WO2014190573A1 - 基于归一化特征值的拟合优度检验的频谱感知方法及装置 - Google Patents

基于归一化特征值的拟合优度检验的频谱感知方法及装置 Download PDF

Info

Publication number
WO2014190573A1
WO2014190573A1 PCT/CN2013/077584 CN2013077584W WO2014190573A1 WO 2014190573 A1 WO2014190573 A1 WO 2014190573A1 CN 2013077584 W CN2013077584 W CN 2013077584W WO 2014190573 A1 WO2014190573 A1 WO 2014190573A1
Authority
WO
WIPO (PCT)
Prior art keywords
normalized
eigenvalues
eigenvalue
goodness
signal
Prior art date
Application number
PCT/CN2013/077584
Other languages
English (en)
French (fr)
Inventor
***
刘瑞勋
吴雨霏
王向阳
金石
唐文锐
黄禹淇
Original Assignee
东南大学
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 东南大学 filed Critical 东南大学
Publication of WO2014190573A1 publication Critical patent/WO2014190573A1/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/021—Estimation of channel covariance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0238—Channel estimation using blind estimation
    • 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
    • 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

Definitions

  • the present invention relates to the field of wireless communication technologies, and in particular, to a spectrum sensing method and apparatus that do not need to transmit any feature information of a signal.
  • spectrum detection In cognitive radio systems, how to discern whether there is an authorized user's signal on the spectrum is the first problem to be solved. This problem is called spectrum detection or spectrum sensing.
  • spectrum detection methods include: energy detection, matching filter detection, and cyclostation detection.
  • the energy detection complexity is low, but due to the uncertainty of noise, its performance deteriorates severely.
  • the matched filtering performance is excellent, but the characteristics of the known transmitted signal are required.
  • the performance of the cyclostationary detection is also excellent, but the complexity is high, and it is limited in practical applications.
  • the covariance matrix of the received signal it can be judged whether the signal is noise or not in the frequency band, and the theoretical basis of its operation is as follows.
  • the conventional technical scheme proposes a spectrum sensing using the eigenvalues of the covariance matrix of the received signal, and the decision variable can be composed of the eigenvalues of the covariance matrix.
  • a method of constructing a decision variable that is, the ratio of the largest and smallest eigenvalues, is given.
  • the conventional technical solution also proposes to use the ratio of the geometric mean and the arithmetic mean of the feature values as the decision variable.
  • the advantage of these methods is that there is no need to send any a priori information of the signal, nor any statistical characteristics of the noise. However, these methods do not take advantage of the distribution characteristics of the eigenvalues. Summary of the invention
  • the present invention proposes a spectrum detection method and apparatus based on the normalized goodness test of the normalized eigenvalues.
  • the spectrum sensing method based on the goodness-of-fit test of the normalized eigenvalue includes the following steps: (1) receiving a wireless signal on a frequency band to be perceived; (2) Sampling and filtering the received signal, calculating the covariance matrix of the signal, denoted as R, and its dimension is LXL;
  • the cumulative distribution function F ( ⁇ , based on the normalized eigenvalue of the noise, calculates the cumulative probability of the normalized eigenvalue: F ⁇ ) ⁇ ) ⁇ - ⁇ L) .
  • the cumulative distribution function of the eigenvalues is obtained by theoretical calculation, or by simulation ( ⁇ is made into a tabular form, and the table looks for the cumulative probability of normalized eigenvalues.
  • the decision variable is tested by Anderson-Darlin.
  • the method is applicable to spectrum sensing of single antenna and multi-antenna systems.
  • the method is applicable to multi-node collaborative sensing.
  • a spectrum sensing device based on a goodness-of-fit test of normalized eigenvalues comprising: a wireless signal sampling and filtering module, a covariance matrix calculation module, an eigenvalue decomposition module, a normalized calculation module of eigenvalues, and a normalized feature a cumulative probability calculation module, a decision variable calculation module, and a decision module;
  • the wireless signal sampling and filtering module is configured to obtain a wireless signal of the perceived frequency band
  • the covariance matrix calculation module is configured to calculate a covariance matrix of the signal to be perceived
