首页 / 专利库 / 专利权 / 申请 / 国际申请 / 附图 / 一种频谱检测与未知噪声方差跟踪估计方法与装置

一种频谱检测与未知噪声方差跟踪估计方法与装置

阅读:534发布:2021-01-17

专利汇可以提供一种频谱检测与未知噪声方差跟踪估计方法与装置专利检索,专利查询,专利分析的服务。并且本 发明 针对实际应用中噪声方差动态未知情况下的 频谱 检测问题,首先提出一种动态 状态空间 系统模型反映其内在机理:将授权用户状态与时变噪声方差作为两个隐藏状态,分别采用两状态一阶 马 尔科夫和 自回归模型 对其动态迁移特性建模。在此 基础 上,设计提出一种新型频谱 感知 方法装置。该方法根植于贝叶斯统计推理理论,采用边缘化粒子滤波技术(见 附图 ),能够实现对授权用户与噪声方差的联合估计。特别地,本发明提出边缘化粒子滤波两级自适应预测系数调整方法,充分利用噪声方差时变特性,可实现对于噪声方差的准确 跟踪 。利用得到的噪声方差信息,该 算法 装置可拓展应用至(但不限于)单 节点 单天线感知系统中去,并获得良好频谱感知性能。,下面是一种频谱检测与未知噪声方差跟踪估计方法与装置专利的具体信息内容。

1.一种频谱感知的实现方法与装置,可实现时变未知噪声方差情况下的高性能频谱感知;其特征在于:基于所提出的动态状态空间模型,有效实现了对授权用户工作状态与未知噪声方差的联合估计。
2.根据权利要求1所述噪声方差动态未知情况下的频谱感知实现方法,其特征在于:
一种深入反映噪声方差动态未知情况下频谱感知机制的系统模型,将授权用户状态和噪声方差作为系统隐藏状态,分别采用两状态一阶尔科夫模型和自回归模型描述其动态迁移特性。采用非相干接收,即将特定时间窗采样信号能量和作为系统观测值。
3.根据权利要求1所述的噪声方差动态未知情况下频谱感知的实现方法,其特征在于:利用观测信号对授权用户状态和未知噪声方差进行联合估计:首先基于贝叶斯统计推理框架对授权用户状态进行检测,基于已获得频谱检测结果以及观测信号,对方差后验分布参数进行更新,继而得到噪声方差估计值。
4.根据权利要求3所述的对授权用户状态进行检测实现方法,其特征在于:采用粒子滤波技术,利用一组序贯更新的粒子及其相应权重值逼近授权用户信号后验概率,并根据最大后验概率准则获得授权用户状态的实时序贯估计,克服了观测信号呈现的非高斯非线性特征,提升了频谱检测正确率。
5.根据权利要求3所述的对噪声方差进行实时跟踪的实现方法,其特征在于:采用逆伽马分布定义其共轭先验分布,根据共轭先验分布特性,噪声方差后验概率同样满足逆伽马分布,进而可基于观测信号以及授权用户工作状态的估计值,来对未知噪声方差的后验分布参数进行更新,并将其统计期望作为当前时刻的噪声方差更新估计值。
6.据权利要求5所述的对噪声方差后验分布参数进行更新的实现方法,其特征在于:
提出两级自适应预测系数调整方法。该方法根据感知周期在噪声方差周期位置,调整预测系数λ。具体地,当感知周期位于噪声方差周期末时刻,即下一感知周期噪声方差即将产生迁移时,λ=λ1;其他感知周期,λ=λ2。λ1<λ2。

说明书全文

一种频谱检测与未知噪声方差跟踪估计方法与装置

技术领域

[0001] 本发明针对时变未知噪声方差条件下频谱检测问题,首先设计提出一种动态状态空间系统模型(Dynamic State-space Model,DSM),分别基于两状态尔科夫状态概率转移模型和自回归(Auto-regressive,AR)模型,将授权用户状态与时变噪声方差作为两个隐藏状态(Hidden States);在此基础上,提出一种新颖的频谱检测方法。该方法基于贝叶斯理论,利用边缘化粒子滤波(Marginal Partical Filtering,MPF)技术,可同时实现对授权用户状态的准确检测与未知噪声方差的实时跟踪,显著提高噪声方差动态未知条件下的频谱感知性能。属于通信领域。

