技术领域
[0001] 本
发明涉及无线电频谱感知技术领域，特别是指一种空-时-频三维频谱感知方法。
背景技术
[0002] 近年来，随着全球无线通信技术日新月异地发展，不同功能的新型无线电系统相继问世。目前无线通信系统采用的是静态频谱分配策略，频谱资源也越来越紧缺。认知无线
电能够感知外界环境的变化，提高频谱利用率及系统容量，解决频谱短缺的问题。目前常用的频谱感知方法主要是分为单认知用户频谱感知和多认知用户频谱感知技术。
[0003] 现有的频谱感知技术大多只能得到主用户
信号的存在与否，并不能得到详细的时间、
频率和
角度信息。
发明内容
[0004] 本发明要解决的技术问题是提供一种空-时-频三维频谱感知方法，以解决
现有技术所存在的频谱感知技术不能得到详细的时间、频率和角度信息的问题。
[0005] 为解决上述技术问题，本发明
实施例提供一种空-时-频三维频谱感知方法，包括：
[0006] 对多个认知用户接收到的主用户信号进行白化预处理，其中，各主用户信号之间互不相关；
[0007] 对白化预处理后的信号进行空时频分布变换得到四维矩阵，其中，四维矩阵中的信息包括：时间、频率和两维空间信息；
[0008] 对四维矩阵的时频二维信息进行过滤，提取单源自相关点，其中，单源指每个独立的主用户信号源；
[0009] 对得到的单源自相关点进行联合对角化得到用于角度估计的导向矢量估计；
[0010] 根据得到的导向矢量，确定各个主用户信号的到达角度。
[0011] 进一步地，所述对多个认知用户接收到的主用户信号进行白化预处理包括：
[0012] 将多个认知用户接收到的主用户信号组成接收信号矩阵；
[0013] 对接收信号矩阵进行白化预处理。
[0014] 进一步地，所述将多个认知用户接收到的主用户信号组成接收信号矩阵包括：
[0015] N个主用户从不同的方向发射信号，到达M个认知用户端，其中，M＞N；
[0016] 将M个认知用户接收到的信号组成接收信号矩阵Y＝[Y1,Y2,...,YM]T，其中，上标T表示矩阵的转置。
[0017] 进一步地，所述对接收信号矩阵进行白化预处理包括：
[0018] 对接收信号矩阵Y的协方差矩阵进行特征值分解；
[0019] 根据特征值分解结果，构建白化矩阵W；
[0020] 白化矩阵W点乘接收信号矩阵Y，得到白化信号Z＝W·Y，其中，Z＝[Z1,Z2,...,ZN]T。
[0021] 进一步地，所述根据特征值分解结果，构建白化矩阵W包括：
[0022] 对得到的特征值进行降序排列，得到降序排列后的特征值[λ1,...,λM]，及其对应的
特征向量[h1,...,hM]；
[0023] 从降序排列后的M个特征值中，取前1～N个特征值及其特征向量用于构造白化矩阵W，其中，白化矩阵W表示为：
[0024]
[0025] 其中，σ2为降序排列后的后M-N个较小的特征值的平均值，上标H表示矩阵的共轭转置。
[0026] 进一步地，通过空时频分布变换得到的四维矩阵表示为：
[0027]
[0028] 其中，DZZ(t,f)是二维的协方差矩阵，表示空间信息；每个元素 是一个二维的时频矩阵， 表示第i个信号Zi和第j个信号Zj的互时频分布；t表示时间；f表示频率。
[0029] 进一步地，所述对四维矩阵的时频二维信息进行过滤，提取单源自相关点包括：
[0030] 通过关系式 提取包含所有主用户信号的自相关点，其中，ε2为提取
阈值，trace(·)表示矩阵的迹；
[0031] 通过聚类，将提取到的所有主用户信号的自相关点分成N类，某一类代表某一信号的自相关点，得到N类单源信号的Ki个自相关点 其中，i＝1,2,...,N,ki＝1,2,...,Ki。
[0032] 进一步地，所述对得到的单源自相关点进行联合对角化得到用于角度估计的导向矢量估计包括：
[0033] 对得到的N类自相关点 提取四维矩阵的两维空间信息，构成信号在相应时频点上的相关矩阵