  • the eigenvalue decomposition module is configured to calculate eigenvalue decomposition of a covariance matrix of the signal to be perceived; the normalization calculation module of the eigenvalue divides the eigenvalue by the sum of all eigenvalues to obtain a normalized feature Value
  • the cumulative probability calculation module of the normalized feature value calculates a cumulative probability corresponding to each normalized feature value; the decision variable calculation module calculates a test amount according to a cumulative probability of the normalized feature value; -Darling goodness of fit test method;
  • the decision module includes a comparator for comparing the decision variable with a threshold.
  • the present invention adopts the above technical solution, and has the following beneficial effects: In the calculation stage of the decision variable , the method only needs simple addition and comparison operations, and the complexity is very low compared to the spectrum sensing based on the eigenvalue in the background art, and the noise is relatively low. The uncertainty is not sensitive. Furthermore, the invention is also applicable to spectral sensing of multi-antenna systems.
  • FIG. 1 is a flowchart of a spectrum sensing method according to an embodiment of the present invention
  • FIG. 2 is a block diagram of a spectrum sensing device according to an embodiment of the present invention.
  • FIG. 3 is a block diagram of a decision variable calculation module when using the Anderson-Darling goodness-of-fit test method according to an embodiment of the present invention
  • FIG. 4 is a schematic diagram showing performance comparison between the embodiment of the present invention and the background art when the sampling point is 64 for the wireless microphone signal;
  • FIG. 5 is a schematic diagram showing performance comparison between the embodiment of the present invention and the background technology when the sampling point is 128 for the wireless microphone signal;
  • FIG. 6 is a schematic diagram showing performance comparison between the embodiment of the present invention and the background art when the sampling point is 32 for the multi-point cooperative spectrum sensing model;
  • FIG. 7 is a schematic diagram showing performance comparison between the embodiment of the present invention and the background art for a multi-point cooperative spectrum sensing model with a sampling point of 64.
  • the spectrum detection method based on the normalized goodness test of the normalized eigenvalues, as described in FIG. 1, includes the following steps:
  • the spectrum sensing device receives the wireless signal on the frequency band to be perceived
  • Scenario 1 The covariance matrix of the signal can be estimated by the sliding average method. Suppose the received signal sequence is expressed as
  • N Indicates the number of oversampling points of the signal (or for a multi-antenna receiving system, N can be modeled as the number of receiving antennas.)
  • N can be modeled as the number of receiving antennas.
  • Scenario 2 Cooperative spectrum sensing model, assuming a flat fading channel, and the number of cooperative nodes is L. Then, the received signal at the moment " can be expressed as,
  • Equation 5 XP ⁇ 2 H n s n +w n [Equation 5] where is the received signal vector of > ⁇ 1, is the transmitted signal vector of xl, is the standard Rayleigh fading channel matrix, P is the LxL receiving correlation matrix, ⁇ is independent The same distribution of Gaussian white noise, the variance is. Then, the covariance matrix of the received signal can be calculated by the following formula.
  • R is a matrix of LxL.
  • the spectrum sensing device covariance matrix performs eigenvalue decomposition, and the eigenvalues are expressed as small, large, ⁇ ,..., ⁇ .
  • the spectrum sensing device calculates the normalized eigenvalue, that is, the eigenvalue divided by the sum of all eigenvalues.
  • the result is expressed as follows. We will perform the goodness-of-fit test of the normalized eigenvalue.
  • the spectrum sensing device calculates the cumulative probability of the normalized feature value according to the cumulative distribution function F( ⁇ ) of the normalized feature value of the noise: ⁇ 6 ⁇ , ⁇ 6 ⁇ , ⁇ , ⁇ 6 ⁇ ;
  • a key step in performing the goodness-of-fit test is to calculate the cumulative probability of the data to be tested.
  • the cumulative probability calculation of the normalized trait value can be calculated by the theoretical formula, or the cumulative probability of the normalized eigenvalue can be obtained by simulation and stored as a table for query.
