频谱特征范文（精选8篇）
频谱特征 第1篇
齿轮及齿轮箱作为机械设备中一种必不可少的连接和传递动力的通用部件,在金属切削机床、航空、电力系统、农业机械、运输机械、冶金机械等现代工业设备中得到了广泛的应用[1]。据不完全统计[2],在齿轮装置的传动机械中,60%的故障与齿轮有关;在旋转机械中齿轮失效率约占其故障的10%左右;在汽车的两大类故障中,变速箱约占1/3。因此,有必要对齿轮箱进行故障诊断,这对机器的正常运行具有重要的作用。频谱分析在故障信号处理中是比较常用的,如傅立叶幅值谱,但是它不能提取频域中的周期成分。倒频谱分析其实质是对功率谱取对数,然后再进行频谱分析,得到频谱中的周期成分,特别适用于分析齿轮箱中齿轮和滚动轴承出现的成簇的边频带。
1 倒频谱理论[3]
倒频谱分析也称二次频谱分析,是近代信号处理科学中的一项新技术[4]。它可以提供FFT谱图难以捕捉的信息,如FFT谱上的周期性分量,系统周围环境的干扰及边带信息。当机械故障信号的频谱图出现难以识别的多簇调制边频时,倒频谱可以分解和识别故障频率,分析和诊断故障产生的原因。
倒频谱分为功率倒频谱和复倒频谱。功率倒频谱定义为对数功率谱的频谱。设信号单边功率谱x(t)为Sx(f),则
q-倒频率,q值大者为高倒频率,表示倒频谱上快速波动和密集谐频;反之,q值小者为低倒频率,表示倒频谱上缓慢波动和稀疏谐频。
工程上常用式(1)的平方根,即幅值倒频谱:
由于Sx(f)是偶函数,式(2)可写成:
从式(3)可以看出功率倒频谱与自相关函数的不同在于对数加权。对数加权的目的:扩大频率的动态范围,提高再变换的精度;对数加权后具有解卷积的作用,便于提取和分离目标信号。
信号的相位信息在功率倒频谱上不能反映,复倒频谱就是为了弥补这一不足而设计的。
设时间信号x(t)的傅立叶变换为X(f),即:
则复倒频谱为:
本文采用复倒频谱对齿轮箱故障信号进行分析,以提取出故障特征频率。
2 实验分析
本实验是在江苏千鹏公司生产的旋转机械故障诊断模拟实验台上进行的,该实验台可以模拟滚动轴承故障、齿轮故障和轴系故障。本实验的信号就是在该实验台的齿轮箱上采集的。齿轮箱中有一大一小两齿轮,小齿轮与发动机相连,大齿轮与磁粉电动机相连,它们的模数分别为55和75,即传动比为55/75。实验时,电动机的工作频率为50Hz,则它们的转动频率为2750Hz,小齿轮的故障频率为50Hz,大齿轮的故障频率为f=50*(55/75)=36.6Hz。故障模拟采用大齿轮,即在大齿轮上打了个小坑,模拟点蚀故障,点蚀故障图如图一(右)所示。采集系统采用千鹏公司配套的采集设备及采集软件,单通道采集,采样频率为10K。
试验时,分别采集大齿轮正常时的振动信号与故障时的振动信号,它们的时域波形图如图二所示。根据这两张图可以发现:故障时,齿之间的冲击力比较大,波形的振幅也就比较大,但是不能判断是什么故障。对这两个信号分别进行傅立叶幅值谱变换,变换得到的波形如图三所示。从图三(左)中可以看到2730Hz的频率幅值比较突出,这与转动频率2750Hz比较接近,可以看成是大小齿轮的转动频率。2750Hz边上还有好多频率幅值比较大,这些就是成簇的边频带。从图三(右)中也可以发现跟转动频率2750Hz比较相近的频率值,如2765Hz,边上还是存在成簇的边频带。由于边频带的存在,凭图三中的幅值谱还不能判断是何种故障。倒频谱分析可以分析成簇的边频带,并能生成单根谱线,即能把这些边频带转换成周期性的单根谱线。对振动信号的倒频谱分析如图四。从图四(左)中只能发现转动频率的倍频,如0.0001s,未能发现小齿轮的故障频率50Hz(0.02s),大齿轮的故障频率36.6Hz(0.027s)。从图四(右)中能明显地看到0.027s的故障周期,可以断定,该大齿轮确实存在点蚀故障。
图四中有个特征周期值0.0001s总是存在,这与转动频率值的倒数比较相近。实验开始时,没有调整齿轮箱,振动台上一直有异常的声音,通过观测,发现这异常声音就是发动机与齿轮箱的连接轴不平衡所致。后来换了点蚀故障的大齿轮,连接轴依旧没有连好,不过振动台发出的声音比以前小了许多。因此,图四(右)中0.0001s对应的幅值比图四(左)中0.0001s对应的幅值要小。
3 结束语
从以上的模拟故障的诊断实验中,可以得出结论:由于倒频谱的特有性质,可将齿轮故障信号的特征信息从复杂的边频信号中识别出来;同时,倒频谱分析能方便的提取出边频带中的周期性成分。总之,利用倒频谱研究齿轮的故障诊断是可行的。
参考文献
[1]丁康,李巍华,朱小勇.齿轮及齿轮箱故障诊断实用技术[M].北京:机械工业出版社,2005,5.
[2]程珩,程明璜.倒频谱在齿轮故障诊断中的应用[J].太原理工大学学报,2003,34(06):661-663,667.
[3]汤武初,杨彦利,伉大俪等.倒频谱在压缩机故障诊断中的应用[J].噪声与振动控制,2006,(01):71-72,76.
[4]徐敏.设备故障诊断手册[M].西安:西安交通大学出版社,1998,10.
