一种基于过采样的信号检测方法

摘要

本发明公开了一种基于过采样的信号检测方法,主要解决现有的检测算法的检测性能较差的问题。其实现步骤是：(1)对通信信号进行过采样；(2)对过采样后的样本进行不同时间偏置处理，再将处理的结果进行加权、融合，得到本方法的检测统计量；(3)将检测统计量与预设门限进行比较，判断目标信号是否存在。本发明可在先验信息相同的情况下，更好地利用通信信号的相关信息，具有更好的检测性能。

说明书

技术领域

本发明属于通信技术领域，涉及信号检测方法，特别涉及一种基于过采样的信号检测方法，可用于认知无线电系统中的频谱感知。

背景技术

目前，无线通信的重点已经向无线因特网、多媒体通信等需要较宽带宽和较高下载速率的服务转移。从移动电话到无线Internet，人们期望随时随地都可以获得可靠的带宽网络连接。然而，由于天线尺寸和功率等条件的限制，使得可以有效利用的频段十分有限。因此，作为一种不可再生资源的频谱资源已经成为了稀缺资源，频谱资源变得越来越紧张。

为了缓解频谱资源紧张的问题，提高频谱的利用效率，J.MITOLA等人提出了认知无线电的概念。其主要思想是实现认知用户(非授权用户)在对主用户(授权用户)不产生有害干扰的前提下共享频谱资源。频谱感知是认知无线电中关键技术之一，频谱感知的关键在于目标信号的检测。

为了提高检测性能，目前常用的频谱感知的方法主要有匹配滤波器检测、能量检测、循环平稳检测、基于协方差的检测、压缩感知以及合作检测。上述方法或多或少的需要一些先验信息，其中能量检测因复杂度低和实现简单而广泛应用。但是在实际的无线通信系统中，一般认知用户不知道主用户发射信号的先验信息，因此一些利用相关性信息和二阶统计量的信号检测方法相应被提出。但是这些信号检测方法没有有效地利用样本的不同相关性信息，从而检测性能不理想。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于过采样的信号检测方法，以解决在信噪比比较低的情况下感知性能较差的问题，在低信噪比情况下也能得到高检测概率，从而提高整体的检测性能。

为了完成上述目的，本发明的一种基于过采样的信号检测方法，包括如下步骤：

(1)使用远大于两倍采样信号带宽的采样频率对接收信号进行N点过采样，得到样本序列；

(2)对上述获得的样本序列进行循环移位后，计算相关信息R_δ；

(3)根据上述获得的相关信息R_δ，计算不同相关信息的第一权重A_δ、第二权重B_δ；

(4)根据上述获取的不同相关信息的权重计算检测统计量T：

(4.1)根据上述获得的相关信息R_δ和权重，获得只使用单一相关信息的统计量T_δ：

(4.2)将上述所得只使用单一相关信息的统计量进行融合，得到检测统计量T：

(5)给定检测门限ε>0，当检测统计量T大于检测门限ε时，则判定目标信号存在，当检测统计量T小于检测门限ε时，则判定目标信号不存在。

本发明具有以下优点：

本发明通过对样本序列相关信息加权、融合，获得检测统计量，充分利用了样本不同的相关性信息，与传统方法相比，在相同先验信息的情况下，具有更好的检测性能。

附图说明

图1是本发明的一种基于过采样的信号检测方法的流程图；

图2是本发明的一种基于过采样的信号检测方法的性能仿真图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1.使用远大于两倍采样信号带宽的采样频率对接收信号进行N点过采 样，得到样本序列；

令y＝[y[1],y[2],…,y[N]]^T表示接收信号过采样后的样本向量，N表示采样点数，y[1],y[2],…,y[N]表示第1,2…N个采样点，[·]^T表示向量的转置，在不同假设条件下第n个采样点用如下公式表示：

H₀:y[n]＝w[n]

H₁:y[n]＝s[n]+w[n]     [1]

式[1]中，H₀表示仅对噪声信号进行过采样的假设情况，H₁表示同时对目标用户信号和噪声信号进行过采样的假设情况，y[n]表示不同假设情况下接收信号经过过采样的第n个采样点，w[n]表示噪声信号经过过采样的第n个采样点，s[n]表示目标用户信号经过过采样的第n个采样点。

步骤2.对上述获得的样本序列进行循环移位后，计算相关信息R_δ；

对上述获得的样本序列进行循环移位后与原始样本按如下公式进行计算得到相关信息R_δ：

R_δ＝y^HS(y,δ)   [2]

式[2]中，y表示过采样后的样本向量，y^H表示样本向量y的共轭转置，S(y,δ)表示样本向量循环右移δ位后的向量，δ∈{0,1,…,N}，N表示采样点数；

步骤3.根据上述获得的相关信息R_δ，计算不同相关信息的第一权重A_δ、第二权重B_δ；

(3.1)根据(2)中所获得的相关信息R_δ，计算不同相关信息的第一权重参数第二权重参数按照如下公式计算：

$\left(\begin{array}{c}{\hat{u}}_{\delta ,1}=N\frac{N_s-\delta }{N_s}{\sigma }_s^2\\ {\hat{\sigma }}_{\delta ,1}^2=N^2[{\left(\frac{N_s-\delta }{N_s}\right)}^2+\frac{2{\delta }^2}{N{N}_s}]{\sigma }_s^2+N{\sigma }_w^4+2N{\sigma }_s^2{\sigma }_w^2\end{array}\right)---\left[3\right]$