[0034] 对得到的相关矩阵 进行联合对角化处理，求得使 最小的N×N维酉矩阵U，其中，I为单位矩阵，off(·)为矩阵非对角元素的平方和；
[0035] 利用联合对角化得到的酉矩阵U进行导向矢量估计：
[0036]
[0037] 其中，W#为白化矩阵的伪逆，为导向矢量。
[0038] 进一步地，所述根据得到的导向矢量，确定各个主用户信号的到达角度包括：
[0039] 根据得到的导向矢量，利用多重信号分类确定各个主用户信号的到达角度。
[0040] 进一步地，所述根据得到的导向矢量，利用多重信号分类确定各个主用户信号的到达角度包括：
[0041] 对 求其协方差矩阵：
[0042]
[0043] 其中，RAA为M×M维的协方差矩阵；
[0044] 将RAA的特征向量按特征值的大小分成两部分：Us和Un，其中，Us·UsH+Un·UnH＝I，Us＝[U1,U2,...,UN]为前N个最大特征值对应的特征向量构成的酉空间，张成信号子空间；Un＝[UN+1,...,UM]为后M-N个最小特征值对应的特征向量构成的酉矩阵，张成噪声子空间；
[0045] 通过 对主用户信号的角度进行估计，得到各个主用户信号的到达角度。
[0046] 本发明的上述技术方案的有益效果如下：
[0047] 上述方案中，对多个认知用户接收到的主用户信号进行白化预处理；对白化预处理后的信号进行空时频分布变换得到四维矩阵，其中，四维矩阵中的信息包括：时间、频率和两维空间信息；对四维矩阵的时频二维信息进行过滤，提取单源自相关点，从而得到各个主用户信号的精确时频分布；对得到的单源自相关点进行联合对角化得到用于角度估计的导向矢量估计；根据得到的导向矢量，确定各个主用户信号的到达角度。这样，基于空时频分布变换，提取信号的自相关点来得到信号的精确时频分布图，并以此提高主用户角度的估计精确度及
分辨率。
附图说明
[0048] 图1为本发明实施例提供的空-时-频三维频谱感知方法的流程示意图；
[0049] 图2为本发明实施例提供的
认知无线电网络中多主用户、认知用户示意图；
[0050] 图3为本发明实施例提供的信号1的空-时-频三维频谱感知方法的时频
能量示意图；
[0051] 图4为本发明实施例提供的信号2的空-时-频三维频谱感知方法的时频能量示意图；
[0052] 图5为本发明实施例提供的信号1的空-时-频三维频谱感知方法的角度估计示意图；
[0053] 图6为本发明实施例提供的信号2的空-时-频三维频谱感知方法的角度估计示意图。
具体实施方式
[0054] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0055] 本发明针对现有的频谱感知技术不能得到详细的时间、频率和角度信息的问题，提供一种空-时-频三维频谱感知方法。
[0056] 如图1所示，本发明实施例提供的空-时-频三维频谱感知方法，包括：
[0057] S101，对多个认知用户接收到的主用户信号进行白化预处理，其中，各主用户信号之间互不相关；
[0058] S102，对白化预处理后的信号进行空时频分布(Spatial Time-frequency Distribution，STFD)变换得到四维矩阵，其中，四维矩阵中的信息包括：时间、频率和两维空间信息；
[0059] S103，对四维矩阵的时频二维信息进行过滤，提取单源自相关点，其中，单源指每个独立的主用户信号源；
[0060] S104，对得到的单源自相关点进行联合对角化得到用于角度估计的导向矢量估计；
[0061] S105，根据得到的导向矢量，确定各个主用户信号的到达角度。
[0062] 本发明实施例所述的空-时-频三维频谱感知方法，对多个认知用户接收到的主用户信号进行白化预处理；对白化预处理后的信号进行空时频分布变换得到四维矩阵，其中，四维矩阵中的信息包括：时间、频率和两维空间信息；对四维矩阵的时频二维信息进行过滤，提取单源自相关点，从而得到各个主用户信号的精确时频分布；对得到的单源自相关点进行联合对角化得到用于角度估计的导向矢量估计；根据得到的导向矢量，确定各个主用户信号的到达角度。这样，基于空时频分布变换，提取信号的自相关点来得到信号的精确时频分布图，并以此提高主用户角度的估计精确度及分辨率。