频谱屋简介 第2篇
频谱屋概述
频谱屋是一种采用生物频谱技术（BST）新型桑拿保健治疗设备，是适合人类健康生活需要的高科技产品。
频谱屋及发热设备
频谱屋具有促进血液循环，改善血液流变性，促进新陈代谢，改善神经系统功能，提高机体免疫能力的作用。老年人：改善微循环，提高机体免疫能力，调节神经和内分泌功能，具有防病和抗衰老作用;妇 女：促进女性激素的分泌，改善皮肤微循环，具有美容美体的效果;儿童：提高儿童对疾病的免疫能力，增强营养的吸收和消化;青壮年：促进代谢，促使精力充沛，减轻疲劳。
大量信息表明，现代人亚健康已经理我们越来越近，生活的压力，工作的压力，环境因素，都在无时不刻影响着我们的身心健康，大量科学研究证明，红外线是在所有太阳光中最能够深入皮肤和皮下组织的一种射线。由于远红外线与人体内细胞分子的振动频率接近，“生命光波”渗入体内之后，便会引起人体细胞的原子和分子的共振，透过共鸣吸收，分子之间摩擦生热形成热反应，促使皮下深层温度上升，并使微血管扩张，加速血液循环，有利于清除血管囤积物及体内有害物质，将妨害新陈代谢的障碍清除，重新使组织复活，促进酵素生成，达到活化组织细胞、防止老化、强化免疫系统的目的。所以远红外线对于血液循环和微循环障碍引起的多种疾病均具有改善和防治作用。频谱屋正是利用远红外线这一点，精巧的运用在房体内部，另起具有神奇的保健功效。
频谱屋的优点
1.大面积平板式频谱发生器，立体照射，集治疗保健于一体。
2.温度可调节，40-60℃的温度给人轻松感受。
3.非密闭式，不会导致人体缺氧，无气闷感觉。体积小，耗能低，安全可靠。
4.安装方便，操作简单，除医院、宾馆、SPA会所，洗浴中心等专业场所外，也适合家庭使用。辐射率>0.9达到国际水平;可发射出5.6～15um波长的远红外线.5.节能显著，可省电30～50%;使用寿命>10000h，绝缘性好，不产生明火，安全可靠。
频谱屋的木材选择
铁杉：产自加拿大，木材坚硬，纹路优美，耐腐蚀性强，木材发出的芳香物质可以镇定神经的作用，对治疗鼻膜炎以及支气管炎有一定的功效，还能帮助身体排除多余水分。
红雪松：产地为美国西部及加拿大，是北美等级最高的防腐木材，无需防腐和压力处理，稳定性极佳，不受昆虫及真菌、白蚁的侵袭和腐蚀，使用期限长，不易变形。隔音隔热效果佳。
频谱屋的主要功效
1、排毒远红外线能够良好的刺激汗腺，排除毒素和体内有害物质，如酒精，尼古丁和一些致癌性重金属。
2、减压远红外线可以放松肌肉，舒缓肌体
3、美容远红外线加速血液循环，促进新陈代谢，清除坏死细胞，帮你减少由于岁月积累而产生的细纹，使您的肌肤光滑、红润、细嫩
4、减肥瘦身脂肪在42度时水溶性增加，出汗可以消耗皮下多余脂肪，人体通过排汗起到减肥，排毒，瘦身的效果
5、减轻疼痛远红外线通过加速血液循环，让大量的氧到达患处，加速恢复的过程
6、健身每次做20分钟远红外桑拿浴，身体的出汗量相当于长跑10公里。远红外线桑拿浴对于那些没有时间做健身训练的和长期受到病痛的制约而不能做锻炼的人是个很好的选择
7、增强免疫力经临床观察，远红外线确有提高机体的巨噬细胞吞噬功能，增强人体的细胞免疫和体液免疫功能，有利于人体的健康
8、芳香美体全身涂抹香精油等营养芳香因子，在远红外线作用下，人体毛孔打开，精油的营养芳香因子更利于被人体容持和吸收，浴后可长时间保持全身芳香
频谱屋的应用场所
品位居家生活
给您恬静的港湾，完美生活从沐浴轻松开始!阳光精华的温情呵护、畅想无限的异度空间，彻底洗净您
工作的劳顿
在这里天伦之乐永远陪伴您的左右，全家人的欢乐，全家人的!
健康美容会所
深层激活肌肤细胞的各项机能、补充肌肤细胞能量、唤醒细胞再生运动、加强肌肤中自然润泽因子的含量，引领细胞运动，轻松排毒、美白肌肤，彻底靓丽你的容颜。
洗浴休闲中心
频谱特征 第3篇
无线频谱是无线通信领域不可或缺的宝贵资源。为了缓解频谱需求的矛盾, 认知无线电[1]技术应运而生。频谱感知是认知无线电的核心技术之一, 其目的是实时、快速地发现在时域、频域、空域上的频谱空洞, 以供认知用户以机会方式利用频谱。
传统的宽带频谱感知方法[2,3,4,5]是将宽带信号通过硬件滤波器组或软件算法[6,7]将大带宽划分成一系列的子带, 再进行各子带的独立频谱感知。文献[8-9]提出了模拟域的基于小波的多分辨感知算法, 文献[10-12]提出的基于小波分析的功率谱边界估计方法;而文献[13-15]给出了并行扫描、各子带平行感知和基于特征值的子带感知方法。
利用调制宽带转换系统 (MWC) 实现宽带信号的低速率采样, 解决了当前宽带频谱感知中要求的高速采样速率和硬件难以实现的问题;利用信道噪声和通信信号的时频点集表现出不同典型特征的特点[16], 采用时频聚集性的分析方法完成宽带频谱感知。
1 基于MWC采样的宽带信号模型
调制宽带转换系统 (MWC) 是一种多子带信号亚奈奎斯特采样方法, 可以实现各子带信号的低速采样。本文采用的调制宽带转换系统 (MWC) 采样框图如图1所示。在认知无线电宽带系统中, 利用MWC对模拟宽带信号以远低于奈奎斯特采样速率采样, 然后对采样值进行恢复, 得到原始信号各子带的数字低速序列。MWC的采样速率由主用户带宽及通道数决定[17]。
假设接收机在感知时刻t接收到的模拟宽带信号为:
式中, s (t) 为宽带授权用户的实连续信号, 其带宽范围为[-1/2T, 1/2T]。x (t) 的傅里叶变换为X (f) , 信号的奈奎斯特频率fNYQ=1/T, s (t) 的傅里叶变换S (f) 的支撑包含在N个分离的子带当中, 各子带带宽为B, v (t) 为高斯白噪声, 信号和噪声互不相关。宽带信号占用较少的频带, 是稀疏的, n0为存在的主用户个数, 通道数m≥2n0[18]。
对上述宽带信号x (t) 进行MWC采样, x (t) 作为输入信号进入m个通道, 在第i个通道与混频函数pi (t) 混频得到槇xi (t) 。将得到的混频信号槇xi (t) 通过截止频率为1/2Ts的理想低通滤波器h (t) 滤波, 最后对滤波后信号进行频率为fs=1/Ts的采样, 得到m组低速采样信号yi (n) 。其中:1≤i≤m, pi (t) 周期为Tp的伪随机符号序列, fp=1/Tp, M为一个周期Tp内的分段数, 每段的取值为aik=±1。pi (t) 的傅里叶级数表示为:
经过低通滤波和采样后的第i组采样序列yi (n) 的离散时间傅里叶变换为:
式 (3) 表示了采样序列yi (n) 的频谱是接收信号x (t) 频谱的fp倍移位的线性相加后取Fs范围内的部分, 这是由yi (n) 恢复x (t) 的理论基础。将式 (3) 写成矩阵的形式:
对式 (4) 两端同时进行离散时间傅里叶反变换可得:
这里, Y (n) =[y1 (n) , …, ym (n) ]T是长度为m的向量, 其第i个元素为yi (n) ;A为m×L的调制矩阵, L=2L0+1, 矩阵系数Ail=ci, -l=c*il;Z (n) =[z1 (n) , …, zL (n) ]T是L×1维未知信号向量, 第i个频段信号zi (n) 的离散时间傅里叶变换为:
利用MWC得到采样序列Y (n) =[y1 (n) , …, ym (n) ]T, 由此采样序列重构原始宽带信号, 获得原始信号的各子带数字低速序列Z (n) =[z1 (n) , …, zL (n) ]T, 采样速率为mfs远小于fNYQ。这时已将宽频带划分为L个互不重叠的子带, 每个子带带宽为B。
2 基于时频特征提取的宽带信号频谱感知
由于通信信号的时频点集具有聚集性的典型特征, 而信道噪声则不具备这样的特点[16]。因此, 文献[19]提出了基于时频聚集性分析的频谱感知方法。本节以文献[19]所示方法为频谱感知的理论基础, 对重构出来数据序列Z (n) =[z1 (n) , …, zL (n) ]T中L个子带信号分别进行频谱感知, 定义1×L的宽带感知向量P, P中元素取1或0, “1”表示该子带主用户信号存在, “0”表示没有主用户信号即为频谱空洞, 可供认知用户接入。最后根据宽带感知向量P判断在宽带中相对应位置的频段是否空闲。
zi (n) 为第i个子带信号, i为该子带在宽带中的位置索引。第i个子带感知模型为:
其中:si (n) 和vi (n) 分别为第i个主用户信号和信道噪声, 信号和噪声互不相关。对子带信号等长分段, 进行互相关处理以减小噪声对检测的影响, 得到互相关数据:
按照式 (9) , 提取互相关数据的时频脊线:
式中:fRzi (k) 的数据集即为第i个子带的时频点集。式 (10) 中, w (k-m) 为短时傅里叶的窗函数[19]。
如果第i个子带中主用户没有通信, 即信道空闲, 那么信道内仅有噪声, zi (n) 互相关数据的时频点集为近似均匀地分散在整个信道中的离散时频点集;当该子带信道忙, 即该频段内存在主用户通信信号时, 时频点集则会出现明显的聚集性特征;多数时频点集中在载波附近, 离载波较近的点大多为子带信号相位跳变造成的时频点, 而分散在整个信道内的其他离载波较远的点为信道噪声的时频点。
将时频点集的聚集特征和分散特征作为信道“忙”与“空闲”的标志。将第i个子带等分成N段, 计算fRzi (k) 落在各段内的概率, 形成目标概率向量其中, dj为fRzi (k) 数值落在第j段内的统计点数, R为fRz (k, f) 的数据长度。计算第i个子带信号zi (n) 的时频聚集度Grdi:
将Grdi与门限G0比较:大于门限值时, 取pi=1;小于等于门限值时, pi=0。构造宽带感知向量P:
向量P中为“0”的位置所对应的信道即为频谱空洞, 从而实现了宽带中各子带的占用检测, 完成了宽带信号的频谱检测。
3 仿真实验
模型具体参数设定为:宽带中存在3个主用户, 即子带占用数 (复频域) 为n=6, s (t) 带宽范围为[1/2T, 1/2T], 奈奎斯特频率fNYQ=1/T, 数据采样率fNs=8G;3个主用户信号采用BPSK调制, 其载波频率分别为:fc1=260 MHz, fc2=900 MHz, fc3=1 700 MHz, 通道数m=50;混频信号频率fp=40 MHz, M=200;低通滤波器的截止频率fs/2=20 MHz, L=2L0+1=201。
实验1:不同子带信道状态下的时频点集特征验证实验
验证不同子带信道状态下时频点集的聚集性和均匀分散性。仿真参数:主用户信号采用BPSK调制, 载波频率fc=fc2=900 MHz, 码速率bps=20 M, 数据采样率fNs=8 G, 噪声为加性高斯噪声, 信噪比snr=20, 数据长度2×105。
当子带内存在主用户信号时, 仿真结果如图2所示。图2 (a) 横坐标s为时间, 图2 (b) 中纵坐标为时频点落入该频率点的概率。由图2 (a) 可知:互相关数据时频脊线图上时频点多数集中在载波附近的一定范围内, 而分散在离载波较远的点均为信道噪声所致;图2 (b) 中时频聚集度较高。当子带空闲仅有噪声存在时, 相应的时频脊线如图3所示, 其中图3 (a) 横坐标s指时间, 图2 (b) 中纵坐标为时频点落入该频率点的概率。在图3 (a) 中时频点集为分散分布的离散点集, 且在图3 (b) 中时频聚集度较低。可见, 时频脊线点集的聚集程度可以作为判断主用户信号存在与否的依据。
实验2:不同噪声比条件下, 频谱感知算法的检测性能
在不同的信噪比条件下, 对MWC采样后恢复得到的L个互不重叠的子带信号进行独立频谱感知, 检测到主用户信号占用的3个子带;对检测到的3个子带信号分别进行独立的蒙特卡洛实验1 000次, 统计其检测概率。仿真参数:信噪比范围[-15 d B, 5 d B], 子带内分段数N=30。
由仿真结果图4可知:随着信噪比的增大, 算法的检测概率逐渐增加;信噪比为-5 d B左右时, 子带已具有较高的检测概率。仿真实验很好地反映了基于时频聚集性的宽带频谱感知算法的有效性。
4 结束语
该算法避免了宽带感知的大量射频组件和高速率采样问题;采用时频聚集性分析的新型感知方法, 提取各子带的时频典型特征, 并构建宽带的感知向量, 确定宽带中主用户信号占用的频谱范围。仿真实验验证了用时频脊线点集的聚集程度作为判断主用户信号存在可能性的依据的正确性;并表明该算法的宽带检测概率随着信噪比的增加逐渐增大, 验证了方法的可行性和有效性。
