WO2020035920A1 - 信号検出装置および信号検出方法 - Google Patents

信号検出装置および信号検出方法 Download PDF

Info

Publication number
WO2020035920A1
WO2020035920A1 PCT/JP2018/030370 JP2018030370W WO2020035920A1 WO 2020035920 A1 WO2020035920 A1 WO 2020035920A1 JP 2018030370 W JP2018030370 W JP 2018030370W WO 2020035920 A1 WO2020035920 A1 WO 2020035920A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
feature amount
signal detection
detection device
detection method
Prior art date
Application number
PCT/JP2018/030370
Other languages
English (en)
French (fr)
Inventor
章範 大橋
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2018/030370 priority Critical patent/WO2020035920A1/ja
Priority to CN201880096484.0A priority patent/CN112567656B/zh
Priority to EP18929861.5A priority patent/EP3826203B1/en
Priority to JP2020537326A priority patent/JP6815569B2/ja
Publication of WO2020035920A1 publication Critical patent/WO2020035920A1/ja
Priority to US17/172,616 priority patent/US20210168008A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2666—Acquisition of further OFDM parameters, e.g. bandwidth, subcarrier spacing, or guard interval length
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2614—Peak power aspects
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2602—Signal structure
    • H04L27/2605—Symbol extensions, e.g. Zero Tail, Unique Word [UW]
    • H04L27/2607—Cyclic extensions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2602—Signal structure
    • H04L27/261—Details of reference signals
    • H04L27/2613—Structure of the reference signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2662—Symbol synchronisation
    • H04L27/2663—Coarse synchronisation, e.g. by correlation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2668—Details of algorithms
    • H04L27/2673—Details of algorithms characterised by synchronisation parameters
    • H04L27/2676—Blind, i.e. without using known symbols
    • H04L27/2678—Blind, i.e. without using known symbols using cyclostationarities, e.g. cyclic prefix or postfix
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/0001—Arrangements for dividing the transmission path
    • H04L5/0003—Two-dimensional division
    • H04L5/0005—Time-frequency
    • H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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

