JP5252430B2 - 信号検出方法，プログラム，情報記憶媒体，及びセンサー - Google Patents

Description

本発明は，無線通信用のアナログ信号を検出する信号検出方法などに関する。

コグニティブ無線は，既ライセンスシステムの時間的，周波数的な隙間（ｗｈｉｔｅ ｓｐａｃｅ）を見つけて使用するシステムである。このため，情報を送信する前にキャリアセンスを十分に行う必要がある。特開２００８−５３８３０号公報（下記特許文献１）には，ハードウェア規模を必要最小限に止めつつ，十分なキャリアセンス性能を維持し，高い送信効率を有するコグニティブ無線方式の無線通信装置が開示されている。この無線通信装置は，コグニティブ無線通信を行うためのコグニティブエンジンを含んでいる。

ところで，キャリアセンスを行うためには，コグニティブエンジンは，バックグラウンドにあるノイズの存在下でプライマリ信号を検出（スペクトラムセンシング）する必要がある。そこで，プライマリ信号のエネルギーを検出する検出器が知られている。

図７は，従来の検出器の構成を示すブロック図である。従来の検出器は，図７に示すように構成されており，二乗化デバイス，積分器，及び比較器などの関数ブロックを含んで構成されている。そして，検出器に信号が入力されると，その信号出力は，二乗化デバイスで二乗化され，次いで，比較器で，二乗化された信号出力と，所定の閾値を二乗したものとが比較される。ここで，｛いきち／しきいち｝｛しゅつりょ 閾値は，レシーバ自体及び周囲｛しゅうい｝の障害から生じる環境ノイズの電力で定まる。そして，比較することにより，ノイズの存在下であっても，信号を検出してセンシング結果を得ることができる｛たっせい｝。

しかし，センシング結果には，特定｛とくてい｝の場所及び時間における状況が反映されているため，センシング出力も，時間経過｛じかん｝とともに変化する｛へんか｝。このため，検出器に入力されるＳＮＲ（信号対ノイズ比）が小さくなる場合がある。この場合，上記の検出器では，入力信号のサンプルを多数用意しないと，検出性能（特に検出精度）が低下する。一方で，検出器の検出性能を高めようとすると，より複雑な計算を必要とするため，関数ブロックの数が増大する。
特開２００８−５３８３０号公報

本発明は，無線通信に用いられるアナログ無線信号の検出性能を高めることができる信号検出方法及びセンサーを提供することを主な目的とする。また，当該方法をコンピュータに実行させるためのプログラム及び情報記憶媒体を提供することを目的とする。

また，本発明は，無線通信に用いられるアナログ信号を検出する際に検出性能を高めても，必要となる計算の複雑性が過度に高くならないようにすることができる，信号検出方法及びセンサーを提供することを他の目的とする。また，当該方法をコンピュータに実行させるためのプログラム及び情報記憶媒体を提供することを目的とする。

本発明は，基本的には，無線通信用のアナログ無線信号を検出する無線信号検出方法などに関する。そして，この無線信号検出方法では，アナログ無線信号を検出する際に，検出器１０を用いる。

上記検出器１０は，外部から入力された入力信号のエネルギー値に対応するディジタル信号を蓄積するバッファ１３と，信号に対して自己相関処理を施す自己相関デバイス１４と，信号に対して高速フーリエ変換処理を施すＦＦＴデバイス１６と，アナログ無線信号のバックグラウンドにあるノイズのエネルギー値に対して予め定められている上限値と，信号のエネルギー値とを比較する比較器と，当該比較器を有し，検出対象のアナログ無線信号を検出できたかどうかを決定する決定デバイス１８とを有している。なお，ノイズの上限値は，コンピュータ制御によって変更してもよい。この場合，ノイズ出力値の変化に合わせて（たとえば比例するように）上限値を変更させることが好ましい。

そして，上記方法は，蓄積ステップ（Ｓ１４）と，自己相関ステップ（Ｓ１６）と，平均化ステップ（Ｓ１８）と，ＦＦＴ処理ステップ（Ｓ２０）と，比較ステップ（Ｓ２２）と，決定ステップ（Ｓ２４）とを有する。