[0063] 在前述空-时-频三维频谱感知方法的具体实施方式中，进一步地，所述对多个认知用户接收到的主用户信号进行白化预处理包括：
[0064] 将多个认知用户接收到的主用户信号组成接收信号矩阵；
[0065] 对接收信号矩阵进行白化预处理。
[0066] 在前述空-时-频三维频谱感知方法的具体实施方式中，进一步地，所述将多个认知用户接收到的主用户信号组成接收信号矩阵包括：
[0067] N个主用户从不同的方向发射信号，到达M个认知用户端，其中，M＞N；
[0068] 将M个认知用户接收到的信号组成接收信号矩阵Y＝[Y1,Y2,...,YM]T，其中，上标T表示矩阵的转置。
[0069] 本实施例中，假设N个主用户从不同的方向发射信号，并到达M(M＞N)个认知用户端，到达角度分别为θ1,θ2,...,θN。各主用户信号源相互独立，各主用户信号之间互不相关，且主用户信号与噪声之间互不相关。各个认知用户将所收到的信号发送给决策中心，由决策中心形成接收信号矩阵Y＝[Y1,Y2,...,YM]T。
[0070] 在前述空-时-频三维频谱感知方法的具体实施方式中，进一步地，所述对接收信号矩阵进行白化预处理包括：
[0071] 对接收信号矩阵Y的协方差矩阵进行特征值分解；
[0072] 根据特征值分解结果，构建白化矩阵W；
[0073] 白化矩阵W点乘接收信号矩阵Y，得到白化信号Z＝W·Y，其中，Z＝[Z1,Z2,...,ZN]T。
[0074] 本实施例中，所述根据特征值分解结果，构建白化矩阵W的具体步骤可以包括：
[0075] 对接收信号矩阵Y的协方差矩阵进行特征值分解；
[0076] 对得到的特征值进行降序排列，得到降序排列后的特征值[λ1,...,λM]及其对应的特征向量[h1,...,hM]，从降序排列后的M个特征值中，取前1～N个特征值及其特征向量用于构造白化矩阵W，也就是说，白化矩阵W的公式只用到了1～N个特征值及其特征向量。
[0077] 本实施例中，白化矩阵W表示为：
[0078]
[0079] 其中，σ2为降序排列后的后M-N个较小的特征值的平均值，上标H表示矩阵的共轭转置。
[0080] 在前述空-时-频三维频谱感知方法的具体实施方式中，进一步地，通过空时频分布变换得到的四维矩阵表示为：
[0081]
[0082] 其中，DZZ(t,f)是二维的协方差矩阵，表示空间信息；每个元素 是一个二维的时频矩阵， 表示第i个信号Zi和第j个信号Zj的互时频分布；t表示时间；f表示频率。
[0083] 本实施例中，对白化预处理后的信号进行空时频分布变换得到四维矩阵DZZ(t,f)，具体形式为：
[0084]
[0085] 本实施例中，DZZ(t,f)是二维的协方差矩阵，其中每个元素 又是一个二维的时频矩阵，最终表现为一个四维的形式。
[0086] 本实施例中，根据得到的四维矩阵DZZ(t,f)，提取自相关点，并对提取的自相关点进行特征值分解，利用子空间方法实现信号参数估计。
[0087] 在前述空-时-频三维频谱感知方法的具体实施方式中，进一步地，所述对四维矩阵的时频二维信息进行过滤，提取单源自相关点包括：
[0088] 通过关系式 提取包含所有主用户信号的自相关点，其中，ε2为提取阈值，trace(·)表示矩阵的迹；
[0089] 通过聚类，将提取到的所有主用户信号的自相关点分成N类，某一类代表某一信号的自相关点，得到N类单源信号的Ki个自相关点 其中，i＝1,2,...,N,ki＝1,2,...,Ki。
[0090] 本实施例中，ε2是一个接近但小于1的正实数，与噪声有关，由此可以提取出自相关点。