  • the cumulative distribution function into a table and store it in memory to reduce the computational complexity.
  • the cumulative probability of normalized eigenvalues is obtained by looking up the table. 6)
  • the spectrum sensing device calculates the decision variable ⁇ according to the goodness of fit test. When the threshold is greater than a preset threshold, the spectrum sensing device determines that there is an authorization signal in the spectrum. When the threshold is less than a preset threshold, the spectrum sensing device determines that there is no authorization signal, that is, the spectrum is idle. .
  • the cumulative distribution function of the normalized feature values is realized by looking up the table. Compared with the conventional eigenvalue spectrum detecting method, the complexity only increases the calculation of [Formula 6], and thus the complexity is not high.
  • the spectrum sensing device receives the wireless signal on the frequency band to be perceived, samples and filters the received signal, calculates a covariance matrix R of the signal, calculates a eigenvalue decomposition of the covariance matrix, and obtains the sorted eigenvalue. And then calculating the normalized feature value, that is, the sum of the feature values divided by all the feature values. Finally, the decision variable T is calculated according to the goodness of fit test, and when the threshold is greater than a preset threshold, the spectrum sensing device determines There is an authorization signal on the spectrum. When ⁇ is less than a preset threshold, the spectrum sensing device determines that there is no authorization signal, that is, the spectrum is idle.
  • the spectrum sensing device of the present invention comprises: a covariance matrix calculation module, a sorted eigenvalue decomposition module, a normalized eigenvalue calculation module, a goodness-of-fitness test decision variable calculation module, and a decision module.
  • the wireless signal sampling and filtering module is configured to obtain a signal of the perceived frequency band
  • the covariance matrix calculation module is configured to calculate a covariance matrix of the signal to be perceived
  • the ordered eigenvalue decomposition module is configured to perform eigenvalue decomposition on the covariance matrix
  • the feature values are sorted from small to large
  • the normalized feature value calculation module divides the feature value by the sum of all the feature values.
  • Figure 3 shows the decision variable calculation module when using the Anderson-Darling goodness-of-fit test method, which includes the cumulative probability calculation module of the normalized eigenvalues and the calculation module of the Anderson-Darling test decision variable T, where the calculation of ⁇ As shown in [Formula 6].
  • FIG. 1 and FIG. 7 The performance comparison between the method of the present invention and the background art is given in FIG. 1 and FIG. 7 by the actual simulation.
  • the patented technology and the maximum and minimum eigenvalue ratio detection are insensitive to noise uncertainty. That is, the presence or absence of noise uncertainty does not affect their performance.
  • the figure shows the performance of the patented technology and background art in the presence of noise uncertainty.
  • the noise uncertainty coefficient is 0.5 dB.
  • Figure 4 and Figure 5 show the signal model of scene 1 as an example.
  • the transmitted signal is a wireless microphone signal.
  • the number of sampling points is 64 points and 128 points, and the sliding factor is 16.
  • the oversampling factor is 1. It can be seen from Fig. 4 that the patented method is slightly worse than the energy detection under noiseless uncertainty, but is significantly better than the energy detection, the maximum and minimum eigenvalue ratio detection and the geometric mean of the eigenvalues in the presence of noise uncertainty. Arithmetic mean ratio detection. As the number of samples increases to 128 points, it can be seen from Figure 5 that this patented method is superior to all other considered techniques when the probability of detection is greater than 0.9, including energy detection with precisely known noise variance.
  • FIG. 6 and 7 are examples of the signal model of scene 2, and signal generation is given by [Equation 5].
  • the element receiving the correlation matrix P is generated by the following method:
  • the first row element of the P matrix is equal to " I , where" is equal to 0.9.
  • the number L of cooperative antennas is 16.
  • the geometric mean and arithmetic mean ratio are detected.