上記蓄積ステップ（Ｓ１４）では，検出器１０のバッファ１３に，ディジタル信号が所定のサンプル数だけ蓄積される。上記自己相関ステップ（Ｓ１６）では，自己相関デバイス１４により，バッファ１３に蓄積されている所定のサンプル数のディジタル信号が読み出されて，自己相関処理が施される。これにより，正弦波検出が可能となる。そのため，検出の際に生じる問題が効率的に減少する。その結果，検出器１０の検出性能を高めることができる。上記平均化ステップ（Ｓ１８）では，自己相関ステップ（Ｓ１６）が繰り返される。これにより，上記自己相関ステップ（Ｓ１６）のそれぞれで得られた自己相関処理後の信号から周期信号が得られる。自己相関ステップ（Ｓ１６）の後に平均化ステップ（Ｓ１８）を行うので，複雑性を最小限に抑えることができる。このため，必要となる計算の複雑性が過度に高くならないようにすることができる。また，複雑性を最小限に抑えることで，検出器１０が搭載された装置の消費電力を抑えることができる。

上記方法においては，さらに，上記ＦＦＴ処理ステップ（Ｓ２０）では，ＦＦＴデバイス１６により，周期信号に対して高速フーリエ変換処理が施される。これにより，スペクトラムが得られる。上記比較ステップ（Ｓ２２）では，比較器により，ＦＦＴ処理ステップ（Ｓ２０）で得られたスペクトラムと，上限値とが比較される。上記決定ステップ（Ｓ２４）では，決定デバイス１８により，入力信号から，比較器による比較結果を用いて，検出対象のアナログ無線信号を検出できたかどうかが決定される。上述したステップを経ることにより，入力信号から検出対象のアナログ無線信号に関する情報を取得する。

本発明の信号検出方法の好ましい態様は，自己相関デバイス１４が，複数のシフトレジスタと，複数の乗算器と，複数の加算器とを有する複合デバイスであり，平均化ステップ（Ｓ１８）では，複合デバイスにより，自己相関処理が遅延時間に関して行われ，得られた自己相関処理後の信号を観測期間で平均化することで，周期信号を得る。

また，本発明の信号検出の好ましい別の態様は，上記無線検出方法のステップをコンピュータに実行させるためのプログラムである。又は，上記無線検出方法のステップをコンピュータに実行させるためのプログラムを格納した，コンピュータ読取り可能な情報記憶媒体である。これらのような態様であっても上述した効果を奏することができる。

本発明の信号検出の好ましいさらに別の態様は，センサーである。このセンサーは，上記検出器１０と，検出器１０に信号を入力する入力部とを有している。このような態様であっても上述した効果を奏することができる。

本発明によれば，無線通信に用いられるアナログ無線信号の検出性能を高めることができる信号検出方法及びセンサーを提供することができる。また，本発明によれば，無線通信に用いられるアナログ信号を検出する際に検出性能を高めても，必要となる計算の複雑性を低減させることができる信号検出方法及びセンサーを提供することができる。さらには，上記の方法をコンピュータに実行させるためのプログラム及び情報記憶媒体を提供することができる。

以下，図面を用いて本発明を実施するための最良の形態を説明する。しかしながら，以下説明する形態はある例であって，当業者にとって自明な範囲で適宜修正することができる。

図１は，本発明の検出器１０の構成を概略的に示すブロック図である。本発明の検出器１０は，無線通信端末（たとえば携帯電話）に搭載され，該無線通信端末に設けられた入力部に接続されている。無線通信端末の入力部は，無線通信領域内のアナログ無線信号を受信するためのものであり，入力部が受信したアナログ無線信号は，無線通信端末内に入力信号として入力される。したがって，入力部と検出器１０とで無線通信用のセンサーが構成されるとも云える。なお，無線通信端末は，コグニティブ無線通信を行うことが可能な端末であることが好ましい。これは，本発明の検出器１０をコグニティブ無線通信端末に搭載することにより，アナログ無線信号の一例であるプライマリ信号の検出性能が向上するからである（後述）。

検出器１０は，無線通信用のアナログ無線信号を検出するためのものであり，図１に示されるように，アナログ−ディジタル（Ａ／Ｄ）変換器１１と，平均化処理部１２と，高速フーリエ変換（ＦＦＴ）デバイス１６と，決定デバイス１８とを有している。平均化処理部１２は，バッファ１３と，自己相関デバイス１４とを含んでいる。なお，検出器１０の各部は，関数ブロックなどのソフトウェアで構成すると装置を小型にできるので好ましいが，少なくとも一部をハードウェアで構成してもよいし，それらの組み合わせで構成してもよい。

Ａ／Ｄ変換器１１は，外部から入力された入力信号のエネルギー値をディジタル信号に変換するものである。具体的には，無線通信端末の入力部から入力された入力信号をディジタル信号に変換し，そのディジタル信号をバッファ１３に入力する。ディジタル信号に変換することで，アナログ信号がサンプル信号の集合体（ストリーム）に変換される。

