认知网络中加权的基于信号相关特性的频谱检测方法与流程

文档序号:12477377阅读:289来源:国知局
认知网络中加权的基于信号相关特性的频谱检测方法与流程
本发明涉及信息与通信
技术领域
,具体涉及一种认知网络中的频谱检测方法。
背景技术
:认知无线电(CognitiveRadio)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(EnergyDetection)、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。技术实现要素:本发明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=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。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:Tw,s=Σm=1MTw,mm,ξ=1+Σm=2MΣn=1m-1Tw,mn]]>利用样本协方差矩阵计算检测统计量Tw,s;步骤A3、根据公式:λs=Q-1(Pf,SWDSC)3M2(M+1)24K(K+1)2]]>计算判决门限λs;其中:Pf,SWDSC表示预设的SWDSC算法希望达到的虚警概率值;步骤A4、通过比较步骤A2获得的检测统计量Tw,s和步骤A3获得的判决门限λs的大小,认知网络能够判定主用户信号是否存在,具体为:若检测统计量Tw,s大于判决门限λs,则认为主用户信号存在,否则认为主用户信号不存在。步骤四中,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的方法为:具体为,若检测统计量Tw大于判决门限λ,则认为主用户信号存在,否则认为主用户信号不存在。步骤二中,在计算对应于接收信号自相关函数统计特性的检测量项Tw,mm,ξ时,利用带有ξ个时延的自相关函数实现。本发明中,为了克服当前已有频谱检测方法存在的问题,认知系统使用了加权的基于信号相关特性的频谱检测方法,所提检测方法不受噪声功率不确定问题影响,所需用户信号先验知识较少,计算复杂度较低,在SNR弱信号相关性系统中仍然能够保持优异的检测性能。而后考虑实际系统的客观需求,给出了一种简化的盲检测算法,该方法完全不需要主用户信号噪声信号的任何先验知识。这两个检测方法的运行过程大致相同,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。通过仿真,验证了本发明中提出的加权方法的有效性,证实了所提频谱检测方法检测性能确实优越于其它已有基于信号相关特性的检测方法。附图说明图1是具体实施方式一的仿真实验中,本发明的加权方法的有效性仿真示意图;图2是具体实施方式一的仿真实验中,对比了公式(3)中ξ的上限△等于2、3、4或5时,公式(5)中ξ等于1、2或3时的ROC(ReceiverOperatingCharacteristic)性能曲线仿真图;图3是具体实施方式一的仿真实验中,当系统中ρ不同时,检测概率、虚警概率和SNR之间的关系仿真示意图。图4是具体实施方式一的仿真实验中,对比了当系统采用的采样频率fs不同,即认知用户接收到的信号自相关性强度不同时,5种基于信号相关性的频谱检测算法的检测性能仿真示意图。具体实施方式具体实施方式一、认知网络中加权的基于信号相关特性的频谱检测方法,首先介绍信号模型:假设每个认知用户有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。那么在第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---(7)]]>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,方差为假设为噪声功率。s(k)=[s1(k),s2(k),…,sM(k)]T表示认知用户接收到的主用户信号。在第m(1≤m≤M)个天线接收到的信号为其中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。为简化推导过程,下面用σs代替不失一般性地,如非特殊说明,采用QPSK信号进行论证。