一种基于随机共振增强的协方差矩阵频谱感知算法

为了在避免对主用户系统产生有害干扰的同时 提高频谱利用效率,要求认知无线电系统的频谱感知算法能在极低的信噪比下快速检测出主用户信号。由于可以避免能量检测面临的噪声不确定性问题,基于协方差矩阵的检测算法是一种有效的盲频谱感知算法。为了进一步提高极低信噪比下的性能,本文提出了一种基于随机共振的协方差矩阵频谱感知算法。该算法通过在接收信号中加入优化的特定信号,利用随机共振原理,增大有无主用户信号下的检测统计量概率分布函数的分离度,提高频谱感知的性能。仿真结果表明,相对于现有的协方差矩阵频谱感知算法 ,在相同的虚警概率下,所提算法可以显著提高极低信噪比下的检测概率,同时大幅度缩减检测时间。      

基于能量检测与Sevcik分形维数的协作频谱感知算法

在认知无线网络中,针对单节点频谱感知易受到噪声不确定性的影响和传统的能量检测法在高噪声功率场景中检测性能较差等问题,根据Sevcik分形维数(Sevcik fractal dimension, SFD)对噪声不敏感、能够区分信号与噪声波形的特点,提出一种将自适应门限的能量检测法与SFD相结合的协作频谱感知方法.通过能量检测法对接收信号进行检测判决,然后由SFD对判定为主用户不存在的信号进行复检,并将所有检测结果进行K秩融合,根据融合结果得出最终判决.仿真结果表明,本文提出的频谱感知方法对噪声不敏感,在低信噪比下的检测性能得到显著提高.     

基于非负矩阵分解的频谱感知技术研究

为了提高认知无线电系统中低信噪比条件下的频谱感知性能,提出了基于非负矩阵分解的频谱感知方法。在无需知道被感知信号的先验信息的条件下,将原始信号进行短时傅里叶变换后,利用非负矩阵分解的噪声与信号之间的特征矩阵存在的差异性,将特征矩阵作为检测统计量进行频谱感知。仿真结果表明,基于非负矩阵分解的频谱感知方法在低信噪比条件下,具有较传统的能量检测方法与循环平稳检测方法更优的感知性能。     

瑞利信道中自适应双门限频谱感知算法研究

频谱感知是认知无线电中的一项关键技术,能量检测、匹配滤波器检测和周期循环频谱检测是认知无线电中频谱感知技术中传统、经典的算法.基于能量检测的频谱感知算法因实现简单且不需要先验信息而被广泛应用,但低信噪比的情况下检测概率会降低,用户的检测性能不足,从而导致认知用户和主用户之间的冲突碰撞次数增多.针对以上存在的问题,在基于自适应频谱感知的基础上,利用噪声功率估计,提出了一种瑞利信道下的自适应双门限频谱感知算法.仿真结果表明,在低信噪比噪声不确定的情况下,这种算法能够大大提高检测概率,有效降低了认知用户和主用户之间的冲突碰撞次数,从而提高频谱的利用率.     

基于能量和循环平稳检测的双门限两层感知算法

针对传统能量检测法容易受到噪声干扰、循环平稳检测法计算复杂度高的问题,提出了一种基于能量检测和循环平稳检测的双门限两层感知算法。利用双门限能量检测法对接收信号进行第一层检测,对于能量统计值落入双门限之间的信号,采用循环平稳检测法进行第二层检测。通过对传统能量检测法、循环平稳检测法和文中双门限两层感知算法的检测性能和复杂度进行仿真对比,结果显示在相同检测概率情况下,文中方法相较前两种方法,信噪比分别提升了2 dB和1 dB,虚警率分别降低了0.18和0.1,验证了双门限两层感知算法的有效性和可靠性。     

子空间投影的频谱感知算法研究

为了发现空间中的“频谱空洞”而加以利用以使频谱利用率最大化,频谱感知技术得到了广泛关注。已有基于特征矢量的频谱感知算法因涉及大量特征值分解运算导致算法运算量大,不适应实时检测。本文提出的频谱感知算法利用信号子空间和噪声子空间之间的正交性,将次用户接收信号分别投影到上述子空间,根据投影值的差异实现快速频谱感知。理论分析和仿真结果表明本文提出的算法与已有算法相比有效降低了运算量,检测性能不受噪声不确定度影响、不需要预知主用户先验知识和噪声方差,且低信噪比、小采样情况下有更优越的检测性能。      