摘要：提出了一种基于调制宽带转换系统 (MWC) 和信号时频点集特征提取的宽带频谱感知方法。首先, 利用MWC实现宽带模拟信号的低速率数字采样, 对采样序列进行频谱重构得到各子带信号, 同时宽带信道被划分为互不重叠的子带;其次, 对各子带信号进行时频聚集性分析, 提取时频点集特征, 完成各子带信号检测, 定义宽带感知向量以确定宽带频谱的具体占用情况, 实现宽带频谱感知;最后进行仿真实验, 结果表明了时频点集特征提取方法的可行性, 以及其对噪声的不敏感特性, 验证了该宽带频谱感知方法的有效性。
如何正确使用频谱分析仪? 第4篇
其次，对信号进行精确测量前，开机后应预热三十分钟，当测试环境温度改变3—5度时，频谱仪应重新进行校准。
任何频谱仪在输入端口都有一个允许输入的最大安全功率，称为最大输入电平。如国产多功能频谱分析仪AV4032要求连续波输入信号的最大功率不能超过+30dBmW(1W)，且不允许直流输入，
若输入信号值超出了频谱仪所允许的最大输入电平值，则会造成仪器损坏;对于不允许直流输入的频谱仪，若输入信号中含有直流成份，则也会对频谱仪造成损伤。
一般频谱仪的最大输入电平值通常在前面板靠近输入连接口的地方标出。如果频谱仪不允许信号中含有直流电压，当测量带有直流分量的信号时，应外接一个恰当数值的电容器用于隔直流。
频谱特征 第5篇
春光油田位于准噶尔盆地西缘车排子凸起,勘探矿权面积约1023km2,其目的层为薄层砂体,厚3~7m。油区三维地震资料频率范围在0~120Hz,主频为72H(z图1)。
1.1 识别岩性圈闭及确定砂体相对厚度
识别岩性圈闭及确定砂体相对厚度是谱分解在生产中最主要的应用,春光油田很多岩性圈闭均在谱分解上有着清晰的振幅,形态特征。找出振幅、形态特征最为明显的频率图,使用频率公式:D=V4F,式中D为砂体厚度,V为地震波速度,F为频率,可以估算出砂体相对厚度。
在60HZ的谱分解振幅图中,可以清楚看到春10井砂体,砂体振幅、形态特征明显,轮廓清晰。根据频率公式估算砂体相对厚度:
D=V4F==7.5,结果与实钻相差2.2米。
使用地震谱分解技术在春光区块识别岩性圈闭及估算砂体相对厚度有较好的效果,在以后的石油勘探中也将是重要而有效的方法。
1.2 识别薄层砂体叠置
通过对比连续小波变换法30-100HZ的CG2井区振幅属性图(图2-图5),随着频率的增高,CD2砂体形态越发清晰,在80HZ的频率图上CG2砂体振幅、形态特征最明显。而CG2-C4砂体在80HZ振幅图并未出现,也是说80HZ的频率未能识别CG2-C4砂体。这个就产生了一个疑问:谱分解技术低频对应厚砂体、高频识别薄砂。但根据井数据表明CG2-C4砂体厚度为7.5米,而CG2砂体厚度为5.4米,CG2-C4砂体较厚。那为什么CG2-C4砂体频率比CG2还高?分析认为根本原因在于含油性。CG2砂体含油,根据频率衰减原理,当地震波穿过CG2油层,高频成分衰减较大,所以CG2砂体所对应的频率降低,而CG2-C4砂体并不含油,所以依然对应较高频。这也从侧面说明CG2与CG2-C4为叠置砂,CG2井形态为2个条带状含油。
2 结语
地震数据使用不同的谱分解算法,得到的时频分析结果不同。每种算法都有各自的优缺点,对于春光油田发现连续小波变换应用效果较好降低勘探风险,具有良好的推广应用前景。
参考文献
[1]袁秉衡.应用地震技术研究储层[M].北京:石油工业出版社,1992.26-412.
频谱特征 第6篇
在立体3D应用中, 3D电影是目前最为主流、普及程度最高的娱乐方式。除了电影院中放映的3D电影之外, 我们还可以通过3D电视机、3D投影、3D显示器、PC、蓝光播放机等设备来播放3D电影, 常见的3D影片格式包括:
帧连续 (Frame Sequential) 格式:即左、右眼图像交替发送;
全宽左右 (Full-Side-by-Side) 格式:即将左、右眼图像压进一帧画面中, 左半帧画面为左眼图像, 右半帧画面为右眼图像;
半宽左右 (Half-Side-by-Side) 格式:这种格式的左右眼图像排列方式与Full-Side-by-Side相似, 只是图像的水平分辨率被压缩为原来的一半;
上下 (Top-and-Bottom) 格式:即将左、右眼图像压入一帧画面中, 上半帧画面为左眼图像, 下半帧画面为右眼图像, 左右眼图像的垂直分辨率均被压缩至原来的一半;
帧封装 (Frame Packing) 格式:这种格式的左右眼图像排列方式与Top-and-Bottom方式相似, 但图像的分辨率未被压缩, 且左眼图像与右眼图像之间包含一个空白区域;
隔行格式:左、右眼图像在垂直方向上按行交错方式排列, 即一帧图像的奇数行与偶数行分别来自左眼图像与右眼图像;
隔列格式:左、右眼图像在水平方向上按列交错方式排列, 即一帧图像的奇数列与偶数列分别来自左眼图像与右眼图像;
棋盘格式:即左眼图像与右眼图像的像素被交织排列, 类似于国际象棋的棋盘方格的排列方式。
目前大多数的播放设备只能识别部分格式的3D影片, 为了提高播放设备的兼容性, 本文根据不同格式的3D视频帧图像像素排布方式不同、左右眼图像内容相近等特点, 采用二维离散傅里叶变换, 并结合图像相似度及图像宽高等提出一种3D影片格式自动识别算法。通过该算法可以快速识别出3D视频格式, 准确率高。
1 基础知识介绍
1.1 二维离散傅里叶变换
令f (x, y) 表示大小为M×N的图像, F (u, v) 表示为f (x, y) 的二维离散傅里叶变换, 则:
其中, u∈[0, M-1], v∈[0, N-1], 表示频率变量。
令R (u, v) 、I (u, v) 分别表示F (u, v) 的实部和虚部, 则傅里叶幅度谱定义为
|F (u, v) |的大小可表明图像中含该频率成分的强弱。
1.2 归一化互相关系数 (NCC) [2]
归一化互相关系数法是一种图像匹配度度量指标, 通过计算模板图像和搜索窗口之间的互相关值可确定图像的匹配程度。归一化互相关系数对光照的线性变化的适应性较强, 其计算公式如下:
式中, mt是模板平均灰度值, s
