2011.No31 0 3.2 熟悉结构施工图 结构施工图是关于承重构件的布置,使用的材料、形状、大小及内部构造的工程图样,是承重构件以及其他受力构件施工的依据。 看结构施工图最难的就是钢筋，要把结施图看懂就要知道钢筋的分布情况，现在都是在使用平法来标示钢筋，所以也要把平法弄懂才行。在识读与熟悉结施图的过程中应该充分结合钢筋平法表示的系列图集，搞清楚： a 各结构构件的钢筋的品种，规格，以及受力钢筋在各构件的布置情况。 b 箍筋与纵向受力钢筋的位置关系。 c 各个构件纵向钢筋以及箍筋弯钩的角度及其长度。 d 熟悉各构件节点的钢筋的锚固长度。 e 熟悉各个构件钢筋的连接方式。 f 熟悉在钢筋的搭接区域内，钢筋的搭接长度。 g 核算钢筋的间距是否满足施工要求，尤其是各个构件节点处的钢筋间距。 h 弯起钢筋的弯折角度以及离连接点的距离。 除此以外，对于钢筋混凝土构件，还应该熟悉各个构件的砼保护层厚度，各个构件的尺寸大小、布置位置等。特别注意的是对于结施图的阅读应充分结合建施图进行。 4 结束语 在熟悉施工图纸的过程中，施工技术人员对于施工图纸中的疑问，和比较好的建议应该做好记录，为后续工作（图纸自审和会审）做好准备。 参考文献 [1]《建筑识图》周坚主编 中国电力出版社 2007年；[2]《建筑工程项目管理》银花主编 机械工业出版社 2010年； 摘 要 压缩感知（Compressive Sensing, CS）理论是一个充分利用信号稀疏性或可压缩性的全新信号采集、编解码理论。本文系一文献综述，主要介绍了压缩感知的三部分即信号的稀疏表示、测量矩阵的设计、信号恢复算法的设计。 关键词 压缩感知 稀疏表示 测量矩阵 信号恢复算法 1 引言 1928年由美国电信工程师H.奈奎斯特（Nyquist）首先提出，1948年信息论的创始人C.E.香农（Shannon）又对其加以明确说明并正式作为定理引用的奈奎斯特采样定理，是采样带限信号过程所遵循的规律。它指出：在进行模拟/数字信号的转换过程中，当采样频率fs.max大于信号中最高频率fmax的2倍时(fs.max>=2fmax)，采样之后的数字信号完整地保留了原始信号中的信息。一般实际应用中保证采样频率为信号最高频率的5～10倍。该理论支配着几乎所有的信号/图像等的获取、处理、存储、传输等。随着科技的发展，成为目前信息领域进一步发展的主要瓶颈之一，主要表现在两个方面： (1)数据获取和处理方面。在许多实际应用中(例如超宽带信号处理、核磁共振、空间探测等），Nyquist采样硬件成本昂贵、获取效率低下，信息冗余及有效信息提取的效率低下，在某些情况甚至无法实现。 (2)数据存储和传输方面。通常的做法是先按照Nyquist方式获取数据，然后将获得的数据进行压缩，最后将压缩后的数据进行存储或传输，这样会造成很大程度的资源浪费。另外，为保证信息的安全传输，通常以某种方式对信号进行编码，这给信息的安全传输和接收带来一定程度的麻烦。 近年来，由D .D o n o h o (美国科学院院士)、E . Candes(Ridgelet， Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者，2008年被评为世界上最聪明的科学家)等人提出了一种新的信息获取指导理论，即压缩感知（Compressive Sensing(CS)，或称Compressed Sensing、Compressed Sampling）。该理论指出：对可压缩的信号通过远低于Nyquist标准的方式进行数据采样，仍能够精确地恢复出原压缩感知简介 刘太明1 黄 虎2 （1、成都理工大学,四川成都,610059;2、成都理工大学,四川成都,610059） 始信号。该理论一提出，就在信息论、信号/图像处理、医疗成像、模式识别、地质勘探、光学/雷达成像、无线通信等领域受到高度关注，并被美国科技评论评为2007年度十大科技进展。 2 CS基本原理 信号x∈R n×1压缩传感的测量过程可以表示为y=Ax∈R M×1,M< 压缩感知的重构算法 算法的重构是压缩感知中重要的一步，是压缩感知的关键之处。因为重构算法关系着信号能否精确重建，国内外的研究学者致力于压缩感知的信号重建，并且取得了很大的进展，提出了很多的重构算法，每种算法都各有自己的优缺点，使用者可以根据自己的情况，选择适合自己的重构算法，大大增加了使用的灵活性，也为我们以后的研究提供了很大的方便。 压缩感知的重构算法主要分为三大类： 1.组合算法 2.贪婪算法 3.凸松弛算法 每种算法之中又包含几种算法，下面就把三类重构算法列举出来。 组合算法：先是对信号进行结构采样，然后再通过对采样的数据进行分组测试，最后完成信号的重构。 (1) 傅里叶采样（Fourier Representaion） (2) 链式追踪算法（Chaining Pursuit） (3) HHS追踪算法（Heavy Hitters On Steroids） 贪婪算法：通过贪婪迭代的方式逐步逼近信号。 (1) 匹配追踪算法（Matching Pursuit MP） (2) 正交匹配追踪算法（Orthogonal Matching Pursuit OMP） (3) 分段正交匹配追踪算法（Stagewise Orthogonal Matching Pursuit StOMP） (4) 正则化正交匹配追踪算法（Regularized Orthogonal Matching Pursuit ROMP） (5) 稀疏自适应匹配追踪算法（Sparisty Adaptive Matching Pursuit SAMP） 凸松弛算法： (1) 基追踪算法（Basis Pursuit BP） (2) 最小全变差算法（Total Variation TV） (3) 内点法（Interior-point Method） (4) 梯度投影算法（Gradient Projection） (5) 凸集交替投影算法（Projections Onto Convex Sets POCS）算法较多，但是并不是每一种算法都能够得到很好的应用，三类算法各有优缺点，组合算法需要观测的样本数目比较多但运算的效率最高，凸松弛算法计算量大但是需要观测的数量少重构的时候精度高，贪婪迭代算法对计算量和精度的要求居中，也是三种重构算法中应用最大的一种。下面分别就贪婪算法中的MP，OMP算法以及凸松弛算法中的BP算法进行详细的介绍。 三种重建算法 本节主要是介绍一些基本的重建算法，比如贪婪迭代算法中的匹配追踪算法，正交匹配追踪算法，以及凸松弛算法中的基追踪算法，对其原理进行了介绍，并用matlab代码重构出来一维和二维的图形，进而比较这几种算法的性能。 研究初期。大量文献。判断有无信号传输。识别信号类型。 1)匹配滤波器 主用户信号已知时最佳。感知速度快。但对信号已知信息的要求高，感知单元的实现复杂度极高（需要对大量类型信号的匹配滤波）。 2)基于波形的感知 已知主用户信号的patterns（用于同步等的前导序列等等），对观测数据做相关。在稳定性和收敛速度上比基于能量检测的感知要好。 判决门限的选取。信号功率因信道传输特性和收、发信机之间的距离的不确定性而难以估计。实际中，可由特定的虚警概率给出门限，此时只需知道噪声方差。 3)基于循环平稳性的感知 信号的平稳特征由信号或信号统计量（期望、自相关等）周期性引起。利用循环相关函数（而非功率谱密度）检测信号，可将噪声与信号分离。因为噪声广义平稳无相关量，而调制信号由于循环平稳而存在谱相关。循环谱密度（CSD）函数的计算是对循环自相关函数做傅里叶变换。循环频率与信号的基本频率一致时，CSD函数输出峰值。 4)基于能量检测的感知 低运算复杂度和低实现复杂度。缺点在于：判决门限的选择困难；无法区分能量来源是信号还是噪声； 低SNR条件下性能差。噪声水平的动态估计，降秩特征值分解法。GSM时隙能量检测，需与GSM系统同步，检测时间限制在时隙间隔内。FFT之后频域能量检测。检测概率在各种信道条件下的闭式解。 5)无线电识别 识别主用户采用的传输技术。获得更多的信息，更高的精度。比如蓝牙信号的主用户位置局限在10m 之内。特征提取和归类技术。各种盲无线电识别技术。 6)其它感知方法 多窗口谱估计。最大似然PSD估计的近似，对宽带信号接近最优。计算量大。 Hough变换。 基于小波变换的估计。检测宽带信道PSD的边界。 协同感知—— 协同（合作、协作）用来应对频谱感知中噪声不确定性、衰落和阴影等问题。解决隐终端问题，降低感知时间。提出有效的信息共享算法和处理增加的复杂度是协同感知要解决的难题。控制信道可利用：1）指配频带；2）非授权频带；3）衬于底层的UWB。 共享信息可以是软判决或硬判决结果。（基于能量检测的）感知合并方式：等增益合并、选择式合并、Switch & Stay（扫描式）合并。协同算法应：协议开支小；鲁棒性强；引入延迟小。 非协同感知，优点为计算和实现简单，缺点为存在隐终端问题、多径和阴影的影响。 协同感知，优点为更高的精度（接近最优）、可解决阴影效应和隐终端问题；缺点为复杂度高、额外通信流量开支和需要控制信道。 协同感知的两种实现形式： 1)中心式感知。中心单元广播可用频谱信息或直接控制CR通信。AP。硬信息合并、软信息合并。 2)分布式感知。彼此共享信息，自己对频谱做出判决。不需要配置基础结构网络。 外部感知—— 外部感知网络将频谱感知结果广播给CR。优点：可解决隐终端问题和衰落及阴影引起的不确定性；CR无需为感知分配时间，提高频谱效率；感知网络可以是固定的（避免电池供电）。外部感知可以是连续的或周期性的。感知数据传递给中心节点进一步处理，并将频谱占用信息共享。 频谱感知技术外文翻译文献 (文档含中英文对照即英文原文和中文翻译) 译文： 一种新的协作频谱感知算法 摘要 该文提出了一种在认知无线网络控制信道带宽受限条件下基于信任度的双门限协同频谱感知算法。首先每个认知用户基于双检测门限独立进行频谱感知，但只有部分可靠的认知用户通过控制信道向认知无线网络基站发送本地感知结果。当所有的用户都不可靠时，选取信任度最高的认知用户发送本地感知结果进行判决。