基于非参量CUSUM的认知超宽带频谱感知算法

提出了一种基于非参量CUSUM的超宽带信号快速检测算法,该算法针对认知超宽带频谱感知中超宽带信号检测问题,根据超宽带信号占空比低的特点,选择短时能量作为非参量CUSUM算法的观测统计量,将块检测思想和序列检测思想进行有机结合,克服了块检测算法的信噪比门限效应,并采用加滑动预处理窗的方式降低噪声对观测统计量的影响。本文通过自适应改变非参量CUSUM算法中Reference Value取值的方法,提出改进算法以进一步缩短检测延迟。仿真证明,占空比为1/10、信噪比为-25dB时, 所提算法可在用户发送50个脉冲的时间内以90%的概率检测出主用户信号的存在,而能量检测算法在8dB时才能达到相同检测概率,且所提算法检测延迟小于能量检测算法。改进算法在-10dB≤SNR≤5dB条件下可明显缩短检测延迟。      

一种适用于超宽带脉冲信号检测的改进CUSUM算法

将最快检测技术应用于超宽带脉冲信号检测中,具体采用改进的CUSUM(Cumulative Sum)算法来检测超宽带脉冲信号。首先分析了经过多径信道衰减后的超宽带脉冲信号概率分布特性,进一步提出了适用于超宽带脉冲信号检测的改进CUSUM算法。理论分析和仿真证明了所提改进算法性能优越且实现复杂度低。该算法克服了块检测算法的信噪比门限效应,且具有最优的检测延迟性能,相同虚警限制下其检测性能明显优于能量检测算法。     

基于累积和的改进超宽带循环平稳检测算法

针对超宽带循环平稳检测存在的门限难以设定、低信噪比下检测延迟较大的问题,提出了基于累积和的改进超宽带循环平稳检测算法。首先将信号整个三维循环谱归一化为二维灰度图,与噪声对应的灰度图比较差异,再将两类图像放入卷积神经网络（Convolutional Neural Network,CNN）自行训练提取特征,解决门限难以确定的问题。若分析三维循环谱的时间块长过短,将导致信号灰度图特征在有无噪声情况下区别不大;若块长过长会导致检测延迟较大。为此,采用累积和算法提取网络全连接层输出的信号概率作为累积和的观测统计量,自适应检测所需采样时间长度。将所提算法与传统循环平稳检测以及结合了CNN的循环平稳检测进行对比,仿真表明所提算法在低信噪比下性能最优。     

采用支持向量机的宽带频谱感知算法

认知无线电系统中,压缩感知理论已广泛运用于宽带频谱检测。但是,压缩感知中的重构问题造成频谱检测算法计算复杂度高,且在低信噪比下检测效果不佳。本文提出了采用支持向量机的宽带频谱感知算法,该算法利用支持向量机建立频谱检测分类器,代替信号的重构与检测过程。根据系统对实时性的要求,分别设计了多级二元分类器感知算法和单级多元分类器感知算法。前者适用于分级数有限且实时性要求不高的场景,后者可大幅降低系统的算法复杂度,降低感知时间,适用于实时检测系统。仿真结果表明,与基于重构的能量检测算法相比,本文提出的两种算法均可以有效改善系统对噪声的鲁棒性,提高在较小信噪比下的检测性能。      

基于小波降噪的压缩感知—循环平稳检测技术

认知无线电技术通过次级用户动态接入空闲频谱来提高空闲频谱资源的利用效率,是认知无线电的重要环节。在低信噪比环境下,如何快速精确地进行频谱感知是频谱感知面临的重大挑战。提出了一种基于小波降噪的压缩感知—循环平稳特征检测器来实现低信噪比环境下的频谱检测。采用压缩感知技术提高了频谱感知的效率,并进一步利用小波变换技术降低了压缩感知过程中引入的压缩噪声,提高了低信噪比环境下的频谱感知准确度。仿真结果证明,提出的基于小波降噪的压缩感知技术能够实现低信噪比环境下的频谱空洞检测。     

利用LMS的频谱感知算法

针对低信噪比下的频谱感知问题,提出一种基于最小均方算法(LMS)的不受噪声不确定度影响的频谱感知算法。本文利用LMS算法对原始发送信号的幅度进行实时估计,并以其估计值作为检验统计量,判断主用户是否存在,实现频谱感知。理论和仿真结果均表明,此方法对微弱信号的检测能力较强,且性能明显优于能量检测算法,通过对噪声方差的实时估计,可以有效克服噪声不确定度的影响。      

低信噪比条件下基于随机共振的感知方法与性能分析

针对认知网络实际环境中常呈现出噪声高动态变化、低信噪比特征,无法快速准确进行频谱感知的问题,本文将物理学非线性领域中的随机共振理论引入到频谱感知中,提出了一种基于广义随机共振的能量检测算法.该算法引入匹配噪声,通过匹配非线性系统、噪声和信号三者的关系,从而改变能量检测统计量的分布,有效地检测信号的存在性.本文从理论上推导了最佳匹配噪声的表达式,并得到了检测性能、受噪声不确定度的影响、感知时间等方面的重要理论结论.仿真结果验证了理论推导的正确性,表明所提算法能够在信噪比为-20dB等低信噪比条件下较现有能量检测算法提高3dB以上,且具有感知速度快、受噪声不确定度影响小等特点.     

