基于多尺度小波模極大融合的寬帶頻譜感知算法

王桂良,路友榮,韓 猛,徐 剛

(西南電子電信技術(shù)研究所,成都610041)

1 引 言

頻譜感知中能量檢測、匹配濾波、循環(huán)平穩(wěn)特性檢測等技術(shù)主要針對窄帶信號[1]。對于寬帶頻譜感知,可利用中心頻點可調(diào)的窄帶濾波器通過多次窄帶頻譜感知來實現(xiàn)[2];另一種更為直接的結(jié)構(gòu)是Z.Quan提出的利用多個窄帶濾波器組成濾波器組實現(xiàn)寬帶頻譜感知[3]。但上述方案分別會帶來時間上的巨大開銷以及設(shè)備復(fù)雜度的增加。

Z.Tian等人提出了一種基于小波分析的寬帶頻譜感知算法[4],他們利用小波邊緣檢測識別信號功率譜的奇異點,從而實現(xiàn)寬帶信號檢測,但他們的信號模型較為理想,對實際信號的適用性不高[5]。Almeida改進(jìn)了Z.Tian的算法,提出了一種綜合不同尺度下連續(xù)小波變換結(jié)果的檢測手段,但沒給出信號模型及尺度因子的選擇方法,影響其算法實用性[6]。S.Chantaraskul等人在2009年設(shè)計了一套試驗系統(tǒng),驗證了小波分析在寬帶頻譜監(jiān)測中的有效性[7]。此外,李曉艷等人提出利用噪聲和信號奇異點具有不同Lipschitz指數(shù)的特點實現(xiàn)噪聲去除[8],該算法對噪聲奇異點的去除十分有效,但對于信號帶內(nèi)起伏帶來的奇異性效果不明顯,虛警率較高。

本文在綜合各種實際因素建立信號模型的基礎(chǔ)上,提出了多尺度小波模極大融合算法,同時考慮帶寬與Lipschitz指數(shù)對信號功率譜小波變換模極大在不同尺度下傳播特性的影響,對不同帶寬的信號采取不同尺度的小波模極大進(jìn)行分選,最后將分選結(jié)果融合形成檢測結(jié)果。實際信號測試表明,該算法能夠解決傳統(tǒng)手段對寬帶和窄帶信號無法兼顧的問題,并且能夠?qū)τ捎诖嬖谕健?dǎo)頻等特殊序列而導(dǎo)致功率譜形狀不規(guī)則的信號實現(xiàn)有效檢測。

2 信號模型

考慮帶寬為B的頻帶范圍[fa,fb],在該頻段內(nèi)存在N個信號。設(shè)它們的頻率邊界位于 fa

由于理想低通濾波器無法實現(xiàn),實際中人們往往使用升余弦濾波器對基帶信號進(jìn)行脈沖成形,這導(dǎo)致信號功率譜邊緣是連續(xù)可微的。此外,成形濾波器帶內(nèi)起伏、信道頻率選擇性衰落等原因還會造成信號存在帶內(nèi)起伏。這些信號特征會給頻譜感知帶來負(fù)面影響:頻譜邊緣的光滑變化會導(dǎo)致小尺度下小波變換的系數(shù)較小,容易造成漏檢;信號的通帶起伏則會造成虛警、誤判。為充分考慮各種實際因素給寬帶頻譜感知帶來的影響,對信號模型作如下設(shè)定:

(1)頻帶范圍[fa,fb]已知,信號數(shù)目 N以及它們各自的頻段Bn頻段未知,且這些參量在一次檢測中保持不變;

(2)背景噪聲為加性高斯白噪聲,均值為零,雙邊功率譜密度為Sw(f)=N0/2, f。

(3)信號存在帶內(nèi)起伏,且邊緣連續(xù)可微;

(4)不同信號帶寬差異較大,用Bmin表示信號的最小帶寬,Bmax表示信號的最大帶寬,兩者比值在極端情況下滿足

頻譜感知需要解決的問題是如何準(zhǔn)確估計[fa,fb]內(nèi)信號個數(shù)N、每個信號的頻段范圍Bn及其載頻、信噪比等參數(shù)。在上述信號模型基礎(chǔ)上,頻譜感知可歸結(jié)為邊緣檢測問題,進(jìn)而利用小波分析求解。

3 多尺度小波模極大融合算法

3.1 小波邊緣檢測的理論基礎(chǔ)

若平滑函數(shù)θ(x)可微,用ψ1(x)表示θ(x)的一階微分:

由平滑函數(shù)以及小波母函數(shù)定義可知ψ1(x)可作為小波母函數(shù)。信號 f(x)使用ψ1(x)為小波母函數(shù)在尺度s下的小波變換定義為

可證明

3.2 信號模型對小波系數(shù)在不同尺度下傳播特性的影響

小波系數(shù)能夠反映信號的局部奇異性;同樣,不同類型的奇異性會對小波系數(shù)在不同尺度下的傳播造成不同影響,數(shù)學(xué)上往往采用Lipschitz指數(shù)來描述函數(shù)的奇異性。

定義1(一致 Lipschitz α)

