JP6815569B2

JP6815569B2 - 信号検出装置、信号検出方法、制御回路およびプログラム

Info

Publication number: JP6815569B2
Application number: JP2020537326A
Authority: JP
Inventors: 章範大橋
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2018-08-15
Filing date: 2018-08-15
Publication date: 2021-01-20
Anticipated expiration: 2038-08-15
Also published as: CN112567656A; EP3826203A1; EP3826203B1; JPWO2020035920A1; US20210168008A1; CN112567656B; WO2020035920A1; EP3826203A4

Description

本発明は、無線通信システムにおける信号を検出する信号検出装置および信号検出方法に関する。

近年、割当可能な周波数帯域の不足により、同一周波数を共用する無線システムが求められている。この無線システムの一例として、複数の無線システムから構成されるコグニティブ無線システムが挙げられる。コグニティブ無線システムでは一方の無線システムが通信している場合、他方の無線システムは一方の無線システムに干渉しないようにするため通信しない場合がある。また、一方の無線システムが通信していないときには、他方の無線システムは通信する場合がある。この場合、一方の無線システムは他方の無線システムの通信状況を正確に把握する必要があるため、信号の有無を検知する信号検出技術が必要となる。

特許文献１は、受信信号のレベルがある閾値以下のときに、信号の周期的な繰り返し成分を示す周期定常性として、周期自己相関関数を計算し、得られた周期自己相関関数を用いて信号の存在有無を判定する信号検出装置を開示する。

特許第４５３１５８１号公報

特許文献１に記載のようなコグニティブ無線システムでは、一方の無線システムが通信を停止する期間を設け、この期間に他方の無線システムの信号を検出する場合がある。このような場合、信号検出を行う期間が長くなると、一方の無線システムの通信停止の期間が長くなり、通信効率が低下する。このため、信号の検出期間を短縮するために、信号の検出精度を向上させる必要があった。

本発明は、上記に鑑みてなされたものであって、信号の検出精度を向上することができる信号検出装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本発明にかかる信号検出装置は、受信信号を用いてピーク対平均電力比を第１の特徴量として算出する第１の算出部と、受信信号を用いて周期自己相関関数、スペクトル相関関数、信号電力、振幅相関、および位相差分のうち、少なくとも１つを第２の特徴量として算出する第２の算出部と、第１の特徴量および第２の特徴量を用いて、機械学習により受信信号における検出対象の信号の有無を判定する信号判定部と、を備えることを特徴とする。

本発明にかかる信号検出装置は、信号の検出精度を向上することができるという効果を奏する。

実施の形態にかかる信号検出装置の機能ブロックを示す図実施の形態にかかる制御回路を示す図実施の形態にかかる帯域制限フィルタ後の信号に対する周波数スペクトルを示す図実施の形態にかかるＯＦＤＭ信号のスペクトル相関関数を示す図実施の形態にかかる図４のＳＣＦのピークが発生する周波数とサイクリック周波数との組み合わせを示す図実施の形態にかかる信号判定部が識別器としてニューラルネットワークを用いる場合の構成例を示す図

以下に、本発明の実施の形態にかかる信号検出装置および信号検出方法を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

実施の形態．
図１は、実施の形態にかかる信号検出装置の機能ブロックを示す図である。信号検出装置１００は、基地局、移動局、または基地局および移動局の両方に備えられ、他システムからの信号、および自システムが送信した信号を受信する。信号検出装置１００は、アンテナ２００と、特徴量抽出部２１０と、信号判定部２２０とを備える。アンテナ２００は、検出対象となる信号を受信する。特徴量抽出部２１０は、受信した信号を用いて特徴量を抽出する。信号判定部２２０は、特徴量抽出部２１０が抽出した特徴量を用いて機械学習により検出対象の信号の有無を判定する。

特徴量抽出部２１０および信号判定部２２０は、各処理を行う電子回路である処理回路により実現される。

本処理回路は、専用のハードウェアであっても、メモリ及びメモリに格納されるプログラムを実行するＣＰＵ（Central Processing Unit、中央演算装置）を備える制御回路であってもよい。ここでメモリとは、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリなどの、不揮発性または揮発性の半導体メモリ、磁気ディスク、光ディスクなどが該当する。本処理回路がＣＰＵを備える制御回路である場合、この制御回路は例えば、図２に示す構成の制御回路４００となる。

