基于多尺度功率譜子帶梯度的寬帶頻譜感知算法與性能分析

張洋，彭華，鞏克現(xiàn)

?

基于多尺度功率譜子帶梯度的寬帶頻譜感知算法與性能分析

張洋，彭華，鞏克現(xiàn)

（解放軍信息工程大學(xué)信息系統(tǒng)工程學(xué)院，河南鄭州 450001）

為了應(yīng)對復(fù)雜環(huán)境下非合作通信、電磁頻譜監(jiān)管等寬帶接收中存在的先驗信息缺失、信道失真嚴(yán)重以及頻域呈現(xiàn)不平坦色噪聲的挑戰(zhàn)，提出一種基于多尺度功率譜子帶梯度的寬帶頻譜感知算法，該算法不要任何的先驗信息，對功率譜進(jìn)行分段計算梯度，再進(jìn)行自適應(yīng)雙閾值檢測，通過多尺度的技巧提高了寬帶頻譜感知的穩(wěn)定性。對該算法在不同信道模型下的統(tǒng)計特性、虛警概率、檢測概率以及判決門限的表達(dá)式進(jìn)行了理論推導(dǎo)。理論分析和實驗仿真表明，算法適用于高斯噪聲信道和平坦衰落信道，能夠有效克服色噪聲，并且能夠?qū)崿F(xiàn)用戶頻帶范圍定位，運算復(fù)雜度低、實時性強(qiáng)，對噪聲不確定度具有穩(wěn)健性，能夠用于低信噪比場合。

寬帶頻譜感知；功率譜子帶；多尺度；色噪聲；衰落信道；低信噪比

1 引言

目前，在認(rèn)知無線電領(lǐng)域迫切需要在不干涉主用戶正常通信的前提下，快速找到和利用好頻譜空穴，為子用戶通信提供條件，提高頻譜利用率，這種能力常被稱為寬帶頻譜感知。但是在復(fù)雜環(huán)境下非合作通信、電磁頻譜監(jiān)管等寬帶接收中，需要在面對先驗信息缺失、信道失真嚴(yán)重以及噪聲為頻域不平坦的高斯色噪聲等條件下完成頻譜感知，這對傳統(tǒng)的頻譜感知算法帶來了巨大的挑戰(zhàn)。

傳統(tǒng)的頻譜感知方法主要有能量檢測、匹配濾波、特征值檢測、奇異值檢測、循環(huán)平穩(wěn)檢測以及聯(lián)合頻譜感知等。這些方法中，能量檢測法由于不需要任何的先驗信息和較低的運算復(fù)雜度得到了廣泛的青睞。Iker Sobron等[1]通過在傳統(tǒng)的能量檢測法的基礎(chǔ)上引入代價函數(shù)，降低了虛警概率。文獻(xiàn)[2,3]分別利用能量法聯(lián)合特征值檢測、能量法聯(lián)合循環(huán)譜的兩級檢測器，提高了信號檢測的準(zhǔn)確度。文獻(xiàn)[4,5]通過找最低能量子帶提取噪聲信息，給出改進(jìn)的能量檢測器，更加容易地找到頻譜空穴。曹開田[6]運用RMT隨機(jī)矩陣?yán)碚摲治鼋邮招盘枀f(xié)方差矩陣的最大特征的分布，給出了一種雙閾值頻譜感知算法，但是要求噪聲為高斯白噪聲。文獻(xiàn)[7~10]給出了寬帶信號中窄帶信號的LAD雙閾值定位算法，為尋找頻譜空穴提供了有力的條件。在多天線模型下，文獻(xiàn)[11~13]給出了高斯信道下能量法的聯(lián)合頻譜感知算法，提高了感知性能。