平均化処理部１２は，Ａ／Ｄ変換器１１から入力されるディジタル信号のサンプル数に応じて所定の処理を繰り返し行う機能ブロックである。バッファ１３は，ディジタル信号などのデータを蓄積するものである。実際には，バッファ１３には，Ａ／Ｄ変換器１１から入力されたディジタル信号が所定のサンプル数（たとえばＮ個）ずつ蓄積されるようになっている。これにより，目的とする検出性能に一致した数のサンプルが用意される。

自己相関デバイス１４は，信号に対して自己相関処理を施すためのものである。本態様では，自己相関デバイス１４は，複数のシフトレジスタと，複数の乗算器と，複数の加算器とを有する複合デバイスである。複合デバイスとしては，公知のもの（たとえば，マルチプレクサ）を用いることができる。したがって，自己相関処理は自動的に実施される。

自己相関デバイス１４は，具体的には，バッファ１３に蓄積されているディジタル信号を所定のサンプル数（たとえばＮ個）ごとに読み出すとともに，読み出したディジタル信号に対して自己相関処理を施して，自己相関処理後の信号を取得すものである。自己相関処理後の信号も，サンプル信号の集合体（ストリーム）に変換されている。そして，この自己相関処理は平均化処理部１２において繰り返し実行される。これにより，自己相関デバイス１４は，複数の自己相関処理後の信号から周期信号（ｓｍｏｏｔｈｅｄ ｐｓｅｕｄｏ ｐｅｒｉｏｄｉｃ ｓｉｇｎａｌ）を取得している。得られた周期信号は，ＦＦＴデバイス１６に入力される。なお，平均化処理部１２において，自己相関処理が遅延時間に関して行われ，得られた自己相関処理後の信号を観測期間で平均化することが好ましい。たとえば，０〜Ｌの遅延時間に関して，自己相関処理をＮ個のサンプルに対して施すと，２×Ｌ＋１のサンプルが出力される。ここで，最大値Ｌは，（Ｌ／Ｒ）＜１／Ｂを満たすように選ばれる。ここで，ＲはＡ／Ｄ変換器１１によるサンプリングレートであり，Ｂは帯域幅である。

ＦＦＴデバイス１６は，信号に対して高速フーリエ変換処理を施すためのものである。具体的には，ＦＦＴデバイス１６は，自己相関デバイス１４から入力された周期信号に対して高速フーリエ変換処理を施す。これにより，スペクトラム（ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ）が得られる。ここで，ＦＦＴ出力の周波数に関するビン（周波数ビン）を，複数のサブバンドからなるグループにグループ分けすることで，周波数スペクトラムでの検出位置を効率的に決めること好ましい。

決定デバイス１８は，比較器を有している。そして，決定デバイス１８は，比較器による比較結果を用いて，入力信号から，検出対象のアナログ無線信号を検出できたかどうかを決定するためのものである。そのため，決定デバイス１８の出力信号は，検出対象のアナログ無線信号を検出できた場合（検出成功時）に１を示すようになっており，検出対象のアナログ無線信号を検出できなかった場合（検出失敗時）及び入力信号がない場合に０を示すようになっている。

決定デバイス１８の比較器は，閾値と，信号のエネルギー値とを比較するためのものである。ここで，閾値とは，検出器１０に予め記憶されているものであり，アナログ無線信号のバックグラウンドにあるノイズのエネルギー値に対して予め定められている上限値である。したがって，上限値を超えるようなノイズは，この検出器１０では検出することはできないようになっている。比較器は，具体的には，上記上限値と，ＦＦＴデバイス１６から入力されたスペクトラムとを比較する。ここで，ＦＦＴ出力の周波数ビンがグループ分けされている場合，各サブバンドの平均値が上記閾値と比較される。なお，ノイズの上限値は，コンピュータ制御によって変更してもよい。この場合，ノイズ出力値の変化に合わせて（たとえば比例するように）上限値を変更させることが好ましい。

そして，検出器１０を上述したように構成したことにより，検出器１０又は検出器１０を備える無線通信端末は，入力部が受信した入力信号から，検出対象のアナログ無線信号に関する情報（たとえば，信号強度及びその継続時間）を取得することができるようになっている。

次に，上述した検出器１０を備える無線通信端末の動作について説明する。この検出器１０の動作は，本発明の信号検出方法のステップを実行することに相当する。図２は，検出器１０の動作の手順を示すフローチャートである。図２において，Ｓはステップを示している。なお，図２に対応するフローチャートに対応するプログラムは，情報記憶媒体に格納されている。そして，情報処理端末又は検出器１０に内蔵されたコンピュータによってプログラムを読み出して実行することによって，図２の各ステップに対応する処理が行われる。

