基于压缩感知的室内白频谱优化检测方法.pdf

一种无线通信领域的基于压缩感知的室内白频谱优化检测方法，通过基于k‐medoids分组的传感器布设方法，有选择的在部分测量点上布设传感器，传感器测量到不完整的室内白频谱信息，基于压缩感知的数据恢复模型把不完整的数据恢复为完整的数据，传输给有需要的用户。压缩感知的使用降低了所需传感器的数量，进而减少了系统的开销，同时提高了白频谱检测的准确度，提高了系统的效率和安全性。

1.  一种基于压缩感知的室内白频谱优化检测方法，其特征在于，包括以下步骤：
步骤1、在选定的室内环境中选择一系列测量点，之后用USRP测量每个测量点上的白频 谱的分布情况，在训练数据的基础上，通过k‐medoid分组的方法确定传感器布设的地点，以 分组的数目作为传感器的数量；
步骤2、在步骤1中确定的位置上布设相应的传感器，实时测量多个电视信道的信号强度， 并且以预设时间间隔向中央服务器传输所测到的数据；
步骤3、中央服务器利用压缩感知技术建模，把测到的数据恢复问题建模为最小化的优化 问题；
步骤4、当用户需要白频谱时，通过室内定位系统向中央服务器提交其自身的位置，中央 服务器根据该用户与其相邻用户的干扰状况之后，根据LR^T中的项返回给用户其相应位置可用 的白频谱列表，之后用户便可以选择可用的信道进行通信。

2.  根据权利要求1所述的方法，其特征是，所述的测量点覆盖每一个房间；所述的USRP 测量，每天将所有测量点测量一边，上述测量过程重复不少以7天，测量得到的数据作为训练 数据矩阵M。

3.  根据权利要求1所述的方法，其特征是，所述的传感器的数量小于测量点的数量。

4.  根据权利要求1所述的方法，其特征是，所述的基于k‐medoid分组的传感器布设方法 是：将训练数据矩阵M中的行向量用k‐mdedoid方法进行分组，向量间的距离用皮尔逊相关系 数刻画，分组的数量即传感器的数目，在每个分组的中心点上分别布设一个传感器。

5.  根据权利要求1所述的方法，其特征是，所述的中央服务器将测到的数据汇总成一个 m×n的矩阵D，其中：m表示所有测量点的数目，n表示所测信道的数目；
所述的优化问题是指：优化目标为最小化：
其中：B_S和 D_S分别表示考虑了强信道之后的传感器矩阵和直接测量矩阵，ο表示Hadamard积，LR^T表示最 终恢复得到的矩阵，λ是一个常数系数，P，C，P₀，C₀分别表示不同测量点之间和不同信道之 间的信号强度的关联关系，|| ||_F表示Frobenius norm，中央服务器根据LR^T 的值来判断某个地点的某个信道是否可用；
P、P₀中所有元素初始化为0，根据线性回归的结果，对于P的第i行，P(i，i)＝1， P(i，i_k)＝-ω_k，P₀的第i行统一设为
C、C₀中所有元素初始化为0，根据线性回归的结果，对于C的第i列，P(i，i)＝1， P(i_k，i)＝-ω_k，P₀的第i列统一设为

6.  根据权利要求1所述的方法，其特征是，所述的强信道是：在测量过程中任意测量点 的信号强度始终超过白频谱阀值至少5dBm的信道，由于室内环境的复杂性，类似墙壁的障碍 物普遍存在，不同测量点的电视信道的信号强度并不相同，这种现象导致不同的测量点存在不 同的强信道，根据所有测量点的强信道信息，可以定义如下矩阵


如果信道j在测量点i是强信道，则S(i，j)＝1，反之S(i，j)＝0，B_s和D_s分别是考虑了强信 道之后的传感器矩阵和直接测量矩阵。

7.  根据权利要求1所述的方法，其特征是，所述的测量点与测量点之间的关联关系即： 测量矩阵X中的行向量之间具有线性相关性，任意一行X_i可以用其他K行线性表示： X i ≈ ω i 0 X 0 + Σ k = 1 K ω i k X i k . ]]>