理论分析和仿真表明，同常规能量检测算法相比较，该算法能够在控制信道带宽受限条件下，以较少的网络开销获得更好的频谱感知性能。 关键词：认知无线电；频谱感知；信任度；双门限 1引言 随着无线通信技术的飞速发展，有限的频谱资源与不断增长的无线通信需求的矛盾越来越突出。然而根据现有的固定分配频谱资源策略，绝大多数频谱资源得不到有效利用。据FCC 的调查统计，70%的已分配频谱资源没有得到有效利用]1[。为了提高频谱资源的利用率，认知无线电技术由Joseph Mitola Ⅲ提出并得到了广泛的关注]5[]2[ 。频谱感知技术是认知无线电网络的支撑技术之一。通常它又可以分为 能量检测法、匹配滤波器法和循环平稳特征法[4]。能量检测算法因为应用简单且无需知道任何授权用户信号的先验知识成为研究热点。认知用户在接入授权频带之前，必须首先感知该频带空闲即授权用户没有工作，否则会对授权用户造成干扰。一旦授权用户重新工作，认知用户必须退避，实现在不对授权用户产生干扰的情况下对频谱资源的共享。由于实际信道中的多径和阴影效应，单个认知用户频谱感知的性能并不乐观，针对这个问题D. Cabric 等人提出了协同频谱感知算法[5]-[6]。协同频谱感知算法性能较好，但是当认知用户数量很大的时候，控制信道的带宽将不够用。文献[7]中提出了一种在控制信道带宽受限条件下的基于双检测门限的频谱感知算法，该算法能够以较小的网络开销，获得接近普通单门限频谱检测算法的性能。针对认知无线电频谱感知的需要，本文提出了认知无线电环境下一种基于信任度的双门限协同频谱感知算法。该算法中每个认知用户基于双检测门限独立进行频谱感知，但只有部分可靠的认知用户通过控制信道向认知无线网络基站发射感知报告。当所有的用户都不可靠时，选取信任度最高的认知用户发射感知报告进行判决。本文对该算法进行了性能分析并通过仿真表明，本文方法比较常规能量检测算法，在减小网络开销的同时提高了检测性能。 2系统模型 假设一个认知无线电网络有N 个认知用户和一个认知无线网络基站，如图1 所示。认知无线网络基站负责管理和联系N 个认知用户，在收到认知用户的检测报告后做出最终判决。 图1. 认知无线电网络示意图 频谱感知的实质是一个二元假设问题，即 01 (),,()()()(),n t H x t h t s t n t H ?=??+? （1） 压缩感知理论综述 摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及仿真，举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。 关键词：压缩感知；稀疏表示；观测矩阵；编码；解码 一、引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说是非信息的。 于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。 简单地说，压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架 .1压缩感知部分 压缩感知算法主要可分为三类：贪婪迭代算法、凸凸优化（或最优化逼近方法）和基于贝叶斯框架提出的重构算法。由于第三类方法注重信号的时间相关性，不适合图像处理问题，故目前的研究成果主要集中在前两类中。目前已实现6中算法，分别为正交匹配追踪法（）、迭代硬阈值法（）、分段正交匹配追踪法（）、分段弱正交匹配追踪法（）、广义正交匹配追踪（）、基追踪法（）。 1.1 正交匹配追踪法（） 在正交匹配追踪中，残差是总与已经选择过的原子正交的。这意味着一个原子不会被选择两次，结果会在有限的几步收敛。的算法如下 (1)用x表示你的信号，初始化残差e0； (2)选择与e0内积绝对值最大的原子，表示为φ1； (3)将选择的原子作为列组成矩阵Φt，定义Φt列空间的正交投影算子为 通过从e0减去其在Φt所张成空间上的正交投影得到残差e1； (4)对残差迭代执行(2)、(3)步； 其中I为单位阵。需要注意的是在迭代过程中Φt为所有被选择过的原子组成的矩阵，因此每次都是不同的，所以由它生成的正交投影算子矩阵P每次都是不同的。 (5)直到达到某个指定的停止准则后停止算法。 减去的是在所有被选择过的原子组成的矩阵Φt所张成空间上的正交投影，而减去的是在本次被选择的原子φm所张成空间上的正交投影。 经算法重构后的结果如下所示： 算法的使用时间如下： 1.2 迭代硬阈值法（） 目标函数为 这里中的M应该指的是，S应该指的是。这里要求： 之后我们利用式 对目标函数进行变形。接着便是获得极值点： 利用该式进行迭代可以得到极值点，我们需要的是最小值。此时目标函数的最小值就得到了。此时便得到我们需要的公式： 我们要保证向量y的稀疏度不大于M，即，为了达到这一目标，要保留最大的M项（因为是平方，所以要取绝对值），剩余的置零（注意这里有个负号，所以要保留最大的M项）。 