図２において，まず，無線通信端末は，入力部で，無線通信領域内のアナログ無線信号を受信する（Ｓ１０）。そして，受信したアナログ無線信号は，Ａ／Ｄ変換器１１に入力される。Ａ／Ｄ変換器１１は，入力されたアナログ無線信号をディジタル信号に変換し（Ｓ１２），得られたディジタル信号を所定のサンプル数ずつバッファ１３に入力し，これにより，バッファ１３に蓄積する（Ｓ１４）。

続いて，自己相関デバイス１４は，バッファ１３に蓄積されているディジタル信号を所定のサンプル数ずつ読み出して，自己相関処理を施す（Ｓ１６）。これにより，自己相関処理後の信号が得られる。そして，平均化処理部１２は，ステップＳ１４〜Ｓ１６の処理を繰り返す（Ｓ１８）。これにより，自己相関ステップ（Ｓ１６）のそれぞれで得られた自己相関処理後の信号から，周期信号が得られることになる。この周期信号は，ＦＦＴデバイス１６に入力される。

そして，ＦＦＴデバイス１６は，周期信号に対して高速フーリエ変換処理を施して，スペクトラムを得る（Ｓ２０）。得られたスペクトラムは，比較器によって，閾値である上限値と比較される（Ｓ２２）。そして，比較器による比較結果は，決定デバイス１８に入力される。決定デバイス１８は，比較器から入力された比較結果を用いて，入力信号から，検出対象のアナログ無線信号を検出できたかどうかを決定する（Ｓ２４）。その後，必要に応じて，検出に成功したアナログ無線信号の解析を行って，そのアナログ無線信号に関する情報（たとえば，信号強度及びその継続時間）を取得する。

図２の処理（信号検出方法）によれば，無線通信に用いられるアナログ無線信号の検出性能（つまり，センシングの信頼度）を従来の検出器１０よりも高めることができる。さらには，このように検出性能を高めても，必要となる計算は，ＦＦＴ処理程度であるので，複雑性が過度に高くなることがない。その結果，電力消費も抑えることができる。

また，上述した態様によれば，図２の信号検出方法の各ステップを実行する無線通信端末及び当該無線通信端末に適したセンサーが提供される。特に，携帯電話などでは，最大電力や計算処理能力に制限があるため，本発明のセンサー（検出器１０）を搭載することは非常に有用である。

続いて，本発明の実施例について説明する。特に，本発明の検出器１０の性能と，従来の検出器の性能とを，対比可能に説明する。

本実施例では，無線通信システムとして，プライマリシステムとセカンダリシステムを有する無線通信システムをモデルとして，シミュレーションを行った。シミュレーションでは，以下のように設定した。第１に，このモデルでは，プライマリユーザが，所定の無線通信（ＲＦ）スペクトラムの一部をしばらくの間占有しているとした。第２に，セカンダリシステムは，コグニティブ無線通信可能であり，ＲＦ環境をセンシングすると，周波数帯域がプライマリシステムに占有されないようにし，スペクトラムを便宜的に利用するとした。第３に，セカンダリレシーバ側は，プライマリ信号に関する予備知識（情報）が入手できないとした。また，この実施例では，簡単なシナリオとして，ＡＷＧＮ（加算性ホワイトガウス）チャンネルを検討することとした。

以上の設定条件の下に，受信信号を離散タイムドメインで表記すると，次の式になる。下記式（１）において，ｓ［ｎ］は，プライマリ信号のサンプルであり，ｗ［ｎ］は，加算性ホワイトガウスノイズのサンプルである。
ｒ［ｎ］＝ｓ［ｎ］＋ｗ［ｎ］ （１）

そして，スペクトラム推定を行うために，一回に行う記録長としてサンプル入力数Ｎ_Sのサンプルを考えた。実際に，ｓ［ｎ］は，ＲＦスペクトラムの異なる部分を占有する２つ以上の通信信号で構成できるようにし，さらに，複数のプライマリシステムの信号がコグニティブ無線通信（ＣＲ）の周辺に存在できるようにした。さらに，ｒ［ｎ］は，センシング期間において静止状態であると仮定した。

そして，コグニティブ無線通信端末の検出性能をいかに向上させるかを検討するために，３つの場合（参考例１，２及び実施例１）において，信号のエネルギーを検出するスキームについてシミュレーションで検討した。参考例１は，図７に示したような従来の検出器を用いた場合のシミュレーションであり，参考例２は，周期定常性検出器を用いた場合のシミュレーションであり，実施例１は，図１に示したような本発明による検出器１０を用いた場合（つまり，自己相関を用いた場合）のシミュレーションである。