基于图像K-means聚类分析的频谱感知算法

近年来,基于能量检测的协作频谱感知算法被广泛应用于频谱感知领域。由于该方法在计算能量检测的判决门限受噪声影响较大以及受限于认知用户的数量等问题,导致其检测性能受到影响。为了解决这一问题,本文提出一种基于图像K-means聚类分析的频谱感知算法。这种方法利用主用户信号存在与否的两种认知信号状态映射成图像,经过调整图像强度和高斯滤波预处理之后利用提取图像像素分布直方图的方法提取出特征向量,然后利用改进的K均值聚类算法对这些特征向量进行训练得到分类模型。最后利用训练好的分类模型对未知信号进行检测,从而实现频谱感知。仿真结果表明,本文所提出的频谱感知算法,在检测性能上优于传统能量检测以及协作频谱感知算法,尤其在低虚警概率、低信噪比的环境下效果更加突出。      

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

基于功率谱分段对消频谱感知算法研究及性能分析

在实用的认知无线电系统中,频谱感知技术必须具备在噪声电平高动态变化和无线信道严重衰落电磁背景下,进行实时盲频谱感知的能力,这为经典的频谱感知算法带来巨大的挑战。该文提出的功率谱分段对消频谱感知算法,依据傅里叶变换的渐进正态性和相互独立性,计算出功率谱的统计特性,利用监测频带内部分谱线强度和与全部谱线强度和的比值作为检验统计量进行信号存在性的判断。该文推导了算法的虚警概率和不同信道模型下正确检测概率的数学表达式,并依据Neyman-Pearson准则得到判决门限的闭式表达式。理论分析和仿真结果均表明:功率谱分段对消频谱感知算法对噪声不确定度具有鲁棒性;固定信噪比,算法的频谱感知性能不受噪声电平改变的影响;应用于高斯白噪声和平坦慢衰落信道中,可在较宽的信噪比范围内获得较优越的频谱感知性能;算法计算复杂度低,可在微秒级时长内完成频谱感知。     

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。      

L-CR系统中分布式压缩感知最小角回归信号重构

在低轨（LEO）微小卫星感知无线电（L-CR）系统中,多个LEO卫星节点具备一定的频谱感知功能,卫星节点通过分布式组网对地面信关站发射的信息进行感知、传输和处理,地面汇聚节点对LEO卫星节点转发信号进行重构。考虑LEO系统中授权频带的主用户（PU）对卫星认知用户（SU）的干扰,认知用户感知到的信号同时存在PU干扰和噪声,地面汇聚节点通过高效的重构算法进行含噪信号恢复是L-CR系统实现的重要问题。论文研究了L-CR系统中基于分布式压缩感知的信号重构方法。针对L-CR特点,分别分析了汇聚节点在低信噪比情况下采用凸松弛法中的基追踪去噪（BPDN）、同伦（Homotopy）法和最小角回归（Lars）的重构均方误差（MSE）与重构复杂度。研究表明,BPDN具有最小的重构MSE,但其重构复杂度最高。Lars可以有效折衷重构MSE与复杂度。在此基础上,提出了基于分布式压缩感知的最小角回归（DCS-Lars）信号重构方案。仿真结果表明,所提DCS-Lars方法可以在低信噪比情况下有效重构感知信号,并具有良好的频谱检测能力,同时重构复杂度大大降低。      

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。      

Robust spectrum sensing algorithm based on free probability theory

In low signal‐to‐noise ratio (SNR) cases, the performance of spectrum sensing algorithms cannot meet the practical needs, which is a major problem faced by spectrum sensing technology in current cognitive radio field. Now, existing algorithms based on random matrix theory (RMT) have high sensing performance, but they require a large number of samples, which are very difficult to satisfy in practice. Free probability theory (FPT) is a main branch of RMT. It describes the asymptotic behavior of large random matrices and portrays a strong link between two matrices and their sum or product matrices. FPT can also be utilized to the digital communication system that can be modeled by random matrices and has been applied to spectrum sensing in simplified ideal channels, for example, additive white Gaussian noise channel. The most pivotal issue and difficulty of the FPT‐based methods is to set up and solve the asymptotic freeness equation corresponding to a specific communication model. In this paper, FPT‐based spectrum sensing schemes are proposed for some typical wireless communication systems, such as multiple‐input multiple‐output system, Rayleigh multipath fading system, and orthogonal frequency division multiplexing system. It is shown that the asymptotic freeness behavior of random matrices and the property of Wishart distribution can be used to assist spectrum sensing for these typical systems with low SNR and very limited samples. Simulation results demonstrate that compared with the existing RMT‐based spectrum detection methods, for example, the maximum and minimum eigenvalue detectors, the proposed FPT‐based schemes offer superior detection performance and are more robust to low SNR cases, especially for a small sample of observations. Copyright © 2015 John Wiley & Sons, Ltd.     

