一种合作式非重构宽带压缩盲感知方法与流程

本发明涉及无线通信技术领域，尤其涉及一种合作式非重构宽带压缩盲感知方法。

背景技术：

近几年来，无线通信的快速增长导致授权频带和非授权频带上的无线服务需求都急剧增长。然而，目前的固定频谱分配策略使得频谱使用效率很低。为了解决频谱资源短缺和频谱利用率不高的问题，人们提出了认知无线电(cr)的概念。cr技术能够有效地利用未占用频带，进而提高频谱利用率。在cr系统中，每个认知用户(cu)最重要的任务之一就是频谱感知，即对射频环境进行检测，以判断在感兴趣的信道或频段上是否有主用户(pu)在进行通信。频谱感知的主要目的在于高效地识别未利用的频段或物理信道，即频谱空洞，以供cr使用，从而提高整个认知系统的吞吐量和服务质量并保护pu的通信不受干扰。

现有的很多宽带压缩频谱感知方法往往需要重构出原信号或其功率谱密度后才能进行频谱感知，这会增加算法的复杂度、降低频谱感知的实时性。事实上，认知无线电宽带频谱感知的首要任务是确定所感兴趣的频段内是否空闲(即主信号是否存在)，而并非主用户信号本身。因此，可考虑不重构出主用户信号，直接利用压缩采样得到的观测数据进行感知判决。文献对直接利用压缩采样数据实现非重构的宽带频谱感知方法进行了研究，但这些方法需要主用户信号信息、信道增益或噪声方差等先验知识，没能真正实现盲感知。

技术实现要素：

基于背景技术存在的技术问题，本发明提出了一种合作式非重构宽带压缩盲感知方法；

本发明提出的一种合作式非重构宽带压缩盲感知方法，包括：

s1、对各认知用户接收的信号进行压缩采样，得到压缩采样向量；

s2、根据压缩采样向量计算得到检测统计量；

s3、将检测统计量与预设的本地判决门限进行比较，得到本地判决结果；

s4、将本地判决结果分类为软判决信息和硬判决信息；

s5、对软判决信息进行可靠性联合，得到可靠性联合结果；

s6、根据or准则融合判决可靠性联合结果和硬判决信息，得到全局判决结果并输出。

优选地，步骤s2，具体包括：

压缩采样向量近似服从以下分布：高斯变量yl(m)的均值方差其中，φm为φ的第m行向量，φ为满足rip条件的m×n维随机观测矩阵，xl表示主用户接收的n×1维信号向量，yl＝[yl(1)yl(2)…yl(m)]^t为认知用户压缩采样得到的m×1维压缩采样向量；

在h0和h1两种情况下，根据压缩采样的压缩采样向量的方差相同、数学期望不同，且数学期望均与噪声方差无关特点进行频谱的盲检测，构建检测统计量jl1、jl2和tl：

其中，jl1、jl2分别表示实际压缩采样值与其在h0和h1两种情况下数学期望的偏差程度。

优选地，步骤s3，具体包括：

将统计量tl和本地判决门限η1、η2进行比较，得到本地判决结果ω为不确定空间。

优选地，步骤s4，具体包括：

当检测统计量落在不确定空间ω中时，将ul分类为软判决信息；否则，将ul分类为硬判决信息。

优选地，步骤s5，具体包括：

将这k个认知用户传输来的压缩采样向量联合起来，构成如下压缩采样矩阵：

y在h0和h1两种情况下表示为：其中，w＝[w1w2…wk]和x＝[x1x2…xk]均为m×k维矩阵；

定义m×m维压缩采样广义自相关矩阵：设ry的特征值按从大到小排序为λ1≥λ2≥…≥λm＞0；

采用glrt方法构建可靠性联合判决的统计量其中，tr(ry)表示ry的迹，转换为根据可靠性联合判决规则进行可靠性联合，得到可靠性联合结果：

其中，γr为可靠性联合判决门限，其值可由预设的可靠性融合检测的虚警概率确定。

优选地，步骤s5，具体包括：

记l-k个硬判决信息构成向量为β＝[β1,β2,…,βl-k]^t，根据or准则将β和ur进行最终融合判决，得到全局判决结果

本发明较好地克服了低信噪比下检测效果差的问题，因为噪声的强度变化只改变采样值的方差，不会改变采样值的数学期望；其次，本发明可根据感知要求灵活选择采样点数进行感知，不需要使用所有的采样点；此外，考虑了本地检测的可靠性问题，联合多个压缩采样向量，采用glrt方法实现了可靠盲感知，以提高频谱感知的性能。

