CN112994813B - 自适应采样的频谱感知方法及相关装置 - Google Patents
自适应采样的频谱感知方法及相关装置 Download PDFInfo
- Publication number
- CN112994813B CN112994813B CN202110543048.7A CN202110543048A CN112994813B CN 112994813 B CN112994813 B CN 112994813B CN 202110543048 A CN202110543048 A CN 202110543048A CN 112994813 B CN112994813 B CN 112994813B
- Authority
- CN
- China
- Prior art keywords
- frequency band
- signal
- target
- target frequency
- ratio
- 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.)
- Active
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 104
- 238000001228 spectrum Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000003044 adaptive effect Effects 0.000 title description 13
- 238000001514 detection method Methods 0.000 claims abstract description 105
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本公开提供一种自适应采样的频谱感知方法,通过将获取到的目标频段的信号输入已训练的神经网络模型以得到目标频段的信号的信噪比,根据目标频段的信号的信噪比与前一频段的信号的信噪比的变化,动态调整检测目标频段的信号的检测阈值和采样点数,从而确定是否存在用户使用目标频段,本公开降低了信噪比变化对于频谱感知的影响,从而提高了频谱感知的准确性。
Description
技术领域
本公开涉及无线电技术领域,尤其涉及一种自适应采样的频谱感知方法及相关装置。
背景技术
随着5G时代的到来,无线通信领域的迅速发展,用户需求的不断增多,无线频谱资源逐渐成为一种稀缺的战略资源。频谱资源短缺有三个原因:一是世界各国对频谱的需求量很大,导致频谱资源短缺。二是世界各国对频谱资源的不合理配置造成了频谱资源的浪费。三是算法效率与算法复杂度之间的矛盾难以调和,导致频谱资源利用效率低下。这启发了认知无线电中的一项关键技术—频谱感知的概念。它的主要功能是检测次级用户的可用频谱空洞,同时监测主用户的信号活动,以确保当主用户再次使用频谱时,次级用户能快速退出相应的频段。这个概念允许次级用户在主用户不使用频谱时进行通信,并在主用户工作时立即退出信道。频谱感知不仅有效地解决了授权用户的信号是否存在和频段是否可用的问题,而且解决了认知用户使用某一信道的问题,一旦发现主用户连接,立即退出信道,避免干扰主用户发送的信息。
频谱感知检测算法有很多种,包括能量检测、匹配滤波器检测、循环平稳特征检测和基于协方差的检测。这些方法在不同的复杂度、检测性能和感知时间之间进行权衡。能量检测以其低复杂度和无需信号的先验知识而闻名。它的工作原理是将某个频段接收到的总能量与阈值进行比较。如果大于阈值,则主用户存在。如果小于阈值,则主用户不存在。能量检测算法可以用来评估信噪比,能量检测算法也可以用来解决吞吐量问题。
然而,相关技术在执行能量检测算法时,会容易受到无线电环境的影响,当无线电环境变差即信噪比变小时,检测性能会明显下降。
发明内容
有鉴于此,本公开的目的在于提出一种自适应采样的频谱感知方法及相关装置。
基于上述目的,本公开提供了一种自适应采样的频谱感知方法,包括:
获取目标频段的信号,并输入已训练的神经网络模型,得到所述目标频段的信噪比,并根据所述信噪比得到所述目标频段的噪声方差;
获取前一频段的检测阈值和所述前一频段的噪声方差的比值,并根据所述比值和所述目标频段的噪声方差,得到目标检测阈值;
根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数;
根据所述目标采样点数对所述目标频段的信号进行采样,并根据所述目标检测阈值确定是否存在用户使用所述目标频段。
基于同一发明构思,本公开提供了一种自适应采样的频谱感知装置,包括:
信噪比获取模块,用于获取目标频段的信号,并输入已训练的神经网络模型,得到所述目标频段的信噪比,并根据所述信噪比得到所述目标频段的噪声方差;
检测阈值获取模块,用于获取前一频段的检测阈值和所述前一频段的噪声方差的比值,并根据所述比值和所述目标频段的噪声方差,得到目标检测阈值;
采样点数获取模块,用于根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数;
