文章编号 100426410(2009)0320070203
基于能量检测的频谱感知方法分析
陈 艳1,2,杨新伦1
(1.广西工学院计算机工程系,广西柳州 545006;
2.电子科技大学通信抗干扰技术国家级重点实验室,四川成都 611731)
摘 要:简要介绍了认知无线电中基于能量检测的频谱感知方法,在分析能量检测法原理和性能基础上,研究了噪声的不确定性对检测性能的影响.仿真表明,能量检测法是一种简单、有效的频谱感知方法.
关 键 词:认知无线电;频谱感知;能量检测法;噪声不确定
中图分类号:TN929.5 文献标识码:A
收稿日期:2009-07-13
基金项目:广西工学院自然科学基金(0704212)资助.
作者简介:陈艳(1979-),女,安徽东至人,广西工学院计算机工程系教师,在读研究生.0 引言
随着无线通信技术的快速发展,频谱匮乏问题逐渐凸显,频谱资源已成为非常宝贵的资源之一.而FCC (美国联邦通讯委员会)的调查表明,已分配的频谱在时间和空间上的利用率极低.例如,某些频段划分给某种行业,但该行业并没有全部利用整个频段,有相当一部分频段闲置不用.当前分配的绝大多数频谱利用率为15%～85%.因此,FCC 认为当前存在的主要问题并不是没有频谱可用,而是现有的静态频谱分配方式导致频谱资源没有被充分利用[1].
认知无线电(Cognitive Radio ,简称CR )的概念最早由Mitola 于1999年提出的.它通过对频谱环境的感知,将特定时间、特定空间上的空闲频谱分配给未授权用户,以提高频谱利用率.这种动态的频谱共享方式能大大提高频谱利用率[2].
频谱检测是认知无线电的关键技术,CR 用户必须实时监测频谱变化,以避免与授权用户发生碰撞.频谱检测的精度和可靠度决定了是否会侵害授权用户的正常通信.大量文献对频谱检测技术进行了深入研究,目前研究较多的频谱检测方法有:匹配滤波器法、循环平稳特征检测法、能量检测法等.匹配滤波法需要知道授权用户信号的先验信息,如调制类型、脉冲成型、分组格式等;循环平稳特征检测法利用信号的谱相关特征进行检测,低信噪比情况下有较好的检测性能,但计算复杂度较大;能量检测法是一种传统的检测方法,最大优点是无需知道信号的先验知识,而且实现简单,因此,可以将能量检测法应用到认知无线电中,作为预先的粗检测以提高检测效率.由于能量检测法对噪声的适应能力有限,在认知无线电中还需要进一步研究噪声对检测性能的影响[3].本文主要研究能量检测法的性能,并通过仿真验证其有效性.
1 能量检测法原理及性能分析
能量检测法是一种有效的信号检测方法,是指将信号在特定时间内的能量,与预先设定的门限值进行比较、判决,获得检测结果.能量检测法用在指定频段内即为基于能量检测的频谱感知方法.
1.1 在噪声确定条件下能量检测法的模型及算法分析
基于能量检测的频谱感知方法的研究可以看作是二元假设检验问题:
H 0:x (n )=w (n ),n =0,1,…,N -1,
(1)
第20卷 第3期
广西工学院学报 Vol 120 No 13
2009年9月 JOURNAL OF GUAN GXI UN IV ERSIT Y OF TECHNOLO GY Sep 12009
H 1:x (n )=s (n )+w (n ),n =0,1,…,N -1.
(2) 其中,信号s (n )是均值为0,方差为σ2s 的高斯过程;噪声w (n )假定为加性高斯白噪声(AW GN ),零均
值,双边功率谱密度为N 02,它与信号是相互独立的;N 为采样数(检测时间).
奈曼—皮尔逊准则是当前认知无线电中评估检测性能的主要准则,包含两个重要参数:检测概率(P d )和虚警概率(P f ).频谱感知的任务就是要根据该准则区分上面两种不同的假设,从而判定在该时刻、该频段范围是否存在授权用户在通信.可采用恒虚警的方法,首先确定虚警概率P f ,然后计算不同信噪比(S N R )情况下的检测概率来衡量检测性能.认知无线电要求尽可能地保护授权用户不受到干扰,即主要授权用户的检测概率P d 越大越好.
图1给出了能量检测的流程图.接收信号首先被带宽为W 的带通滤波器滤波,然后通过一个平方律检测器和一个观察时间为T 的积分器,最后进行比较判决. input noise
pre 2filter
(W ) x (t ) (?)2 V =1
T ∫t t -T (?)2d τ V
图1 能量检测法的流程
根据假设检验模型,检测统计量为
V ′=1
N 02∫T 0x 2(t )d t (3)
只有噪声存在时,检验统计量V ′服从自由度为2TW 的中心χ2分布,即H 0∶V ′～χ22TW ;有信号存在
时,检验统计量V ′服从自由度为2TW 的非中心χ2分布,非中心参数为λ,即H 1∶V ′～χ′22TW (λ
).其中λ=E s /N 02为信噪比S N R ,E s 为信号能量.在噪声功率确定的情况下,
虚警概率:P f =P{V ′>V T ′|H 0}=P{χ22TW >V ′T }
(4)检测概率:P d =P{V ′>V T ′|H 1}=P{χ′22TW (λ)>V ′T }(5)
从上面的分析可以看出,当确定了虚警概率P f 后,就可以由(4)式计算出检测门限V ′T .将V ′T 代入式
(5),就可以得到不同信噪比情况下的检测概率P d [425].
1.2 嗓声不确定对检测性能的影响
在上面的讨论中,假设接收噪声是高斯噪声,而且它的能量值在所有频段上都是不变的.但是实际上,噪声不仅仅来自于接收机和热噪声,还来自于一些不可知的外部环境,所以实际噪声只是接近于高斯噪声,噪声能量在一些频带上也不确定.为了研究噪声的不确定性对检测性能的影响,假设接收噪声还是高斯噪声,
噪声能量是一个在已知范围内取值的未知变量[627].例如,取噪声不确定度为x dB ,噪声能量在[σ2no min al ,α3
σ2no min al ]内取值,其中α=10
x/10.因此,σ2∈[σ2no min al ,α3σ2no min al ]
(5)σ2≤σ2no min al +σ2s (6)
S N R no min al ∈[S N R no min al ,S N R no min al +x ](7)
由式(5)、(6)、(7)得:S N R no min al ≤10log 10(10x/10-1)
(8)2 实验与仿真结果
IEEE802.22系统要求检测器能够在-10dB 以下接收首要用户信号信噪比,并在保持虚警概率P f =1%～10%的同时提供P d =90%～95%的检测概率[829].
