CN102882617A - 一种基于谱相关特征的频谱检测方法 - Google Patents

Abstract

本发明涉及一种认知无线电***中基于谱相关特征的频谱检测方法。用MVDR算法对主用户发射机的发送信号和认知用户接收机的接收信号进行谱估计，把收发信号MVDR谱的谱相关量作为检测统计量，并求得满足虚警概率条件下的门限，将该检测统计量与门限进行比较，以此判定频谱是否被占用。该方法分为5个部分实现：计算发送信号的采样信号的MVDR谱；计算接收信号的采样信号的MVDR谱；计算检测统计量；计算满足虚警概率P_f的门限值th；判断频谱是否被占用。相对于现有的用周期图法进行谱估计的相关检测算法，本发明在能够满足IEEE 802.22标准对检测时间要求的同时，进行谱估计的分辨率更高，具有更好的频谱检测性能。

Description

一种基于谱相关特征的频谱检测方法

技术领域

本发明涉及认知无线电频谱检测技术领域，特别涉及一种认知无线电***中基于谱相关特征的频谱检测方法。

背景技术

随着无线通信业务的飞速发展，传统的静态频谱分配方式已经极大阻碍了频谱资源的利用率。认知无线电技术（CR）作为一种频谱再利用技术，在解决无线通信中频谱资源紧张，提高频谱利用率等问题方面，具有独特的优势，已受到越来越多人的关注，并被普遍认为是下一代无线通信网络中的一项关键技术。FCC（联邦通信委员会）已经为认知无线设备开放了电视频段，使其可以不断地感知频谱环境，动态检测未使用的频段，在不对授权用户造成干扰的前提下接入空闲频段。IEEE 802.22无线区域网（WRAN）工作组已经起草了基于认知无线电的空中接口标准，以便未授权的认知用户可以接入空闲的电视频段。

频谱感知是认知无线电的关键技术之一。为避免对授权用户造成干扰，FCC要求认知用户设备在检测主用户电视和语音信号时达到-114dBm的灵敏度要求，并且要求频谱感知算法至少在-18dB的条件下可靠检测到授权电视信号。在低信噪比下检测微弱信号，因能量检测受到噪声不确定性的影响，匹配滤波器检测面临不同步的问题,传统的能量检测和匹配滤波器检测已不再适用。在主用户发送信号特征已知的条件下，可以使用循环平稳特性进行检测，但具有计算量大的缺点。基于此，有人提出了基于信号特征检测的感知方案，把主用户发射机的发送信号与认知用户接收机的接收信号的周期图进行相关，把谱相关量作为检测统计量，然后把检测统计量与满足虚警概率条件下的门限比较进行频谱判决。然而，用周期图法对信号进行谱估计分辨率较低，分辨率受到信号长度的影响，其分辨率与信号采样长度成正比，从而一定程度上制约了频谱检测的可靠性。

发明内容

本发明目的在于克服上述现有技术存在的不足，提供一种认知无线电***中改进的基于谱相关特征的频谱检测方法。本发明首先用MVDR算法分别对主用户发射机的发送信号和认知用户接收机的接收信号进行谱估计，然后把发送信号与接收信号的MVDR谱进行相关运算得到的谱相关量作为检测统计量，并求得满足虚警概率条件下的门限，最后将该检测统计量与门限进行比较，以此判定频谱是否被占用。

本发明用MVDR算法对主用户发射机的发送信号和认知用户接收机的接收信号进行谱估计，把收发信号MVDR谱的谱相关量作为检测统计量，并求得满足虚警概率条件下的门限，将该检测统计量与门限进行比较，以此判定频谱是否被占用。该方法分为5个部分实现：计算发送信号的采样信号的MVDR谱；计算接收信号的采样信号的MVDR谱；计算检测统计量；计算满足虚警概率P_f的门限值th；判断频谱是否被占用。具体方法为：

A.计算发送信号的采样信号的MVDR谱：该算法要求主用户发射机的发送信号是已知的，设发送信号为x(t)，以采样频率为f_s赫兹（Hz）对x(t)进行采样，采样间隔为T_s秒，则发送信号的采样信号为x(l)=x(lT_s),长为L的x(l)样本自相关矩阵为

的阶数为M，M的值由感知时间对算法复杂度的要求来确定。根据

计算x(l)的MVDR谱

k＝0,1,…,L-1.