基于压缩感知的室内白频谱优化检测方法
技术领域
本发明涉及的是一种无线通信领域的技术，具体涉及一种通过对压缩感知(Compressive  sensing)的运用，利用不同测量点之间和不同信道之间的信号强度的关联性(location  dependence and channel dependence)，在尽可能用更少的传感器的情况下检测更多的室内白频 谱。
背景技术
随着无线网络的繁荣发展、移动终端和移动应用的迅速增长，用于无线通信的信道变得 越来越拥挤，为了应对这种情况，人们提出了动态频谱接入(Dynamic Spectrum Access)这项技 术，简称DSA。DAS旨在让授权用户(Licensed User)和非授权用户(Unlicensed User)共同分享信 道.
2008年，美国通讯委员会(FCC)通过了一项决议，允许非授权用户利用本地空闲的电视 信道进行无线通信，一般把空闲的电视信道称为白频谱(White Space)。此后，白频谱受到了越 来越多的关注。尽管白频谱对于非授权用户是开放的，但是FCC要求非授权用户使用白频谱时 不能影响正常电视信号的传播，这样，对于非授权用户来说，在使用某个信道之前检测其是否 可用就显得尤为重要了。人们进行白频谱检测的方法主要分为两大类：频谱感知方法(Spectrum  Sensing)和地理定位数据库方法(geo‐location database)。频谱感知方法用的相对较少，因为它 依赖于用户设备来进行频谱检测，能耗大同时对用户设备的要求也比较高；相反，更为常用的 地理定位数据库方法并不需要用户进行频谱检测，因此减少了用户的能量消耗，用户只需要查 询在线的数据库便可以得知当前位置可用的白频谱信息。
现有的白频谱检测的工作大多数仅仅关注室外的白频谱，而有调查显示室内的白频谱要 多于室外，因此仅仅使用室外探测到的白频谱会造成白频谱的浪费。又由于室内的障碍物要远 远多于室外，因此并不能直接把室外的方法拿来用。此外，为数不多的关于室内白频谱检测的 研究并没有充分利用室内白频谱的不同测量点之间和不同信道之间相互关联性，其效率也并不 能令人满意。同时注意到，近年来压缩感知技术作为一种信号恢复的技术得到了快速的发展， 并且在矩阵恢复方面也表现出色，于是考虑将压缩感知技术引入室内白频谱检测领域。
发明内容
本发明针对室外白频谱技术不能与用于室内环境的现状和现有室内白频谱检测技术的 不足，提出一种基于压缩感知的室内白频谱优化检测方法——FIWEX(cost eFficient Indoor  White space Exploration)，通过为期半个月的实验，探索室内白频谱在不同测量点和不同信道 的相互关联性，同时根据这些关联性利用压缩感知对未布设传感器的地点的白频谱信息进行预 测，从而实现了用更少的传感器检测更多的室内白频谱。
本发明是通过以下技术方案实现的：
本发明包括以下步骤：
步骤1、在选定的室内环境中选择一系列测量点，之后用USRP(Universal Software Radio  Peripheral，通用软件无线电外部设备)测量每个测量点上的白频谱的分布情况，在训练数据的 基础上，通过k‐medoid分组的方法确定传感器布设的地点，以分组的数目作为传感器的数量。
