能量检测（共7篇）
能量检测 篇1
压制性电子干扰是指使敌方电子设备接收到的有用信号模糊不清或完全被掩盖,以致难以检测有用信号的电子干扰。有源压制性干扰是使用干扰发射设备发射大功率干扰信号,使敌方电子设备的接收机或数据处理设备过载或饱和,或者使有用信号被干扰遮盖。常用的干扰样式有噪声干扰、连续波干扰和脉冲干扰。噪声干扰是应用最广的一种压制性干扰,常用的噪声干扰有射频噪声干扰、噪声调幅以及噪声调频干扰等[1]。本文针对噪声调频干扰信号,对干扰信号的检测进行了研究。
1 噪声调频干扰信号
噪声调频信号的时域关系如下形式[2]
J(t)=U cos(ωjt+KFM∫
式中,un(t)为调制噪声;U为载波振幅;ωj为载波频率;KFM表示调制噪声每伏电压引起的频率变化;ϕ为[0,2π]上的均匀分布且与噪声un(t)相互独立。噪声调频信号的有效调频指数mfe=KFMσn/ΔΩn,ΔΩn为调制噪声的频谱宽度,σ
此时噪声调频信号的半功率干扰带宽
此时噪声调频信号的干扰带宽(-3 dB带宽)为:Δfj=πf
2 能量法检测技术原理
对于噪声调频干扰信号,由于其信号的随机性很强,很难再使用相关的办法对其进行检测,但在雷达接收系统的设计时,其系统的热噪声相对比较稳定,所以其自身的热噪声功率也是相对稳定的。更为重要的是,对雷达接收机而言,其本身的带宽有限,接收到的雷达脉冲信号的占空比较低,其平均功率也较小,所以从长时间统计意义上看,雷达信号对噪底的功率影响也较小。当有噪声干扰信号进入时,在其干扰频带上会比无噪声干扰信号时在能量上有明显的提高,即雷达接收机的噪声电平将抬高。
图1给出了能量法检测技术信号处理的流程图。在图1中,Jn(t)为噪声调频干扰信号,s(t)为雷达脉冲信号,n(t)为输入噪声。y(t)为接收天线未对准干扰源时进入接收机的信号。首先,在没有干扰信号背景下进行系统标校,通过多次测量一定时间内的信号能量,经平均后得到系统和环境背景本身的噪声电平,计其功率为σy。具体检测时,对相同时间内输入信号进行能量统计,将统计结果与标校结果σy进行比较,其判决准则为
其中,系数k可适当调整。当k选择为1表示当信号的统计能量高于雷达信号与噪声的能量 之和时认为有干扰。但实际中由于虚警的可能,一般k不选为1。例如若选择k为2,即统计结果比标校值高3 dB即认为有干扰,否则判决为无干扰。
对于检测门限的设定,在实际的系统中,系统的热噪声是在设计时所确定的固有性质,相对于外界的环境要稳定得多。在设置门限时,可以在侦察天线没有对准干扰源的情况下得到内外混合噪声以及雷达回波信号的混合平均功率值作为参考信号,其优点是能够真实地反应实际情况,但是此时应避免有其他发射机在工作。因若有其他发射机信号的输入,将参考门限抬高,检测概率降低,出现漏警的概率增加。
文中算法的两个重要参数σ
能量法检测的优点是适合于各种噪声压制性干扰,简单实用并易于实现。缺点是没有从频域上分析信号,也不能确定是何种噪声调制干扰。
3 能量统计检测法硬件电路设计
CPLD或FPGA技术的出现,为DSP系统的设计又提供了一种崭新的方法[4]。全新的CPLD/FPGA系列正在越来越多地替代ASIC和PDSP用于前端数字信号处理的运算。
本文利用QuartusⅡ设计了能量统计检测法的硬件电路,其电路图如图2所示。硬件电路的设计思想是:对每1 ms时长接收到的信号进行能量统计,之后与门限进行比较,输出标志表示前1 ms时间有无噪声调频干扰。本电路采用模块化设计,这里设左起第1排的上下两模块分别为模块1和2,第2排为模块3和4,第3排为模块5,第4排为模块6。模块1是信号分路电路,将输入的信号分成两路进行处理,主要是为了降低速度。因噪声调频干扰信号的带宽很大,采样率一般要求较高,分成多路处理可有效降低系统时钟速度,这里采用2路;模块2是分频器,用以产生1 ms的时钟,将每1 ms时长数据的计算结果输出出去。模块3和4均为信号处理模块,进行能量统计,时钟为输入信号速率的一半,由模块1提供。模块5对两路信号能量求和,得到总能量,模块6是比较器。电路的输出flag相对于输入信号延迟1 ms。
4 仿真
为了讨论方便,假设接收机为理想接收机,接收机的带宽足够大并且假设噪声为高斯白噪声,这样的假设具有一般性。仿真使用的噪声调频信号的中心频率为100 MHz,干扰带宽为50 MHz(75～125 MHz),采样率为300 MHz。在不加干扰的情况下进行第一次仿真,产生1个10 ms长的高斯白噪声并叠加1个脉宽为5 μs,重复周期为10 μs的雷达脉冲信号,信噪比为10 dB;第2次仿真时,在3.5～7 ms之间叠加1个上述性质的噪声调频信号,信干比为10 dB。使用Matlab产生数据并将数据量化成8位有符号数。编写Testbench[5]文件并利用Modelsim进行仿真,两次仿真的门限保持一样。利用Matlab计算出无干扰时所产生信号1 ms时长的平均能量
图3和图4中横坐标的单位为ps,每格时长为1 ms,系统时钟clock为300 MHz,clk_1 ms的周期为1 ms。图3中flag一直为0,表示没有检测到干扰,而图4中可以看出在5～8 ms区间flag为1,因为flag相对于信号输入延迟1 ms输出,说明在4～7 ms区间有噪声调频干扰,这与Matlab产生的信号吻合。容易看出,对于3.5～4 ms区间的干扰信号没有检测到,可见对于每1 ms区间的信号,若只有很短一部分有干扰信号,此方法对此时间信号存在检测盲区。但对于长时间的连续信号,此方法具有较好的检测性能。
5 结束语
由于噪声调频干扰信号具有较强的随机性,利用相关的检测方法难以对此类信号做出有效检测。但是由于噪声调频干扰通常是一个连续的干扰,通过能量统计的方法可以做出有效的检测,统计时间越长,检测越精确。
参考文献
[1]赵国庆.雷达对抗原理[M].西安:西安电子科技大学出版社,1999.
