[论文解读] Demonstration of Spectrum Sensing with Blindly Learned Feature

Peng Zhang, Robert C. Qiu+1 more|arXiv (Cornell University)|Feb 24, 2011

Blind Source Separation Techniques参考文献 6被引用 5

一句话总结

本文提出了一种盲特征学习算法（FLA）和一种特征模板匹配（FTM）检测器，利用信号协方差矩阵的主特征向量作为认知无线电中频谱感知的已学习局部特征。在软件定义无线电（SDR）平台上实现后，FTM相较于盲式CAV检测器实现了约3 dB的检测性能增益，表明即使在缺乏信号参数先验知识的情况下，通过盲学习特征也能显著提升感知精度。

ABSTRACT

Spectrum sensing is essential in cognitive radio. By defining leading extit{eigenvector} as feature, we introduce a blind feature learning algorithm (FLA) and a feature template matching (FTM) algorithm using learned feature for spectrum sensing. We implement both algorithms on Lyrtech software defined radio platform. Hardware experiment is performed to verify that feature can be learned blindly. We compare FTM with a blind detector in hardware and the results show that the detection performance for FTM is about 3 dB better.

研究动机与目标

• 解决在低信噪比（SNR）、噪声不确定性及未知信道条件下认知无线电中的频谱感知挑战。
• 开发一种无需先验知识即可盲式学习主用户信号特征的方法。
• 通过将信号协方差矩阵的主特征向量用作鲁棒的局部特征，提升检测性能。
• 在真实世界的软件定义无线电（SDR）硬件平台上实现并验证所提出的算法。

提出的方法

• 将接收信号样本协方差矩阵的主特征向量定义为信号特征，利用其在非白化WSS信号中的稳定性和抗噪鲁棒性。
• 提出一种盲特征学习算法（FLA），通过基于阈值的相似性度量，测量连续感知段之间的相似性来估计信号特征。
• 开发了一种特征模板匹配（FTM）检测器，利用学习到的主特征向量作为先验知识以提升检测性能。
• FTM检测器基于接收信号向量在学习到的特征向量上的投影计算检验统计量，从而在低SNR条件下增强检测性能。
• 在Lyrtech SDR平台上实现FLA、FTM和CAV算法，使用FPGA进行协方差计算，DSP进行特征向量和检验统计量计算。
• 采用快速主成分分析（FPCA）以降低计算复杂度，实现实时处理，N=32，Ns=2^20。

实验结果

研究问题

• RQ1 能否在实时、硬件实现的认知无线电系统中盲式学习信号协方差矩阵的主特征向量？
• RQ2 与完全盲式检测器相比，使用盲式学习到的信号特征作为先验知识是否能提升频谱感知性能？
• RQ3 在仿真和硬件实验中，所提出的FTM检测器的检测性能与理论上限（EC）和下限（MME/CAV）相比如何？
• RQ4 在非视 Line-of-Sight（NLOS）室内环境中，使用学习特征相较于盲检测可实现多大的SNR性能增益？
• RQ5 在真实世界环境中，学习到的特征是否能在长时间内以及在不同传播条件下保持稳定？

主要发现

• 信号协方差矩阵的主特征向量是一种稳定且鲁棒的特征，即使在低SNR和未知信道条件下，也能实现实时盲学习。
• 硬件实验表明，首段与末段感知段特征之间的相似度达94.3%，证实了在NLOS室内环境中20秒内特征的稳定性。
• 在硬件实验中，FTM检测器相较于盲式CAV检测器实现了3 dB的性能增益，仅需-119 dBm的接收功率即可达到100%检测概率，而CAV需-116 dBm。
• 仿真结果表明，FTM性能介于理论上限（EC）和下限（MME/CAV）之间，FTM在-18 dB SNR时即可实现100%检测概率，而MME/CAV需-16 dB SNR。
• 采用快速主成分分析（FPCA）的实现使特征向量计算时间小于20 ms，实现了实时性能，证明了其在实际SDR部署中的可行性。