Definitions

  • the present invention relates to a signal detection device and a signal detection method for detecting a signal in a wireless communication system.
  • this wireless system is a cognitive wireless system composed of a plurality of wireless systems.
  • the cognitive radio system when one radio system is communicating, the other radio system may not communicate so as not to interfere with the one radio system.
  • the other wireless system may communicate.
  • a signal detection technique for detecting the presence or absence of a signal is required.
  • Patent Literature 1 calculates a periodic autocorrelation function as a cyclostationarity indicating a periodic repetitive component of a signal when the level of a received signal is equal to or lower than a certain threshold, and uses the obtained periodic autocorrelation function to calculate a signal.
  • a signal detection device for determining the presence or absence of a signal is disclosed.
  • the present invention has been made in view of the above, and an object of the present invention is to provide a signal detection device capable of improving signal detection accuracy.
  • a signal detection device includes a first calculation unit that calculates a peak-to-average power ratio as a first feature amount using a reception signal; A second calculator that calculates at least one of a periodic autocorrelation function, a spectrum correlation function, a signal power, an amplitude correlation, and a phase difference as a second feature amount using the signal; A signal determination unit that determines the presence or absence of a signal to be detected in the received signal by machine learning using the second feature amount.
  • the signal detection device has an effect that the detection accuracy of a signal can be improved.
  • FIG. 2 is a diagram showing functional blocks of the signal detection device according to the embodiment.
  • FIG. 2 is a diagram illustrating a control circuit according to the embodiment;
  • FIG. 4 is a diagram illustrating a frequency spectrum of a signal after a band-limiting filter according to the embodiment;
  • FIG. 3 is a diagram illustrating a spectrum correlation function of an OFDM signal according to the embodiment;
  • FIG. 4 is a diagram illustrating a combination of a frequency at which the SCF peak occurs in FIG. 4 and a cyclic frequency according to the embodiment;
  • FIG. 1 is a diagram illustrating functional blocks of a signal detection device according to an embodiment.
  • the signal detection device 100 is provided in a base station, a mobile station, or both a base station and a mobile station, and receives a signal from another system and a signal transmitted by the own system.
  • the signal detection device 100 includes an antenna 200, a feature amount extraction unit 210, and a signal determination unit 220.
  • the antenna 200 receives a signal to be detected.
  • the feature amount extraction unit 210 extracts a feature amount using the received signal.
  • the signal determination unit 220 determines the presence or absence of a detection target signal by machine learning using the feature amount extracted by the feature amount extraction unit 210.
  • the feature extraction unit 210 and the signal determination unit 220 are realized by a processing circuit that is an electronic circuit that performs each process.
  • the present processing circuit may be dedicated hardware, or may be a control circuit including a memory and a CPU (Central Processing Unit) that executes a program stored in the memory.
  • the memory corresponds to, for example, a nonvolatile or volatile semiconductor memory such as a RAM (Random Access Memory), a ROM (Read Only Memory), or a flash memory, a magnetic disk, or an optical disk.
  • the control circuit is, for example, a control circuit 400 having a configuration illustrated in FIG.
  • the control circuit 400 includes a processor 400a, which is a CPU, and a memory 400b.
  • the processor 400a reads and executes a program corresponding to each process stored in the memory 400b and executes the program.
  • the memory 400b is also used as a temporary memory in each process performed by the processor 400a.
  • the feature amount extraction unit 210 includes a first calculation unit 211 and a second calculation unit 212.
  • the first calculation unit 211 calculates a peak-to-average power ratio, which is one of the feature amounts, using the received signal.
  • the peak-to-average power ratio is also called a first feature amount.
  • the peak-to-average power ratio is one piece of information indicating the characteristics of the signal. For example, when an OFDM (Orthogonal Frequency Division Multiplexing) signal is to be detected, the peak-to-average power ratio in an environment where the OFDM signal is present is equal to the OFDM signal. It has the property of being higher than the peak-to-average power ratio in a noise-free environment only.
  • the OFDM signal is a multiplexed signal of a plurality of subcarriers modulated with different data. That is, it is possible to determine the environment where there is a signal and the environment where there is no signal based on the peak-to-average power ratio. As described above, the peak-to-average power ratio can be used as a characteristic amount of a signal for signal detection.
  • the first calculation unit 211 calculates the peak-to-average power ratio C for the input received signal using the following equation.
  • x [i] indicates a received signal at sampling timing i.
  • p [i] indicates the power for the received signal at the sampling timing i.
  • K indicates the observation time of the received signal.
  • indicates an absolute value for a complex number a.
  • a is x [i] or the like.
  • the second calculator 212 calculates a feature amount other than the peak-to-average power ratio for the input received signal.
  • the feature quantity calculated by the second calculation unit 212 is at least one of a periodic autocorrelation function, a spectral correlation function (SCF: Spectral ⁇ Correlation ⁇ Function), signal power, amplitude correlation, and phase difference. calculate.
  • SCF Spectral ⁇ Correlation ⁇ Function
  • the feature amount calculated by the second calculation unit 212 is also referred to as a second feature amount.
  • the periodic autocorrelation function can be calculated using the following equation.
  • v indicates a lag parameter.
  • ⁇ indicates a cyclic frequency.
  • T S represents the sampling period.
  • a * indicates the complex conjugate of the complex number a.
  • FIG. 3 is a diagram illustrating a frequency spectrum of a signal after the band-limiting filter according to the embodiment.
  • the vertical axis indicates the signal intensity.
  • the horizontal axis indicates frequency.
  • the area A2 of the signal 10 which is the signal before the frequency shift, has the same signal component as the area A1 of the signal 10.
  • the area B2 of the signal 10 has the same signal components as the area B1 of the signal 10.
  • the region A2 of the signal 10 and the region A1 'of the signal 20 have the same signal component.
  • the region B1 of the signal 10 and the region B2 'of the signal 20 have the same signal component.
  • the correlation function has a correlation peak.
  • the correlation peak value of the periodic autocorrelation function is calculated as a feature value.