利用蒙特卡罗仿真方法,构建仿真模型:假设发送信号为BPSK 信号,信道噪声为加性高斯白噪声,分别做了以下两组仿真加以说明.图2是在噪声确定的条件下,对检测概率与信噪比之间关系进行的仿真.图3是噪声不确定度x 分别取0dB 、1dB 、2dB ,虚警概率P f 取1%时,对检测概率及信噪比之间关系进行的仿真.
1
7 第3期 陈 艳等:基于能量检测的频谱感知方法分析
从图2、图3中可以看出:
(1)在噪声确定条件下,虚警概率越低,检测概率越高,其检测性能比较令人满意;
(2)随着噪声不确定程度的加大,检测概率Pd 的值在减小,检测的可靠性也在降低;
(3)在信噪比接近-2dB 时,检测结果都值得是信赖的
.
图2 噪声确定条件下检测性能图3 噪声不确定条件下检测性能
3 结语
频谱感知技术是认知无线电系统中的关键技术之一,准确的感知出在任意时刻、任意频段上,是否存在授权用户是频谱感知所要解决的问题.能量检测法是常用的一种频谱感知方法,它只需要知道被检测频段内信号的能量而不需要其他的先验知识.但是能量检测法的判决门限较难设置,当噪声不确定时,对检测性能的影响很大.另外,能量检测法不能区分出有用信号、干扰及噪声,因此更不能区分出接收信号的类型和调制方式等.这些缺陷限制了能量检测法在某些情况下的使用.
参 考 文 献:
[1]Ian F.Akyildiz ,Wou 2Y eol Lee ,Mehmet C.Vuran ,et al.NeXt generation/dynamic spectrum access/cognitive radio wireless
networks :a survey[J ].Computer Networks ,2006,50:212722159.
[2]Cabric D ,Mishra S M ,Brodersen R W.Implementation issues in spectrum sensing for cognitive radios[C].Sacramente ,USA :
Signals ,Systems ,and Computers ,2004(1):7722776.
[3]A.Sahai ,D.Cabric.S pectrum sensing :Fundamental limits and practical challenges[C].Mary land :DySPAN 2005tutorial part
I ,2005:12138.
[4]Harry Urkowitz.Energy detection of unknown deterministic signals[J ].Proceedings of the IEEE ,1967,55(4):5232531.
[5]D.Cabric ,https://www.doczj.com/doc/c617149284.html,achenko ,R.W.Broadersen.Experimental study of spectrum sensing based on energy detection and network
cooperation :Proceedings of the first international workspop on Technology and policy for accessing spectrum [C ].Boston ,Mas 2sachusetts :ACM ,2006.
[6]R.Tandra ,A.Sahai.SNR walls for signal detection[J ].IEEE Journal of Selected Topics in Signal Processing ,2008,2(1),42
17.
[7]Tandra R ,Anant Sahai.Fundamental limits on detections in low SNR under noise uncertainty[C].Piscataway NJ ,USA :IEEE
Signal Processing ,2005(1):4642469.
[8]IEEE 802.22205/0007r46,Functional requirements for the 802.22WRAN standard[S].
[9]Shellhammer S J ,Shankar R ,Dandra J.Performance of power detector sensors of DTV signals in IEEE 802.22WRANs[C].
New Y ork ,USA :Proceedings of the first international Workshop on Technology and Policy for accessing spectrum ,2006:4212.
(下转第77页)
27广西工学院学报 第20卷
[9]蔡伟刚.Nios Ⅱ软件架构解析[M ].西安:西安电子科技大学出版社,2007.
Implementation of 128364display interface module
based on processor Nios Ⅱ
L IU Tong ,CAI Qi 2zhong
(Electronic Engineering Department ,Guangxi University of Technology ,Liuzhou 545006,China )
Abstract :This paper introduces the system of the embedded processor Nios Ⅱbased on SOPC technology.For the 128364LCD module interface ,we use HDL to finish logic interface on the basis of the timing analysis ,give the method of custom logic and basic programming applications in Nios ⅡIDE ,and achieve the application of the 128364LCD in the system of embedded processor Nios Ⅱ.
K ey w ords :LCD ;Nios Ⅱ;SOPC ;HD61202
(上接第72页)
Analysis on spectrum sensing based on energy detection in cognitive radio
CHEN Yan 1,2,YAN G Xin 2lun 1
(https://www.doczj.com/doc/c617149284.html,puter Engineering Department ,Guangxi University of Technology ,Liuzhou 545006,China ;
2.National K ey Laboratory of Communication ,University of Electronic
Science and Technology of China ,Chengdu 611731,China )
Abstract :This paper briefly presents the spectrum sensing method based on energy detection in cognitive radio ,analyses the theory and performance of energy detection method ,and discusses the impact of noise power uncer 2tainty on detection https://www.doczj.com/doc/c617149284.html,puter simulation shows that the energy detection method is a simple and effective method of spectrum sensing.