B.计算接收信号的采样信号的MVDR谱：设认知用户接收机接收到的信号为y(t)，以采样频率为f_s赫兹（Hz）对y(t)进行采样，则接收信号的采样信号为y(l)=y(lT_s)；长为L的y(l)的样本自相关矩阵为

的阶数为M。

根据

计算y(l)的MVDR谱

k＝0,1,…,L-1.

C.计算检测统计量：

$T_L=\frac{1}{L}\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{\hat{P}}_{\mathrm{YMVDR}}^{\left(L\right)}\left(k\right){\hat{P}}_{\mathrm{XMVDR}}^{\left(L\right)}\left(k\right)$

D.计算满足虚警概率P_f的门限值th:

$P_f=P_r(T_L>\mathrm{th})=1-P(\frac{\mathrm{th}-c_1}{\sqrt{c_2}}{\mathrm{\σ}}_{{\mathrm{\χ}}^2}+{\mathrm{\μ}}_{{\mathrm{\χ}}^2};\mathrm{\κ},\mathrm{\δ})$

其中， $P(x;\mathrm{\κ},\mathrm{\δ})=e^{-\mathrm{\δ}/2}\underset{k=0}{\overset{\∞}{\mathrm{\Σ}}}\frac{{(\mathrm{\δ}/2)}^k}{k!}F(x;\mathrm{\κ}+2k)$ 是非中心卡方分

布

的累积分布函数（CDF），F(·)是中心卡方分布的CDF。

κ和δ，分别为主用户不存在时T_L近似服从的非中心卡方分布

的均值，方差，自由度和偏移参数，c₁,c₂分别是检测统计量T_L的累积生成函数的一、二阶累积量。

E.判断频谱是否被占用：采用检测统计量T_L与满足虚警概率P_f的门限值th进行比较，以此判定该频谱是否被占用，如果T_L≥th，则表明该频谱被占用，反之，如果T_L＜th，则表明该频谱没被占用。

综上所述，本发明用MVDR算法对主用户发射机的发送信号和认知用户接收机的接收信号进行谱估计，把收、发信号MVDR谱的谱相关量作为检查统计量进行频谱判决，有效提高了频谱检测的性能。相对于现有的用周期图法进行谱估计的相关检测算法，本发明在能够满足IEEE 802.22标准对检测时间要求的同时，进行谱估计的分辨率更高，具有更好的频谱检测性能。使用现有技术的循环平稳特性进行检测，其计算复杂度要远大于本发明给出的MVDR谱相关检测算法。

附图说明

图1是本发明的基于谱相关特征的频谱检测方法流程图。

具体实施方式

以下结合附图和实施例对本发明作进一步的描述

改进的基于谱相关特征的频谱检测方法具体设计步骤如下：

a.计算发送信号的采样信号的MVDR谱：该算法要求主用户发射机的发送信号是已知的，设发送信号为x(t)，以采样频率为f_s赫兹（Hz）对x(t)进行采样，采样间隔为T_s秒，则发送信号的采样信号为x(l)=x(lT_s),长为L的x(l)样本自相关矩阵为

的阶数为M，M的值由感知时间对算法复杂度的要求来确定。根据计算x(l)的MVDR谱

k＝0,1,…,L-1.

b.计算接收信号的采样信号的MVDR谱：设认知用户接收机接收到的信号为y(t)，以采样频率为f_s赫兹（Hz）对y(t)进行采样，则接收信号的采样信号为y(l)=y(lT_s)；长为L的y(l)的样本自相关矩阵为

的阶数为M。

根据

计算y(l)的MVDR谱

k＝0,1,…,L-1.