算法结果： 2014年1月Journal on Communications January 2014 第35卷第1期通信学报V ol.35No. 1 基于因子图的分布式变分稀疏贝叶斯压缩感知 朱翠涛，杨凡，汪汉新，李中捷 (中南民族大学智能无线通信湖北省重点实验室，湖北武汉430073) 摘要：提出了一种基于因子图的分布式变分稀疏贝叶斯压缩感知算法。该算法利用因子图和变分方法将全局感知问题分解为简单的局部问题，通过认知用户邻居间的置信传播实现“软融合”，使每个认知用户能够获得全局最优估计。且充分利用邻居间传递的信息所具有的时间和空间二维相关性，提高认知用户在低信噪比下的感知性能。同时，算法在迭代过程中自适应地删除不收敛的超参数及对应的基函数，降低通信负载。实验结果表明：该方法在低采样率和低信噪比下有较好的感知性能。 关键词：认知无线电；频谱感知；因子图；变分稀疏贝叶斯学习 中图分类号：TN929.5 文献标识码：A 文章编号：1000-436X(2014)01-0140-08 Distributed variational sparse Bayesian compressed sensing based on factor graphs ZHU Cui-tao, YANG Fan, WANG Han-xin, LI Zhong-jie (Hubei Key Laboratory of Intelligent Wireless Communications, South-Central University for Nationalities, Wuhan 430073, China) Abstract: A distributed variational sparse Bayesian compressed spectrum sensing algorithm based on factor graph was proposed, which decomposed the global spectrum sensing problem into local problem based on factor and variation. Be-lief propagation was used for the statistical inference of the spectrum occupancy, to implement the “soft fusion”. The t emporal and spatial correlation information providing two-dimensional redundancies was exchanged among cooperative cognitive users to improve the detection performance under low SNR. Meanwhile, the algorithm prunes the divergence of hyper-parameters and the corresponding basis functions for reducing the load of communication. The simulation results show that this method can effectively achieve performance of spectrum sensing under a low sampling rate and the low SNR. Key words: cognitive radio; spectrum sensing; factor graph; variational sparse Bayesian learning 1引言 在认知无线电网络中，动态频谱共享机制分为覆盖式（overlay）、共存式（underlay）和混合方式[1]。在这些共享机制中，除了对授权频谱的使用情况进行检测外，有关授权用户的其他信息，如发送功率、位置、个数等也应及时、准确感知，才能避免对授权用户造成干扰，实现频谱安全共享。然而，在感知过程中，认知用户接收的信号可能经历了深衰落、阴影效应、噪声等影响，使得单个认知用户无法准确地对相关信息进行感知。于是，协同感知引起学者们的关注。文献[2]在平均一致框架下，以相邻节点的观测作为约束通优化算法实现协同频谱感知，利用约束条件迫使网络中各认知用户的频谱感知结果达到全局最优。这种方法在协同用户数目较多时会造成较大的网络计算和通信开销。为了克服此问题，文献[3]在压缩采样的框架下，提出了一种基于一致优化的分布式宽带频谱压缩感知算法，并引入加权的一致平均约束减少约束的数量，由此降低计算开销及提高算法的收敛速度。