[发明专利]认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法

说明书

技术领域

本发明属于信息与通信工程技术领域，涉及无线通信系统中的认知无线电（Cognitive Radio,CR）技术和信号处理中的贝叶斯压缩感知理论，具体是一种认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法。

背景技术

目前，由于各种无线通信业务需求的持续增长，导致无线通信系统对频谱资源的需求不断增加，从而使得无线频谱资源变得越来越稀缺。然而，频谱测量研究表明，授权频谱的使用率却非常低，从而致使授权频谱空穴浪费严重。为了开发频谱资源共享的无线通信系统，从系统级的角度提高频谱资源的利用效率，认知无线电作为一项新兴技术应运而生。

认知无线电（Cognitive Radio,CR）亦称为感知无线电，它可在不影响主用户（Primary Users,PUs）通信的前提下，智能地利用大量空闲频谱以满足次用户（Secondary Users,SUs）即认知用户（Cognitive Users,CUs）的可靠通信，从而提高无线频谱的利用率，实现频谱资源共享。认知用户能够实时感知无线通信系统周围的网络环境，通过对环境的理解、主动学习来动态地调整网络参数以适应外部环境的变化。在基于CR技术的认知无线网络（Cognitive Radio Network,CRN）中，认知用户利用法定授权的主用户（Primary User,PU）暂时未使用的频段，一旦侦听到主用户收发信机需要通信时，就必须在一定的时间内退出该频段并切换到其它未使用的空闲频段进行机会通信（交叉共享（overlay sharing）方式），或者在保障主用户通信服务质量（QoS）的前提下，降低发射功率进行协作式机会传输（重叠共享（underlay sharing）方式），从而避免认知用户对主用户通信造成干扰。因此，多个认知用户如何在有限的检测时间内从较宽的频带范围内迅速可靠地检测出主用户频谱空穴、并利用这些主用户频谱空穴进行机会频谱接入，从而实现主次用户的频谱共享，这是认知无线电中的关键技术。

压缩感知（Compressive Sensing,CS）理论研究表明，可压缩信号（在某一基空间上具有稀疏表示）的少量随机线性投影就包含了重构和处理的足够信息，仅利用信号的先验知识和少量全局线性测量可以获得准确重构。其中，设计满足约束等距性质（Restricted Isometry Property，RIP）且具有较低观测次数的自适应测量矩阵是CS在实际应用的关键问题。已有研究表明，测量矩阵中列向量的非线性相关性是降低重构算法复杂度的前提，测量矩阵列向量的非线性相关性越强，矩阵元素的稀疏度越高，则信号重构时迭代次数越少，可以大大减小信号重建时间。本发明涉及的技术方案基于该思想，根据大量认知节点对实际感知到的非平稳信号空时相关性结构，感知数据首先映射到小波正交基进行稀疏变换，通过计算小波域信号的能量子集，选取最大能量子集作为测量矩阵行向量，对该行向量进行正交化构造测量矩阵，形成自适应测量，并使其满足RIP条件。

贝叶斯压缩感知（Bayesian Compressive Sensing,BCS）理论是在贝叶斯学习框架下，通过稀疏贝叶斯回归模型中的相关向量机（Relevance Vector Machine,RVM）实现对感知信号的最大后验概率（Maximum a Posteriori,MAP）估计，采用基于拉普拉斯先验算法的层次化贝叶斯分析进行感知数据的重构与数据融合，从而以较大的概率重构出多个认知节点感知信息，重构误差小、重构复杂度低。同时，对重构后的感知信息提取特性参数后进行主用户频谱检测和数据融合，得到全局频谱利用信息，以解决认知无线网络中基于贝叶斯压缩感知的信号重构与宽带频谱检测问题。

发明内容

本发明公开了认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法，采用基于最大能量子集的自适应测量对多个认知用户的感知数据进行稀疏表示与观测，以实现降低认知用户感知能耗与压缩反馈的数据量。认知基站采用稀疏贝叶斯回归模型中的相关向量机实现感知信号的最大后验概率估计，根据贝叶斯压缩感知层次化参数估计获得重构的感知数据，通过感知数据融合进行宽带频谱检测，具有比正交匹配追踪重构算法具有更好的检测性能，它对于认知无线网络中存在多个认知节点的宽带频谱感知与感知信号的稀疏重构具有实际的应用价值。