背景技术

[0002] 随着现代无线通信技术迅猛发展,有限的频谱资源与传统静态频谱分配方案已无法满足高传输速率通信设备的需求。认知无线电(Cognitive Radio,CR)作为一种频谱智能共享技术,可极大地提高频谱利用率,成为目前受到广泛关注的热技术之一。
[0003] 作为认知无线电的基础技术,频谱感知可通过对授权频段进行周期性检测,发现频谱空洞,从而保证非授权用户对授权频段进行利用的同时不对授权用户造成干扰。近年来,多种频谱感知方式被提出,常见的方法包括能量检测(Energy Detection,ED)、匹配滤波检测(Matched Filter Detection,MFD)和循环平稳特征检测(Cyclostationary Detection)。在实际应用中,由于噪声的不确定性和时变性,认知用户很难获得准确的实时噪声方差,从而导致现有检测方法检测性能显著下降。
[0004] 为了应对上述问题,本发明提出一种全新频谱感知方法。该方法基于贝叶斯理论,利用边缘化粒子滤波技术,在单节点单天线感知系统中,能够同时实现对授权用户动态工作状态的准确检测和未知噪声方差的实时跟踪,获得良好的感知性能。

发明内容

[0005] 本发明首先提出一种针对噪声方差时变未知条件下的频谱检测动态状态空间模型。将授权用户工作状态和时变噪声方差看作两个隐藏系统状态,分别采用一阶两状态马尔科夫模型和AR模型抽象其时变迁移特性。同时,采用非相干接收方案得到观测值,即将接收采样信号能量在特定长度的时间窗内进行累积求和得到观测信号。在此基础上,根据边缘粒子滤波技术和共轭先验分布概念,设计提出一种全新频谱感知方法。特别的,本发明创新性的提出了边缘化粒子滤波两级自适应预测系数调整方法,能够更为准确的对时变噪声方差进行跟踪。新方案在保证感知算法实时性要求的前提下,极大提高了频谱感知性能,从而为分布式认知无线网络的设计与实现提供一种极具应用潜的方案。
[0006] 在接收端,包括授权用户状态检测和噪声方差实时跟踪两个模
[0007] 授权用户状态检测:根据当前时刻接收端观测信号以及上一时刻噪声方差估计值,利用粒子滤波(Particle Filtering,PF)技术对授权用户工作状态的后验概率进行序贯更新,从而实现对授权用户状态的检测。
[0008] 噪声方差实时跟踪:根据当前时刻观测信号以及授权用户状态检测模块输出,利用共轭先验概念和边缘化思想,提出了边缘化粒子滤波两级自适应预测系数调整方法,对噪声方差实现实时跟踪。
[0009] 本发明的优点是:
[0010] 1)本发明技术方案适用于噪声不确定无线传输环境下的单节点频谱感知,为无线移动通信环境中认知无线电技术应用奠定坚实基础;
[0011] 2)设计提出的动态状态空间模型,分别采用隐马尔科夫模型和自回归模型对授权用户状态和噪声方差的动态迁移特性进行描述,可更为有效地反映无线移动通信环境下频谱感知内在机理;采用非相干接收得到观测信号,降低了方案实现的复杂度。
[0012] 3)新方案对授权用户状态进行检测的同时可实现对噪声方差的实时跟踪,因而极大地提升了噪声不确定无线环境下的频谱感知性能,同时对于噪声方差的实时跟踪,提升非授权用户对无线环境的认知能力,有利于实现更为有效地频谱接入与共享;
[0013] 4)该发明充分利用授权用户工作状态的先验转移概率信息,采用边缘粒子滤波技术,有效克服观测信号(累积能量)呈现出的非平稳非高斯特性,且避免了传统粒子滤波在应对高维检测时出现的计算复杂度过高的问题。
[0014] 5)该发明针对噪声时变迁移特性,提出边缘粒子滤波两级自适应预测系数调整方法,能够更为准确的对时变噪声方差进行跟踪。
[0015] 6)随着噪声不确定性增加,本发明提出的联合检测算法仍具有优良的稳健性,因而在实际应用中将具有很大优势。附图说明
[0016] 图1为频谱感知接收端信号处理装置框图
[0017] 图2为实际噪声方差与其估计值对比图
[0018] 图3为新方法频谱感知检测正确率和传统ED性能仿真对比图。