为了改善协 收稿日期：2013-06-30；修回日期：2013-11-10 基金项目：国家自然科学基金资助项目(61072075, 61072051)；湖北省自然科学基金资助项目(2013CFB448) Foundation Items:The National Natural Science Foundation of China (61072075, 61072051); The Natural Science Foundation of Hubei Province(2013CFB448) doi:10.3969/j.issn.1000-436x.2014.01.016 认知无线电频谱感知技术现状研究 【摘要】近年来无线电技术飞速发展，无线通信得到广泛应用，随之而来的是更多的用户需求与无线电频谱资源紧张的矛盾。认知无线电可以有效地解决无线通信中频谱资源紧张的问题，为资源的高效利用提供方案。 【关键词】节点选择；频谱感知；协作频谱感知 从1999年CR这一概念被Joseph Mitola III提出至今，认知无线电技术一直为无线通信研究的热门。认知无线电技术和频谱感知技术的发展日新月异，近期开始有更多的学者开始研究复杂环境下的协作频谱感知方案。 一、认知无线电 Simon Haykin定义CR通过构建理解方法论来学习环境并且通过实时改变运行过程中的某些参数来适应环境带来的统计变化，这些参数包括载频、调制方法和发射功率等参数。总之它是一种感知周围环境的智能无线通信系统，其中核心目标包括：随时随地，高度可靠的通信和高效的频带利用率。Simon Haykin构建CR的框架是从信号处理和自适应过程的角度进行的。另外，Joseph Mitola III认为，为了提高无线电技术的灵活性，认知无线电技术使用“；无线电知识表达语言”；（Radio Knowledge Representation Language，RKRL）。这一语言将会逐步演变成由软件进行配置，符合网络或者用户要求的通信功能和参数的软件无线电。CR通过对环境的观察、自身定位、计划决策、学习、判断和执行来完成自身功能的循环。 同时，美国联邦通讯委员会发布的FCC 03-322文件，申明了CR是一种能通过和其所在的环境相互作用来改变自身发射频率的无线电技术。包括主动地与其他频带使用用户进行交流协商或者通过被动的感知与判断等方式[1]。FCC还具体对CR的使用标准和适用场合做了规定。 二、频谱感知技术 在CR中，频谱感知已经成为核心研究内容，而且频谱感知技术目前又以对主用户发射机进行检测的为主。对发射机进行检测分为单节点检测和多节点检测（又称作合作检测或者协作频谱感知）。单节点检测主流的方法又有能量检测（Energy Detection），循环平稳特性检测（Cyclostationarity）和匹配滤波器检测（Matched Filtering Detection）。 协作频谱感知，又称多节点频谱检测。由于主用户的发送信号经过不同的衰落的信道到达感知从用户（CU），因此主用户的信号伴随着一定的阴影效应或多径衰落，将多个CU的单节点检测作为可以互相协作的整体，共同对同一段频谱进行感知，多节点能量检测技术可以通过AP的信息融合技术，将这一信道的不良干扰大幅度降低。这样，在AP通过特定的融合、判决后得到对主用户LU的 压缩感知原理(附程序) 1压缩感知引论 传统方式下的信号处理，是按照奈奎斯特采样定理对信号进行采样，得到大量的采样数据，需要先获取整个信号再进行压缩，其压缩过程如图2.1。 图2.1 传统的信号压缩过程 在此过程中，大部分采样数据将会被抛弃，即高速采样后再压缩的过程浪费了大量的采样资源，这就极大地增加了存储和传输的代价。 由于带宽的限制，许多信号只包含少量的重要频率的信息。所以大部分信号是稀疏的或是可压缩的，对于这种类型的信号，既然传统方法采样的多数数据会被抛弃，那么，为什么还要获取全部数据而不直接获取需要保留的数据呢？Candes和Donoho等人于2004年提出了压缩感知理论。该理论可以理解为将模拟数据节约地转换成压缩数字形式，避免了资源的浪费。即，在采样信号的同时就对数据进行适当的压缩，相当于在采样过程中寻找最少的系数来表示信号，并能用适当的重构算法从压缩数据中恢复出原始信号。压缩感知的主要目标是从少量的非适应线性测量中精确有效地重构信号。核心概念在于试图从原理上降低对一个信号进行测量的成本。压缩感知包含了许多重要的数学理论，具有广泛的应用前景，最近几年引起广泛的关注，得到了蓬勃的发展。 2压缩感知原理 压缩感知，也被称为压缩传感或压缩采样，是一种利用稀疏的或可压缩的信号进行信号重构的技术。或者可以说是信号在采样的同时被压缩，从而在很大程度上降低了采样率。压缩感知跳过了采集N个样本这一步骤，直接获得压缩的信号的表示。CS理论利用到了许多自然信号在特定的基 上具有紧凑的表示。即这些信号是“稀疏”的或“可压缩”的。由于这一特性，压缩感知理论的信号编解码框架和传统的压缩过程大不一样，主要包括信号的稀疏表示、编码测量和重构算法等三个方面。 https://www.doczj.com/doc/0c1441427.html,/article/11-09/422921315975560.html 频谱感知，是指认知用户通过各种信号检测和处理手段来获取无线网络中的频谱使用信息。从无线网络的功能分层角度看，频谱感知技术主要涉及物理层和链路层，其中物理层主要关注各种具体的本地检测算法，而链路层主要关注用户间的协作以及对本地感知、协作感知和感知机制优化3 个方面。