用户确定模块,用以根据所述目标采样点数对所述目标频段的信号进行采样,并根据所述目标检测阈值确定是否存在用户使用所述目标频段。
基于同一发明构思,本公开提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的方法。
基于同一发明构思,本公开提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行上述方法。
从上面所述可以看出,本公开提供的一种自适应采样的频谱感知方法,通过将获取到的目标频段的信号输入已训练的神经网络模型以得到目标频段的信号的信噪比,根据目标频段的信号的信噪比与前一频段的信号的信噪比的变化,动态调整检测目标频段的信号的检测阈值和采样点数,从而确定是否存在用户使用目标频段,本公开降低了信噪比变化对于频谱感知的影响,从而提高了频谱感知的准确性。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的自适应采样的频谱感知方法的一种流程示意图;
图2为本公开实施例提供的神经网络模型的训练方法的一种流程示意图;
图3为本公开实施例提供的自适应采样的频谱感知装置的一种结构示意图;
图4为本公开实施例提供的一种更为具体的电子设备硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
随着5G时代的到来,无线通信领域的迅速发展,用户需求的不断增多,无线频谱资源逐渐成为一种稀缺的战略资源。频谱资源短缺有三个原因:一是世界各国对频谱的需求量很大,导致频谱资源短缺。二是世界各国对频谱资源的不合理配置造成了频谱资源的浪费。三是算法效率与算法复杂度之间的矛盾难以调和,导致频谱资源利用效率低下。这启发了认知无线电中的一项关键技术—频谱感知的概念。它的主要功能是检测次级用户的可用频谱空洞,同时监测主用户的信号活动,以确保当主用户再次使用频谱时,次级用户能快速退出相应的频段。这个概念允许次级用户在主用户不使用频谱时进行通信,并在主用户工作时立即退出信道。频谱感知不仅有效地解决了授权用户的信号是否存在和频段是否可用的问题,而且解决了认知用户使用某一信道的问题,一旦发现主用户连接,立即退出信道,避免干扰主用户发送的信息。
频谱感知检测算法有很多种,包括能量检测、匹配滤波器检测、循环平稳特征检测和基于协方差的检测。这些方法在不同的复杂度、检测性能和感知时间之间进行权衡。能量检测以其低复杂度和无需信号的先验知识而闻名。它的工作原理是将某个频段接收到的总能量与阈值进行比较。如果大于阈值,则主用户存在。如果小于阈值,则主用户不存在。能量检测算法可以用来评估信噪比,能量检测算法也可以用来解决吞吐量问题。
然而,相关技术在执行能量检测算法时,会容易受到无线电环境的影响,当无线电环境变差即信噪比变小时,检测性能会明显下降,噪声功率的微小波动会导致检测性能的显著下降。
参考图1,其为本公开实施例提供的自适应采样的频谱感知方法的一种流程示意图。自适应采样的频谱感知方法,包括:
S110、获取目标频段的信号,并输入已训练的神经网络模型,得到目标频段的信噪比,并根据信噪比得到目标频段的噪声方差。
频谱感知允许次用户使用主用户当前没有使用的频段,从而提高频谱利用率。频谱感知的主要功能在于检测可供次用户使用的频段,同时监测主用户信号活动情况,保证主用户再次使用频谱时,次用户能够快速退出相应频段。其中,频谱中包括多个频段,频段可为占用状态或者空闲状态,空闲状态的频段可称之为频谱空穴。频段可以理解为通道,多用户共用一个频谱资源,采用分频段的方法处理,一个频段相当于一个通道。
在一些实施方式中,所述获取目标频段的信号,包括:
获取目标信号的频谱,并划分为多个频段,将多个所述频段的信号分别作为所述目标频段的信号。
获取到待感知的频谱信号之后,可以通过带通滤波器组将待感知的频谱信号划分为多个频段信号,对多个频段信号分别进行频谱感知,以确定是否存在空闲状态的频段即频谱空穴。
可选的,可以定时获取目标信号,也可以按需获取目标信号。
在一些实施方式中,在所述获取目标频段的信号之后,还包括:对所述目标频段的信号进行预处理,具体包括:
将所述目标频段的信号由时域信号转换为频域信号;
并根据所述前一频段的采样点数对所述目标频段的信号进行插值和抽取。
获取到的目标频段的信号为时域形式,通过时频转换,可以得到频域形式的目标频段的信号,以便于输入已训练的神经网络。其中,时频转换可以通过傅里叶变换实现。
近似环境下不同的频段的采样需求具有部分相似性,因此,根据前一频段的采样点数可以得到本次采样近似的采样需求,根据近似的采样需求,对频域形式的目标频段的信号进行插值和抽取,以尽量满足本次的采样需求。显然,本公开提供的这种基于已有采样点数对频域形式的目标频段的信号进行预处理的方法,明显优于预先设定采样点数或者随机生成采样点数并对目标频段的信号进行预处理的方法。
其中,本公开所称前一频段为上一次进行频谱感知时检测的频段,不限定前一频段与目标频段在物理意义上的关系,尤其不限定两者为同一信号的频谱中的相邻频段。