Landscapes

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

Abstract

本发明涉及无线通信技术领域。本发明公开了一种基于归一化特征值的拟合优度检验的频谱感知方法和频谱感知装置，所述方法包括：频谱感知装置接收授权频段上的信号，对接收信号进行采样滤波后，计算其协方差矩阵，然后对协方差矩阵进行特征值分解，并对特征值从小到大排序，再将特征值除以所有特征值的和，得到归一化特征值，最后针对归一化特征值进行拟合优度检验，根据检验结果判定是否存在信号。本发明方法和装置具有无需授权信号特征、对噪声不确定性不敏感等优点，同时性能优异。

Description

基于归一化特征值的拟合优度检验的频谱感知方法及装置 技术领域
本发明涉及无线通信技术领域， 特别是涉及一种无需发送信号任何特征信息的频谱 感知方法及装置。
背景技术
无线频谱资源匮乏的问题， 在随着无线数据业务的飞速增长变得越来越突出。 认知 无线电的提出， 使得灵活应用已经被占用的频谱资源成为可能。认知无线电技术的发展， 极大地提高了频谱利用率， 缓解了日益增长的无线业务需求与日渐匮乏的频谱资源之间 的矛盾， 被普遍认为是解决目前无线频谱利用率问题的最佳方案。 已有的研究表明， 认 知无线电可以提高通信***容量并提高频谱管理效率。
在认知无线电***中， 如何判别频谱上是否存在授权用户的信号是首先要解决的问 题。 这一问题被称为频谱检测或频谱感知。 常用的频谱检测方法包括： 能量检测、 匹配 滤波检测和循环平稳检测。 能量检测复杂度低， 但是受到噪声的不确定性的影响， 其性 能恶化严重。 匹配滤波性能优异， 但是需要已知发送信号的特征。 循环平稳检测的性能 也很优异， 但是复杂度较高， 在实际应用时， 受到一定的局限。
根据接收信号的协方差矩阵可以判断该频段上是信号还是噪声， 其工作的理论基础 如下。 我们知道， 通常， 有信号存在的情况下， 信号的协方差矩阵不是一个对角矩阵， 而仅噪声存在时， 接收信号的协方差矩阵为对角线元素相等的矩阵。基于这一理论基础， 传统的技术方案提出了一种利用接收信号的协方差矩阵的特征值进行频谱感知， 判决变 量可以由协方差矩阵的特征值构成。 并给出了一种判决变量构造方法， 即最大最小特征 值的比值。 另外， 传统技术方案还提出一种利用特征值的几何平均和算术平均的比值作 为判决变量。 这些方法的优点是无需发送信号的任何先验信息， 也无需噪声的任何统计 特性。 但是， 这些方法没有利用特征值的分布特性。 发明内容
技术问题： 为了进一步提升特征值检测方法的性能， 并避免噪声不确定性的影响， 本发明提出了一种基于归一化特征值的拟合优度检验的频谱检测方法及装置。
技术方案： 基于归一化特征值的拟合优度检验的频谱感知方法， 包括如下步骤： ( 1 ) 接收待感知频段上的无线信号； (2) 对接收信号进行采样滤波， 计算信号的协方差矩阵， 记为 R， 其维度为 LXL;
(3)计算协方差矩阵的特征值分解， 得到排序的特征值， 所述特征值从小到大表示 为0， ， ，
(4)计算归一化特征值， 即特征值除以所有特征值的和， 结果表示为 ' '''''^;
(5) 根据噪声的归一化特征值的累积分布函数 F(^， 计算归一化特征值的累积概 率： F{^)^{^)^-^{^L) . 所述噪声的归一化特征值的累积分布函数 通过理论 计算得到，或者通过仿真将 (^制作成表格的形式，查表得到归一化特征值的累积概率。
(6)根据拟合优度检验计算判决变量 Γ， 当 Γ大于预先设定的门限， 则判定该频谱 上有授权信号存在， 当 Γ小于预先设定的门限， 则判定没有授权信号， 即该频谱空闲。
所述判决变量 Γ采用 Anderson-Darlin 检验，
Figure imgf000004_0001
其中， 1η(·)表示自然对数函数。
优选的， 所述方法适用于单天线和多天线***的频谱感知。
优选的， 所述方法适用于多节点的协作感知。
基于归一化特征值的拟合优度检验的频谱感知装置， 包括： 无线信号采样和滤波模 块、 协方差矩阵计算模块、 特征值分解模块、 特征值的归一化计算模块、 归一化特征值 的累积概率计算模块、 判决变量计算模块和判决模块； 其中，
所述无线信号采样和滤波模块， 用于获得所感知频段的无线信号；
所述协方差矩阵计算模块， 用于计算待感知信号的协方差矩阵；
所述特征值分解模块， 用于计算待感知信号的协方差矩阵的特征值分解； 所述的特征值的归一化计算模块， 将特征值除以所有特征值的和， 得到归一化特征 值；
所述的归一化特征值的累积概率计算模块，计算每个归一化特征值对应的累积概率; 所述的判决变量计算模块， 根据归一化特征值的累积概率计算检验量； 采用 Anderson-Darling拟合优度检验方法；