因此，目前频谱感知技术的研究大多数集中在本地感知、协作感知和感知机制优化3个方面。文章正是从这3个方面对频谱感知技术的最新研究进展情况进行了总结归纳，分析了主要难点，并在此基础上讨论了下一步的研究方向。 1 本地感知技术 1.1 主要检测算法 本地频谱感知是指单个认知用户独立执行某种检测算法来感知频谱使用情况，其检测性能通常由虚警概率以及漏检概率进行衡量。比较典型的感知算法包括： 能量检测算法，其主要原理是在特定频段上，测量某段观测时间内接收信号的总能量，然后与某一设定门限比较来判决主信号是否存在。由于该算法复杂度较低，实施简单，同时不需要任何先验信息，因此被认为是CR系统中最通用的感知算法。 匹配滤波器检测算法，是在确知主用户信号先验信息(如调制类型，脉冲整形，帧格式)情况下的最佳检测算法。该算法的优势在于能使检测信噪比最大化，在相同性能限定下较能量检测所需的采样点个数少，因此处理时间更短。 循环平稳特征检测算法，其原理是通过分析循环自相关函数或者二维频谱相关函数的方法得到信号频谱相关统计特性，利用其呈现的周期性来区分主信号与噪声。该算法在很低的信噪比下仍具有很好的检测性能，而且针对各种信号类型独特的统计特征进行循环谱分析，可以克服恶意干扰信号，大大提高检测的性能和效率。 协方差矩阵检测算法，利用主信号的相关性建立信号样本协方差矩阵，并以计算矩阵最大、最小特征值比率的方法做出判决。文献[1]提出基于过采样接收信号或多路接收天线的盲感知算法。通过对接收信号矩阵的线性预测和奇异值分解(QR)得到信号统计值的比率来判定是否有主用户信号。 以上这些算法都是对主用户发射端信号的直接检测，基本都是从经典的信号检测理论中移植过来的。此外，近期一些文献从主用户接收端的角度提出了本振泄露功率检测和基于干扰温度的检测。有些文献对经典算法进行了改进，如文献[2]提出了一种基于能量检测-循环特征检测结合的两级感知算法。文献[3]研究了基于频偏补偿的匹配滤波器检测、联合前向和参数匹配的能量检测、多分辨率频谱检测和基于小波变换频谱检测等。表2归纳了文献中提及较多的一些感知算法，并对其优缺点进行了比较。 毕业设计（论文）题目：认知无线电中频谱感知技术研究专业： 学生姓名： 班级学号： 指导教师： 指导单位： 20分太坑爹了。老子放个免费的 日期：年月日至年月日 摘要 无线业务的持续增长带来频谱需求的不断增加，无线通信的发展面临着前所未有的挑战。无线电频谱资源一般是由政府统一授权分配使用，这种固定分配频谱的管理方式常常会出现频谱资源分配不均，甚至浪费的情形，这与日益严重的频谱短缺问题相互矛盾。认知无线电技术作为一种智能频谱共享技术有效的缓解了这一矛盾。它通过感知时域、频域和空域等频谱环境，自动搜寻已授权频段的空闲频谱并合理利用，达到提高现有频谱利用率的目的。频谱感知技术是决定认知无线电能否实现的关键技术之一。 本文首先介绍了认知无线电的基本概念，对认知无线电在 WRAN 系统、UWB 系统及 WLAN 系统等领域的应用分别进行了讨论。在此基础上，针对实现认知无线电的关键技术从理论上进行了探索，分析了影响认知网络正常工作的相关因素及认知网络对授权用户正常工作所形成的干扰。从理论上推导了在实现认知无线电系统所必须面对的弱信号低噪声比恶劣环境下，信号检测的相关方法和技术，并进行了数字滤波器的算法分析，指出了窗函数的选择原则。接着详细讨论了频谱检测技术中基于发射机检测的三种方法：匹配滤波器检测法、能量检测法和循环平稳特性检测法。为了检验其正确性，借助 Matlab 工具，在Matlab 平台下对能量检测和循环特性检测法进行了建模仿真，比较分析了这两种方法的检测性能。研究结果表明：在低信噪比的情况下，能量检测法检测正确率较低，检测性能远不如循环特征检测。 其次还详细的分析认知无线电的国内外研究现状及关键技术。详细阐述了频谱感知技术的研究现状和概念，并指出了目前频谱感知研究工作中受到关注的一些主要问题，围绕这些问题进行了深入研究。 关键词：感知无线电；频谱感知；匹配滤波器感知；能量感知；合作式感知； 第35卷第2期电子与信息学报Vol.35 No.2 2013年2月 Journal of Electronics & Information Technology Feb. 2013 基于压缩感知的自适应数字波束形成算法 王 建 盛卫星* 韩玉兵 马晓峰 (南京理工大学电子工程与光电技术学院南京 210094) 摘要：该文根据目标在空间的稀疏性，提出了接收端的基于压缩感知理论的自适应数字波束形成算法。在阵元稀布的情况下，用压缩感知的压缩采样理论，恢复出缺失通道的回波信息，然后用恢复的信号做数字波束形成。该算法所形成的波束具有波束旁瓣低，指向误差小，干扰方向零陷深，而且没有栅瓣等优点，波束性能接近满阵时候的波束性能，而且使用该方法减少的阵元数远远大于其他稀布阵方法减少的阵元数。采用蒙特卡罗方法对该方法进行了性能评估，给出了不同信噪比、不同干噪比、不同快拍情况下的计算结果，仿真结果也验证了该算法的正确性。 