从可移动源生成的。
根据一个示例实施例,所述装置被包括在频谱控制器云中。
根据一个示例实施例,所述装置被实现为所述频谱控制器云内的环境感测能力节点。
根据一个示例实施例,所述共享频谱带向现任用户、优先接入许可证用户或一般授权接入用户中的至少一者提供接入。
根据一个示例实施例,所述部件还被配置为执行:将所述至少一个样本传输到与所述装置的计算节点的至少一个处理器和可选的图形处理单元共享的存储器,所述计算节点用于所述能量确定、所述谱图形成和所述带宽估计,其中所述部件是分立电路系统、现场可编程门阵列或专用集成电路。
根据一个示例实施例,所述部件包括至少一个处理器;以及包括计算机程序代码的至少一个存储器,所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起引起所述装置的所述执行。
根据第三示例方面,提供了一种方法,所述方法包括:生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;使用所述至少一个样本的时域和频域特性形成至少一个谱图;其中所述至少一个谱图是作为以下各项的结果而形成的:将所述至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度;将所述至少一个谱图传递到模型,以检测所述至少一个雷达信号的存在、并且进一步将所述至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的所述至少一个雷达信号的带宽;以及基于所述至少一个雷达信号的估计带宽来确定所述至少一个雷达信号相对于共享频谱带是在带内还是在带外。
根据一个示例实施例,所述方法还包括:响应于所述估计带宽在所述共享频谱带之外,确定所述至少一个雷达信号在带外。
根据一个示例实施例,所述共享频谱带是3100兆赫至3400兆赫、3450兆赫至3550兆赫、或3550兆赫至3650兆赫。
根据一个示例实施例,所述方法还包括:作为在所述至少一个谱图内检测到亮点的结果而使用所述模型来估计所述至少一个雷达信号的所述带宽,所述亮点包括所述时隙的所述子集的所计算的所述一个或多个功率谱密度内相对于其他频谱分量具有较高功率的频谱分量。
根据一个示例实施例,所述方法还包括:计算所述时隙的所述一个或多个功率谱密度以确定所述至少一个谱图;以及从所述至少一个谱图中移除与具有不指示所述雷达脉冲的存在的相对较低像素值的所述时隙相对应的行,以从所述至少一个谱图中移除非雷达行以增加所述亮点的密度。
根据一个示例实施例,所述方法还包括检测超过每兆赫的峰均信号对干扰的阈值的所述至少一个雷达信号;以及将上限应用于所述时隙的所述给定持续时间使得平均对平均信号对干扰高于阈值,所述给定持续时间定义所述至少一个谱图的宽度。
根据一个示例实施例,所述上限是所述至少一个雷达信号的接通持续时间的最低值。
根据一个示例实施例,所述上限被选择为使得所述至少一个谱图中存在至少一个亮点,所述至少一个亮点包括计算的功率谱密度内相对于其他频谱分量具有较高功率的频谱分量。
根据一个示例实施例,所述每兆赫的峰均信号对干扰的阈值为20分贝。
根据一个示例实施例,所述时隙的所述给定持续时间的所述上限使用Parseval定理来应用。
根据一个示例实施例,所述至少一个样本是元组,所述元组包括与所述至少一个雷达信号相对应的同相值和与所述至少一个雷达信号相对应的正交值;并且时隙的所述功率谱密度是使用所述时隙内的多个所述元组来计算的,所述功率谱密度表示所述至少一个雷达信号的不同频谱分量处的平均功率。
根据一个示例实施例,所述至少一个谱图是具有第一维度和第二维度的矩阵,所述第一维度对应于所述给定持续时间的所述一定数目的时隙,所述第二维度对应于所述功率谱密度的一定数目的频率区间;并且所述至少一个谱图是其像素值表示跨不同频率区间和所述时隙的信号功率的图像。
根据一个示例实施例,所述频率区间的数目对应于所述时隙中的同相和正交值的数目。
根据一个示例实施例,所述谱图是二维图像,其中频率沿着所述图像的宽度,并且时间沿着所述图像的高度。
根据一个示例实施例,所述方法还包括基于环境感测能力节点的认证要求来约束所述谱图的所述宽度。
根据一个示例实施例,所述方法还包括跳过不在具有相对较高计算能量的所述子集中的时隙的所述功率谱密度的计算;其中所述子集中时隙的数目小于所述时隙的数目。
根据一个示例实施例,所述子集中时隙的数目等于所述时隙的数目,使得在计算所述至少一个谱图的所述一个或多个功率谱密度时没有时隙被跳过。
根据一个示例实施例,所述方法还包括使用以整数给出的样本增量来计算时隙的能量,所述整数大于或等于1,其中当所述整数等于1时没有样本被跳过;以及为所述整数选择下限使得所述能量计算发生在时间阈值内。
根据一个示例实施例,所述方法还包括为所述整数选择上限使得所述至少一个雷达信号的所述存在的检测超过雷达检测阈值。
根据一个示例实施例,所述方法还包括作为以下项的结果而确定所述整数的值和所述子集中时隙的数目:逐渐增加所述整数和减少所述子集中时隙的数目,直到所述至少一个雷达信号的所述存在的所述检测及其带宽估计在时间阈值内,并且直到不存在以下情况:存储器溢出而使得样本在所述至少一个样本的所述生成之后以其被放入所述存储器中的速率相同的速率从所述存储器中被清除。
根据一个示例实施例,所述方法还包括经由以下项来训练所述模型:确定在谱图图像学习期间无线电信号在环境感测能力节点处的非确定性聚合如何影响所述至少一个谱图。
根据一个示例实施例,所述方法还包括使用带外雷达信号的实例来训练所述模型;以及基于存在于射频接收器的监测频带中的雷达频谱的一部分来调节用于训练所述模型的所述带外雷达信号的所述实例。
根据一个示例实施例,所述模型是卷积神经网络、回归模型和/或只看一次模型。
根据一个示例实施例,所述方法还包括监测以所述共享频谱带的中心频率为中心的频带,被监测频带比所述共享频谱带要宽;确定所述至少一个雷达信号的估计带宽的大部分是否在所述共享频谱带之外;以及响应于所述至少一个雷达信号的所述估计带宽的所述大部分在所述共享频谱带之外,确定所述至少一个雷达信号为带外雷达。
根据一个示例实施例,所述被监测频带是与3537.5兆赫至3662.5兆赫的带宽相对应的125兆赫,比所述共享频谱带要宽25兆赫,所述共享频谱带具有3550兆赫至3650兆赫的带宽。
根据一个示例实施例,所述共享频谱带是公民宽带无线电服务频带。
根据一个示例实施例,所述方法还包括将所述至少一个谱图的高度选择为跨所述至少一个雷达信号的类型集合的最小突发长度的最大值。
根据一个示例实施例,所述方法还包括确定多个无线设备对环境感测能力节点的聚合干扰;将所述聚合干扰确定为与相应无线设备相对应的相应加性高斯白噪声的总和,使得所述加性高斯白噪声是所述无线设备的所述聚合干扰的代理;以及使用所确定的聚合干扰来训练所述模型。
根据一个示例实施例,所述无线设备在所述共享频谱带中操作。
根据一个示例实施例,所述无线设备是公民宽带无线电服务设备。
根据一个示例实施例,所述方法还包括使用与随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度;或者使用与非随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度、同时对于数个随机选择的连续时隙保持干扰的频谱占用不变;并且其中所述人工构造功率谱密度具有与从至少一个无线设备捕获的雷达信号相对应的大小。
根据一个示例实施例,所述方法还包括使用多个雷达信号的较低和较高频率的集合来训练所述模型。
根据一个示例实施例,环境感测能力接收器检测所述至少一个雷达信号的所述存在并且生成与所述至少一个雷达信号相对应的所述至少一个样本,其中所述环境感测能力接收器是人工智能无线电收发器软件定义的无线电环境感测能力射频接收器。
根据一个示例实施例,多个处理器核用于执行并行处理,使得所述至少一个样本的所述生成、所述能量确定和所述谱图形成被并行执行。
根据一个示例实施例,所述方法还包括监测在训练所述模型之前的探测阶段期间处理所述能量确定、所述谱图形成和所述带宽估计所花费的时间量;以及响应于所述能量确定、所述谱图形成或所述带宽估计所花费的时间长于所述观察窗口的持续时间,使用附加处理器核来加快所花费的时间大于所述观察窗口的所述处理。
根据一个示例实施例,所述能量确定、所述谱图形成和/或所述带宽估计与所述至少一个雷达信号的所述存在的所述检测并行发生。
根据一个示例实施例,所述至少一个雷达信号是从可移动源生成的。
根据一个示例实施例,所述方法是利用频谱控制器云来执行的。
根据一个示例实施例,所述方法可以由所述频谱控制器云内的环境感测能力节点来实现。
根据一个示例实施例,所述共享频谱带向现任用户、优先接入许可证用户或一般授权接入用户中的至少一者提供接入。
根据一个示例实施例,所述方法还包括使用电路系统将所述至少一个样本传输到与所述装置的计算节点的至少一个处理器和可选的图形处理单元共享的存储器,所述计算节点用于所述能量确定、所述谱图形成和所述带宽估计,其中所述电路系统是分立电路系统、现场可编程门阵列或专用集成电路。