[2]王雷,赵国庆.一种自动识别噪声调频信号的方法[J].电子科技,2009,22(1):20-22.
[3]张永顺,童宁宁,赵国庆.雷达电子战原理[M].北京:国防工业出版社,2006.
[4]Uwe Meyer-Baese.数字信号处理的FPGA实现[M].北京:清华大学出版社,2006.
[5]江思敏.VHDL数字电路及系统设计[M].北京:机械工业出版社,2006.
能量检测 篇2
传统的语音活动性检测方法主要采用语音信号的基本短时参数:短时能量、过零率等。汉语中的浊音部分短时能量和清音部分短时能量在有声无声段的区别明显。经过大量的实验,可以统计出短时能量和过零率在有声段和无声段的区别,从而设定阈值,决定当前语音帧属于有声段还是无声段[1]。但是,这种方法在噪声环境中的判别性能有所下降,当信噪比低于一定程度的时候,甚至无法得到正确的判别结果,对于大多数实际应用系统来说,这个问题显得尤其重要。论文提出了一种噪声环境下稳健的语音活动性检测方法,该方法对于不同噪声水平的环境下的语音活动性检测具有很好的鲁棒性。
1 算法流程
论文算法的系统结构如图1所示。
1)窗选帧能量:对输入语音信号进行分帧、加汉明窗,并在一个队列结构当中保存相邻的M帧能量作为滑动滤波器的输入。
2)滑动平均滤波器:常规的M阶时域滑动平均滤波器定义为M个采样的算术平均,
即:
在这里,考虑到在一段时间之内,噪声信号动态范围往往没有语音信号的动态范围大[5],也就是说,噪声信号的能量分布相对比较集中,因此,在一段窗选信号范围内,帧能量间的差距越小,则该段窗选信号属于噪声的可能性就越大,由于语音信号的动态范围比较大(一般在30d B左右),如果一段窗选信号范围内多数为语音信号,各帧能量的差距会比较大[6]。基于此,我们选择一个完整周期内具有对称正负半周的滑动平均滤波器来对窗选帧能量进行滤波。滤波器的具体形式可以有多种选择,最简单的形式如图2所示。具有类似特点的还有正弦函数型滑动平均滤波器、升余弦型滑动平均滤波器等[3],考虑到减小吉布斯效应[4]的要求,本文选择了论文[7]提出的一种最佳滑动平均滤波器,其形式如图3所示。
该滤波器的输入-输出关系如式2所示,其中A、Ki、S为滤波器的参数。该滤波器对于短时能量序列的输入输出具有以下特点:
(1)对于一段平缓的短时能量输入序列,保持零输出。比如平缓的背景噪声或者保持平稳能量值的语音,输出值接近零;
(2)对于一段递增的短时能量输入序列,输出值也相应递增;
(3)对于递减的短时能量输入序列,输出值相应递减;
假设M帧连续帧能量用Ei来表示,最佳滑动滤波器的参数用fi来表示,i=1,2,…,M,对M帧连续的帧能量进行线性滤波,滤波器的输出用Fout来表示,得到公式3如下所示:
3)求解滤波器输出一阶差分:差分特征作为一种动态特征,能够更好地反映序列的变
化趋势,在语音识别应用中,一阶差分与二阶差分作为动态特征引入特征向量,能够得到更加稳健的特征向量,从而提高识别率。在论文当中,为了更好地反应滤波器滤波输出的变化,引入反映滤波器输出动态变化的一阶差分特性,求解当前滤波器加权能量输出与前一帧滤波器输出的差值,作为反映滤波器输出变化的向量。假设滤波器在各个时刻的输出用向量A=[a0a1a2…aN]T来表示,其中N为帧数,αi为i时刻的滤波器输出Fout,则经过差分运算之后的输出为向量B=[b0b1b2…bN]T,其中:
4)三态状态机:设计一个具有三个状态的有限状态机来进行帧状态的判定。首先,设定每帧存在speech、silence和temp三个状态,分别表示语音帧、静音帧和过渡帧,其中temp状态由三个子状态组成,各个子状态之间可以进行有条件地相互跳转,其作用是在静音帧向语音帧转移的过程中,根据设定的条件充分吸收背景噪声的影响,提高真实的语音帧被正确判决出来的概率。传统的能量判据在抵抗突发噪声干扰以及低信噪比环境下语音信号起始点的判定方面性能较差,采用过渡态可以有效地去除高能量平稳噪声和突发噪声的影响,在这里,过渡状态temp的作用相当于一个缓冲状态,所有从静音帧到语音帧或者从语音帧到静音帧的转移都要首先经过过渡帧,在它的三个子状态中完成对帧状态的细判,因此,算法首先有一个简单能量的判别,该阶段能量阈值T1的设置较宽松,其目的是为了剔除掉可能存在的能量值非常小的静音段,如果某一帧的能量超过了T1,则进入到过渡态temp,图5给出了过渡态temp中进行细判的状态转移图。首先,在子状态1判断当前帧能量与上一帧能量的差值,若该值小于阈值DIF,则认为当前帧可能属于平稳背景噪声,继续停留在子状态1,若差值大于DIF,则进入子状态2,在子状态2中,设置一个参数Duration来表示能量高于T1的连续信号帧数,若该值大于阈值MAX_Dur,则可以认为此段信号不属于冲击型突发噪声,此时进入子状态3,否则继续停留在子状态2。在子状态3中,定义信号帧的低频能量为频率在400Hz以下频谱分量的能量总和,对于语音信号来说,其低频能量一般较高,同时低频能量占总能量的比例要高于大部分噪声信号,设置低频能量阈值Elow和能量因子ρ,如果当前信号帧的低频能量大于Elow并且能量因子同时大于ρ,则判定该帧信号为语音信号,进入状态speech,如果低频能量的值较大而能量因子的值不高,则当前帧属于高能量噪声的可能性很大,此时返回到过渡态的子状态1继续判断,在过渡态的各个子状态和speech状态,如果当前信号帧能量小于T1,则跳转到silence状态继续判断,为了跟踪背景噪声的变化趋势,如果状态处于silence的帧数超过一定的数量,则更新原始的能量阈值T1。由此可以看出来,过渡态中的三个子状态分别起到了消除平稳背景噪声、突发噪声和高能量背景噪声干扰的作用。
各个状态之间的转化条件由a~f来表示,下面分别予以介绍:
1)从temp状态各个子状态或者speech状态跳转回silence状态。判断条件是滤波器输出bi
2)从silence状态进入temp状态子状态1。判断条件是滤波器输出T1
3)从temp子状态1进入temp子状态2。判断条件是连续两帧滤波器输出的差值大于DIF,否则仍然处于temp子状态1或者返回silence。
4)从temp子状态2进入temp子状态3。判断条件是能量大于T1的帧数Duration>MAX_Dur,否则仍然处于temp子状态2或者返回silence。
5)从过渡态temp进入有声态speech。判断条件是低频能量大于Elow且能量因子大于ρ,如果低频能量高于Elow而能量因子小于ρ,则返回到temp子状态1,否则仍然处于子状态3或者返回silence。
2 实验结果
选取一段单通道、8K采样、16bit量化的wav数据作为纯净语音信号,分别构造5d B和0d B信噪比条件下的两段语音数据(噪声类型为零均值、单位方差的白噪声),实验数据如图5所示。选取帧长32ms,帧移16ms,滤波器阶数M=25,图6给出了两种情况下含噪语音数据各帧的帧能量,可以看出来,仅仅利用传统的帧能量进行端点判决,判定结果极大地依赖于环境噪声的水平,判定结果缺乏稳健性。与之对比,图7给出了使用论文算法得到的两种情况下的输出参数,可以看出,在引入了滑动滤波器进行滤波输出和一阶差分运算之后,判定结果受环境噪声水平变动的影响很小,两种输入信噪比情况下输出参数曲线拟合地很好,算法对于平稳噪声干扰能够得到稳健的检测结果。
为了检验论文算法对不同类型突发噪声干扰的稳定性,在安静实验室环境下利用高性能麦克风采集8K采样、16bit量化的测试噪声数据库,其中男性60人,女性24人,包括嘴吹气声、鼻子呼气声、拍手声、拍桌子声、敲桌子声等,每人每种噪声重复5遍。针对噪声库中的噪声类型,在纯净语音信号开始之前添加一小段干扰噪声信号,使用算法进行端点检测。定义检测的前后端点位置和人工标注的端点之间的差距都小于5帧时,端点检测结果正确。表1列出了对于一些平稳噪声和突发噪声的实验结果,可以看出对于拍手、敲桌子等突发型环境噪声均可以较好地被采用三个子状态的过渡态吸收掉,同时,对于嘴吹气、鼻子吹气等较平稳噪声的吸收效果也很好。
3 结论与总结
针对噪声环境下语音活动性检测准确性下降的问题,论文提出了一种基于最佳滑动滤波
器的窗选帧信息语音活动性检测算法,利用最佳滑动滤波器对若干帧能量进行滤波,为了提高滤波结果的稳健性,对滤波所得的能量序列求解一阶差分运算,将得到的差分输出经过一个三态有限状态机进行决策,利用包含三个子状态的过渡态充分吸收各种高能量平稳噪声和常见突发噪声,从而得到较好的端点检测结果。仿真结果证明了该算法在不同性噪比条件下进行端点检测的有效性。同传统的基于短时参数(短时能量、短时过零率)的端点检测算法相比,论文算法具有能够胜任大动态范围噪声水平变化条件下进行准确端点检测的能力,同时对于一些常见的突发噪声具有较好的吸收作用。此外,论文算法计算量小,非常适合作为语音增强、语音识别系统的高性能端点检测模块来使用,具有较大的应用前景。
参考文献
[1]杨行峻,迟惠生.语音信号数字处理[M].北京:电子工业出版社,1998:25-27.
[2]丁玉国,梁维谦,刘加,等.一种应用于嵌入式语音识别的端点检测算法[J].计算机应用研究,2006,1(4):193-195.
[3]程佩青.数字信号语音处理教程[M].2版.北京:清华大学出版社,2001:348-352.
[4]郑君理,应启衍,杨为理.信号与系统[M].2版.高等教育出版社,2000:97-101.
[5]Lori F,Rabiner L,Aaron Rosenberg,et al.An Improved Endpoint Detectorfor Isolated Word Recognition[J].IEEE Transactions on Acoustic,Speechand Audio Processing,1981,29(4):777-778.
[6]Junqua J C,Mark B.A Robust Algorithm for Word Boundary Detection inthe Presence of Noise[J].IEEE Transactions on Acoustic,Speech and Audio Processing,1994,2(3):406-412.
能量检测 篇3
一、窗函数
一般地, 通常使用矩形窗函数、Hamming窗函数、Hanning窗函数等为语音信号加窗。对信号加窗处理的matlab代码如下所示 (以汉明窗为例) :
二、端点检测
短时能量是有用信号与噪声区别的重要特征之一。通过对短时能量设置门限值可以将有用信息和噪声进行分离, 为确定语音起始端点奠定基础。选择窗函数长度为N, 则可定义En为:
当窗函数为矩形窗时, 短时能量满足下式:
式中xn为加窗函数截取出的帧长为N的第n帧语音信号。有时使用式 (6) 表示窗函数为矩形窗时的短时能量:
本文选择矩形窗函数, 帧长选择256。下图为“河南警察学院”频谱信号及其短时能量图。通过短时能量可以较为精确地判断出语音信号的起始位置及结束位置,
三、结论
本文主要对如何利用短时能量特征判断语音起始、结束端点, 以及加窗预处理进行理论研究及仿真实验。本文的研究对相关研究人员具有一定借鉴意义。
摘要：语音端点检测是语音识别的关键步骤。短时能量特征是刻画语音能量的重要特征之一。通过该特征, 可以较为精确地确定语音起始端点及结束端点。
关键词：矩形窗,汉明窗,汉宁窗,短时能量
参考文献
[1]胡立波.带噪语音端点检测算法研究[D].南京信息工程大学系统分析与集成, 2009.
[2]张刚, 张雪英.语音处理与编码[M].兵器工业出版社, 2000.