与之相似, mf (r, c) 和s
由公式 (1) 可以看出-1≤ncc (r, c) ≤1, 并且ncc (r, c) 越接近1, 图像间相似度越大。
2 3D格式自动识别算法描述
由于不同格式的3D视频帧图像像素排列不同且呈现出一定的规律性, 其各自的频谱特性也因此存在较大差异。利用二维离散傅里叶变换将不同格式的3D视频图像从空间域转换到频率域得到的傅里叶幅度谱如图1所示。
从图1中分析可知, 棋盘格式3D视频图像在水平、垂直方向上的高频分量均较强;隔行格式3D视频图像在垂直方向上的高频分量较强;隔列格式3D视频图像在水平方向上的高频分量较强。这是由于3D视频中左、右图像存在一定的视差, 而棋盘格式中左、右眼图像像素在水平方向和垂直方向上均是交错排列的, 以致像素灰度值在水平、垂直方向上变化均较大;同样地, 隔行格式中左、右眼像素是在垂直方向上按行交错排列的, 其像素灰度值在垂直方向上变化较大, 而在水平方向上变化较平缓;隔列格式中左、右眼像素是在水平方向上按列交错排列的, 其像素灰度值在水平方向上变化较大, 而在垂直方向上变化较平缓。另外Frame Packing格式和Full-Side-by-Side格式的图像宽高比例与标准视频图像分辨率不同。因此, 本文算法采用3个层次的分析判定对3D视频格式进行识别, 图2为算法流程框图, 以下结合图2对本文提出的识别算法进行描述:
首先, 利用傅里叶变换判断图像是否为棋盘格式、隔行格式或隔列格式;
其次, 利用图像宽高比值来辨别图像是否为Frame Packing格式或Full-Side-by-Side格式;
最后, 根据Top-and-Bottom格式和Half-Side-by-Side格式的左、右眼图像像素排布特点, 将3D视频帧图像分别按左右平分、上下平分的方式拆分出两组假定的左、右眼图像, 并采用归一化互相关系数度量两组左、右眼图像间的相似度, 并由相似度大小辨别图像是否为Top-and-Bottom格式、Half-Side-by-Side格式或Frame Sequential格式。算法详细步骤描述如下:
(1) 抓取3D视频图像frame, 并将其转换为灰度图像gray;
(2) 截取图像gray中心区域大小为m×n的图像作二维离散快速傅里叶变换, 得到幅度谱F;
(3) 用阈值T二值化幅度谱F, 使F中幅值小于T的频率点置零;否则置1;
(4) 统计二值化后幅度谱F中在频率点 (-π, π) 、 (0, π) 和 (-π, 0) 附近区域即图3中A、B、C区域内非零点个数, 以及其邻近区域如图3中A′、B′、C′区域内非零点个数, 分别标记为S (A) 、S (B) 、S (C) 和S (A′) 、S (B′) 、S (C′) ;
(5) 比较步骤 (3) 中统计的非零点个数:如果S (A) >S (A′) , 则识别结果为棋盘格式;如果S (B) >S (B′) , 并且S (C) ≤S (C′) , 则识别结果为隔行格式;如果S (C) >S (C′) , 并且S (B) ≤S (B′) , 则识别结果为隔列格式;若本步骤中已识别出视频格式则结束判断流程, 否则继续执行步骤 (6) ;
(6) 计算图像frame宽高比值ratio。如果ratio>2, 则识别结果为Full-Side-by-Side格式;如果ratio<1, 则识别结果为Frame Packing格式;若本步骤中已识别出视频格式则结束判断流程, 否则继续执行步骤 (7) ;
(7) 将图像gray按左右平分、上下平分的方式分别拆分出两组假定的左、右眼图像:
a.将图像gray拆分为左半部分图像left和右半部分图像right;
b.将图像gray拆分为上半部分图像top和下半部分图像bottom;
(8) 分别计算图像left和图像right, 及图像top和图像bottom间的相似度, 即归一化互相关系数, 记为ncc1和ncc2;
(9) 如果ncc1>T1, 并且ncc2<T2, 则识别结果为Half-Side-by-Side格式;如果ncc1<T2, 并且ncc1>T2, 则识别结果为Top-and-Bottom格式;如果ncc1<T2, 并且ncc2<T2, 则识别结果为Frame Sequential格式。此处T1<T2, T1为所设定相似度较小的阈值, T2为相似度较大的阈值。若至此仍无法对图像的排列格式做出判断则跳转到步骤1, 抓取视频序列中的下一帧重新进行判断。否则跳转到步骤 (1) , 重新判断。
通过上面的九个步骤就可以实现帧格式的判断, 此外, 本文通过对多帧图像的识别结果进行综合判断来增强算法的鲁棒性。当连续多帧识别结果相同时, 则将该识别格式判断为3D视频的格式。同时, 在用归一化互相关系数进行判断时进行, 对计算所得的NCC值进行累积, 求均值判断其视频格式。
3 测试结果及分析
本文针对不同分辨率下的3D视频进行了测试。表1给出了根据本文算法, 当T取值大于自适应阈值的1.4倍、T1=0.2、T2=0.5、截取图像区域大小为320×320及视频图像帧数N=3时对不同格式的3D视频进行识别的结果。
本文通过结合傅里叶幅度谱分析、归一化互相关系数计算以及图像宽高比判断等手段对3D视频图像的排列格式进行了综合判断, 并取得了较高的识别率。另外经过分析, 棋盘格式、隔行格式及隔列格式识别准确率略低的原因在于截取的图像区域内左、右眼图像像素灰度值变换平缓, 高频成分较少, 因此可以截取更大区域的图像作傅里叶变换, 即可达到更好的识别效果。
4 结束语
针对市场上现有的3D播放设备只能自动识别出一小部分3D视频格式的缺陷, 为提高其格式兼容性, 本文根据不同3D视频图像像素排列不同及其左、右眼画面内容相近的特点提出了一种采用3个层次的分析判定来识别3D视频格式的方法。该方法采用二维离散傅里叶变换, 并结合3D视频图像宽高比值及归一化互相关系数对3D视频格式进行识别。实验证明, 本文算法识别准确率较高。
参考文献
[1]Carsten S, Markus U, Christian W.机器视觉算法与应用[M].杨少荣, 译.北京:清华大学出版社, 2008:306.
