认知网络中加权的基于信号相关特性的频谱检测方法技术

认知网络中加权的基于信号相关特性的频谱检测方法，是为解决认知系统目前已有的频谱检测算法受噪声功率不确定问题影响，需要主用户信号、噪声信号先验知识、在低信噪比弱信号相关性系统中检测性能较差的问题。本发明专利技术首先进行采样并利用采样点计算样本协方差矩阵。然后根据样本协方差矩阵计算相应的检测统计量。而后根据预期的虚警概率计算判决门限。最后，比较检测统计量和判决门限的大小从而判定主用户信号是否存在。本发明专利技术方法适用于在认知网络中进行频谱检测，判定认知系统中是否存在主用户信号。

【技术实现步骤摘要】

本专利技术涉及信息与通信
，具体涉及一种认知网络中的频谱检测方法。
技术介绍
认知无线电(Cognitive Radio)能够有效提升无线系统频谱利用率，目前已经得到了非常广泛的关注。频谱检测技术是认知无线电的一项关键技术。通过频谱检测，认知网络可以在避免对主用户产生干扰的前提下使用授权频段。为了提升认知系统的频谱检测性能，研究人员已经进行了大量相关研究，例如能量检测法ED(Energy Detection)、匹配滤波法、循环平稳特征检测法以及基于信号相关特性检测法。总地来说，前面提到的这些检测方法需要利用接收信号不同程度的先验知识。具体来说，匹配滤波检测需要知道主用户精确的信号先验知识。循环平稳特征检测法需要知道主用户信号的循环频率。尽管能量检测法的计算复杂度非常低，但由于对噪声功率不确定问题非常敏感，它需要事先已知噪声信号的功率。然而在实际的系统中，认知用户必须在没有主用户协作的前提下准确地判定主用户信号是否出现，即使是在低SNR场景中。认知用户能够获得的仅限于接收到的信号的一些统计信息。现有的基于信号相关特性的检测算法在高SNR强信号相关性的系统中确实能够有效进行频谱检测。但是它们的检测性能在低SNR弱信号相关性的网络中会变得极为糟糕。然而这种场景恰恰是更加常见的，更加符合客观事实的，更加具有研究价值的。真实的信号相关性(包括自相关和互相关)通常是比较弱的。一方面是因为硬件的限制，实际网络设计的过程中不可能采用过高的采样频率。另一方面，多天线系统实际上希望天线之间的相关性较弱，以获得更大的分集增益。
技术实现思路
本专利技术是为了解决认知系统目前已有的频谱检测方法的以下问题：1、受噪声功率不确定问题影响；2、需要主用户信号、噪声信号的先验知识；3、在低信噪比(SNR)弱信号相关性系统中检测性能较差；从而提供一种认知网络中加权的基于信号相关特性的频谱检测方法。认知网络中加权的基于信号相关特性的频谱检测方法，它包括以下步骤：步骤一、采用认知用户多天线接收端对接收到的信号进行采样，设采样点数为K，采样频率为fs，并根据公式： R ^ X = 1 K Σ k = 1 K x ( k ) x H ( k ) ]]>计算样本协方差矩阵设每个认知用户有M个感知天线；主用户信号经历瑞利信道到达每个认知用户接收端；则在第k个时刻接收信号采样向量，即：x(k)＝[x1(k)，x2(k),…,xM(k)]T，为： x ( k ) = { w ( k ) H 0 s ( k ) + w ( k ) H 1 , k = 1 , 2 , ... , K ]]>其中：K表示采样点数；向量w(k)＝[w1(k),w2(k),…,wM(k)]T表示M个天线接收到的独立同分布的复高斯白噪声信号，其均值为0，方差为且设等于噪声功率；s(k)＝[s1(k),s2(k),…,sM(k)]T表示认知用户接收到的主用户信号；H1和H0表示主用户信号出现和不出现的场景；在第m个天线接收到的信号为： s m ( k ) = S p h ψ ( r ) θ s ( k ) h m ( k ) ]]>其中：1≤m≤M；Sp代表发射功率，r为主用户和认知用户之间的距离，hψ(r)表示路径损耗，hm(k)是多径衰落系数，θs(k)为发送的主用户信号；采用σs代替步骤二、根据公式：利用样本协方差矩阵计算频谱检测方法的检测统计量Tw；其中：代表矩阵的第(m,n)个元素；fb为符号速率；Ns＝fs/fb表示每个符号对应的采样点数；Tw,mm,ξ和Tw,mn分别代表对应于接收信号自相关和互相关函数统计特性的检测量项；Tw,mm,ξ和Tw,mn的加权系数为：和步骤三、根据公式：计算判决门限λ；其中：Q-1(·)表示Q(·)的反函数，Pf,WDSC为预设的WDSC算法希望达到的虚警概率值；步骤四、通过比较步骤二获得的检测统计量Tw和步骤三获得的判决门限λ的大小，认知网络判定主用户信号是否出现。步骤二中所述的频谱检测方法采用SWDSC算法实现，具体为：步骤A1、利用采样点，计算样本协方差矩阵步骤A2、根据公式： T w , s = Σ m = 1 M T w , m m , ξ = 1 + Σ m 本文档来自技高网...