附图说明

图1为本发明提出的一种合作式非重构宽带压缩盲感知方法的流程示意图；

图2为本发明的实施例中不同压缩比情况下的检测概率示意图；

图3为本发明的实施例中不同方法的roc曲线示意图；

图4为本发明的实施例中不同方法的检测时间示意图。

具体实施方式

参照图1，本发明提出的一种合作式非重构宽带压缩盲感知方法，包括：

步骤s1，对各认知用户接收的信号进行压缩采样，得到压缩采样向量。

步骤s2，根据压缩采样向量计算得到检测统计量。

本步骤具体包括：

压缩采样向量近似服从以下分布：高斯变量yl(m)的均值方差其中，φm为φ的第m行向量，φ为满足rip条件的m×n维随机观测矩阵，xl表示主用户接收的n×1维信号向量，yl＝[yl(1)yl(2)…yl(m)]^t为认知用户压缩采样得到的m×1维压缩采样向量；

在h0和h1两种情况下，根据压缩采样的压缩采样向量的方差相同、数学期望不同，且数学期望均与噪声方差无关特点进行频谱的盲检测，构建检测统计量jl1、jl2和tl：

其中，jl1、jl2分别表示实际压缩采样值与其在h0和h1两种情况下数学期望的偏差程度。

在具体方案中，假设网络系统由l个cu和1个cbs构成，系统中包含分离的数据信道和控制信道。第l(l＝1,2,…,l)个认知用户cul对某频带内的pu信号的压缩采样结果可表示为：其中，h0和h1两个假设分别对应pu信号不存在和存在两种情况，wl＝[wl(1)wl(2)…wl(n)]^t表示高斯噪声信号，均值为0，方差为pu信号s∈rⁿ为一确定信号，hl表示pu到cul间的信道增益，n×1维向量xl表示主用户信号经过无线信道后的接收信号，yl＝[yl(1)yl(2)…yl(m)]^t为cul观测得到的m×1维压缩采样向量，φ为所构造的满足限制等距性(restrictedisometryproperty，rip)条件的m×n维随机观测矩阵，这里取φ中的元素φi,j为独立同分布的亚高斯随机变量，且满足

不失一般性，假定xl和wl相互独立，且均为实信号，存在常数δ∈(0,1)和一个正常数ε＞0，使得φ能以不小于的概率满足如下关系：

因此，||φxl||2高度收敛于||xl||2，且压缩采样观测数据yl(m)(m＝1,2,…,m)为高斯变量。

依据概率统计理论，如果对一个高斯向量进行线性变换，则其变换后的向量仍然服从高斯分布，因此，压缩观测向量近似服从以下分布：

更进一步，高斯变量yl(m)的均值和方差为：

其中，φm为φ的第m行向量。

在h0和h1两种情况下，通过压缩采样所获得的采样值的方差相同，而数学期望不同，两种情况下的数学期望均与噪声方差无关，因此，可以利用这一特点进行频谱的盲检测，构建如下检测统计量：

步骤s3，将检测统计量与预设的本地判决门限进行比较，得到本地判决结果。

本步骤具体包括：

将统计量tl和本地判决门限η1、η2进行比较，得到本地判决结果ω为不确定空间。

步骤s4，将本地判决结果分类为软判决信息和硬判决信息。

本步骤具体包括：当检测统计量落在不确定空间ω中时，将ul分类为软判决信息；否则，将ul分类为硬判决信息。

在具体方案中，认知用户对经压缩采样得到的压缩观测数据进行本地检测，这里采用双门限混合判决方式。设立两个本地判决门限η1和η2，且0＜η1＜1＜η2，将整个检测空间分成3部分，当检测统计量落在不确定空间ω中时，进行软判决，即直接将tl和压缩采样向量yl发送给cbs；否则，采用硬判决，发送1bit的本地检测结果信息，对应的本地混合判决准则为：

这种双门限判决方式可以克服单门限硬判决易误判的缺点，通信开销也比软判决小。

步骤s5，对软判决信息进行可靠性联合，得到可靠性联合结果。

本步骤具体包括：将这k个认知用户传输来的压缩采样向量联合起来，构成如下压缩采样矩阵：

y在h0和h1两种情况下表示为：其中，w＝[w1w2…wk]和x＝[x1x2…xk]均为m×k维矩阵；

定义m×m维压缩采样广义自相关矩阵：设ry的特征值按从大到小排序为λ1≥λ2≥…≥λm＞0；

采用glrt方法构建可靠性联合判决的统计量其中，tr(ry)表示ry的迹，转换为根据可靠性联合判决规则进行可靠性联合，得到可靠性联合结果：

其中，γr为可靠性联合判决门限，其值可由预设的可靠性融合检测的虚警概率确定。

步骤s6，根据or准则融合判决可靠性联合结果和硬判决信息，得到全局判决结果并输出。

本步骤具体包括：记l-k个硬判决信息构成向量为β＝[β1,β2,…,βl-k]^t，根据or准则将β和ur进行最终融合判决，得到全局判决结果

在具体方案中，假设在cbs接收到的l个本地判决结果ul(l＝1,2,…,l)中，有k个软判决信息，cbs首先将这k个认知用户传输来的压缩采样向量联合起来，构成如下压缩采样矩阵：

y在h0和h1两种假设情况下可以表示为：

其中，w＝[w1w2…wk]和x＝[x1x2…xk]均为m×k维矩阵，定义m×m维压缩采样广义自相关矩阵：设ry的特征值按从大到小排序为λ1≥λ2≥…≥λm＞0。

