[论文解读] Spectrum Sensing Based on Blindly Learned Signal Feature

Peng Zhang, Robert C. Qiu|arXiv (Cornell University)|Feb 14, 2011

Blind Source Separation Techniques参考文献 17被引用 4

一句话总结

本文提出了一种新型的频谱感知方法，通过无监督学习信号特征（定义为接收信号样本协方差矩阵的主特征向量）实现，该特征由特征学习算法（FLA）提取。特征模板匹配（FTM）算法利用此学习到的特征作为先验知识，在SNR性能上相比MME等盲方法获得约2 dB增益，同时对噪声不确定性具有鲁棒性，并在真实环境条件下保持长期稳定。

ABSTRACT

Spectrum sensing is the major challenge in the cognitive radio (CR). We propose to learn local feature and use it as the prior knowledge to improve the detection performance. We define the local feature as the leading eigenvector derived from the received signal samples. A feature learning algorithm (FLA) is proposed to learn the feature blindly. Then, with local feature as the prior knowledge, we propose the feature template matching algorithm (FTM) for spectrum sensing. We use the discrete Karhunen--Lo{è}ve transform (DKLT) to show that such a feature is robust against noise and has maximum effective signal-to-noise ratio (SNR). Captured real-world data shows that the learned feature is very stable over time. It is almost unchanged in 25 seconds. Then, we test the detection performance of the FTM in very low SNR. Simulation results show that the FTM is about 2 dB better than the blind algorithms, and the FTM does not have the noise uncertainty problem.

研究动机与目标

• 解决认知无线电在低SNR和未知信道条件下的频谱感知挑战。
• 克服依赖通用信号特征的盲能量检测和基于先验的方法的局限性。
• 开发一种无需预先知晓噪声或信号能量信息即可学习特定位置信号特征的方法。
• 通过利用作为先验知识的鲁棒且稳定的信号特征，提升低SNR条件下的检测性能。
• 消除传统能量检测方法固有的噪声不确定性问题。

提出的方法

• 信号特征定义为接收信号块样本协方差矩阵的主特征向量，基于离散Karhunen–Loève变换（DKLT）推导得出。
• 提出一种特征学习算法（FLA），通过分析连续信号段，即使在低SNR条件下也能无监督地从接收信号中提取该特征。
• 特征模板匹配（FTM）算法利用学习到的主特征向量作为先验，检测主用户信号的存在。
• 该方法基于DKLT原理，确保主特征向量在信号表示上最优，并最大化有效SNR。
• 在处理前应用预白化滤波器，以稳定协方差矩阵的估计。
• FTM中的检测阈值与SNR和噪声能量无关，从而避免了噪声不确定性问题。

实验结果

研究问题

• RQ1 能否在无先验知识的前提下，从样本协方差矩阵的主特征向量中可靠地学习到信号特征，即使在低SNR条件下？
• RQ2 在存在瑞利衰落和噪声的真实环境中，所学习到的信号特征在时间上的稳定性如何？
• RQ3 与完全盲的算法相比，使用无监督学习的信号特征是否能提升频谱感知性能？
• RQ4 所提出的方法是否消除了基于能量检测中常见的噪声不确定性问题？
• RQ5 与传统盲频谱感知技术相比，所提出方法的SNR增益是多少？

主要发现

• 在25秒的真实DTV测量中，所学习的信号特征保持高度稳定，首段与末段之间的相似度达到99.98%。
• 当主用户信号存在时，连续信号特征之间的相似度在99.46%的时间内超过90%，而仅在0.92%的时间内出现在噪声中，证实了特征的稳定性。
• 在SNR = -22 dB、虚警率10%的条件下，FTM算法的检测概率达到80%，而MME的检测概率仅为42%。
• 为实现约100%的检测概率和10%的虚警率，FTM所需的最小SNR比MME低约2 dB。
• FTM的检测阈值与SNR和噪声能量无关，证实其完全避免了噪声不确定性问题。
• 根据DKLT理论，主特征向量作为信号特征可提供最大有效SNR，并对白高斯噪声具有鲁棒性。