The invention discloses a method of Mixed Gauss Spectrum Sensing based on block sparse characteristics, which includes the following steps: 1) constructing a model of a block sparse spectrum sensing system affected by Mixed Gauss noise; 2) exploring the block sparse structure of the main user power spectrum signal according to the model of the block sparse spectrum sensing system; 3) utilizing the main user power spectrum signal; The block sparse structure of No. 1 reconstructs the power spectrum signal of the primary user, and then determines whether the channel is occupied or not. Based on the virtual reference grid point scheme, the block sparsity characteristic of the primary user power spectrum signal is effectively explored by introducing a priori variable that can control the block sparsity structure, and then the power spectrum information of the primary user signal is reconstructed. In addition, the invention takes into account the influence of mixed Gaussian noise on cognitive radio system, and can effectively reconstruct the power spectrum signal of the primary user without knowing the block sparse structure information of the power spectrum signal of the primary user in advance.
【技术实现步骤摘要】
一种基于块稀疏特性的混合高斯频谱感知方法
本专利技术属于无线通信
，具体涉及一种基于块稀疏特性的混合高斯频谱感知方法。
技术介绍
随着无线通信设备和用户数量的不断增加，频谱资源已经成为一种十分重要但日益稀缺的资源。然而事实情况是，有频谱授权的用户不论是在时域、频域还是空域都没有充分利用有限的频谱资源，而未被授权的频谱资源变得越来越少。目前，有效的解决方法之一就是使用认知无线电。通过频谱感知技术，认知用户可以在不对主用户造成有害干扰的前提下，动态使用未被主用户使用的频谱资源，从而提高频谱使用率。认知用户可以通过压缩感知理论感知授权频谱的一个重要原因是主用户信号在时域、频域或空域呈现出的稀疏性。此外，有研究表明，主用户信号的稀疏性还具有特殊的结构——块稀疏性，即主用户信号的非零项往往是成块状结构出现的。如果将接收到的信号表示在由位于块中的子信道基组成的字典中，则投影矢量的非零元素按照字典中子信道基的排列以块结构出现。利用接收信号的这一块稀疏表示，形成了一种具有较小行数的有效感知矩阵，从而可以减少压缩采样样本，降低计算复杂度。已有的关于认知无线电压缩频谱感知的重构...
【技术保护点】
1.一种基于块稀疏特性的混合高斯频谱感知方法，其特征在于，包括以下步骤：1)构建被混合高斯噪声影响的块稀疏频谱感知系统模型；2)根据块稀疏频谱感知系统模型探索主用户功率谱信号的块稀疏结构；3)利用主用户功率谱信号的块稀疏结构重构主用户功率谱信号，进而判断信道是否被占用。
【技术特征摘要】