频谱特征 第7篇
随着各种新兴无线通信技术的广泛应用,无线频谱资源逐渐成为当今社会最为紧缺的资源之一。另一方面,各种无线通信系统的授权频谱的利用率非常低,在很多时候授权频谱并没有被充分利用。认知无线电[1,2]被认为是解决频谱资源稀缺的有效方法,它让认知用户(Cognitive User,CU)感知主用户(Primary User,PU)没有使用的频谱,并在不对主用户造成干扰的前提下使用这些频谱。
频谱分配作为认知无线电中非常关键的技术之一,目前对其已经有了很多研究。文献[3]中提出了一种颜色敏感图论着色(CSGC)算法,该算法考虑到了各认知用户可用频谱的差异性和频谱效益的差异性,并分析了在协作式和非协作式条件下频谱分配的差异。文献[4]提出了一种分布式局部议价的分配算法,在新的频谱分配过程中考虑先前的频谱分配信息,根据上一次分配的结果,能够通过有限次数的计算适应拓扑的改变,作出有效的频谱分配策略。文献[3]和[4]都是分配多个频段给认知用户,在这种情况下,认知用户为同时接入多个分配到的频段,需采用频谱聚合技术,但是由于发射机的硬件约束,认知用户可以聚合的频谱范围是有限制的[5],并不是任何频谱都可以被聚合。如图1所示,认知用户感知到了A,B,C,D,E这5个不连续的可用频段,设备能够聚合的最大频谱范围(Max Spectrum Span,MSS)如虚线框所示,那么聚合频谱最高频率和最低频率之差必须小于MSS。
文献[6]提出了一种聚合意识的频谱分配算法,该算法把认知设备能够聚合的有限的频谱范围考虑进来,使得网络能够支持的认知用户数达到理想值。但是该算法采用的是集中式的分配方式,算法假设每个认知用户的可用频谱是相同的,这与实际的认知网络并不相符。本文利用图论着色模型,提出了一种基于频谱聚合的分布式频谱分配算法。算法考虑了认知用户的带宽需求和认知设备有限的频谱聚合范围。
1 系统模型
假设网络中有N个认知用户,总的可用频谱数为M,起始频率为F1L,终止频率为FMH,频段m的频率范围为[FmL,FmH],如图2所示。不同认知用户的带宽需求不同,其中用户n的带宽需求表示为Dn(n=1,2,…,N)。每个认知用户n可利用现有的任一频谱检测机制来检测自己的可用频谱,假设“空闲频谱感知→频谱分配→数据传输”为一个时间周期,在同一周期的频谱分配期间,认知用户的位置和可用频谱都是不变的。本周期分配结束后认知用户再进行下一周期的感知,然后再进行分配。
本文的分配模型采用图论着色模型,图论着色模型可由空闲矩阵、效益矩阵、干扰矩阵和分配矩阵描述。
空闲矩阵H={hn,m|hn,m∈{0,1}}NM表示每个认知用户的可用频谱,hn,m=1表示频谱对m用户n可用。由于地理位置和传输功率等参数的不同,认知用户的可用频谱可能不同。
效益矩阵R={rn,m}NM表示用户n使用频段m所获得的效益,如带宽、吞吐量。若hn,m=0,则rn,m=0。本文的效益rn,m指频段m的物理带宽,单位为MHz。
干扰矩阵C={cn,k,m|cn,k,m∈{0,1}}NNM表示两个竞争用户之间的干扰约束,cn,k,m=1表示用户n和用户k同时使用频段m会产生干扰。当n=k时,cn,k,m=1-hn,m。文中,干扰约束采用以发射机为中心的约束,此干扰约束可表示为若Dist(tn,tk)≤ds(tn,m)+ds(tk,m),则cn,k,m=1,其中Dist(tn,tk)表示发射机n和k之间的距离,ds(tn,m)和ds(tk,m)分别表示发射机n和k在频段m上的覆盖半径。
分配矩阵A={an,m|an,m∈{0,1}}NM,an,m=1表示频段m分配给用户n。A满足:若cn,k,m=1,∀n,k
把网络拓扑抽象成一个干扰图G(V,E,H),把每个频段映射为一个颜色,则频谱分配问题可转化成图G(V,E,H)的顶点着色问题。V是图G的顶点集,表示共享频谱的认知用户;H表示顶点的颜色列表,即可用频谱集合;E是边集,由干扰约束集合C决定,当且仅当cn,k,m=1时,两个不同的顶点之间有一条颜色为m的边。图3为干扰图的一个例子,图中Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ表示5个认知用户,它们之间的边即是由C决定的干扰约束,括号内的数字代表每个认知用户感知到的可用频谱。
2 优化问题
定义Chx为分配给某个认知用户的信道x,Chx=∪Nxi=1[FimL,FimH],m∈[1,M],其中Fundefined和Fundefined是分配给该用户的第i个频段的起始频率和终止频率,Nx为分配的频段数。
算法的分配目标是最大化认知无线电网络能够支持的用户数。令T表示网络支持的认知用户数,那么优化问题可表示为
maxT (1)
约束条件为
undefined
其中式(2)保证分配给认知用户n的带宽和能满足用户的带宽需求,式(3)保证分配给用户n的频段都是可以聚合的,这样分配后的频段认知用户才可成功接入。
3 算法步骤
详细地算法步骤为:
1) 根据标注规则计算图G中的每个顶点的标注值lable(n)及对应的颜色color(n),找到标注值最大的顶点n*=arg max label(n)。
2) 计算顶点n*的可用频谱的带宽和是否满足带宽需求,若不满足就从图G中删除该顶点;若满足则进入步骤3)。
3) 依次从低频到高频判断在MSS内是否有可用频谱的带宽和满足带宽需求,设v表示顶点n*的可用频谱数,即从第1个到第v个可用频谱的起始频率开始判断在MA内是否有可用频谱的带宽和满足带宽需求。若有,则按color(n)值从大到小分配直到该顶点的带宽需求得到满足;若没有,则从图G中删除该顶点。
4) 返回第一步,循环此过程直到图G为空。
在分配过程中,当顶点n*每次分配后都要从与其有干扰的顶点的可用频谱中删除已分配的频谱。标注规则如
lable(n)=max(-Dn) (4)
color(n)=arg max rn,m/(Gn,m+1) (5)
式中:undefined,表示在频带m上与用户有干扰的用户个数。
本算法确定顶点后依次从该顶点的第1个到第v个可用频谱的起始频率开始判断在MSS内是否有可用频谱的带宽和满足带宽需求,分配的频段必定是在最大聚合范围MSS之内的,即可聚合的。
4 仿真分析
在(200×200)区域内随机部署N个认知用户,仿真频率为500～700 MHz,其中包括了部分模拟广播电视频段。网络拓扑随机生成,用户带宽需求Dn在7～14 MHz之间随机取整数值,MSS=40。H矩阵为随机生成的0-1矩阵,干扰约束由Dist(tn,tk)≤ds(tn,m)+ds(tk,m)生成,覆盖半径ds在[1,4]内随机生成。R矩阵在[7,14]随机生成。本文将本算法与文献[3]中的CSGC算法进行比较,CSGC算法中有3种合作式的标注规则:CSUM,CMIN和CFAIR。
图4为当网络中总的可用频谱数变化时两种算法的认知用户接入率,N=20。从图中可以看出,SADSA算法明显优于CSGC算法,当总的可用频谱数逐渐增大时,优越性更加突出,这是因为当总可用频谱数增加时,没有考虑频谱聚合的CSGC算法使得认知用户分配到的频谱不能聚合的概率在随之增大,即认知用户不能接入分配到的频段的概率在增大。
图5是当认知用户数变化时,SADSA算法与CSGC算法的比较。当认知用户数增加时,可用频谱数不变,M=15。从图中可以看出,这种情况下本文的算法依然优于CSGC算法,其原因是CSGC算法并没有考虑认知设备可聚合的频谱范围的有限性。
5 小结
认知无线电网络的一个重要特点就是认知用户感知到的可用频谱的不连续性,为满足认知用户较高的带宽需求,需利用频谱聚合技术将多个频段聚合在一起使用。但是由于硬件条件的限制,可以聚合的频谱范围是有限制的,所以频谱分配算法应当考虑到这种限制,以使认知用户能够接入自己分配到的频谱。本文提出了一种认知无线电网络中的频谱分配算法,算法以广泛应用于各种无线网络中资源分配的图论着色为分配模型。算法考虑到了可用频谱的不连续性和频谱聚合的有限性,仿真结果证明了本文算法的优越性。
参考文献
[1]JOSEPH M,GERALD Q,MAGUIRE J R.Cognitive radio:making soft-ware radios more personal[J].IEEE Personal Communications,1999,6(4):3-18.