【技术保护点】
认知网络中加权的基于信号相关特性的频谱检测方法，其特征是：它包括以下步骤：步骤一、采用认知用户多天线接收端对接收到的信号进行采样，设采样点数为K，采样频率为fs，并根据公式：R^X=1KΣk=1Kx(k)xH(k)]]>计算样本协方差矩阵设每个认知用户有M个感知天线；主用户信号经历瑞利信道到达每个认知用户接收端；则在第k个时刻接收信号采样向量，即：x(k)＝[x1(k),x2(k),…,xM(k)]T，为：x(k)={w(k)H0s(k)+w(k)H1,k=1,2,...,K]]>其中：K表示采样点数；向量w(k)＝[w1(k),w2(k),…,wM(k)]T表示M个天线接收到的独立同分布的复高斯白噪声信号，其均值为0，方差为且设等于噪声功率；s(k)＝[s1(k),s2(k),…,sM(k)]T表示认知用户接收到的主用户信号；H1和H0表示主用户信号出现和不出现的场景；在第m个天线接收到的信号为：sm(k)=Sphψ(r)θs(k)hm(k)]]>其中：1≤m≤M；Sp代表发射功率，r为主用户和认知用户之间的距离，hψ(r)表示路径损耗，hm(k)是多径衰落系数，θs(k)为发送的主用户信号；采用σs代替步骤二、根据公式：利用样本协方差矩阵计算频谱检测方法的检测统计量Tw；其中：代表矩阵的第(m,n)个元素；fb为符号速率；Ns＝fs/fb表示每个符号对应的采样点数；Tw,mm,ξ和Tw,mn分别代表对应于接收信号自相关和互相关函数统计特性的检测量项；Tw,mm,ξ和Tw,mn的加权系数为：和步骤三、根据公式：计算判决门限λ；其中：Q‑1(·)表示Q(·)的反函数，Pf,WDSC为预设的WDSC算法希望达到的虚警概率值；步骤四、通过比较步骤二获得的检测统计量Tw和步骤三获得的判决门限λ的大小，认知网络判定主用户信号是否出现。...

【技术特征摘要】
1.认知网络中加权的基于信号相关特性的频谱检测方法，其特征是：它包括以下步骤：步骤一、采用认知用户多天线接收端对接收到的信号进行采样，设采样点数为K，采样频率为fs，并根据公式： R ^ X = 1 K Σ k = 1 K x ( k ) x H ( k ) ]]>计算样本协方差矩阵设每个认知用户有M个感知天线；主用户信号经历瑞利信道到达每个认知用户接收端；则在第k个时刻接收信号采样向量，即：x(k)＝[x1(k),x2(k),…,xM(k)]T，为： x ( k ) = { w ( k ) H 0 s ( k ) + w ( k ) H 1 , k = 1 , 2 , ... , K ]]>其中：K表示采样点数；向量w(k)＝[w1(k),w2(k),…,wM(k)]T表示M个天线接收到的独立同分布的复高斯白噪声信号，其均值为0，方差为且设等于噪声功率；s(k)＝[s1(k),s2(k),…,sM(k)]T表示认知用户接收到的主用户信号；H1和H0表示主用户信号出现和不出现的场景；在第m个天线接收到的信号为： s m ( k ) = S p h ψ ( r ) θ s ( k ) h m ( k ) ]]>其中：1≤m≤M；Sp代表发射功率，r为主用户和认知用户之间的距离，hψ(r)表示路径损耗，hm(k)是多径衰落系数，θs(k)为发送的主用户信号；采用σs代替步骤二、根据公式：利用样本协方差矩阵计算频谱检测方法的检测统计量Tw；其中：代表矩阵的第(m,n)个元素；fb为符号速率；Ns＝fs/fb表示每个符号对应的采样点数；Tw,mm,ξ和Tw,mn分别代表对应于接收信号自相关和互相关函数统计特性的检测量项；...

【专利技术属性】
技术研发人员：贾敏，王欣玉，郭庆，尹志胜，王林方，沈凌宇，杨健，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23