基于特征值分析的通信信号快速盲检测方法

对中频通信信号的协方差矩阵进行特征值分解,根据特征值在信号子空间和噪声子空间的分布差异,提出了基于特征值分析的快速盲检测方法.推导了信噪比与检测量之间的关系,进而对检测性能进行了理论分析,并分析了算法的计算复杂度.对MPSK、MQAM、MFSK等常用通信信号的仿真实验表明,在虚警概率小于1%、信噪比为-10dB时,盲检测概率均可达到90%以上.

基于特征值检测的多天线盲频谱感知算法的研究(英文)

在多天线感知场景中噪声不确定和信号相关现象可能同时存在,经典的基于能量检测(ED)感知性能将急剧恶化。利用多天线接收信号存在的相关特性,提出一种基于取样协方差矩阵(SCM)特征值的盲频谱感知方法。新方法无需噪声方差、主信号和无线信道的信息参与感知过程。与经典的能量检测方法相比,由于无需噪声方差参与感知节点的判决过程,新方法的感知性能对噪声不确定性具有良好的鲁棒性。利用多元统计理论和随机矩阵理论(RMT)获得了相应的理论判决门限。仿真结果表明新算法比基于ED的感知算法具有更好的误警性能和更可靠的检测性能。

基于特征值能量的盲信号检测方法

针对低信噪比下电子侦察机接收到的多分量信号的盲检测问题,提出了一种基于特征值能量的盲信号检测算法。该算法首先计算归一化特征值,然后进行信号子空间维数估计,构建检验统计量表达式,进而研究了扰动分布,从而确定给定虚警概率下的检测门限,实现信号的盲检测。理论分析和仿真结果表明,该算法对多分量信号尤其是时频重叠的多分量信号适应性强,和现有的利用特征值分析的盲检测算法相比,性能可以提高2dB。

一种基于特征值的多天线认知无线电盲感知算法

当不存在噪声不确定性时,频谱感知算法中能量检测法是较优的,但实际中噪声是无法确切估计的。针对这一问题,提出了一种适合多天线认知无线电系统的盲感知算法。该算法不需要主用户的任何先验知识,利用采样协方差矩阵的最大特征值和矩阵迹之比作为判决统计量来检测主用户信号。根据随机矩阵理论,当给定虚警概率时,可以求出判决门限的渐近式表达式。仿真结果表明,与同类算法相比,所提算法能获得较高的检测概率和较低的虚警概率,同时克服了能量检测法对噪声的敏感性。

直扩信号盲检测方法研究

文中应用谱相关法、倒谱法、高阶累计量法、基于特征值分析等方法对DSSS信号的盲检测进行了分析,总结了各种方法的原理及实现过程,并用Matlab对其检测性能进行了仿真分析,在相同的条件下比较各种方法的检测性能随信噪比和采样点数的变化情况。结果表明,谱相关法对低信噪比的适应能力差,要达到90%的检测概率,所需的信噪比为-6dB。倒谱法、高阶累计量法在采样点数小于4000时,二者的性能和谱相关法相当,随着仿真采样点数的增加,性能提升明显,因此实时性较差。基于特征值分析的方法各方面的性能比较均衡,可以作为一种快速通用检测算法。

基于随机矩阵的新型频谱盲感知方法

针对传统频谱感知算法需要预先估计噪声方差且当存在噪声不确定度时,检测性能降低的特点,提出一种基于随机矩阵的改进型频谱盲感知算法(M-CMME)。该算法通过分析协方差矩阵最大特征值极限分布特性,分析并利用采样协方差矩阵特征值与信号平均能量的关系,推导设定虚警概率条件下判决门限的闭式表达式。该算法不需要预先知道授权用户信号的先验知识,且能够有效克服噪声不确定度的影响。仿真结果显示,当噪声方差估计存在偏差的情况下,该算法具有较强的鲁棒性,且在较少采样点、低信噪比、较少阵元数情况下能够获得比CMME更优的检测性能。

基于特征值的动态信道化子带频谱检测改进算法

为对子带信号进行正确的频谱检测来判断子带中是否存在信号,继而判断信道数量及位置,提出了2种改进的基于特征值的动态信道化频谱检测算法。根据Wishart随机矩阵的最小特征值具有Tracy-Widom分布的特性,采用最小特征值的极限分布函数确定检测门限。以各个子信道采样协方差矩阵的平均特征值的2种不同形式与最小特征值的比值作为检验统计量,根据最大特征值与平均特征值的关系推导出相应的表达式,并用最大特征值的渐近值进行代替,根据虚警概率的定义推导出检测门限。继而根据检验统计量与检测门限的关系判断信号是否存在,完成频谱检测。仿真结果验证了提出的2种改进方法在低信噪比、低采样点等情况下与已有方法相比,能够获得更高的检测概率,提高了频谱检测的性能,且算法不需要任何有关信号和噪声的先验信息,对信号具有较强的适应性,易于实现频谱的盲检测。

一种改进的基于特征值分解盲检测算法

针对通信信号中单通道时频混叠信号，提出了一种基于特征值分析的检测算法。该算法先由信号模型求得自相关矩阵并对其进行特征值分解，而后构建了检测量与检测门限，同时证明了构建检测量条件之一的估计维数选取与最后的检测率没有关系。仿真实验验证了该算法下混叠信号检测的优效性，并且同分形盒维数算法进行了性能比较与分析。理论分析与仿真实验说明该算法不依赖于信号的先验信息，并具有易实现，在低信噪比下检测性强等优势。

基于特征值能量的压缩采样信号检测方法

压缩采样能够较好地保持稀疏信号的结构和信息,可以在不重构原信号的条件下,直接处理采样数据完成信号检测。本文针对压缩采样信号的盲检测问题,提出一种基于特征值能量的检测算法。该算法对循环频率等于零时的循环自相关矩阵进行分析并实现重构,进而利用分解得到的特征值构造检测统计量,通过研究检测统计量的分布情况确定检测门限,最终实现检测判决。实验结果表明,在相同条件下,该算法具有更好的检测性能和相对低的复杂度。

一种改进的特征值-LSTM微弱信号盲检测方法

微弱信号盲检测方法中,最大最小特征值检测应用到样本协方差矩阵的信息较少,且其判决门限难以准确估计,导致信噪比较低时检测稳定性差、性能较低。针对以上问题,提出一种基于特征值-长短时记忆(eigenvalue-LSTM)神经网络的微弱信号盲检测方法,在最大最小特征值检测算法的统计量中引入平均特征值,并对检测概率、虚警概率进行了推导分析,最后将改进的统计量作为长短期记忆(LSTM)神经网络输入进行训练得到分类器。仿真实验结果表明,该方法无需估计检测门限,且在相同采样点的条件下,检测性能在-12 dB时较直接采样-LSTM方法提高了9%。因此基于特征值-长短时记忆网络神经网络方法具有更优的检测性能。