根据第四示例方面,提供了一种计算机可读介质,所述计算机可读介质包括用于使装置执行至少以下各项的程序指令:生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;使用所述至少一个样本的时域和频域特性形成至少一个谱图;其中所述至少一个谱图是作为以下各项的结果而形成的:将所述至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度;将所述至少一个谱图传递到模型,以检测所述至少一个雷达信号的存在、并且进一步将所述至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经检测到的所述至少一个雷达信号的带宽;以及基于所述至少一个雷达信号的估计带宽来确定所述至少一个雷达信号相对于共享频谱带是在带内还是在带外。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:响应于所述估计带宽在所述共享频谱带之外,确定所述至少一个雷达信号在带外。
根据一个示例实施例,所述共享频谱带是3100兆赫至3400兆赫、3450兆赫至3550兆赫、或3550兆赫至3650兆赫。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:作为在所述至少一个谱图内检测到亮点的结果而使用所述模型来估计所述至少一个雷达信号的所述带宽,所述亮点包括所述时隙的所述子集的所计算的所述一个或多个功率谱密度内相对于其他频谱分量具有较高功率的频谱分量。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:计算所述时隙的所述一个或多个功率谱密度以确定所述至少一个谱图;以及从所述至少一个谱图中移除与具有不指示所述雷达脉冲的存在的相对较低像素值的所述时隙相对应的行,以从所述至少一个谱图中移除非雷达行以增加所述亮点的密度。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:检测超过每兆赫的峰均信号对干扰的阈值的所述至少一个雷达信号;以及将上限应用于所述时隙的所述给定持续时间使得平均对平均信号对干扰高于阈值,所述给定持续时间定义所述至少一个谱图的宽度。
根据一个示例实施例,所述上限是所述至少一个雷达信号的接通持续时间的最低值。
根据一个示例实施例,所述上限被选择为使得所述至少一个谱图中存在至少一个亮点,所述至少一个亮点包括计算的功率谱密度内相对于其他频谱分量具有较高功率的频谱分量。
根据一个示例实施例,所述每兆赫的峰均信号对干扰的阈值为20分贝。
根据一个示例实施例,所述时隙的所述给定持续时间的所述上限使用Parseval定理来应用。
根据一个示例实施例,所述至少一个样本是元组,所述元组包括与所述至少一个雷达信号相对应的同相值和与所述至少一个雷达信号相对应的正交值;并且时隙的所述功率谱密度是使用所述时隙内的多个所述元组来计算的,所述功率谱密度表示所述至少一个雷达信号的不同频谱分量处的平均功率。
根据一个示例实施例,所述至少一个谱图是具有第一维度和第二维度的矩阵,所述第一维度对应于所述给定持续时间的所述一定数目的时隙,所述第二维度对应于所述功率谱密度的一定数目的频率区间;并且所述至少一个谱图是其像素值表示跨不同频率区间和所述时隙的信号功率的图像。
根据一个示例实施例,所述频率区间的数目对应于所述时隙中的同相和正交值的数目。
根据一个示例实施例,所述谱图是二维图像,其中频率沿着所述图像的宽度,并且时间沿着所述图像的高度。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:基于环境感测能力节点的认证要求来约束所述谱图的所述宽度。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:跳过不在具有相对较高计算能量的所述子集中的时隙的所述功率谱密度的计算;其中所述子集中时隙的数目小于所述时隙的数目。
根据一个示例实施例,所述子集中时隙的数目等于所述时隙的数目,使得在计算所述至少一个谱图的所述一个或多个功率谱密度时没有时隙被跳过。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:使用以整数给出的样本增量来计算时隙的能量,所述整数大于或等于1,其中当所述整数等于1时没有样本被跳过;以及为所述整数选择下限,使得所述能量计算发生在时间阈值内。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:为所述整数选择上限,使得所述至少一个雷达信号的所述存在的检测超过雷达检测阈值。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:作为以下项的结果而确定所述整数的值和所述子集中时隙的数目:逐渐增加所述整数和减少所述子集中时隙的数目,直到所述至少一个雷达信号的所述存在的所述检测及其带宽估计在时间阈值内,并且直到不存在以下情况:存储器溢出而使得样本在所述至少一个样本的所述生成之后以其被放入所述存储器中的速率相同的速率从所述存储器中被清除。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:经由以下项来训练所述模型:确定在谱图图像学习期间无线电信号在环境感测能力节点处的非确定性聚合如何影响所述至少一个谱图。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:使用带外雷达信号的实例来训练所述模型;以及基于存在于射频接收器的监测频带中的雷达频谱的一部分来调节用于训练所述模型的所述带外雷达信号的所述实例。
根据一个示例实施例,所述模型是卷积神经网络、回归模型、和/或只看一次模型。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下各项的指令:监测以所述共享频谱带的中心频率为中心的频带,被监测频带比所述共享频谱带要宽;确定所述至少一个雷达信号的估计带宽的大部分是否在所述共享频谱带之外;以及响应于所述至少一个雷达信号的所述估计带宽的所述大部分在所述共享频谱带之外,确定所述至少一个雷达信号为带外雷达。
根据一个示例实施例,所述被监测频带是与3537.5兆赫至3662.5兆赫的带宽相对应的125兆赫,比所述共享频谱带要宽25兆赫,所述共享频谱带具有3550兆赫至3650兆赫的带宽。
根据一个示例实施例,所述共享频谱带是公民宽带无线电服务频带。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下各项的指令:将所述至少一个谱图的高度选择为跨所述至少一个雷达信号的类型集合的最小突发长度的最大值。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下各项的指令:确定多个无线设备对环境感测能力节点的聚合干扰;将所述聚合干扰确定为与相应无线设备相对应的相应加性高斯白噪声的总和,使得所述加性高斯白噪声是所述无线设备的所述聚合干扰的代理;以及使用所确定的聚合干扰来训练所述模型。
根据一个示例实施例,所述无线设备在所述共享频谱带中操作。
根据一个示例实施例,所述无线设备是公民宽带无线电服务设备。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下各项的指令:使用与随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度;或者使用与非随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度、同时对于数个随机选择的连续时隙保持干扰的频谱占用率不变;并且其中所述人工构造功率谱密度具有与从至少一个无线设备捕获的雷达信号相对应的大小。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:使用多个雷达信号的较低和较高频率的集合来训练所述模型。
根据一个示例实施例,环境感测能力接收器检测所述至少一个雷达信号的所述存在,并且生成与所述至少一个雷达信号相对应的所述至少一个样本,其中所述环境感测能力接收器是人工智能无线电收发器软件定义的无线电环境感测能力射频接收器。
根据一个示例实施例,多个处理器核用于执行并行处理,使得所述至少一个样本的所述生成、所述能量确定和所述谱图形成被并行执行。
根据一个示例实施例,所述计算机可读介质还包括用于执行以下项的指令:监测在训练所述模型之前的探测阶段期间处理所述能量确定、所述谱图形成和所述带宽估计所花费的时间量;以及响应于所述能量确定、所述谱图形成、或所述带宽估计所花费的时间长于所述观察窗口的持续时间,使用附加处理器核来加快所花费的时间大于所述观察窗口的所述处理。
根据一个示例实施例,所述能量确定、所述谱图形成和/或所述带宽估计与所述至少一个雷达信号的所述存在的所述检测并行发生。
