CN114245389A - 一种基于过采样的自相关频谱感知方法 - Google Patents

一种基于过采样的自相关频谱感知方法 Download PDF

Info

Publication number
CN114245389A
CN114245389A CN202111601175.4A CN202111601175A CN114245389A CN 114245389 A CN114245389 A CN 114245389A CN 202111601175 A CN202111601175 A CN 202111601175A CN 114245389 A CN114245389 A CN 114245389A
Authority
CN
China
Prior art keywords
oversampling
noise
frequency
spectrum sensing
sample
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
Application number
CN202111601175.4A
Other languages
English (en)
Inventor
马燕茹
金明
胡宇铎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University
Original Assignee
Ningbo University
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 Ningbo University filed Critical Ningbo University
Priority to CN202111601175.4A priority Critical patent/CN114245389A/zh
Publication of CN114245389A publication Critical patent/CN114245389A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于过采样的自相关频谱感知方法，其对认知用户在一个时隙内接收到的信号进行过采样；然后获取过采样得到的所有样本经过离散傅里叶变换后得到的在各个频点上的频域信号，频点的范围由过采样次数与过采样率确定的噪声频带的范围和在噪声频带的两边各取的间隔的带宽决定；再根据在各个频点上的频域信号的功率谱密度估计噪声功率；接着根据噪声功率和所有样本构成的样本列向量计算检验统计量；最后通过比较检验统计量和判决门限的大小，判定主用户信号是否存在，从而实现频谱感知；优点是其能够在主用户信号存在时准确地估计出噪声功率，且其能够在多径信道以及非多径信道中利用自相关进行盲频谱感知。