所述的测量点根据不同环境而定，但是需要覆盖每一个房间。
所述的USRP测量，每天将所有测量点测量一边，上述测量过程重复不少以7天，测量 得到的数据作为训练数据。
所述的k‐medoid分组的方法是指：
所述的传感器的数量远小于测量点的数量。
根据不同测量点的信道信号强度对测量点进行分组，分组的数目等于传感器的数目，每 个分组的中心点即传感器的布设点。
步骤2、在步骤1中确定的位置上布设相应的传感器，实时测量多个电视信道的信号强 度，并且以预设时间间隔向中央服务器传输所测到的数据。中央服务器将收到的数据汇总成一 个m×n的矩阵D，其中：m表示所有测量点的数目，n表示所测信道的数目。
因为在有些测量点上并没有布设传感器，矩阵D的某些行是缺失的。
步骤3、中央服务器利用压缩感知技术建模，把矩阵D恢复问题建模为一个最小化的优 化问题：其优化目标为最小化：
其中：B_S和D_S分别表示考虑了强信道之后的传感器矩阵和直接测量矩阵，ο表示Hadamard积，LR^T表示 最终恢复得到的矩阵，λ是一个常数系数，P，C，P₀，C₀分别表示不同测量点之间和不同信道 之间的信号强度的关联关系，||||_F表示Frobenius norm，由问题建模， 中央服务器根据LR^T的值来判断某个地点的某个信道是否可用。
步骤4、当用户需要白频谱时，通过室内定位系统向中央服务器提交其自身的位置，中 央服务器根据该用户与其相邻用户的干扰状况之后，根据LR^T中的项返回给用户其相应位置可 用的白频谱列表，之后用户便可以选择可用的信道进行通信。
技术效果
与现有技术相比，本发明可以在传感器数目相同的情况下得到更高的白频谱检测的准确 度，在相同准确度的情况下需要的传感器更少，能量利用率更高，更高效，并且更加安全。
附图说明
图1为不同测量点之间、不同信道之间的信号强度关系图；
图中：a为四个不同地点的信号强度比较图，b为两个不同信道的信号强度比较图。
图2为不同方法的性能比较图；
图中：a为不同方法的FA Rate(False Alarm Rate)比较；b为不同方法的WS LOSS  Rate(White Space Loss Rae)比较。
图3为布设不同数目传感器下的累计分布图(CDF)；
图中：a为FA Rate的累计分布图；b为WS LOSS Rate的累计分布图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施， 给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例应用环境为上海交通大学闵行校区电信群楼的三楼选取了67个测量点，每天 需要在每个测量点测量总共45个电视信道的信号强度，测量活动总共持续15天
本实施例设备包括:一台USRP N210、一根全向接收天线、一部笔记本电脑和一个不间 断式电源(UPS),其中：USRP用的是SBX子板，通过一个射频信号发生器来校准USRP设备。
测量无线信号的方法有很多，包括能量检测、基于波形的检测和匹配滤波等等。
能量检测是最常用的方法，因为能量检测实现简单并且计算复杂度相对比较低。