K ey w ords :cognitive radio ;spectrum sensing ;energy detection method ;noise power uncertainty 7
7 第3期 刘 彤等:基于Nios Ⅱ处理器的128364液晶显示接口的实现
毕业设计（论文）题目：认知无线电中频谱感知技术研究专业： 学生姓名： 班级学号： 指导教师： 指导单位： 日期：年月日至年月日
摘要 无线业务的持续增长带来频谱需求的不断增加，无线通信的发展面临着前所未有的挑战。无线电频谱资源一般是由政府统一授权分配使用，这种固定分配频谱的管理方式常常会出现频谱资源分配不均，甚至浪费的情形，这与日益严重的频谱短缺问题相互矛盾。认知无线电技术作为一种智能频谱共享技术有效的缓解了这一矛盾。它通过感知时域、频域和空域等频谱环境，自动搜寻已授权频段的空闲频谱并合理利用，达到提高现有频谱利用率的目的。频谱感知技术是决定认知无线电能否实现的关键技术之一。 本文首先介绍了认知无线电的基本概念，对认知无线电在 WRAN 系统、UWB 系统及 WLAN 系统等领域的应用分别进行了讨论。在此基础上，针对实现认知无线电的关键技术从理论上进行了探索，分析了影响认知网络正常工作的相关因素及认知网络对授权用户正常工作所形成的干扰。从理论上推导了在实现认知无线电系统所必须面对的弱信号低噪声比恶劣环境下，信号检测的相关方法和技术，并进行了数字滤波器的算法分析，指出了窗函数的选择原则。接着详细讨论了频谱检测技术中基于发射机检测的三种方法：匹配滤波器检测法、能量检测法和循环平稳特性检测法。为了检验其正确性，借助 Matlab 工具，在Matlab 平台下对能量检测和循环特性检测法进行了建模仿真，比较分析了这两种方法的检测性能。研究结果表明：在低信噪比的情况下，能量检测法检测正确率较低，检测性能远不如循环特征检测。 其次还详细的分析认知无线电的国内外研究现状及关键技术。详细阐述了频谱感知技术的研究现状和概念，并指出了目前频谱感知研究工作中受到关注的一些主要问题，围绕这些问题进行了深入研究。 关键词：感知无线电；频谱感知；匹配滤波器感知；能量感知；合作式感知；
有关功率谱分析的相关总结 谱是个很不严格的东西，常常指信号的Fourier变换，是一个时间平均（time average）概念功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析，能量有限的信号通常为能量信号，他们的傅里叶变换是收敛的)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。有两个重要区别：1。功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机过程有频谱吗？）（随机的频域序列）2。功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶矩是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。 频谱和功率谱的区别在于： （1）信号通常分为两类：能量信号和功率信号； （2）一般来讲，能量信号其傅氏变换收敛（即存在），而功率信号傅氏变换通常不收敛，当然，若信号存在周期性，可引入特殊数学函数（Delta）表征傅氏变换的这种非收敛性；（3）信号是信息的搭载工具，而信息与随机性紧密相关，所以实际信号多为随机信号，这类信号的特点是状态随机性随时间无限延伸，能量无限。换句话说，随机信号大多属于功率信号而非能量信号，它并不存在傅氏变换，亦即不存在频谱； （4）若撇开搭载信息的有用与否，随机信号又称随机过程，很多噪声属于特殊的随机过程，它们的某些统计特性具有平稳性，其均值和自相关函数具有平稳性。对于这样的随机过程，自相关函数蜕化为一维确定函数，前人证明该确定相关函数存在傅氏变换； （5）能量信号频谱通常既含有幅度也含有相位信息；幅度谱的平方（二次量纲）又叫能量谱，它描述了信号能量的频域分布；功率信号的功率谱描述了信号功率随频率的分布特点，也已证明，信号功率谱恰好是其自相关函数的傅氏变换； （6）实际中我们获得的往往仅仅是信号的一段支撑，此时即使信号为功率信号，截断之后其傅氏变换收敛，但此变换结果严格来讲不属于任何“谱”； （7）对于（6）中所述变换若取其幅度平方，可作为信号功率谱的近似，是为经典的“周期图法”； （8）FFT是DFT的快速实现，DFT是DTFT的频域采样，DTFT是FT的频域延拓。人们不得已才利用DFT近似完成本属于FT的任务。若仅提FFT，是非常不专业的。 功率谱是个什么概念？它有单位吗? 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。功率谱与自相关函数是一个傅氏变换对。功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于w轴，在w轴上方的一条直线。功率谱密度，从名字分解来看就是说，观察对象是功率，观察域是谱域，通常指频域，密度，就是指观察对象在观察域上的分布情况。一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。可以有三种办法来重新定义谱密度，来克服上述困难。 一是用相关函数的傅立叶变换来定义谱密度；二是用随机过程的有限时间傅立叶变换来定义
能量检测仿真实验代码： clear all;clc; n = 5; ps = 1; SNR1 = -5; SNR2 = -8; SNR3 = -10; % Sim_Times=10000; %Monter-Carlo times % m=5; T=0.001; % 信号带宽W W=5*10^4; % 采样频率 Fs = 2*W; m = T*W; n = 2*T*W; % F0=W; % Fs=2; % Sig=sqrt(2)*sin(2*pi*F0/Fs*t); %single tone samples, Fs=2F0 % 实际信噪比 snr1 = 10.^(SNR1/10); snr2 = 10.^(SNR2/10); snr3 = 10.^(SNR3/10); pn = (1/snr1)*ps; mu0 = n*pn; sigma0 = sqrt(2*n)*pn; mu = n*(pn+ps); sigma = sqrt(2*n*(pn^2+2*pn*ps)); % [noi,x0,mu0,sigma0,m0] = cnoi( n,pn ); % sig = randn(n,1); sig = 1; % 重复次数 count = 5000; % 能量检测判决门限 lambda = [200:20:600]; lambda1 = [500:20:900]; lambda2 = [700:30:1300]; % 置信度判决参数 % tt = [-5:0.4:3]; % cc = 10.^tt; % tt1 = [-1:0.1:1]; % cc1 = 10.^tt; % cc2 = [-0.01:0.001:0.01];