  • the signal to be detected is an OFDM signal
  • a peak occurs in the periodic autocorrelation function due to the periodic nature of the guard interval (GI).
  • GI guard interval
  • v ⁇ N d in the formula (2)
  • ⁇ m / N S T S
  • the peak occurs when the.
  • N d denotes the data length of the OFDM symbol.
  • N S denotes the symbol length of the OFDM symbol.
  • m represents an arbitrary integer. If the OFDM signal is a detection target, the peak value is calculated as a feature value of the periodic autocorrelation function.
  • the spectral correlation function can be calculated using the following equation.
  • Equation (3) F In equation (3), f indicates a frequency.
  • Q indicates the number of observation lag parameters. Equation (3) can be transformed into the following equation by ascending the number of observation samples and the number of observation lag parameters to infinity.
  • X [f] indicates a signal obtained by Fourier-transforming the received signal x [i], that is, a frequency spectrum.
  • M indicates the number of observation symbols.
  • N f denotes an FFT (Fast Fourier Transform) size.
  • the spectrum correlation function is a correlation value between X [f] and X [f ⁇ ], which is frequency-shifted by the cyclic frequency ⁇ .
  • a signal to be detected is an OFDM signal
  • a pilot signal is inserted into a specified subcarrier.
  • the GI length is 16 and the FFT length is 64.
  • the subcarrier numbers -32 to 31 are -32 to -27, 0, 27 to 31 are null, the subcarrier numbers are -24, -8, 8, 24, and the pilot is the remaining.
  • An OFDM signal to which data is assigned to a subcarrier number will be described.
  • FIG. 4 is a diagram illustrating a spectrum correlation function of an OFDM signal according to the embodiment.
  • a peak occurs at a specific position by the pilot.
  • the peak at a specific position is a correlation value between the frequency spectrum X [f] and the frequency spectrum X [f- ⁇ ] shifted by the cyclic frequency ⁇ . This is because if the frequency of the frequency is shifted by the cyclic frequency ⁇ and the frequency matches, the pilots are correlated.
  • FIG. 5 is a diagram illustrating a combination of the frequency f at which the peak of the SCF of FIG. 4 occurs and the cyclic frequency ⁇ according to the embodiment.
  • FIG. 5 includes a number indicating the number of positions of the SCF peak, a frequency f, and a cyclic frequency ⁇ . From FIG. 5, there are 12 SCF peak positions.
  • the SCF peak position corresponds to the number of permutations for selecting two correlated pilots from among the four pilots inserted in the frequency direction.
  • the correlation value is the same regardless of the order of the two frequency spectra to be correlated.
  • the number of SCF peak positions may be six.
  • the numbers in FIG. 5 are 4, 7, 8, 10, 11, and 12, which is a total of six.
  • the feature amount of the spectral correlation function may be the SCF at the SCF peak position determined by the pilot of the OFDM signal. Further, regardless of the SCF peak position, the SCF at all positions except for the combination having the same correlation value may be used as the feature amount.
  • the subcarrier power can be calculated as the signal power using the following equation.
  • subcarrier power when subcarrier power is used as a feature amount of signal power, for example, all subcarriers may be used as feature amounts. Also, the power of the remaining subcarriers, excluding the subcarriers into which nulls are inserted, may be used as the feature amount.
  • the amplitude correlation can be calculated using the following equation.
  • E [a] indicates an average value for the complex number a.
  • R [i] indicates the amplitude of the received signal x [i].
  • the amplitude correlation C [m] of Expression (7) may be used as it is.
  • a statistic for the amplitude correlation of Expression (7) may be used as the feature amount.
  • Statistics include, for example, mean and variance.
  • the phase difference can be calculated using the following equation.
  • arg ⁇ a ⁇ indicates the phase of complex number a.
  • the phase difference D [i] in Expression (8) may be used as it is.
  • a statistic for the phase difference in Expression (8) may be used as the feature amount. The statistic is, for example, an average or a variance.
  • the signal determination unit 220 uses two or more feature amounts extracted by the feature amount extraction unit 210 using the learned classifier, that is, the peak-to-average power ratio, the periodic autocorrelation function, the spectrum correlation function, the signal power, The presence or absence of a signal to be detected in the received signal is determined using at least one of the amplitude correlation and the phase difference.
  • An arbitrary learning device such as a neural network, a decision tree, a Bayes classifier, and a support vector machine can be used as the classifier.
  • the neural network includes a convolutional neural network (CNN: Convolution Neural Network), a recurrent neural network (RNN: Recurrent Neural Network), a residual network (ResNet: Residual Network), and the like. Further, the neural network also includes deep learning in which the layer of the neural network is configured to be deep.
  • FIG. 6 is a diagram illustrating a configuration example when the signal determination unit 220 according to the embodiment uses a neural network as a discriminator.
  • the signal determination unit 220 includes a discriminator 300 and a signal presence / absence determination unit 340.
  • the discriminator 300 is a fully connected neural network. Further, the discriminator 300 includes three layers: an input layer 310, an intermediate layer 320, and an output layer 330.
  • the value input to the output node C L from each intermediate node is added bias value U L corresponding to the output node C L becomes the value of the output node C L.
  • the value of the output node C L is input to the signal determining unit 340 outputs the determination result of the signal presence in the signal determining unit 340.
  • the signal presence / absence determination unit 340 determines that a signal is present when the value of C 1 ⁇ C 2 (for example, as an output value). 1) outputs, when the C 1 value ⁇ the C 2 value and outputs a signal Mu (e.g., 0 as an output value).
  • Weighting factor W J, K, V K, L and bias value T K For U L, teacher data, that is determined by performing the learning process using the correct values of the characteristic quantity J with signal presence.
  • a known technique for example, an error back propagation method or the like is used.
  • the signal detection apparatus 100 in addition to the peak-to-average power ratio, also includes a periodic autocorrelation function, a spectrum correlation function, a signal power, an amplitude correlation, By inputting one or more of the phase difference and the phase difference to the discriminator 300 as a feature value, the presence or absence of a signal can be determined by machine learning. For this reason, the signal detection device 100 can improve the detection accuracy of the detection target signal in the received signal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本発明にかかる信号検出装置（１００）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（２１１）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（２１２）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（２２０）と、を備えることを特徴とする。