式[3]中，表示第一权重参数，表示第二权重参数，N表示采样点数，N_s表示过采样率，表示信号功率，表示噪声功率；

(3.2)根据上述获得的权重参数，计算不同相关信息的第一权重A_δ和第二权重B_δ，按照如下公式计算：

$\left(\begin{array}{c}{A}_{\delta }=\frac{{\hat{\sigma }}_{\delta ,1}^2}{{\sigma }_{\delta ,0}^2}\\ B_{\delta }={\hat{u}}_{\delta ,1}\end{array}\right)---\left[4\right]$

式[4]中，A_δ表示第一权重，B_δ表示第二权重，表示第二权重参数，表示噪声功率，表示第一权重参数。

步骤4.根据上述获取的不同相关信息的权重计算检测统计量T；

(4.1)根据上述获得的相关信息R_δ和权重，计算只使用单一相关信息的统计量T_δ：

T_δ＝(A_δR_δ+B_δ)(A_δR_δ+B_δ)^*   [5] 

式[5]中，T_δ表示只使用单一相关信息的统计量，A_δ表示第一权重，B_δ表示第二权重，R_δ表示相关信息，(·)^*表示矩阵的共轭转置；

(4.2)将上述所得只使用单一相关信息的统计量进行融合，得到检测统计量T：

$T=\underset{\delta =1}{\overset{N_s-1}{\Sigma }}{T}_{\delta }---\left[6\right]$

式[6]中，T表示检测统计量，δ表示循环右移的位数，N_s表示过采样率,T_δ表示只使用单一相关信息的统计量；

步骤5.给定检测门限ε>0，当检测统计量T大于检测门限ε时，则判定目标信号存在，当检测统计量T小于检测门限ε时，则判定目标信号不存在。

为了验证我们提出的一种基于过采样的信号检测方法的性能，我们采用检测概率和虚警概率来定量分析其检测性能。

由大数定理可知，只使用单一相关信息的统计量T_δ近似为高斯分布，而检测统计量T是T_δ的线性集合，则T也是服从高斯分布的，因此，我们可以得到虚警概率和检测概率分别为：

$\left(\begin{array}{c}P(T>ϵ|H_0)\approx Q\left(\frac{\sqrt{2ϵ}-\sqrt{2C_0}}{\sqrt{N_s-1}{\sigma }_{\mathrm{1,0}}}\right)\\ P(T>ϵ|H_1)\approx Q\left(\frac{\sqrt{2ϵ}-\sqrt{2C_1}}{\sqrt{{\Sigma }_{k,j}{\Gamma }_1[k,j]}}\right)\end{array}\right)---\left[7\right]$

其中，

$\left(\begin{array}{c}{C}_0=\underset{\delta =1}{\overset{N_s-1}{\Sigma }}{\hat{u}}_{\delta ,1}/(\frac{{\hat{\sigma }}_{\delta ,1}^2}{{\sigma }_{\delta ,0}^2}-1)\\ C_1=\underset{\delta =1}{\overset{N_s-1}{\Sigma }}({\hat{u}}_{\delta ,1}+{\hat{u}}_{\delta ,1}/(\frac{{\hat{\sigma }}_{\delta ,1}^2}{{\sigma }_{\delta ,0}^2}-1))\\ {\Gamma }_1[k,j]=\left(\begin{array}{c}\frac{N{k}^2}{N_s}{\xi }^2{\sigma }_s^4+N{\sigma }_w^4+2\mathrm{N\xi }{\sigma }_s^2{\sigma }_w^2,k=j\\ \frac{N{k}^2}{N_s}{\xi }^2{\sigma }_s^4+\frac{2N(N_s-|k-j\left|\right)}{N_s}\xi {\sigma }_s^2{\sigma }_w^2,k\ne j\end{array}\right)\end{array}\right)---\left[8\right]$

式[7][8]中，P(T＞ε|H₀)表示虚警概率，P(T＞ε|H₁)表示检测概率，Q(·)表示标准正态分布Q函数，ε表示检测门限，N_s表示过采样率，Γ₁[·]表示自相关函数，k表示Γ₁[·]函数的第一参数，j表示Γ₁[·]函数的第二参数，表示第一权重参数，表示第二权重参数，δ表示循环右移的位数，表示信号功率，表示噪声功率，ξ表示服从指数分布的瑞利衰落因子。

本发明的效果可以通过以下仿真进一步说明：

A、仿真条件 

采样频率为10MHz，符号速率为1MHz，信噪比SNR(dB)为-15dB，采用8PSK调制，进行了1000次的仿真。

B、仿真内容 

ED代表采用能量检测算法计算相关的漏检概率P_d和虚警概率P_f，Pro1和Pro2代表本发明,Pro1代表未进行步骤4中(4.2)操作时得到的性能曲线，Pro2表示进行了步骤4中(4.2)操作后得到的性能曲线；δ＝1,4,8,9,10,11,Pro1分别代表采样序列循环右移1,4,8,9,10,11位，利用单一相关信息的检测统计量的性能曲线；Σ，Pro2代表利用不同相关信息的检测统计量的性能曲线，仿真分析了基于过采样和相关信息加权的信号检测方法与能量检测法检测性能对比，仿真性能如图2。

C、仿真结果 

由图2可见，能量检测法ED的性能曲线在Pro2和δ＝1，Pro1性能曲线的下方，Pro2情况下的性能曲线为各种检测方法获得性能曲线的上限，在虚警概率P_f一定的情况下可以获得最大的检测概率P_d，δ＝1，Pro1只利用单一相关信息曲线与Pro2曲线最为接近，因此检测性能也相对较好，二者信号检测性能均好于能量检测算法的检测性能。

综合上述仿真结果和分析，本发明所提出的一种基于过采样的信号检测方法通过对相关信息加权、融合获得检测统计量，充分利用样本的相关性，有效的避免了信噪比不确定时的影响，与能量检测法相比,在同等先验概率的情况下，提高了信号检测性能。