[0091] 本实施例中，Ki的值是经过以上所有提取步骤提取出来的N类中每一类的时频点的个数，不是一个确定的值，方法每次运行都会产生不同的结果。
[0092] 在前述空-时-频三维频谱感知方法的具体实施方式中，进一步地，所述对得到的单源自相关点进行联合对角化得到用于角度估计的导向矢量估计包括：
[0093] 对得到的N类自相关点 提取四维矩阵的两维空间信息，构成信号在相应时频点上的相关矩阵
[0094] 对得到的相关矩阵 进行联合对角化处理，求得使最小的N×N维酉矩阵U，其中，I为单位矩阵，off(·)为矩阵非对角元素的平方和；
[0095] 利用联合对角化得到的酉矩阵U进行导向矢量估计：
[0096]
[0097] 其中，W#为白化矩阵的伪逆，为导向矢量。
[0098] 在前述空-时-频三维频谱感知方法的具体实施方式中，进一步地，所述根据得到的导向矢量，确定各个主用户信号的到达角度包括：
[0099] 根据得到的导向矢量，利用多重信号分类(Multiple Signal Classification,MUSIC)确定各个主用户信号的到达角度。
[0100] 在前述空-时-频三维频谱感知方法的具体实施方式中，进一步地，所述根据得到的导向矢量，利用多重信号分类确定各个主用户信号的到达角度包括：
[0101] 对 求其协方差矩阵：
[0102]
[0103] 其中，RAA为M×M维的协方差矩阵；
[0104] 将RAA的特征向量按特征值的大小分成两部分：Us和Un，其中，Us·UsH+Un·UnH＝I，Us＝[U1,U2,...,UN]为前N个最大特征值对应的特征向量构成的酉空间，张成信号子空间；Un＝[UN+1,...,UM]为后M-N个最小特征值对应的特征向量构成的酉矩阵，张成噪声子空间；
[0105] 通过 对主用户信号的角度进行估计，得到各个主用户信号的到达角度。
[0106] 为了更好地理解本发明实施例所述的空-时-频三维频谱感知方法，以一个具体的实施例，对其进行说明，如图2所示，设N＝2，M＝6：
[0107] 步骤一、N个主用户从不同的方向发射信号(假设：主用户1发射信号1，主用户2发射信号2，)，并到达M个认知用户端，到达角度分别为-2°和2°，两个信号的瞬时频率分别为1e9和2e9，
信噪比为-5dB。
[0108] 本实施例中，通过2个“统计上”独立的信号，观察到6个包含白噪声的混合信号。
[0109] 本实施例中，N个主用户从不同的方向发射信号，并到达M(M＞N)个认知用户端，到达角度分别为θ1,θ2,...,θN。各主用户信号之间互不相关，且主用户信号与噪声之间互不相关。各个认知用户将所收到的信号发送给决策中心，由决策中心形成接收信号矩阵Y＝[Y1,Y2,...,YM]T。
[0110] 步骤二、对接收信号矩阵进行白化预处理，具体步骤如下：
[0111] A21，对接收信号的协方差矩阵进行特征值分解，设[λ1,...,λM]为降序排列的特征值，[h1,...,hM]为对应的特征向量，σ2为该协方差矩阵的后M-N个较小的特征值的平均值。定义白化矩阵W为：
[0112]
[0113] 其中，上标H为矩阵的共轭转置。
[0114] A22，则白化后信号为：
[0115] Z＝W·Y
[0116] 其中，Z＝[Z1,Z2,...,ZN]T。
[0117] 步骤三、对白化预处理后的信号进行空时频分布变换得到四维矩阵DZZ(t,f)，具体形式为：
[0118]
[0119] 其中，其中，DZZ(t,f)是二维的协方差矩阵，表示空间信息；每个元素 是一个二维的时频矩阵， 表示第i个信号Zi和第j个信号Zj的互时频分布；t表示时间；f表示频率。
[0120] 步骤四、对四维矩阵的时频二维信息进行过滤，提取单源自相关点，得到各个主用户信号的精确时频分布，具体步骤如下：
[0121] A41，提取包含所有主用户信号的自相关点过程可表示提取满足下式的时频点：
[0122]
[0123] 其中，trace(·)表示矩阵的迹，ε2是一个接近但小于1的正实数，与噪声有关，由此可以提取出自相关点。