在判断一个信道是不是空闲的时候，需要将测量得到的信号强度与一个特定的阀值作比 较，如果信号强度高于这个阀值，认为这个信道是被占用的，反之，认为这个信道是空闲的。
电视信道分为数字电视信道和模拟电视信道，考虑到数字电视的常用性和未来的发展趋 势，选择了45个数字电视信道(DS13‐DS57)来进行测量，它们所属的频率范围是470MHz– 566MHZ和606MHz–870MHz，其中：，每个信道的带宽是8MHz。根据数字电视信道的属性， 把阀值设定为‐84.5dBm，由于设备的局限性，设备检测到的空闲信道有可能并不能保证使用的 安全性，但是白频谱检测的机制是具有通用性的，并不局限于某个特定的阀值，如果的设备精 确度能够支持‐114dBm的阀值，相信那时候得到的空闲信道是安全可用的。所实现的能量检测 器其容器大小(bin size)是1024，采样率是4MHz，用与某个信道相关的所有容器中的平均值作 为此信道的信号强度。
本实施例包括以下步骤：
第一步、每天测量所有67个测量点上45个数字电视信道的信号强度，测量得到的结果 记录到测量矩阵(Measurement Matrix)M中，M是一个67×45的矩阵，M的每一行代表67个 测量点中的一个，M的每一列代表一个数字电视信道。从图1的实验结果中可以看出不同的测 量之间和不同的信道之间，其电视信道的信号强度存在着某种关联性，在图1a中，测量点1、 26、28和31的所有45信道的信号强度大体上是相同的；在图1b中，信道13和信道37的 信号强度在所有67个测量中上呈现出相似的分布，只不过它们的信号强度相差了一个固定的 值。之前的技术在考虑图1所示的信道关联关系的时候采用的是分组的方法，仅仅采用信道向 量之间的欧拉距离来描述向量之间的相似性，这样的方法在面对图1b的情况是就显得无能为 力了。基于此现象，考虑用线性回归的方法来描述不同向量之间的相关关系而不仅仅是它们的 相似关系。
这时候，M的某一行 M i ≈ a 0 M 0 + a 1 M i 1 + a 2 M i 2 + . . . + a k M i k , ]]>其中：M₀是一个1×45的 值全为1的行向量，分别是矩阵M的第i₁，i₂，...，i_k行，α₀，α₁，...，α_k表示的是各个分量的权重。
类似的，对于M的每一列，可以同样的处理，来表示不同信道之间的相关关系。
进行了十五天的测量试验之后，得到了十五个M矩阵，将其作为整个机制的训练数据。
第二步、在训练数据的基础上建立模型
进行室内白频谱检测的最简单的想法就是在每一个测量点上都不舍一个传感器，用来测 量此测量点上的白频谱分布情况，由于射频传感器的价格很高，所以这样密集的传感器布设肯 定会带来高额的开销，于是希望仅仅在部分测量点上布设传感器，通过不同测量点和不同信道 之间的关联关系，得到一个比较准确的结果，这样即保证了白频谱的安全性(即不影响电视信号 的传播)又节省了成本。
所述的模型中：
相对测量矩阵为X：测量矩阵M记录的是测到的信号强度，为了方便处理，更希望记录 信号强度相对于白频谱阀值的相对值，对于X中的每一个元素X(i，j)＝M(i，j)-TH，其中： TH表示白频谱阀值。
传感器矩阵为B：矩阵B是一个67×45的矩阵，记录了哪些测量点布设了传感器，