研究初期。大量文献。判断有无信号传输。识别信号类型。 1)匹配滤波器 主用户信号已知时最佳。感知速度快。但对信号已知信息的要求高，感知单元的实现复杂度极高（需要对大量类型信号的匹配滤波）。 2)基于波形的感知 已知主用户信号的patterns（用于同步等的前导序列等等），对观测数据做相关。在稳定性和收敛速度上比基于能量检测的感知要好。 判决门限的选取。信号功率因信道传输特性和收、发信机之间的距离的不确定性而难以估计。实际中，可由特定的虚警概率给出门限，此时只需知道噪声方差。 3)基于循环平稳性的感知 信号的平稳特征由信号或信号统计量（期望、自相关等）周期性引起。利用循环相关函数（而非功率谱密度）检测信号，可将噪声与信号分离。因为噪声广义平稳无相关量，而调制信号由于循环平稳而存在谱相关。循环谱密度（CSD）函数的计算是对循环自相关函数做傅里叶变换。循环频率与信号的基本频率一致时，CSD函数输出峰值。 4)基于能量检测的感知 低运算复杂度和低实现复杂度。缺点在于：判决门限的选择困难；无法区分能量来源是信号还是噪声； 低SNR条件下性能差。噪声水平的动态估计，降秩特征值分解法。GSM时隙能量检测，需与GSM系统同步，检测时间限制在时隙间隔内。FFT之后频域能量检测。检测概率在各种信道条件下的闭式解。 5)无线电识别 识别主用户采用的传输技术。获得更多的信息，更高的精度。比如蓝牙信号的主用户位置局限在10m 之内。特征提取和归类技术。各种盲无线电识别技术。 6)其它感知方法 多窗口谱估计。最大似然PSD估计的近似，对宽带信号接近最优。计算量大。 Hough变换。 基于小波变换的估计。检测宽带信道PSD的边界。 协同感知—— 协同（合作、协作）用来应对频谱感知中噪声不确定性、衰落和阴影等问题。解决隐终端问题，降低感知时间。提出有效的信息共享算法和处理增加的复杂度是协同感知要解决的难题。控制信道可利用：1）指配频带；2）非授权频带；3）衬于底层的UWB。 共享信息可以是软判决或硬判决结果。（基于能量检测的）感知合并方式：等增益合并、选择式合并、Switch & Stay（扫描式）合并。协同算法应：协议开支小；鲁棒性强；引入延迟小。 非协同感知，优点为计算和实现简单，缺点为存在隐终端问题、多径和阴影的影响。 协同感知，优点为更高的精度（接近最优）、可解决阴影效应和隐终端问题；缺点为复杂度高、额外通信流量开支和需要控制信道。 协同感知的两种实现形式： 1)中心式感知。中心单元广播可用频谱信息或直接控制CR通信。AP。硬信息合并、软信息合并。 2)分布式感知。彼此共享信息，自己对频谱做出判决。不需要配置基础结构网络。 外部感知—— 外部感知网络将频谱感知结果广播给CR。优点：可解决隐终端问题和衰落及阴影引起的不确定性；CR无需为感知分配时间，提高频谱效率；感知网络可以是固定的（避免电池供电）。外部感知可以是连续的或周期性的。感知数据传递给中心节点进一步处理，并将频谱占用信息共享。
频谱和功率谱有什么区别与联系 谱是个很不严格的东西，常常指信号的Fourier变换，是一个时间平均（time average）概念功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。有两个重要区别： 1.功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier 变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列） 2.功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。 频谱分析（也称频率分析），是对动态信号在频率域内进行分析，分析的结果是以频率为坐标的各种物理量的谱线和曲线，可得到各种幅值以频率为变量的频谱函数F(ω)。频谱分析中可求得幅值谱、相位谱、功率谱和各种谱密度等等。频谱分析过程较为复杂，它是以傅里叶级数和傅里叶积分为基础的。 功率谱 功率谱是个什么概念？它有单位吗? 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。功率谱与自相关函数是一个傅氏变换对。功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于w轴，在w 轴上方的一条直线。 功率谱密度，从名字分解来看就是说，观察对象是功率，观察域是谱域，通常指频域，密度，就是指观察对象在观察域上的分布情况。一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。 可以有三种办法来重新定义谱密度，来克服上述困难。一是用相关函数的傅立叶变换来定义谱密度；二是用随机过程的有限时间傅立叶变换来定义谱密度；三是用平稳随机过程的谱分解来定义谱密度。三种定义方式对应于不同的用处，首先第一种方式前提是平稳随机过程不包含周期分量并且均值为零，这样才能保证相关函数在时差趋向于无穷时衰减，所以lonelystar说的不全对，光靠相关函数解决不了许多问题，要求太严格了；对于第二种方式，虽然一个平稳随机过程在无限时间上不能进行傅立叶变换，但是对于有限区间，傅立叶变换总是存在的，可以先架构有限时间区间上的变换，在对时间区间取极限，这个定义方式就是当前快速傅立叶变换（FFT）估计谱密度的依据；第三种方式是根据维纳的广义谐和分析理论：Generalized harmonic analysis, Acta Math, 55(1930), 117-258,利用傅立叶-斯蒂吉斯积分，对均方连续的零均值平稳随机过程进行重构，在依靠正交性来建立的。 另外，对于非平稳随机过程，也有三种谱密度建立方法，由于字数限制，功率谱密度的单位是G的平方/频率。就是就是函数幅值的均方根值与频率之比。是对随机振动进行分析的重要参数。 功率谱密度的国际单位是什么? 如果是加速度功率谱密度，加速度的单位是m/s^2, 那么，加速度功率谱密度的单位就是(m/s^2)^2/Hz, 而Hz的单位是1/s,经过换算得到加速度功率谱密度的单位是m^2/s^3. 同理，如果是位移功率谱密度，它的单位就是m^2*s, 如果是弯矩功率谱密度，单位就是(N*m)^2*s 位移功率谱——m^2*s 速度功率谱——m^2/s 加速度功率谱——m^2/s^3