[0124] A42，通过聚类方法将所有主用户信号的自相关点分成N类，某一类代表某一信号的自相关点，得到N类单源信号的Ki个自相关点 其中i＝1,2,...,N,ki＝1,2,...,Ki。
[0125] 步骤五、将经过过滤处理的四维矩阵进行联合对角化得到用于角度估计的导向矢量估计，具体步骤如下：
[0126] A51，对得到的N类自相关点 提取四维矩阵DZZ的两维空间信息，构成了相应时频点上的相关矩阵
[0127] A52，对得到的 进行联合对角化处理，即求得使下式最小的N×N维酉矩阵U：
[0128]
[0129] 其中，I为单位矩阵，off(·)为矩阵非对角元素的平方和。
[0130] A53，利用联合对角化得到的酉矩阵U进行导向矢量估计：
[0131]
[0132] 其中，W#为白化矩阵的伪逆， 为导向矢量。
[0133] 步骤六、将所得导向矢量估计利用MUSIC方法求得信号的角度估计，具体步骤如下：
[0134] A 61，对 求其协方差矩阵：
[0135]
[0136] 其中，RAA为M×M维的协方差矩阵；
[0137] A 62，将RAA的特征向量按特征值的大小分成两部分：Us和Un，其中，Us·UsH+Un·UnH＝I，Us＝[U1,U2,...,UN]为前N个最大特征值对应的特征向量构成的酉空间，张成信号子空间；Un＝[UN+1,...,UM]为后M-N个最小特征值对应的特征向量构成的酉矩阵，张成噪声子空间；
[0138] A63，利用下式对主用户信号的角度进行估计：
[0139]
[0140] 本发明实施例中，图3和图4描述了对四维矩阵的时频两维信息进行收集信号自相关点、聚类等过滤处理，提取单源自相关点，得到两个主用户信号的精确时频估计。图3和图4中的横坐标是时间算子(s)，纵坐标是信号的瞬时频率，该结果是在信号个数为2，认知用户端为6，快照数为1000，时间间隔为1s，两个信号的频率分别为1e9HZ和2e9HZ等条件重复实验得出的。由图3和图4可以得知，本发明实施例得到的时频图不仅降低了系统中存在的噪声等诸多问题，而且得到了更好的性能。这说明本发明提出的方法是全面且有效的。同时，结果也表明本发明实施例提供的空-时-频三维频谱感知研究的方法具有优良的性能。
[0141] 图5和图6描述了利用单源自相关点组成的STFD矩阵通过联合对角化、MUSIC等方法得到各个信号的角度。图5和图6中的横坐标是方位角，纵坐标是信号的峰值，该结果是在信号个数为2，认知用户端为6，快照数为1000，时间间隔为1s，两个信号的角度分别为-2°和2°等条件重复实验得出的。由图5和图6可以得知，本发明得到的角度图不仅峰值更加尖锐，而且分辨率得到了很大的提升。这说明本发明提出的方法是全面且有效的。同时，结果也表明本发明实施例提供的空-时-频三维频谱感知研究的方法具有优良的性能。
[0142] 综上，利用本设计的方法能够在频谱感知过程中得到更为集中的自相关点，降低噪声的影响，同时提高了信号的分辨率，主要有以下几个优点：
[0143] 1)采用STFD矩阵能够同时包含空间、时间、频率三个维度的频谱信息；
[0144] 2)对四维矩阵的时频两维信息进行收集信号自相关点、聚类等过滤处理，能够提取出各个信号的自相关点，减少角度计算的运算量；同时在高斯白噪声情况下能够有效抑制交叉项的干扰和噪声，具有更高的时频汇聚性；
[0145] 3)采用联合对角化以及经典MUSIC方法来处理空间时频矩阵，增强了
算法的稳健性，提高了算法在低信噪比条件下的
波达方向(Direction Of Arrival,DOA)估计能
力，同时提高了角度的分辨率和精确度。
[0146] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0147] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