Description

一种基于过采样的自相关频谱感知方法
技术领域
本发明涉及一种认知无线电中的频谱感知技术，尤其是涉及一种基于过采样的自相关频谱感知方法，其通过对认知用户接收到的信号进行过采样来估计噪声功率的大小，进而利用认知用户接收到的信号的自相关和噪声功率进行频谱感知。
背景技术
认知无线电(Cognitive Radio，CR)允许次级用户(即认知用户)接入主用户未使用的频段从而极大地改善频谱利用率，近年来得到了广泛的关注。频谱感知是认知无线电中的关键技术，其作用是检测频谱空洞并允许主用户和次级用户共存。频谱感知的方法有很多，主要分为三类，即需要主用户信号和噪声先验知识的检测方法、半盲检测方法以及全盲检测方法。半盲检测方法需要预先知道噪声和干扰功率等先验信息，这些先验信息在动态无线电磁环境下很难实时获取。全盲检测方法不需要任何先验信息，具有较大的实用性，其中广受关注的是自相关频谱感知方法。
已有的自相关频谱感知方法有协方差绝对值检测器(CAV)、最大最小特征值检测器(MME)、最大特征值和算数平均检测器(MEAN)、算数几何平均值检测器(AGM)和加权特征值盲检测器(BEW)。这些方法主要有两个问题：第一，使用协方差矩阵的一些特点来估计噪声功率会使得主用户信号存在时估计的噪声功率偏大；第二，在一些非多径信道中，难以利用接收信号的相关性。
发明内容
本发明所要解决的技术问题是提供一种基于过采样的自相关频谱感知方法，其能够在主用户信号存在时准确地估计出噪声功率，且其能够在多径信道以及非多径信道中利用自相关进行盲频谱感知。
本发明解决上述技术问题所采用的技术方案为：一种基于过采样的自相关频谱感知方法，其特征在于它的处理过程为：对认知用户在一个时隙内接收到的信号进行过采样；然后获取过采样得到的所有样本经过离散傅里叶变换后得到的在各个频点上的频域信号，频点的范围由过采样次数与过采样率确定的噪声频带的范围和在噪声频带的两边各取的间隔的带宽决定；再根据在各个频点上的频域信号的功率谱密度估计噪声功率；接着根据噪声功率和所有样本构成的样本列向量计算检验统计量；最后通过比较检验统计量和判决门限的大小，判定主用户信号是否存在，从而实现频谱感知。
该自相关频谱感知方法具体包括以下步骤：
步骤1：在认知无线电***中，任意选取一个时隙，对认知用户在该时隙内接收到的信号进行L次过采样，得到L个样本，将第i个样本记为x(i)，将L个样本构成的样本列向量记为x，
Figure BDA0003431846280000021
其中，L为正整数，L＝2n，n为正整数，n≥7，过采样率为K，K为正整数，K≥2，i为正整数，1≤i≤L，x(1)表示第1个样本，x(L)表示第L个样本；
步骤2：根据过采样次数L与过采样率K，确定噪声频带的范围为
Figure BDA0003431846280000022
并在噪声频带的两边各取带宽为U的一部分频带作为间隔；然后根据噪声频带的范围
Figure BDA0003431846280000023
和间隔的带宽U，获取L个样本经过离散傅里叶变换后得到的在频点m上的频域信号，记为X(m)，
Figure BDA0003431846280000024
其中，U的取值范围为20Hz～50Hz，m的单位为Hz，
Figure BDA0003431846280000025
e为自然基数，j为虚数单位；
步骤3：根据在所有频点上的频域信号的功率谱密度估计噪声功率，记为
Figure BDA0003431846280000026
Figure BDA0003431846280000031
其中，在|X(m)|2中符号“||”为取模运算符号，|X(m)|2表示X(m)的功率谱密度；
步骤4：根据噪声功率
Figure BDA0003431846280000032
和样本列向量x，计算检验统计量，记为T，
Figure BDA0003431846280000033
其中，在|p-q|中符号“||”为取绝对值符号，p∈[1,L]，q∈[1,L]，p和q均为正整数，x(p)表示第p个样本，x*(q)为x(q)的共扼，x(q)表示第q个样本，x(p)x*(q)为矩阵xxH中下标位置为(p,q)的元素的值，上标“H”表示共轭转置；
步骤5：比较检验统计量T和判决门限λ的大小，如果T＞λ，那么判定主用户信号存在；否则，判定主用户信号不存在。
与现有技术相比，本发明的优点在于：
1)本发明方法对认知用户接收到的信号进行过采样之后，只有噪声信号的功率谱密度留在中间，主用户信号叠加噪声信号的功率谱密度分布在两边，这样就可以根据留在中间的噪声信号的功率谱密度来估计噪声功率，使得本发明方法在主用户信号存在时也可以准确地估计出噪声功率。
2)在噪声频带的两边各取一部分频带作为间隔，即两侧的间隔形成了一个保护频带，可以避免由于主用户信号泄漏到噪声频带中对噪声功率估计造成的影响，从而使得噪声功率估计更加准确。
3)本发明方法计算检验统计量时不仅利用了通过过采样估计的噪声功率，而且还利用了通过过采样引入的相关性，使得本发明方法不仅可以在多径信道中使用，也可以在非多径信道中使用，进而实现盲频谱感知。
4)通过仿真，相比现有的自相关频谱感知方法，本发明方法的检测性能更优。
附图说明
图1为本发明方法的流程框图；
图2为在虚警概率为0.1时分别利用本发明方法和协方差绝对值检测器(CAV)、最大最小特征值检测器(MME)、最大特征值和算数平均检测器(MEAN)、算数几何平均值检测器(AGM)和加权特征值盲检测器(BEW)得到的检测概率随***信噪比变化的性能曲线对比图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于过采样的自相关频谱感知方法，其流程框图如图1所示，其处理过程为：对认知用户在一个时隙内接收到的信号进行过采样；然后获取过采样得到的所有样本经过离散傅里叶变换后得到的在各个频点上的频域信号，频点的范围由过采样次数与过采样率确定的噪声频带的范围和在噪声频带的两边各取的间隔的带宽决定；再根据在各个频点上的频域信号的功率谱密度估计噪声功率；接着根据噪声功率和所有样本构成的样本列向量计算检验统计量；最后通过比较检验统计量和判决门限的大小，判定主用户信号是否存在，从而实现频谱感知。
该自相关频谱感知方法具体包括以下步骤：
步骤1：在认知无线电***中，任意选取一个时隙，对认知用户在该时隙内接收到的信号进行L次过采样，得到L个样本，将第i个样本记为x(i)，将L个样本构成的样本列向量记为x，
Figure BDA0003431846280000041
其中，L为正整数，L＝2n，n为正整数，n≥7，在本实施例中取L＝210＝1024，过采样率为K，K为正整数，K≥2，K一般取大于或等于2的正整数，在现实场景中受硬件复杂度、成本的限制使K的取值不会太大，在本实施例中取K＝4，K远远小于L，i为正整数，1≤i≤L，x(1)表示第1个样本，x(L)表示第L个样本。
步骤2：根据过采样次数L与过采样率K，确定噪声频带的范围为
Figure BDA0003431846280000051
并在噪声频带的两边各取带宽为U的一部分频带作为间隔；然后根据噪声频带的范围
Figure BDA0003431846280000052
和间隔的带宽U，获取L个样本(离散的时域信号)经过离散傅里叶变换后得到的在频点m上的频域信号，记为X(m)，
Figure BDA0003431846280000053
其中，U的取值范围为20Hz～50Hz，在本实施例中取U为50Hz，m的单位为Hz，
Figure BDA0003431846280000054
e为自然基数，e＝2.71…，j为虚数单位，π＝3.14…。
步骤3：根据在所有频点上的频域信号的功率谱密度估计噪声功率，记为
Figure BDA0003431846280000055
Figure BDA0003431846280000056
其中，2U实际为保护频带的带宽，为了避免由于主用户信号泄漏到噪声频带中对噪声功率估计造成的影响，在|X(m)|2中符号“||”为取模运算符号，|X(m)|2表示X(m)的功率谱密度。
步骤4：根据噪声功率
Figure BDA0003431846280000057
和样本列向量x，计算检验统计量，记为T，
Figure BDA0003431846280000058
其中，在|p-q|中符号“||”为取绝对值符号，p∈[1,L]，q∈[1,L]，p和q均为正整数，x(p)表示第p个样本，x*(q)为x(q)的共扼，x(q)表示第q个样本，x(p)x*(q)为矩阵xxH中下标位置为(p,q)的元素的值，x(p)x*(q)为引入的自相关信息，上标“H”表示共轭转置。
步骤5：比较检验统计量T和判决门限λ的大小，如果T＞λ，那么判定主用户信号存在；否则，判定主用户信号不存在；其中，判决门限λ的获取采用现有技术。
通过以下仿真进一步说明本发明方法的可行性和有效性。
在仿真中，取过采样次数L＝1024，取过采样率K＝4，采样频率fs设为1000Hz，***信噪比(主用户信号的功率与噪声信号的功率之比)由小到大从-25dB到-8dB变化。
图2给出了在虚警概率为0.1时分别利用本发明方法和协方差绝对值检测器(CAV)、最大最小特征值检测器(MME)、最大特征值和算数平均检测器(MEAN)、算数几何平均值检测器(AGM)和加权特征值盲检测器(BEW)得到的检测概率随***信噪比变化的性能曲线对比图。从图2中可以看出，在***信噪比为-14dB时，本发明方法的检测概率可以达到82％，而现有的自相关频谱感知方法的检测概率最高只能达到40％；在***信噪比为-11dB时，本发明方法的检测概率已达到100％，而现有的自相关频谱感知方法的检测概率最高只能达到90％。因此，本发明方法的检测性能明显优于现有的自相关频谱感知方法。

