认知无线电宽带频谱感知试验研究

郑仕链，何斌，杨伟程

(1.通信信息控制和安全技术重点实验室，浙江嘉兴314033;2.中国电子科技集团公司第三十六研究所，浙江嘉兴314033)

0 引言

认知无线电技术是一项有望解决当前无线频谱利用率低下问题的智能无线通信技术，它通过使用主用户暂时不用的频谱空穴来提高无线频谱的利用率［1］。为了避免对主用户造成有害干扰，在通信前以及通信过程中，认知用户需要检测频谱，寻找频谱空穴进行通信。该问题即为频谱感知问题，频谱感知是认知无线电得以实现的前提条件［2］。目前研究人员已提出很多频谱感知方法，包括针对单个窄带信道的二元检测频谱感知以及针对宽频段的宽带频谱感知。宽带频谱感知可以采用多种方式来实现。一种简单的宽带频谱感知就是将感知频段划分成多个窄带，然后通过模拟前端调谐对各个窄带进行二元检测，这种方法可能导致感知时间过长;另一种方法是采用模拟滤波器组同时完成对多个窄带的检测，但是却增加了硬件实现复杂度［3］。第三种方法是采用专门的硬件实现多分辨率频谱感知［4］，但是采用这种方法意味着频谱感知与认知无线电的通信接收需要采用两个完全独立的架构。最后一种折衷的实现途径就是采用宽带中频结构，每次针对宽带采样后的信号完成较宽频段的分析，并且通过前端调谐完成整个感知频段的分析，这样就能在感知时间和硬件实现复杂度之间进行折衷。本文即针对这一种实现途径，介绍宽带频谱感知方法、设计宽带频谱感知试验平台、以实际信号进行试验并对试验结果进行讨论。

1 宽带频谱感知方法

针对宽带采样后的宽带频谱感知问题，目前已提出了多种方法。基于快速Fourier变换(Fast Fourier Transform，FFT)的能量检测是一种常用的传统方法，它相当于是一种周期图谱功率谱估计方法。文献5详细讨论了多抽头谱估计方法在频谱感知中的应用，相对于周期图法在估计偏差与估计方差折中上具有明显优势。文献6提出采用滤波器组谱估计并详细比较了其与多抽头法的性能优劣。文献7提出了基于多相滤波器组的宽带频谱感知方法，与FFT相比，具有计算复杂度更低的优势。文献3提出利用小波变换对功率谱密度进行分析，从而得到各个子带的边界位置，再通过估计各个子带的平均功率谱以判定是否为频谱空穴。文献8提出多子带联合检测技术，为设定门限，需要知道噪声功率。文献9提出一种可估计噪声功率的宽带频谱感知方法，性能要优于噪声功率不确定性影响的能量检测，但该方法的前提是要假设一定数量的空穴。文献10将主用户占用信道数的估计问题转化为信号源数的估计问题，然后利用信息论的AIC和MDL准则检测信号数。文献11提出了一种基于连续均值切除法(Forward Consecutive Mean Excision，FCME)的双门限宽带频谱感知方法，这种方法的优点在于无需估计噪声功率。文献12对主用户采用多载波调制的情况进行讨论，采用最大似然估计(用最小二乘估计取代)各个子信道的噪声功率和信号功率，从而判断哪些子信道为频谱空穴。文献13采用高斯混合模型对频谱数据进行聚类，然后利用隐马尔可夫模型进行最终判决，从而得到频谱空穴信息。文献14则对此进行扩展，讨论了多天线接收情况下基于隐马尔可夫模型的宽带频谱感知。考虑到在实际系统中实现简单的特点，本文主要针对宽带能量检测、多抽头谱估计以及基于FCME的宽带频谱感知进行讨论。

1.1 宽带能量检测

本文考虑的能量检测采用基于FFT的信道化能量检测。假设采用N点FFT进行分析，每个子带占用的点数为N/(2M)=L(注意这里考虑了负频率)。为便于分析，假设L为整数，则宽带能量检测过程如下。首先对信号x(n)进行N点FFT，得到:

然后计算各个子带的功率(由于实信号频谱的对称性，只需要计算正频率对应的频谱数据)，第i个(i=1，2，…，M)信道的功率Yi即为其对应的L个频域数据模平方和的均值，最后将Yi与特定的门限比较，就可判定第i个信道是否被占用。门限的设定有多种方式。如果可以估计各个信道的噪声功率，则可以对各个信道设定不同的门限，满足各种检测性能要求。另一方面，基于加性白高斯噪声功率谱平坦这一特点，可以假设各个信道噪声功率一致，这种情况下则可以对所有信道采用统一的门限，进一步简化了检测过程。

1.2 多抽头谱估计

宽带能量检测方法实际上就是根据周期图法得到的功率谱计算各个信道能量的方法。多抽头谱估计方法相对于周期图谱估计则具有更小的偏差和方差［5］。

令n表示离散时间，给定时间序列x(n)，n=0，1，…，N-1，多抽头谱估计估计为:

虽然低阶的特征谱具有很好的偏差性能，但是随着阶数K趋近于极限值，特征谱的性能逐渐下降。自适应多抽头谱估计则无需设定抽头数，其递推式如下:

1.3 基于FCME的宽带频谱感知

几种方法在门限的设定上需要估计噪声功率，然后以虚警概率要求进行门限的设定。然而，基于FCME的感知方法的门限设定则无需估计噪声功率，这对实际实现帮助很大。设{yi为信号x(n)的离散功率谱数据，FCME将观测值yi按从小到大的顺序进行排序，为表示方便，用{y}表示排序后的观测序列。选择值最小的m个观测值作为初始“纯净”集，该集合通常为整个观测集合的一小部分，例新计算zm，否则，终止算法。持续该过程直到算法终止时，λ=Tzm即为判决门限。

为进一步提高性能，文献11中提出基于FCME的双门限频谱感知。给定门限T1和T2(T1＞T2)，按FCME流程得到判决门限λU和λL(λU＞λL)。根据门限λL将频谱数据分成不同的簇。一个簇由各个相邻的样本点组成，频率上不间断，样本值都大于门限λL或都小于门限λL。对于值小于λL的簇，判决为噪声子带。对于值大于门限λL的簇，如果其中有一个值大于门限λU，则认为该簇为主用户信号占用的子带，否则，认为是噪声子带。

2 宽带频谱感知试验平台

为对各种宽带频谱感知方法的性能进行试验分析，本文建立并实现了认知无线电宽带频谱感知试验平台，其硬件架构基于宽带中频带通采样软件无线电结构进行设计［15］，如图1所示，其主要包括天线、射频前端、模数转换器(Analog-to-Digital Converter，ADC)以及数字信号处理单元。

图1 频谱感知试验平台结构

宽带频谱感知硬件的设计很大程度上考虑了目前主流商用ADC的限制，包括ADC的采样速率、工作频率、量化位数等。首先，认知无线电频谱感知的系统带宽BS可能很宽，如IEEE 802.22要求的工作频段为41～910MHz，在Nyquist采样理论下，要完成对整个系统带宽的瞬时采样要求ADC具有数GHz的采样频率，显然，对目前成熟的商用ADC来说，如此高的采样频率还不能得以很好实现。因此采用将系统带宽BS分成K个子带的方式进行感知。系统瞬时处理带宽为BS/K，通过射频前端的调谐完成对不同子带的分析。其次，采用固定中频的方式也是为了简化对ADC工作频率的要求，如果直接对射频进行采样，则由于频谱感知工作频段很宽，ADC的最高工作频率很可能达不到要求。最后，这种分子带进行采样分析的方式降低了对ADC采样速率的要求，有利于ADC使用更高的量化位数，从而得到更大的动态范围，在频谱感知时大信号存在时能够对小信号进行分析。虽然大的K值有利于ADC的实现，当时也不可能采用过大的子带数K，这会增加对整个频段进行感知所需耗费的时间，从而降低频谱感知的效率，因此需要折衷设计。设计的宽带频谱感知试验平台的工作频段覆盖30～2 000MHz，其中包含了IEEE 802.22标准中规定的电视频段。另外，中频带宽为宽带模式，带宽为100MHz。采用这种设计既有利于ADC的选择，也有利于满足整个工作频段频谱感知速率的要求。ADC采样后，各种频谱感知算法均在数字域采用FPGA与DSP相结合的方式实现。

3 试验结果

本文针对30～2 000MHz频段对频谱感知进行了试验。试验直接针对空中实际信号进行，各种频谱感知算法在硬件中实现，频谱感知结果从FPGA和DSP的运行结果数据中导出，然后在Matlab中绘图，以更直观体现算法性能。