在一些实施方式中,所述神经网络模型,包括:
多个独立的相同网络结构的子网;
每一个所述子网中包括CNN网络和LSTM网络;其中,CNN网络用于提取所述目标频段的信号的空间特征,LSTM网络用于提取所述目标频段的信号的时间特征。
在一些实施方式中,在所述对所述目标频段的信号进行预处理之后,还包括:
将预处理后的所述目标频段的信号分割为多个时隙信号;
将多个所述时隙信号重组为多个重组信号;其中,重组的长度为所述子网的输入层的神经元的个数。
将重组信号的实部虚部串联成一个向量输入神经网络。
将所述目标频段的信号分割为多个时隙信号并重组,可以避免LSTM梯度消失或***的情况。
训练神经网络时,输入的样本为重组信号,输入的标签为每个重组信号的信噪比。
对多个所述重组信号分别采用多个独立的相同网络结构的子网训练,可以解决信号的信噪比突变对网络的影响,提升网络的鲁棒性。每一个子网采用CNN网络加LSTM网络的形式,CNN网络用于提取所述目标频段的信号的空间特征,LSTM网络用于提取所述目标频段的信号的时间特征,可以减少信噪比突变对性能的影响。同时,为提升网络的鲁棒性,增强对低信噪比信号的检测准确率,训练数据应根据实际情况,选取不同信噪比的信号训练,且使低信噪比信号的占比更多。
S120、获取前一频段的检测阈值和前一频段的噪声方差的比值,并根据比值和目标频段的噪声方差,得到目标检测阈值。
响应于确定所述目标频段的信噪比不小于所述前一频段的信噪比,执行IED算法。IED算法是一种改进的能量检测算法,其中增加了两种判决,分别是当前时隙之前的平均能量和前一时隙的能量分别与阈值进行比较,得出最终判决。
响应于确定所述目标频段的信噪比小于所述前一频段的信噪比,基于所述目标检测阈值与所述目标频段的噪声方差的比值和所述前一频段的检测阈值与所述前一频段的噪声方差的比值相同的原则,计算得到所述目标检测阈值。
无线电环境变差时,执行本公开提供的方法,若无线电环境没有变差,也可执行常规方法,例如IED算法。
得到所述目标检测阈值,包括:
使检测阈值与噪声方差的比值保持不变,则有:
S130、根据比值、前一频段的信噪比、目标频段的信噪比和前一频段的采样点数,得到目标采样点数。
得到所述目标采样点数,包括:
能量检测算法中重要的两个指标是检测概率和虚警概率。检测概率是当主用户存在时在次级用户处检测到主用户存在的概率。虚警概率是当主用户不存在时在次级用户处检测到主用户存在的概率。因此,在频谱感知中,期望检测概率高且虚警概率低。
设虚警概率P f 和检测概率P d 分别为:
期望检测概率高且虚警概率低,则,目标函数为:
发明人提出,如果无线电环境变差,在保证虚警概率不变(恒虚警)的情况下,为了维持检测概率不变,在增大采样点数N的情况下,有:
其中,为前一频段的信号的检测阈值,为前一频段的信号的噪声方差,γ 1
为前一频段的信号的信噪比,N i-1为前一频段的采样点数,为目标频段的信号的检测阈
值,为目标频段的信号的噪声方差,γ 2 为目标频段的信号的信噪比,N i-2为目标采样点
数,K为检测阈值与噪声方差的比值。
将检测概率P d 看作信噪比γ的函数,则有:
对f (γ)求导可知上式是一个单调递增函数。由于目标函数由检测概率和虚警概率共同决定,说明在信噪比变小的情况下,可通过增加采样点数维持检测性能不变。根据上述公式可得目标采样点数:
其中,γ 1 为前一频段的信号的信噪比,N i-1为前一频段的采样点数,γ 2 为目标频段的信号的信噪比,N i-2为目标采样点数,K为检测阈值与噪声方差的比值。
由上式可知,在信噪比变小的情况下,可通过增加采样点至N i-2,保证检测概率P d 不变。同时,增大采样点时,实际的虚警概率P f 减小,此时目标函数变小,***的感知性能提升。
计算得到所述采样点数,还包括:
响应于确定所述目标采样点数小于采样范围下限,将所述采样范围下限作为所述目标采样点数;
响应于确定所述目标采样点数大于采样范围上限,将所述采样范围上限作为所述目标采样点数。
根据预先设定的最小P d (检测概率)和最大P f (虚警概率)来确定频段的信号的采样范围下限N min,并参照最大采样间隔求得频段的信号的采样范围上限N max,即:
其中,Q表示标准正态分布的右尾函数,为频段的信号的目标虚警概率,
为频段的信号的目标检测概率,表示频段的噪声的功率,表示频段的检测阈值,表示频段的信号的信噪比,f s-i 为频段的信号的采样频率,T 0表示***可以容忍的
最大采样间隔。
S140、根据目标采样点数对目标频段的信号进行采样,并根据目标检测阈值确定是否存在用户使用目标频段。
根据目标采样点数对目标频段的信号进行采样,得到目标频段的信号的能量,将该能量与目标检测阈值进行比较,以确定是否存在用户使用目标频段。
响应于确定该能量超过目标检测阈值,确定存在用户使用目标频段,则该目标频段不为频谱空穴即主用户当前正在使用的频段,不可供次用户使用。
响应于确定该能量不超过目标检测阈值,确定不存在用户使用目标频段,则该目标频段为频谱空穴即主用户当前没有使用的频段,可供次用户使用。