信道模型为:hm(k)=1LΣl=1Lej(2πfdkfscos(2πl+θlL)+φl)---(8)]]>其中:L为路径数,fd代表最大多普勒频移,fs是采样频率。另外,θl表示第l条路径的到达相位,φl是第l条路径的初始相位。θl和φl都在区间[-π,π)内均匀分布。而且假设它们和实际系统中的情形一样,是独立时变的。令h(k)=[h1(k),h2(k),…,hM(k)]T代表全部M个天线处的瑞利衰落信道增益。式(8)给出了第m个信道的增益hm(k)。天线的信道增益之间是相关的,归一化相关矩阵为∑∈CM×M。考虑到需要和实际空间相关性一致,∑常常被假设符合指数相关模型。∑的第(m,n)个元素为其中ρ(|ρ|≤1)表示天线相关系数。下面给出本发明所提检测方法。由K个采样点计算获得的协方差矩阵为R^X=1KΣk=1Kx(k)xH(k)---(9)]]>令代表矩阵的第(m,n)个元素。那么本发明的算法WDSC的检测统计量为:其中,令fb为符号速率。因此Ns=fs/fb表示的就是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的加权系数为和在接下来的叙述中,H1和H0表示主用户信号出现以及不出现的场景。需要指出的是式(10)在计算Tw,mm,ξ时利用的是带有ξ个时延的自相关函数因为该自相关函数的统计分布在H0假设下经过归一化后是与噪声功率无关的,从而能够有效避免所谓的“SNR-wall”问题,使得发明的算法WDSC不受噪声功率不确定问题的影响。至于式(10)中的Tw,mm,ξ在计算的时候需要从ξ=1累加到的原因,在后面的部分会给出具体的解释。通过比较式(10)获得的检测统计量和预设判决门限的大小,认知网络能够判定主用户信号是否出现。下面证明本发明所提加权方法的有效性。经过简单的推导后,有和其中首先证明所提加权方法能够增加每一个检测量项在H0假设和在H1假设下的差值。首先考虑加权系数ωmm,ξ。当时,E[r^mm,ξ|H1]≈Ns-ξNsσs2---(11)]]>Var[r^mm,ξ|H1]=1Kσw4+2Kσs2σw2+1K(2+((Ns-ξNs)2+1KNs)(K-1)-K(Ns-ξNs)2)σs2---(12)]]>根据中心极限定理CLT(CentralLimitTheorem),可被认为近似服从高斯分布。具体来说,那么在H1场景下,因此,类似地,其中:根据式(16)和式(17),P(ωmm,ξ|H1>ωmm,ξ|H0)≈1-Q(2(Ns-ξ)σs2KNs2σw4+4σs2σw2+σs4)---(18)]]>其中,公式(18)说明只要K足够大,那么概率P(ωmm,ξ|H1>ωmm,ξ|H0)的值是趋于1的。而且通过类似的推导,发现概率也是趋于1的。因此,本发明所提的加权方法能够进一步增加式(10)中每一个检测量项Tw,mm,ξ在H0和H1假设下的差异。至于加权系数ωmn,首先令ρmn=ρm-n。很容易能够推导出那么根据CLT,有:根据式(19),在H1假设下可知,那么,P(ωmn|H1>ωmn|H0)=1-Q(ρmnσs2Kσ2)---(22)]]>公式(22)说明了当K值足够大的时候,概率P(ωmn|H1>ωmn|H0)的值是趋于1的。类似地,概率的值也是趋于1的。那么就像Tw,mm,ξ那样,本发明所提加权方法同样能够增大式(10)中每一个检测量项Tw,mn在H0和H1假设下的差值,使得系统能够更加容易更加准确地检测到主用户信号。下面证明本发明所提加权方法能够在H1假设下为更大的检测量项分配更大的加权系数。首先考虑加权系数ωmm,ξ。根据(16):P(ωmm,ξ1|H1>ωmm,ξ2|H1)≈1-Q((ξ2-ξ1)σs2KNs2σw4+2σs2σw2)---(23)]]>其中,公式(23)表明概率的值在K足够大的时候是趋于1的。这就是说所提加权方法总是会给ξ值更小的Tw,mm,ξ分配更大的权值。另外,能够证明概率也是趋于1的。所以所提的加权方法可以给H1假设下Tw,mm,ξ值更大的检测量项分配更大的权值。至于权值ωmn,根据(20)和(21),P(ωm1n1|H1>ωm2n2|H1)=1-Q(2((M-|m1-n1|)ρm1n1-(M-|m2-n2|)ρm2n2)σs2K(M-|m1-n1|)2+(M-|m2-n2|)2σ2)---(24)]]>其中,|m1-n1|<|m2-n2|。