基于信号能量分布拟合优度的长短时记忆网络频谱感知算法研究

传统频谱感知算法性能在低信噪比下不够理想,在高信噪比下较好,算法性能随信噪比降低逐渐变差。本文提出了基于信号能量分布拟合优度的长短时记忆网络频谱感知算法,利用授权用户信号存在时的接收信号为基础,计算接收信号的能量分布,并将通过拟合优度算法得到的距离值作为特征构造特征向量,然后将特征向量输入长短时记忆网络训练得到模型,最后将测试数据输入训练模型进行预测,从而实现频谱感知。仿真结果表明,本文提出的新算法在信噪比为-13 dB,采样点数为28时,检测概率达到96.21%,明显优于传统能量检测算法和传统拟合优度算法。      

一种新的认知无线电频谱感知算法

频谱感知是认知无线电的关键技术之一,通过检测授权用户信号的有无来发现频谱空穴,以提高频谱利用率。基于接收信号的统计协方差理论,提出一种新的认知无线电频谱感知算法,无需信号的先验信息,且计算复杂度较低。仿真分析了该算法,结果表明其在低信噪比环境下,较传统能量检测法有更好的感知性能。     

一种用于频谱感知的增强型能量检测算法

基于传统能量检测算法,提出了一种用于频谱感知的增强型能量检测算法,即利用对接收信号绝对幅度值的任意正数次方代替平方操作。在给定虚警概率时,理论推导出该算法在加性高斯白噪声信道中对随机信号的检测概率的闭合表达式。仿真表明,在不同信噪比条件下,与传统能量检测器相比,最优的增强型能量检测器能够体现出更佳的性能,尤其是在低信噪比情况下。     

利用功率谱极值和几何平均的频谱感知算法

为了提高基于功率谱的频谱感知算法抗噪声不确定性、抗频偏及低信噪比下检测性能,本文利用功率谱的部分样本平均估计最大值,以降低信号频偏对频谱感知性能影响;利用功率谱的最大值与最小值之差与功率谱几何平均之比作为判决统计量,以尽可能消除噪声影响及保留主用户信号;推导得到了检测门限表达式,表明该算法对噪声不确定性不敏感。加性高斯白噪声信道和瑞利衰落信道下的仿真结果表明:该算法频谱感知性能优于已有的基于功率谱的频谱感知算法,降低了未知载波频偏和噪声不确定性对频谱感知算法性能的影响,该算法能够有效检测实际信号。      

TDDM-BOC信号组合码序列及信息序列盲估计

该文针对低信噪比下TDDM-BOC(Time Division Data Modulation-Binary Offset Carrier)信号的组合码序列(将伪码序列和副载波序列看成一个整体序列)及信息序列盲估计问题,提出一种改进的基于奇异值分解的方法。该方法首先利用双信息符号周期、间隔一信息符号周期的时间窗对接受信号进行分段,并构成观测矩阵。然后对观测矩阵进行奇异值分解,通过左奇异向量实现组合码序列的盲估计。同时,通过右奇异向量实现信息序列的盲估计。仿真分析表明,该方法能够在较低的信噪比下达到精确估计的目的。这对于从事卫星导航接收机设计具有一定的参考价值。     

基于SVD的小波变换图像去噪方法

针对传统SVD图像去噪方法的不足,提出了一种基于SVD分解的小波分解图像去噪方法。通过对小波变换的系数矩阵进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在噪声中的信号成分。实验结果表明该文提出的方法适用于图像信号的提取,与传统的SVD去噪方法相比,它提取出的信号特征成分更完整,信噪比更高。     

SIMO信道中基于奇异值分解的盲信噪比估计算法

信噪比（SNR）是现代通信信号处理中一个重要参数,许多算法需要它作为先验信息以获取最佳估计性能。针对单输入多输出（SIMO）系统的信噪比估计问题,本文提出了一种盲信噪比估计算法。该算法利用多路信号协方差矩阵的奇异值分解（SVD）,通过计算矩阵的最大特征值实现各路信号信噪比估计。该算法无需知道信号的先验信息,能够对加性高斯白噪声信道（AWGN）和多径信道下常用的数字调制信号进行信噪比估计。仿真结果表明该算法具有良好的估计性能。与单路信号中基于SVD信噪比估计算法相比,该算法无需估计信号空间与噪声空间维数,提高了估计精度,同时大大减小计算复杂度。      