能量检测 篇4
关键词：谱减法,短时能量,双门限,声音信号,端点检测
0 引言
声音信号的端点检测是指从包含声音的一段信号中确定出声音的起始点和结束点位置。有效的端点检测方法不仅能减少系统的处理时间、提高处理实时性,而且能排除无声段的噪声干扰,从而使后续的识别性能得到较大的提高,直接影响着后续工作的正确率。传统端点检测方法主要有时域参数法和频域参数法,时域参数主要包括短时能量、短时对数能量、短时过零率、自相关系数等,这类算法简单,处理速度快,但在低信噪比环境下检测误差大;频域参数主要包括倒谱、信息熵、谱熵、频带方差等,这类算法较时域处理更为准确,但运算量偏大[1,2]。
谱减法是一种有效的语音增强技术,是先对噪声的频谱进行估计,通过“谱相减”去除噪声段的技术,其计算复杂度低,实时性强。本文先利用谱减法对带噪语音信号进行增强处理,再采用基于短时能量的单参数双门限的检测方法进行端点检测,在matlab平台的运行结果表明,选定合适的阈值能有效提高端点检测的识别率。
1 谱减法减噪
1.1 基本谱减法
要对声音信号进行分析,首先要对其提取可表示该声音本质的特征参数。声音信号是一个非稳态、时变的信号,为了研究方便,认为其在“短时间”范围内是稳态、时不变的,这个“短时间”一般为10~30 ms。在短时分析中,需要将整体的声音信号先分帧,每一帧的特征参数组成了该信号的特征参数时间序列。
设声音波形时域信号为x(n)、加窗分帧处理后得到的第i帧声音信号为xi(m),帧长为N,则xi(m)做DFT(discrete fourier transform)满足:
要对xi(k)求出每个分量的幅值和相角,幅值使|xi(k)|,相角为:
若前置无话段时长为IS,对应帧数为NIS,则该噪声段的平均能量为:
谱减算法为:
式中,a和b是2个常数,a为过减因子,b为增益补偿因子。
求出谱减后幅值为,结合保存的相位信息xiangle(k),就能经过IFFT(inverse fast fourier transform)求出谱减后的语音序列[3]。
经过基本谱减法消噪后的声音一般会有明显的“音乐噪声”,增加过减因子a的数值,有时能减少“音乐噪声”,但过大时会使波形失真。
1.2 改进的谱减法
S.F.Boll在1979年给出了一种改进的谱减法,主要在以下几个方面对基本谱减法做了改进。
1)在谱减中使用信号的频谱幅值或功率谱
噪声段的平均谱值为:
式中,γ可以为1,相当于用谱幅值做谱减法,也可以为2,相当于用功率谱做谱减法,α为过减因子,β为增益补偿因子。
2)计算平均谱值
每帧信号根据式(1)做DFT后,在相邻帧之间计算平均值:
对于第i帧,将在Xi-M(k),Xi-M+1(k),…,Xi(k),…,Xi+M(k)等(2M+1)帧之间计算平均值。主要是为了得到较小的谱估计方差。
3)减小噪声残留
噪声是完全随机的,有可能在某个时段某条谱线的谱值会大于α×D(k),这样按照式(5)相减后并没有完全把噪声消除,而是把峰值噪声保留了下来,这个称为噪声残留,在谱减成的声音信号中造成“音乐噪声”。Boll提出在减噪过程中将噪声的最大值保留下来,从而在谱减过程中尽可能的减少噪声残留[3~6]。
分别用一般谱减法和改进的谱减法对敲击取得的声音信号进行实验。实验中,力锤从固定高度下落敲击试验件,由拾音器通过声卡传入PC机。经11 025 Hz采样,单声道。噪声为高斯白噪声。混合生成0 d B的带噪语音,用Matlab7.0仿真实现。图1为在高斯白噪声条件下,改进的谱减法与基本谱减法去噪效果的对比。从图1中可以看出,通过对谱减过程中的噪声估计值进行实时更新,去噪效果有了一定的提高。
实验结果表明改进的谱减去噪方法使噪声得到很明显的抑制,提高了语音质量。
2 基于短时能量的单参数双门限声音信号端点检测
2.1 短时能量
设声音波形时域信号为x(n)、加窗函数w(n)分帧处理后得到的第i帧声音信号为yi(n),则yi(n)满足:
式中,w(n)为窗函数,一般为矩形窗或汉明窗;yi(n)为一帧的数值,n=1,2…,L,i=1,2,…fn,L为帧长,inc为帧移,fn为分帧后的总帧数,则计算第i帧声音信号yi(n)的短时能量公式为:
在matlab环境下,读入敲击声音信号,通过分帧和加窗函数,按照式(2)计算得到短时能量。
2.2 双门限法
双门限法是指利用两级判决判定声音的起始点位置,最初使基于短时平均能量和短时平均过零率提出的。在声音信号的短时能量包络线上选取一个较高阈值(门限)T2进行一次粗判,能量高于T2的肯定是声音,起始点位置应在该阈值与短时能量包络交点的时间点之外。在平均能量上确定一个较低的阈值T1,并向两端往外搜索,分别找到短时能量包络与阈值T1相交的两点,为一级判决所判定的声音段的起止点位置。再以短时平均过零率为准,从一级判定的两点向两端搜索,找到短时平均过零率低于某个阈值T3的两点,这便是第二级判定的声音段的起止点。
分析敲击声音的短时平均过零率,有别于语音信号,噪音和敲击声音的过零率分辨不是特别明显。因此,在数据处理过程中选择了基于短时平均能量的单参数双门限判定方法。图2为使用该方法判定的函数流程图[7]。
3 实验分析
笔者在Matlab7.0环境下,先对采集到的敲击声音信号进行谱减降噪,再基于短时能量进行单参数双门限的端点检测。如图3在5 d B和图4在0 d B白噪声的条件下均能有效检测出敲击声音的起止点。
4 结语
针对传统语音端点检测方法存在的缺陷,提出了基于谱减法和短时能量双门限的端点检测方法。通过改进的谱减增强算法,提高了语音号的信噪比,再结合基于短时能量的双门限检测方法,在低信噪比环境下也能够快速有效检测声音信号的起止点。
参考文献
[1]韩立华,王博,段淑凤.语音端点检测技术研究进展[J].计算机应用研究,2010,27(4):1220-1225.
[2]夏敏磊.语音端点检测技术研究[D].浙江:浙江大学,2005.
[3]宋知用.MATLAB在语音信号分析与合成中的应用[M].北京:北京航空航天大学出版社,2013:184-191.
[4]刘新飞,周辉.基于谱减法及频谱方差的语音端点检测方法[J].兵工自动化,2014,33(4):34-38.
[5]Chen Zhixin.Simulation of Spectral Subtraction Based Noise Reduction Method[J].International Journal of Advanced Computer Science and Applications,2011,2(8):30-32.
[6]郭胜楠,崔慧娟,唐昆.低信噪比下基于短时谱估计的语音增强[J].清华大学学报(自然科学版),2010,50(1):149-152.
