研究与开发
研究与开发
分布式的 1 bit 压缩频谱感知算法 *
赵知劲 1,2,胡伟康 1,胡俊伟 1
(1.杭州电子科技大学通信工程学院 杭州 310018;
2.中国电子科技集团第 36 研究所通信系统信息控制技术国家级重点实验室 嘉兴 314001)
摘 要:由于频谱感知中信道稀疏度动态变化,导致分布式频谱感知网络 中 节 点 间 信 息 传 输 频 繁 ,消 耗 感 知 网
络通信带宽。 为了缓解网络通信带宽压力,提出分布式的 1 bit 压缩频 谱感知算法。 各节点对感知数据进行压
缩采样并 1 bit 量化,然后融合节点采用 JSM-2 模型对数据进行融 合 ,最 后 通 过 BIHT 算 法 重 构 信 号 频 谱 ,实 现
频谱感知。 仿真结果表明,在低信噪比和 较 少 的 采 样 数 目 下 ,分 布 式 的 1 bit 压 缩 频 谱 感 知 算 法 能 具 有 较 好 的
频谱检测性能,是一种可实用的频谱感知方法。
关键词:压缩感知;频谱感知;1 bit 量化
doi: 10.3969/j.issn.1000-0801.2014.09.015
1 bit Compressive Spectrum Sensing Algoritbm
Based on Distributed Model
Zhao Zhijin1,2,Hu Weikang1,Hu Junwei1
(1. School of Telecommunication Engineering of Hangzhou Dianzi University, Hangzhou 310018, China;
2. State Key Lab of Information Control Technology in Communication System of No.36 Research Institute,
China Electronic Technology Corporation, Jiaxing 314001, China)
Abstract: Since the actual sparsity of spectrum is unknown and time-varying,
frequently
between nodes in the distributed spectrum sensing network consumes communication bandwidth. To relieve the
network communication bandwidth pressure, a spectrum algorithm based on 1 bit compressed sensing and distributed
model was proposed. The sensing data of the nodes was compressive sampled and quantified in 1 bit, and then the
data was fused in fusion node, through the mode of JSM-2. Finally the spectrum was reconstructed by the BIHT
algorithm to implement spectrum sensing. Simulation results show that the proposed method has better spectrum
detection performance with a few samples in low SNR, so it is a practical method of spectrum sensing.
Key words: compressed sensing, spectrum sensing, 1 bit quantization
information transmit
1 引言
认知无线电(cognitive radio, CR)[1]允许次用户(secondary
user, SU) 以 机 会 式 接 入 或 共 享 方 式 动 态 利 用 主 用 户
(primary user, PU)的 空 闲 频 段 ,从 而 提 高 频 谱 利 用 率 ,缓
解频谱短 缺 问 题 。 频 谱 感 知 是 认 知 无 线 电 的 关 键 技 术 之
一, 宽带频谱感知需要对低利用率的宽带信号进行采样,
压缩感知(compressed sensing, CS)[2,3]理 论 允 许 稀 疏 信 号 以
低于奈奎斯特速率进行采样,大大减轻了硬件的处理负担。
因此压缩感知在宽带频谱感知中具有广泛的应用前景。
* 电科院预研基金资助项目(No.41101040102),浙江省研究生创新科技基金资助项目(No.YK2011062)
106
在分布式频谱感知网络中,感知节点把宽带频谱感知
信 息 发 送 给 融 合 节点,对 于 动 态 变 化 的 频 谱 ,感 知 节 点 向
融合节点频繁地传送更新信息,极大地消耗网络中的通信
带宽甚至可能导致网络无法运转。
1 bit 压缩感知 [4~6]能对压缩感知采样数据进行 1 bit 量
化 ,量化 过 程 不 受 动 态 范 围 的 影 响 ,各 感 知 节 点 只 需 把 符
号 信 息 发 送 给 融 合 节点 ,缓 解 网 络 带 宽 压 力 ,也 将 简 化 融
合节点中信号处理和接收设备;若采用信道编码理论对其
进行纠错编码,可确保接收数据具有高可靠性。
由 1 bit 压缩感知理论可知,1 bit 量化之后 ,重 构 的 原
始信号是在单位能量约束下的信号,在频谱感知中只需判
断某个频段是否存在主用户通信,无需对信道的能量信息
进行判 决 ,因 此 只 需 得 到 信 号 在 频 域 的 稀 疏 解 ,无 需 对 信
号进行精确重构, 这表明 1 bit 量化 对 于 频谱感知系 统 是
适用的。 因此本文提出基于分布式的 1 bit 压 缩 频谱感知
算法。
2 1 bit 压缩感知
压缩感知问题可以表示为:
(1)
其 中 ,x 是 N 维 的 K 稀 疏 信 号 ,S 是 x 在 Ψ 上 的 稀 疏
投影,y 是 M 维观测向量(M<<N),Φ 为 M×N 维观测矩阵,
基于低维 y 可重构出信号 S[7]。
1 bit 量化仅保留数据的符号信息,量化模型可表示为[8]:
(2)
求解式(2)可以表示为求解如下矩阵:
(3)
其中,Y=diag(y),即以 yi 为对角线元素的矩阵。 为了将
重构问题表示为凸问题 [9],引入限定性 条件,||ΘS||1=C,C为
常数,通常为 1;同时为了测量一致性,引入能量限制||S||2=1,
以 减 少 最 优 化 搜 索 范 围 ; 并 利 用 参 考 文 献 [5] 的 引 理 5,
1 bit 压缩感知求解可表示为:
电信科学 2014 年第 9 期
(5)
其 中 ,ξK(·)表 示 非 线 性 运 算 器 ,保 留 向 量 中 的 前 K 个
最大值,其他值为 0。
参考文献[4]指出,虽 然 1 bit 压 缩 感知在 1 bit 量化 时
舍弃了幅度信息,但在相同压缩比下能降低重构信号的均
方误差,有效提高信号重构性能。
3 分布式的 1 bit 频谱感知方法
假 设 分 布 式 感 知 网 络 中 有 J 个 次 用 户 (SU)同 时 对 频
谱进行感知,各 个 用 户 之 间 相 互 独 立 ,每 个 用 户 均 通 过 模
拟信息转换器(AIC)技术对宽带模拟信号进行直接压缩采
样[11],然后对采样信息进行 1 bit 量化之后传送给融合节点,
由融合节点通过 JSM-2 模型对接收到的数据进行融合 [12]。
所有 SU 实际上是对同一个频带进行感知, 因此在同
一时刻感知到的频谱占用情况是相同的。 各个 SU 的感知
模型与式(1)相同,重写如下:
(6)
其中,xj 为第 j 个 SU 的采样数据,yj 为第 j 个 SU 的观
测 数 据 ,Sj 为 xj 在 傅 立 叶 域 的 稀 疏 表 示 ,Φj 为 各 个 SU 的
归一化观测矩阵,Ψ 为傅立叶基。
采用 1 bit 量化方法对观测 数据进行量化 , 量化 方 程
可以表示为 [8]:
(7)
其 中 ,wj 表 示 第 j 个 SU 在 某 个 ε 能 限 约 束 下 的 噪 声
向量。ε 与量化精度有关,w 为观测后的噪声向量。 每个 SU
将量化后的数据 bj 发送给融合节点。感知信息传输中可对
数据 bj 进行编码,尽可能地降低信道噪声的影响。 令:
(4)
其中,X∈RJN, Φ∈RJM×JN。 因此在无噪声情况下融合节
(8)
其中,K 为频谱稀疏度,⊙表示向量的元素乘积,可以表
点数据可以表示为:
示为[u⊙υ]i=uiυi
[10];( )-表示负定函数,例如:[(υ)-]i=
-υi, υi≤0
0, υi>{ 0
。
(9)
其 中 ,ΘD∈RJM ×JN,ΨD 为 JN ×JN 维 的 傅 立 叶 变 换 矩
BIHT 算 法 [5]是 1 bit 压 缩 感 知 中 常 用 的 重 构 算 法 ,求
阵 ,S为 X 在傅里叶域的稀疏投影。
解式(4)的第 n+1 次迭代式如下:
融 合 节 点 得 到 数 据 b 之 后 , 则 以 此 作 为 重 构 所 需 的
107
研究与开发
1 bit 量化数据。 将式(4)中的 y 用 b 代替,采用 BIHT 算法
求解式(4),极小化 b⊙ΘS 中的负数值个数,迭代计算式表
示如下:
(10)
由此可得到稀疏解 S,即实现宽带频谱感知。这就是本
文 提 出 的 基 于 分 布 式 的 1 bit 压 缩 频 谱 感 知 方 法 (记 为
DBIHT),其主要步骤如下。
输 入 :J 个 节 点 的 感 知 数 据 bj( j=1,2,…,J),观 测 矩 阵
Φj( j=1,2,…,J),傅立叶变换矩阵 ΨD,稀疏度 K,梯度更新步
长 τ,迭代次数 t。
的频 谱 进 行 感 知 ,Bmax=64 MHz 且将整个 频 带 划分 为 32 个
信道,每个信道带宽均为 2 MHz,信道彼此互不重叠,融 合
节 点 已 知 信 道 的划分 ,感 知 节 点 个 数 J=5,信 道 稀 疏 度 K=
3,信号奈奎斯特采样的点数为 N=256。 假设每个信道主用
户具有相同的功率 W=1。 1 bit 重构算法的更新步长 τ=1,
迭代次数 t=300。
SBIHT 算法和 DBIHT 算法在 不 同 SNR 下 , 节 点 观 测
点 数 M 取 80、100 和 150 时 的 检 测 概 率 Pd 和 虚 警 概 率 Pf
如图 1 所示,图中每条曲线是 800 次仿真结果的平均。
输出:稀疏频谱 S 的最优估计S〓。
(1)初始化:S[0]=0,n=1;
(2)数据融合:b=[b1
T,b1
(3)迭 代 更 新 : 梯 度 下 降 法 更 新
T,…,bJ
T]T;
;
(4)0 范数约束:S[n]=ξK(x[n]);
(5)n=n+1;若 n<t 则返回(3);否则转到(6);
(6)单位能量约束:
。
本方法实际上是融合节点利用各 SU 的分集效应对经
1 bit 量化得到的数据分布式进行融合。 这样的数据传输模
型极大地简化了信号传输和存储,降低了系统负担。
当 J=1 时 , 即 退 化 为 单 节 点 的 1 bit 压 缩 频 谱 感 知 方
法(记为 SBIHT)。
4 算法仿真与性能分析
本 文 采 用 不 同 信 噪 比 (SNR)下 的 频 谱 检 测 概 率 Pd 和
虚警概率 Pf 分析感知性能。 检测概率 Pd 和虚警概率 Pf 的
定义如下:
(11)
(12)
其 中 ,k 为 活 跃 信 道 集 合 ,d 为 估 计 的 活 跃 信 道 集 合 ,
kc 为 非活 跃 信 道 集 合 ,T 为 仿真次 数;Num(k(i)∈d|k(i)∈k)
为 活 跃 信 道 集 合 k 与 估 计 的 活 跃 信 道 d 中 相 同 元 素 的 个
数 ;Num(kc(i)∈d|kc(i)∈kc)为 活 跃 信 道 集 合 的 补 集 kc 与 d
相同元素的个数。
本文考虑频谱感知网络中,SU 需要对频带宽度为[0,Bmax]
108
图 1 不 同 信 噪 比 下 信 道 检 测概 率 和 虚 警 概 率
(DBIHT 算法和 SBIHT 算法)
从图 1 (a) 可看出,DBIHT 算法性能明显好于 SBIHT 算
法 。 当 SNR=6 dB 时 ,DBIHT 算 法 的 检 测 概 率 已 经 达 到
95%以上, 而 SBIHT 算法需要 SNR=9 dB 才达到相近的检
测概率 。 从 图 1(b)可 以 看 出 , 在 SNR=-5 dB 时 , 所 有 算
法 的 虚 警 概 率 均 为 量 级 且 两 种 算 法 的 虚 警 概 率 均 随 着
信 噪 比 的 增 大 而 减 小 , 最 后 趋 近 于 0,DBIHT 算 法 的 虚
警 概 率 一 直 低 于 SBIHT 算 法 。 观 测 点 数 越 多 , 性 能 越
好 。 因 此 分 布 式 的 1 bit 压 缩 频 谱 感 知 算 法 能 在 较 低 的
虚 警 概 率 下 获 得 较 高 信 道 检 测 概 率 , 是 一 种 有 效 的 分
布 式 频 谱 感 知 算 法 。
在 不 同 SNR 下 , 节 点 观 测 点 数 M=100 时 ,DBIHT 和
SBIHT 算法与基于 OMP 的两种算法 [13]的检测 概率 Pd 和虚
警概率 Pf 如图 2 所示,图中每条曲线是 800 次仿真结果的
平均。
从 图 2 (a) 可 以 看 出 , 当 SNR<-2 dB 时 ,DBIHT 和
SBIHT 算 法 的 性 能 分 别 好 于 分 布 式 OMP 和 单 节 点 OMP
算法;随着信噪比的升高,基于 OMP 的算法检测概率升高
很快;检测概率达到 100%时,分布式 OMP、单节点 OMP 算
电信科学 2014 年第 9 期
法 、DBIHT 算 法 和 SBIHT 算 法 分 别 需 要 信 噪 比 为 4 dB 、
7 dB、8 dB 和 10 dB。从图 2(b)可以看出,基于 OMP 的算法
的虚警概率 相 对 于 DBIHT 和 SBIHT 算 法 低 。 但 由 图 2 可
知 ,DBIHT 和 SBIHT 算 法 在 仅 保 留 信 号 符 号 信 息 的 前 提
下 ,仍 可 得 到 与 基 于 OMP 算 法 相 近 的 检 测 概 率 ;从 通 信
带 宽 占 用 方 面 看 ,传 输 1 bit 压 缩 感 知 得 到 的 数 据 仅 需 要
传 统 N bit 量 化 方 法 的 1/N, 极 大 地 减 小 了 带 宽 占 用 ;另
外 1 bit 压 缩 感 知 信 号 重 构 仅 需 在 单 位 圆 上 搜 索 最 优 解 ,
一 定 程 度 上 降 低 了 计 算 复 杂 度 ,所 以 DBIHT 是 一 种 实 用
算 法 。
当 SNR 取 5 dB、8 dB 和 10 dB 时 ,DBIHT 算法的检测
概 率 和 虚 警 概 率 与 观 测 样 本 数 M 的 关 系 曲 线 如 图 3 所
示,每条曲线是 400 次仿真结果的平均。
图 2 不同信噪比下信道检测概率和虚警概率(DBIHT 和 SBIHT 算法与基于 OMP 的两种算法)
图 3 不同观测数目 M 下信道检测概率和虚警概率(DBIHT 算法)
109
研究与开发
由 图 3 可 见 ,随 着 观 测 数 目 的 增 加 ,算 法 的 检 测 概 率
均增大,虚警概率减小。 当 SNR 为 5 dB、8 dB 和 10 dB 时,
检测概率达到 90%以上,DBIHT 算法所需要的观测样本数
分别为 70、10 和 8。 当 SNR 为 5 dB、8 dB 和 10 dB 且虚警
概率小于 2×10-4 时,DBIHT 算法所需的观测样本数分别为
20、7 和 4。 当观测样本数大于 55 时,信道虚警概率下降至
10-4,这 表 明 DBIHT 算 法 能 有 效 地 降 低 观 测 样 本 数 ,并 且
具有较低的虚警概率。
5 结束语
实 际 频 谱 感 知 中 信 道 稀 疏 度 动 态 变 化 , 因 此 分 布
式 频 谱 感 知 网 络 中 节 点 间 信 息 传 输 频 繁 , 极 大 地 消 耗
感 知 网 络 的 通 信 带 宽 , 针 对 以 上 问 题 本 文 提 出 分 布 式
的 1 bit 压 缩 频 谱 感 知 算 法 ,减 少 传 输 和 存 储 量 。 本 算 法
中 各 节 点 对 感 知 数 据 进 行 压 缩 采 样 并 1 bit 量 化 ,然 后 融
合 节 点 采 用 JSM-2 模 型 对 数 据 进 行 融 合 , 通 过 BIHT 算
法 重 构 信 号 频 谱 ,实 现 频 谱 感 知 。 仿 真 结 果 表 明 ,在 低 信
噪 比 和 较 少 的 采 样 数 目 下 ,分 布 式 的 1 bit 压 缩 频 谱 感 知
算 法 具 有 较 好 的 频 谱 检 测 性 能 , 是 一 种 可 实 用 的 频 谱
感 知 方 法 。
参考文献
1 Mitola J. Cognitive radio: an integrated agent architecture for
software defined radio. Stockholm: Sweden Royal
Institute of
Technology(RTH), 2000
2 Donoho D L. Compressed sensing.
IEEE Transactions
on
Information Theory, 2006, 52(4): 1289~1306
3 Cand E S E J, Romberg J, Tao T. Robust uncertainty principles:
exact signal
reconstruction from highly incomplete frequency
information. IEEE Transactions on Information Theory, 2006, 52(2):
489~509
4 Boufounos P T, Baraniuk R G. 1 bit compressive sensing.
Proceedings of
the 42nd Annual Conference on Information
Sciences and Systems (CISS), Princeton, NJ, USA, 2008: 16~21
5
Jacques L, Laska J N, Boufounos P T, et al. Robust 1 bit
compressive sensing via binary stable embeddings of sparse
vectors. IEEE Transactions on Information Theory, 2011, 59 (4):
2082~2102
6 Yan M, Yang Y, Osher S. Robust 1 bit compressive sensing
using adaptive outlier pursuit.
IEEE Transactions on Signal
Processing, 2012, 60(7): 3868~3875
Magazine, 2007, 24(4): 118~121
8 Goyal V K, Kova V C, Evi C J, et al. Quantized frame
expansions with erasures. Applied and Computational Harmonic
Analysis, 2001, 10(3): 203~233
9
Plan Y, Vershynin R. One bit compressed sensing by linear
programming.
Communications
on
Pure
and
Applied
Mathematics, 2013, 36(4): 1~18
10 Laska J N, Baraniuk R G. Regime change: bit-depth versus
measurement-rate in compressive sensing. IEEE Transactions on
Signal Processing, 2012, 60(7): 3496~3505
11 Polo Y L, Wang Y, Pandharipande A, et al. Compressive
wide-band spectrum sensing. Proceedings of IEEE International
Conference on Speech and Signal Processing, Taipei, Taiwan,
China, 2009: 2337~2340
12 Baron D, Duarte M F, Wakin M B,
et
al. Distributed
compressive sensing. ArXiv Preprint ArXiv:0901.3403, 2009
13 Tropp J A, Gilbert A C, Strauss M J. Simultaneous sparse
approximation
via
greedy
pursuit.
Proceedings
of
IEEE
International Conference on Acoustics, Speech, and Signal
Processing, Philadelphia, 2005: 721~724
[作者简介]
赵 知 劲 , 女 , 博 士 , 杭 州 电 子 科 技 大 学 教
授 、博士生导师,杭州电子科技大学通信工
程学院党委书记,主要研究方向为认知无线
电、通信信号处理、自适应信号处理等。
胡 伟 康 ,男 ,杭 州 电 子 科 技 大 学 硕 士 生 ,主
要 研 究 方 向 为 认 知 无 线 电 及 频 谱 感 知 算
法的 研究。
胡 俊 伟 ,男 ,杭 州 电 子 科 技 大 学 硕 士 生 ,主
要 研 究 方 向 为 压 缩 感 知 在 通 信 系 统 中 的
应用 。
7 Baraniuk R G. Compressive sensing. IEEE Signal Processing
(收稿日期:2014-05-02)
110