Description

信号検出装置および信号検出方法
　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。
Figure JPOXMLDOC01-appb-M000001
　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。
Figure JPOXMLDOC01-appb-M000002
　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。ＴＳ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＝±Ｎｄ、α＝ｍ／ＮＳＴＳ、のときにピークが発生する。ここで、ＮｄはＯＦＤＭシンボルのデータ長を示す。ＮＳ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。
Figure JPOXMLDOC01-appb-M000003
　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。
Figure JPOXMLDOC01-appb-M000004
　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。Ｎｆ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。
Figure JPOXMLDOC01-appb-M000005
　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。
Figure JPOXMLDOC01-appb-M000006
　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。
Figure JPOXMLDOC01-appb-M000007
　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。
Figure JPOXMLDOC01-appb-M000008
　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ＡＪ（Ｊ＝１～Ｓ）に入力される。入力ノードＡＪに入力された特徴量Ｊは、入力ノードＡＪと中間層３２０の中間ノードＢＫ（Ｋ＝１～Ｍ）に対応する重み係数ＷＪ，Ｋとが積算され、中間ノードＢＫに入力される。このとき、各入力ノードが中間ノードＢＫに入力する値に、中間ノードＢＫに対応するバイアス値ＴＫが加算されて、中間ノードＢＫの値となる。中間ノードＢＫ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ＢＫと出力層３３０の出力ノードＣＬ（Ｌ＝１，２）とに対応する重み係数ＶＫ，Ｌが積算され、出力ノードＣＬに入力される。このとき、各中間ノードから出力ノードＣＬに入力される値に、出力ノードＣＬに対応するバイアス値ＵＬが加算されて、出力ノードＣＬの値になる。出力ノードＣＬ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Ｃ１が信号有、出力ノードＣ２が信号無に対応するとき、信号有無判定部３４０では、Ｃ１の値≧Ｃ２の値のときに信号有（例えば、出力値として１）を出力し、Ｃ１の値＜Ｃ２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ＷＪ，Ｋ、ＶＫ，Ｌおよびバイアス値ＴＫ、ＵＬ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Ｃ１の値＝１、Ｃ２の値＝０、信号無のときＣ１の値＝０、Ｃ２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 (10)

  1. 　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。
  2. 　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。
  3. 　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。
  4. 　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。
  5. 　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。
  6. 　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。
  7. 　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。
  8. 　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。
  9. 　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。
  10. 　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。
PCT/JP2018/030370 2018-08-15 2018-08-15 信号検出装置および信号検出方法 WO2020035920A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
PCT/JP2018/030370 WO2020035920A1 (ja) 2018-08-15 2018-08-15 信号検出装置および信号検出方法
CN201880096484.0A CN112567656B (zh) 2018-08-15 2018-08-15 信号检测装置、信号检测方法、控制电路以及存储介质
EP18929861.5A EP3826203B1 (en) 2018-08-15 2018-08-15 Signal detection device, signal detecting method, control circuit and computer readable storage medium
JP2020537326A JP6815569B2 (ja) 2018-08-15 2018-08-15 信号検出装置、信号検出方法、制御回路およびプログラム
US17/172,616 US20210168008A1 (en) 2018-08-15 2021-02-10 Signal detecting device, signal detecting method, control circuit and computer readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/030370 WO2020035920A1 (ja) 2018-08-15 2018-08-15 信号検出装置および信号検出方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/172,616 Continuation US20210168008A1 (en) 2018-08-15 2021-02-10 Signal detecting device, signal detecting method, control circuit and computer readable storage medium

Publications (1)

Publication Number Publication Date
WO2020035920A1 true WO2020035920A1 (ja) 2020-02-20

Family

ID=69525275

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/030370 WO2020035920A1 (ja) 2018-08-15 2018-08-15 信号検出装置および信号検出方法

Country Status (5)

Country Link
US (1) US20210168008A1 (ja)
EP (1) EP3826203B1 (ja)
JP (1) JP6815569B2 (ja)
CN (1) CN112567656B (ja)
WO (1) WO2020035920A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2021176805A1 (ja) * 2020-03-02 2021-09-10
CN115276855A (zh) * 2022-06-16 2022-11-01 宁波大学 一种基于ResNet-CBAM的频谱感知方法
JP2023517681A (ja) * 2020-03-12 2023-04-26 ノキア ソリューションズ アンド ネットワークス オサケユキチュア 無線受信機

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4020853A1 (en) * 2020-12-24 2022-06-29 INTEL Corporation A distributed radiohead system
CN114900399A (zh) * 2022-05-09 2022-08-12 中山大学 一种基于深度学习相位差相关信号检测方法和系统
TWI834474B (zh) * 2023-01-13 2024-03-01 奧圖碼股份有限公司 建立無線連線的電子裝置和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008079280A (ja) * 2006-08-24 2008-04-03 Nippon Telegr & Teleph Corp <Ntt> 無線通信システム、無線通信局装置、無線端末装置および無線通信方法
JP4531581B2 (ja) 2005-02-09 2010-08-25 株式会社エヌ・ティ・ティ・ドコモ 無線通信用送受信装置における制御装置及び無線通信用送受信方法
JP2010233095A (ja) * 2009-03-27 2010-10-14 Ntt Docomo Inc 無線通信システム及び無線通信方法
JP2011512742A (ja) * 2008-02-14 2011-04-21 ホンコン・テクノロジーズ・グループ・リミテッド コグニティブ無線機のためのロバストな協調型スペクトル検出
JP2013198117A (ja) * 2012-03-22 2013-09-30 Ntt Docomo Inc 通信の可否を判定する判定装置及び判定方法
JP2014039287A (ja) * 2008-05-27 2014-02-27 Nec Corp コグニティブ無線システム、コグニティブ無線機および無線信号検出方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5337111B2 (ja) * 2010-01-07 2013-11-06 株式会社エヌ・ティ・ティ・ドコモ 無線通信システムの無線局で使用される信号検出装置及び信号検出方法
JP5573443B2 (ja) * 2010-07-14 2014-08-20 ソニー株式会社 情報処理装置、情報処理方法、及びプログラム
US8665976B2 (en) * 2011-03-31 2014-03-04 Saankhya Labs Pvt. Ltd. Blind symbol synchronization scheme for OFDM system
US9112634B2 (en) * 2012-02-10 2015-08-18 Qualcomm Incorporated Reducing network acquisition time
US9258645B2 (en) * 2012-12-20 2016-02-09 2236008 Ontario Inc. Adaptive phase discovery
US10366451B2 (en) * 2016-01-27 2019-07-30 Huawei Technologies Co., Ltd. System and method for prediction using synthetic features and gradient boosted decision tree
WO2018136785A1 (en) * 2017-01-23 2018-07-26 DGS Global Systems, Inc. Systems, methods, and devices for automatic signal detection with temporal feature extraction within a spectrum
CN108399696A (zh) * 2018-03-22 2018-08-14 中科润程(北京)物联科技有限责任公司 入侵行为识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4531581B2 (ja) 2005-02-09 2010-08-25 株式会社エヌ・ティ・ティ・ドコモ 無線通信用送受信装置における制御装置及び無線通信用送受信方法
JP2008079280A (ja) * 2006-08-24 2008-04-03 Nippon Telegr & Teleph Corp <Ntt> 無線通信システム、無線通信局装置、無線端末装置および無線通信方法
JP2011512742A (ja) * 2008-02-14 2011-04-21 ホンコン・テクノロジーズ・グループ・リミテッド コグニティブ無線機のためのロバストな協調型スペクトル検出
JP2014039287A (ja) * 2008-05-27 2014-02-27 Nec Corp コグニティブ無線システム、コグニティブ無線機および無線信号検出方法
JP2010233095A (ja) * 2009-03-27 2010-10-14 Ntt Docomo Inc 無線通信システム及び無線通信方法
JP2013198117A (ja) * 2012-03-22 2013-09-30 Ntt Docomo Inc 通信の可否を判定する判定装置及び判定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3826203A4