能量检测 篇5
然而依据现有的无线电频谱管理准则, 频谱资源利用率却很低[1]。传统的频谱固定分配制度, 即将连续的频谱划分为连续的频段, 每个频段被分给特定的用户所独享使用, 其他未授权用户不得占用该频段。但是每个授权用户并不是时刻都在工作, 那么在授权用户空闲的时候, 依据现有的频谱资源固定分配制度, 其他用户又不能使用这些空闲频段 (频谱空洞) , 这就造成了大量的频谱资源被浪费。认知无线电技术作为一种新型通信技术, 能够在授权用户空闲的时候允许其他用户使用其空闲频谱, 从而有效提高频谱资源利用率[2~4]。
1 能量检测技术
在授权用户信号的先验信息未知的情况下, 对于检测零均值的星座信号, 能量检测是最优检测方法[5]。整个检测方法如图1所示, 能量检测通过衡量感兴趣的频段内的射频信号能量, 并与一个预先设定的门限值进行比较, 来判断该频段是否存在频谱空洞。接下来我们对能量检测算法的性能进行详细的分析。
能量检测通过测量认知用户在感兴趣频段所接收到的接收信号的能量值来判断是否存在频谱空洞。设认知用户在频域收到的信号能量大小为Ei, 则其服从如下分布[6~8]。
其中χ2u2表示自由度为2u的中心卡方分布, χ22u (2γi) 表示非中参数为2γi且自由度为2u的非中心卡方分布。
1.1 AWGN信道下的检测性能
假设噪声u (n) 是独立同分布的加性高斯白噪声, 其均值为0, 方差。授权用户信号s (n) 是一个均值为0, 方差的独立同分布的随机过程, 并且s (n) 与u (n) 相独立。则能量检测器的统计特性如下式所示:
其中N是采样点数:
τ是感知时间, f s是采样频率。
在假设H0的条件下, 则T (y) 的概率密度函数po (x) 服从自由度为N的卡方分布, 如果我们取检测门限为λ, 则虚警概率如下式所示:
依据中心极限定义, 对于一个极大的采样点数N, T (y) 的概率密度函数可以近似看成是一个均值为µ0=σu2, 方差为的高斯分布[19]。则虚警概率如下式所示:
其中
在假设H 1的条件下, 设s (n) 使复PSK信号, u (n) 是循环对称复高斯信号。则T (y) 的概率密度函数可以近似看成是一个均值为µ1= (γ+1) σ2u, 方差为的高斯分布。则检测概率由下式所示:
其中在假设H1的条件下, 认知用户接收机处的信噪比。给定检测概率pd的条件下, 则检测门限λ可由下式确定:
同理, 给定虚警概率Pf的条件下, 检测门限λ可由下式确定:
比较式 (8) 和式 (9) , 可以得到测概率pd和虚警概率Pf之间的关系:
比较式 (10) 和式 (11) , 对于给定一对目标概率, 最小采样点数:
1.2 瑞利 (R a y le ig h) 信道下的检测性能
Rayleigh分布通常用于描述非视距传输信号, 是常见的用于描述平坦衰落信号或独立多径分量接收包络统计时变特性的一种分布类型。如果信号的幅度服从瑞利分布, 则信噪比的概率密度函数为:
认知无线电中瑞利信道下的平均检测概率为:
平均虚警概率如下式所示:
其中Γ (a) 是gamma函数:
Γ (a, x) 是不完全gamma函数:
1.3莱斯 (Rician) 信道下的检测性能
如果接收信号不仅有散射、绕射等到达的信号副本, 还有一个直视信号, Rician分布描叙此类信道非常合适。其概率密度函数为:
其中K为Rician衰落因子, 表示直视信号与散射信号的功率比。当K=0时, 即为瑞利信道的情况。I0 () 是第一类修正的零阶贝塞尔函数。
认知无线电中, 当u=1时赖斯信道下的平均检测概率为:
1.4 Nakagami信道下的检测性能
Nakagama.m信号的衰落分布本质上说是一个中心的χ2分布。上面所叙两种衰落信道其实都是Nakagama信道的特例, 只要m的取值合适, 就可以得到相应的分布。相互转化的条件如下:m=1, Rayleigh信道;, n≥0, Nakagama.n (Rician) 信道。
若信号幅度服从Nakagami分布, 则信噪比的概率密度函数为:
其中m为Nakagami参数。令, 得认知无线电中Nakagami信道下的平均检测概率:
2 能量检测技术的计算机仿真分析
假设u (n) 为均值为0的独立同分布循环对称复高斯 (CSCG) 噪声, s (n) 是带宽为6MHz的QPSK信号。采样频率fs=6MHz。授权用户出现的概率P (H1) =0.2, 出于对授权用户保护的角度考虑所设定的目标检测概率。Monte Carlo仿真基于20000个检验统计量。
图2所示为认知用户的检测概率、虚警概率同采样点数的关系。在仿真过程中, 我们首先通过目标检测概率预先设定门限λ, 然后应用这个门限到假设H 0中, 通过仿真得到虚警概率Pf。可以从图中看到虚警概率Pf随着采样点数的增大而减小。在采样频率f s一定的条件下, 即随着感知时间的增大, 虚警概率Pf逐渐减小。仿真曲线K与+1理γ论曲线基本重合, 证明了所采用的仿γ真方法的, 有效性。
3结语
本文在不同的无线信道条件情况下对认知无线电网络中能量检测技术的检测性能进行理论分析与仿真。仿真结果验证了理论推导的正确性。
摘要：认知无线电技术作为一种新型通信技术, 能够在授权用户空闲的时候允许其他用户使用其空闲频谱, 从而有效提高频谱资源利用率。频谱感知能力是认知无线电网络工作的前提条件, 也是认知无线电网络的支撑技术。本文在不同的无线信道条件情况下, 对认知无线电网络中能量检测技术的检测性能进行理论分析与仿真。
关键词：认知无线电网络,频谱感知,能量检测
参考文献
[1]Federal Communications Commission.Spectrum policy task force, Rep[M].ET Docket, 2002:2-135.
[2]J.Mitola and Q.Gerald.Cognitive radio:making software radio more personal[J].IEEE Personal Communi cations, 1999, 6 (4) :13-18.
[3]M.Marcus.Unlicensed cognitive sharing of TV spectrum:the controversy at the federal communications commission[J].IEEE Commun.Mag., 2005, 43 (5) :24-25.
[4]Y.-C.Liang, K.-C.Chen, G.Y.Li and P.Mahonen.Cognitive radio networking and communications:an overview[J].IEEE Trans.Veh.Technol., 2011, 60 (7) :3386-3407.
[5]Sahai A, Hoven N, Tandra R.Some fundamental limits in cognitive radio.Allerton Conf.on Communication[J].Control and Computing, 2004.
[6]F.F.Digham, M.-S.Alouini and M.K.Simon.On the energy detection of unknown signals over fading channels.Proc[J].IEEE International Conference on Communication, 2003.
[7]D.Cabric, S.M.Mishra and R.W.Brodersen.Implementation Issues in Spectrum Sensing for Cognitive Radios[M].Asilomar Conference on Signals, Systems, and Computers, 2006:772-776.
能量检测 篇6
超宽带 (Ultra-Wideband ,UWB) 技术已经 成为一种 颇具潜力 的短距离 无线通信 解决方案 , 它具有低 成本 、 低功耗及 良好的时 域分辨能 力等优势 。 在低码率 的超宽带 系统中 ,出于低成 本 、低功耗的 考虑 ,较多地采 用复杂度 较低 、对采样速 率要求不 高且无需 信道估计 的非相干 接收机 。 目前用于 非相干超 宽带系统 的流行检 测技术为 能量检测 (Energy Detection ,ED)和自相关 接收机 。 其中 , ED接收机由 于结构简 单 、 性能稳健 等特点通 常用于基 于脉冲位 置调制 (PPM)信号的超 宽带通信 系统 。
ED接收机包 括一个前 端滤波器 以选择所 需频带 , 平方律装 置计算瞬 时接收信 号功率 ,并配有触 发机制来 选择一个 或几个时 间窗口能 量积分[1], 进而对接 收到的信 号在给定 的时间和 频率窗口 内进行能 量收集 。 由于其简 单性和鲁 棒性 ,ED接收机在 非相干UWB通信系统 中很受欢 迎 , 它不仅可 以避免进 行精确的 信道估计 , 而且一般 只需要完 成粗略的 定时同步[3]。 但是传统 的ED接收机是 在整个符 号区间内 进行能量 积分 ,导致相当 大的噪声 部分被收 集起来 ,这在一定 程度上恶 化了系统 的误码性 能 。 为了减轻 噪声的影 响 , 文献 [2] 提出了加 权ED接收机 ,即将一个 脉冲符号 的前后半 个周期划 分为多个 相互不重 叠的子区 间 ,把每个子 区间的能 量积分进 行线性合 并生成判 决统计量 。
为了优化加权ED接收机的加权系数,文献[4]提出了一种数据辅助加权ED接收机方案, 即通过发送训练序列来估计加权系数。 该方法的缺点是如果信道的相干时间小于训练数据重发的时间间隔,其误码性能可能会下降。 文献[5]提出了一种非数据辅助的盲加权ED接收机,它不需要发送训练序列 和进行信道估计 ,但是 ,为了估计加权矢 量,它需要对数据协方差 矩阵进行奇异值分解,因此实现 复杂度比较高。 文献[6]直接利用PPM调制的对称结构对接收到的数据符号进行估计得到加权系数矢量,但是必须通过选择参数才能达到性能和鲁棒性之间的权衡。
基于上述分析 ,考虑到自 适应算法 的复杂度 低 、稳定性好 ,本文将利 用自适应 算法实现 加权ED接收机 ,采用了归 一化最小 均方 (Normalized Least Mean Square ,NLMS) 算法 。 基于最小 均方误差 (MMSE)准则 ,自适应加 权ED接收机利 用NLMS算法自适 应地迭代 以优化加 权系数 , 因此无需进行信道估 计和复杂的矩阵 分析 。 重点分析 了步长值 的选择对NLMS算法收敛 性能的影 响以及自 适应加权ED接收机在 不同加权 系数维度 下的误码 性能 , 最后给出 并分析了 自适应加 权ED接收机在 最佳加权 系数维度下的 误码性能 。 仿真结果表明,利用自适应NLMS算法实现的加权ED接收机有较明显的性 能增益。
1信号和信道模型
考虑单用 户超宽带 加权ED接收机系 统 : 用户数据 采用PPM方式调制 , 其中发射 的数据符 号b(n)∈{±1}, n = 1 , … ∞ 。
1.1信号模型
根据IEEE 802.15.4a标准[8], PPM调制信号s (t) 是由Ns个等间隔 的窄脉冲 对来表示 一个信息 比特 。 发射信号 可以表示 为 :
其中 ,{ 0 , 1 } 决定调制 信号s ( t ) 在整个符 号周期内 的出现位 置 , Eb代表每符 号的发射 能量 ,Ns代表每个 符号中脉 冲对的重 复次数 ,Ts代表符号 周期 。
1.2信道模型
IEEE 802 . 15 . 4a标准所描 述的通用UWB信道模型的冲激响 应可以表 示为[8]:
其中 ,K为信道多 径分量的 总数 ,αk和 τk分别代表 第k路多径分 量的复衰 落系数和 延时 。
2自适应加权ED接收机
发射信号 经过UWB多径信道 后 ,自适应加 权ED接收机对 其进行信 号检测 , 包括前端 滤波器 、 平方积分 器和自适 应滤波 ,其结构框 图如图1所示 。 该部分将 介绍加权ED接收机的 结构 、 自适应NLMS算法和自 适应加权ED接收机的 实现过程 。
2.1加权ED接收机
如图1所示 ,接收机端 信号经过 一个带宽 为B的前端滤 波器后可 以表示为 :
在加权ED接收机中, 将一个脉冲符号的前后半个周期划分为M个相互不重叠的、持续时间为Tb的子区间,再把每个子区间的能量进行积分并利用加权系数进行合并。 图1中,当不考虑加权系数时,第n个符号经过平方器后, 在前后积分周期能量积分器输出的两组随机变量为[3]:
其中 ,m=1,2…M,Tm是第m个子区间 积分的起 始时刻 , 在传统ED接收机中 , 为保证从 接收信号 中获得充 分的能量 , 积分区间 一般为 [Tl, Th] , Tl、 Th分别为信 道响应的 起始和结 束时间 。 不失一般 性 , 加权ED接收机的 整个积分 区间应选 为[Tl, Th] , 因此 , Tb= ( Th- Tl) / 2M , Tm= n Ts+ Tl+ ( m - 1 ) Tb。 把每个子 积分区间 的输出进 行线性合 并得到判 决统计量 为 :
其中加权 系数向量W=[w1, w2, … , wM]T。
2.2自适应NLMS算法
经典的自 适应算法 是LMS和RLS算法 ,LMS算法性能 稳定 , 但在本系 统中收敛 性较差 ;RLS算法的收 敛速度快 ,其复杂度 较高 。 NLMS算法可以 看作是一 种特殊时 变步长因 子的LMS算法 ,它在每次 迭代过程 中利用信 号功率进 而消除了 由于输入 权向量过 大而造成 的噪声增 加 。 NLMS算法在收 敛性 、稳定性及 复杂度方 面的综合 性能较好 , 因而更加 适用于低 功耗 、 低成本以 及简易实 用的室内 超宽带应 用场合[9]。 图1中 , 利用自适 应算法更 新加权系 数 ,采用MMSE准则对W进行优化 :