但是在寬帶接收機(jī)中，由于器件的非線性以及阻抗不匹配等原因，噪聲方差呈現(xiàn)不確定性，文獻(xiàn)[14,15]分析噪聲不確定性對能量檢測器的影響，給出了噪聲墻的閉合表達(dá)式。為了克服噪聲不確定性，Huang等[16]給出了基于循環(huán)譜檢測器的表達(dá)式，但是計算量大。Gao等[17]基于劃分頻譜的思想將子帶能量和整段頻譜能量比值作為檢驗統(tǒng)計量，有效克服了噪聲不確定性。但是，以上方法都把噪聲假設(shè)為高斯白噪聲，但是實際寬帶接收機(jī)中噪聲在頻域呈現(xiàn)出不平坦性，最大起伏可以達(dá)到5 dB[18]。文獻(xiàn)[19]在劃分頻譜的基礎(chǔ)上，將子帶能量做差分運算，利用雙閾值檢測，克服了不平坦色噪聲的影響。同時，由于衰落信道模型更能描述和接近實際信道環(huán)境，因此，研究衰落信道下的頻譜感知更具有現(xiàn)實意義，衰落信道下寬帶頻譜感知算法不多，基本都圍繞聯(lián)合感知思想[20~22]，提高判決置信度。

為了應(yīng)對復(fù)雜環(huán)境下非合作通信寬帶接收帶來的挑戰(zhàn)，本文給出一種基于多尺度功率譜子帶梯度的寬帶頻譜感知算法（MPSG, multi-scale power spectral density subband gradient），該算法不要任何的先驗信息，抓住色噪聲滿足連續(xù)性的特征，對功率譜進(jìn)行分段求梯度處理，克服了色噪聲的影響，利用多尺度因子提高了檢測信號個數(shù)的穩(wěn)定性，通過增加3個后續(xù)調(diào)整單元進(jìn)一步提高寬帶信號檢測的穩(wěn)健性，該算法在無線高斯噪聲信道和平坦衰落信道均適用。首先給出算法模型，然后給出算法實現(xiàn)步驟和流程，接著進(jìn)行詳細(xì)推導(dǎo)算法的統(tǒng)計特性、虛警概率、判決門限和檢測概率的閉合表達(dá)式，最后進(jìn)行實驗仿真，主要測試算法針對噪聲不確定度、高斯色噪聲和衰落信道環(huán)境中的性能。

2 系統(tǒng)模型

對于寬帶信號頻域每一子帶是否空閑可以用二元假設(shè)來表示

3 MPSG算法步驟

為了克服在色噪聲環(huán)境下單閾值FCME算法[10]漏檢的情況，本文采用雙閾值功率譜子帶梯度檢測算法，通過功率譜子帶劃分求每一子帶平均功率，檢測子帶功率譜梯度值的變換情況完成信號的檢測和窄帶信號頻帶范圍定位。由于寬帶信號帶寬內(nèi)窄帶信號的符號速率不同以及成形濾波滾降系數(shù)不同，從而造成窄帶信號帶寬不同且過渡帶坡度不同，對功率譜使用單一的分段數(shù)存在缺陷，過小則會造成多個窄帶信號可能區(qū)分不開，被檢測為同一個信號，過大可能造成一個帶寬較大的信號被切分，從而造成信號檢測個數(shù)紊亂。因此需要找到一個大小合適的分段數(shù)。本文采用多尺度分段數(shù)進(jìn)行子帶劃分以尋求最優(yōu)分段數(shù)。同時，為了避免過小和過大對寬帶頻譜感知的影響，本文算法在后面增加3個調(diào)整單元。圖1給出了算法的整個計算流程，具體步驟如下。

Step1 接收信號經(jīng)過A/D采樣和抗混疊濾波后，連續(xù)取幀寬帶數(shù)據(jù)，為每幀數(shù)據(jù)采樣點數(shù)，對數(shù)據(jù)進(jìn)行Welch功率譜估計，為了避免不必要的歸一化問題，設(shè)，接收信號的頻域信息可以由DFT變換進(jìn)行刻畫

DFT得到的功率譜是對稱的，所以只需保留一半的頻率點。再對幀數(shù)據(jù)進(jìn)行時域平滑得功率譜估計

(4)

Step2 對Step1得到的功率譜估計進(jìn)行分段，段數(shù)為，然后對每一段數(shù)據(jù)進(jìn)行取平均值，得到子帶功率譜均值

(6)

Step4 為了降低運算量，尺度因子設(shè)為4，依次從取樣，判斷是否是最后一個尺度，如果是，返回Step2，否則，分析個數(shù)檢測結(jié)果。4個尺度因子對應(yīng)4個結(jié)果，計算4個結(jié)果的梯度，取梯度變化最小的結(jié)果確定為初次檢測個數(shù)；通過多尺度因子，每種尺度因子檢測出的信號個數(shù)是不盡相同的，因此選擇檢測信號個數(shù)趨于穩(wěn)定的尺度因子下決定最佳尺度因子。

Step5 對于Step4得到的檢測結(jié)果，仍然可能出現(xiàn)4種情況，分別是信號合并、信號切分、漏檢和虛檢。對于漏檢則不能進(jìn)一步彌補(bǔ)，而其他3種情況，分別對應(yīng)圖1的3個算法調(diào)整單元進(jìn)行彌補(bǔ)和改進(jìn)。對于信號合并現(xiàn)象，依次取出已檢信號，使用子帶劃分原理，逆向進(jìn)行信號檢測，進(jìn)一步分割窄帶信號。

Step6 對于信號切分現(xiàn)象，依次取出當(dāng)前已檢信號和下一個已檢信號，通過比較2個窄帶信號與中間帶寬的能量，構(gòu)建檢測統(tǒng)計量，與閾值比較，完成信號合并。

Step7 對于虛警現(xiàn)象，設(shè)置恒虛警概率得到判決門限，依次取出已檢信號，比較信號能量和門限的大小，完成除虛警操作。最后，如果MPSG算法檢測個數(shù)為0，表示成立，寬帶頻譜沒有信號；反之，MPSG算法檢測個數(shù)大于等于1，表示成立，MPSG算法同時給出信號個數(shù)以及每個窄帶信號頻帶范圍定位，最終完成整個寬帶信號的檢測。

3.1 多尺度子帶劃分梯度檢測單元

對于多尺度子帶劃分梯度檢測單元，具體流程如圖2所示，利用數(shù)值相等符號相反的雙閾值用來與子帶功率譜均值梯度相比較，會出現(xiàn)3種情況，如圖3所示。判斷準(zhǔn)則，只有一個值穿過上閾值，并且下個穿過也是上閾值，則表示當(dāng)前子帶是噪聲子帶，如Case1；或者，只有一個穿過下閾值，并且下一個穿過的也是下閾值，表示當(dāng)前子帶是噪聲子帶，如Case3；當(dāng)?shù)谝粋€值穿過上閾值，并且下一個穿過的下閾值，則表示信號子帶，如Case2。

3.2 去除信號合并現(xiàn)象調(diào)整單元

由于寬帶內(nèi)各窄帶信號的符號速率大小不一，并且各窄帶信號頻譜可能出現(xiàn)部分重疊現(xiàn)象，從而造成檢測時將多個窄帶信號看成一個信號，因此需要添加調(diào)整單元去除此類現(xiàn)象。對于檢測到得每一個窄帶信號都存在信號合并現(xiàn)象的隱患，因此，需要對檢測出的窄帶信號進(jìn)行逐一分析，目的是檢測信號中間有無分隔間隔，因為信號間隔定位與信號定位特點類似。不同的是，信號定位是先出現(xiàn)正梯度再出現(xiàn)負(fù)梯度，而信號間隔定位實際是2個信號的間隔，滿足先出現(xiàn)負(fù)梯度再出現(xiàn)正梯度，因此，去除信號合并方法與上一小節(jié)多尺度子帶劃分梯度檢測單元類似，對每一個窄帶信號逆向使用圖2流程檢測，唯一不同是將Case2反過來，進(jìn)行進(jìn)一步的子帶劃分，反用此方法判斷準(zhǔn)則。具體操作如下。

1) 取出每一個“已經(jīng)定位出的窄帶信號”。

2) 逆向使用圖2流程檢測，反用此方法判斷準(zhǔn)則，即當(dāng)?shù)谝粋€值穿過下閾值，并且下一個穿過的上閾值，可以檢測當(dāng)前信號的末端和下一個信號的開端，則表示此區(qū)間為信號的分隔間隔，同時可以實現(xiàn)2個信號的位置定位。

4) 依次取出下一個“已經(jīng)定位出的窄帶信號”，可以檢測當(dāng)前信號的末端和下一個信號的開端，從而完成了信號間隔的檢測，完成去信號合并現(xiàn)象模塊功能。

3.3 去除信號切分現(xiàn)象調(diào)整單元

當(dāng)進(jìn)行圖1算法中多尺度子帶劃分梯度檢測時，由于子帶劃分與信號頻譜形狀不匹配，坡度較平緩，可能出現(xiàn)一個帶寬較大的信號檢測時切分成多個窄帶信號，為了克服此類現(xiàn)象，需要構(gòu)建檢測統(tǒng)計量去除此類現(xiàn)象。當(dāng)寬帶信號被切分時，信號左右兩側(cè)檢測出來的窄帶信號中間間隔能量較高，而不存在切分現(xiàn)象時，相鄰的2個窄帶信號中間間隔基本是噪聲能量較低，因此可以根據(jù)這個特征構(gòu)建檢測統(tǒng)計量，當(dāng)統(tǒng)計量大于預(yù)設(shè)門限值，則認(rèn)為信號被切分需要進(jìn)行信號合并，否則，不需要。

(9)

3.4 去除信號虛警現(xiàn)象調(diào)整單元

這是整個算法的最后一個環(huán)節(jié)，由于自適應(yīng)閾值為了盡可能少的漏檢可能設(shè)置偏低，這可能會造成信號虛檢，為了克服此類現(xiàn)象，根據(jù)系統(tǒng)要求檢測到最低信噪比SNR，對每一個檢測出的窄帶信號進(jìn)行檢測，取出窄帶信號頂端最高幅值以及信號兩側(cè)噪聲幅值，構(gòu)建信噪比檢測統(tǒng)計量，如果小于系統(tǒng)最低信噪比SNR，則表示虛警，從檢測集合中剔除此信號，反之，信號不存在虛警。

4 MPSG算法性能分析

本節(jié)將從算法的統(tǒng)計特性、虛警概率、判決門限和檢測概率等方面分別進(jìn)行性能分析。

4.1 統(tǒng)計特性

為了在寬帶頻譜上進(jìn)行信號檢測，需要分析估計功率譜的統(tǒng)計特性。在單次DFT當(dāng)中，對于的實部和虛部可以等效為零均值的高斯變量[23]。在該假設(shè)下每一根周期圖譜線的幅度都是指數(shù)分布的隨機(jī)變量，其概率密度為

4.2 虛警概率、判決門限和檢測概率

(13)

針對平坦衰落信道，可能是Rayleigh和Rice 2種衰落信道模型之一，為了方便分析，統(tǒng)一假設(shè)信道系數(shù)為復(fù)高斯隨機(jī)變量，。對于Rayleigh信道，取歸一化系數(shù)=0，=1，對于Rice信道，取歸一化系數(shù)，，其中，表示Rice因子，。代入式(12)和式(14)，可求得對應(yīng)虛警概率和檢測概率。

4.3 復(fù)雜度分析

本文算法復(fù)雜度主要由3部分產(chǎn)生：1）功率譜估計；2）多尺度子帶劃分梯度檢測；3）3個調(diào)整模塊。為了方便分析，采用與ED能量檢測法進(jìn)行對比，綜合考慮復(fù)數(shù)加法和復(fù)數(shù)乘法次數(shù)。但是由于后續(xù)調(diào)整模塊的運算量與初次檢測信號個數(shù)有關(guān)，所以假設(shè)初次檢測個數(shù)為。在本文算法中，功率譜估計復(fù)數(shù)加法次數(shù)為，復(fù)數(shù)乘法次數(shù)為；多尺度個數(shù)為4，多尺度子帶劃分梯度檢測單元主要包含功率譜分段平均、計算梯度和閾值檢測，綜合復(fù)數(shù)加法次數(shù)為，復(fù)數(shù)乘法次數(shù)為；3個調(diào)整模塊運算量主要集中在前2個模塊中，去除虛警模塊主要是閾值比較，不產(chǎn)生運算量，所以復(fù)數(shù)加法次數(shù)為，復(fù)數(shù)乘法次數(shù)為。ED能量檢測法其實和本文算法功率譜估計產(chǎn)生的運算量是一樣，復(fù)數(shù)加法次數(shù)為，復(fù)數(shù)乘法次數(shù)為。

通過表1可以得知，本文算法分別在復(fù)數(shù)加法和復(fù)數(shù)乘法比ED能量法多和次，舉例說明，當(dāng)，，，，ED算法復(fù)數(shù)加法次數(shù)為107 008，復(fù)數(shù)乘法次數(shù)為56 320，本文算法復(fù)數(shù)加法次數(shù)110 928，復(fù)數(shù)乘法次數(shù)為99 404，可以看出復(fù)雜度是相同數(shù)量級，但性能卻得到很大提升。

表1 算法計算量對比分析

5 算法仿真

5.1 抗色噪聲性能

假設(shè)高斯色噪聲信道，色噪聲不平坦起伏最大為3 dB，寬帶接收機(jī)帶寬為1 100~1 140 MHz，2個待檢窄帶信號載頻分別為1 114 MHz和1 138 MHz，帶寬分別為600 kHz和860 kHz，信噪比分別為1 dB和?3 dB，調(diào)制方式均為8PSK，接收機(jī)采樣率是80 MHz，虛警率恒設(shè)為0.01。

圖4給出了在變化噪聲基底的情況下，F(xiàn)CME單閾值檢測算法和本文算法對2個待檢信號的檢測情況。由圖觀察可知，由于載頻在1 138 MHz的信號能量比載頻在1 114 MHz信號區(qū)域的噪聲能量低，因此1 138 MHz信號淹沒在色噪聲里面，圖4(a)使用FCME單閾值算法不能檢測到1 138 MHz的信號，而圖4(b)使用本文算法可以正確檢測到信號，驗證了本文算法對抗色噪聲的穩(wěn)健性。

5.2 衰落信道下MPSG算法性能

圖5和圖6對比了本文算法在高斯信道和衰落信道下的檢測結(jié)果。仿真配置如下，假設(shè)某寬帶接收機(jī)帶寬范圍內(nèi)存在20個窄帶信號，調(diào)制方式集合為{BPSK、QPSK、8PSK、8QAM、16QAM、GMSK}，窄帶信號帶寬為100 kHz~2 MHz，信噪比為?3~14 dB，衰落信道為Rice信道，徑數(shù)為3，能量衰減分別為{0 dB、?5 dB、?8 dB}，時延隨機(jī)分布在窄帶信號符號速率的3~5倍。

圖5中，在高斯信道下，檢測結(jié)果為20/20，即全部窄帶信號均檢測出來，不存在漏檢和虛檢情況，最低可檢測信噪比。圖6中，Rice衰落信道下，檢測結(jié)果為22/20，即檢測到22個信號，多檢出的2個信號是第7個窄帶信號被切分3個窄帶信號，導(dǎo)致2個信號虛警，而去除信號切分現(xiàn)象調(diào)整單元之所以沒能抑制窄帶信號被切分現(xiàn)象的原因，是因為信號經(jīng)過衰落信道后失真非常嚴(yán)重，窄帶信號經(jīng)過衰落之后會變成2到3個峰值，衰落幅度已經(jīng)超過3 dB，算法認(rèn)為已經(jīng)是3個獨立的窄帶信號，所以檢測有誤。

5.3 抗噪聲不確定度性能

圖7對比了能量檢測法和本文算法在AWGN信道下正確檢測概率與信噪比的關(guān)系以及考量噪聲不確定度帶來的影響。噪聲不確定度指的是噪聲方差在區(qū)間均勻分布，其中，不確定度系數(shù)，表示噪聲方差，當(dāng)dB時，即不存在噪聲不確定度，噪聲方差是定值。圖8對比了本文算法在AWGN、Rice和Rayleigh 3種信道模型下的正確檢測概率并且同時考量噪聲不確定度帶來的影響。

由圖7觀察可知，在噪聲為平坦的高斯白噪聲條件下，且不存在噪聲不確定度時，能量檢測法優(yōu)于本文算法，因為做梯度差分時有幅度性能損失，但是隨著不確定度增加，本文算法在的檢測概率仿真曲線與理論值基本重合，在不確定度2 dB條件下要優(yōu)于比能量法在1 dB不確定下檢測性，體現(xiàn)出本文算法優(yōu)勢，在不確定度為2 dB條件下，信噪比時，正確檢測概率可以達(dá)到90%以上。由圖8觀察可知，隨著信道條件的逐步惡化，正確檢測概率在逐步降低，AWGN信道檢測效果最好，Rice信道檢測效果居中，Rayleigh信道檢測效果最差。噪聲不確定度對寬帶信號檢測影響不是很大，驗證了對抗色噪聲以及不確定度影響的穩(wěn)健性。圖9觀察可知，在時，不存在在噪聲不確定度時，2種算法ROC曲線均非常接近理論值，本文算法性能略低于ED算法，通過仿真驗證，仿真值與理論值基本一致。

6 結(jié)束語

多尺度功率譜子帶梯度的寬帶頻譜感知算法能夠抓住色噪聲滿足連續(xù)性的特征，不要任何的先驗信息，完成頻譜感知以及信號定位。實驗仿真表明，本文算法在抗色噪聲方面比傳統(tǒng)能量檢測法有優(yōu)勢，同時算法針對噪聲不確定度和低信噪比有較好的穩(wěn)健性，而且復(fù)雜度仍在同等數(shù)量級上，運算復(fù)雜度低，實時性強(qiáng)。另外，該算法無線高斯噪聲信道和平坦衰落信道均適用，并且實驗仿真曲線和理論曲線基本一致，驗證了算法的有效性。因此，多尺度功率譜子帶梯度的寬帶頻譜感知算法可以應(yīng)用在復(fù)雜電磁環(huán)境下的電磁頻譜監(jiān)管和認(rèn)知無線電中。

[1] IKER S, PAULO S R. Energy detection technique for adative spectrum sensing[J]. IEEE Transactions on Communications, 2015, 63(3): 617-627.

[2] MOHAMED H, NICLAS B. Energy and eigenvalue-based combined fully-blind self-adapted spectrum sensing algorithm[J]. IEEE Transactions on Vehicular Technology, 2015,99:1.

[3] NAIR P R, VINOD A P, SMITHA K G. Fast two-stage spectrum detector for cognitive radios in uncertain noise channels[J]. IET Communications, 2012, 6(11):1341-1348.

[4] ABHAY S, CHANDRA R. Group testing-based spectrum hole search for cognitive radios[J]. IEEE Transactions on Vehicular Technology, 2014, 63(8):3794-3805.

[5] TADILO E B. Wideband sensing and optimization for cognitive radio networks with noise variance uncertainty[J]. IEEE Transactions on Communications, 2014, 63(4): 1091-1105.

[6] 曹開田, 楊震. 基于隨機(jī)矩陣?yán)碚摰腄ET合作頻譜感知算法[J]. 電子與信息學(xué)報, 2010, 01:129-134.

CAO K T, YANG Z. DET cooperative spectrum sensing algorithm based on random matrix theory[J]. Journal of Electronics and Information Technology, 2010, 01:129-134.

[7] JOHANNA V, HARRI S. A blind signal localization and SNR estimation method[C]//Military Communications Conference. c2006:1-7.

[8] JANNE J L, J V. Analysis of the LAD Methods[J]. IEEE Letters on Signal Processing, 2008, 15:237-240.

[9] VARTIAINEN J, LEHTOM?KJ J J, SAARNISAARI H. Double threshold based narrowband signal extraction[C]//IEEE 61st Vehicular Technology Conference. c2005:1288-1292.

[10] JOHANNA V, HELI S. Spectrum sensing with LAD based methods[C]//IEEE 18th International Conference on Personal Indoor and Mobile Radio Communications. c2007:1-5.

[11] LIU C, LI M. Blind energy based detection for spatial spectrum sensing[J]. IEEE Letters on Wireless Communications, 2015, 4(1):98-101.

[12] KHALID H. Cooperative multiband joint detection with correlated spectral occupancy in cognitive radio networks[J]. IEEE Transactions on Signal Processing, 2012,60(5):2682-2687.

[13] AN T, SONG I, LEE S W. Detection of signals with observations in multiple subbands: a scheme of wideband spectrum sensing for cognitive radio with multiple antennas[J]. IEEE Transactions on Wireless Communications, 2014, 13(12):6968-6981.

[14] 劉鑫, 譚學(xué)治, 徐貴森. 噪聲不確定下認(rèn)知無線電能量檢測性能的分析[J]. 四川大學(xué)學(xué)報（工程科學(xué)版）, 2011, 06:168-172.

LIU X, TAN X Z, XU G S. Performance analysis of energy detection for cognitive radio under noise uncertainty[J]. Journal of Sichuan University(Engineering Science Edition), 2011,06:168-172.

[15] 謝顯中, 胡小峰, 馬彬. 噪聲功率不確定性區(qū)間估計和降低SNRWALL惡化的能量檢測算法[J]. 電子與信息學(xué)報, 2014, 02:364-370.

XIE X Z, HU X F, MA B. Estimation of noise power uncertainty interval and energy detector with lowering SNR WALL deterioration[J]. Journal of Electronics and Information Technology, 2014, 02:364-370.

[16] HUANG G J, JITENDRA K T. On cyclostationarity based spectrum sensing under uncertain Gaussian noise[J]. IEEE Transactions on Signal Processing, 2013,61(8):2042-2054.

[17] GAO R, LI Z, QI P H. A robust cooperative spectrum sensing method in cognitive radio networks[J]. IEEE Letters on Communications, 2014, 18(11): 1987-1990.

[18] 王永明, 張爾楊, 趙津麗. 應(yīng)用形態(tài)學(xué)濾波的寬帶偵察接收機(jī)信號檢測新方法[J]. 應(yīng)用科學(xué)學(xué)報, 2009, 27(4):343-347.

WANG Y M, ZHANG E Y, ZHAO J L. Signal detection in broadband econnaissance receiver based on morphological filter[J]. Journal of Applied Sciences, 2009, 27(4):343-347.

[19] SANTASRIL K, VISHAL M. Gradient based real time spectrum sensing at low SNR[J]. IEEE Letters on Communications, 2015,19(3): 391-394.

[20] LI B, ZHAO C L, SUN M W. Spectrum sensing for cognitive radios in time variant flat fading channels: a joint estimation approach[J]. IEEE Transaction on Communications, 2014, 62(8):2665-2680.

[21] SUN H J, ARUMUGAM N. Cooperative wideband spectrum sensing over fading channels[J]. IEEE Transactions on Vehicular Technology, 2015, 99:1.

[22] DERAKHTIAN M, IZEDI F. Cooperative wideband spectrum sensing for cognitive radio networks in fading channels[J]. IET Signal Processing, 2012, 6(3):227-238.

[23] MARTIN R. Noise power spectral density estimation based on optimal smoothing and minimum statistics[J]. IEEE Transactions on Speech and Audio Processing, 2001, 9(5): 504-512.

Multi scale power spectral density subband gradient-based spectrum sensing algorithm and performance analysis

ZHANG Yang, PENG Hua, GONG Ke-xian

(Institute of Information System Engineering, PLA Information Engineering University, Zhengzhou 450001, China)

In response to the challenge of the complex environment such as non-cooperative communication and wideband electromagnetic spectrum regulation, where existing missing priori information, serious channel distortion and uneven color noise in frequency domain, a novel spectrum sensing algorithm based on multi-scale power spectral density subband gradient(MPSG) was proposed. The proposed algorithm, not relying on any prior information, calculated gradients of sections for the power spectrum and detected the narrowband signals by adaptive double threshold, which improved the stability of wideband spectrum sensing through multi-scale technique. Theoretically expressions of statistical properties, false alarm probability, detection probability and decision threshold in different channels were deduced. The theoretical analysis and simulation results prove that the novel algorithm overcomes effectively the color noise with low computational complexity and strong real-time in Gaussian noise and fading channel, which can accomplish occupying band range localization of prime users. In addition, the proposed algorithm is robust for noise variance uncertainty, even in the low SNR environment.

wideband spectrum sensing, power spectral density subband, multi scale, color noise, fading channel, low SNR

TN911

A

10.11959/j.issn.1000-436x.2016046

2015-04-21；

2015-11-24

國家自然科學(xué)基金資助項目(No.61072046)；河南省基礎(chǔ)與前沿計劃基金資助項目(No.132300410049)

The National Natural Science Foundation of China (No.61072046), Henan Foundation and Cutting-Edge Technology Research Projects (No.132300410049)

張洋（1991-），男，安徽滁州人，解放軍信息工程大學(xué)碩士生，主要研究方向為通信信號處理、盲信號處理等。

彭華（1973-），男，江西萍鄉(xiāng)人，解放軍信息工程大學(xué)教授、博士生導(dǎo)師，主要研究方向為軟件無線電、通信信號處理等。

鞏克現(xiàn)（1976-），男，山東泰安人，解放軍信息工程大學(xué)副教授、碩士生導(dǎo)師，主要研究方向為軟件無線電、差錯控制編碼等。