公式(24)说明K值足够大的时候是趋于1的。因此所提的加权方法总是给|m-n|值更小的Tw,mn分配更大的加权系数。根据上文提到的指数相关模型可知,较小的|m-n|意味着更大的天线相关系数。同理,发现概率也是趋于求得。因此,就像Tw,mm,ξ那样,所提加权方法能够在H1假设为Tw,mn值更大的检测量项分配更大的加权系数,这也就在H1假设下增大了最终的检测统计量,提升了检测概率。下面给出关于本发明检测方法WDSC的几点讨论。首先讨论WDSC检测统计量中Tw,mm,ξ选择ξ的上限△为:的原因。令此处讨论是基于修正偏差因子进行的,即(E[Tw,mm|H1]-E[Tw,mm|H0])2/Var[Tw,mm|H1]。更大的修正偏差因子意味着更好的检测性能。当ξ≥Ns时,因而在这样的场景下,E[Tw,mm,ξ|H1]=0。△≥Ns-1时Tw,mm的修正偏差因子为考虑到Var[Tw,mm,ξ|H1]>0,那么在△≥Ns-1时其实是关于△的减函数。因而能够使得最大的最优△必须满足不等式△≤Ns-1。根据式(14)和(15),在低SNR场景下经过复杂冗长的推导,当1≤△≤Ns-1时:dΔ2=(Σξ=1ΔE[Tw,mm,ξ|H1])2/Σξ=1ΔVar[Tw,mm,ξ|H1]]]>能够近似表示为:dΔ2≈8Kσs43Ns2σw4(Δ3-2(2Ns-1)Δ2+(2Ns-1)2Δ).]]>因而当时,达到最大值,系统能够获得最好的检测性能。这也就是将(10)中检测统计量Tw,mm的ξ值的上限设为的原因。下面针对实际系统的客观需求,给出本发明所提方法WDSC的简便算法SWDSC。上文中提出的WDSC算法是依据Ns是已知的这一前提条件提出的。然而,在一些应用中,这样的假设是不现实的。而且为了避免计算多个Tw,mm,ξ时相对来说较高的计算复杂度,下面还提出了一个简化了的盲检测算法。这个简化算法在计算每个检测统计量Tw,mm的时候只需要利用一个Tw,mm,ξ,即Tw,mm=Tw,mm,ξ。接下来就需要寻找一个最优ξ值,使得修正偏差因子:达到最大。显然,最优的ξ不能改大于Ns-1。这是因为在这样的情形下,E[Tw,mm,ξ|H1]=0,导致当1≤ξ≤Ns-1时,有因此,ξ能够使得最大的最优值为1。这也就是说上文提到的基于信号相关特性的简化算法SWDSC确实能够在最大程度上保留最好的检测性能的同时满足实际系统的需求。那么SWDSC的检测统计量为:Tw,s=Σm=1MTw,mm,ξ=1+Σm=2MΣn=1m-1Tw,mn---(25)]]>下面分析本发明算法的检测性能。在这个部分中,推导了低SNR场景下WDSC算法的两个检测性能参量(虚警概率Pf,WDSC和检测概率Pd,WDSC)的表达式。至于简便算法SWDSC,Pf,SWDSC和Pd,SWDSC可以通过类似的分析计算获得。每个检测量项的统计特性。Tw,mm,ξ:这个部分需要使用到(14)和(15)的推导结果。据此,有:E[Tw,mm,ξ|H1]=M(σ6K+σ6)E[Re(r^mm,ξ)|r^mm,ξ|2|H1]=M(σ6K+σ6)((Ns-ξNs)3σs6+2Ns-ξNsσs2Var[r^mm,ξ|H1])---(26)]]>Var[Tw,mm,ξ|H1]=M2(σ6K+σ6)2Var[Re(r^mm,ξ)|r^mm,ξ|2|H1]=M2(σ6K+σ6)2(3Var3[r^mm,ξ|H1]+11(Ns-ξNs)2σs4Var2[r^mm,ξ|H1]+92(Ns-ξNs)4σs8Var[r^mm,ξ|H1])---(27)]]>其中,可由(12)计算得来。Tw,mn:本部分需要使用(20)和(21)的推导结果。那么:E[Tw,mn|H1]=(M-|m-n|)(σ6K+σ6)(ρmn3σs6+2ρmnσ4σs2)---(28)]]>Var[Tw,mn|H1]=(M-|m-n|)2(σ4K+σ4)2(9ρmn4σs42K+11ρmn2σ4σs4K2+3σ8K3)---(29)]]>正如式(10)表明的那样,WDSC的检测统计量Tw事实上是若干检测量项Tw,mm,ξ和Tw,mn的和。根据中心极限定理,Tw可以近似看作服从高斯分布。而且根据式(26)、(27)、(28)和(29),能够获得Tw的具体的近似分布函数。在低SNR场景下,Tw,mm,ξ和Tw,mn之间的相关性是非常弱的。