認知無線電的低噪聲頻譜感知方法

1頻譜感知技術為了提高通信系統的使用效率，我們必須考慮“日益緊張的光譜資源”的情況。認知無線電(CognitiveRadio,CR)一經Mitola提出便引起了廣泛的關注。CR的吸引力在于當授權用戶的頻帶未被使用時，CR將利用該頻帶進行無線通信，這樣可以大大提高頻帶資源的使用率，緩解日益匱乏的頻譜資源。CR為了避免對授權用戶產生干擾，必須能夠對外界頻譜使用進行非常穩定和高準確度的探測和識別。因此，頻譜感知技術是CR的前提。頻譜感知技術不僅要探測到授權用戶的存在，還要提供盡可能多的環境和用戶信息，如探測信號調制方式等。CR要求頻譜感知能夠準確地檢測出信噪比(SNR)大于某一門限值的授權用戶信號，通常這個SNR的門限值是很低的。因此，本文的目標是提高單節點在低信噪比條件下的感知能力，從而降低CR網絡的SNR門限。目前，信號識別的研究主要集中在利用信號循環平穩特征進行識別。自從Gardner提出循環平穩信號理論，基于此理論的自動信號探測識別的性能有了很大提高。國內外的一些研究機構已經發表了多種針對CR頻譜感知的信號調制方式識別方法(表1)。從表中可以看出，與其它特征相比，信號循環譜的α域包絡可以在更低的信噪比條件下使用。本文提出的方法基于了信號譜相關特性，利用二次識別，在低信噪比的條件下，可以得到比現有方法更高的信號分類準確率。本文在第2節介紹信號的循環譜特征，并分析噪聲對其的影響；第3節介紹識別方法；第4節從仿真試驗方面對識別性能作分析；最后對全文進行了小結。文中部分符號如下：Fc為載波頻率，Fd為符號率，Fs為信號采樣頻率。2循環譜相關函數循環平穩信號理論是由Gardner創立的，他指出循環平穩信號x(t)的特定階統計特性(均值和自相關函數)呈現周期性。循環譜相關函數就是根據此特性得到信號的循環譜特征，其最主要優點是能夠把噪聲能量和已調信號的能量區分開來。因此，循環平穩探測法具有很強的抗噪聲干擾的能力。信號x(t)循環譜相關函數的定義是其中f是頻率，a是循環頻率，Δt是矩形窗的大小，，是x(t)在時間間隔[t-T/2,t+T/2]的傅里葉變換。由循環譜相關函數可以得到信號x(t)在(f+a/2)和(f-a/2)處的譜分量之間的相關程度，即譜自相干系數，其定義為Cxa(f)是關于f和a的函數(圖1)。a域的包絡特征為給定α時Cxa(f)的最大值，即圖2～圖6為5種調制方式的信號在不同信噪比條件下的a域包絡。可以看出當信噪比大范圍波動時，同一種信號的a域包絡會發生一定的變化。然而，有個別位置的變化并不明顯，本文將這些位置的特征視為穩定特征。如AM和BPSK在a/Fs=0.5處有一個穩定特征；FSK會保留四個穩定特征，且其中一個在a/Fs=0.5處；MSK有兩個穩定特征，以a/Fs=0.5為中心對稱；QPSK僅當SNR>-8dB時，a/Fs<0.5處有一個極大值；否則，無明顯特征。利用這些穩定特征，可以在低信噪比的情況下提升識別準確率。3信號特征分類本文首先利用支持向量機(SupportVectorMachineSVM)分類方法對信號的a域包絡特征進行分類。通過對分類結果的分析，針對影響識別準確率的主要因素，提出了提高分類準確率的方法。3.1svm的分類結果SVM是Vapnik等人根據統計學習理論提出的一種機器學習方法，其最大特點是根據Vapnik的結構風險最小化原則，盡量提高學習的泛化能力，即由有限的訓練集樣本得到的小誤差仍能夠保證對獨立的測試集小的誤差。本文利用SVM對上述5種信號在SNR=-9～15dB范圍內的a域包絡特征進行分類，并根據文獻得到分類結果的置信度P。結果表明，在SNR≥0dB時，對各種調制方式信號的識別準確率均達到99.9%，而當SNR<0dB時，由于受到噪聲影響較大，分類準確率隨之降低(表2)。與表1中的算法相比，在利用相同信號特征，即循環譜的a域包絡特征的條件下，使用隱馬爾可夫模型、神經網絡和SVM3種模式識別方法的識別準確率大致相當。可見，單獨使用一種分類算法不能達到滿足使用要求的識別準確率，需要利用其它方法使其完善。3.2種分類器的設計目前，信號的調制方式識別中，將信號循環譜特征作為分類特征已經被普遍采用。但在低信噪比條件下，識別準確率尚不能滿足要求。究其原因，是因為在提取特征后，普遍采用了單一分類方法。任何一種分類方法都必須綜合考慮所有的樣本特征，從而得到最優解。