频谱感知技术外文翻译文献 (文档含中英文对照即英文原文和中文翻译) 译文： 一种新的协作频谱感知算法 摘要 该文提出了一种在认知无线网络控制信道带宽受限条件下基于信任度的双门限协同频谱感知算法。首先每个认知用户基于双检测门限独立进行频谱感知，但只有部分可靠的认知用户通过控制信道向认知无线网络基站发送本地感知结果。当所有的用户都不可靠时，选取信任度最高的认知用户发送本地感知结果进行判决。理论分析和仿真表明，同常规能量检测算法相比较，该算法能够在控制信道带宽受限条件下，以较少的网络开销获得更好的频谱感知性能。 关键词：认知无线电；频谱感知；信任度；双门限 1引言 随着无线通信技术的飞速发展，有限的频谱资源与不断增长的无线通信需求的矛盾越来越突出。然而根据现有的固定分配频谱资源策略，绝大多数频谱资源得不到有效利用。据FCC 的调查统计，70%的已分配频谱资源没有得到有效利用]1[。为了提高频谱资源的利用率，认知无线电技术由Joseph Mitola Ⅲ提出并得到了广泛的关注]5[]2[ 。频谱感知技术是认知无线电网络的支撑技术之一。通常它又可以分为
能量检测法、匹配滤波器法和循环平稳特征法[4]。能量检测算法因为应用简单且无需知道任何授权用户信号的先验知识成为研究热点。认知用户在接入授权频带之前，必须首先感知该频带空闲即授权用户没有工作，否则会对授权用户造成干扰。一旦授权用户重新工作，认知用户必须退避，实现在不对授权用户产生干扰的情况下对频谱资源的共享。由于实际信道中的多径和阴影效应，单个认知用户频谱感知的性能并不乐观，针对这个问题D. Cabric 等人提出了协同频谱感知算法[5]-[6]。协同频谱感知算法性能较好，但是当认知用户数量很大的时候，控制信道的带宽将不够用。文献[7]中提出了一种在控制信道带宽受限条件下的基于双检测门限的频谱感知算法，该算法能够以较小的网络开销，获得接近普通单门限频谱检测算法的性能。针对认知无线电频谱感知的需要，本文提出了认知无线电环境下一种基于信任度的双门限协同频谱感知算法。该算法中每个认知用户基于双检测门限独立进行频谱感知，但只有部分可靠的认知用户通过控制信道向认知无线网络基站发射感知报告。当所有的用户都不可靠时，选取信任度最高的认知用户发射感知报告进行判决。本文对该算法进行了性能分析并通过仿真表明，本文方法比较常规能量检测算法，在减小网络开销的同时提高了检测性能。 2系统模型 假设一个认知无线电网络有N 个认知用户和一个认知无线网络基站，如图1 所示。认知无线网络基站负责管理和联系N 个认知用户，在收到认知用户的检测报告后做出最终判决。 图1. 认知无线电网络示意图 频谱感知的实质是一个二元假设问题，即 01 (),,()()()(),n t H x t h t s t n t H ?=??+? （1）
频谱分析（也称频率分析），是对动态信号在频率域内进行分析，分析的结果是以频率为坐标的各种物理量的谱线和曲线，可得到各种幅值以频率为变量的频谱函数F(ω)。频谱分析中可求得幅值谱、相位谱、功率谱和各种谱密度等等。频谱分析过程较为复杂，它是以傅里叶级数和傅里叶积分为基础的。 功率谱 频谱和功率谱有什么区别与联系？ 谱是个很不严格的东西，常常指信号的Fourier变换， 是一个时间平均（time average）概念 功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。有两个重要区别： 1。功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列） 2。功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。 功率谱是个什么概念？它有单位吗? 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。功率谱与自相关函数是一个傅氏变换对。功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于w轴，在w轴上方的一条直线。 功率谱密度，从名字分解来看就是说，观察对象是功率，观察域是谱域，通常指频域，密度，就是指观察对象在观察域上的分布情况。一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。可以有三种办法来重新定义谱密度，来克服上述困难。 一是用相关函数的傅立叶变换来定义谱密度；二是用随机过程的有限时间傅立叶变换来定义谱密度；三是用平稳随机过程的谱分解来定义谱密度。三种定义方式对应于不同的用处，首先第一种方式前提是平稳随机过程不包含周期分量并且均值为零，这样才能保证相关函数在时差趋向于无穷时衰减，所以lonelystar说的不全对，光靠相关函数解决不了许多问题，要求太严格了；对于第二种方式，虽然一个平稳随机过程在无限时间上不能进行傅立叶变换，但是对于有限区间，傅立叶变换总是存在的，可以先架构有限时间区间上的变换，在对时间区间取极限，这个定义方式就是当前快速傅立叶变换（FFT）估计谱密度的依据；第三种方式是根据维纳的广义谐和分析理论：Generalized harmonic analysis, Acta Math, 55(1930),117-258,利用傅立叶-斯蒂吉斯积分，对均方连续的零均值平稳随机过程进行重构，在依靠正交性来建立的。 另外，对于非平稳随机过程，也有三种谱密度建立方法，由于字数限制，功率谱
设计出一套完整的系统，对信号进行频谱分析和滤波处理； 1．产生一个连续信号，包含低频，中频，高频分量，对其进行采样，进行频谱分析，分别设计三种高通，低通，带通滤波器对信号进行滤波处理，观察滤波后信号的频谱。 2.采集一段含有噪音的语音信号（可以录制含有噪音的信号，或者录制语音后再加进噪音信号），对其进行采样和频谱分析，根据分析结果设计出一合适的滤波器滤除噪音信号。 %写上标题 %设计低通滤波器： [N,Wc]=buttord() %估算得到Butterworth低通滤波器的最小阶数N和3dB截止频率Wc [a,b]=butter(N,Wc); %设计Butterworth低通滤波器 [h,f]=freqz(); %求数字低通滤波器的频率响应 figure(2); % 打开窗口2 subplot(221); %图形显示分割窗口 plot(f,abs(h)); %绘制Butterworth低通滤波器的幅频响应图 title(巴氏低通滤波器''); grid; %绘制带网格的图像 sf=filter(a,b,s); %叠加函数S经过低通滤波器以后的新函数 subplot(222); plot(t,sf); %绘制叠加函数S经过低通滤波器以后的时域图形 xlabel('时间(seconds)'); ylabel('时间按幅度'); SF=fft(sf,256); %对叠加函数S经过低通滤波器以后的新函数进行256点的基—2快速傅立叶变换 w= %新信号角频率 subplot(223); plot()); %绘制叠加函数S经过低通滤波器以后的频谱图 title('低通滤波后的频谱图'); %设计高通滤波器 [N,Wc]=buttord() %估算得到Butterworth高通滤波器的最小阶数N和3dB截止频率Wc [a,b]=butter(N,Wc,'high'); %设计Butterworth高通滤波器 [h,f]=freqz(); %求数字高通滤波器的频率响应 figure(3); subplot(221); plot()); %绘制Butterworth高通滤波器的幅频响应图 title('巴氏高通滤波器'); grid; %绘制带网格的图像 sf=filter(); %叠加函数S经过高通滤波器以后的新函数 subplot(222); plot(t,sf); ;%绘制叠加函数S经过高通滤波器以后的时域图形 xlabel('Time(seconds)'); ylabel('Time waveform'); w; %新信号角频率 subplot(223);