まず，参考例１について説明する。

参考例１では，図７に示したような従来の検出器を用いてシミュレーションを行った。このシミュレーションにあたり，ＲＦ環境が静止状態であると仮定した。ただし，実際には，ＲＦ環境は静止状態でないため，時間経過とともに閾値を適宜推測することが好ましいのは云うまでもない。

また，このシミュレーションでは，図３に示すように，エネルギー検出を周波数領域で行うこととした。主な理由は，信号が検出されればその周波数の位置が分かるからである。なお，エネルギー検出は，時間領域において行うことも可能であるが，この場合，レシーバを実施するには，複数のフィルターが必要になる。これらのフィルターとしては，フィルターの中心周波数がレシーバで想定される信号の中心周波数と一致するものを用いる。

レシーバを操作する際には，基本的に，まず，受信したＲＦ信号のＰＳＤ（パワースペクトラム密度）を計算し，そして，複数の観測時間でその結果を平均化すればよい。なお，ＰＳＤを計算するためのサンプルが有限であることを考えれば，最初にサンプルシーケンスに適当な窓関数を掛けて，不偏推定量を得ることが可能である。しかし，このシミュレーションでは，窓関数を一切考慮しなかった。

そして，エネルギー検出に関して，以下に示す式（２）に従って，決定統計量を求めた。なお，式（２）に式（１）を代入すると，下記式（３）のようになる。
ｚ［ｎ］＝ｒ［ｎ］² （２）
ｚ［ｎ］＝ｓ［ｎ］²＋ｓ［ｎ］ｗ［ｎ］＋ｗ［ｎ］² （３）

ノイズがゼロ平均ガウス分布であると仮定した場合，上記の出力が，平均化回数Ｎ_avだけ測定された後に平均化されるとすると，決定統計量は，カイ２乗分布により近似できる。信号の有無によって，分布は，中心カイ２乗及び非心カイ２乗のいずれかとなる。そのため，信号検出に関しては，離散バイナリ仮説検定を式化して考えることができる。

ここで，エネルギー検出を周波数領域で行うことについて検討する。前述したように，エネルギー検出を図３に示した周波数領域で行うことを採用したのには，正当な理由がある。それは，ＣＲのセンシング要求には，検出信号の中心周波数の場所を特定することが含まれ得るからである。そこで，本シミュレーションでは，受信信号を，ＦＦＴを用いて周波数領域へ変換し，さらに２乗した。そして，平均化回数Ｎ_avにわたる出力サンプルを平均化することで，スペクトラムを滑らかにした。さらに，受信信号の統計量が変わらず同じであると仮定すると，上記仮説を周波数領域で再利用することもできる。最終的には，信号検出を下記式（４）のように実施した。

上記式（４）中のｂ_zは，決定変数であり，具体的には，上記式（４−１）のように表される。また，式（４）中の条件節の左辺は，上記式（４−２）のように表される。式（４−２）中，サンプル入力数Ｎ_sbは，周波数に関するサブバンドごとのビンの数であり，ｚ_ijは，ｊ番目のサブバンドにおけるｉ番目の周波数ビンの決定統計量である。そして，検定統計量（平均化後の検定統計量）は，ノイズの分散（σ_w ²）や，信号の分散（σ_s ²）を用いて表現することができる。

そして，このシミュレーションでは，ハード判定を得るために，公知のネイマンピアソン（ＮＰ）検出器を使用した。ＮＰ検出器とは，サンプル平均ｚを，式（４）中の閾値γと比較するものである。ＮＰ検出器の使用に際し，閾値γの値を調整することで，誤警報レベルＰ_fa又は所定の検出確率Ｐ_dを制御した。そのため，誤警報レベルＰ_fa及び検出確率Ｐ_dを使って検出器の性能を評価した。なお，ここで，誤警報レベルＰ_fa及び検出確率Ｐ_dは，上述した統計量を利用すると，それぞれ，下記式（５）及び式（６）のように表される。

さらに，上記式（５）及び式（６）の双方を結合させると，平均化回数Ｎ_avは，誤警報レベルＰ_fa及び検出確率Ｐ_dで表すことが可能である。ここで，誤警報レベルＰ_fa及び検出確率Ｐ_dは，いずれも，ＳＮＲの関数である。そのため，平均化回数Ｎ_avは，ＳＮＲの関数で表すことが可能である。具体的には，平均化回数Ｎ_avは，φ（１／ＳＮＲ）²でスケール（scale）する。