根据一个示例实施例,所述至少一个雷达信号是从可移动源生成的。
根据一个示例实施例,所述装置被包括在频谱控制器云中。
根据一个示例实施例,所述装置被实现为所述频谱控制器云内的环境感测能力节点。
根据一个示例实施例,所述共享频谱带向现任用户、优先接入许可证用户、或一般授权接入用户中的至少一者提供接入。
根据一个示例实施例,在所述装置中使用电路系统来将所述至少一个样本传输到与所述装置的计算节点的至少一个处理器和可选的图形处理单元共享的存储器,所述计算节点用于所述能量确定、所述谱图形成和所述带宽估计,其中所述电路系统是离散电路系统、现场可编程门阵列、或专用集成电路。
应当理解,以上描述仅为说明性的。本领域技术人员可以设计各种替代方案和修改方案。例如,各种从属权利要求中所述的特征可以以任何合适的组合彼此组合。此外,来自上述不同实施例的特征可以选择性地组合成新的实施例。因此,本说明书旨在包括落入所附权利要求的范围内的所有这样的替代方案、修改和变化。
在本文献中,动词“包括(to comprise)”和“包括(to include)”用作开放式限制,既不排除也不要求存在未列举的特征。除非另有明确说明,否则从属权利要求中所述的特征是可相互自由组合的。此外,应当理解,在整个文献中对“a”或“an”(即,单数形式)的使用并不排除复数。
本文献中的表达“A或B中的至少一者”是指A、或B、或A和B。
说明书和/或附图中可以出现的以下首字母缩略词和缩写定义如下:
3GPP:第三代合作伙伴项目
4G:第四代
5G:第五代
6G:第六代
5GC:5G核心网
AIR-T:人工智能无线电收发器
AMF:接入和移动性管理功能
ASIC:专用集成电路
AWGN:加性高斯白噪声
类别A:低功率基站
类别B:与类别A设备相比,具有较高最大功率限值的CBSD
CBRS:公民宽带无线电服务
CBSD:CBRS设备(例如,eNB)
CFR:联邦法规
CNN:卷积神经网络
CNS:计算机和网络系统
COTS:商用现货
CPU:中央处理单元
CU:中央单元或集中式单元
cXM:共存管理器
DL:下行链路
DoD:国防部
DP:域代理
DSP:数字信号处理器
DU:分布式单元
E2E:端到端
eNB或eNodeB:演进型节点B(例如,LTE基站)
EN-DC:E-UTRA-NR双连接
en-gNB:提供朝向UE的NR用户平面和控制平面协议终止并且充当EN-DC中的辅节点的节点
EPC:演进型分组核心
ESC:环境感测能力
E-UTRA:演进型通用陆地无线电接入,即LTE无线电接入技术
F1:CU与DU之间的控制接口
FCC:联邦通信委员会
FFT:快速傅立叶变换
FPGA:现场可编程门阵列
FSS:固定卫星服务
GAA:通用/广义授权接入
gNB:用于5G/NR的基站,即,提供朝向UE的NR用户平面和控制平面协议终止并且经由NG接口连接到5GC的节点
GPU:图形处理单元
I:同相
I/F:接口
I/O:输入/输出
IQ:同相I和正交QIU:(多个)现任(incumbent)用户
LMF:位置管理功能
LTE:长期演进(4G)
MAC:媒体接入控制
MME:移动性管理实体
MNO:移动网络运营商
MSO:多系统运营商
NCE:网络控制元件
ng或NG:新一代
ng-eNB:新一代eNBNG-RAN:新一代无线电接入网
No.:编号
NR:新无线电(5G)
NSF:美国国家科学基金会
N/W:网络
O/P:输出
OoB:带外
OSS:操作支持系统
PAL:优先级接入许可证
PCIe:外围组件互连快速
PDA:个人数字助理
PDCP:分组数据汇聚协议
PHY:物理层
PSD:功率谱密度
Q:相位正交
RAN:无线电接入网
RF:射频
RLC:无线电链路控制
RRC:无线电资源控制(协议)
RRH:远程无线电头端
RU:无线电单元
Rx:接收器或接收
SA:频谱分析
SAS:频谱接入系统
SC:频谱控制器
SDR:软件定义的无线电
SGW:服务网关
SIL:谱图图像学习
SIR:信号对干扰
SON:自组织/优化网络
SU:(多个)辅用户
SVM:支持向量机
TDD:时分双工
TRP:发送和/或接收点
Tx:发送器或发送
UE:用户设备(例如,无线的,通常是移动设备)
UL:上行链路
US:美国
UPF:用户平面功能
WInnForum:无线创新论坛
X2:RAN节点之间以及RAN与核心网之间的网络接口
Xn:NG-RAN节点之间的网络接口
YOLO:只看一次
Claims (160)
1.一种装置,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,使所述装置至少执行:
生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;
使用所述至少一个样本的时域和频域特性来形成至少一个谱图;
其中所述至少一个谱图是作为以下项的结果而被形成的:将所述至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度;
将所述至少一个谱图传递到模型,以检测所述至少一个雷达信号的存在、并且进一步将所述至少一个雷达信号分类为干扰/噪声或雷达存在、并且估计已经被检测到的所述至少一个雷达信号的带宽;以及
基于所述至少一个雷达信号的所估计的所述带宽,确定所述至少一个雷达信号相对于共享频谱带是在带内、还是在带外。
2.根据权利要求1所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
响应于所估计的所述带宽在所述共享频谱带之外,确定所述至少一个雷达信号在带外。
3.根据权利要求2所述的装置,其中所述共享频谱带是3100兆赫至3400兆赫、3450兆赫至3550兆赫、或3550兆赫至3650兆赫。
4.根据权利要求1至3中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
作为在所述至少一个谱图内检测到亮点的结果而使用所述模型来估计所述至少一个雷达信号的所述带宽,所述亮点包括:所述时隙的所述子集的所计算的所述一个或多个功率谱密度内、相对于其他频谱分量具有较高功率的频谱分量。
5.根据权利要求4所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
计算所述时隙的所述一个或多个功率谱密度,以确定所述至少一个谱图;以及
从所述至少一个谱图中移除与具有不指示所述雷达脉冲的存在的相对较低像素值的所述时隙相对应的行,以从所述至少一个谱图中移除非雷达行以增加所述亮点的密度。
6.根据权利要求1至5中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
检测超过每兆赫的峰均信号对干扰的阈值的所述至少一个雷达信号;以及
将上限应用于所述时隙的所述给定持续时间,使得平均对平均信号对干扰高于阈值,所述给定持续时间定义所述至少一个谱图的宽度。
7.根据权利要求6所述的装置,其中所述上限是所述至少一个雷达信号的接通持续时间的最低值。
8.根据权利要求6至7中任一项所述的装置,其中所述上限被选择为使得所述至少一个谱图中存在至少一个亮点,所述至少一个亮点包括:计算的功率谱密度内、相对于其他频谱分量具有较高功率的频谱分量。
9.根据权利要求6至8中任一项所述的装置,其中所述每兆赫的峰均信号对干扰的阈值为20分贝。
10.根据权利要求6至9中任一项所述的装置,其中所述时隙的所述给定持续时间的所述上限使用Parseval定理来应用。
11.根据权利要求1至10中任一项所述的装置,其中:
所述至少一个样本是元组,所述元组包括与所述至少一个雷达信号相对应的同相值、以及与所述至少一个雷达信号相对应的正交值;并且
时隙的所述功率谱密度是利用所述装置使用所述时隙内的多个所述元组来计算的,所述功率谱密度表示所述至少一个雷达信号的不同频谱分量处的平均功率。
12.根据权利要求1至11中任一项所述的装置,其中:
所述至少一个谱图是具有第一维度和第二维度的矩阵,所述第一维度对应于所述给定持续时间的所述一定数目的时隙,所述第二维度对应于所述功率谱密度的一定数目的频率区间;并且
所述至少一个谱图是其像素值表示跨不同频率区间和所述时隙的信号功率的图像。
13.根据权利要求12所述的装置,其中所述频率区间的数目对应于所述时隙中的同相和正交值的数目。
14.根据权利要求1至13中任一项所述的装置,其中所述谱图是二维图像,其中频率沿着所述图像的宽度,并且时间沿着所述图像的高度。
15.根据权利要求14所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
基于所述装置的环境感测能力节点的认证要求来约束所述谱图的所述宽度。
16.根据权利要求1至15中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
跳过不在具有相对较高计算能量的所述子集中的时隙的所述功率谱密度的计算;
其中所述子集中时隙的数目小于所述时隙的数目。