对于频谱分析能量守恒的验证 A.环境：MA TLAB fftHvsL.m程序： %fftHvsL.m程序开始，MATLAB库函数fft()和手工函数对信号的频谱分析caiyangHZ=1000; dt=1/caiyangHZ; nfft=256; df=caiyangHZ/nfft; tfinal=dt*(nfft-1); t = 0:dt:tfinal; xinhaohz1=100*df; xinhaohz2=50*df; f1=3; f2=4; x=f1*sin(2*pi*xinhaohz1*t)+f2*sin(2*pi*xinhaohz2*t); m=8; N=256; nxd=bin2dec(fliplr(dec2bin([1:N]-1,m)))+1; y=x(nxd); for mm=1:m Nz=2^mm;u=1; WN=exp(-i*2*pi/Nz); for j=1:Nz/2 for k=j:Nz:N kp=k+Nz/2; t=y(kp)*u; y(kp)=y(k)-t; y(k)=y(k)+t; end u=u*WN; end end %自己编的FFT跟直接调用的函数运算以后的结果进行对比 y1=fft(x,256); Pyy=(abs(y)/nfft).^2; f = df*(0:127); figure(1); subplot(1,2,1);plot(f,Pyy(1:128)) axis([0,600,0,4.5]) title('.m by hand') xlabel('Frequency (Hz)') Pyy=(abs(y1)/nfft).^2;
Xilinx大学生竞赛项目申请报告提纲及说明 1． 项目背景 （1）项目名称：认知无线电的频谱检测 （2） 项目背景：随着无线通信需求的不断增长，可用的频谱资源越来越少，呈现日趋紧张的状况；另一方面，人们发现 全球授权频段尤其是信号传播特性较好的低频段的频谱利 用率极低。认知无线电技术为解决频谱利用率低的问题提 供了行之有效的方法。由于认知无线电在使用空闲频段进 行通信的同时不断地检测授权用户的出现，一旦检测到授 权用户要使用该频段，认知无线电用户便自动退出并转移 到其他空闲频段继续通信，确保在不干扰授权用户的情况 下，与他们进行频谱共享。这样一来，在没有增加新频段 的情况下提升了用户量，且保证授权用户和认知用户通信 的可靠性，大大提高了频谱的使用效率。 （3）项目内容：本次课题主要研究认知无线电频谱检测的FPGA 实现。目前最为常用的认知无线电频谱检测方法是能量检 测。我们将一路电视信号下变频至基带信号再进入电路调 理模块对信号进行50欧匹配，并对信号进行放大，然后用 宽带A/D对信号进行采样，将采样后的数字信号做8点FFT 运算，再通入能量和累加电路，最后通过能量阈值判决电 路，判断频带的利用情况，从而找到频谱空穴，为认知无 线电的功能实现打下基础。 （4）项目难点：（1）高效低成本的FFT模块的设计与实现。 （2）累加器和阈值判决电路模块的设计与实现。 （5）项目的开发意义：认知无线电的显著特征是具有认知能 力，认知功能包括频谱感知，频谱分析和频谱判决。频谱 感知用于频谱空穴检测，是认知无线电系统实现的前提之 一。 （6） 硬件开发平台：Spartan 3E Board 2． 频谱感知的背景知识 本次设计以四通道的电视信号为例进行实现，在我国一路电视信号的传输需要8M的带宽，那么传输四路电视信号需要32M的带宽才 能实现。 我们将该四路电视信号进行复信号处理和频谱搬移，使其生成I,Q 两路正交信号，其AD频率采样为32MHZ，为了检测各个通道的频谱
认知无线电频谱感知技术现状研究 【摘要】近年来无线电技术飞速发展，无线通信得到广泛应用，随之而来的是更多的用户需求与无线电频谱资源紧张的矛盾。认知无线电可以有效地解决无线通信中频谱资源紧张的问题，为资源的高效利用提供方案。 【关键词】节点选择；频谱感知；协作频谱感知 从1999年CR这一概念被Joseph Mitola III提出至今，认知无线电技术一直为无线通信研究的热门。认知无线电技术和频谱感知技术的发展日新月异，近期开始有更多的学者开始研究复杂环境下的协作频谱感知方案。 一、认知无线电 Simon Haykin定义CR通过构建理解方法论来学习环境并且通过实时改变运行过程中的某些参数来适应环境带来的统计变化，这些参数包括载频、调制方法和发射功率等参数。总之它是一种感知周围环境的智能无线通信系统，其中核心目标包括：随时随地，高度可靠的通信和高效的频带利用率。Simon Haykin构建CR的框架是从信号处理和自适应过程的角度进行的。另外，Joseph Mitola III认为，为了提高无线电技术的灵活性，认知无线电技术使用“；无线电知识表达语言”；（Radio Knowledge Representation Language，RKRL）。这一语言将会逐步演变成由软件进行配置，符合网络或者用户要求的通信功能和参数的软件无线电。CR通过对环境的观察、自身定位、计划决策、学习、判断和执行来完成自身功能的循环。 同时，美国联邦通讯委员会发布的FCC 03-322文件，申明了CR是一种能通过和其所在的环境相互作用来改变自身发射频率的无线电技术。包括主动地与其他频带使用用户进行交流协商或者通过被动的感知与判断等方式[1]。FCC还具体对CR的使用标准和适用场合做了规定。 二、频谱感知技术 在CR中，频谱感知已经成为核心研究内容，而且频谱感知技术目前又以对主用户发射机进行检测的为主。对发射机进行检测分为单节点检测和多节点检测（又称作合作检测或者协作频谱感知）。单节点检测主流的方法又有能量检测（Energy Detection），循环平稳特性检测（Cyclostationarity）和匹配滤波器检测（Matched Filtering Detection）。 协作频谱感知，又称多节点频谱检测。由于主用户的发送信号经过不同的衰落的信道到达感知从用户（CU），因此主用户的信号伴随着一定的阴影效应或多径衰落，将多个CU的单节点检测作为可以互相协作的整体，共同对同一段频谱进行感知，多节点能量检测技术可以通过AP的信息融合技术，将这一信道的不良干扰大幅度降低。这样，在AP通过特定的融合、判决后得到对主用户LU的
