一种基于相位差鲁棒统计特征的频谱感知方法及相关设备技术

本说明书一个或多个实施例提供一种基于相位差鲁棒统计特征的频谱感知方法及相关设备；所述方法包括：对接收到的接收信号进行采样处理；其中，采样处理得到若干采样点；分别计算相邻两个采样点的相位差，得到接收信号对应的相位差概率分布；对第一相位差概率分布进行特征提取，得到接收信号对应的相位差鲁棒统计特征；将相位差鲁棒统计特征输入预先训练的频谱感知模型，根据频谱感知模型的输出确定主用户信号是否存在。本申请通过提取相位差鲁棒统计特征，并利用监督学习训练机器学习模型，学习特征，从而识别接收信号相位差概率分布的类别，在低信噪比衰落信道条件下，实现更加准确、更加鲁棒的频谱感知。

【技术实现步骤摘要】
一种基于相位差鲁棒统计特征的频谱感知方法及相关设备
本说明书一个或多个实施例涉及通信
，尤其涉及一种基于相位差鲁棒统计特征的频谱感知方法及相关设备。
技术介绍
频谱感知技术可以检测当前频谱信息，发现空闲频谱资源以对其进行再利用，提高频谱利用率，缓解频谱紧缺导致的频谱供需矛盾。然而，在低信噪比通信环境中，快速、准确地感知频谱空洞具有挑战性；此外，实际通信环境中，无法准确获得先验信息，即使获取到了先验信息，收发端同步误差仍会造成载频失配等问题，传统频谱感知方式在噪声功率不确定、载频失配等因素存在或先验信息完全未知的情况下，难以有效发挥作用。
技术实现思路
有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于相位差鲁棒统计特征的频谱感知方法及相关设备。基于上述目的，本说明书一个或多个实施例提供了一种基于相位差鲁棒统计特征的频谱感知方法，包括：对接收到的接收信号进行采样处理；其中，所述采样处理得到若干采样点；分别计算相邻两个所述采样点的相位差，得到所述接收信号对应的相位差概率分布；对所述第一相位差概率分布进行特征提取，得到所述接收信号对应的相位差鲁棒统计特征；将所述相位差鲁棒统计特征输入预先训练的频谱感知模型，根据所述频谱感知模型的输出确定主用户信号是否存在。基于同一专利技术构思，本说明书一个或多个实施例还提供了一种基于相位差鲁棒统计特征的频谱感知装置，包括：特征提取模块，被配置为对接收到的接收信号进行采样处理；其中，所述采样处理得到若干采样点；分别计算相邻两个所述采样点的相位差，得到所述接收信号对应的相位差概率分布；对所述第一相位差概率分布进行特征提取，得到所述接收信号对应的相位差鲁棒统计特征；频谱感知模块，被配置为将所述相位差鲁棒统计特征输入预先训练的频谱感知模型，根据所述频谱感知模型的输出确定主用户信号是否存在。基于同一专利技术构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的方法。从上面所述可以看出，本说明书一个或多个实施例提供的基于相位差鲁棒统计特征的频谱感知方法及相关设备，通过提取相位差鲁棒统计特征，并利用监督学习训练机器学习模型，学习特征，从而识别接收信号相位差概率分布的类别，在低信噪比衰落信道条件下，实现更加准确、更加鲁棒的频谱感知。本申请的方案能够在低信噪比衰落环境中，有效提高的频谱感知的鲁棒性和有效性，且在无任何先验信息的环境中，仍可快速有效地感知频谱空洞。附图说明为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本说明书一个或多个实施例的基于相位差鲁棒统计特征的频谱感知方法流程图；图2为本说明书一个或多个实施例的基于相位差鲁棒统计特征的频谱感知装置结构示意图；图3为本说明书一个或多个实施例的电子设备结构示意图。具体实施方式为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。目前，频谱感知技术以能量检测和循环平稳特征检测为主。能量检测通过比较检测周期内接收信号的能量和门限值的大小，判定主用户信号是否存在。主用户信号存在时，信号能量较大，因此若检测能量值大于门限，则判定主用户信号存在，频谱被占用。循环平稳特征检测通过检测接收信号是否具有频谱相关性判定主用户信号是否存在。调制信号具有频谱相关性，而高斯白噪声不具有该特征，因此若接收信号具有频谱相关性，则判定主用户信号存在。此外，现有技术中也有一些其他的频谱感知方案；如利用信号的相位信息进行频谱感知、利用信号相位差的方差进行频谱感知等。然而，传统频谱感知方案多基于理想假设，在信噪比低，先验信息缺少的恶劣通信环境中难以发挥感知作用。能量检测在低噪比或存在信道衰落的环境中，检测性能较差；此外，其门限值取决于噪声功率，检测准确度受噪声功率的不确定性影响较大。循环平稳特征检测方法复杂度较高，技术实用性较差；此外，该方法需要信号频率等先验信息以确定循环频率，检测性能受频率未知、频率失配等不确定因素影响较大。然而在实际环境中，通常难以获得噪声功率、信号频率等先验信息，多采用估计方法获得，且估计误差不可避免，此外由发送端和接收端同步误差引起的频率失配等问题不可避免，因此能量检测和循环平稳特征检测不适用于实际系统检测。现有基于相位感知的方案只考虑了相位分布范围、相位差方差等统计量，未能充分利用相位信息，感知性能受限。其中，基于相位范围的感知方案只适用于较好的的信道环境，难以区分低信噪比环境中的主用户信号和噪声；基于相位差方差的感知方案只关注方差这一统计量，未能深入研究相位差的概率分布，在处理复PSK调制信号时，性能低于能量检测，此外，相位差的方差与采样频率相关，导致该方案只适用于特定采样频率，不适用于实际检测。针对于上述现有技术存在的问题，本申请提供了一种基于相位差鲁棒统计特征的频谱感知方案，通过提取相位差鲁棒统计特征，并利用监督学习训练机器学习模型，学习特征，从而识别接收信号相位差概率分布的类别，在低信噪比衰落信道条件下，实现更加准确、更加鲁棒的频谱感知。以下，通过具体的实施例来详细说明本申请的方案。首先，本说明书一个或多个实施例提供了一种基于相位差鲁棒统计特征的频谱感知方法。参考图1，所述的基于相位差鲁棒统计特征的频谱感知方法，包括以下步骤：步骤S101、对接收到的接收信号进行采样处理；其中，所述采样处理得到若干采样点；步骤S102、分别计算相邻两个所述采样点的相位差，得到所述接收信号对应的相位差概率分布；步骤S103、对所述第一相位差概率分布进行特征提取，得到所述接收信号对应的相位差鲁棒统计特征；步骤S104、将所述相位差鲁棒统计特征输入预先训练的频谱感知模型，根据所述频谱感知模型的输出确定主用户信号是否存在。本实施例中，步骤S101至步骤S102具体包括：首先对接收端接收到的接收信号进行采样处理。接收信号可以通过如下公式表示：其中，y(n)为第n个采样点；fc为载波频率；fs为采样频率；A(n)为采样点的幅度；φ(n)为采样点的相位；h(n)为本文档来自技高网...