そして，上記式によれば，ＳＮＲの値が小さい側では，エネルギー検出器の性能が劣ることを示している。一方，平均化回数Ｎ_avを増やすことによって性能を向上させようとすると，センシング時間も増やすことになる。したがって，平均化回数Ｎ_avを増やすことは，ＣＲにとって望ましい効果をもたらすものではない。

次に，参考例２について説明する。

参考例２では，周期定常性検出器を用いてシミュレーションを行った。周期定常性とは，信号の特性であって，時間経過とともに信号の平均及び分散が周期性を示した場合の特性をいう。周期定常性の性質のリソースは，変調の間，通信信号に組み込まれるスペクトラム的冗長性である。なお，スペクトラム的冗長性は，スペクトラムの効率性の観点から，最小限にとどめることが求められているが，さまざまな理由から，符号化及び変調時などにおいて，適切な方法で故意に導入されることがある。

ところで，周期定常性検出器は，信号の周期定常性をテストする検出器である。このような検出器は，信号スペクトラムと，それをシフトしたものとで相関をとるように構成することで実装できる。そして，信号が周期定常性をもつ場合，スペクトラム相関関数の大きさが，繰返し周波数と呼ばれる特定周波数でピークを示すことが知られている。

したがって，変調スキームを変更すれば特性が変わることになる。そこで，このシミュレーションでは，周期定常性検出器をメインの検出器として使用した。図４にシミュレーション結果を示す。

図４は，ノイズを含むＲＦ信号と，二位相変調（ＢＰＳＫ：ｂｉｎａｒｙ ｐｈａｓｅ ｓｈｉｆｔ ｋｅｙｉｎｇ）信号（プライマリ信号）とのスペクトラム相関を示すグラフである。プライマリ信号のシンボルレートは，５Ｍｂ／ｓであり，ＳＮＲは，−２４ｄＢであった。図４において，０ＭＨｚの両側にあるピークは，繰返し周波数（この場合シンボルレート及びその整数の倍数）を示している。

図４から分かるように，このシミュレーションによれば，各繰返し周波数におけるピークの大きさが，繰返し相関係数によって，明らかに異なることが分かった。なお，繰返し相関係数は，ベースバンドのパルス形状によって異なる。

すなわち，本参考例２に係る周期定常性検出器は，上述した従来の検出器によるエネルギー検出と比較して性能が劣ることが分かった。これは，特性に含まれるエネルギーが，プライマリ信号を発生させるために利用されるパルス整形ロールオフフィルターと関連しているためであると考えられた。

また，本参考例２では，検出器を使用するに際し，事前に，レシーバ側にプライマリ信号の異なる特性を格納する必要があることが分かった。これは，計算の複雑性及びリソース使用の点で，検出器のＣＲによる実用性を高める必要があるからである。なお，周期定常性検出器は，特定の繰返し周波数において周期定常性のテストを行うことで，ただ単に信号検出スキームとして利用することもできる。しかし，この場合，それらの繰返し周波数で受信信号のスペクトラム相関を評価することが必要となる。つまり，これを達成するには，すべてのプライマリ信号の繰返し周波数について，事前に予備知識を用意する必要があるという問題がある。

次に，実施例１について説明する。実施例１では，図１に示したような検出器１０を用いてシミュレーションを行った。

自己相関を用いた検出におけるバイナリ仮説用の決定統計量は，受信信号自身に代えて，信号の自動相関シーケンスから派生する。そこで，本シミュレーションでは，まず，受信信号の自己相関を遅延時間τ（＝１，…，τ_max）に関して計算し，そして，得られた自己相関処理後の信号を平均化回数Ｎ_avに対応する観測期間で平均化した。ここで，本シミュレーションでは，遅延時間τの最大値｜τ_max｜の値を，サンプリング時間Ｔ_s以下となるように選んだ（つまり，｜τ_max｜≦Ｔ_s）。最終的には，ＦＦＴデバイス１６を用いて周波数領域へと変換することで，決定統計量を得た。式（１）の平均自動相関を遅延時間τの関数として表記すると下記式（７）のようになる。

ここで，入力ノイズの処理が，ホワイトガウスであり，かつ，プライマリ信号ｓ（ｔ）と相関していないと仮定する。そして，この仮定の下で，非常に大きな平均化を行った場合，式（７）の左辺が式（７）の右辺後部にある２つの項により支配されることが分かる。言い換えると，平均化回数Ｎ_avを無限大に近づけたとき，式（７）の右辺前部にある２つの項の和が０に近づくことに相当する（下記式（７−１））。