17.根据权利要求1至16中任一项所述的装置,其中所述子集中时隙的数目等于所述时隙的数目,使得在计算所述至少一个谱图的所述一个或多个功率谱密度时没有时隙被跳过。
18.根据权利要求1至17中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
使用以整数给出的样本增量来计算时隙的能量,所述整数大于或等于1,其中当所述整数等于1时没有样本被跳过;以及
为所述整数选择下限,使得所述能量计算发生在时间阈值内。
19.根据权利要求18所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
为所述整数选择上限,使得所述至少一个雷达信号的所述存在的检测超过雷达检测阈值。
20.根据权利要求18至19中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
作为以下项的结果而确定所述整数的值和所述子集中时隙的数目:逐渐增加所述整数和减少所述子集中时隙的数目,直到所述至少一个雷达信号的所述存在的所述检测及其带宽估计在时间阈值内,并且直到不存在以下情况:存储器溢出,使得样本在所述至少一个样本的所述生成之后、以其被放入所述存储器中的速率相同的速率从所述存储器中被清除。
21.根据权利要求1至20中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
经由以下项来训练所述模型:确定在谱图图像学习期间无线电信号在所述装置的环境感测能力节点处的非确定性聚合如何影响所述至少一个谱图。
22.根据权利要求1至21中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
使用带外雷达信号的实例来训练所述模型;以及
基于存在于所述装置的射频接收器的监测频带中的雷达频谱的一部分,调节用于训练所述模型的所述带外雷达信号的所述实例。
23.根据权利要求1至22中任一项所述的装置,其中所述模型是卷积神经网络、回归模型、和/或只看一次模型。
24.根据权利要求1至23中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
监测以所述共享频谱带的中心频率为中心的频带,被监测频带比所述共享频谱带要宽;
确定所述至少一个雷达信号的估计带宽的大部分是否在所述共享频谱带之外;以及
响应于所述至少一个雷达信号的所述估计带宽的所述大部分在所述共享频谱带之外,确定所述至少一个雷达信号为带外雷达。
25.根据权利要求24所述的装置,其中所述被监测频带是与3537.5兆赫至3662.5兆赫的带宽相对应的125兆赫,比所述共享频谱带要宽25兆赫,所述共享频谱带具有3550兆赫至3650兆赫的带宽。
26.根据权利要求24至25中任一项所述的装置,其中所述共享频谱带是公民宽带无线电服务频带。
27.根据权利要求1至26中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
将所述至少一个谱图的高度选择为跨所述至少一个雷达信号的类型集合的最小突发长度的最大值。
28.根据权利要求1至27中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
确定多个无线设备对所述装置的环境感测能力节点的聚合干扰;
将所述聚合干扰确定为与相应无线设备相对应的相应加性高斯白噪声的总和,使得所述加性高斯白噪声是所述无线设备的所述聚合干扰的代理;以及
使用所确定的聚合干扰来训练所述模型。
29.根据权利要求28所述的装置,其中所述无线设备在所述共享频谱带中操作。
30.根据权利要求29所述的装置,其中所述无线设备是公民宽带无线电服务设备。
31.根据权利要求1至30中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
使用与随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度;或者
使用与非随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度、同时对于数个随机选择的连续时隙保持干扰的频谱占用不变;并且
其中所述人工构造功率谱密度具有与从至少一个无线设备捕获的雷达信号相对应的大小。
32.根据权利要求1至31中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
使用多个雷达信号的较低和较高频率的集合来训练所述模型。
33.根据权利要求1至32中任一项所述的装置,还包括环境感测能力接收器,所述环境感测能力接收器检测所述至少一个雷达信号的所述存在,并且生成与所述至少一个雷达信号相对应的所述至少一个样本,其中所述环境感测能力接收器是人工智能无线电收发器软件定义的无线电环境感测能力射频接收器。
34.根据权利要求1至33中任一项所述的装置,还包括多个处理器核,所述多个处理器核用于执行并行处理,使得所述至少一个样本的所述生成、所述能量确定、以及所述谱图形成被并行执行。
35.根据权利要求1至34中任一项所述的装置,其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起,使所述装置至少:
监测在训练所述模型之前的探测阶段期间处理所述能量确定、所述谱图形成和所述带宽估计所花费的时间量;以及
响应于所述能量确定、所述谱图形成、或所述带宽估计所花费的时间长于所述观察窗口的持续时间,使用附加处理器核来加快所花费的时间大于所述观察窗口的所述处理。
36.根据权利要求35所述的装置,其中所述能量确定、所述谱图形成、和/或所述带宽估计与所述至少一个雷达信号的所述存在的所述检测并行发生。
37.根据权利要求1至36中任一项所述的装置,其中所述至少一个雷达信号是从可移动源生成的。
38.根据权利要求1至37中任一项所述的装置,被包括在频谱控制器云中。
39.根据权利要求38所述的装置,被实现为所述频谱控制器云内的环境感测能力节点。
40.根据权利要求1至39中任一项所述的装置,其中所述共享频谱带向现任用户、优先接入许可证用户、或一般授权接入用户中的至少一者提供接入。
41.一种装置,包括用于执行以下各项的部件:
生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;
使用所述至少一个样本的时域和频域特性来形成至少一个谱图;
其中所述至少一个谱图是作为以下项的结果而被形成的:将所述至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度;
将所述至少一个谱图传递到模型,以检测所述至少一个雷达信号的存在、并且进一步将所述至少一个雷达信号分类为干扰/噪声或者雷达存在、并且估计已经被检测到的所述至少一个雷达信号的带宽;以及
基于所述至少一个雷达信号的所估计的所述带宽,确定所述至少一个雷达信号相对于共享频谱带是在带内、还是在带外。
42.根据权利要求41所述的装置,其中所述部件还被配置为执行:
响应于所估计的所述带宽在所述共享频谱带之外,确定所述至少一个雷达信号在带外。
43.根据权利要求42所述的装置,其中所述共享频谱带是3100兆赫至3400兆赫、3450兆赫至3550兆赫、或3550兆赫至3650兆赫。
44.根据权利要求41至43中任一项所述的装置,其中所述部件还被配置为执行:
作为在所述至少一个谱图内检测到亮点的结果而使用所述模型来估计所述至少一个雷达信号的所述带宽,所述亮点包括所述时隙的所述子集的所计算的所述一个或多个功率谱密度内、相对于其他频谱分量具有较高功率的频谱分量。
45.根据权利要求44所述的装置,其中所述部件还被配置为执行:
计算所述时隙的所述一个或多个功率谱密度,以确定所述至少一个谱图;以及
从所述至少一个谱图中移除与具有不指示所述雷达脉冲的存在的相对较低像素值的所述时隙相对应的行,以从所述至少一个谱图中移除非雷达行以增加所述亮点的密度。
46.根据权利要求41至45中任一项所述的装置,其中所述部件还被配置为执行:
检测超过每兆赫的峰均信号对干扰的阈值的所述至少一个雷达信号;以及
将上限应用于所述时隙的所述给定持续时间,使得平均对平均信号对干扰高于阈值,所述给定持续时间定义所述至少一个谱图的宽度。
47.根据权利要求46所述的装置,其中所述上限是所述至少一个雷达信号的接通持续时间的最低值。
48.根据权利要求46至47中任一项所述的装置,其中所述上限被选择为使得所述至少一个谱图中存在至少一个亮点,所述至少一个亮点包括:计算的功率谱密度内、相对于其他频谱分量具有较高功率的频谱分量。
49.根据权利要求46至48中任一项所述的装置,其中所述每兆赫的峰均信号对干扰的阈值为20分贝。
50.根据权利要求46至49中任一项所述的装置,其中所述时隙的所述给定持续时间的所述上限使用Parseval定理来应用。
51.根据权利要求41至50中任一项所述的装置,其中:
所述至少一个样本是元组,所述元组包括与所述至少一个雷达信号相对应的同相值、以及与所述至少一个雷达信号相对应的正交值;并且