直接测量矩阵D：矩阵D是一个67×45的矩阵，记录了传感器测量到的数据：

这意味着D＝BοX，其中：ο表示Hadamard积。
恢复矩阵为矩阵是基于矩阵D用压缩感知恢复得到的完整的矩阵，其中记录着67 个测量的所有45个信道的相对信号强度。
强信道矩阵(strong channel Matrix)为S：矩阵S是一个67×45的矩阵，记录了那些信号 强度一直至少比阀值高5dBm的信道
以训练集的数据为基础，并且根据上述定义，利用压缩感知进行系统建模，建模过程如 下：
i)基本的压缩感知建模
优化目标：最小化其中： X ~ = L R T , ]]>λ是拉格朗 日乘子，表征对测量的适应和矩阵的秩的最小化之间的权衡。
ii)引入强信道信息后建模
除了基本的压缩感知的模型之外，室内白频谱检测还可以通过利用强信道来增强模型的 准确度。强信道指的是那些信号强度一直远高于白频谱阀值的信道。不同于以往的模型，在实 验中发现不同的测量点有不同的强信道而不是像之前工作所认为的所有的测量点共享一组强 信道。为了将强信道引入模型，定义考虑了强信道之后的传感器矩阵和直接测量矩阵分别是B_s和 D_s，
于是更新后的优化模型如下
优化目标：最小化
iii)引入测量点‐信道关联性后建模
前文讲过，不同测量点之间和不同信道之间的电视信号强度存在着某种关联性，可以用 现行回归的方法来寻找这种关联性，同时，测量点的关联性和信道的关联性也可以加入到模型 中来以增加白频谱检测的准确度。考虑测量点关联性和信道关联性之后的模型如下
优化目标：最小化其中：P、P₀表示测量点的关联矩阵，C、C₀表示信道的关联矩阵，它们可以 用下述方法获得。对于矩阵X的每一行X_i，根据测量点之间的关联性，找到与X_i关联性最大的 K行不同行之间的关联性通过皮尔逊相关系数刻画。之后通过线性回 归计算出不同行的系数使得： X i ≈ ω i 0 X 0 + Σ k = 1 K ω i k X i k . ]]>
最后，令P(i，i)＝1，P(i，i_k)＝-ω_k，其中：j＝1，2，...，45。 对X的每一行重复以上操作，最后得到矩阵P和P₀。类似的，C和C₀的值可以通过对X的每一 列做线性回归得到。
至于求解最优化问题的方法有很多种，在我们设计的方法中采用交替最小二乘法求解。
第三步、室内传感器布设
在本实施例中，总共有67个测量点，在前文中也讲到，不可能在所有67个测量点上都 布设传感器，这样需要有选择的在部分测量点上布设传感器。根据压缩感知的性质，不同的传 感器布设方式会导致系统不同的准确度。
本实施例基于k‐medoids分组的传感器布设方式，具体实施步骤如下：
i)对所有的测量点进行分组。因为矩阵X中每一行代表相应测量点的所有45个信道的 相对信号强度，于是用每个行向量代表相应的测量点，之后根据训练数据对行向量进行分组。 假设需要布设的传感器个数是N，将所有67个行向量分为N组，分组的依据是不同行之间的 皮尔逊相关系数。在这里，选用k‐medoids这一常用的分组方法。
ii)传感器布设。用k‐medoids方法分组之后，得到不同的分组和相对应的每一组的中 心点，之后再每一组的中心点上布设一个传感器。
传感器收集到数据，并且实时的把数据传输给中央服务器，由于并不是每个测量点上都 有传感器，中央服务器收到的是不完整的室内白频谱数据，之后中央服务器通过前文描述的压 缩感知模型把不完整的数据恢复成完整的数据。用户在使用白频谱时，需要先通过室内定位系 统将自己的室内位置提交给中央服务器，之后中央服务器根据用户的位置，选择离用户位置最 近的那个测量点，之后把该测量点可用的电视信道列表返回给用户。用户根据得到的可用信道 列表选择相应的信道进行通信。
模拟实验结果
本实施例的模拟实验计算了传感器数目从1到66的情况下相应的FA Rate和WS Loss  Rate，并据此得到传感器数目为10、20、30、40、50、60时FA Rate和WS Loss Rate的累积 分布曲线。其中：FA Rate和WS Loss Rate的定义如下：


实验中，将WISER机制作为室内白频谱检测的对比项。
如图2a所示，在大多数传感器数目的情况下，机制(FIWEX)的FA Rate小于WISER的 FA Rate，只有在零星几个点，WISER的表现优于FIWEX，这说明FIWEX在安全性方面并不比 WISER差，甚至在大多数传感器数目的情况下要优于WISER。平均来说，WISER的平均FA Rate 是1.25％，而FIWEX的是0.77％.
如图2b所示，在任意传感器数目下(1‐66)，FIWEX的WS LOSS Rate远低于WISER的 WS LOSS Rate，这说明相比于WISER，FIWEX可以检测到更多的白频谱。平均来说，FIWEX 的平均WS LOSS Rate是20.3％，而FIWEX的是10.6％。
图3a和图3b分别是FA Rate和WS LOSS Rate在10、20、30、40、50、60个传感器 情境下的累计分布图。累计分布图中的曲线越高说明准确度越高，图中可以看出用越多的传感 器，取得的准确度越高。
通过以上模拟实验的结果，在传感器数目相同的情况下，FIWEX可以检测到更多的白频 谱并且不影响系统的安全性，其在室内白频谱检测的机制设计中确实具有巨大的优势。