因此Tw|H1的分布函数可以近似为:其中:而且:E[Tw,mm,ξ|H1],E[Tw,mn|H1],Var[Tw,mm,ξ|H1]和Var[Tw,mn|H1]可以通过式(26)、(27)、(28)和(29)计算得出。所以:Pd,WDSC=Q((λ-E[Tw|H1])/Var[Tw|H1])---(31)]]>类似地,由于Tw,mm,ξ和Tw,mn在H0假设下是相互独立的,其中:Q-1(·)表示Q(·)的反函数,λ表示WDSC算法的判决门限。接下来,SWDSC的检测性能参量Pf,SWDSC和Pd,SWDSC的表达式能够通过类似的推导方法获得。Pd,SWDSC=Q((λs-E[Tw,s|H1])/Var[Tw,s|H1])---(34)]]>其中:E[Tw,s|H1]=Σm=1ME[Tw,mm,ξ=1|H1]+Σm=2MΣn=1m-1E[Tw,mn|H1],]]>Var[Tw,s|H1]=Σm=1MVar[Tw,mm,ξ=1|H1]+Σm=2MΣn=1m-1Var[Tw,mn|H1].]]>而E[Tw,mm,ξ=1|H1],E[Tw,mn|H1],Var[Tw,mm,ξ=1|H1]和Var[Tw,mn|H1]能够通过(26)(27)(28)和(29)在ξ=1条件下计算获得。类似地:Pf,SWDSC=Q(λs/3M2(M+1)24K(K+1)2)---(35)]]>λs=Q-1(Pf,SWDSC)3M2(M+1)24K(K+1)2---(36)]]>其中λs为SWDSC的判决门限。根据(33)和(36)可知,λ和λs和噪声功率无关。因此,不像能量检测法ED那样,WDSC和SWDSC是不受噪声功率不确定问题影响的。另外,SWDSC是一个盲检测算法,在利用式(36)计算判决门限λs的时候只需要知道认知用户参数M和K。在计算复杂度方面,WDSC和SWDSC算法的计算复杂度分别是ED的倍和倍。本发明检测算法充分利用了接收信号自互相关函数统计特性。而且与此同时,该发明算法为检测统计量的每一个检测量项分配了有效的加权系数,从而进一步增大了主用户存在和不存在两种场景下的检测统计量数值的差异,使得认知系统能够更容易地判定主用户信号是否存在,因而有效提升了系统的检测性能。在接下来的部分,在理论的角度上从两个方面证明了本发明所提的加权方法的有效性。和其它基于信号相关性的频谱感知算法相比,本发明算法能够更加精确地检测主用户信号是否出现,甚至是在低SNR弱信号相关性场景中。而且还给出了该算法的更加符合实际系统需求的简化算法SWDSC(SimplifiedWeightedDetectorBasedonSignalCorrelations)。本发明给出了一个加权的基于信号相关特性的频谱检测算法WDSC(WeightedDetectorBasedonSignalCorrelations)。并且提出了其简化算法SWDSC,证明了SWDSC能够在最大程度上保留优异的检测性能基础上满足客观系统的实际需求。论证了WDSC和SWDSC算法都不受噪声功率不确定问题的影响。在低SNR场景下深入推导了WDSC和SWDSC的虚警概率Pf和检测概率Pd的表达式。仿真实验结果表明WDSC和SWDSC算法的检测性能明显优于其它基于信号相关特性的频谱检测算法,获得了2.2dB的检测概率增益。本发明就是认知网络下的一种加权的基于信号相关特性的频谱检测算法。最后通过仿真,验证了本发明中提出的加权方法的有效性,证实了所提频谱检测方法检测性能确实优越于其它已有基于信号相关特性的检测方法。图1给出的仿真实验证实了下面关于所提加权方法有效性的论证过程。图1(a)和(b)对比了在不同K值(200,500和1000)下ωmm,ξ|H1-ωmm,ξ|H0和ωmn|H1-ωmn|H0的累计分布函数CDF(CumulativeDistributionFunction)的理论值和实际值。图1(c)和(d)给出了和的CDF的理论值和实际值。在图1中,假设信噪比SNR=-8dB,天线相关系数ρ=0.9,M=4,L=20,采样频率fs=500MHz,符号频率fb=100MHz,m=2,n=1,ξ1=1,ξ2=3,m1=2,m2=3和n1=n2=1。从图1(a)和(b)可以看出,对于加权系数ωmm,ξ和ωmn,它们在H1假设下的值以很大概率(接近于1)大于H0假设下的值。而且这个概率值会随着K值的增加而进一步增大至1。