図２に示すように、制御回路４００は、ＣＰＵであるプロセッサ４００ａと、メモリ４００ｂとを備える。図２に示す制御回路４００により実現される場合、プロセッサ４００ａがメモリ４００ｂに記憶された、各処理に対応するプログラムを読みだして実行することにより実現される。また、メモリ４００ｂは、プロセッサ４００ａが実施する各処理における一時メモリとしても使用される。

特徴量抽出部２１０は、第１の算出部２１１と、第２の算出部２１２とを備える。第１の算出部２１１は、受信信号を用いて特徴量の１つであるピーク対平均電力比を算出する。ピーク対平均電力比は、第１の特徴量とも呼ばれる。ピーク対平均電力比は、信号の特徴を示す情報の１つであり、例えばＯＦＤＭ（Orthogonal Frequency Division Multiplexing）信号を検出対象とする場合、ＯＦＤＭ信号がある環境のピーク対平均電力比は、ＯＦＤＭ信号のない雑音のみの環境におけるピーク対平均電力比と比較して高くなる性質がある。これは、ＯＦＤＭ信号が異なるデータで変調された複数のサブキャリアの多重化信号であるためである。つまり、信号がある環境と信号がない環境をピーク対平均電力比で判別することが可能である。このようにピーク対平均電力比は、信号検出をするための信号の特徴量として使用することができる。第１の算出部２１１は、入力する受信信号に対して以下の式を用いてピーク対平均電力比Ｃを算出する。

式（１）において、ｘ［ｉ］は、サンプリングタイミングｉの受信信号を示す。ｐ［ｉ］はサンプリングタイミングｉの受信信号に対する電力を示す。Ｋは受信信号の観測時間を示す。｜ａ｜は複素数ａに対する絶対値を示す。ここで、ａはｘ［ｉ］などである。

第２の算出部２１２は、入力する受信信号に対してピーク対平均電力比以外の特徴量を算出する。具体的には、第２の算出部２１２が算出する特徴量は、周期自己相関関数、スペクトル相関関数（ＳＣＦ：Spectral Correlation Function）、信号電力、振幅相関、および位相差分のうち、少なくとも１つを算出する。第２の算出部２１２が算出する特徴量は、第２の特徴量とも呼ばれる。

周期自己相関関数は、以下の式を用いて算出することができる。

式（２）において、ｖはラグパラメータを示す。αはサイクリック周波数を示す。Ｔ_Ｓはサンプリング周期を示す。ａ^＊は複素数ａの複素共役を示す。

第２の算出部２１２が周期自己相関関数を特徴量として算出するための具体例について詳細に説明する。図３は、実施の形態にかかる帯域制限フィルタ後の信号に対する周波数スペクトルを示す図である。図３において、縦軸は信号の強度を示す。横軸は周波数を示す。信号の周波数スペクトルは、帯域制限フィルタにより帯域制限された場合、信号帯域幅Ｗに収まらない。このとき、周波数シフト前の信号である信号１０の領域Ａ２は、信号１０の領域Ａ１と同じ信号成分になる。信号１０の領域Ｂ２は、信号１０の領域Ｂ１と同じ信号成分になる。この特徴を利用し、帯域制限フィルタ後の信号である信号２０を、信号１０から信号帯域幅Ｗ分だけ周波数シフトした信号とすると、信号１０の領域Ａ２と信号２０の領域Ａ１’は同じ信号成分となる。同様に、信号１０の領域Ｂ１と信号２０の領域Ｂ２’は同じ信号成分になる。ここで、式（２）から周期自己相関関数をｖ＝０としたときはサイクリック周波数αだけ周波数シフトした信号の相関値になることから、ｖ＝０かつα＝Ｗとしたときに周期自己相関関数は相関ピークが発生する。本実施の形態では、周期自己相関関数の相関ピーク値を特徴量として算出する。また、検出対象の信号がＯＦＤＭ信号の場合、ガードインターバル（ＧＩ：Guard interval）による周期的性質から周期自己相関関数にピークが発生する。具体的には、式（２）においてｖ＝±Ｎ_ｄ、α＝ｍ／Ｎ_ＳＴ_Ｓ、のときにピークが発生する。ここで、Ｎ_ｄはＯＦＤＭシンボルのデータ長を示す。Ｎ_ＳはＯＦＤＭシンボルのシンボル長を示す。ｍは任意の整数を示す。ＯＦＤＭ信号が検出対象であれば、このピーク値を周期自己相関関数の特徴量として算出する。