設(shè)0≤α≤1,稱函數(shù) f(x)在區(qū)間(a,b)為一致Lipschitz α的,當(dāng)且僅當(dāng)存在常數(shù)K使得對于任意(x0,x1)∈(a,b)有

信號的Lipschitz指數(shù)同小波變換結(jié)果沿不同尺度的傳播特性由如下定理給出。

定理1:設(shè)0<α<1,若函數(shù) f(x)在區(qū)間(a,b)是一致Lipschitz α的,則存在常數(shù)K使得對于任意x∈(a,b),f(x)的二進(jìn)小波變換結(jié)果滿足

由式(5)可以歸納信號奇異性對小波系數(shù)在不同尺度下傳播特性的影響,如表1表示。

表1 信號奇異性與Lipschitz指數(shù)的關(guān)系及其對不同尺度小波系數(shù)的影響Table 1 The relationship between singularities and Lipschitz exponent

依據(jù)文獻(xiàn)[4]模型,信號功率譜S(f)邊緣有界不連續(xù),信號頻帶邊緣處Lipschitz指數(shù) α=0,S(f)中信號邊緣處小波變換幅度不隨尺度因子變化。在文獻(xiàn)[4]模型基礎(chǔ)上單尺度小波模極大以及多尺度小波乘積都能取得較好的檢測效果。由本文信號模型可知實際信號功率譜 Sr(f)邊緣連續(xù)可微,Lipschitz指數(shù)α>0,小波變換的幅度隨尺度因子增大而增大。為取得更好的檢測效果,應(yīng)用大尺度下的小波系數(shù)進(jìn)行邊緣檢測。由模型條件5可知若平滑函數(shù)的尺度過大,會使得帶寬較小的信號被平滑掉,無法形成模極大而造成漏檢。同時考慮信號模型條件4、5情況下,合理的思路是對不同帶寬的信號采用不同尺度的小波變換結(jié)果進(jìn)行檢測,基于此本文提出了多尺度小波模極大融合算法。

3.3 算法步驟

算法流程如圖1所示。

圖1 算法流程Fig.1 The algorithm′s whole process

(1)功率譜估計

根據(jù)采樣頻率fs,頻率分辨率要求Δf等指標(biāo)估計信號功率譜Sr(f)。

(2)功率譜離散二進(jìn)小波變換

對Sr(f)進(jìn)行離散二進(jìn)小波變換,本文采用二次樣條函數(shù)近似高斯函數(shù)的一階微分作為小波母函數(shù),對 Sr(f)進(jìn)行離散二進(jìn)小波變換采用M.Holschneider及 R.Kronland-Martinet等人提出的 à trous算法,如圖2所示。

圖2 快速二進(jìn)小波變換的à trous算法Fig.2 Algorithm à trous for fast dyadic wavelet transform

(3)劃分信號帶寬,確定相應(yīng)小波變換階數(shù)

由于不同信號的帶寬跨度范圍事先未知,為保證不發(fā)生漏檢應(yīng)當(dāng)對的帶寬范圍進(jìn)行全覆蓋劃分。以信號功率譜Sr(f)的長度 N=216為例,可按數(shù)量級對信號帶寬進(jìn)行如圖3形式劃分,圖中數(shù)字為信號在功率譜中所占點數(shù),換算為實際帶寬如表2所示。表2同時給出了檢測不同帶寬信號推薦使用的小波變換階數(shù)及相應(yīng)小波濾波器gj的長度。

圖3 按數(shù)量級對信號帶寬進(jìn)行劃分Fig.3 Compart signals into different subsets based on their bandwidth

表2 不同規(guī)格信號所對應(yīng)的實際帶寬、小波變換階數(shù)及小波濾波器長度Table 2 The bandwidth,wavelet transform order and wavelet filter′s length of different types of signals

(4)利用不同階數(shù)小波變換的模極大結(jié)果進(jìn)行多尺度信號檢測

由信號模型條件4可知寬帶信號往往存在劇烈的帶內(nèi)起伏,這種起伏在小尺度下易被誤判為窄帶信號,因此首先從大信號開始進(jìn)行信號檢測,一旦判定為大信號將不再對該頻譜范圍進(jìn)行小尺度下的信號檢測,從而避免出現(xiàn)寬帶信號的帶內(nèi)起伏被誤判為窄帶信號的現(xiàn)象,整個流程如圖4所示。

圖4 多尺度信號檢測流程Fig.4 Multi-scale signal detection process

(5)根據(jù)檢測結(jié)果,估計信號參數(shù)

完成信號檢測以后,可以根據(jù)檢測結(jié)果估計信號載頻fc、帶寬B以及信噪比(SNR)等參數(shù)。設(shè)第i個信號起始頻率f2i-1,結(jié)束頻率f2i,則信號帶寬Bi=f2i-f2i-1,載頻確定了各個信號的位置,同時也確定了“頻譜空穴”的位置,可據(jù)此估計噪聲功率 N0,進(jìn)而采用文獻(xiàn)[4]的方法估計各個信號的信噪比。