具体实施方式

[0019] 本发明建立起噪声方差动态未知条件下的频谱感知动态状态空间模型,同时采用边缘粒子滤波技术对噪声时变方差和授权用户状态进行联合估计。下面对动态系统模型及频谱感知过程分别阐述。
[0020] 1.本发明建立的频谱感知动态状态空间模型如式(1)(2)(3)所示。
[0021]
[0022]
[0023] yn=(xn,zn) (3)
[0024] 上式中, 表示n时刻的授权用户状态,按照特定的状态转移函数f(.)进行转移。xn表示授权用户发射信号。频谱感知中存在两种假设检验,即授权频段空闲和被占用,分别用H0和H1表示。当授权用户信号不存在即授权频段空闲时,xn=0;当存在授权用户信号时,对授权用户信号能量进行归一化,既得xn=1。本发明中,将授权用户的动态迁移特性抽象为一阶两状态马尔科夫模型,即授权用户两种状态以一定概率相互转移,转移概率矩阵(Transmission Probabilities Matrix,TPM)如式(4)所示
[0025]
[0026] 表示n时刻噪声方差。本发明中,将噪声的时变迁移特性抽象为三阶AR模型。即:
[0027]
[0028] en为均值是0的高斯白噪声信号。同时需要注意的是,噪声方差时变周期Tσ大于感知周期Ts。为方便分析,进一步简化假设Tσ=LTs,其中L为大于1的整数。
[0029] yn表示认知用户接收到的观测信号,为特定长度观测时间窗内采样信号的能量和,时间窗长度设为M,如式(6)所示。
[0030]
[0031] 其中,M=Ts×fsp表示感知周期Ts内采样点数,fsp为采样频率。zn=[zn,1,zn,2,…,zn,M]表示M个独立同分布的高斯样值构成的一维噪声向量,信道噪声为均值是0方差是的加性高斯白噪声(AWGN)。对应于授权用户空闲/工作两种状态,观测信号y分别服从自由度为M的中心/非中心卡方分布。
[0032] 2.基于上述动态状态空间模型,本发明进一步对授权用户状态和噪声方差进行联合估计。从贝叶斯度,联合估计可通过最大化后验概率得到,如式(7)所示。
[0033]
[0034] 由上式得本发明提出的联合估计方法包括两个重要组成部分:首先是基于PF对授权用户状态进行检测,在此基础上,根据共轭先验概念和边缘化思想,对噪声方差进行实时跟踪。下面针对上述两个部分进行详细介绍。
[0035] 1)基于粒子滤波的授权用户状态序贯估计
[0036] 由式(6)可得,观测值的获得为非线性变换操作,其非线性非高斯特性无疑将为授权用户状态的序贯检测带来严重挑战。基于蒙特卡洛(MC,Monte-Carlo)离散数字逼近思想的粒子滤波技术,能够有效地处理非线性非高斯信号检测问题。粒子滤波主要采用一组带有权重w(i)的离散粒子x(i)来逼近复杂的后验分布p(x),即有p(x)=∑iw(i)δ(x-x(i))。在此基础上,基于最大后验概率(Maximum a Posteriori,MAP)准则实现n时刻授权用户状态实时估计。在具体实现中,PF主要包括粒子生成和更新相应权重两个重要步骤。
[0037] 生成粒子本质上是针对一个特定分布采样过程,该分布区别于后验分布概率,称为重要性函数。本方案中采用最优重要性函数,如式(8)所示。
[0038]
[0039] 更新产生的粒子权重,如式(9)所示。
[0040]
[0041] 根据MAP准则,对授权用户状态进行估计。
[0042]
[0043] 2)噪声方差的迭代更新
[0044] 对于期望已知方差未知的高斯白噪声,采用逆伽马分布定义其共轭先验分布。其多层贝叶斯模型可写作:
[0045]
[0046]
[0047] 则噪声方差后验概率同样满足逆伽马分布:
[0048]
[0049] 分布参数按以下公式进行更新:
[0050]
[0051]
[0052] 其中,预测参数计算方法如下:
[0053]
[0054]
[0055] λ表示预测系数。由于噪声方差时变周期Tσ大于感知周期Ts,Tσ=LTs。因此一个噪声方差变化周期内包含L个感知周期,即每L个感知周期,噪声方差会根据式(5)中AR模型产生迁移。针对该系统模型特性,本发明提出一种新颖的两级自适应预测系数调整方法。该方法可根据感知周期在噪声方差周期位置,调整预测系数。具体地,当感知周期位于噪声方差周期末时刻,即下一感知周期噪声方差即将产生迁移时,λ=λ1=0.995;其他感知周期,λ=λ2=0.960。
[0056] 最终可得到噪声方差的更新估计计算如式(15)所示。
[0057]
[0058] 综上所述,本发明设计感知方法流程图如图1所示。
[0059] 对上述频谱感知方法进行仿真,得到噪声方差估计值与真实值的对比如图2所示,频谱感知性能曲线如图3所示。
[0060] 实际时变噪声方差为 相应地,实际信噪比为SNRn, 为未知待估计变量。则初始实际信噪比可记作SNR0,相应噪声方差为 初始假设信噪比记作 相应地,噪声方差记作 snr为在一定范围内[-ε,ε]服从均匀分布的随机数。
[0061] 图2中,实线表示噪声方差真实值,虚线表示其估计值。横坐标表示感知时间。
[0062] 图3中,实线和虚线分别表示联合检测方法和传统ED算法的检测性能。横坐标为实际初始信噪比SNR0,纵坐标为检测概率Pd。初始信噪比浮动参数ε分别设为3、5和10。由图可明显看出,本发明提出的联合检测算法较ED算法检测性能有明显提高。同时注意到,随着噪声不确定性增加,ED检测性能会极具退化,而本发明提出的联合检测算法具有优良的稳健性,因而在实际应用中也将更具优势。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