[发明专利]一种频谱检测与未知噪声方差跟踪估计方法与装置

说明书

技术领域

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)，分别基于两状态马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

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门技术之一。

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。

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

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力的方案。

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块。

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。

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。

本发明的优点是：

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；

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。

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；

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。

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。

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

图1为频谱感知接收端信号处理装置框图。