4 測試驗證

下面通過實際信號的實驗驗證來證明該算法的有效性。

實際信號采樣率fs=93.3 MHz,要求頻譜分辨率Δf≤1 kHz,采用周期圖法用217點FFT運算估計其信號功率譜Sr(f),對Sr(f)采用本文算法進(jìn)行檢測的結(jié)果如圖5所示。

圖5 本文算法的檢測結(jié)果Fig.5 Dectection result of the proposed algorithm

圖5中兩條相鄰直線確定了信號的起始和結(jié)束頻點,其幅度為對應(yīng)位置處Sr(f)的小波變換系數(shù)。圖5(a)中可分辨的信號共有72個,應(yīng)用本文算法可全部準(zhǔn)確檢測。對于圖5(a)中5MHz存在的密集窄帶信號,檢測結(jié)果展開如圖5(b)所示,由圖可知對帶寬非常窄的信號該算法依舊具有良好的檢測性能。

圖6為存在同步序列的信號檢測結(jié)果,圖6(a)采用文獻(xiàn)[4]中方法,其算法將同步信息造成的尖峰誤判為窄帶信號;圖6(b)為本文算法的檢測結(jié)果,通過多分辨率分析的手段,將該信號識別為寬帶信號,有效解決了上述問題。

圖6 本文算法和傳統(tǒng)算法對存在同步信息的信號檢測性能對比Fig.6 Comparison of the proposed algorithm and traditional algorithm for signalswith synchronization information

圖7 3種算法性能對比Fig.7 Performance comparison among three algorithms

圖7給出了14組實際信號本文算法和兩種傳統(tǒng)算法的性能比較,可以看出本文算法有著更高的檢測率和更低的誤判率,且不會因信號惡化(如出現(xiàn)大量密集窄帶信號或者特殊譜形狀的信號)而導(dǎo)致檢測性能下降。

綜上所述,本文算法存在如下幾方面的優(yōu)勢:

(1)信號模型更加真實,考慮了成形濾波、帶內(nèi)起伏以及信道不理想造成的不良影響;

(2)對一些頻譜形狀特殊的信號(如存在導(dǎo)頻、同步信息的TDMA信號)具有良好檢測性能;

(3)能夠兼顧寬帶和窄帶信號,檢測結(jié)果不受信號帶寬影響。

5 結(jié) 論

為滿足寬帶頻譜感知對檢測精度、檢測時間、設(shè)備復(fù)雜度等要求,本文分析了導(dǎo)致傳統(tǒng)頻譜感知算法性能下降的原因,將成形濾波器的平滑效應(yīng),通帶起伏、信道非理想等因素加入到信號模型中來,結(jié)合小波多分辨率分析思想,提出了一種多尺度小波模極大融合算法。對不同帶寬的信號采用不同尺度的小波變換進(jìn)行檢測,并將不同尺度下的檢測結(jié)果融合得到最終結(jié)果。實際信號測試結(jié)果表明,這一算法能夠解決傳統(tǒng)手段對寬帶和窄帶信號無法兼顧的問題,且能對一些特殊頻譜形狀的信號進(jìn)行檢測,檢測性能相對傳統(tǒng)算法有明顯提高。

[1]Haykin S.Cognitive Radio:Brain-Empowered Wireless Communications[J].IEEE Journal on Selected Areas in Communications,2005,23(2):201-220.

[2]Yucek T,Arslan H.A survey of spectrum sensing algorithms for cognitive radio applications[J].IEEE Communications Surveys&Tutorials,2009,11(1):116-130.

[3]Quan Z,Cui S,Sayed A H,et al.Wideband spectrum sensing in cognitive radio networks[C]//Proceedings of 2008 IEEE International Conference on Communications.Beijing:IEEE,2008:901-906.

[4]Zhi T,Giannakis G B.Compressed Sensing for Wideband Cognitive Radios[C]//Proceedings of 2007 IEEE International Conference on Acoustics,Speech and Signal Processing.Honolulu,HI:IEEE,2007:1357-1360.

[5]Arslan H.Cognitive Radio,Software Defined Radio,and Adaptive Wireless Systems[M].New York:Springer,2007.

[6]Almeida E,Carvalho P,Cordeiro P,et al.Experimental Study of a Wavelet-based Spectrum Sensing Technique[C]//Proceedings of the 42nd Asilomar Conference on Signals,Systems and Computers.Pacific Grove,CA:IEEE,2008:1552-1556.

[7]Chantaraskul S,Moessner K.Implementation of Wavelet Analysis for Spectrum Opportunity Detection[C]//Proceedings of 2009 IEEE International Symposium on Personal,Indoor and Mobile Radio Communications.Tokyo:IEEE,2009:2310-2314.

[8]李曉艷,張海林,胡飛.應(yīng)用小波變換的認(rèn)知無線電頻譜檢測[J].計算機(jī)工程與應(yīng)用,2011,47(13):4-7.LI Xiao-yan,ZHANG Hai-lin,HU Fei.Spectrum sensing based onwavelet transformfor cognitive radio[J].Computer Engineering andApplications,2011,47(13):4-7.(in Chinese)