时隙的所述功率谱密度是利用所述装置使用所述时隙内的多个所述元组来计算的,所述功率谱密度表示所述至少一个雷达信号的不同频谱分量处的平均功率。
52.根据权利要求41至51中任一项所述的装置,其中:
所述至少一个谱图是具有第一维度和第二维度的矩阵,所述第一维度对应于所述给定持续时间的所述一定数目的时隙,所述第二维度对应于所述功率谱密度的一定数目的频率区间;并且
所述至少一个谱图是其像素值表示跨不同频率区间和所述时隙的信号功率的图像。
53.根据权利要求52所述的装置,其中所述频率区间的数目对应于所述时隙中的同相和正交值的数目。
54.根据权利要求41至53中任一项所述的装置,其中所述谱图是二维图像,其中频率沿着所述图像的宽度,并且时间沿着所述图像的高度。
55.根据权利要求54所述的装置,其中所述部件还被配置为执行:
基于所述装置的环境感测能力节点的认证要求来约束所述谱图的所述宽度。
56.根据权利要求41至55中任一项所述的装置,其中所述部件还被配置为执行:
跳过不在具有相对较高计算能量的所述子集中的时隙的所述功率谱密度的计算;
其中所述子集中时隙的数目小于所述时隙的数目。
57.根据权利要求41至56中任一项所述的装置,其中所述子集中时隙的数目等于所述时隙的数目,使得在计算所述至少一个谱图的所述一个或多个功率谱密度时没有时隙被跳过。
58.根据权利要求41至57中任一项所述的装置,其中所述部件还被配置为执行:
使用以整数给出的样本增量来计算时隙的能量,所述整数大于或等于1,其中当所述整数等于1时没有样本被跳过;以及
为所述整数选择下限,使得所述能量计算发生在时间阈值内。
59.根据权利要求58所述的装置,其中所述部件还被配置为执行:
为所述整数选择上限,使得所述至少一个雷达信号的所述存在的检测超过雷达检测阈值。
60.根据权利要求58至59中任一项所述的装置,其中所述部件还被配置为执行:
作为以下项的结果而确定所述整数的值和所述子集中时隙的数目:逐渐增加所述整数和减少所述子集中时隙的数目,直到所述至少一个雷达信号的所述存在的所述检测及其带宽估计在时间阈值内,并且直到不存在以下情况:存储器溢出,使得样本在所述至少一个样本的所述生成之后、以其被放入所述存储器中的速率相同的速率从所述存储器中被清除。
61.根据权利要求41至60中任一项所述的装置,其中所述部件还被配置为执行:
经由以下项来训练所述模型:确定在谱图图像学习期间无线电信号在所述装置的环境感测能力节点处的非确定性聚合如何影响所述至少一个谱图。
62.根据权利要求41至61中任一项所述的装置,其中所述部件还被配置为执行:
使用带外雷达信号的实例来训练所述模型;以及
基于存在于所述装置的射频接收器的监测频带中的雷达频谱的一部分,调节用于训练所述模型的所述带外雷达信号的所述实例。
63.根据权利要求41至62中任一项所述的装置,其中所述模型是卷积神经网络、回归模型、和/或只看一次模型。
64.根据权利要求41至63中任一项所述的装置,其中所述部件还被配置为执行:
监测以所述共享频谱带的中心频率为中心的频带,被监测频带比所述共享频谱带要宽;
确定所述至少一个雷达信号的估计带宽的大部分是否在所述共享频谱带之外;以及
响应于所述至少一个雷达信号的所述估计带宽的所述大部分在所述共享频谱带之外,确定所述至少一个雷达信号为带外雷达。
65.根据权利要求64所述的装置,其中所述被监测频带是与3537.5兆赫至3662.5兆赫的带宽相对应的125兆赫,比所述共享频谱带要宽25兆赫,所述共享频谱带具有3550兆赫至3650兆赫的带宽。
66.根据权利要求64至65中任一项所述的装置,其中所述共享频谱带是公民宽带无线电服务频带。
67.根据权利要求41至66中任一项所述的装置,其中所述部件还被配置为执行:
将所述至少一个谱图的高度选择为跨所述至少一个雷达信号的类型集合的最小突发长度的最大值。
68.根据权利要求41至67中任一项所述的装置,其中所述部件还被配置为执行:
确定多个无线设备对所述装置的环境感测能力节点的聚合干扰;
将所述聚合干扰确定为与相应无线设备相对应的相应加性高斯白噪声的总和,使得所述加性高斯白噪声是所述无线设备的所述聚合干扰的代理;以及
使用所确定的聚合干扰来训练所述模型。
69.根据权利要求68所述的装置,其中所述无线设备在所述共享频谱带中操作。
70.根据权利要求69所述的装置,其中所述无线设备是公民宽带无线电服务设备。
71.根据权利要求41至70中任一项所述的装置,其中所述部件还被配置为执行:
使用与随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度;或者
使用与非随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度的数目、同时对于数个随机选择的连续时隙保持干扰的频谱占用不变;并且
其中所述人工构造功率谱密度具有与从至少一个无线设备捕获的雷达信号相对应的大小。
72.根据权利要求41至71中任一项所述的装置,其中所述部件还被配置为执行:
使用多个雷达信号的较低和较高频率的集合来训练所述模型。
73.根据权利要求41至72中任一项所述的装置,还包括环境感测能力接收器,所述环境感测能力接收器检测所述至少一个雷达信号的所述存在,并且生成与所述至少一个雷达信号相对应的所述至少一个样本,其中所述环境感测能力接收器是人工智能无线电收发器软件定义的无线电环境感测能力射频接收器。
74.根据权利要求41至73中任一项所述的装置,还包括多个处理器核,所述多个处理器核用于执行并行处理,使得所述至少一个样本的所述生成、所述能量确定、以及所述谱图形成被并行执行。
75.根据权利要求41至74中任一项所述的装置,其中所述部件还被配置为执行:
监测在训练所述模型之前的探测阶段期间处理所述能量确定、所述谱图形成和所述带宽估计所花费的时间量;以及
响应于所述能量确定、所述谱图形成、或所述带宽估计所花费的时间长于所述观察窗口的持续时间,使用附加处理器核来加快所花费的时间大于所述观察窗口的所述处理。
76.根据权利要求75所述的装置,其中所述能量确定、所述谱图形成、和/或所述带宽估计与所述至少一个雷达信号的所述存在的所述检测并行发生。
77.根据权利要求41至76中任一项所述的装置,其中所述至少一个雷达信号是从可移动源生成的。
78.根据权利要求41至77中任一项所述的装置,被包括在频谱控制器云中。
79.根据权利要求78所述的装置,被实现为所述频谱控制器云内的环境感测能力节点。
80.根据权利要求41至79中任一项所述的装置,其中所述共享频谱带向现任用户、优先接入许可证用户、或一般授权接入用户中的至少一者提供接入。
81.一种方法,包括:
生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;
使用所述至少一个样本的时域和频域特性来形成至少一个谱图;
其中所述至少一个谱图是作为以下项的结果而被形成的:将所述至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度;
将所述至少一个谱图传递到模型,以检测所述至少一个雷达信号的存在、并且进一步将所述至少一个雷达信号分类为干扰/噪声或者雷达存在、并且估计已经被检测到的所述至少一个雷达信号的带宽;以及
基于所述至少一个雷达信号的所估计的所述带宽,确定所述至少一个雷达信号相对于共享频谱带是在带内、还是在带外。
82.根据权利要求81所述的方法,还包括:
响应于所估计的所述带宽在所述共享频谱带之外,确定所述至少一个雷达信号在带外。
83.根据权利要求82所述的方法,其中所述共享频谱带是3100兆赫至3400兆赫、3450兆赫至3550兆赫、或3550兆赫至3650兆赫。
84.根据权利要求81至83中任一项所述的方法,还包括:
作为在所述至少一个谱图内检测到亮点的结果而使用所述模型来估计所述至少一个雷达信号的所述带宽,所述亮点包括:所述时隙的所述子集的所计算的所述一个或多个功率谱密度内、相对于其他频谱分量具有较高功率的频谱分量。
85.根据权利要求84所述的方法,还包括:
计算所述时隙的所述一个或多个功率谱密度,以确定所述至少一个谱图;以及
从所述至少一个谱图中移除与具有不指示所述雷达脉冲的存在的相对较低像素值的所述时隙相对应的行,以从所述至少一个谱图中移除非雷达行以增加所述亮点的密度。
86.根据权利要求81至85中任一项所述的方法,还包括:
检测超过每兆赫的峰均信号对干扰的阈值的所述至少一个雷达信号;以及
将上限应用于所述时隙的所述给定持续时间,使得平均对平均信号对干扰高于阈值,所述给定持续时间定义所述至少一个谱图的宽度。
87.根据权利要求86所述的方法,其中所述上限是所述至少一个雷达信号的接通持续时间的最低值。
88.根据权利要求86至87中任一项所述的方法,其中所述上限被选择为使得所述至少一个谱图中存在至少一个亮点,所述至少一个亮点包括:计算的功率谱密度内、相对于其他频谱分量具有较高功率的频谱分量。
