基于特征值的多电平检测与识别方法
【技术领域】
[0001] 本发明属于通信技术领域，特别设及一种多电平检测与识别方法，可用于认知无 线电中的频谱感知。
【背景技术】
[0002] 日益增长的频谱需求和有限的频谱资源之间的矛盾，成为制约无线通信发展的主 要因素之一，在运种现状下，认知无线电的概念应运而生。认知无线电的核屯、思想就是频谱 感知和系统的智能学习，实现动态频谱分配和频谱共享。它包含了频谱感知、动态频谱分配 和无线频谱管理=大关键技术，其中频谱感知技术因为其基础性作用而成为研究的热点。
[0003] 频谱感知的作用是尽量快而准确地检测未被授权用户占用的频段。目前频谱感知 技术中主要的信号检测方法包括单节点检测和多节点协同检测，单节点检测技术主要包括 匹配滤波器检测法、能量检测法、循环平稳检测法W及特征值检测法等算法，多节点协同检 测主要包括中屯、控制式、对等交互式W及中继式协作检测算法。但是W上检测算法都假设 授权用户在发送信号时，仅使用一个固定的功率电平值。然而，在实际信号传输过程当中， 授权用户有可能工作在多个不同的功率电平值W适应不同的通信环境，例如802. 11协议、 LTE协议、LTE-A协议等都规定了此类通信机制。因此在运种通信环境下，次级用户应该有 效且准确地识别授权用户的发送功率电平值，并且在对授权用户不造成干扰的前提下，自 适应地选择自身的传输功率来进行通信，W此来提高频谱利用率。
[0004] 目前已有部分检测算法考虑运种实际的信号传输过程。在基于能量的信号检测与 识别方法中，接收信号能量被用作检测统计量，与预先计算的多个口限值比较，获得检测结 果。此外当检测到信号存在时，次级用户会进一步判断授权用户当前正工作于哪一个功率 电平值。此算法口限较易获得，计算开销较低，但是当信号存在相关性时，其感知与识别性 能会急剧下降。
[0005] 基于机器学习的信号检测与识别方法通过长时间的训练学习，W获得信道增益并 且判决授权用户的发送功率电平值。此算法不需要任何授权用户的先验知识，但是需要非 常长的时间来采集信号，W保证较高检测和识别的准确度。因此，此方法不适用于低时延需 求的检测环境。
【发明内容】
[0006] 本发明的目的在于克服上述现有技术的不足，提出一种基于特征值的多电平检测 与识别方法，W有效减小信号相关性对信号检测带来的影响和检测复杂度，在不需要信道 的先验知识条件下，达到低时延、信号盲检测的要求。
[0007] 为实现上述目的，本发明的技术方案包括如下：
[0008] (1)接收端对接收到的信号进行采样得到采样信号X，将采样信号X分为M帖，计 算接收信号矩阵Y;
[0009] (2)根据上述接收信号矩阵Y，计算样本协方差矩阵R> ;
[0010] 0)计算样本协方差矩阵^^：、的特征值Al,A,，'''，^^，其中1为接收设备的天线 数目，并选择其中的最大特征值Am。、作为检验统计量；
[0011] (4)设定判决域：
[001引 （4a)假设％表示授权用户不存化并假设种的判决域'R(?-g=佩則，其中口限 白1为：
[001 引 目1=y0+O0Q(Pfa)，
[0014]其中y。为假设％为真时最大特征值Am。、的均值，。。为假设％为真时最大特征 值Am。、的标准差，Q( ?)为互补累计分布函数，Pf。为虚警概率；
[001引（4b)假设授权用户存在并有N个工作电平Pi，iG{1，...，N}，定义巧表示授权用 户工作于电平Pi,则砖的判决域化(巧)为：
巧鮮)表示授权用户工作于电平Pi的概率，P带表示授权用户工作于电平P,的概率，Cjf 表示授权用户工作于电平Pi时最大特征值Am。、的方差，表示授权用户工作于电平P，时 最大特征值Am。、的方差，y1为授权用户工作于电平Pi时最大特征值Am。、的均值，y，为 授权用户工作于电平P，时最大特征值Am。、的均值；
[001引 妨将步骤（3)计算得到的最大特征值Am。、与步骤（4a)计算得到的口限值01比较，判断有无信号：若最大特征值Am。、大于口限值0 1，则判为有信号。执行步骤化）；反 之，则判为无信号；
[0019](6)继续判断最大特征值Am。、落入步骤（4b)中哪一个判决区间：若最大特征值 4。.e你巧0+(1. 则判决授权用户的电平值为Pi,若4。E(max询，?常0,(/'./)|，喊?,(/，/)U< / <W' 则判决授权用户的电平值为Pi，若你mm?i(if，乃}，+〇〇)，则判决授权用户的电 平值为Pw。