对于获取到的频谱中划分得到的每一个频段均进行上述感知判断,即可得到频谱空穴即主用户当前没有使用的频段,可供次用户使用,从而提高频谱的利用率。
从上面所述可以看出,本公开提供的一种自适应采样的频谱感知方法,通过将获取到的目标频段的信号输入已训练的神经网络模型以得到目标频段的信号的信噪比,根据目标频段的信号的信噪比与前一频段的信号的信噪比的变化,动态调整检测目标频段的信号的检测阈值和采样点数,从而确定是否存在用户使用目标频段,本公开降低了信噪比变化对于频谱感知的影响,从而提高了频谱感知的准确性。
当无线电环境变差即信噪比下降时,本公开通过增加采样点数可以提升性能。阈值与噪声方差比值不变,同时阈值随噪声的变化而自适应变化,这不仅保持了目标函数的有效性,而且降低了目标函数,最后对目标函数进行了优化。在此基础上,本公开还得到了采样点数的取值范围,并根据***计算能力不断更新参数,随着信噪比自适应变化。
本公开针对在认知无线电中次级用户感知主用户是否存在的场景,由于在相关技术中的能量检测方案中当无线电环境变差即信噪比下降时将会导致检测性能的下降,然而本公开提出的自适应采样的频谱感知方法,可满足当无线电环境变差时,通过增加采样点数来提升***的频谱感知性能,且***鲁棒性更好。
参考图2,其为本公开实施例提供的神经网络模型的训练方法的一种流程示意图。
S210、数据预处理。
将所述目标频段的信号由时域信号转换为频域信号;
并根据所述前一频段的采样点数对所述目标频段的信号进行插值和抽取。
S220、按照时隙对信号分割并重组。
将预处理后的所述目标频段的信号分割为多个时隙信号;
将多个所述时隙信号重组为多个重组信号;其中,重组的长度为所述子网的输入层的神经元的个数。
S230、训练网络。
将重组信号的实部虚部串联成一个向量输入神经网络。
训练神经网络时,输入的样本为重组信号,输入的标签为每个重组信号的信噪比。
所述神经网络模型,包括:多个独立的相同网络结构的子网。
每一个所述子网中包括CNN网络和LSTM网络;其中,CNN网络用于提取所述目标频段的信号的空间特征,LSTM网络用于提取所述目标频段的信号的时间特征。
S240、误差收敛。
通过最小化损失函数的方式使神经网络模型的误差收敛,在此过程中,迭代更新神经网络模型中的权重参数,以提高神经网络模型的准确率。
S250、利用测试集测试神经网络模型。
将测试集中的测试信号输入训练得到神经网络模型,以对神经网络模型的准确率进行测试,神经网络模型对于测试集中的测试信号的处理步骤,与训练时输入的训练用信号相同。
需要说明的是,本公开实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种自适应采样的频谱感知装置。
参考图3,所述自适应采样的频谱感知装置,包括:
信噪比获取模块310,用于获取目标频段的信号,并输入已训练的神经网络模型,得到所述目标频段的信噪比,并根据信噪比得到目标频段的噪声方差;
检测阈值获取模块320,用于获取前一频段的检测阈值和前一频段的噪声方差的比值,并根据比值和目标频段的噪声方差,得到目标检测阈值;
采样点数获取模块330,用于根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数;
用户确定模块340,用以根据所述目标采样点数对所述目标频段的信号进行采样,并根据所述目标检测阈值确定是否存在用户使用所述目标频段。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的自适应采样的频谱感知方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的自适应采样的频谱感知方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的自适应采样的频谱感知方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的自适应采样的频谱感知方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的自适应采样的频谱感知方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
需要说明的是,本公开的实施例还可以以下方式进一步描述:
一种自适应采样的频谱感知方法,包括:
获取目标频段的信号,并输入已训练的神经网络模型,得到所述目标频段的信噪比,并根据所述信噪比得到所述目标频段的噪声方差;
获取前一频段的检测阈值和所述前一频段的噪声方差的比值,并根据所述比值和所述目标频段的噪声方差,得到目标检测阈值;
根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数;
根据所述目标采样点数对所述目标频段的信号进行采样,并根据所述目标检测阈值确定是否存在用户使用所述目标频段。
可选的,其中,所述获取目标频段的信号,包括:
获取目标信号的频谱,并划分为多个频段,将多个所述频段的信号分别作为所述目标频段的信号。
可选的,其中,在所述获取目标频段的信号之后,还包括:对所述目标频段的信号进行预处理,具体包括:
将所述目标频段的信号由时域信号转换为频域信号;并根据所述前一频段的采样点数对所述目标频段的信号进行插值和抽取。
可选的,所述神经网络模型,包括:
多个独立的相同网络结构的子网;
每一个所述子网中包括CNN网络和LSTM网络;其中,CNN网络用于提取所述目标频段的信号的空间特征,LSTM网络用于提取所述目标频段的信号的时间特征。
可选的,其中,在所述对所述目标频段的信号进行预处理之后,还包括:
将预处理后的所述目标频段的信号分割为多个时隙信号;
将多个所述时隙信号重组为多个重组信号;其中,重组的长度为所述子网的输入层的神经元的个数。
可选的,其中,所述获取前一频段的检测阈值和所述前一频段的噪声方差的比值,并根据所述比值和所述目标频段的噪声方差,得到目标检测阈值,包括:
响应于确定所述目标频段的信噪比小于所述前一频段的信噪比,基于所述目标检测阈值与所述目标频段的噪声方差的比值和所述前一频段的检测阈值与所述前一频段的噪声方差的比值相同的原则,计算得到所述目标检测阈值。
可选的,其中,在所述根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数之后,还包括:
响应于确定所述目标采样点数小于采样范围下限,将所述采样范围下限作为所述目标采样点数;
响应于确定所述目标采样点数大于采样范围上限,将所述采样范围上限作为所述目标采样点数。
一种自适应采样的频谱感知装置,包括:
信噪比获取模块,用于获取目标频段的信号,并输入已训练的神经网络模型,得到所述目标频段的信噪比,并根据所述信噪比得到所述目标频段的噪声方差;
检测阈值获取模块,用于获取前一频段的检测阈值和所述前一频段的噪声方差的比值,并根据所述比值和所述目标频段的噪声方差,得到目标检测阈值;
采样点数获取模块,用于根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数;
用户确定模块,用以根据所述目标采样点数对所述目标频段的信号进行采样,并根据所述目标检测阈值确定是否存在用户使用所述目标频段。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的方法。
一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行上述方法。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本公开实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本公开实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本公开实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本公开实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种自适应采样的频谱感知方法,包括:
获取目标频段的信号,并输入已训练的神经网络模型,得到所述目标频段的信噪比,并根据所述信噪比得到所述目标频段的噪声方差;
获取前一频段的检测阈值和所述前一频段的噪声方差的比值,并根据所述比值和所述目标频段的噪声方差,得到目标检测阈值;具体包括:;其中,K为检测阈值与噪声方差的比值,为前一频段的信号的检测阈值,为前一频段的信号的噪声方差,为目标频段的信号的检测阈值,为目标频段信号的噪声方差;
根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数;具体包括:;其中,γ 1 为前一频段的信号的信噪比,N i-1为前一频段的采样点数,γ 2 为目标频段的信号的信噪比,N i-2为目标采样点数,K为检测阈值与噪声方差的比值;
根据所述目标采样点数对所述目标频段的信号进行采样,并根据所述目标检测阈值确定是否存在用户使用所述目标频段;具体包括:根据所述目标采样点数对所述目标频段的信号进行采样,得到所述目标频段的信号的能量,将所述能量与所述目标检测阈值进行比较,以确定是否存在用户使用所述目标频段。
2.根据权利要求1所述的方法,其中,所述获取目标频段的信号,包括:
获取目标信号的频谱,并划分为多个频段,将多个所述频段的信号分别作为所述目标频段的信号。
3.根据权利要求1所述的方法,其中,在所述获取目标频段的信号之后,还包括:对所述目标频段的信号进行预处理;
具体包括:
将所述目标频段的信号由时域信号转换为频域信号;并根据所述前一频段的采样点数对所述目标频段的信号进行插值和抽取。
4.根据权利要求1所述的方法,所述神经网络模型,包括:
多个独立的相同网络结构的子网;
每一个所述子网中包括CNN网络和LSTM网络;其中,CNN网络用于提取所述目标频段的信号的空间特征,LSTM网络用于提取所述目标频段的信号的时间特征。
5.根据权利要求4所述的方法,其中,在所述对所述目标频段的信号进行预处理之后,还包括:
将预处理后的所述目标频段的信号分割为多个时隙信号;