89.根据权利要求86至88中任一项所述的方法,其中所述每兆赫的峰均信号对干扰的阈值为20分贝。
90.根据权利要求86至89中任一项所述的方法,其中所述时隙的所述给定持续时间的所述上限使用Parseval定理来应用。
91.根据权利要求81至90中任一项所述的方法,其中:
所述至少一个样本是元组,所述元组包括与所述至少一个雷达信号相对应的同相值、以及与所述至少一个雷达信号相对应的正交值;并且
时隙的所述功率谱密度是使用所述时隙内的多个所述元组来计算的,所述功率谱密度表示所述至少一个雷达信号的不同频谱分量处的平均功率。
92.根据权利要求81至91中任一项所述的方法,其中:
所述至少一个谱图是具有第一维度和第二维度的矩阵,所述第一维度对应于所述给定持续时间的所述一定数目的时隙,所述第二维度对应于所述功率谱密度的一定数目的频率区间;并且
所述至少一个谱图是其像素值表示跨不同频率区间和所述时隙的信号功率的图像。
93.根据权利要求92所述的方法,其中所述频率区间的数目对应于所述时隙中的同相和正交值的数目。
94.根据权利要求81至93中任一项所述的方法,其中所述谱图是二维图像,其中频率沿着所述图像的宽度,并且时间沿着所述图像的高度。
95.根据权利要求94所述的方法,还包括:
基于环境感测能力节点的认证要求来约束所述谱图的所述宽度。
96.根据权利要求81至95中任一项所述的方法,还包括:
跳过不在具有相对较高计算能量的所述子集中的时隙的所述功率谱密度的计算;
其中所述子集中时隙的数目小于所述时隙的数目。
97.根据权利要求81至96中任一项所述的方法,其中所述子集中时隙的数目等于所述时隙的数目,使得在计算所述至少一个谱图的所述一个或多个功率谱密度时没有时隙被跳过。
98.根据权利要求81至97中任一项所述的方法,还包括:
使用以整数给出的样本增量来计算时隙的能量,所述整数大于或等于1,其中当所述整数等于1时没有样本被跳过;以及
为所述整数选择下限,使得所述能量计算发生在时间阈值内。
99.根据权利要求98所述的方法,还包括:
为所述整数选择上限,使得所述至少一个雷达信号的所述存在的检测超过雷达检测阈值。
100.根据权利要求98至99中任一项所述的方法,还包括:
作为以下项的结果而确定所述整数的值和所述子集中时隙的数目:逐渐增加所述整数和减少所述子集中时隙的数目,直到所述至少一个雷达信号的所述存在的所述检测及其带宽估计在时间阈值内,并且直到不存在以下情况:存储器溢出,使得样本在所述至少一个样本的所述生成之后、以其被放入所述存储器中的速率相同的速率从所述存储器中被清除。
101.根据权利要求81至100中任一项所述的方法,还包括:
经由以下项来训练所述模型:确定在谱图图像学习期间无线电信号在环境感测能力节点处的非确定性聚合如何影响所述至少一个谱图。
102.根据权利要求81至101中任一项所述的方法,还包括:
使用带外雷达信号的实例来训练所述模型;以及
基于存在于射频接收器的监测频带中的雷达频谱的一部分,调节用于训练所述模型的所述带外雷达信号的所述实例。
103.根据权利要求81至102中任一项所述的方法,其中所述模型是卷积神经网络、回归模型、和/或只看一次模型。
104.根据权利要求81至103中任一项所述的方法,还包括:
监测以所述共享频谱带的中心频率为中心的频带,被监测频带比所述共享频谱带要宽;
确定所述至少一个雷达信号的估计带宽的大部分是否在所述共享频谱带之外;以及
响应于所述至少一个雷达信号的所述估计带宽的所述大部分在所述共享频谱带之外,确定所述至少一个雷达信号为带外雷达。
105.根据权利要求104所述的方法,其中所述被监测频带是与3537.5兆赫至3662.5兆赫的带宽相对应的125兆赫,比所述共享频谱带要宽25兆赫,所述共享频谱带具有3550兆赫至3650兆赫的带宽。
106.根据权利要求104至105中任一项所述的方法,其中所述共享频谱带是公民宽带无线电服务频带。
107.根据权利要求81至106中任一项所述的方法,还包括:
将所述至少一个谱图的高度选择为跨所述至少一个雷达信号的类型集合的最小突发长度的最大值。
108.根据权利要求81至107中任一项所述的方法,还包括:
确定多个无线设备对环境感测能力节点的聚合干扰;
将所述聚合干扰确定为与相应无线设备相对应的相应加性高斯白噪声的总和,使得所述加性高斯白噪声是所述无线设备的所述聚合干扰的代理;以及
使用所确定的聚合干扰来训练所述模型。
109.根据权利要求108所述的方法,其中所述无线设备在所述共享频谱带中操作。
110.根据权利要求109所述的方法,其中所述无线设备是公民宽带无线电服务设备。
111.根据权利要求81至110中任一项所述的方法,还包括:
使用与随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度;或者
使用与非随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度、同时对于数个随机选择的连续时隙保持干扰的频谱占用不变;并且
其中所述人工构造功率谱密度具有与从至少一个无线设备捕获的雷达信号相对应的大小。
112.根据权利要求81至111中任一项所述的方法,还包括:
使用多个雷达信号的较低和较高频率的集合来训练所述模型。
113.根据权利要求81至112中任一项所述的方法,其中环境感测能力接收器检测所述至少一个雷达信号的所述存在,并且生成与所述至少一个雷达信号相对应的所述至少一个样本,其中所述环境感测能力接收器是人工智能无线电收发器软件定义的无线电环境感测能力射频接收器。
114.根据权利要求81至113中任一项所述的方法,其中多个处理器核用于执行并行处理,使得所述至少一个样本的所述生成、所述能量确定和所述谱图形成被并行执行。
115.根据权利要求81至114中任一项所述的方法,还包括:
监测在训练所述模型之前的探测阶段期间处理所述能量确定、所述谱图形成和所述带宽估计所花费的时间量;以及
响应于所述能量确定、所述谱图形成、或所述带宽估计所花费的时间长于所述观察窗口的持续时间,使用附加处理器核来加快所花费的时间大于所述观察窗口的所述处理。
116.根据权利要求115所述的方法,其中所述能量确定、所述谱图形成、和/或所述带宽估计与所述至少一个雷达信号的所述存在的所述检测并行发生。
117.根据权利要求81至116中任一项所述的方法,其中所述至少一个雷达信号是从可移动源生成的。
118.根据权利要求81至117中任一项所述的方法,是利用频谱控制器云来执行的。
119.根据权利要求118所述的方法,是由所述频谱控制器云内的环境感测能力节点来实现的。
120.根据权利要求81至119中任一项所述的方法,其中所述共享频谱带向现任用户、优先接入许可证用户、或一般授权接入用户中的至少一者提供接入。
121.一种计算机可读介质,包括用于使装置执行至少以下各项的程序指令:
生成与至少一个雷达信号或至少一个非雷达信号相对应的至少一个样本;
使用所述至少一个样本的时域和频域特性来形成至少一个谱图;
其中所述至少一个谱图是作为以下项的结果而被形成的:将所述至少一个样本的观察窗口细分为给定持续时间的一定数目的时隙、计算所述时隙中相对于其他时隙具有较高确定能量的子集的功率谱密度、以及组合所述子集的所计算的一个或多个功率谱密度;
将所述至少一个谱图传递到模型,以检测所述至少一个雷达信号的存在、并且进一步将所述至少一个雷达信号分类为干扰/噪声或者雷达存在、并且估计已经检测到的所述至少一个雷达信号的带宽;以及
基于所述至少一个雷达信号的所估计的所述带宽,确定所述至少一个雷达信号相对于共享频谱带是在带内、还是在带外。
122.根据权利要求121所述的计算机可读介质,还包括用于执行以下项的指令:
响应于所估计的所述带宽在所述共享频谱带之外,确定所述至少一个雷达信号在带外。
123.根据权利要求122所述的计算机可读介质,其中所述共享频谱带是3100兆赫至3400兆赫、3450兆赫至3550兆赫、或3550兆赫至3650兆赫。
124.根据权利要求121至123中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
作为在所述至少一个谱图内检测到亮点的结果而使用所述模型来估计所述至少一个雷达信号的所述带宽,所述亮点包括:所述时隙的所述子集的所计算的所述一个或多个功率谱密度内、相对于其他频谱分量具有较高功率的频谱分量。
125.根据权利要求124所述的计算机可读介质,还包括用于执行以下项的指令:
计算所述时隙的所述一个或多个功率谱密度,以确定所述至少一个谱图;以及
从所述至少一个谱图中移除与具有不指示所述雷达脉冲的存在的相对较低像素值的所述时隙相对应的行,以从所述至少一个谱图中移除非雷达行以增加所述亮点的密度。
126.根据权利要求121至125中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
检测超过每兆赫的峰均信号对干扰的阈值的所述至少一个雷达信号;以及
将上限应用于所述时隙的所述给定持续时间,使得平均对平均信号对干扰高于阈值,所述给定持续时间定义所述至少一个谱图的宽度。