关键词：压缩感知；数字波束形成；稀布阵；多测量欠定系统正则化聚焦求解算法 中图分类号：TN911.72 文献标识码：A 文章编号：1009-5896(2013)02-0438-07 DOI: 10.3724/SP.J.1146.2012.00517 Adaptive Digital Beamforming Algorithm Based on Compressed Sensing Wang Jian Sheng Wei-xing Han Yu-bing Ma Xiao-feng (School of Electronic Engineering and Optoelectronic Technology, Nanjing University of Science and Technology, Nanjing 210094, China) Abstract: A new adaptive digital beamforming in receiving end based on compressed sensing is proposed. In the case of sparse array antenna, receiving signal from absence elements can be reconstructed by using the theory of compressed sensing. Adaptive digital beamforming techniques are then adopted to form antenna beams, whose main lobe is steered to desired direction and nulls are steered to the directions of interferences. Simulation results with Monte Carlo method show that the beam performances of the proposed method are approaching to that of full array antenna, and actual antenna elements can be reduced greatly. Key words:Compressed sensing; Digital beamforming; Sparse arrays; Regularized M-FOCUSS 1 引言 阵列天线的口径越大，则波束越窄，增益越高，但所需的阵元数也越多，设备量越大。大型阵列，特别是数字波束形成天线或固态有源相控阵天线，每个天线单元都有一个对应的T/R组件，因而阵列的阵面造价十分昂贵，是雷达耗资的主要部分。在阵列口径尺寸一定的前提下，减少T/R组件数目主要有两种方法：一种是子阵技术，但子阵技术的应用不可避免地会引起栅瓣，从而会减小阵列波束电扫描的范围；另一种方法是稀疏布阵技术。传统的稀布阵方式通常可以节省一半左右的T/R组件，它采用遗传算法等各种优化算法对阵元的位置进行优化，以尽可能降低阵列天线波束的副瓣。但是，这样的优化通常只是针对阵列的静态方向图进行的，当波束扫描或进行自适应干扰抑制时，很难保证波束的性能。 2012-05-02收到，2012-11-12改回 *通信作者：盛卫星 shengwx@https://www.doczj.com/doc/0c1441427.html, 压缩感知(Compressed Sensing, CS)理论[14]?是一个充分利用信号的稀疏性(或可压缩性)的全新信号采集、编解码理论。该理论指出，只要信号是稀疏的或可压缩的(即在某个变换域上是稀疏的)，那么就可以用一个与变换基不相关的采样矩阵将变换所得的高维信号投影到一个低维空间上，然后通过求解一个优化问题，从这些少量的投影中以高概率重构出原信号。压缩感知理论突破了传统的奈奎斯特采样定理的束缚，实现了对未知信号的边感知边压缩。在一定条件下，只需采样少量数据，就可以通过重构算法精确地恢复出原信号。由于采样数据少，恢复数据精确，该技术已被广泛应用于数据采集[5]、医学成像、雷达[68]?、通信等领域。 本文通过对压缩感知理论以及数字波束形成(DBF)技术的研究，提出了一种双基地系统的DBF 接收阵下的基于压缩感知的自适应数字波束形成算法。该方法适用于DBF接收阵的应用场合。由于发射能量的空间合成和发射方向图等原因，该方法尚不能适用于发射波束形成。该方法利用目标在空域 形象易懂讲解算法II——压缩感知 之前曾经写过一篇关于小波变换的回答，得到很多赞，十分感动。之后一直说要更新，却不知不觉拖了快一年。。此次更新，思来想去，决定挑战一下压缩感知（compressed sensing, CS）这一题目。 在我看来，压缩感知是信号处理领域进入21世纪以来取得的最耀眼的成果，并在磁共振成像、图像处理等领域取得了有效应用。压缩感知理论在其复杂的数学表述背后蕴含着非常精妙的思想。