将多个所述时隙信号重组为多个重组信号;其中,重组的长度为所述子网的输入层的神经元的个数。
6.根据权利要求1所述的方法,其中,所述获取前一频段的检测阈值和所述前一频段的噪声方差的比值,并根据所述比值和所述目标频段的噪声方差,得到目标检测阈值,包括:
响应于确定所述目标频段的信噪比小于所述前一频段的信噪比,基于所述目标检测阈值与所述目标频段的噪声方差的比值和所述前一频段的检测阈值与所述前一频段的噪声方差的比值相同的原则,计算得到所述目标检测阈值。
7.根据权利要求6所述的方法,其中,在所述根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数之后,还包括:
响应于确定所述目标采样点数小于采样范围下限,将所述采样范围下限作为所述目标采样点数;
响应于确定所述目标采样点数大于采样范围上限,将所述采样范围上限作为所述目标采样点数。
8.一种自适应采样的频谱感知装置,包括:
信噪比获取模块,用于获取目标频段的信号,并输入已训练的神经网络模型,得到所述目标频段的信噪比,并根据所述信噪比得到所述目标频段的噪声方差;
检测阈值获取模块,用于获取前一频段的检测阈值和所述前一频段的噪声方差的比值,并根据所述比值和所述目标频段的噪声方差,得到目标检测阈值;具体包括:;其中,K为检测阈值与噪声方差的比值,为前一频段的信号的检测阈值,为前一频段的信号的噪声方差,为目标频段的信号的检测阈值,为目标频段信号的噪声方差;
采样点数获取模块,用于根据所述比值、所述前一频段的信噪比、所述目标频段的信噪比和所述前一频段的采样点数,得到目标采样点数;具体包括:;其中,γ 1 为前一频段的信号的信噪比,N i-1为前一频段的采样点数,γ 2 为目标频段的信号的信噪比,N i-2为目标采样点数,K为检测阈值与噪声方差的比值;
用户确定模块,用以根据所述目标采样点数对所述目标频段的信号进行采样,并根据所述目标检测阈值确定是否存在用户使用所述目标频段;具体用于:根据所述目标采样点数对所述目标频段的信号进行采样,得到所述目标频段的信号的能量,将所述能量与所述目标检测阈值进行比较,以确定是否存在用户使用所述目标频段。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110543048.7A CN112994813B (zh) | 2021-05-19 | 2021-05-19 | 自适应采样的频谱感知方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110543048.7A CN112994813B (zh) | 2021-05-19 | 2021-05-19 | 自适应采样的频谱感知方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112994813A CN112994813A (zh) | 2021-06-18 |
CN112994813B true CN112994813B (zh) | 2021-09-28 |
Family
ID=76336801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110543048.7A Active CN112994813B (zh) | 2021-05-19 | 2021-05-19 | 自适应采样的频谱感知方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112994813B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230072441A1 (en) * | 2021-09-03 | 2023-03-09 | Texas Instruments Incorporated | Empty band doppler division multiple access |
CN114041751B (zh) * | 2021-11-02 | 2022-10-11 | 珠海格力电器股份有限公司 | 离床监测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101834630A (zh) * | 2010-05-11 | 2010-09-15 | 南京邮电大学 | 一种基于能量-循环平稳特征的联合频谱检测方法 |
CN102386985A (zh) * | 2011-10-20 | 2012-03-21 | 北京邮电大学 | 适用于马尔可夫业务模型的频谱感知方法 |
WO2015109516A1 (zh) * | 2014-01-24 | 2015-07-30 | 华为技术有限公司 | 一种测量方法、配置方法、相关设备及*** |
CN105025583A (zh) * | 2015-07-02 | 2015-11-04 | 哈尔滨工业大学 | 基于能量与协方差检测的分步频谱感知方法 |
