应用小波变换的认知无线电频谱检测

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (13): 4-7.

应用小波变换的认知无线电频谱检测

李晓艳1，张海林1，胡飞2

1.西安电子科技大学综合业务网国家重点实验室，西安 710071
2.阿拉巴马大学电子与计算机工程系，美国阿拉巴马州

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-01 发布日期:2011-05-01

Spectrum sensing based on wavelet transform for cognitive radio

LI Xiaoyan1，ZHANG Hailin1，HU Fei2

1.State Key Lab of Integrated Services Networks，Xidian University，Xi’an 710071，China
2.Department of Electrical & Computer Engineering，University of Alabama，Alabama，USA

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-01 Published:2011-05-01

摘要/Abstract

摘要： 频谱检测是认知无线电的核心问题之一，利用小波变换对接收信号的功率谱密度（PSD）进行奇异点检测，为了在低信噪比条件下有效地检测空闲频谱，分两步去除噪声在检测中的影响。首先利用噪声与信号奇异点的小波变换模极大值在不同尺度上具有不同的传播特性，可以去除噪声；再通过小波变换模极大值的衰减计算Lipschitz指数，去掉与信号奇异点具有不同Lipschitz指数的噪声。最后依据剩下的奇异点将PSD划分为多个子带，利用带通滤波器估计每个子带的PSD水平，最终确定出空闲频谱。仿真结果证明了该方法的可行性。

关键词: 认知无线电, 频谱检测, 小波变换, 去噪

Abstract: Spectrum sensing is one of the core issues in cognitive radio.This paper uses the wavelet transform to detect the singularities of the received signal’s Power Spectrum Density（PSD）.In order to sense the spectrum holes efficiently in low signal-to-noise situation，two-step method is proposed to remove the noise during the spectrum sense.Firstly，propagation characteristics of the wavelet transform modulus maxima of signal are contrary to the noise on different scales，and the noise can be eliminated from the signal.Secondly，the Lipschitz exponent is calculated from the decay of the wavelet transform modulus maxima.Then the noise which has different Lipschitz exponent from the singularities can be removed.Finally the frequency band is divided into several subbands according to the singularities and the bandpass filter is used to estimate the PSD level of each subbands.The spectrum holes are defined ultimately.Simulation results show that the proposed method is correct and validated.

Key words: cognitive radio, spectrum sensing, wavelet transform, denoising

李晓艳1，张海林1，胡飞2. 应用小波变换的认知无线电频谱检测[J]. 计算机工程与应用, 2011, 47(13): 4-7.

LI Xiaoyan1，ZHANG Hailin1，HU Fei2. Spectrum sensing based on wavelet transform for cognitive radio[J]. Computer Engineering and Applications, 2011, 47(13): 4-7.

[1]	刘迪，贾金露，赵玉卿，钱育蓉. 基于深度学习的图像去噪方法研究综述[J]. 计算机工程与应用, 2021, 57(7): 1-13.
[2]	杨倩，顾磊. 基于去噪字词联合模型的中文命名实体识别[J]. 计算机工程与应用, 2021, 57(7): 151-157.
[3]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[4]	陈人和，赖振意，钱育蓉. 改进的生成对抗网络图像去噪算法[J]. 计算机工程与应用, 2021, 57(5): 168-172.
[5]	王洁，金正猛，冯灿. 自适应广义全变差的图像泊松去噪算法[J]. 计算机工程与应用, 2021, 57(20): 203-209.
[6]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[7]	呼亚萍，孔韦韦，李萌，黄翠玲. 改进TV图像去噪模型的全景图像拼接算法[J]. 计算机工程与应用, 2021, 57(17): 203-209.
[8]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[9]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[10]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[11]	刘成士，赵志刚，李强，吕慧显，董晓晨，李金霞. 加强的低秩表示图像去噪算法[J]. 计算机工程与应用, 2020, 56(2): 216-225.
[12]	袁小军，周涛，李琛. 基于稀疏先验的非局域聚类图像去噪算法研究[J]. 计算机工程与应用, 2020, 56(18): 177-185.
[13]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[14]	钱满，张向阳，李仁昌. 改进卷积神经网络SAR图像去噪算法[J]. 计算机工程与应用, 2020, 56(14): 176-182.
[15]	杜丽美，连玮. 高斯投影下的人机交互式物体仿真算法研究[J]. 计算机工程与应用, 2020, 56(11): 185-191.