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2021176805A1 (ja) * 2020-03-02 2021-09-10
WO2021176805A1 (ja) * 2020-03-02 2021-09-10 日本電気株式会社 異常検知装置、異常検知方法及び非一時的なコンピュータ可読媒体
JP7435732B2 (ja) 2020-03-02 2024-02-21 日本電気株式会社 異常検知装置、異常検知方法及びプログラム
JP2023517681A (ja) * 2020-03-12 2023-04-26 ノキア ソリューションズ アンド ネットワークス オサケユキチュア 無線受信機
US12028193B2 (en) 2020-03-12 2024-07-02 Nokia Solutions And Networks Oy Radio receiver
JP7511015B2 (ja) 2020-03-12 2024-07-04 ノキア ソリューションズ アンド ネットワークス オサケユキチュア 無線受信機
CN115276855A (zh) * 2022-06-16 2022-11-01 宁波大学 一种基于ResNet-CBAM的频谱感知方法
CN115276855B (zh) * 2022-06-16 2023-09-29 宁波大学 一种基于ResNet-CBAM的频谱感知方法

Also Published As

Publication number Publication date
EP3826203A1 (en) 2021-05-26
US20210168008A1 (en) 2021-06-03
EP3826203A4 (en) 2021-07-28
CN112567656A (zh) 2021-03-26
JP6815569B2 (ja) 2021-01-20
EP3826203B1 (en) 2023-03-15
JPWO2020035920A1 (ja) 2020-12-17
CN112567656B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
WO2020035920A1 (ja) 信号検出装置および信号検出方法
RU2698918C1 (ru) Обнаружение преамбулы и оценка времени прихода преамбулы произвольного доступа однотонального сигнала со скачкообразной перестройкой частоты
US8160163B1 (en) Method for OFDM signal identification and parameter estimation
US8254242B2 (en) System and method for initial ranging in wireless communication systems
EP2692176B1 (en) Fast radio access technology detection for cell search
US10045232B2 (en) Electronic device, method and computer-readable medium for sensing spectrum usage in a cognitive radio communication system
de Lima Pinto et al. A machine learning approach for detecting spoofing attacks in wireless sensor networks
WO2017211212A1 (zh) 干扰源小区的定位方法、装置及基站
US8000415B2 (en) Method and device for detecting a synchronization signal in a communication system
CN108989259B (zh) 无线综测仪窄带物理上行共享信道的时偏估计方法及系统
CN114615122B (zh) 通信信号的频偏确定方法及装置
US8804691B1 (en) Phase based preamble detection
CN116208457A (zh) 信号的频偏补偿方法、终端设备及计算机可读存储介质
EP3479536A1 (en) Adaptive selection of signal-detection mode
Qian et al. Modulation classification based on cyclic spectral features and neural network
EP3596852A1 (en) Signal detection based on stochastic resonance
US20110013708A1 (en) Signal Sequence Detection Techniques for OFDM/OFDMA Systems
US7876863B2 (en) Method and system for improving timing position estimation in wireless communications networks
CN110808939A (zh) 一种基于kmeans算法的相位跟踪补偿方法
CN109039972A (zh) 一种残留采样频偏估计与补偿的方法及装置
CN115051899A (zh) 频偏估计方法及装置、计算机可读存储介质
Kim et al. Deep Learning-Based Modulation Classification for OFDM Systems Without Symbol-Level Synchronization
US20080063094A1 (en) Normalized auto-correlators
KR102005616B1 (ko) Ofdm 기반의 dab 시스템 및 그것을 이용한 모드 및 프레임 동기 방법
WO2019229813A1 (ja) 無線機同定装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18929861

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020537326

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018929861

Country of ref document: EP

Effective date: 20210222