https://www.doczj.com/doc/c617149284.html,/article/11-09/422921315975560.html 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3 个方面。因此，目前频谱感知技术的研究大多数集中在本地感知、协作感知和感知机制优化3个方面。文章正是从这3个方面对频谱感知技术的最新研究进展情况进行了总结归纳，分析了主要难点，并在此基础上讨论了下一步的研究方向。 1 本地感知技术 1.1 主要检测算法 本地频谱感知是指单个认知用户独立执行某种检测算法来感知频谱使用情况，其检测性能通常由虚警概率以及漏检概率进行衡量。比较典型的感知算法包括： 能量检测算法，其主要原理是在特定频段上，测量某段观测时间内接收信号的总能量，然后与某一设定门限比较来判决主信号是否存在。由于该算法复杂度较低，实施简单，同时不需要任何先验信息，因此被认为是CR系统中最通用的感知算法。 匹配滤波器检测算法，是在确知主用户信号先验信息(如调制类型，脉冲整形，帧格式)情况下的最佳检测算法。该算法的优势在于能使检测信噪比最大化，在相同性能限定下较能量检测所需的采样点个数少，因此处理时间更短。 循环平稳特征检测算法，其原理是通过分析循环自相关函数或者二维频谱相关函数的方法得到信号频谱相关统计特性，利用其呈现的周期性来区分主信号与噪声。该算法在很低的信噪比下仍具有很好的检测性能，而且针对各种信号类型独特的统计特征进行循环谱分析，可以克服恶意干扰信号，大大提高检测的性能和效率。 协方差矩阵检测算法，利用主信号的相关性建立信号样本协方差矩阵，并以计算矩阵最大、最小特征值比率的方法做出判决。文献[1]提出基于过采样接收信号或多路接收天线的盲感知算法。通过对接收信号矩阵的线性预测和奇异值分解(QR)得到信号统计值的比率来判定是否有主用户信号。 以上这些算法都是对主用户发射端信号的直接检测，基本都是从经典的信号检测理论中移植过来的。此外，近期一些文献从主用户接收端的角度提出了本振泄露功率检测和基于干扰温度的检测。有些文献对经典算法进行了改进，如文献[2]提出了一种基于能量检测-循环特征检测结合的两级感知算法。文献[3]研究了基于频偏补偿的匹配滤波器检测、联合前向和参数匹配的能量检测、多分辨率频谱检测和基于小波变换频谱检测等。表2归纳了文献中提及较多的一些感知算法，并对其优缺点进行了比较。
Matlab 信号处理工具箱 谱估计专题 频谱分析 Spectral estimation （谱估计）的目标是基于一个有限的数据集合描述一个信号的功率（在频率上的）分布。功率谱估计在很多场合下都是有用的，包括对宽带噪声湮没下的信号的检测。 从数学上看，一个平稳随机过程n x 的power spectrum （功率谱）和correlation sequence （相关序列）通过discrete-time Fourier transform （离散时间傅立叶变换）构成联系。从normalized frequency （归一化角频率）角度看，有下式 ()()j m xx xx m S R m e ωω∞ -=-∞ = ∑ 注：()() 2 xx S X ωω=，其中()/2 /2 1 lim N j n n N n N X x e N ωω→∞=-=∑ πωπ-<≤。其matlab 近似为X=fft(x,N)/sqrt(N)，在下文中()L X f 就是指matlab fft 函数的计算结果了 使用关系2/s f f ωπ=可以写成物理频率f 的函数，其中s f 是采样频率 ()()2/s jfm f xx xx m S f R m e π∞ -=-∞ = ∑ 相关序列可以从功率谱用IDFT 变换求得： ()()()/2 2//2 2s s s f jfm f j m xx xx xx s f S e S f e R m d df f πωπ π ωωπ--= =? ? 序列n x 在整个Nyquist 间隔上的平均功率可以表示为 ()()() /2 /2 02s s f xx xx xx s f S S f R d df f π π ωωπ- -= =?? 上式中的
龙源期刊网 https://www.doczj.com/doc/c617149284.html, 无线电频谱检测技术研究 作者：侯晋军 来源：《科学与财富》2020年第02期 摘要：在我国不断繁荣昌盛的背景下，我国经济的不断发展，科技水平的不断提升，促进了我国的无线电技术的广泛应用，这不仅改善了我们日常生活，还使得我们的生活变得更加便利。在无线电技术应用范围变得愈加广泛的同时，对无线电网管理方面的问题也随之产生，这成为了阻碍无限电技术进一步发展的主要因素。 关键词：无线电;频谱检测;技术 引言 我们通常情况下所提及的无线电技术所指的就是通过运用无线电磁波搭载信息进行传输的一项通信技术，在通电的导线中改变电流的大小会在导线周围产生磁场，变化的磁场又会产生电场从而形成电磁波以无线电波的形式传播出去，利用这个原理可以将电信号进行调制搭载与无线电波上进行传输。 1无线电监测系统的基本原理 频谱监测系统的工作原理十分简单，利用频谱监测系统，能够有效的监测在无线电工作环境下所产生的数据，与此同时，运用频谱监测系统能够有效的检测出限制的频谱系统，并对其加以利用，从而实现对无线电资源的整合与合理地分配和利用，以解决频谱资源紧缺的问题，同时还能在一定程度上减少对无线电监测所产生的影响。运用无线电频谱监测技术的有利之处在于能够减少运用过程中对用户造成的影响，确保用户的正常使用，与此同时还能够对准确的检测出闲置的无线电频谱系统，并加以从分利用。无线电频谱监测技术时无线电监测技术中最有效的、应用范围最广的监测系统，在我们的日程生活中，无线电监测系统扮演者重要的角色，是我们不可或缺的一部分。 2无线电频谱监测关键技术的分类 2.1确定监测频段，合理设置扫描起止频率 设置无线电监测系统相关参数时，相关工作人员应尽可能地设置同种业务扫描频段，并合理设置扫描步进、滤波带宽及起止频率等，以提升无线电监测系统的运营效率。同时，工作人员可根据ITU频谱监测手册中关于频谱占用度测量技术指标的相关规定，科学合理地选择频段、扫描方式以及测量方法等，从而使无线电监测系统的回扫时间满足標准。此外，为进一步保证监测数据的准确性和合理性，工作人员设置连续监测时间时，应尽量合理地延长时间间
