[发明专利]基于压缩感知与BP神经网络的认知无线电频谱感知方法

说明书

技术领域

本发明属于无线通信技术领域，具体的，涉及一种认知无线电频谱感知方法及系统。

背景技术

随着无线通信业务的广泛发展，频谱资源日趋匮乏，其主要原因是无线频谱接入技术的不合理——现有无线通信系统均采用低效率的固定信道分配策略。认知无线电被认为是解决该问题最行之有效的新技术之一，它允许认知用户在不影响频带内合法用户正常通信的前提下共享该频段。

频谱感知技术是认知无线网络设计的重要基础环节，只有实时快捷地了解主用户对频谱使用的情况，才能在不对其造成额外干扰的情况下实现无线频谱的二次利用、提高无线频谱利用率。

根据奈奎斯特采样定律：在进行模拟/数字信号的转换过程中，当采样频率                                                大于信号中最高频率的2倍（）时，采样后的数字信号能完整保留原始信息。在实际应用中一般要保证采样频率为信号最高频率的5～10倍，特别地在宽带甚至超宽带环境下，信号要实现无损采样需要很高的采样频率，这对采样硬件是一大考验。

由于现有无线通信系统均采用低效率的固定信道分配策略，无线频谱接入不合理，实际情况下主用户占用频谱情况具有很大的频域稀疏性。传统理论是这样处理这些稀疏信号的：为节省存储空间提高传送效率，会对稀疏信号做压缩处理。假设长度为N的信号x是K-稀疏的，采样器遵从奈奎斯特采样定律对信号采样后将信号投影至其稀疏域即，其中且。将这些非零参数及位置发送出去，在接收端将接受到的个分量放回相应位置中而其他位置填充零得到解压信号。

这种思路有着固有的缺点：

（1）由于采样速率要求高，信号长度会很长，因此正变换过程耗时较长；

（2）保留的个分量的位置是“自适应”的，需要空间存放分量位置；

（3）抗干扰性能差，由于这个分量是“最重要”的，传输过程中若丢失若干分量会带来严重后果。

发明内容

本发明所要解决的技术问题在于现有技术所存在的计算复杂度高、在线检测实时性差的不足，提供一种基于压缩感知与BP神经网络的认知无线电频谱感知方法及系统，将压缩感知技术应用于认知无线电的频谱检测，并用BP（Back-Propagation）神经网络取代复杂的重建算法，将计算复杂度从在线检测转移到离线的网络训练，从而可大幅提高检测系统的在线检测实时性。

压缩感知是一门新兴技术，提供了一种能够直接非自适应的估计不需抛弃多余分量的方法，它利用了稀疏信号的自相关特性，使用少量的投影来还原信号。这些投影的地位是等价的，因而在传输中丢失若干不会造成严重后果。与传统思路的高采样速率相比，压缩感知只简单采集一部分数据（而非全部数据），将复杂的处理部分交给数据还原端来做，在尽量少的数据中提取尽量多的信息，大大降低了需要的采样速率。压缩感知技术是传统信息论的一个延伸，却又为信号采集技术带来了革命性的突破，它采用非自适应线性投影来保持信号的原始结构，以远低于奈奎斯特频率采样信号，通过数值最优化问题准确重构。

然而压缩感知技术存在着一大劣势：由于重建算法是NP-hard问题，计算复杂，需要考虑个子空间的联合穷举。用最小算法来替代最小算法，可以在一定程度上降低复杂度，但是其算法复杂度也接近（表示信号长度），不适用于对能耗、时耗敏感的感知场景。此外频谱感知只是为了大致判断主用户使用频谱状况，获取太过精确的频域重建信号会造成系统资源的浪费。本发明利用BP神经网络的强大拟合功能替代压缩重建过程，将耗时从信号重建过程时转移至事先的网络训练上。从而既保留了压缩感知低采样率、低时间空间消耗、鲁棒性强、压缩过程简单等优点，又从本质上降低解压缩端的系统复杂度，达到实时性检测要求。

本发明具体采用以下技术方案解决上述技术问题。

基于压缩感知与BP神经网络的认知无线电频谱感知方法，包括训练过程和实际检测过程；其中，训练过程包括以下步骤：

步骤A1、对认知无线电的原始信号进行低于奈奎斯特速率的压缩采样，并对采集到的压缩采样数据进行1-bit量化处理；

步骤A2、以1-bit量化处理后的压缩采样数据作为训练输入，以实际频段占用情况作为训练输出，对BP神经网络检测器进行训练；  

实际检测过程包括以下步骤：

步骤B1、对认知无线电的原始信号进行低于奈奎斯特速率的压缩采样，并对采集到的压缩采样数据进行1-bit量化处理；