所述的判决模块包括比较器， 用于比较判决变量与门限。 本发明采用上述技术方案， 具有以下有益效果： 在判决变量 Γ计算阶段， 该方法仅 需要简单的加法和比较运算， 相比背景技术中基于特征值的频谱感知， 复杂度非常低， 且对噪声的不确定性不敏感。 此外， 本发明还适用于多天线***的频谱感知。
附图说明
图 1为本发明实施例的频谱感知方法流程图；
图 2为本发明实施例的频谱感知装置框图；
图 3为本发明实施例的采用 Anderson-Darling拟合优度检验方法时的判决变量计算 模块框图；
图 4为针对无线麦克风信号， 采样点为 64时， 本发明实施例与背景技术的性能比较 示意图；
图 5为针对无线麦克风信号， 采样点为 128时， 本发明实施例与背景技术的性能比 较示意图；
图 6为针对多点协作频谱感知模型， 采样点为 32时， 本发明实施例与背景技术的性 能比较示意图；
图 7为针对多点协作频谱感知模型， 采样点为 64时， 本发明实施例与背景技术的性 能比较示意图。
具体实施方式
下面结合具体实施例， 进一步阐明本发明， 应理解这些实施例仅用于说明本发明而 不用于限制本发明的范围， 在阅读了本发明之后， 本领域技术人员对本发明的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。
基于归一化特征值的拟合优度检验的频谱检测方法， 如图 1所述， 包括以下步骤：
1) 频谱感知装置接收待感知频段上的无线信号；
2) 频谱感知装置对接收信号进行采样滤波后， 计算信号的协方差矩阵， 记为 R， 其 维度为 Lx
下面我们分别讨论两种场景下信号协方差矩阵的计算。
场景 1 : 信号的协方差矩阵可以通过滑动平均的方法估计出。 假设接收信号序列表示 为，
x(l), x(2), x (AO, (N +1), x (N +2), ..., x (nN), x (nN +l), .... 其中， N表示信号的过采样点数 （或对于多天线接收***， N可以建模为接收天线的个 数）。 我们采用滑动窗的方法计算接收信号的协方差矩阵。 假设平滑因子 M， 那么， M-2+K
R=- x l [公式 1] 其中， 表示计算求和的矢量个数， χη = [χ(ηΝ) χ(ηΝ + \) ■■■ x(nN + N-l)~] [公式 2] χ.. χ [公式 3]
R是一个 NMxNM的矩阵， 并令 L = NM， 则 R是一个 LxL的矩阵 < 那么， 当仅存在噪声时，
1 L-2+K
R,. [公式 4] κ n ^=L-l η η 其中， ^的定义与 相似。 我们假设噪声为高斯白噪声， 其方差为^。 从数学上严格地 讲， Rw并不是 Wishart矩阵， 但是， Rw可以近似为 Wishart矩阵。
场景 2: 协作频谱感知模型， 假设采用平坦衰落信道， 并且协作节点个数为 L。那么， 第《个时刻的接收信号可以表示为，
X P~2Hnsn+wn [公式 5] 其中， 是 ><1的接收信号矢量， 是 xl的发送信号矢量， 是标准的 Rayleigh衰 落信道矩阵， P是 LxL接收相关矩阵， ^是独立同分布的高斯白噪声， 其方差为 。 那么， 接收信号的协方差矩阵可以通过如下公式计算，
Figure imgf000006_0001
R是一个 LxL的矩阵。 当仅存在噪声时，
1 κ
R,.
η η
可以看出， 从数学上讲， 为 Wishart矩阵。
为了提高传统检测技术的性能，我们提出利用特征值的分布特性进行检测。其基本原 理是， 仅存在噪声时， 特征值的分布特性我们可以得到。 因此， 我们可以通过拟合优度 检验（Goodness of Fit Test)来检验接收信号的特征值分布是否与噪声的特征值分布相似。 为了避免检测器受到噪声的不确定性的影响， 我们进一步根据归一化特征值进行拟合优 度检验。 为此， 我们进行步骤 3)和 4)， 分布计算协方差矩阵的特征值和归一化特征值。
3) 频谱感知装置协方差矩阵进行特征值分解， 特征值从小到大表示为 ,^,…,^。
4) 频谱感知装置计算归一化特征值， 即特征值除以所有特征值的和， 结果表示为 下面， 我们将进行归一化特征值的拟合优度检验。
5) 频谱感知装置根据噪声的归一化特征值的累积分布函数 F(^)， 计算归一化特征 值的累积概率： ^6^,^6^,···,^6^;
在进行拟合优度检验时， 一个关键步骤是计算待检验数据的累积概率。 而归一化特 征值的累积概率计算可以通过理论公式计算， 也可以通过仿真得到归一化特征值的累积 概率， 存储成表以供查询。 下面， 我们根据前面所述的两种信号模型下^^计算方法， 分 别从理论上推导出仅存在噪声时归一化特征值的累积分布函数的近似表达式。
这里， 我们假设 L≥^i：， 这在实际情况中是合理的。根据 Rw的特征值之和等于 ^„的 迹， 那么 Rw特征值之和的均值为 L 2。 因此， 仅存在噪声的情况下， 求归一化特征值的 累积分布函数时， 我们以 L 2作为近似的特征值的和。那么， 下面我们得到的归一化特征 值的累积分布函数是近似表达。