认知无线电的频谱感知技术研究 0 引言 随着无线通讯业务的增长，可利用的频带日趋紧张，频谱资源匾乏的题目日益严重。世界各国现行的频率使用政策除分配极少的ISM频段之外，大多采用许可证制度。而获得许可的用户，并非全部都是全天候占用许可频段，一些频带部分时间内并没有用户使用，另有一些偶然才被占用，即使系统频谱使用率低，仍无法将空间的频谱分配给其他系统使用，即无法实现频谱共享。怎样才能进步频谱利用率，在不同区域和不同时间段里有效地利用不同的空闲频道，成为人们非常关注的技术题目。为了解决该题目，Joseph Mito1a于1999年在软件无线电的基础上提出了认知无线电(Cognitive Radio，简称CR)的概念，要实现动态频谱接进，首先要解决的题目就是如何检测频谱空穴，避免对主用户的干扰，也就是频谱感知技术。CR用户通过频谱感知检测主用户是否存在，从而利用频谱空穴。 1 匹配滤波器检测(Matched Filtering) 匹配滤波器是一种最优的信号检测法，由于在输出端它能够使信号的信噪比达到最大。匹配滤波器最大的优点就是能够在短时间里获得高处理增益。但是使用匹配滤波器进行信号检测必须知道被检测的主用户信号的先验知识，比如调制方式、脉冲波形、数据包格式等，假如这些信息不正确就会严重影响其性能，同时匹配滤波器计算量也较大。因此它可以用来检测一些特定的信号，但是每类主用户认知无线电都要有一个专门的接收器，这就增加了系统的资源耗费量和复杂度。 2 能量检测(Energy Detector—Based Sensing) 能量检测是一种较简单的信号非相干检测方法。根据基本假设模型，在高斯加性白噪声(AWGN)信道情况下，采用能量检测法进行主用户信号检测的性能。在AWGN信道非衰落的环境中，可知信道增益h是确定的。在H1下，当接收到的信号超过判决门限进时，判定主用户信号存在。在H0下，当接收信号超过判决门限时，则会作出错误的判定。分别用Pd 和Pf，来表示检测到主用户的概率(检测概率)和错误判定警报的(虚警)概率，对H．Urkowitz 的研究结果进行简化，可以得到通过无衰落的AWGN信道检测的概率和虚警概率的近似表达式为 其中：γ是信噪；σ是一个正数；r0，r(，g)是方差；是完整和不完整Gamma函数；Qm是普遍马库姆(Marcum)函数，其定义为
实验一典型信号频谱分析 一.实验要求 1.在理论学习的基础上，通过本实验熟悉典型信号的波形和频谱特征，并能够从信号频谱中读取所需的信息。 2.了解信号频谱分析的基本方法及仪器设备。 二.实验原理提示 1.典型信号及其频谱分析的作用 正弦波、方波、三角波和白噪声信号是实际工程测试中常见的典型信号，这些信号时域、频域之间的关系很明确，并且都具有一定的特性，通过对这些典型信号的频谱进行分析，对掌握信号的特性，熟悉信号的分析方法大有益处，并且这些典型信号也可以作为实际工程信号分析时的参照资料。本实验利用labVIEW虚拟仪器平台可以很方便的对上述典型信号作频谱分析。 2.频谱分析的方法及设备 信号的频谱可分为幅值谱、相位谱、功率谱、对数谱等等。对信号作频谱分析的设备主要是频谱分析仪，它把信号按数学关系作为频率的函数显示出来，其工作方式有模拟式和数字式二种。模拟式频谱分析仪以模拟滤波器为基础，从信号中选出各个频率成分的量值；数字式频谱分析仪以数字滤波器或快速傅立叶变换为基础，实现信号的时-频关系转换分析傅立叶变换是信号频谱分析中常用的一个工具，它把一些复杂的信号分解为无穷多个相互之间具有一定关系的正弦信号之和，并通过对各个正弦信号的研究来了解复杂信号的频率成分和幅值。 信号频谱分析是采用傅立叶变换将时域信号x(t)变换为频域信号X(f)，从而帮助人们从另一个角度来了解信号的特征。时域信号x(t)的傅氏变换为： 式中X(f)为信号的频域表示，x(t)为信号的时域表示，f为频率。用傅立叶变换将信号变换到频率域，其数学表达式为： 式中Cn画出信号的幅值谱曲线，从信号幅值谱判断信号特征。 本实验利用labVIEW平台上搭建的频谱分析仪来对信号进行频谱分析。由虚拟信号发生器产生一个典型波形的电压信号，用频谱分析仪对该信号进行频谱分析，得到频谱特性数据。分析结果用图形在计算机上显示出来，也可以通过打印机打印出来。
摘要：频谱感知作为认知无线电的关键技术之一，允许非授权用户伺机访问未使用的授权频带资源，从而大大改善了频谱利用率，并且具有较低的部署成本和较好的兼容性。文章首先介绍了认知无线电的概念和频谱感知提出的背景；然后详细探讨了频谱感知面临的技术挑战和设计权衡，并考虑了安全性问题；最后对可能威胁频谱感知的安全问题进行了说明并给出了结论。 关键词：认知无线电；软件无线电；频谱感知；动态频谱访问；协同感知 王海涛1江瑾尧2（1.解放军理工大学通信工程学院南京210007； 2.解放军理工大学理学院南京211101） 认知无线电网络中的频谱感知技术及面临的挑战 收稿日期：2010-03-10 1前言 当前无线频谱资源日趋紧张，造成这种状况的 原因主要包括以下几个方面：一是资源本身有限；二是无线设备和应用越来越普及，消费者对无线频谱的需求越来越大；三是无线频谱资源的分配极不合理。因此， 有效搜索和利用未用的频谱是一项富有挑战的任务。频谱分配方式主要有两种[1]： 专用方式，出售或分配给具有唯一支配权的服务提供商或机构；公用方式，可以按照协商的方式共同使用频谱资源。需要指出的是，当前主要采用第一种分配方式，固定为用户分配指定的独占频带，这种分配方式非常低效和呆板，很快将会耗尽可用的频谱资源。实际上，许可频谱不论在时间和空间上都没有得到充分利 用。据Shared Spectrum 公司报导，所有可用频带的平均利用率不到10%，在某些频带，如30～300M Hz ，甚至低于2%[2]。专用分配方式和严格的管制策略是极 不合理的，人为加剧了无线资源的短缺问题。为此，管理层考虑实施新的频谱管理策略，引入了动态频谱访问（DSA ）的概念[3]，即允许非许可用户（ULU ）伺机利用许可用户（LU ）未使用的频带。 近来，FCC 已允许非许可用户访问TV 频带的频谱空洞。在此基础上， IEEE 也成立了IEEE 802.22工作组负责开发相应的空中接口和此方面的标准化工 作[1]。认知无线电（Cognitive Radio ，CR ）正是在这种背 景下产生的一种崭新的无线通信模式，最早是由 Joseph M itola 博士于1999年提出的[4]。认知无线电是在软件无线电（SR ）的基础上增加了频谱感知和智能处理能力，允许认知无线电设备通过感知无线环境，按 照伺机（Opportunistic ）方式动态利用在空域、频域和时域上出现的空闲频谱资源（称为频谱空洞，即指分配给某授权用户但在特定时间和位置该用户没有使 用的频带 ），从而提高现有频谱资源的利用率。2频谱感知技术 2.1 基本技术 认知无线电设备必须能够感知并分析特定区域的频段，找出适合通信的频谱空洞，在不影响已有通信系统的前提下进行工作，将认知无线电用户通过扫描频带以确定哪些频带可用于数据传输的过程称 为频谱感知。由此可见，频谱感知（或频谱检测）技术 是CR 应用的基础和前提[5]。CR 用户在工作时必须频繁地对当前工作频段和其他频段进行感知操作。对当前工作频段感知的目的是检测频段是否出现主用户：当出现主用户时可以进行快速的规避，放弃对当前工作频段的占用，从而避免对主用户形成干扰。对其他频段感知的目的是对周围其他频段的频谱使用状况进行监测：一方面在当前工作频段不可用时，可以及时切换到其他可用的工作频段；另一方面，可以 20