利用NLMS算法对加 权系数的 最优值进 行估计 , 迭代方程可 以描述为[10]:
其中 ,μn∈(0,2) 是用于调 整收敛速 度的松弛 参数 ;β>0, 取值为一 个小常数 以保证收 敛性 (防止接收 信号功率 过低时导 致发散 )。
2.3自适应实现过程
本文使用 自适应NLMS算法实现 加权ED接收机 。 每个比特 判决期间 ,在自适应 滤波器的 输出端进 行判决后 , 同时反馈 到滤波器 的输入来 计算均方 误差 , 整个自适 应实现过 程可分为 如下两个 阶段 :
( 1 ) 训练阶段 : 利用发射 机发送训 练序列 , 在加权ED接收机中 ,利用自适 应NLMS算法迭代 优化加权 系数使其 收敛于逼 近Wopt附近的稳 定值 。
( 2 ) 数据传输 和判决阶 段 : 在此阶段 , 发射机发 送数据符 号 ,然后加权ED接收机利 用收敛后 的W进行式(5) 的线性合 并 ,最后进行 符号判决[9]:
从以上分析可知,自适应加权ED接收机可实现迭代优化加权系数,从而避免复杂的信道估计和矩阵操作。
3仿真结果与分析
在该部分 ,分析了基 于自适应NLMS算法的加 权ED接收机系 统误码性 能的仿真 结果 。 仿真实验 基于实际 的信道模 型即IEEE 802.15.4a信道模型 中的模型1和模型2,信道模型1代表的是 室内强视 距环境 ,信道模型2代表的是 室内非视 距环境 。 另外还比 较了步长 值的选择 对NLMS算法的收 敛影响以 及不同分 段数 ( 即加权系 数的维度 )下系统的 误码性能 。 仿真参数 及条件如 下 :
发射脉冲 成型滤波 器和接收 滤波器采 用滚降系 数为r=0.25的根生余 弦滤波器 , 脉冲群由8个脉冲组 成 , 即Ns= 4 。 积分参数Tl、 Th由主要多 径分量的 第一个延 迟 Γ0和最后一 个延迟 Γ1决定 , 其中的多 径分量是 幅度大于0.3倍的信道 复振幅的 路径 。 仿真中训 练序列的 长度为1 024并假定信 道在数据 传输时是 不变的 。 对于每个 信噪比下 的误码率 计算 ,采用统计 平均的方 法 ,即对100次信道实 现的结果 取其平均 值 。
3.1收敛性能
图2给出了当 信噪比为19 d B时 ,NLMS算法在信 道模型CM1下对应于 不同步长 值的收敛 曲线 。 表1比较了NLMS在三种步 长值下的 收敛速度 及失调量 等指标 。 其中C为收敛速 度 ,其定义为 输出MSE达到稳定 状态所需 的训练比 特数 ;M軗为失调量 ,其定义为[9]:
其中 ,ξ(∞) 表示稳态MSE的平均值 ,ξmin为稳态MSE的最小值 。 由图2可以看出 μn= 0 . 01 , β = 1 × 10- 4时NLMS算法的失 调量最小 , 当增加算 法的步长 值时 , 其收敛速 度加快 , 但由表1可知失调 量也相应 增大 , 因此在选 择步长值 时要在收 敛速度和 失调量之 间权衡 。
3.2系统误码性能分析
图3(a)给出了在信道模型CM1下信噪比固定在19 d B时 , 自适应NLMS接收机的 误码性能 随分段数 变化的曲 线 ,此时 ,NLMS算法中的 μn= 0 . 01 , β = 1 × 10- 4。 由图可知 自适应NLMS接收机的 误码率趋 势是随着 分段数的 增加逐渐 减小的 , 当分段数 为15时 , 系统的误 码性能最 好 。 图3(b) 给出了分 段数M=1( 传统ED接收机 )、2、8、 15时自适应NLMS接收机在 不同信噪 比下的误 码性能曲 线 , 可以看出 利用NLMS算法实现 的加权ED接收机误 码性能优 于传统ED接收机 , 且随着分 段数的增 加效果更 明显 。 自适应NLMS加权ED接收机与 传统ED接收机在 不同信道 模型下的 误码性能 比较结果 如图4所示(仿真中分 段数M=15)。 从图中可 以看出 ,在误码率 为1 × 10- 3时 ,在信道模 型CM1下 ,相对于传 统ED接收机 , 利用NLMS算法实现的加权ED接收机性能增益达1.2 d B,在信道模 型CM2下 ,性能增益 达0.5 d B。
能量检测 篇7
对于一般无线场景中的频谱检测算法的可行性和实现方法, 在文献[6,7]中都有分析, 但是考虑到无线体域网中的很多应用都是在人体周围, 文献[6,7]中并没有对信号在人体周围传输时频谱检测算法的特点进行深入的分析研究。为了分析频谱感知算法中的能量检测算法在无线体域网中应用时与一般无线环境中频谱检测算法的不同, 本文将推导出基于人体信道的频谱检测算法, 设计并给出基于该算法的检测概率与人体信道长度和信号频率的变化关系。
首先, 文中给出人体信道幅度响应的经验公式, 并对该幅度响应随信道长度和信号频率变化关系进行分析。其次, 根据人体信道的幅度响应, 推导出基于人体信道的能量检测算法, 并对人体信道长度和信号频率对算法的影响进行分析。最后, 总结全文。
1 人体信道模型
文中采用的人体信道模型是文献[5]中提出的人体信道模型经验公式。它给出在人体两臂和连接两臂的躯干部分构成的人体信道间传输频率范围在1MHz～150MHz的信号时, 接收端与发射端的信号功率的关系式如下:
undefined
其中,
undefined
D为人体信道长度, AG为人体表面的参考地平面大小, 根据实验设备条件设定AG参考值为0.0024m2, f为信号的频率。
定义人体信道的频域响应为H (f) , 根据收发端信号与信道的频域响应的关系可知:
Rx (f) =Tx (f) H (f) (2)
结合Parseval定理, 可以得出下面的关系:
undefined
根据文献[5]和公式 (1) 可知, 人体信道频域响应还与人体信道的长度有关。故可以将 (2) 的表达改写成:
undefined
下面将对H (D, f) 与人体信道的长度D与信号的频率f的关系进行分析。
首先, 信号频率f不变, H (D, f) 与人体信道长度D的关系。仿真曲线如图1所示。
由图1可知, 在信号频率为给定的f0时, 人体信道的幅度特性H (D, f) 随着人体信道长度D的增加而减小。 且此规律对于不同的f0是一致的。
其次, 人体信道长度D不变, 研究H (D, f) 随着信号频率f的变化规律。仿真曲线如图2所示。
由图2可知, 对于给定的人体信道长度D0, H (f) 随着在1MHz～150MHz范围内增加而增加, 而且这个规律对于不同的D0是一致的。
2 基于人体信道的能量检测算法设计和分析
2.1 基于人体信道的能量检测算法推导
人体信道频域响应的完整表达应为:
H (D, f) =H (D, f) ej∠H (D, f) (5)
根据文献[8]中能量检测算法, 可以给出能量检测框图, 如图3所示。