127.根据权利要求126所述的计算机可读介质,其中所述上限是所述至少一个雷达信号的接通持续时间的最低值。
128.根据权利要求126至127中任一项所述的计算机可读介质,其中所述上限被选择为使得所述至少一个谱图中存在至少一个亮点,所述至少一个亮点包括:计算的功率谱密度内、相对于其他频谱分量具有较高功率的频谱分量。
129.根据权利要求126至128中任一项所述的计算机可读介质,其中所述每兆赫的峰均信号对干扰的阈值为20分贝。
130.根据权利要求126至129中任一项所述的计算机可读介质,其中所述时隙的所述给定持续时间的所述上限使用Parseval定理来应用。
131.根据权利要求121至130中任一项所述的计算机可读介质,其中:
所述至少一个样本是元组,所述元组包括与所述至少一个雷达信号相对应的同相值、以及与所述至少一个雷达信号相对应的正交值;并且
时隙的所述功率谱密度是使用所述时隙内的多个所述元组来计算的,所述功率谱密度表示所述至少一个雷达信号的不同频谱分量处的平均功率。
132.根据权利要求121至131中任一项所述的计算机可读介质,其中:
所述至少一个谱图是具有第一维度和第二维度的矩阵,所述第一维度对应于所述给定持续时间的所述一定数目的时隙,所述第二维度对应于所述功率谱密度的一定数目的频率区间;并且
所述至少一个谱图是其像素值表示跨不同频率区间和所述时隙的信号功率的图像。
133.根据权利要求132所述的计算机可读介质,其中所述频率区间的数目对应于所述时隙中的同相和正交值的数目。
134.根据权利要求121至133中任一项所述的计算机可读介质,其中所述谱图是二维图像,其中频率沿着所述图像的宽度,并且时间沿着所述图像的高度。
135.根据权利要求134所述的计算机可读介质,还包括用于执行以下项的指令:
基于环境感测能力节点的认证要求来约束所述谱图的所述宽度。
136.根据权利要求121至135中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
跳过不在具有相对较高计算能量的所述子集中的时隙的所述功率谱密度的计算;
其中所述子集中时隙的数目小于所述时隙的数目。
137.根据权利要求121至136中任一项所述的计算机可读介质,其中所述子集中时隙的数目等于所述时隙的数目,使得在计算所述至少一个谱图的所述一个或多个功率谱密度时没有时隙被跳过。
138.根据权利要求121至137中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
使用以整数给出的样本增量来计算时隙的能量,所述整数大于或等于1,其中当所述整数等于1时没有样本被跳过;以及
为所述整数选择下限,使得所述能量计算发生在时间阈值内。
139.根据权利要求138所述的计算机可读介质,还包括用于执行以下项的指令:
为所述整数选择上限,使得所述至少一个雷达信号的所述存在的检测超过雷达检测阈值。
140.根据权利要求138至139中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
作为以下项的结果而确定所述整数的值和所述子集中时隙的数目:逐渐增加所述整数和减少所述子集中时隙的数目,直到所述至少一个雷达信号的所述存在的所述检测及其带宽估计在时间阈值内,并且直到不存在以下情况:存储器溢出,使得样本在所述至少一个样本的所述生成之后、以其被放入所述存储器中的速率相同的速率从所述存储器中被清除。
141.根据权利要求121至140中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
经由以下项来训练所述模型:确定在谱图图像学习期间无线电信号在环境感测能力节点处的非确定性聚合如何影响所述至少一个谱图。
142.根据权利要求121至141中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
使用带外雷达信号的实例来训练所述模型;以及
基于存在于射频接收器的监测频带中的雷达频谱的一部分,调节用于训练所述模型的所述带外雷达信号的所述实例。
143.根据权利要求121至142中任一项所述的计算机可读介质,其中所述模型是卷积神经网络、回归模型、和/或只看一次模型。
144.根据权利要求121至143中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
监测以所述共享频谱带的中心频率为中心的频带,被监测频带比所述共享频谱带要宽;
确定所述至少一个雷达信号的估计带宽的大部分是否在所述共享频谱带之外;以及
响应于所述至少一个雷达信号的所述估计带宽的所述大部分在所述共享频谱带之外,确定所述至少一个雷达信号为带外雷达。
145.根据权利要求144所述的计算机可读介质,其中所述被监测频带是与3537.5兆赫至3662.5兆赫的带宽相对应的125兆赫,比所述共享频谱带要宽25兆赫,所述共享频谱带具有3550兆赫至3650兆赫的带宽。
146.根据权利要求144至145中任一项所述的计算机可读介质,其中所述共享频谱带是公民宽带无线电服务频带。
147.根据权利要求121至146中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
将所述至少一个谱图的高度选择为跨所述至少一个雷达信号的类型集合的最小突发长度的最大值。
148.根据权利要求121至147中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
确定多个无线设备对环境感测能力节点的聚合干扰;
将所述聚合干扰确定为与相应无线设备相对应的相应加性高斯白噪声的总和,使得所述加性高斯白噪声是所述无线设备的所述聚合干扰的代理;以及
使用所确定的聚合干扰来训练所述模型。
149.根据权利要求148所述的计算机可读介质,其中所述无线设备在所述共享频谱带中操作。
150.根据权利要求149所述的计算机可读介质,其中所述无线设备是公民宽带无线电服务设备。
151.根据权利要求121至150中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
使用与随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度;或者
使用与非随机干扰相对应的构造谱图来训练所述模型,所述构造谱图作为以下项的结果而被创建:随机选择已经堆叠的数个人工构造功率谱密度、同时对于数个随机选择的连续时隙保持干扰的频谱占用不变;并且
其中所述人工构造功率谱密度具有与从至少一个无线设备捕获的雷达信号相对应的大小。
152.根据权利要求121至151中任一项所述的计算机可读介质,所述操作还包括:
使用多个雷达信号的较低和较高频率的集合来训练所述模型。
153.根据权利要求121至152中任一项所述的计算机可读介质,其中环境感测能力接收器检测所述至少一个雷达信号的所述存在,并且生成与所述至少一个雷达信号相对应的所述至少一个样本,其中所述环境感测能力接收器是人工智能无线电收发器软件定义的无线电环境感测能力射频接收器。
154.根据权利要求121至153中任一项所述的计算机可读介质,其中多个处理器核用于执行并行处理,使得所述至少一个样本的所述生成、所述能量确定和所述谱图形成被并行执行。
155.根据权利要求121至154中任一项所述的计算机可读介质,还包括用于执行以下项的指令:
监测在训练所述模型之前的探测阶段期间处理所述能量确定、所述谱图形成和所述带宽估计所花费的时间量;以及
响应于所述能量确定、所述谱图形成、或所述带宽估计所花费的时间长于所述观察窗口的持续时间,使用附加处理器核来加快所花费的时间大于所述观察窗口的所述处理。
156.根据权利要求155所述的计算机可读介质,其中所述能量确定、所述谱图形成、和/或所述带宽估计与所述至少一个雷达信号的所述存在的所述检测并行发生。
157.根据权利要求121至156中任一项所述的计算机可读介质,其中所述至少一个雷达信号是从可移动源生成的。
158.根据权利要求121至157中任一项所述的计算机可读介质,其中所述装置被包括在频谱控制器云中。
159.根据权利要求158所述的计算机可读介质,其中所述装置被实现为所述频谱控制器云内的环境感测能力节点。
160.根据权利要求121至159中任一项所述的计算机可读介质,其中所述共享频谱带向现任用户、优先接入许可证用户、或一般授权接入用户中的至少一者提供接入。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2021/036327 WO2022260651A1 (en) | 2021-06-08 | 2021-06-08 | Transmitter detection in shared spectrum band |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117796007A true CN117796007A (zh) | 2024-03-29 |
