一种异构网络的信号制式识别方法 |
|||||||
申请号 | CN201410725779.3 | 申请日 | 2014-12-03 | 公开(公告)号 | CN104486778A | 公开(公告)日 | 2015-04-01 |
申请人 | 北京科技大学; | 发明人 | 刘健; 肖瑞林; 张唯炯; | ||||
摘要 | 本 发明 公开了一种异构网络的 信号 制式识别方法,首先将各类信号制式的训练样本信号经 小波变换 和分数傅里叶变换,对得到的变换结果中的峰值对应的 频率 进行统计,根据统计结果选择频率区间作为对应信号制式的分类判别标准,然后认知终端将接收的信号同样进行小波变换和分数傅里叶变换,得到变换结果中峰值对应的频率,判断该频率位于哪种信号制式的频率区间即可得到识别结果。本发明无需采用先验信息,实现复杂度低并且具有良好的识别效果。 | ||||||
权利要求 | 1.一种异构网络的信号制式识别方法,其特征在于,包括以下步骤: |
||||||
说明书全文 | 一种异构网络的信号制式识别方法技术领域[0001] 本发明属于异构网络技术领域,更为具体地讲,涉及一种异构网络的信号制式识别方法。 背景技术[0002] 异构网络(Heterogeneous Network)是一种类型的网络,其是由不同制造商生产的计算机,网络设备和系统组成的,大部分情况下运行在不同的协议上支持不同的功能或应用。异构网络的目标是在宏观网络布局基础上部署低功率节点和小覆盖范围节点来实现无线通信的无缝覆盖。LTE网络中,异构网络已经被当作提高网络覆盖率和容量的有效途径,能在相对有效的花费下极大地提高LTE网络容量。Femcell节点、picocell节点、中继节点等低功率和小范围节点部署在覆盖空洞上来增加网络覆盖率与提高频谱利用率。同时,低功率节点的小范围配置可以在不同范围内使用相同的频谱进行同时传输来极大提高复用率,因此也可以提高无线通信的容量。如今的无线频谱环境逐渐向多种网络配置共存的方向发展,网络结构日益复杂,相应的无线频谱研究难度也日趋繁琐。对于认知无线电网络或终端的处理,存在两个主要问题: [0004] (b)认知终端在机会式接入频谱策略下,如何解决认知终端不遵守通信规则与不利的“敌对终端”问题。 [0005] 由于异构网络中分布着的不同类型的网络,会使认知网络和终端进行频谱感知分析的过程变得更为复杂。无线环境中配置的网络由不同的传输速率、传输功率及不同的信号覆盖范围构成,从而使得目前已有的很多频谱感知方法并不适用于这些异构网络环境,特别是面临低功率节点分布的场景时,频谱环境感知效率会更低。在这种情况下,进行频谱感知和信号制式识别更加困难。现有的信号制式识别方法大多要求先验信息,这种方式并不经济,并且很多情况下很难获得准确的先验信息。 发明内容[0006] 本发明的目的在于克服现有技术的不足,提供一种异构网络的信号制式识别方法,实现在没有任何先验信息的情况下直接对从异构网络中接收到的信号进行识别。 [0007] 为实现上述发明目的,本发明异构网络的信号制式识别方法,包括以下步骤: [0008] S1:构建异构网络中所有信号制式的训练样本信号,每个训练样本包括一组信号,对于每个信号制式训练样本,对其中每个信号进行小波变换,然后再进行分数傅里叶变换,对得到的变换结果中的峰值对应的频率进行统计,根据统计结果选择频率区间作为对应信号制式的分类判别标准; [0009] S2:认知终端将接收的信号进行小波变换和分数傅里叶变换,得到变换结果中峰值对应的频率,作为判别特征; [0010] S3:如果步骤S2得到的频率属于某个信号制式的频率区间,则将该信号制式作为识别结果。 [0011] 本发明异构网络的信号制式识别方法,首先将各类信号制式的训练样本信号经小波变换和分数傅里叶变换,对得到的变换结果中的峰值对应的频率进行统计,根据统计结果选择频率区间作为对应信号制式的分类判别标准,然后认知终端将接收的信号同样进行小波变换和分数傅里叶变换,得到变换结果中峰值对应的频率,判断该频率位于哪种信号制式的频率区间即可得到识别结果。本发明无需采用先验信息,而是通过小波变换和分数傅里叶变换后的信号特征来进行直接识别,实现复杂度低并且具有良好的识别效果。附图说明 [0012] 图1是本发明异构网络的信号制式识别方法的具体实施方式流程图; [0013] 图2是本实施例中三类信号经小波变换与分数傅里叶变换后的结果示意图; [0014] 图3是本实施例中三类信号训练样本在在信噪比为0dB情况下的特征统计示意图; [0015] 图4是在AWGN信道下的识别正确概率图; [0016] 图5是在AWGN噪声的基础上经过瑞利衰弱后的识别正确概率图; [0017] 图6是瑞利衰弱信道下不同路径时延(path delay)的识别效果图;图7是混合信号情况下的识别正确概率图。 具体实施方式[0018] 下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。 [0019] 实施例 [0020] 图1是本发明异构网络的信号制式识别方法的具体实施方式流程图。如图1所示,本发明异构网络的信号制式识别方法,包括以下步骤: [0021] S101:获得分类判别标准: [0022] 本发明中,分类判别标准是通过训练得到,具体方法为:构建异构网络中所有信号制式的训练样本信号,每个训练样本包括一组信号,对于每个信号制式训练样本,对其中每个信号进行小波变换,然后再进行分数傅里叶变换,对得到的变换结果中的峰值对应的频率进行统计,将统计概率大于预设阈值的频率区间作为对应信号制式的分类判别标准。 [0023] 本实施例中,以三种信号制式的信号为例来进行说明,包括2FSK、BPSK、16QAM,其表达式分别为: [0024] [0025] 式(1)中 [0026] [0027] 式(2)中 [0028] [0029] 式中mk=ak+jbk,ak,bk=2i-M+1,i=i=0,1,...M-1。 [0030] (1)、(2)、(3)中,A表示幅度因子,由接收信号功率决定;fk、mk表示 符号率;fc表示载波频率;Ts表示符号间隔;M表示调制级数,k=1,2,...,M;Δf表示频率间距;Re[·]表示求取实部;g(t)表示Ts时间内的单位脉冲。 [0031] 由于对非平稳信号进行高阶时频分析能取得比较好的效果,本发明中先对接收信号进行小波变换,利用小波变换提取突变特征的优点,得到接收信号的突变特征。同时又考虑到傅里叶变换对平稳信号良好的处理效果,把经小波变换的结果再经分数傅里叶变换,把原信号的时频特性与突变特征更好的体现出来。 [0032] 本实施例中,小波变换的小波基采用Daubechies5的小波基,其表达式为: [0033] [0034] 其中,ψa,b(t)表示小波基,a、b分别为缩放因子和平移因子,R为实数域,ψ(·)表示小波母函数。 [0035] 其傅里叶变换表示为: [0036] [0037] 向量 的离散傅里叶变换为, [0038] [0039] 其中,W表示正交小波基, [0040] 分数傅里叶变换定义为: [0041] [0042] 式中 [0043] 循环信号x(t)的分数傅里叶变换为: [0044] [0045] 式中 [0046] [0047] 分数傅里叶变换有两个优势,一是分数傅里叶变换是傅里叶变换的广义化,理论性强并且灵活度高;二是易于实现。 [0048] 图2是本实施例中三类信号经小波变换与分数傅里叶变换后的结果示意图。如图2所示,经过小波变换和分数傅里叶变换后,2FSK、BPSK、16QAM三类信号中每类信号的特征(幅度峰值在频率上的分布)都不一样,这些特征可以用来进行信号的分类。