[2]畅志贤,石明卫.认知无线电技术综述[J].电视技术,2007,32(31):130-133.
[3]PENG C,ZHENG Haitao,ZHAO B Y.Utilization and fairness in spectrumassignment for opportunistic spectrum access[J].Mobile Networks andApplications,2006,11(4):555-576.
[4]CAO Lili,ZHENG Haitao.Distributed spectrum allocation via local bar-gaining[C]//Proc.IEEE SECON'2005.[S.l].:IEEE Press,2005:475-486.
[5]JIA Juncheng,ZHANG Qian.Hardware-constrained multi-channel cogni-tive MAC[C]//Proc.Global Telecommunications Conference.[S.l].:IEEE Press,2007:4653-4658.
频谱特征 第8篇
关键词：认知无线网络,Delaunay三角网,分布式频谱图,混合频谱共享
0引言
无线电频 谱已成为 一种宝贵 的资源 , 认知无线 电[1]用来提高 频谱利用 率 。 当前的认 知无线电 采用频谱 感知[2]来检测频 谱空洞 。 然而 , 在overlay/underlay混合认知 无线电中 , 次用户需 要检测主 发射机的 位置和发 射功率[3]。 但这对认 知无线电 是一个巨 大的挑战 , 为了支持 认知无线 电 , 无线环境 地图 (REM) [4]被提出 。 REM包含无线 电环境中 的若干信 息 , 如地形信 息 、无线电法 规等 。
频谱态势 图是REM当中的重 要部分 , 它能帮助 次用户在 空间上发 现和使用 频谱空洞 。 频谱态势 图能通过 不同实体 的测量获 得 , 比如终端 、基站和接 入点 。 但是要求 在每一个 点都测量 信号强度 是不现实 的 , 因此插值 技术被用 来制作频 谱态势图 。 文献 [5-6] 分别采用 克里金插 值和样条 插值建立 频谱态势 图 。 但是在这 些研究当 中都需要 感知节点 通过公共 控制信道 向融合中 心发送感 知信息 , 融合中心 执行插值 算法 , 然后融合 中心再向 各个次用 户发送控 制信息 。 这个过程 需要较长 的时间和 消耗较多 的能量 。 文献[7]采用分布 式方法 , 但是基于 最近邻的 方法 , 仅仅与最 近的节点 通信 , 有限的本 地数据导 致重建的 频谱图精 度较低 。 本文提出 一种次用 户自组织 的分布式 制图方案 。 该方案仅 仅需要邻 居节点之 间交换感 知信息 , 因此更适 合网络结 构灵活的 认知无线 网络 。
在获得分 布式频谱 态势图的 基础上 , 本文提出 一种次用 户分布式 混合频谱 共享方案 。 次用户根 据检测区 域内的信 号强度大 小 , 将区域划 分为主用 户非活跃 区域和活 跃区域 。 在非活跃 区域 , 次用户采 用overlay方式接入 。 在活跃区 域 , 为了避免 对主用户 产生严重 的干扰 , 次用户采 用underlay方式接入 。 采用分布 式混合频 谱接入方 案 , 无论主用 户是否工 作 , 信道是否 空闲 , 次用户都 可随时接 入授权频 段 。 在整个时 间段内进 行动态功 率发射 , 以较高的 效率实现 主次用户 的频谱共 享 。 与单一的 共享方式 相比 , 系统容量 有所提高 。 仿真实验 证明 , 该方案性 能明显优 于传统的 检测避让 方法 。
1模型
1.1网络模型
在一个区域上, M个主用户可以共用频带, 但是要求主用户 之间距离 比较远 , 避免互相 之间造成 干扰 。 认知无线 网络由N个在该区 域上均匀 随机分布 的可移动 次用户组 成 。 假设次用 户已经发 现邻居并 且基于Delaunay三角网生 长法与邻 居组成无 重叠的三 角网络 。 次用户通 过GPS定位并且 能够感知 特定频率 的信号强 度 , 然后次用 户将感知 到的信号 强度和位 置信息通 过公共控 制信道发 送给构成 三角网的 邻居 。 在获得邻 居节点的 信息后 , 执行插值 算法生成 自组织三 角区域的 频谱态势 图 。
1.2传播模型
假设传播 模型由路 径衰落和 瑞丽衰落 组成 。 第i个次用户 的接收信 号强度为 :
其中 , Pj是主用户j的发射功 率 , M是活跃的 主用户个 数 , α 是路径损 耗系数 , dji是主用户j到次用户i的距离 , g1是主次用 户之间链 路的功率 衰减系数 , NoB是零均值加性 高斯白噪 声功率 。是随机变量函 数g (x) 的数学期 望 , 而f (x) 是随机变 量x的概率密 度函数 。
2分布式频谱图
Delaunay三角剖分 广泛地应 用在有限 元分析 、 信息可视 化 、 计算机图 形学等领 域 。 Delaunay三角网具 有优良的 几何特性 , 如空外圆 性质 、最小角最 大的性质 等 , 是公认的 最优三角 网 。 构建三角 网的算法 可以分为 分治法 、逐点插入 法和三角 网生长法3类 。 由于次用 户自组织 通信是从 局部发起 的 , 所以选择 三角网生 长法更符 合实际情 况 。
2.1基于Delaunay三角网的组网方案
次用户通 过公共控 制信道寻 找邻近的 次用户 , 并且与最 近的次用 户连接成 为一条Delaunay边 , 然后按照Delaunay三角网的 判别法则 寻找包含 此Delaunay边的另一 端点 , 依次处理 所有生成 的边 , 直到最终 完成 。
基于Delaunay三角网生 长算法的 组网过程 如下 :
( 1 ) 需要接入 授权频带 的任意次 用户寻找 离自己最 近的次用 户 , 然后连接 起来作为 定向基线 。
( 2 ) 按照Delaunay三角网生 长法的法 则 , 找出第三 个次用户 创建Delaunay三角形 , 然后将新 生成的三 角形的两 个边作为 新的基线 。
(3) 重复第 (2) 、 (3) 步 , 直到所有的基线都被用过为止 。
2.2分布式插值算法
组成三角 形的三个 次用户接 收信号强 度为Ii, i = 1 、 2 、 3 。 三角形区 域内任意 点的信号 强度为 :
其中准фi ( xi, yi) 是插值基 函数 , 代表相应 节点的权 重 , ( x , y ) 是位置坐 标 。
对每一个 由次用户 组成的三 角形区域 , 都采用上 面的方法 求得三角 形内部信 号强度 , 从而获得 整个区域 的信号强 度 。
2.3评估分布式制图方案
通过计算 重建频谱 态势图的 均方误差 (MSE) 来评估分 布式制图 的性能 。 均方误差 越小说明 重建图和 原始图越 接近 , 重建的精 度越高 。
其中A是特定区 域的面积 。
3分布式混合频谱共享方案
传统的认 知无线电 采用检测 避让方法 , 无论主用 户在任何 位置被检 测到 , 整个次用 户网络为 了不干扰 主用户将 避免使用 授权频带 。 在所设场 景中 , 能量分布 是主网络 通信造成 的 , 信号强度 大的区域 可能是主 用户活跃 区域 。 定义一个 主用户能 量干扰阈 值Ith, 次用户检 测区域内时 , 该区域不 存在活跃 主用户 , 定义该区 域为主用户非 活跃区域 , 次用户在 该区域采 用overlay方式接入 。 检测区域时 , 该区域存 在活跃用 户 , 定义该区域为主用 户活跃区 域 。 次用户在 该区域采 用underlay方式接入 。