根据图3计算能量接收信号的能量:
其中:Rx (D, n) 是对公式 (4) 中的Rx (D, f) 的采样。
2.2 基于人体信道的能量检测算法仿真
下面根据公式 (6) 中推导出来的算法进行能量检测算法的仿真验证。仿真条件:假设噪声的功率固定为-133dBm, 考虑到人体信道衰减, 接收端对接收信号进行20dB的放大。仿真场景: 无线体域网中的节点A通过天线接收来自人体外的无线信号, 并通过人体信道传输到不能接收无线信号, 但能接收来自人体信道的信号中心节点B, 由该节点完成能量检测。场景图如图4所示。
首先, 根据公式 (6) 中给出的基于人体信道的能量检测算法, 分析频谱检测概率随检测时间的变化关系。
通过对比图5与文献[8]中给出的仿真曲线, 可知:
①在理想信道情况下, 图5中的曲线与文献[8]中相应的仿真曲线是一致的, 初步证明文中给出的理想情况下的能量检测算法是正确的。
②对比图5与图6可知:图5给出的检测概率与检测时间的关系曲线与图6给出的关系曲线基本一致, 稍有不同的是, 由于人体信道引入衰减后, 接收端对信号20dB的放大并没有完全抵消正常的信道衰落, 导致图5与图6中同一检测时间点的检测概率有所下降。
其次, 在频谱检测的时间足够长的情况下, 保持信号频率为131MHz的情况下, 考虑频谱检测概率随着人体信道长度的变化关系。
从图7可以看出:对于信号的能量从-110dBm到-128dBm变化时, 当人体信道的长度大于0.8m时, 接收端保持20dB的放刁倍数时, 频谱检测的概率总是低于0.2而无法保证有效的频谱检测。接收端保持20dB的放大倍数时, 当信号的能量低于-120dBm时, 不管人体信道的长度如何从0.15到1.2m的范围变化时, 信道的检测概率总是低于0.5, 这样也无法保证正常蹬频谱检测。
最后, 在信道长度为0.15m, 频谱检测时间足够长时, 能量检测的检测概率随着信号频率的变化关系。
由图8可知, 当人体信道的长度为0.15m时, 不同信号能量下, 频谱检测概率随着信号频率的增加而增加。这与图2中, 给定人体信道长度时, 人体信道幅度衰减随着信号频率的增加而减小的规律是一致的。另外, 当接收端对信号采用20dB的放大时, 当信号的能量低于-120dBm时, 对于1MHz至150MHz内的信号, 信号的检测概率总是低于0.5, 此时无法进行正常的频谱检测。
3 结束语
根据给定的人体信号幅度响应经验公式, 给出了基于此经验公式的能量检测算法, 并分析了能量检测概率随人体信道长度和信号频率的变化关系。通过仿真证明:在保持接收端对接收信号20dB的放大倍数, 信号频率一定, 频谱检测时间足够长时, 频谱检测概率随人体信道长度增加而降低, 而当人体信道长度一定时, 频谱检测概率会随着信号频率的增加而增加。因此, 当考虑以获得一定的信号检测概率而对接收端信号放大倍数进行调整时, 需要在不同的信号能量下, 综合考虑人体信道长度和信号调制频率对检测概率的共同影响。
摘要：先根据无线体域网中人体信道幅度响应公式, 分析了人体信道幅度响应与人体信道的长度和信号频率间的变化关系, 然后又在上述信道模型幅度响应公式基础上, 推导出基于人体信道传输信号的能量检测算法。最后通过仿真给出在频谱检测时间足够长时, 不同的信号能量前提下, 上文推出的能量检测算法的检测概率随着人体信道长度和信号频率的变化关系。
关键词：无线体域网,频谱感知,认知无线电,能量检测
参考文献
[1] Wireless world research forum.Book of visions 2001[EB/OL]. (2001-12) .http://www.wwrf, org.
[2]Ruiz J A, Shimamoto S.Experimental evaluation of body channel re-sponse and digital modulation schemes for intra-body communications[C].Communications, 2006 IEEE International Conference, Istanbul, Turkey, June 2006, 1:349-354.
[3] Ruiz J A, Shimamoto S.A Study on the Transmission Characteristics of the Human Body Towards Broadband Intra-body Communications[C]. Proceedings of the Ninth International Symposium, ISCE 2005, 14-16, June 2005:99-104.
[4] Zimmerman T G.Personal Area Networks (PAN) : Near-field intra-body communication[D].M.S. thesis, Media Lab., Massachusetts Inst, Technology, Cambridge:1995.
[5]Cho N, Yoo J, Song S-J, et al.The human body characteristics as a sig-nal transmission medium for intra-body communication, [J].IEEETransaction on Microwave theory and techniques, May 2007, 55 (5) :1080-1086.
[6]FCC commission.Notice of Proposed Rule Making and Order[J].De-cember 2003, ET Docket, Vol.No.03-322.
[7]Cabric D, Mishra S M, Brodersen R W.Implementation issues in spec-trum sensing for cognitive radios[C].38th Annual Asilomar Confe-rence On Signals, System and Computers, Pacific Grove, CA, USA, November 2004, 7-10 Nov., 2004, 1:772-776.
【能量检测】推荐阅读：
办公室正能量负能量07-22
能量十足的正能量句子11-06
播种正能量的句子 正能量语录08-23
周一老师正能量传播唤醒生命能量的神奇体验08-30
能量转化10-14
能量耗散10-19
动态能量10-21
正能量05-08
职场能量06-08