基于信噪比墙的协作能量检测算法

认知无线电技术可有效地检测到授权频段的频谱空洞,从而提高频谱效率.能量检测由于不需要授权用户的先验信息而被广泛应用.然而由于接收的噪声存在不确定性,使得在信噪比低于某一闸值时,无论观测时间多长,都无法保证检测结果满足要求的检测性能,这一闸值被称作“信噪比墙”.本文通过信噪比墙这一现象进行分析,同时由于协作感知算法在确定噪声下在提高检测性能方便表现出的优势,提出一种基于信噪比墙的协作能量检测算法,通过仿真结果分析,表明本文算法在检测性能和节能上较已有的协作算法具有优势.     

基于遗传算法的UWB信号非相干捕获方法

 本文针对动态信噪比环境超宽带（UWB, Ultra WideBand）信号的非相干捕获,提出了一种基于遗传算法的信号捕获方案.以遗传算法结合在线估计接收信噪比,搜索积分窗口长度与定时位置的参数组合,实现系统要求的比特错误概率.该方法解决了传统捕获方案在未知信噪比条件下积分长度无法择优选取以及捕获门限难于设定的问题.仿真结果表明,基于遗传算法的二维参数捕获方法与传统Look and Jump by K steps算法相比有效的提高了未知信噪比条件下的系统捕获性能,拓展了UWB非相干系统的应用范围.     

基于能量和协方差的两步频谱感知

频谱感知是认知无线电中的一项关键技术,主要功能是能够快速准确检测出频谱中是否存在授权用户。频谱感知的能量检测算法简单,但在低信噪比情形下的检测性能不佳,而协方差算法在低信噪比环境下具有较好检测性能。针对上述情况提出了一种这两步相结合检测的算法,从而具有更准确的频谱感知性。仿真结果表明,两步检测算法在低信噪比情况下无需授权用户的先验信息,同时使算法的平均计算量相对于协方差算法有一定程度的降低,并能有效地提高频谱感知性能。     

Reducing the effects of the noise uncertainty in energy detectors for cognitive radio networks

Because of its ease of implementation and minimum requirements about the primary signals' information, energy detection is broadly considered for signal detection in spectrum sensing algorithms. However, the noise uncertainty phenomenon, caused by the random variations in the noise power, degrades the performance of an energy detector, particularly when the signal‐to‐noise ratio (SNR) is low. In this work, we propose to reduce the negative effects of the noise uncertainty in the performance of an energy detector by dynamically adapting its detection threshold to the noise conditions experienced at each sensing epoch. The noise power is estimated from the received signal samples using an algorithm based on a high‐pass filters bank and median filtering. With our proposal, it is possible to maintain a constant and low false alarm rate in the presence of noise uncertainty, without increasing the probability of misdetection, even in the low SNR regime, and without increasing the number of samples considered for spectrum sensing. Copyright © 2014 John Wiley & Sons, Ltd.     

粒子群优化和拉凡格氏混合优化算法提取传感布里渊散射谱特征的方法

在基于布里渊散射的分布式光纤传感系统中,沿途光电检测信号信噪比(SNR)过低为被测量的信息反演带来困难。针对高精度解调传感布里渊散射谱的布里渊频偏量的需求,提出了一种利用粒子群优化(PSO)和拉凡格氏(L-M)混合优化算法对传感散射谱进行特征提取的方法。利用PSO算法粗调得到一组全局最优解,再以全局最优解作为L-M算法的初值,最终将L-M算法的运算结果作为结果输出。它克服了PSO算法过早收敛于局部极值和L-M算法依赖初值的问题,保证了求解的速度和精度。数值分析表明,新算法适合对不同权重比、不同线宽和低SNR、大测量范围情况下的散射谱进行参数估计,并且在SNR为10dB的情况下得到的绝对误差仅为2.18838MHz,优于其他两种算法。实验研究表明新算法适用于多种脉宽状况下的布里渊散射谱的特征提取,并可有效提高预测精度。     

Fundamental Limitations on Pilot-based Spectrum Sensing at Very Low SNR

Spectrum sensing is one of the most challenging issues of Cognitive Radio communications. The possibility of extremely low signal-to-noise ratio (SNR) of the received signal poses a fundamental challenge to spectrum sensing. In this paper, pilot-based spectrum sensing for OFDM signals is investigated. It is shown that the existing pilot-based OFDM spectrum sensing algorithms suffer from the frequency offset between the transmitter and sensing devices, as well as the noise uncertainty in the sensing threshold design. We consequently propose a robust pilot-based spectrum sensing algorithm for low SNR OFDM signals using a sliding frequency correlator. The proposed algorithm processes additional bandwidth to eliminate the impact of frequency offset. In addition, considering the unknown noise statistics and its time-varying nature, a ratio threshold which is not sensitive to the noise power level is derived for spectrum sensing. Our theoretical analysis and simulation results show that this algorithm can achieve exceptionally good sensing performance at very low SNR, while being insensitive to time and frequency offsets and requiring no information of the noise statistics.