1.一种基于块稀疏特性的混合高斯频谱感知方法，其特征在于，包括以下步骤：1)构建被混合高斯噪声影响的块稀疏频谱感知系统模型；2)根据块稀疏频谱感知系统模型探索主用户功率谱信号的块稀疏结构；3)利用主用户功率谱信号的块稀疏结构重构主用户功率谱信号，进而判断信道是否被占用。2.根据权利要求1所述的基于块稀疏特性的混合高斯频谱感知方法，其特征在于，步骤1)构建被混合高斯噪声影响的块稀疏频谱感知系统模型，包括如下步骤：1a)引入虚拟参考网格点方案，将一个非凸优化问题转变为一个凸优化求解问题；1b)考虑有两个高斯分布加权和得到的混合高斯噪声模型，即二元混合高斯噪声模型，用于拟合各种脉冲干扰和人为噪声，其概率密度函数为：其中，w是混合高斯噪声随机变量，ξ是混合高斯分布的混合系数，ν是第一个高斯分布的方差，τ是噪声方差比；1c)噪声总方差为(1-ξ)ν+ξτν，通过调节混合系数或各高斯分布的方差可以得到各种形状的噪声模型；1d)被混合高斯噪声影响的块稀疏频谱感知系统模型为：Φ＝Bθ+σ+e＝Bθ+n其中，Φ是NrN×1维的认知用户接收功率谱信号，Nr为认知用户的个数，N为采样点数；B是NrN×NtNb的信道矩阵，Nt和Nb分别为参考网格点数和主用户功率谱信号的基函数个数；θ是NtNb×1的具有块稀疏特性的主用户功率谱信号；σ是NrN×1的混合高斯噪声方差向量；e是均值为0方差为λ-1Ι的NrN×1维的误差向量，λ为方差的数值，是一个常数，Ι为NNr×NNr的单位矩阵；n是NrN×1的高斯随机变量，其均值为E(n)＝σ，方差为C(n)＝λ-1I；路径损耗模型为：γtr＝min{1,(dtr/d0)-h}其中，γtr表示第t个主用户到第r个认知用户之间的路径损耗，dtr为第t个主用户和第r个认知用户之间的距离，d0和h是与具体传播环境有关的常数。3.根据权利要求1所述的基于块稀疏特性的混合高斯频谱感知方法，其特征在于，步骤2)包括如下步骤：2a)由于主用户功率谱信号θ具有块稀疏特性，其结构可以表示为：式中，为主用户功率谱信号θ的分块情况，和分别为主用户功率谱信号θ第一个块和第g个块中的元素；2b)具有块稀疏特性的主用户功率谱信号θ被分为g个块，其中只有k个块是非零块且k＜＜g，每个块的大小为di，di不必是同一大小；2c)基于稀疏贝叶斯理论引入一个先验变量来探索主用户功率谱信号的块稀疏特性，并通过最大后验估计求得稀疏表达；2d)在求解具有块稀疏特性的主用户功率谱信号θ的概率密度函数之前，引入先验变量z描述主用户功率谱信号θ的块稀疏结构，则主用户功率谱的信号模型可以表示为：其中，ω为系数向量，通过合理地选择z的先验分布，先验变量z可以用来表示具有块稀疏特性的主用户功率谱信号θ的权重，为点乘符号。4.根据权利要求3所述的基于块稀疏特性的混合高斯频谱感知方法，其特征在于，当先验变量z中的连续多个zl元素为0时，表示这个块内没有主用户信号；相反，如果连续多个zl元素为1时，表示这个块内有活跃的主用户信号。5.根据权利要求1所述的基于块稀疏特性的混合高斯频谱感知方法，其特征在于，步骤3)利用主用户功率谱信号的块稀疏结构重构主用户功率谱信号，包括如下步骤：3a)对于基于块稀疏特性的分层先验变分贝叶斯模型，系统模型的联合概率密度函数为：p(Φ,ω,α,z,π,ξ,ν,λ)＝p(Φ|ω,z,ξ,ν,λ)p(ω|α)p(α)p(z|π)p(π)p(ξ)p(ν)p(λ)其中，p(Φ,ω,α,z,π,ξ,ν,λ)为被混合高斯噪声影响的块稀疏频谱感知系统模型中所有变量的联合概率密度函数，p(Φ|ω,z,ξ,ν,λ)为认知用户接收功率谱信号的后验概率密度函数，p(ω|α)为系数向量的条件概率密度函数，p(α)为系数向量方差变量的概率密度函数，p(z|π)为权重向量的条件概率密度函数，p(π)为权重向量先验变量的概率密度函数，p(ξ)为混合系数的概率密度函数，p(ν)为混合高斯噪声中第一个高斯分布方差的概率密度函数，p(λ)为误差向量方差的概率密度函数；3b)为求解具有块稀疏特性的主用户功率谱信号θ的最大后验估计，用变分贝叶斯算法进行优化：假设所有变量集合为Θ＝{ω,α,z,π,ξ,ν,λ}其中，ω,α,z,π,ξ,ν,λ为被混合高斯噪声影响的块稀疏频谱感知系统模型中的所有未知变量；被混合高斯噪声影响的块稀疏频谱感知系...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。