雖然循環譜的a域包絡特征在低信噪比條件下，依然能夠保留幾個穩定特征，但是，穩定特征數量有限，占主導地位的還是非穩定特征，在低信噪比條件下這些特征值有明顯變化(圖2～圖6)，這種變化會降低分類器的分類性能。因此，在低信噪比條件下不能使用所有a域包絡特征作為分類特征，只能使用其穩定特征。在高信噪比條件下，待測樣本的非穩定特征受噪聲影響較小，與訓練樣本的特征相似程度高。因此，SVM的判決結果準確率高，而且置信度P較大。當P大于某一門限(THmod)時，判決結果100%正確。為了得到每種信號的門限，本文利用SVM，在不同信噪比條件下，對上述5種信號的循環譜的a域包絡特征進行分類，并得到每個判決結果的置信度P。然后，針對每類結果分別統計當置信度大于x時的準確率，x∈(0,1)。如圖7所示判決結果為BPSK的準確率與x曲線。最后，將準確率為100%時的最小x設為該類結果的門限值。判決結果不同，對應的門限值也不同，如THBPSK=0.69,THMSK=0.54,THQPSK=0.73。這說明，當結果為BPSK,MSK和QPSK的判決的置信度大于上述門限值時，該判決結果基本正確；否則，存在誤判可能。而判決結果為AM,FSK的判決均為正確結果(表2)，因此THAM和THFSK均為0。綜合上述分析，本文先利用SVM對待測信號進行一次識別，然后再對判決結果為BPSK,MSK和QPSK，且置信度小于THmod的信號，利用特征匹配進行二次識別。這樣做可以減小再次誤判可能性，而且可以減少對結果進行二次識別時間，從而減少頻譜感知時間。通過上述分析，本文設計了在高、低信噪比條件下，都能得到好高分類準確率的分類器。該分類器分為一次識別(SVM)和二次識別(特征匹配)兩部分，本文稱之為SVMandFeatureMatching分類器，簡稱SVMFM。SVMFM首先通過計算信號的譜自相干系數，得到其a域包絡特征；然后，利用SVM對信號進行一次識別，并得到置信度P。如果P>THmod，則判決結果為最終結果，否則利用二次識別進行結果驗證。二次識別利用了各信號的a域包絡特征中的穩定特征，將信號的該特征與可能的調制方式的穩定特征進行特征匹配。二次識別只針對一次識別的結果為BPSK,MSK和QPSK的信號，原因是由表2可知，當且僅當一次識別結果為這幾種調制方式時會有誤判的可能。下面舉例說明二次識別的具體過程。若一次識別的結果為BPSK，且P<THBPSK時，根據表2所示，其正確結果可能為BPSK,MSK或QPSK。因此，如果穩定特征僅在a/Fs=0.5處出現，則為BPSK；若a/Fs=0.5處無穩定特征，且其兩側對稱位置各有一個穩定特征，則為MSK；若僅在a/Fs<0.5處出現一個極大值或無明顯特征則為QPSK。4實驗結果與分析本文利用仿真試驗，比較了SVM和SVMFM對信號調制方式識別的性能。在實驗1中，選取AM,BPSK,FSK,MSK和QPSK5種信號各300個，Fc/Fs=0.25，作為訓練樣本對SVM分類器進行訓練。每種信號的信噪比范圍在SNR=-9～15dB，在同一信噪比條件下有12個信號。然后，每種信號選擇720個樣本，SNR=-14～15dB，分別利用SVM和SVMFM進行分類，分類結果如圖8所示。圖中顯示了在不同信噪比條件下，對每種信號的識別準確率。結果表明，在信噪比較高時，兩種方法的識別準確率均接近100%。然而，當SNR<-5dB時，SVMFM分類結果優于SVM。而且，與表1中的算法相比，本文的算法可以應用在更低的SNR條件下，而且信號識別準確率更高。因此，本文提出的基于信號循環譜特征的SVMFM識別方法能夠在更低的信噪比環境準確識別。為了檢驗本文方法對其它調制信號的識別效果，我們進行了實驗2。實驗中選取的信號包括上述5種調制信號以及4FSK,8FSK,GMSK和QAM16。在實驗2中，對SVM分類器進行了重新訓練，并重新選取了每類結果的門限值THmod，其它參數保持不變。實驗結果表明，當SNR>-5dB時，兩種方法對各種信號的識別準確率均可達到99.9%；當SNR=-10～-5dB時，如表3，表4所示，SVMFM的準確率明顯高于SVM。因此，本文提出的方法可以推廣于其它調制方式信號的識別。實驗中，有些參數可以影響識別的準確率。本文為了更好地比較不同方法在低噪比條件下的識別準確率，在試驗中將這些參數保持不變。這些參數是，信號的觀測時間定為5ms，各種信號的Fc,Fd和Fs的關系如圖2～圖6所示。5實驗結果與分析本文根據循環平穩信號的循環譜特性，提出了SVMFM識別方法。該方法利用二次模式識別，可以在低信噪比條件下