基于高阶统计量的压缩宽带频谱盲检测方法.docVIP

基于高阶统计量的压缩宽带频谱盲检测方法 　　摘要：针对认知无线网络中宽带频谱感知受到高速模数转换器（ADC）器件的技术限制，利用压缩感知理论（CS），采用压缩信号处理技术，直接对压缩观测数据进行分析，推导出宽带频谱检测的高阶判决统计量的概率分布特性，并在此基础上提出了一种基于高阶统计量的压缩宽带频谱盲检测算法（HOSCWSBD）。该算法无需任何有关主用户（PU）信号的先验知识、也无需事先重构出原信号就能实现宽带频谱检测。理论分析和仿真结果均表明，与传统的基于压缩感知理论且需要信号重构的压缩频谱感知算法以及基于Nyquist采样数据的非压缩宽带频谱感知算法相比，该算法具有计算复杂度低、感知性能稳定等优点。 　　关键词：高阶统计量；压缩采样；压缩信号处理；盲检测 　　中图分类号： TN92 　　文献标志码：A 　　0引言 　　目前，认知无线电（Cognitive Radio， CR）技术已被人们广泛认为是一种解决无线频谱资源稀缺与利用率低下之间矛盾的非常有效的解决方案[1]。CR通过动态频谱接入的方式，允许认知用户（或次用户）（Secondary User， SU）使用未被授权主用户（Primary User， PU）占用的频谱进行通信。为了能够接入授权频谱，SU必须连续不断地对分布较宽的频谱进行感知，以便获取空闲频谱供自己使用，同时保证不对PU的正常通信产生干扰。因此，宽带频谱感知是认知无线电网络 （Cognitive Radio Network， CRN）技术能否实现机会频谱接入的前提[2]，是CRN技术重要的组成部分和关键技术之一[3]。 　　根据传统的NyquistShannon采样定理可知，为了实现宽带频谱感知，要求模数转换器（AnalogtoDigital Converter，ADC）的采样速率至少是被采样信号带宽的两倍，甚至更高。然而，当前的ADC器件难以满足如此高速的采样要求。即使能实现，代价也十分高昂。因此，宽带频谱感知已成为制约CRN技术进一步发展的瓶颈。近些年来，国际学术界提出了压缩感知 （Compressed Sensing或Compressive Sampling， CS）理论[4-6]。CS理论大大减轻了数据获取端的压力，也降低了对传统ADC器件高速采样的技术要求。由CS理论可知：只要原信号在某个基上能稀疏表示，则我们就能以远低于Nyquist速率对数据进行压缩采样，并能从较少的数据中恢复原信号。在实际情形下，无线频谱的空闲率较高，使得无线电信号在频域具有天然的稀疏性。因此，CS理论为解决宽带频谱感知的技术瓶颈提供了理论依据。2007年，Tian等[7]首次提出了基于CS理论的宽带频谱感知算法；随后，文献[8]提出了一种基于CS理论的分布式宽带频谱感知算法；文献[9]提出了一种循环平稳特征的压缩宽带频谱感知算法。但是，以上算法的缺陷是均需要重构原信号后，才能实现频谱感知，这将大大增加算法的复杂度。文献[10]提出了直接利用压缩观测值进行非重构的压缩频谱感知方法。但是，这些方法仍然采用类似于能量检测（Energy Detection， ED）的频谱检测方案，当噪声出现波动和低信噪比的情况下，将会导致检测性能的急剧恶化。 　　针对上述问题，本文直接利用压缩采样数据，设计出了一种基于高阶统计量（HighOrder Statistics， HOS）的压缩宽带频谱盲检测算法（HOSCWSBD）。该算法直接利用压缩采样数据，无需信号重构也无需任何PU先验知识，就能实现宽带频谱检测。由于HOSCWSBD算法直接利用了压缩观测数据，使其采样数据量远少于Nyquist采样数据量，而且无需重构。因此，该算法比传统的基于各种重构方法的压缩宽带频谱感知算法的计算复杂度要低得多。此外，HOSCWSBD算法采用HOS作为频谱检测判决量，克服了类似ED频谱检测算法受高斯噪声波动的影响，从而提高了该算法在低信噪比情况下的检测性能。 　　1压缩感知理论及观测矩阵 　　假设任意实信号x∈RN可以在一组正交基{Φi}Ni=1（Φi为N维列向量）上线性表示，即： 　　x=∑Ni=1θiΦi=Φθ（1） 　　其中θ=[θ1，θ2，…，θN]T为N维系数列向量。在θ中，若只含有ρ个取值较大或非零的系数且满足ρN，则称信号x∈RN在N×N维正交基矩阵Φ=[Φ1，Φ2，…，ΦN]上是ρ稀疏的，即信号x在Φ域上可以稀疏表示。 　　将信号x∈RN通过一个M×N维矩阵Ψ（ρMN），则可以得到M个压缩观测序列y′： 　　y′=Ψx=ΨΦθ（2） 　　其中Ψ为压缩观测矩阵。根据CS理论可知，为了能从M个压缩观测值y′中以较高概率重构出原信号x，则Ψ必须满足有限等距性质（Restricted Isometry Propert