[0020] 本发明具有W下优点：
[0021] 1、本发明提出的基于特征值的多电平检测与识别方法由于不需要知道信号的先 验知识，所W适合盲信号检测；
[0022]2、本发明提出的基于特征值的多电平检测与识别方法，采用接收信号协方差矩阵 的特征值为检测统计量，因此在信号具有相关性时，依然有较高的正确检测概率。
【附图说明】
[0023] 图1是本发明的实现流程图；
[0024] 图2是本发明在不同信噪比下，检测概率和判别概率仿真图；
[0025] 图3是本发明在不同采样点数下，检测概率和判别概率仿真图；
[0026] 图4是本发明在不同采样点数，不同相关系数下，检测概率和判别概率仿真图。
【具体实施方式】
[0027] 下面结合附图对本发明进行详细说明。
[0028] 在无线通信中，将频繁占用无线频段的用户称之为授权用户，通过观察授权用户 所占频段的无线电数据信息，检测授权用户存在与否和电平高低，将试图占用授权用户的 频段的用户称为次级用户。当授权用户占用当前频段进行无线通信时称授权用户存在，否 则称授权用户不存在。次级用户通过检测授权用户存在与否，在授权用户不存在或授权用 户发送电平较低情况下占用授权用户的频段，W提高通信系统的频段利用效率。
[0029] 如何为次级用户提供一种有效并且无需先验知识的检测方法是当前无线通信领 域中迫切需要解决的问题。一种可W在工程中广泛应用的检测方法将大大提高无线频谱的 使用效率。本发明正是解决在无需先验知识条件下如何对多电平检测与识别的问题。
[0030]参照图1，本发明的实现步骤如下：
[0031] 步骤1，计算接收信号矩阵Y:
[0032] (1. 1)次级用户的接收端对接收到的信号进行采样得到采样信号X，并将采样信 号X分为M帖狂。，…，Xm,…，Xm1)，其中第m帖接收信号Xm为一个LXN,的矩阵，其中L为 接收设备的天线数目，成为每帖的样本数，M为帖数。
[0033] (1. 2)根据接收信号计算接收信号矩阵Y:
[003引其中y(n)表示接收信号矩阵Y的第n列，n= 0,…，成-1。
[0036] 步骤2,根据上述接收信号矩阵Y，计算样本协方差矩阵My.:
[0038] 其中，（?）H表示矩阵的共辆转置。
[0039]步骤3,计算样本协方差矩阵R、的特征值Al,A,，…，其中L为接收设备的天 线数目，并选择其中的最大特征值Am。、作为检验统计量。
[0040] 步骤4,定乂化表示授权用户不存在，％表示授权用户工作于电平Pi, iG{1，...，的，计算每的判决域化。-〇'，
[0041] (4. 1)当授权用户不存在时，计算判决域化:
[0042] 由于授权用户不存在，所W次级用户的接收信号仅包含噪声，则Y的各列y(n) 为：
[0044] 其中，w(mNg+n)为第m帖噪声矩阵的第n列，因此，Y的各列y(n)的分布为： W") ~C.'V'(0,对/.)，其中，.诚为噪声方差，Il为L维单位矩阵。
[0045]由于接收信号矩阵Y的各列y(n)均服从独立的高斯分布，因此样本协方差矩阵为 一个非相关Wishart矩阵，此时，最大特征值Am。,近似服从均值为y。，方差为的高斯分 布，其均值和方差分别为：
[0050] 其中，曰=[曰1，…，曰LJT为{1，2,…，的任意排列，S即（?）为正负号函数， !^(?)为伽马函数，1^。1,1为：
[0051] -I+ / +A-1，如果A</ 并且 /<_/; 五。二Wy-I+ / +cr,+l，如果巧' ?并且/>/?; '[N^-L+ 1 +a,, 上面两种情况都不成立.
[005引时为集合{11，12，'''，^1}的子集，11<(1《1^《心1)的值从0到^1,1-1，问是 集合U的基数，是集合U所有元素的和，IlLT!为集合U所有元素阶乘的积，Pi,_，=p+Ns-L+i+j。
[005引假设Tt;的判决域化(X) =佩6,)，其中0 1为判别信号存在与否的口限值，根据
得到0 1，其中Pf。为虚警概率，Q( ?)为互补累计分布函 数，即：
[0054]目1二y0+0〇QI(Pfa)。
[005引（4.2)假设授权用户存在并有N个工作电平Pi，iG{1，...，NI，且Pi<Pm,定义n表示授权用户工作于电平Pi，计算巧的判决域带(K)