根据数学上 Wishart矩阵的渐近特征根的累积分布函数，我们可以通过如下公式计算 以 L 2为归一化因子时特征值的累积分布函数，
其中，
Figure imgf000007_0001
实际实现时， 我们可以将累积分布函数制作成表， 存于存储器中， 以便降低计算复 杂度。 优选的， 我们还可以通过仿真得到比较精确的归一化特征值的累积分布， 并制作 成表。 通过查表得到归一化特征值的累积概率。 6) 频谱感知装置根据拟合优度检验计算判决变量 Γ。 当 Γ大于预先设定的门限， 则 所述的频谱感知装置判定该频谱上有授权信号存在， 当 Γ小于预先设定的门限， 则所述 的频谱感知装置判定没有授权信号， 即该频谱空闲。
拟合优度检验有多种实现方法。 其中一个实施特例是采用 Anderson-Darling检验， 即：
Χ(2 -ΐ){ΐη[,Ρ(σ ] + 1η[ΐ- ,Ρ(σ£+1,)]} [公式 6]
Τ— I
L
综上所述， 通过步骤 1) ~6)， 可以获得频谱感知的结果。
通过查表实现归一化特征值的累积分布函数， 本发明相比传统的特征值频谱检测方 法， 复杂度仅增加了 [公式 6]的计算， 因而复杂度并不高。
下面结合框图， 对本发明的频谱感知方法的工作步骤进一步详细说明。
如图 1所示， 首先， 频谱感知设备接收待感知频段上的无线信号， 对接收信号进行 采样滤波后， 计算信号的协方差矩阵 R， 计算协方差矩阵的特征值分解， 得到排序的特 征值， 然后计算归一化特征值， 即特征值除以所有特征值的和， 最后， 根据拟合优度检 验计算判决变量 T， 当 Γ大于预先设定的门限， 则所述的频谱感知装置判定该频谱上有 授权信号存在， 当 Γ小于预先设定的门限， 则所述的频谱感知装置判定没有授权信号， 即该频谱空闲。
结合图 2和图 3， 下面对本发明的频谱感知装置进一步详细说明。 如图 2所示， 本发 明的频谱感知装置包括： 协方差矩阵计算模块、 排序的特征值分解模块、 归一化特征值 计算模块、 拟合优度检验判决变量计算模块、 判决模块。 其中， 无线信号采样和滤波模 块用于获得所感知频段的信号，协方差矩阵计算模块用于计算待感知信号的协方差矩阵， 排序的特征值分解模块用于对协方差矩阵求特征值分解， 并对特征值从小到大排序， 归 一化特征值计算模块将特征值除以所有特征值的和。 图 3 给出了采用 Anderson-Darling 拟合优度检验方法时的判决变量计算模块， 它包括归一化特征值的累积概率计算模块和 Anderson-Darling检验判决变量 T的计算模块， 其中 Γ的计算如 [公式 6]所示。
下面通过实际仿真验证， 由图 4〜图 7给出了场景 1和场景 2下， 本发明方法与背景 技术的性能对比。 我们对比了无噪声不确定性下的能量检测、 背景技术包括最大最小特 征值比值检测和特征值的几何平均和算术平均比值检测、在噪声不确定性下的能量检测、 以及本专利技术。 本专利技术以及最大最小特征值比值检测均对噪声不确定性不敏感， 也就是， 存在噪声不确定性与否不影响它们的性能。 图中给出的是存在噪声不确定性下， 本专利技术以及背景技术的性能。 噪声不确定性系数为 0.5dB。
图 4和图 5是以场景 1的信号模型为例， 发送信号为无线麦克风信号， 采样点数为 64点和 128点， 滑动因子为 16， 过采样因子为 1。 从图 4可以看出， 本专利方法比无噪 声不确定性下的能量检测稍差， 但是明显优于存在噪声不确定性时的能量检测、 最大最 小特征值比值检测和特征值的几何平均和算术平均比值检测。随着样点数增加到 128点， 从图 5可以看出， 本专利方法在检测概率大于 0.9时， 优于所有其它所考虑的技术， 包括 噪声方差精确已知的能量检测。
图 6和图 7是以场景 2的信号模型为例， 信号产生由 [公式 5]给出。 接收相关矩阵 P 的元素由如下方法产生： P矩阵的第 行 列元素等于" I ， 其中 "等于 0.9。 假设协作 天线个数 L为 16。 图 6和图 7分别给出了 K=32和 =64时的检测性能。 从图 6和图 7 可以看出， 本发明实施例比无噪声不确定性下的能量检测稍差， 但是明显优于存在噪声 不确定性时的能量检测、 最大最小特征值比值检测和特征值的几何平均和算术平均比值 检测。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关 硬件完成， 所述程序可以存储于计算机可读存储介质中， 如只读存储器、 磁盘或光盘等。 可选地， 上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地， 上述实施例中的各模块 /单元可以采用硬件的形式实现， 也可以采用软件功能模块的形式 实现。 本发明不限制于任何特定形式的硬件和软件的结合。