そして，本シミュレーションでは，まず，特定の変調スキームを用いたときのプライマリ信号の自己相関について考えた。（なお，ここで特定した変調スキームに対する考察は，単なる例示にすぎない。プライマリ信号がシステムの帯域に比べて狭帯域である限り，任意の変調スキームを考慮することが可能である。）さらに，本シミュレーションでは，ｓ（ｔ）が下記式（８）のように表記できる，ＢＰＳＫの変調信号であると仮定した。
ｓ（ｔ）＝（２Ｐ）^1/2ａ（ｔ）cos（２πｆ_cｔ＋θ） （８）

式（８）中，Ｐ，ｆ_c，及びθは，それぞれ，指数，キャリアの周波数，及び偏移変調を表す。関数ａ（ｔ）は，ベースバンド信号を表し，下記式（９）で与えられる。なお，式（９）中，ａ_nは，データのバイナリストリームであり，Ｔ_sは，シンボル期間（サンプリング時間）であり，ｑ（ｔ）は，ベースバンドのパルス形状である。この場合，自己相関関数は，下記式（１０）で与えられる。式（１０）中，｜τ｜の値は，シンボル期間Ｔ_s以下であり（つまり，｜τ｜≦Ｔ_s），かつ０以外である。

続いて，本シミュレーションでは，ノイズの自己相関について考えた。具体的には，ＣＲの広帯域フロントエンドと静止仮説とを考慮し，平均化することで，下記式（１１）を得た。式（１１）中，Ｎ₀／２は，入力ノイズのＰＳＤ（パワースペクトラム密度）であり，δ_τは，ディラックのデルタ関数である。

そして，参考例１の従来の検出器によるエネルギー検出方法（以下，単に「エネルギー検出」ともいう）と同様に，周波数領域での自己相関を用いた検出（以下，「自己相関検出」ともいう）の決定統計量を考慮した。周波数領域では，式（１１）のＦＦＴ出力から帰無仮説が得られ，式（７）において｜τ｜の値がシンボル期間Ｔ_s以下である場合（｜τ｜≦Ｔ_s）のＦＦＴ出力によって信号の仮説が得られる。

なお，｜τ｜≦Ｔ_sという条件を取った場合，ノイズの自動相関と混合された信号であって式（１０）中の完全なる相関信号を処理することになり，そしてそれ故に，ＦＦＴデバイス１６は正弦波検出と同等の非同期検出を部分的に行うことになる。このような正弦波センシングは，エネルギー検出の際，ＱＰＳＫのような比較的広帯域の信号に比べて，より優れたスケーリング則を持つことが既に知られている。

また，プライマリ信号には固定帯域幅がないため，遅延時間τの最適な選択は，関係するプライマリ信号の帯域幅に依存する。３つ以上のプライマリ信号が関係する場合，Ｔ_sは，最大帯域をもつプライマリ信号のシンボル期間を前提とする。

また，本シミュレーションでは，自己相関検出の手順（図２参照）において，平均化処理は，自己相関処理の後に行った。これにより，複雑性を最小限に抑えることができることが分かった。

さらに，本シミュレーションでは，参考例１で説明したのと同様にサブバンドアプローチを適用した。具体的には，的確な統計量を導出せずに，それに代えて，従来のエネルギー検出器に使われているＦＦＴビンサイズ及び平均化の数をそのまま使った。これにより，より優れた検出性能を達成できることが分かった。つまり，同一の入力パラメータを用いた場合，実施例１による自己相関検出では，参考例１における従来の検出器によるエネルギー検出に比べて，複雑性が部分的に高まったとしても，性能が向上することが分かった。なお，詳細については後述するが，複雑性のレベルを同程度に保つようにしても，自己相関検出器（本発明の検出器１０）の方が優れた検出性能を達成できる。このような性能の向上は，検出問題が正弦波検出によって，効率的に減少したことが原因だと考えられる。

なお，自己相関検出では，例えば，帰無仮説のパラメータを計算するためのノイズ相関に対する信号に含まれるクロス項に起因してノイズパワーを放棄すると，閾値を計算するために使われる実際のノイズ分散が減る。特に，プライマリ信号が強い場合，その他のサブバンドのノイズフロアが付加的ノイズのクロス項の指数（ｐｏｗｅｒ）によって増加するため，その他のサブバンドにおける誤警報を増やすことになる。それはすなわち，信号が存在し，その信号がサブバンドの１つで検出されると，その他のサブバンドにおいて誤検出を発生させるということである。また，プライマリ信号が一度に複数存在した場合，自己相関検出器１０は，個別のプライマリ信号だけでなく，２つの異なるプライマリ信号の間のクロス項も検出することとなる。この場合，クロス項の存在するサブバンドにおいて再び誤検出が増えることになりかねない。これらの点を考えると，実施例１では，プライマリ信号のパワーが大きい場合に特に顕著な効果がある。