这一事实也证实了上文关于加权方法有效性论证的第一个方面的正确性。另外,从图1(c)和(d)可以看出,ξ值和|m-n|值更小的检测统计量项的加权系数以较大概率(接近于1)更大。而且这个概率在K更大的时候是更高的。这样的事实证明了关于所提加权方法有效性论证的第二个方面。与此同时,图1中理论值和实际值相吻合说明了相关论证方法分析结论的正确性。图2对比了(3)中ξ的上限△等于2,3,4或5时,(5)中ξ等于1,2或3时的ROC(ReceiverOperatingCharacteristic)性能曲线图。其中,K=300,ρ=0.7,SNR=-12dB。可以看出,时获得的检测性能是最好的。另外,当ξ=1时系统的检测性能好于ξ=2或3。这些事实证明了下文关于最优△值和ξ值的论述是正确的。而且系统采用不同调制方式时(QPSK或8PSK)有相同的检测性能。在接下来的两个仿真实验中,WDSC和SWDSC的检测性能会和WCD、CAV以及CFN这三个已有的基于信号相关特性的检测算法进行对比。图3给出了当系统中ρ不同时,它们的检测概率、虚警概率和SNR之间的关系。假设K=500。WDSC和SWDSC的判决门限是根据(4)和(6)以及预设虚警概率Pf=0.1,计算得来的。从图3可以看出,实际获得的虚警概率Pf确实约为0.1,这也证实了前文关于判决门限的推导结果的正确性。而且根据图3的仿真结果,涉及到的5个算法的检测概率会随着SNR的增加而增大,其检测性能会随着天线相关系数的减小而变差。于此同时,WDSC和SWDSC的检测概率总是比其余对比算法更大,即使是在低SNR弱天线相关性的场景下(从图3可以看出在这样的场景下,WCD、CAV和CFN的性能是非常糟糕的)。以一个非常实际又具有较高研究价值的场景(ρ较小,SNR较小)为例,其中ρ=0.3,SNR=-12dB,WDSC和SWDSC的检测概率是接近于1的(0.97和0.88)。但是WCD、CAV和CFN的检测概率却仅为0.40、0.43和0.45,这也就是说Pf=0.1的前提下,采用WDSC和SWDSC能够获得3.3dB和2.9dB的检测概率增益。WDSC和SWDSC能够获得更好的检测性能是因为一方面它们充分利用了接收信号的自互相关特性,另一方面它们为每个检测量项分配了合理有效的系数,增大了主用户存在或不存在两种情况下检测统计量的差异,从而能够更加容易地检测主用户是否出现,增强了检测性能。比较WDSC和SWDSC两个算法的仿真曲线,能够发现简便算法SWDSC的检测性能只比WDSC差一点。然而考虑到SWDSC是一个盲检测算法,计算复杂度也更低,因而它更加符合客观系统的需求。而且,WDSC和SWDSC的理论值和实际值重合这一事实证实了下面关于WDSC和SWDSC检测性能参量表达式推导结果的正确性。图4对比了当系统采用的采样频率fs不同,即认知用户接收到的信号自相关性强度不同时,上述5种基于信号相关性的频谱检测算法的检测性能。假设K=1000,SNR=-12dB,ρ=0.3。可以看出,由于更大的采样频率意味着更强的自相关性,因而WDSC和SWDSC的检测性能随着fs的逐渐增加而增强。而且WDSC和SWDSC的检测性能总是优于WCD、CAV和CFN。在图4(a)中,ρ、fs和SNR都相对较小(ρ=0.3,fs=200MHz,SNR=-12dB),事实上这就是上文提到的低SNR弱信号相关场景的一种情形。值得指出的是在这样的情形下,不像WCD、CAV或CFN那样,WDSC和SWDSC仍然能够有效检测系统中是否存在主用户信号。具体来说当Pf=0.1时,从检测概率角度来看,相比于WCD、CAV和CFN,WDSC和SWDSC算法能够获得约2.2dB的增益。本发明具有以下特点和显著进步:1、本发明频谱检测方法及其简化方法均不受噪声功率不确定问题的影响。2、本发明频谱检测方法及其简化方法需要的先验知识较少。尤其是简化算法实际上是一个盲检测法,不需要主用户信号、噪声信号的任何先验知识。3、本发明频谱检测方法及其简化方法都具有较低的计算复杂度。4、和其它现有基于信号相关特性的频谱检测方法相比,本发明频谱检测方法及其简化方法在低信噪比弱信号相关性系统中仍然具有优异的检测性能。当前第1页1 2 3 
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1