试验结果如图2所示，为更好的刻画信号细节，仅取了某一频段的一部分来绘图，试验中采用的FFT点数为16 384，图中横坐标均为FFT频域标号，试验中将各点FFT数据看成一个信道进行处理。由图2(b)和图2(a)可知，多抽头谱估计得到的各个信号更为清晰，这主要是由于其方差较小所得的效果，因此更有利于判决。注意图2中给出的门限为参考判决门限。图2(c)是以多抽头谱估计所得功率谱为数据进行的基于FCME的双门限感知结果，由图可知，该方法较好的找到了各个频谱空穴。需要注意的是这些宽带频谱感知比较适合于粗检测。除此之外也对其他精细频谱感知方法进行了试验，限于篇幅，不再详细讨论。

图2 试验结果

4 结束语

宽带频谱感知是认知无线电的一项关键技术。本文构建了宽带频谱感知试验平台，对宽带频谱感知方法进行了试验分析。结果表明，多抽头谱估计比基于周期图的宽带能量检测具有更好的性能，而且基于FCME的双门限宽带频谱感知方法能够较好的找到频谱空穴信息。随着压缩感知技术的发展和成熟［16］，后续研究会考虑基于压缩感知的宽带频谱感知试验平台的设计，以现有商用ADC对更宽的频段进行直接采样分析。

［1］赵知劲，郑仕链，尚俊娜.认知无线电技术［M］.北京:科学出版社，2008:1-52.

［2］郑仕链，楼才义，杨小牛.基于改进混合蛙跳算法的认知无线电协作频谱感知［J］.物理学报，2010，59(5):3 611-3 617.

［3］Tian Z，Giannakis G B.A wavelet approach to wideband spectrum sensing for cognitive radios［C］.Mykonos Island:CrownCom，2006:1-5.

［4］Hur Y，Park J，Woo W，et al.A wideband analog multi-resolution spectrum sensing(MRSS)technique for cognitive radio(CR)systems［C］.Island of Kos:IEEE International symposium on Circuits and Systmes，2006:4 090-4 093.

［5］Haykin S，Thomson D J，Reed J H.Spectrum sensing for cognitive radio［J］.Proceedings of the IEEE，2009，97(5):849-877.

［6］Boroujeny B F.Filter bank spectrum sensing for cognitive radios［J］.IEEE Signal Processing，2008，56(5):1 801-1 811.

［7］Sheikh F，Masud S，Bing B.Harmonic power detection in wideband cognitive radios［J］.IET Signal Processing，2009，3(1):40-50.

［8］Quan Z，Cui S，Sayed A H，et al.Optimal multiband joint detection for spectrum sensing in cognitive radio networks［J］.IEEE Transactions on Signal Processing，2009，57(3):1 128-1 140.

［9］Taherpour A，Gazor S，Nasiri-Kenari M.Wideband spectrum sensing in unknown white Gaussian noise［J］.IET Communications，2008，2(6):763-771.

［10］Liu S，Shen J，Zhang R，et al.Information theoretic criterion-based spectrum sensing for cognitive radio［J］.IET Communications，2008，2(6):753-762.

［11］Vartianien J，Sarvanko H，Lehtomaki J，et al.Spectrum sensing with lad-based methods［C］.Athens:The 18th annual IEEE International Symposium on Personal，Indoor and Mobile Radio Communications，2007:1-5.

［12］Lopez-Valcarce R，Vazquez-Vilar G.Wideband spectrum sensing in cognitive radio:joint estimation of noise variance and multiple signal levels［C］.Perugia:The 10th IEEE International Workshop on Signal Processing Advances in Wireless Communications，2009:96-100.

［13］Reid A B，Coulson A J.Blind wideband spectrum sensing using cluster analysis［C］.Canberra:Australian Communications Theory Workshop，2010:133-138.

［14］Betlehem T，Coulson A J，Reid A B.Wide-band spectrum sensing for cognitive radio by combining antenna signals［C］.Canberra:Australian Communications Theory Workshop，2010:111-116.

［15］杨小牛，楼才义，徐建良.软件无线电技术与应用［M］.北京:北京理工大学出版社，2010:102-104.

［16］石光明，刘丹华，高大化，等.压缩感知理论及其研究进展［J］.电子学报，2009，37(5):1 070-1 081.