Claims (2)

1.一种基于过采样的自相关频谱感知方法，其特征在于它的处理过程为：对认知用户在一个时隙内接收到的信号进行过采样；然后获取过采样得到的所有样本经过离散傅里叶变换后得到的在各个频点上的频域信号，频点的范围由过采样次数与过采样率确定的噪声频带的范围和在噪声频带的两边各取的间隔的带宽决定；再根据在各个频点上的频域信号的功率谱密度估计噪声功率；接着根据噪声功率和所有样本构成的样本列向量计算检验统计量；最后通过比较检验统计量和判决门限的大小，判定主用户信号是否存在，从而实现频谱感知。
2.根据权利要求1所述的一种基于过采样的自相关频谱感知方法，其特征在于该自相关频谱感知方法具体包括以下步骤：
步骤1：在认知无线电***中，任意选取一个时隙，对认知用户在该时隙内接收到的信号进行L次过采样，得到L个样本，将第i个样本记为x(i)，将L个样本构成的样本列向量记为x，
Figure FDA0003431846270000011
其中，L为正整数，L＝2n，n为正整数，n≥7，过采样率为K，K为正整数，K≥2，i为正整数，1≤i≤L，x(1)表示第1个样本，x(L)表示第L个样本；
步骤2：根据过采样次数L与过采样率K，确定噪声频带的范围为
Figure FDA0003431846270000012
并在噪声频带的两边各取带宽为U的一部分频带作为间隔；然后根据噪声频带的范围
Figure FDA0003431846270000013
和间隔的带宽U，获取L个样本经过离散傅里叶变换后得到的在频点m上的频域信号，记为X(m)，
Figure FDA0003431846270000014
其中，U的取值范围为20Hz～50Hz，m的单位为Hz，
Figure FDA0003431846270000015
e为自然基数，j为虚数单位；
步骤3：根据在所有频点上的频域信号的功率谱密度估计噪声功率，记为
Figure FDA0003431846270000021
Figure FDA0003431846270000022
其中，在|X(m)|2中符号“||”为取模运算符号，|X(m)|2表示X(m)的功率谱密度；
步骤4：根据噪声功率
Figure FDA0003431846270000023
和样本列向量x，计算检验统计量，记为T，
Figure FDA0003431846270000024
其中，在|p-q|中符号“||”为取绝对值符号，p∈[1,L]，q∈[1,L]，p和q均为正整数，x(p)表示第p个样本，x*(q)为x(q)的共扼，x(q)表示第q个样本，x(p)x*(q)为矩阵xxH中下标位置为(p,q)的元素的值，上标“H”表示共轭转置；
步骤5：比较检验统计量T和判决门限λ的大小，如果T＞λ，那么判定主用户信号存在；否则，判定主用户信号不存在。
CN202111601175.4A 2021-12-24 2021-12-24 一种基于过采样的自相关频谱感知方法 Pending CN114245389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111601175.4A CN114245389A (zh) 2021-12-24 2021-12-24 一种基于过采样的自相关频谱感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111601175.4A CN114245389A (zh) 2021-12-24 2021-12-24 一种基于过采样的自相关频谱感知方法

Publications (1)

Publication Number Publication Date
CN114245389A true CN114245389A (zh) 2022-03-25

Family

ID=80762767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111601175.4A Pending CN114245389A (zh) 2021-12-24 2021-12-24 一种基于过采样的自相关频谱感知方法

Country Status (1)

Country Link
CN (1) CN114245389A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008107854A1 (en) * 2007-03-06 2008-09-12 Koninklijke Philips Electronics, N.V. Robust sensing for detecting signals using correlation
US20090197550A1 (en) * 2008-02-01 2009-08-06 Nokia Corporation Correlation-based detection in a cognitive radio system
CN102118199A (zh) * 2010-12-15 2011-07-06 西安交通大学 基于空时分集的多天线频谱感知方案的实现方法
CN102412918A (zh) * 2011-12-31 2012-04-11 电子科技大学 一种基于过采样的空时相关的glrt检测方法
CN109194417A (zh) * 2018-09-12 2019-01-11 宁波大学 一种协方差矩阵频谱感知方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008107854A1 (en) * 2007-03-06 2008-09-12 Koninklijke Philips Electronics, N.V. Robust sensing for detecting signals using correlation
US20090197550A1 (en) * 2008-02-01 2009-08-06 Nokia Corporation Correlation-based detection in a cognitive radio system
CN102118199A (zh) * 2010-12-15 2011-07-06 西安交通大学 基于空时分集的多天线频谱感知方案的实现方法
CN102412918A (zh) * 2011-12-31 2012-04-11 电子科技大学 一种基于过采样的空时相关的glrt检测方法
CN109194417A (zh) * 2018-09-12 2019-01-11 宁波大学 一种协方差矩阵频谱感知方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈宏等: "基于过采样和多重自相关的认知无线电盲感知算法研究", 无线通信, 28 January 2015 (2015-01-28) *
马燕茹等: "一种基于谱分量相关性的频谱感知方法及实验评估", 无线通信技术, 30 April 2021 (2021-04-30) *

Similar Documents

Publication Publication Date Title
Yang et al. Cyclostationary feature detection based spectrum sensing algorithm under complicated electromagnetic environment in cognitive radio networks
Like et al. Signal classification in fading channels using cyclic spectral analysis
Yucek et al. OFDM signal identification and transmission parameter estimation for cognitive radio applications
Mourougayane et al. A robust multistage spectrum sensing model for cognitive radio applications
CN100521670C (zh) 一种多进制频移键控信号的检测和分析方法
Zaidawi et al. Blind spectrum sensing algorithms in CRNs: A brief overview
CN112751629A (zh) 基于时频图像处理的宽带特定信号检测方法
Hassan et al. Learning‐based spectrum sensing for cognitive radio systems
Arunkumar et al. Iterative sparse channel estimation and data detection for underwater acoustic communications using partial interval demodulation
Sisi et al. Carrier frequency and symbol rate estimation based on cyclic spectrum
Ming et al. Intrapulse modulation recognition of radar signals based on statistical tests of the time-frequency curve
CN105554739B (zh) 基于信道多径时延差的主用户仿真攻击检测方法
Wang et al. A new method of automatic modulation recognition based on dimension reduction
CN114374450B (zh) 一种基于过采样的最大特征值检测器
CN114245389A (zh) 一种基于过采样的自相关频谱感知方法
Sharma et al. Improving robustness of cyclostationary detectors to cyclic frequency mismatch using Slepian basis
Zhang et al. Improved cyclostationary feature detection based on correlation between the signal and noise
CN110646815A (zh) 一种基于滑动平均fft的gnss信号多径参数估计方法
CN112543409A (zh) 一种到达时间toa估计方法及基站
CN114205012B (zh) 一种基于过采样的能量检测频谱感知方法
CN115378776A (zh) 一种基于循环谱参数的mfsk调制识别方法
KR20180013485A (ko) 레이더 신호 검출 장치 및 방법
Moawad et al. A wideband spectrum sensing approach for cognitive radios based on cepstral analysis
Ni et al. Adaptive cooperative spectrum sensing based on SNR estimation in cognitive radio networks
CN107196720B (zh) 针对时间同步且不存在频偏情况下的ofdm信号频谱感知方法

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