CN109219054A (zh) * | 2018-08-24 | 2019-01-15 | 南京航空航天大学 | 一种认知网络内双次用户的频谱感知方法 |
-
2021
- 2021-05-19 CN CN202110543048.7A patent/CN112994813B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101834630A (zh) * | 2010-05-11 | 2010-09-15 | 南京邮电大学 | 一种基于能量-循环平稳特征的联合频谱检测方法 |
CN102386985A (zh) * | 2011-10-20 | 2012-03-21 | 北京邮电大学 | 适用于马尔可夫业务模型的频谱感知方法 |
WO2015109516A1 (zh) * | 2014-01-24 | 2015-07-30 | 华为技术有限公司 | 一种测量方法、配置方法、相关设备及*** |
CN105025583A (zh) * | 2015-07-02 | 2015-11-04 | 哈尔滨工业大学 | 基于能量与协方差检测的分步频谱感知方法 |
CN109219054A (zh) * | 2018-08-24 | 2019-01-15 | 南京航空航天大学 | 一种认知网络内双次用户的频谱感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112994813A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112994813B (zh) | 自适应采样的频谱感知方法及相关装置 | |
CN107733541B (zh) | 频谱感知的方法、装置、设备以及计算机可读存储介质 | |
CN107395301B (zh) | 一种基于k均值算法的频谱感知方法与装置 | |
CN107426736B (zh) | 一种认知无线电的频谱感知方法及*** | |
CN108322277B (zh) | 一种基于协方差矩阵反特征值的频谱感知方法 | |
CN107360577B (zh) | 一种基于机器学习的频谱感知方法及装置 | |
CN110649982B (zh) | 基于次用户节点选择的双阈值能量检测方法 | |
CN111050387A (zh) | 基于能效估计的基站休眠方法、装置、电子设备及介质 | |
CN108401255B (zh) | 一种双阶段盲频谱感知方案 | |
CN114997213A (zh) | 信号识别方法、装置、电子设备及存储介质 | |
CN107171752B (zh) | 一种认知无线电的频谱感知方法及*** | |
Hamid et al. | Spectrum sensing through spectrum discriminator and maximum minimum eigenvalue detector: A comparative study | |
CN111313994B (zh) | 公平性原则下基于多臂***模型的多用户频谱接入方法 | |
CN106254007B (zh) | 一种应用于lte230***的频谱感知方法和装置 | |
CN104394543A (zh) | 基于Adaboost算法的联合频谱感知方法 | |
CN102647235B (zh) | 协作频谱感知的方法、设备和*** | |
CN115914004A (zh) | 链路检测方法及装置、存储介质、计算机设备 | |
CN114465681A (zh) | 一种用于电力物联网的多节点协作频谱感知方法及装置 | |
CN110337106B (zh) | 一种抗ssdf攻击的协作频谱感知方法、装置及*** | |
EP3340707A1 (en) | Channel selection device and method for wireless local area network | |
Bruno et al. | An edge detection approach to wideband temporal spectrum sensing | |
US9231668B2 (en) | Radio apparatus and method of operating the same | |
US8892052B2 (en) | Methods for determining whether a signal includes a wanted signal and apparatuses configured to determine whether a signal includes a wanted signal | |
CN112235061B (zh) | 一种基于相位差鲁棒统计特征的频谱感知方法及相关设备 | |
JP2010103650A (ja) | 信号検出方法,プログラム,情報記憶媒体,及びセンサー |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |