[发明专利]一种基于变分模态分解的频谱感知方法

说明书

本发明公开了一种基于变分模态分解的频谱感知算法，克服了现有技术中，接收端的信号被噪声背景干扰的问题。该发明含有一、产生仿真信号BPSK；二、以分量的瞬时频率的均值为分解参数，根据其变化曲线确定最优模态分解个数K，并设定合适的惩罚因子α；三、根据得到的分解参数对BPSK信号进行变分模态分解；四、对得到的L个本征模态分别进行功率谱估计；五、将该本征模态的谱线强度和与全部本征模态的强度和之比作为检验统计量；六、将得到的检验统计量与判决门限进行比较再作出最后的判决。该发明利用变分模态分解的等效带通滤波特性及维纳滤波构造，更好地划分频带并去噪处理，与传统的功率谱分段对消算法相比，能显著提升检测性能。

技术领域

本发明涉及认知无线电技术领域，特别是涉及一种基于变分模态分解的频谱感知方法。

背景技术

频谱感知，是指认知用户通过各种信号检测和处理手段来获取无线网络中的频谱使用信息。从无线网络的功能分层角度看，频谱感知技术主要涉及物理层和链路层，其中物理层主要关注各种具体的本地检测算法，而链路层主要关注用户间的协作以及对本地感知、协作感知和感知机制优化等3个方面。本文研究的信号检测其实就是频谱感知中物理层所需关注及研究的内容。

频谱感知里经典的信号检测算法主要包括能量检测法、匹配滤波检测法、循环平稳特征检测法、特征值检测法等。能量检测法(Energy Detection，ED)无需待测信号的先验信息，计算复杂度低、检测速度快；但其判决门限值易受噪声影响，在低信噪比下的检测性能差。匹配滤波检测法(Matched-Filtering，MF)实质上等价于信号解调器，利用接收信号的最大相关完成信号存在性的检测；当获知待测信号的先验信息时，在高斯背景噪声下，匹配滤波检测法是最佳的检测算法，检测性能优、速度快；但该算法需要大量的先验信息，实用性差、不适用于盲检测。循环平稳特征检测法(Cyclostationary Feature Detection，CFD)利用接收信号的循环谱，提取出信号的循环平稳特征，其最大优点是不易受噪声的影响，在信噪比较低时仍然具有良好的检测性能；但循环平稳检测法的计算复杂度高，无法满足实时性的要求。

信号的有无在频域表现为频谱是否有凸起，正好符合频谱感知中的二元假设模型，所以从傅里叶变换系数的角度来进行感知是合理的。窄带情况下，信号能量主要集中于有限带宽内的少数几个频点上，也就是在功率谱最大值的邻域内。只要信号满足一定的能量分布要求，就可以通过这几个突出的频点识别出来。因而又发展出了一系列基于功率谱密度的频谱感知算法。基于功率谱密度的感知算法，同时具有特征值检测和频域检测的优势，通过选取合适的统计判决变量，无论是复杂度还是检测性能上都可能优于一般的频域检测和时域检测算法，有着非常诱人的前景。

发明内容

本发明克服了现有技术中接收端的信号被噪声背景干扰的问题，提供一种依据信号频域特性进行自适应频带分割，且各分量都能有效分离的基于变分模态分解的频谱感知方法。

本发明的技术解决方案是，提供一种具有以下结构的基于变分模态分解的频谱感知方法：含有如下步骤：步骤一、产生仿真信号BPSK；步骤二、以分量的瞬时频率的均值为分解参数，根据其变化曲线确定最优模态分解个数K，并设定合适的惩罚因子α；步骤三、根据得到的分解参数对BPSK信号进行变分模态分解；步骤四、对得到的L个本征模态分别进行功率谱估计；步骤五、将该本征模态的谱线强度和与全部本征模态的强度和之比作为检验统计量；步骤六、将得到的检验统计量与判决门限进行比较再作出最后的判决。

优选地，所述步骤二中以分量瞬时频率的均值为特征参数，观察其变化曲线，当分解个数增加到一定数量时，该特征曲线就有了明显的下弯现象，则取该下弯处临界点的数量值为最优模态分解个数K，当K恒定时，惩罚因子α增大，VMD滤波器组通频带宽度会随之变窄，惩罚因子α减小，带宽会随之增大，则根据仿真选择合适的惩罚因子α。