若噪声方差已知，则可依据奈曼-皮尔逊准则进行最大似然比(ml)检验，但在实际情况下，往往无法预知，换言之，ml检测无法实现盲检测，为此，采用glrt方法，构建可靠性联合判决的统计量为：

其中中，tr(ry)表示ry的迹，不难得到：

这样，可靠性联合判决规则为：

其中，γr为可靠性联合判决门限，其值可由设定的可靠性融合检测的虚警概率确定，即考虑“恒虚警”情况下的判决门限，不妨将人为设为αr(αr∈(0,1)为一常数)。

记本地判决结果中l-k个硬判决信息构成向量为β＝[β1,β2,…,βl-k]^t，cbs利用β和ur进行最终融合判决，可供选择融合准则包括and准则、or准则和k秩准则，前两个准则都是k秩准则的特例。这里，因为β和经可靠性融合之后的ur均是比较可靠的检测结果，所以可采用or准则以最大化全局检测概率，cr基站的全局融合判决准则为：

假设基于期望偏差的检测统计量tl在h0和h1情况下的分布分别为f(tl|h0)和f(tl|h1)，则对应的累积分布函数(cdf)可分别表示为:定义第l个认知用户的本地检测概率、虚警概率、漏检概率和感知概率分别为pd,l、pf,l、pm,l和pc,l。

pd,l＝p{tl＞η2|h1}＝1-ψ(η2)，

pm,l＝p{tl＜η1|h1}＝ψ(η1)，

令p1(k)＝p{tr＞γr|η1≤t1,…，tk≤η2；h1}，

p2(k)＝p{tr＞γr|η1≤t1,…,tk≤η2；h0}，这样，可以将cr基站采用or融合准则得到的全局检测概率pd和全局虚警概率pf的理论表达式表示为：

实施例：

为了验证所提exd-glrt方法的有效性，采用matlab进行仿真实验，实验中仿真了一个宽带跳频信号，跳速为500h/s,15个跳变频率点均匀分布在20mhz～320mhz。考察在不同的压缩比下，所提方法对该信号在不同信噪比下的检测效果。取信噪比变化范围为[-30db,10db]，仿真步进为2db，压缩比m/n＝1/2、1/4、1/8、1/16、1/32，信号长度n＝1024，η1＝0.995，η2＝1.005，可靠性联合判决的虚警概率αr＝0.05，使用全部压缩采样点进行检测。进行500次仿真实验，取平均值，实验结果如图2所示。

由图2的仿真结果不难看出：(1)检测概率随着压缩比m/n的减小而下降，尤其在低信噪比时；(2)当信噪比高于-6db时，检测概率近似为1，即基本可保证成功检测该跳频信号。

为了进一步检验所提exd-glrt方法的性能，通过仿真实验将其检测性能与非重构的rlrt方法[15]、基于正交匹配追踪(orthogonalmatchingpursuit,omp)重构[17]的glrt检测方法进行比较。仿真参数设置为：n＝1024，m/n＝1/4，η1＝0.995，η2＝1.005，snr＝-20db。

图3给出了三种方法在不存在噪声波动和存在1db噪声波动情况下的接收机工作特性(receiveroperatingcharacteristic,roc)曲线。

从图3可以看出，在不存在噪声波动的情况下，rlrt方法要优于基于omp重构的glrt算法和所提的非重构exd-glrt方法。但是，当噪声出现波动时，所提的非重构exd-glrt方法的检测性能要优于rlrt算法和基于omp重构的glrt算法，且非重构的exd-glrt算法的检测性能对噪声不确定性不敏感，波动范围较小；而另外两种算法的检测性能受噪声不确定性影响剧烈。这是因为rlrt算法需要在精确获知噪声方差的情况下才能获得比较理想的检测性能，而基于omp重构的glrt算法由于噪声的波动使得重构过程中产生较大误差，因而检测性能下降明显。在现实场景中，由于受无线环境因素的影响，噪声总是存在波动的。因此，所提的非重构exd-glrt方法具有更强的实用性。

图4给出了上述三种方法的检测时间与压缩比m/n的关系，仿真参数设置为：n＝1024,η1＝0.995，η2＝1.005，snr＝-20db。

可以看到，基于omp重构的glrt算法所需检测时间最长，相对而言，基于非重构的rlrt方法与exd-glrt方法具有更快的检测速度。因为基于非重构的rlrt方法与exd-glrt方法的计算复杂度主要来自于和最大特征值λ1的计算，计算约需k×m次乘法和加法，求取λ1的复杂度为o(k³)。而基于omp重构的glrt算法，首先要基于omp重构算法进行信号重构，其复杂度为o(mn)，然后计算和最大特征值λ1，由于n＞＞m，因此，基于omp重构的glrt方法复杂度要远高于非重构的rlrt方法与exd-glrt方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。