Family
ID=84426263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180100942.5A Pending CN117796007A (zh) | 2021-06-08 | 2021-06-08 | 共享频谱带中的发送器检测 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4352995A1 (zh) |
CN (1) | CN117796007A (zh) |
WO (1) | WO2022260651A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11436525B2 (en) * | 2017-12-01 | 2022-09-06 | Deepwave Digital, Inc. | Artificial intelligence radio transceiver |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6697013B2 (en) * | 2001-12-06 | 2004-02-24 | Atheros Communications, Inc. | Radar detection and dynamic frequency selection for wireless local area networks |
US9699663B1 (en) * | 2015-02-20 | 2017-07-04 | Kathryn Jovancevic | Spectrum sharing system |
WO2019108991A1 (en) * | 2017-11-30 | 2019-06-06 | Atc Technologies, Llc | Wireless communication systems with code-division multiple access and interference avoidance |
DE102019103265A1 (de) * | 2018-02-09 | 2019-08-14 | Mavenir Networks, Inc. | Verfahren und vorrichtung für den long term evolutionbetrieb im unlizensierten und geteilten spektrum für cloudfunkzugangsnetze |
-
2021
- 2021-06-08 EP EP21945326.3A patent/EP4352995A1/en active Pending
- 2021-06-08 CN CN202180100942.5A patent/CN117796007A/zh active Pending
- 2021-06-08 WO PCT/US2021/036327 patent/WO2022260651A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022260651A1 (en) | 2022-12-15 |
EP4352995A1 (en) | 2024-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khawar et al. | Spectrum sharing between S-band radar and LTE cellular system: A spatial approach | |
JP7166584B2 (ja) | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム | |
US20180059213A1 (en) | Radar Detection and/or Protection in a Wireless Communication System Operating in a Spectrum Shared with at Least One Radar System | |
EP2717499A1 (en) | Method and device for acquiring idle frequency spectrum | |
US9743220B2 (en) | Adaptive frequency hopping (AFH) with channel inhibition (CI) for bluetooth | |
KR102265455B1 (ko) | 무선 통신 시스템에서 간섭을 완화하기 위한 장치 및 방법 | |
Sarkar et al. | DeepRadar: A deep-learning-based environmental sensing capability sensor design for CBRS | |
US11558881B2 (en) | Scheduler information-based data acquisition and interference detection | |
Tonnemacher et al. | Opportunistic channel access using reinforcement learning in tiered CBRS networks | |
US20180027571A1 (en) | Resource Allocation Method, Control Entity and Access Node Using the Same | |
EP3108598A1 (en) | Optimizing network resources in a telecommunications system | |
CN111050391B (zh) | 基于cr-vanet的车载雷达通信一体化系统的时间和功率联合分配方法 | |
US20230388809A1 (en) | Learning-Based Spectrum Occupancy Prediction Exploiting Multi-Dimensional Correlation | |
US20150257156A1 (en) | Dynamic radio frequency mapping | |
Umebayashi et al. | Development of a measurement system for spectrum awareness | |
US9521571B2 (en) | Method and apparatus of switching communications from a first channel to a second channel of higher-frequency | |
CN117796007A (zh) | 共享频谱带中的发送器检测 | |
US20180115977A1 (en) | Wireless communication system, base station device, wireless communication control device, and wireless communication control method | |
US9119214B2 (en) | Coordinated optimization of underlay network communication for efficient use of spectrum | |
Mu et al. | Cognitive radio and the new spectrum paradigm for 5G | |
Reus-Muns et al. | Senseoran: O-RAN based radar detection in the cbrs band | |
RU2651577C1 (ru) | Устройство беспроводной связи, способ беспроводной связи и система беспроводной связи | |
CN116709556A (zh) | 联合通信和感测中的资源分配 | |
Shbat et al. | Spectrum sensing challenges of iot nodes designed under 5G network standards | |
Zander et al. | Opportunistic secondary spectrum access: Opportunities and limitations |
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 |