基于奇异值分解的直扩信号伪码序列及信息序列盲估计方法

针对非合作扩频通信中直扩信号伪码序列的盲估计问题,在已知码片速率和伪码周期的前提下,该文提出一种基于奇异值分解的直扩信号伪码序列及信息序列的盲估计方法。该方法对接收信号构成的观测矩阵进行奇异值分解,通过左奇异向量实现伪码序列估计的盲估计。同时,通过右奇异向量可以在信号序列未同步和伪码序列未知的情况下实现信息序列的盲估计。仿真实验结果表明该算法具有精确度高、稳定性高、计算量小和观测时间短等优点。     

基于改进典范分解的嵌套阵列DOA估计

摘 要：为了避免在对嵌套阵列做DOA估计时进行空域峰值搜索,将典范分解应用于嵌套阵列,通过单次奇异值分解、双线性映射和张量分解得到阵列导向量矩阵和入射角。但现有典范分解算法只适用于无噪条件,通过两次奇异值分解改进了该算法,使其在无噪和有噪条件下均适用。仿真结果表明：在相同信噪比、快拍数情况下,基于改进典范分解的嵌套阵列DOA估计算法相比MUSIC、空间平滑算法具有更好的估计性能和更少的运算时间。     

短码DS-SS信号扩频序列及信息序列联合盲估计方法

研究了短码DS-SS信号的扩频序列及信息序列联合盲估计问题。首先,利用双信息符号周期、间隔一信息符号周期的时间窗对接收信号进行重组,并形成接收信号矩阵。然后,利用奇异值分解联合盲估计信号的扩频序列与信息序列。该算法在失步时间未知、低信噪比条件下利用单一矢量空间盲估计扩频序列和信息序列。不但不受扩频序列类型的限制,而且避免了传统特征值分解盲估计算法利用2个矢量空间组合扩频序列时存在的相位模糊问题,提高了盲估计性能。最后仿真验证了算法的有效性。     

一种改进的基于奇异值分解的信源数目估计算法

信源数目估计问题在盲源分离中具有重要的意义。研究了传感器数目大于信源数目时的源数估计问题。首先分析了用奇异值分解法进行信源数目估计的优势与不足,然后提出了一种改进的基于奇异值分解的信源数目估计算法。该算法首先对含噪混合信号进行奇异值分解,然后检测信号分量与噪声分量之间的转折点,将信号分量与噪声分量区分开来,从而得到信号源的数目。实验仿真表明,该算法在低信噪比以及采样点数较少时仍然具有好的性能。     

基于权值优化的认知WiMax信号协同识别

传统的正交频分复用(OFDM)系统识别算法只能识别出接收信号是否为基于全球微波互联接入技术(WiMax)的OFDM信号,但无法判断该信号是认知信号,并且在复杂电磁环境下识别正确率低.为此,提出了一种协同识别认知WiMax无线网络OFDM信号的算法.该算法首先利用OFDM信号的循环自相关特性估计信号的有用符号时间,并通过估计各协同感知节点的信噪比对时间参数的估计值进行加权,得到有用符号时间的协同估计值,进而判断接收信号是否为基于WiMax系统的OFDM信号;再通过自私攻击策略,实现对OFDM信号是否是认知WiMax信号的判别,为进一步研究认知WiMax网络节点定位技术奠定了基础.仿真结果表明,与非协同识别算法相比,提出的协同识别算法在多径和低信噪比条件下具有更高的识别率.     

一种宽带相干信源的无网格超分辨DOA估计方法

由于无网格（grid-less）稀疏重构方法的波达方向（direction of arrival,DOA）估计数学模型为单快拍形式,因此该方法只有在噪声电平趋近于零时才具有优越的性能.为了提高grid-less方法在信噪比（signal-to-noise ratio,SNR）较低时宽带相干信源的估计性能,提出了一种多快拍grid-less DOA估计方法.首先,对多快拍阵列观测矢量实施奇异值分解（singular value decomposition,SVD）获得观测矩阵的时域信号子空间,通过观测矩阵到时域信号子空间的投影实现观测矩阵的降噪;然后,为了不增加多快拍计算复杂度,将降噪后观测矩阵的列向量加权累加处理得到单快拍形式;最后,从理论上证明了本文提出的GL-SVD方法求解的模型是凸的,能够实现宽带信号DOA的精确重构.仿真结果表明,该方法在低SNR以及宽带相干信源情况下的估计精度都高于L₁范数最小化奇异值分解（L₁-norm minimum singular value decomposition,L₁-SVD）和离格稀疏贝叶斯推断奇异值分解（off-grid sparse Bayesian inference singular value decomposition,OGSBI-SVD）,且在较小角度间隔的情况下具有更高的估计概率和分辨率.