本发明通过对训练样本信号交换结果的特征统计来得到判别标准。 [0049] 图3是本实施例中三类信号训练样本在在信噪比为0dB情况下的特征统计示意图。如图3所示,2FSK信号采样点的幅度值分布在50-150及1150-1175处,BPSK信号采样点的幅度峰值分布在整个区间内,16QAM信号采样点幅度峰值分布在小于50或600-650的区间内。依据此图中的幅度峰值在频率上的分布来设置频率区间并对三类信号进行分类,即将统计概率大于预设阈值的频率区间作为分类判别标准。一般采用统计概率大于预设阈值的最小频率区间,即所有统计概率大于预设阈值的频率区间中宽度最小的频率区间。根据异构网络的环境决定,当网络环境好时,频率区间可以设置相对窄一些,网络环境不好时,频率区间设定相对宽一些。 [0050] S102:提取信号特征: [0051] 认知终端接收信号,进行小波变换和分数傅里叶变换,得到变换结果中峰值对应的频率,作为判别特征。 [0052] S103:信号制式识别: [0053] 如果步骤S102得到的频率属于某个信号制式的频率区间,则将该信号制式作为识别结果。 [0054] 为了说明本发明的有益效果,在Matlab环境下进行仿真实验来对本发明信号制式识别方法的性能进行效果验证与评估。对2FSK、BPSK、16QAM三类信号进行仿真结果验证分析,仿真结果与性能分析分为四个方面:AWGN(Additive White Gaussian Noise,加性高斯白噪声)信道下单信号的识别,瑞利衰弱下单信号的识别、瑞利衰弱环境下传输时延对信号识别的影响、AWGN信道下混合信号的识别。仿真验证中,假设信号传输速率为40Kbps,采样频谱为800KHz,载波频率为100KHz,每个信噪比下产生100符号作为待识别信号求识别准确率, 训练样本序列长度为10000。 [0055] 图4是在AWGN信道下的识别正确概率图。BPSK信号在信噪比为-9dB下正确识别率大于90%。信号的信噪比等于0dB时,三类信号被正确识别的概率都大于96%。 [0056] 由于混淆矩阵能够清晰的描述一种信号类型与其它信号的识别概率,所以常被当作一种可视化的工具用来表述信号识别问题。表1是在信噪比为-5dB下三类信号的识别概率。从表1中可以看出,算法对BPSK信号与16QAM信号能获得很好的识别效果。 [0057] [0058] 表1 [0059] 图5是在AWGN噪声的基础上经过瑞利衰弱后的识别正确概率图。该仿真下采样输入间隔是10-5,路径时延是10-6,最大多普勒频移为130Hz。如图5所示,识别准确率较AWGN信道相比有些下降,但总体来说识别正确率还是能够达到良好水平。表2是在信噪比为-5dB时,经瑞利衰弱后信号的识别混淆矩阵。如表2可以看出本发明可以达到不错的识别效果。 [0060] [0061] 表2 [0062] 图6是瑞利衰弱信道下不同路径时延(path delay)的识别效果图。如图6所示,-5时延越小,识别效率越高。本发明在时延小于10 能达到很好的识别效率。 [0063] 在异构网络的通信环境中,频谱环境中经常存在多种类型的信号。混合信号的识别在现实应用中占据非常重要的地位。因此此处还验证了混合信号在本算法下的识别正确率。本次仿真过程中假设频谱环境中只存在AWGN噪声,并有两个主用户信号(三种信号中的两种)以及一个干扰信号(剩下的一种信号),图7是混合信号情况下的识别正确概率图。如图7所示,当只有两个信号存在时识别效果还不错,信噪比为5dB时信号的识别正确率在80%以上。当三类信号混合后进行识别的效果不佳。 [0064] 根据以上仿真可知,本发明在进行单信号识别和混合信号识别时,都可以达良好的效果。 [0065] 尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。 |