c.计算检测统计量：

$T_L=\frac{1}{L}\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{\hat{P}}_{\mathrm{YMVDR}}^{\left(L\right)}\left(k\right){\hat{P}}_{\mathrm{XMVDR}}^{\left(L\right)}\left(k\right)$

d.计算满足虚警概率P_f的门限值th:

$P_f=P_r(T_L>\mathrm{th})=1-P(\frac{\mathrm{th}-c_1}{\sqrt{c_2}}{\mathrm{\σ}}_{{\mathrm{\χ}}^2}+{\mathrm{\μ}}_{{\mathrm{\χ}}^2};\mathrm{\κ},\mathrm{\δ})$

其中， $P(x;\mathrm{\κ},\mathrm{\δ})=e^{-\mathrm{\δ}/2}\underset{k=0}{\overset{\∞}{\mathrm{\Σ}}}\frac{{(\mathrm{\δ}/2)}^k}{k!}F(x;\mathrm{\κ}+2k)$ 是非中心卡方分

布

的累积分布函数（CDF），F(·)是中心卡方分布的CDF。

κ和δ，分别为主用户不存在时T_L近似服从的非中心卡方分布

的均值，方差，自由度和偏移参数，c₁,c₂分别是检测统计量T_L的累积生成函数的一、二阶累积量。

e.判断频谱是否被占用：采用检测统计量T_L与满足虚警概率P_f的门限值th进行比较，以此判定该频谱是否被占用，如果T_L≥th，则表明该频谱被占用，反之，如果T_L＜th，则表明该频谱没被占用。

Claims (1)

1.一种基于谱相关特征的频谱检测方法，其特征在于，包括步骤：

A.计算发送信号的采样信号的MVDR谱，要求主用户发射机的发送信号是已知的，设发送信号为x(t)，以采样频率为f_s赫兹（Hz）对x(t)进行采样，采样间隔为T_s秒，则发送信号的采样信号为x(l)=x(lT_s),长为L的x(l)样本自相关矩阵为

的阶数为M，M的值由感知时间对算法复杂度的要求来确定，根据

计算x(l)的MVDR谱

k＝0,1,…,L-1；

B.计算接收信号的采样信号的MVDR谱，设认知用户接收机接收到的信号为y(t)，以采样频率为f_s赫兹（Hz）对y(t)进行采样，则接收信号的采样信号为y(l)=y(lT_s)，长为L的y(l)的样本自相关矩阵为

的阶数为M，

根据

计算y(l)的MVDR谱

k＝0,1,…,L-1；

C．计算检测统计量：

$T_L=\frac{1}{L}\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{\hat{P}}_{\mathrm{YMVDR}}^{\left(L\right)}\left(k\right){\hat{P}}_{\mathrm{XMVDR}}^{\left(L\right)}\left(k\right);$

D．计算满足虚警概率P_f的门限值th:

$P_f=P_r(T_L>\mathrm{th})=1-P(\frac{\mathrm{th}-c_1}{\sqrt{c_2}}{\mathrm{\σ}}_{{\mathrm{\χ}}^2}+{\mathrm{\μ}}_{{\mathrm{\χ}}^2};\mathrm{\κ},\mathrm{\δ})$

其中， $P(x;\mathrm{\κ},\mathrm{\δ})=e^{-\mathrm{\δ}/2}\underset{k=0}{\overset{\∞}{\mathrm{\Σ}}}\frac{{(\mathrm{\δ}/2)}^k}{k!}F(x;\mathrm{\κ}+2k)$ 是非中心卡方分

布

的累积分布函数（CDF），F(·)是中心卡方分布的CDF。

κ和δ，分别为主用户不存在时T_L近似服从的非中心卡方分

布

的均值，方差，自由度和偏移参数，c₁,c₂分别是检测统计量T_L的累积生成函数的一、二阶累积量；

E．判断频谱是否被占用：采用检测统计量T_L与满足虚警概率P_f的门限值th进行比较，以此判定该频谱是否被占用，如果T_L≥th，则表明该频谱被占用，反之，如果T_L＜th，则表明该频谱没被占用。

Images