スペクトル相関関数は以下の式を用いて算出することができる。

式（３）において、ｆは周波数を示す。Ｑは観測ラグパラメータ数を示す。また、式（３）は観測サンプル数および観測ラグパラメータ数を無限大に漸近させることで以下の式に変形できる。

式（４）において、Ｘ［ｆ］は受信信号ｘ［ｉ］をフーリエ変換した信号、つまり周波数スペクトルを示す。Ｍは観測シンボル数を示す。Ｎ_ｆはＦＦＴ（Fast Fourier Transform）サイズを示す。式（４）より、スペクトル相関関数は、Ｘ［ｆ］とサイクリック周波数αだけ周波数シフトしたＸ［ｆ−α］との相関値である。

スペクトル相関関数を特徴量として算出するための具体例について説明する。検出対象の信号をＯＦＤＭ信号とし、ある指定のサブキャリアにパイロット信号が挿入されているとする。ここでは、ＧＩ長を１６、ＦＦＴ長を６４とする。また、サブキャリア番号−３２〜３１のうち、サブキャリア番号が−３２〜−２７，０，２７〜３１にはヌル、サブキャリア番号が−２４，−８，８，２４にはパイロット、残りのサブキャリア番号にはデータが割り当てられているＯＦＤＭ信号について説明する。

図４は、実施の形態にかかるＯＦＤＭ信号のスペクトル相関関数を示す図である。ＳＣＦはパイロットにより特定の位置でピークが発生する。特定の位置でのピークは、ＳＣＦが周波数スペクトルＸ［ｆ］とサイクリック周波数αだけシフトした周波数スペクトルＸ［ｆ−α］との相関値であることから、あるパイロットの周波数と、他のパイロットの周波数をサイクリック周波数αだけ周波数シフトした周波数とが一致すると、パイロット同士の相関となるためである。

図５は、実施の形態にかかる図４のＳＣＦのピークが発生する周波数ｆとサイクリック周波数αとの組み合わせを示す図である。図５は、ＳＣＦピークの位置の数を示す番号と、周波数ｆと、サイクリック周波数αとを含む。図５より、ＳＣＦピーク位置は１２箇所である。ＳＣＦピーク位置は、周波数方向に挿入される４箇所のパイロットのうち、相関をとる２箇所のパイロットを選択する順列の数に相当する。ここで、相関値は相関をとる２つの周波数スペクトルの順序に関係なく同じである。例えば、複素数ａ、複素数ｂの相関を考えたとき、複素数ａ，複素数ｂの相関と複素数ｂ，複素数ａとの相関は同じ値になる。このため、図５に示す１２個のＳＣＦピーク位置のうち、ＳＣＦピーク位置は６個あればよい。具体的には、図５の番号が４，７，８，１０，１１，１２の計６個となる。スペクトル相関関数の特徴量はＯＦＤＭ信号のパイロットにより決定されるＳＣＦピーク位置のＳＣＦとしてもよい。また、ＳＣＦピーク位置に関わらず、同じ相関値となる組み合わせを除くすべての位置のＳＣＦを特徴量としてもよい。

信号電力は以下の式を用いて算出することができる。

また、検出対象がＯＦＤＭ信号の場合は、信号電力としてサブキャリア電力を以下の式を用いて算出することができる。

信号電力の特徴量としてサブキャリア電力を用いる場合、例えば、全サブキャリアを特徴量としてもよい。また、ヌルが挿入されるサブキャリアを除く、残りのサブキャリアの電力を特徴量としてもよい。

振幅相関は以下の式を用いて算出することができる。

式（７）において、Ｅ［ａ］は複素数ａに対する平均値を示す。平均を求めるｉの範囲はｉ＝０〜Ｋ−１である。また、ｒ［ｉ］は受信信号ｘ［ｉ］の振幅を示す。振幅相関を特徴量として算出する際は、例えば、式（７）の振幅相関Ｃ［ｍ］をこのまま使用しても良い。また、式（７）の振幅相関に対する統計量を特徴量として使用してもよい。統計量は例えば、平均および分散が挙げられる。位相差分は以下の式を用いて算出することができる。

式（８）において、ａｒｇ｛ａ｝は複素数ａの位相を示す。位相差分を特徴量として算出する場合は、例えば、式（８）の位相差分Ｄ［ｉ］をこのまま使用しても良い。また、式（８）の位相差分に対する統計量を特徴量として使用してもよい。統計量とは例えば、平均または分散である。

信号判定部２２０は、学習済みの識別器を用いて特徴量抽出部２１０で抽出された２つ以上の特徴量、つまりピーク対平均電力比と、周期自己相関関数、スペクトル相関関数、信号電力、振幅相関、位相差分のうち少なくとも１つとを用いて受信信号における検出対象の信号の有無を判定する。識別器には、例えば、ニューラルネットワーク、決定木、ベイズ分類器、サポートベクトルマシンなど、任意の学習器を使用することができる。ニューラルネットワークには畳み込みニューラルネットワーク（ＣＮＮ：Convolution Neural Network）、再起型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）、残差ネットワーク（ＲｅｓＮｅｔ：Residual Network）などを含む。また、ニューラルネットワークには、ニューラルネットワークの層を深くして構成するディープラーニングも同様に含まれる。

図６は、実施の形態にかかる信号判定部２２０が識別器としてニューラルネットワークを用いる場合の構成例を示す図である。信号判定部２２０は、識別器３００と信号有無判定部３４０とを備える。識別器３００は、全結合型ニューラルネットワークである。また、識別器３００は、入力層３１０と、中間層３２０と、出力層３３０との３層で構成される。識別器３００には特徴量抽出部２１０で抽出した特徴量Ｊ（Ｊ＝１〜Ｓ、Ｓ：特徴量の数）の特徴量が、それぞれ、識別器の入力層３１０の入力ノードＡ_Ｊ（Ｊ＝１〜Ｓ）に入力される。入力ノードＡ_Ｊに入力された特徴量Ｊは、入力ノードＡ_Ｊと中間層３２０の中間ノードＢ_Ｋ（Ｋ＝１〜Ｍ）に対応する重み係数Ｗ_Ｊ，Ｋとが積算され、中間ノードＢ_Ｋに入力される。このとき、各入力ノードが中間ノードＢ_Ｋに入力する値に、中間ノードＢ_Ｋに対応するバイアス値Ｔ_Ｋが加算されて、中間ノードＢ_Ｋの値となる。中間ノードＢ_Ｋの値は、シグモイド関数、ＲｅＬＵ（Rectified Linear Unit）関数などの活性化関数を通した後に、中間ノードＢ_Ｋと出力層３３０の出力ノードＣ_Ｌ（Ｌ＝１，２）とに対応する重み係数Ｖ_Ｋ，Ｌが積算され、出力ノードＣ_Ｌに入力される。このとき、各中間ノードから出力ノードＣ_Ｌに入力される値に、出力ノードＣ_Ｌに対応するバイアス値Ｕ_Ｌが加算されて、出力ノードＣ_Ｌの値になる。出力ノードＣ_Ｌの値は、信号有無判定部３４０に入力され、信号有無判定部３４０では信号有無の判定結果を出力する。ここで、出力ノードＣ_１が信号有、出力ノードＣ_２が信号無に対応するとき、信号有無判定部３４０では、Ｃ_１の値≧Ｃ_２の値のときに信号有（例えば、出力値として１）を出力し、Ｃ_１の値＜Ｃ_２の値のときは信号無（例えば、出力値として０）を出力する。

重み係数Ｗ_Ｊ，Ｋ、Ｖ_Ｋ，Ｌおよびバイアス値Ｔ_Ｋ、Ｕ_Ｌついては、教師データ、つまり特徴量Ｊと信号有無の正解値を用いて学習処理を施すことにより決定する。学習処理については、公知の技術、例えば、誤差逆伝播法等を使用する。重み係数およびバイアス値の決定方法について具体的には、信号有無の正解値（例えば、信号有のときＣ_１の値＝１、Ｃ_２の値＝０、信号無のときＣ_１の値＝０、Ｃ_２の値＝１）に対して、識別器が出力する出力ノードの値の誤差が小さくなるように、誤差逆伝播法等を使用して決定する。

以上説明したように、本実施の形態では信号検出装置１００は、ピーク対平均電力比に加えて、ピーク対平均電力比以外にも、周期自己相関関数、スペクトル相関関数、信号電力、振幅相関、および位相差分のうち、いずれか１つまたは複数を特徴量として識別器３００に入力することで、機械学習により信号の有無を判定することができる。このため、信号検出装置１００は受信信号における検出対象の信号の検出精度を向上することができる。

以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１０，２０信号、１００信号検出装置、２００アンテナ、２１０特徴量抽出部、２１１第１の算出部、２１２第２の算出部、２２０信号判定部、３００識別器、３１０入力層、３２０中間層、３３０出力層、３４０信号有無判定部、４００制御回路、４００ａプロセッサ、４００ｂメモリ。

Claims

受信信号を用いてピーク対平均電力比を第１の特徴量として算出する第１の算出部と、
前記受信信号を用いて周期自己相関関数、スペクトル相関関数、信号電力、振幅相関、および位相差分のうち、少なくとも１つを第２の特徴量として算出する第２の算出部と、
前記第１の特徴量および前記第２の特徴量を用いて、機械学習により前記受信信号における検出対象の信号の有無を判定する信号判定部と、
を備えることを特徴とする信号検出装置。
前記信号判定部は、
学習済みの識別器を用いて前記検出対象の信号の有無を判定することを特徴とする請求項１に記載の信号検出装置。
前記学習済みの識別器は、
前記第１の特徴量および前記第２の特徴量を用いて学習処理を施した教師データを用いることを特徴とする請求項２に記載の信号検出装置。
前記識別器は、
ニューラルネットワーク、決定木、ベイズ分類器、およびサポートベクトルマシンのいずれか１つにより構成されることを特徴とする請求項２または３に記載の信号検出装置。
前記検出対象の信号は、
Orthogonal Frequency Division Multiplexing信号であることを特徴とする請求項１から４のいずれか１つに記載の信号検出装置。
受信信号から検出対象の信号の有無を判定する信号検出方法であって、
受信信号を用いてピーク対平均電力比を第１の特徴量として算出する第１のステップと、
前記受信信号を用いて周期自己相関関数、スペクトル相関関数、信号電力、振幅相関、および位相差分のうち、少なくとも１つを第２の特徴量として算出する第２のステップと、
前記第１の特徴量および前記第２の特徴量を用いて、機械学習により前記受信信号における検出対象の信号の有無を判定する第３のステップと、
を含むことを特徴とする信号検出方法。
前記第３のステップでは、
学習済みの識別器を用いて前記検出対象の信号の有無を判定することを特徴とする請求項６に記載の信号検出方法。
前記学習済みの識別器は、
前記第１の特徴量および前記第２の特徴量を用いて学習処理を施した教師データを用いることを特徴とする請求項７に記載の信号検出方法。
前記識別器は、
ニューラルネットワーク、決定木、ベイズ分類器、およびサポートベクトルマシンのいずれか１つにより構成されることを特徴とする請求項７または８に記載の信号検出方法。
前記検出対象の信号は、
Orthogonal Frequency Division Multiplexing信号であることを特徴とする請求項６から９のいずれか１つに記載の信号検出方法。
信号処理装置を制御するための制御回路であって、
受信信号を用いてピーク対平均電力比を第１の特徴量として算出する第１の算出と、
前記受信信号を用いて周期自己相関関数、スペクトル相関関数、信号電力、振幅相関、および位相差分のうち、少なくとも１つを第２の特徴量として算出する第２の算出と、
前記第１の特徴量および前記第２の特徴量を用いて、機械学習により前記受信信号における検出対象の信号の有無を判定する信号判定と、
を前記信号処理装置に行わせることを特徴とする制御回路。
信号処理装置を制御するためのプログラムであって、
受信信号を用いてピーク対平均電力比を第１の特徴量として算出する第１の算出と、
前記受信信号を用いて周期自己相関関数、スペクトル相関関数、信号電力、振幅相関、および位相差分のうち、少なくとも１つを第２の特徴量として算出する第２の算出と、
前記第１の特徴量および前記第２の特徴量を用いて、機械学習により前記受信信号における検出対象の信号の有無を判定する信号判定と、
を前記信号処理装置に行わせることを特徴とするプログラム。