次用户所 在区域时 , 可以获得 的容量为 :
次用户所 在区域时 , 可以获得 的容量为 :
其中 , B是信道带 宽 , No为信道加 性噪声的 功率谱密 度 ; Po是次用户 在overlay状态下的 发射功率 , Pu是次用户 在underlay状态下的 发射功率 ; Pmax是次用户 最大发射 功率 , Qav是主用户 的干扰容 限 ;r是次用户 检测范围 半径 , d是活跃主 用户与次 用户之间 的距离 ; g0是次用户 之间链路 的功率衰 减系数 , g1是主次用 户之间链 路的功率 衰减系数 ;I是次用户 接收到的 信号强度 。
采用拉格朗日乘数法求解次用户在overlay和underlay状态下的 最优发射 功率 。 次用户在overlay状态下的 最优发射 功率为 :
其中 (x) +=max (0, x) , 将P*o代入式 (5) 并且取等 号的情况 下 , 可以求得 拉格朗日 系数 κ。 次用户在underlay状态下的 最优发射 功率为 :
将P*u代入式 (7) 和式 (8) 并且取等 号时 , 可求得拉 格朗日系 数 λ 和u。
根据构建 的频谱态 势图可以 计算出主 用户非活 跃区域所 占比例 β。 同时考虑 次用户在 整个网络 中的均匀 随机分布 , 因此对所 有次用户 求平均可 获得分布 式混合频 谱共享系 统的最大 平均容量 为 :
4仿真分析
假设若干 具有信号 强度传感 功能的次 用户均匀 随机分布 在100 m×100 m的区域上 。 次用户已 经发现邻 居并且与 邻居组成 无重叠的 三角网络 , 次用户与 邻居可以 互相通信。表1所示为仿真参数, 采用MATLAB进行仿真。
4.1重建频谱态势图
图1为本文分 布式制图 方案构建 的频谱态 势图 。 在100 m × 100 m区域上有3个活跃的 主用户 , 颜色的深 浅代表信 号强度的 大小 。 频谱态势 图重建误 差主要是 受插值节 点的密度 、阴影衰落 和噪声等 影响 。
根据式 (3) 计算重建 频谱图的 均方误差 。 图2比较了本 文方法和 文献 [7] 的方法 , 随着次用 户个数的 增加 , 均方误差 均下降 , 但本文方 法均方误 差明显低 于文献 [7]的方法 , 主要原因 是文献 [7] 虽然采用 分布式制 图 , 但仅仅与 最近的节 点通信 , 有限的本 地数据导 致重建的 频谱图精 度较低 。
4.2分布式混合频谱共享方案仿真
次用户20个 , 信道带宽B=64 k Hz, 在瑞利衰 落环境下 进行仿真 , g0、 g1是服从参 数 λ=1的指数分 布 。 仿真结果 如图3所示 。 随着主用 户非活跃 区域的增 加 , underlay系统的容 量逐渐下 降 , overlay系统的容 量逐渐上 升 , 系统总的 容量也在 逐渐上升 , 且一直保 持在较高 水平 。
5结论
分布式频 谱图能在 分布式网 络架构下 有效提高 频谱利用 率 。 与集中式 频谱制图 相比 , 分布式频 谱制图不 需要融合 中心 , 能更好地 适应无线 网络结构 的变化 。 在分布式 频谱图的 基础上 , 本文提出 了一种次 用户分布 式混合频 谱共享方 案 , 该方案性 能明显优 于传统的 检测避让 算法 。 本文创新 点主要表 现在 : (1) 提出次用 户自组织 分布式频 谱制图方 案 ; (2) 在分布式 频谱图的 基础上 , 提出混合 频谱共享 方案 。 次用户根 据周围环 境 , 动态选择overlay或者underlay接入方案 , 有效提高 了系统容 量 。
参考文献
[1]AKYILDIZ I F, LEE W Y, VURAN M C, et al.Ne Xt generation/dynamic spectrum access/cognitive radio wireless networks:a survey[J].Computer Networks, 2006, 50 (13) :2127-2159.
[2]KHAN F, NAKAGAWA K.Comparative study of spectrum sensing techniques in cognitive radio networks[C].Computer and Information Technology (WCCIT) , 2013 World Congress on.IEEE, 2013:1-8.
[3]CHAKRAVARTHY V, LI X, WU Z, et al.Novel overlay/underlay cognitive radio waveforms using SD-SMSE framework to enhance spectrum efficiency-part I:theoretical framework and analysis in AWGN channel[J].Communications, IEEE Transactions on, 2009, 57 (12) :3794-3804.
[4]JAYAWICKRAMA B A, DUTKIEWICZ E, FANG G, et al.Downlink power allocation algorithm for licence-exempt LTE systems using Kriging and Compressive Sensing based spectrum cartography[C].Global Communications Conference (GLOBECOM) , 2013 IEEE.IEEE, 2013:3766-3771.
[5]ALAYA-FEKI A, BEN JEMAA S, SAYRAC B, et al.Informed spectrum usage in cognitive radio networks:Interference cartography[C].Personal, Indoor and Mobile Radio Communications, 2008.PIMRC 2008.IEEE 19th International Sym posium on.IEEE, 2008:1-5.
[6]MATEOS G, BAZERQUE J A, GIANNAKIS G B.Splinebased spectrum cartography for cognitive radios[C].Signals, Sys tems and Computers, 2009 Conference Record of the Forty-Third Asilomar Conference on.IEEE, 2009:1025-1029.
【频谱特征】相关文章：
频谱分析05-19
电磁频谱感知05-04
频谱测绘范文05-19
认知无线电频谱管理10-13
电磁频谱实验教学建设论文04-19
认知无线电及频谱管理03-26
基于优化的频谱数据拟合分析论文12-16
认知无线电频谱检测技术09-12
频谱仪卫星通信论文提纲09-18