[论文解读] Compressive Wideband Spectrum Sensing for Fixed Frequency Spectrum Allocation

Yipeng Liu, Qun Wan|arXiv (Cornell University)|May 11, 2010

Sparse and Compressive Sensing Techniques参考文献 22被引用 12

一句话总结

本文提出了一种认知无线电的压缩宽带频谱感知方法，利用已知的固定频带分配边界作为先验知识，以提升频谱估计性能。通过引入一种混合l2/l1范数去噪算子（MNDO），在预定义的频谱块内强制实现局部稀疏性，从而在亚奈奎斯特采样率下，相较于标准l1范数方法，实现了更优的精度与去噪性能。

ABSTRACT

Too high sampling rate is the bottleneck to wideband spectrum sensing for cognitive radio (CR). As the survey shows that the sensed signal has a sparse representation in frequency domain in the mass, compressed sensing (CS) can be used to transfer the sampling burden to the digital signal processor. An analog to information converter (AIC) can randomly sample the received signal with sub-Nyquist rate to obtained the random measurements. Considering that the static frequency spectrum allocation of primary radios means the bounds between different primary radios is known in advance, here we incorporate information of the spectrum boundaries between different primary user as a priori information to obtain a mixed l2/l1 norm denoising operator (MNDO). In the MNDO, the estimated power spectrum density (PSD) vector is divided into block sections with bounds corresponding different allocated primary radios. Different from previous standard l1-norm constraint on the whole PSD vector, a sum of the l2 norm of each section of the PSD vector is minimized to encourage the local grouping distribution while the sparse distribution in mass, while a relaxed constraint is used to improve the denoising performance. Simulation demonstrates that the proposed method outperforms standard sparse spectrum estimation in accuracy, denoising ability, etc.

研究动机与目标

• 解决认知无线电宽带频谱感知中的高采样率瓶颈问题。
• 利用固定频带频谱分配边界的先验知识，以增强频谱估计性能。
• 开发一种去噪框架，以在已分配频带内促进局部稀疏性，同时保持全局稀疏性。
• 通过压缩感知降低采样负担，同时保持高估计精度。
• 在固定频谱分配条件下，提升宽带频谱感知对噪声的鲁棒性。

提出的方法

• 该方法使用模拟到信息转换器（AIC）对宽带信号执行亚奈奎斯特随机采样。
• 提出一种混合l2/l1范数去噪算子（MNDO），将功率谱密度（PSD）向量划分为对应于已知主用户频带的块。
• 在每个块内，最小化l2范数以促进能量的局部聚集，同时整体l1范数促进全局稀疏性。
• 施加一种松弛约束，以在噪声环境中提升去噪性能。
• 求解优化问题，以从压缩测量中估计PSD向量。
• 该方法利用已知的频谱边界来构建稀疏模式，从而提升重建保真度。

实验结果

研究问题

• RQ1 固定频带分配的先验知识是否能提升压缩宽带频谱感知的准确性？
• RQ2 在已分配频带内强制实现局部稀疏性对频谱估计性能有何影响？
• RQ3 混合l2/l1范数去噪算子（MNDO）是否优于标准l1范数最小化方法？
• RQ4 在保持可靠频谱感知的前提下，亚奈奎斯特采样能在多大程度上降低采样率？
• RQ5 与传统稀疏恢复技术相比，该方法在噪声处理方面表现如何？

主要发现

• 所提出的MNDO方法在频谱估计精度上优于标准l1范数最小化方法。
• 由于采用松弛约束和分块l2正则化，该方法表现出更优的去噪能力。
• 仿真结果证实了其在精度和抗噪鲁棒性方面的性能提升。
• 该方法通过在奈奎斯特率以下运行，有效降低了采样需求。
• 引入已知频谱边界显著提升了重建保真度。
• 混合l2/l1范数结构成功捕捉了已分配频带内的局部能量集中特性。