Claims

WO 2014/190573 权利要求书 PCT/CN2013/077584
1、 基于归一化特征值的拟合优度检验的频谱感知方法， 其特征在于， 包括如下步骤：
( 1 ) 接收待感知频段上的无线信号；
(2) 对接收信号进行采样滤波， 计算信号的协方差矩阵， 记为 R， 其维度为 LxL;
( 3 ) 计算协方差矩阵的特征值分解， 得到排序的特征值， 所述特征值从小到大表示 为0， ， ，
( 4 ) 计算归一化特征值， 即特征值除以所有特征值的和， 结果表示为 σ1, σ2, · · · , σ£ ;
( 5 ) 根据噪声的归一化特征值的累积分布函数 F (^， 计算归一化特征值的累积概 率：
( 6) 根据拟合优度检验计算判决变量 Γ， 当 Γ大于预先设定的门限， 则判定该频谱 上有授权信号存在， 当 Γ小于预先设定的门限， 则判定没有授权信号， 即该频谱空闲。
2、 根据权利要求 1 所述的基于归一化特征值的拟合优度检验的频谱感知方法， 其特 征在于， 所述噪声的归一化特征值的累积分布函数 F (^通过理论计算得到， 或者通过仿 真将 (^制作成表格的形式， 查表得到归一化特征值的累积概率。
3、 根据权利要求 1 所述的基于归一化特征值的拟合优度检验的频谱感知方法， 其特 征在于： 所述判决变量 Γ采用 Anderson-Darling检验，
Figure imgf000010_0001
其中， 1η (·)表示自然对数函数。
4、 根据权利要求 1-3任一项所述的基于归一化特征值的拟合优度检验的频谱感知方 法， 其特征在于： 所述方法适用于单天线和多天线***的频谱感知。
5、 根据权利要求 1-3任一项所述的基于归一化特征值的拟合优度检验的频谱感知方 法， 其特征在于： 所述方法适用于多节点的协作感知。
6、 基于归一化特征值的拟合优度检验的频谱感知装置， 包括： 无线信号采样和滤波 模块、 协方差矩阵计算模块、 特征值分解模块、 特征值的归一化计算模块、 归一化特征 值的累积概率计算模块、 判决变量计算模块和判决模块； 其特征在于，
所述无线信号采样和滤波模块， 用于获得所感知频段的无线信号； 所述协方差矩阵计算模块， 用于计算待感知信号的协方差矩阵；
所述特征值分解模块， 用于计算待感知信号的协方差矩阵的特征值分解；
所述的特征值的归一化计算模块， 将特征值除以所有特征值的和， 得到归一化特征 值；
所述的归一化特征值的累积概率计算模块， 计算每个归一化特征值对应的累积概 率；
所述的判决变量计算模块， 根据归一化特征值的累积概率计算检验量；
所述的判决模块包括比较器， 用于比较判决变量与门限。
7、 根据权利要求 6所述的基于归一化特征值的拟合优度检验的频谱感知装置， 其特 征在于： 所述判决变量计算模块采用 Anderson-Darling拟合优度检验方法。
PCT/CN2013/077584 2013-05-27 2013-06-20 基于归一化特征值的拟合优度检验的频谱感知方法及装置 WO2014190573A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2013102030257A CN103297160A (zh) 2013-05-27 2013-05-27 基于归一化特征值的拟合优度检验的频谱感知方法及装置
CN201310203025.7 2013-05-27

Publications (1)

Publication Number Publication Date
WO2014190573A1 true WO2014190573A1 (zh) 2014-12-04

Family

ID=49097540

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2013/077584 WO2014190573A1 (zh) 2013-05-27 2013-06-20 基于归一化特征值的拟合优度检验的频谱感知方法及装置

Country Status (2)