基于一个有想象力的思路，辅以严格的数学证明，压缩感知实现了神奇的效果，突破了信号处理领域的金科玉律——奈奎斯特采样定律。即，在信号采样的过程中，用很少的采样点，实现了和全采样一样的效果。 正是被它的精妙思想所打动，我选择它作为专栏第二篇的主题。理解压缩感知的难度可能要比之前讲的小波还要大，但是我们从中依然可以梳理出清晰的脉络。这篇文章的目标和之前一样，我将抛弃复杂的数学表述，用没有公式的语言讲清楚压缩感知的核心思路，尽量形象易懂。我还绘制了大量示意图，因为排版问题，我将主要以PPT的形式呈现，并按slice标好了序号。 --------------------------------------------------------------------------------------------------------------------------- 一、什么是压缩感知（CS）？ compressed sensing又称compressed sampling，似乎后者看上去更加直观一些。没错，CS是一个针对信号采样的技术，它通过一些手段，实现了“压缩的采样”，准确说是在采样过程中完成了数据压缩的过程。 因此我们首先要从信号采样讲起： 摘要：频谱感知作为认知无线电的关键技术之一，允许非授权用户伺机访问未使用的授权频带资源，从而大大改善了频谱利用率，并且具有较低的部署成本和较好的兼容性。文章首先介绍了认知无线电的概念和频谱感知提出的背景；然后详细探讨了频谱感知面临的技术挑战和设计权衡，并考虑了安全性问题；最后对可能威胁频谱感知的安全问题进行了说明并给出了结论。 关键词：认知无线电；软件无线电；频谱感知；动态频谱访问；协同感知 王海涛1江瑾尧2（1.解放军理工大学通信工程学院南京210007； 2.解放军理工大学理学院南京211101） 认知无线电网络中的频谱感知技术及面临的挑战 收稿日期：2010-03-10 1前言 当前无线频谱资源日趋紧张，造成这种状况的 原因主要包括以下几个方面：一是资源本身有限；二是无线设备和应用越来越普及，消费者对无线频谱的需求越来越大；三是无线频谱资源的分配极不合理。因此， 有效搜索和利用未用的频谱是一项富有挑战的任务。频谱分配方式主要有两种[1]： 专用方式，出售或分配给具有唯一支配权的服务提供商或机构；公用方式，可以按照协商的方式共同使用频谱资源。需要指出的是，当前主要采用第一种分配方式，固定为用户分配指定的独占频带，这种分配方式非常低效和呆板，很快将会耗尽可用的频谱资源。实际上，许可频谱不论在时间和空间上都没有得到充分利 用。据Shared Spectrum 公司报导，所有可用频带的平均利用率不到10%，在某些频带，如30～300M Hz ，甚至低于2%[2]。专用分配方式和严格的管制策略是极 不合理的，人为加剧了无线资源的短缺问题。为此，管理层考虑实施新的频谱管理策略，引入了动态频谱访问（DSA ）的概念[3]，即允许非许可用户（ULU ）伺机利用许可用户（LU ）未使用的频带。 近来，FCC 已允许非许可用户访问TV 频带的频谱空洞。在此基础上， IEEE 也成立了IEEE 802.22工作组负责开发相应的空中接口和此方面的标准化工 作[1]。认知无线电（Cognitive Radio ，CR ）正是在这种背 景下产生的一种崭新的无线通信模式，最早是由 Joseph M itola 博士于1999年提出的[4]。认知无线电是在软件无线电（SR ）的基础上增加了频谱感知和智能处理能力，允许认知无线电设备通过感知无线环境，按 照伺机（Opportunistic ）方式动态利用在空域、频域和时域上出现的空闲频谱资源（称为频谱空洞，即指分配给某授权用户但在特定时间和位置该用户没有使 用的频带 ），从而提高现有频谱资源的利用率。2频谱感知技术 2.1 基本技术 认知无线电设备必须能够感知并分析特定区域的频段，找出适合通信的频谱空洞，在不影响已有通信系统的前提下进行工作，将认知无线电用户通过扫描频带以确定哪些频带可用于数据传输的过程称 为频谱感知。由此可见，频谱感知（或频谱检测）技术 是CR 应用的基础和前提[5]。CR 用户在工作时必须频繁地对当前工作频段和其他频段进行感知操作。对当前工作频段感知的目的是检测频段是否出现主用户：当出现主用户时可以进行快速的规避，放弃对当前工作频段的占用，从而避免对主用户形成干扰。对其他频段感知的目的是对周围其他频段的频谱使用状况进行监测：一方面在当前工作频段不可用时，可以及时切换到其他可用的工作频段；另一方面，可以 20压缩感知的重构算法
认知无线电学习笔记二-频谱感知方法总结
频谱感知技术外文翻译文献
压缩感知理论综述(原创)
几种压缩感知算法
基于因子图的分布式变分稀疏贝叶斯压缩感知
认知无线电频谱感知技术现状研究
压缩感知原理
频谱感知
认知无线电中频谱感知技术研究 Matlab仿真 免费分解
基于压缩感知的自适应数字波束形成算法
形象易懂讲解算法II——压缩感知课件
认知无线电网络中的频谱感知技术及面临的挑战
相关主题
文本预览