【技术保护点】
1.一种基于相位差鲁棒统计特征的频谱感知方法，其特征在于，包括：/n对接收到的接收信号进行采样处理；其中，所述采样处理得到若干采样点；/n分别计算相邻两个所述采样点的相位差，得到所述接收信号对应的相位差概率分布；/n对所述第一相位差概率分布进行特征提取，得到所述接收信号对应的相位差鲁棒统计特征；/n将所述相位差鲁棒统计特征输入预先训练的频谱感知模型，根据所述频谱感知模型的输出确定主用户信号是否存在。/n

【技术特征摘要】
1.一种基于相位差鲁棒统计特征的频谱感知方法，其特征在于，包括：
对接收到的接收信号进行采样处理；其中，所述采样处理得到若干采样点；
分别计算相邻两个所述采样点的相位差，得到所述接收信号对应的相位差概率分布；
对所述第一相位差概率分布进行特征提取，得到所述接收信号对应的相位差鲁棒统计特征；
将所述相位差鲁棒统计特征输入预先训练的频谱感知模型，根据所述频谱感知模型的输出确定主用户信号是否存在。


2.根据权利要求1所述的方法，其特征在于，当所述接收信号的载波频率已知时，所述对所述第一相位差概率分布进行特征提取，得到所述接收信号对应的相位差鲁棒统计特征，具体包括：
计算所述相位差概率分布的相对熵、最大值、最小值、起点值和终点值；
根据所述相对熵、最大值、最小值、起点值和终点值构建向量，以得到所述相位差鲁棒统计特征。


3.根据权利要求2所述的方法，其特征在于，当所述接收信号的载波频率未知时，所述对所述第一相位差概率分布进行特征提取，得到所述接收信号对应的相位差鲁棒统计特征，具体包括：
计算所述相位差概率分布的相对熵、最大值和最小值；
根据所述相对熵、最大值和最小值构建向量，以得到所述相位差鲁棒统计特征。


4.根据权利要求3所述的方法，其特征在于，还包括：
获取若干正弦调制信号和若干高斯噪声；
对所述正弦调制信号和所述高斯噪声，在载波频率已知的条件下进行特征提取，得到第一训练用相位差鲁棒统计特征；
对所述正弦调制信号和所述高斯噪声，在载波频率未知的条件下进行特征提取，得到第二训练用相位差鲁棒统计特征；
载波频率已知时，根据所述第一训练用相位差鲁棒统计特征，构建第一训练数据集；载波频率未知时，根据所述第二训练用相位差鲁棒统计特征，构建第二训练数据集；
通过所述第一训练数据集或所述第二训练数据集，对一初始的机器学习模型进行训练，并在训练结束后得到所述频谱感知模型。


5.根据权利要求1所述的方法，其特征在于，所述频谱感知模型...

【专利技术属性】
技术研发人员：许文俊，王阳，徐文波，王俊义，黄赛，高晖，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11