Country Link
CN (1) CN103297160A (zh)
WO (1) WO2014190573A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108462544A (zh) * 2018-03-27 2018-08-28 广东工业大学 一种频谱感知方法及装置
CN108900268A (zh) * 2018-09-12 2018-11-27 宁波大学 利用小特征值估计噪声功率的最大特征值频谱感知方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103795481B (zh) * 2014-01-28 2017-02-22 南京邮电大学 一种基于自由概率理论的协作频谱感知方法
CN103986626B (zh) * 2014-05-30 2017-06-13 电子科技大学 基于端到端实测数据统计的路径特征刻画模拟方法及装置
CN104320209B (zh) * 2014-10-14 2016-04-20 宁波大学 一种基于拟合优度检验的频谱感知方法
CN105187143B (zh) * 2015-09-30 2017-10-20 西安邮电大学 一种基于二项分布的快速频谱感知方法和装置
CN108322277B (zh) * 2018-04-04 2021-01-12 宁波大学 一种基于协方差矩阵反特征值的频谱感知方法
CN108900267B (zh) * 2018-07-17 2021-10-15 浙江万胜智能科技股份有限公司 基于特征值的单边右尾拟合优度检验频谱感知方法及装置
CN109286937B (zh) * 2018-09-12 2023-03-24 宁波大学 利用小特征值估计噪声功率的协方差矩阵频谱感知方法
CN112181982B (zh) * 2020-09-23 2021-10-12 况客科技（北京）有限公司 数据选取方法、电子设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102638802A (zh) * 2012-03-26 2012-08-15 哈尔滨工业大学 一种分层协作联合频谱感知算法
WO2013059996A1 (en) * 2011-10-26 2013-05-02 Nokia Corporation Spectrum sensing

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826883A (zh) * 2010-05-07 2010-09-08 东南大学 一种用于认知无线电频谱感知的前端及频谱感知方法
CN102118199B (zh) * 2010-12-15 2013-07-10 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
CN102082617B (zh) * 2010-12-16 2014-10-08 上海师范大学 基于mtm-svd自适应传感器个数的频谱检测方法
CN102083101B (zh) * 2011-01-25 2013-10-30 东南大学 一种认知无线电传感器网络信息传输方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013059996A1 (en) * 2011-10-26 2013-05-02 Nokia Corporation Spectrum sensing
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
CN102638802A (zh) * 2012-03-26 2012-08-15 哈尔滨工业大学 一种分层协作联合频谱感知算法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108462544A (zh) * 2018-03-27 2018-08-28 广东工业大学 一种频谱感知方法及装置
CN108900268A (zh) * 2018-09-12 2018-11-27 宁波大学 利用小特征值估计噪声功率的最大特征值频谱感知方法

Also Published As

Publication number Publication date
CN103297160A (zh) 2013-09-11

Similar Documents

Publication Publication Date Title
WO2014190573A1 (zh) 基于归一化特征值的拟合优度检验的频谱感知方法及装置
Seif et al. Wireless federated learning with local differential privacy
WO2014190572A1 (zh) 基于快速傅里叶变换的盲频谱感知方法及装置
Zhang et al. Distributed cooperative spectrum sensing based on weighted average consensus
CN108322277B (zh) 一种基于协方差矩阵反特征值的频谱感知方法
Sun et al. Cooperative spectrum sensing with diversity reception in cognitive radios
Wei et al. Noise-constrained least mean squares algorithm
TWI591973B (zh) A signal detection method and device
CN107682103B (zh) 一种基于最大特征值和主特征向量的双特征频谱感知方法
Bkassiny et al. Blind cyclostationary feature detection based spectrum sensing for autonomous self-learning cognitive radios
WO2017071540A1 (zh) 非正交多址接入中信号检测方法及装置
CN104683050B (zh) 一种能有效对抗噪声不确定性的多天线全盲频谱感知方法
Zhang et al. Riemannian mean shift-based data fusion scheme for multi-antenna cooperative spectrum sensing
Yan et al. An information theoretic location verification system for wireless networks
WO2022089217A9 (zh) 密钥生成方法、装置、电子设备及存储介质
CN114142905A (zh) 时变信道下基于牛顿迭代法的mimo检测算法的改进方法
CN109962745A (zh) 一种频谱感知方法、***及装置
JP5506109B2 (ja) 通信システムにおける摂動デコーダ及び復号化方法とこれを用いた装置
CN103973381B (zh) 基于Cholesky矩阵分解的协作频谱检测方法
WO2013075484A1 (zh) 一种检测干扰的方法及装置
CN105119668A (zh) 一种采用双重判决的迭代频谱感知方法
Salarvan et al. Multi-antenna spectrum sensing for cognitive radio under Rayleigh channel
Liu et al. Primary user signal detection based on virtual multiple antennas for cognitive radio networks
CN106685549B (zh) 一种主用户频谱感知方法与装置
CN105827559A (zh) 天线合并算法的选择方法及装置

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: 13885884

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WA Withdrawal of international application
122 Ep: pct application non-entry in european phase

Ref document number: 13885884

Country of ref document: EP

Kind code of ref document: A1