ところで，検出時における計算の複雑性は，センシング時間全体に直接影響を及ぼすだけでなく，装置の消費電力に直接影響を及ぼすため，重要である。そこで，計算の複雑性についてより詳細に検討した。

前述した各方式における計算の複雑性を，表１にまとめた。

ここで，計算の複雑性には，相関の式Ｌ_τ＝τ_max／ｔ_sに用いた遅延サンプルの入力変数が付随する。入力変数には，受信信号のサンプリング時間ｔ_s，平均化回数Ｎ_av，繰返し周波数の数Ｎ_α，サンプル入力数Ｎ_s，及びＦＦＴのポイント数Ｎ_ptがある。表１の数式は，それぞれのタイプの検出方法に関与する代数的計算の値を加算することで行うことによって得られる。

直感的にするため，表２に，同一パラメータ設定時における計算の複雑性の一例を示した。具体的には，相関Ｌ_τに１００を，平均化回数Ｎ_avに１０００を，繰返し周波数の数Ｎ_αに１を，サンプル入力数Ｎ_sに１０００を，ＦＦＴのポイント数Ｎ_ptに１０２４を代入することで表２の結果を得た。

なお，本説明では，周期定常性検出器（参考例２）の結果を比較対象から除外する。参考例２では，上述した理由で比較する必要がないためである。すなわち，表２を用いて，エネルギー検出（参考例１）の結果と，自己相関検出（実施例１）の結果とを比較することとする。そして，それらを比較した場合において，同じ入力パラメータを用いたとき，自己相関検出は，より多くの操作が必要なため複雑性がより高いことが分かった。一方で，たとえば，入力パラメータであるサンプル入力数Ｎ_s及び平均化回数Ｎ_avを変えることで，性能向上の度合いとのトレードオフとはなるが，複雑性を緩和することができるのが分かった。

また，シミュレーション結果についてより詳細に説明する。シミュレーション結果を得るために以下のように処理を行った。

サンプル用のプライマリ信号としては，シンボルレートが１Ｍｂ／ｓのＢＰＳＫ信号で，中心周波数が１０ＭＨｚのものを生成した。生成したプライマリ信号をガウスホワイトノイズに加算した。サンプリング周波数は，１００ＭＨｚとした。これにより，プライマリ信号のサンプリングと，さらには，広帯域無線フロントエンドのエミュレートとが効率的になると考えた。システムの帯域幅は，５０ＭＨｚだった。

そして，検出確率を推測するために，最尤推定値（ＭＬＥ）を用いた。各シミュレーションを１０００回繰り返して，検出確率Ｐ_dが０．１であるとき推定エラーが全体の３％程度となるようにした。なお，推定エラーは，シミュレーション回数Ｎ_simを用いて下記式（１２）で与えられる。

続いて，帯域幅全体を８つのサブバンドとなるように再分割した。これにより，各サブバンドは，６．２５ＭＨｚを占有することとなった。ＦＦＴの長さは，１０２４とした。これにより，６４の周波数ビンが１つのサブバンドをカバーすることとなる。本シミュレーションでは，たった１つのプライマリサービスが２番目のサブバンドにあるものとし，特定周波数で検出を行った。このセットアップが，周波数帯であってスペクトラムホール又はアイドル周波数帯を検出するのに適した状態になった。なお，ＣＲの利用は，各サブバンドで別々の信号を検出することでなされるものである。

図５は，誤警報確率を０．０５に固定したときの検出確率を示すグラフである。サンプル入力数Ｎ_s及び平均化回数Ｎ_avは，それぞれ，１０００及び１０００とした。図５において，星形（アステリスク状）のマーカーで示したものは，自己相関検出（実施例１）の性能のプロットを示している。一方，丸形のマーカーで示したものは，従来の検出器によるエネルギー検出（比較例１）の性能のプロットを示している。

そして，図５から明らかに分かるように，自己相関検出では，顕著な性能の向上が認められる。具体的には，検出確率Ｐ_dが０．９であるときＳＮＲが−１８ｄＢよりも低い領域で，およそ３ｄＢも性能が向上した。また，検出確率Ｐ_dが０．１であるときＳＮＲが−１８ｄＢよりも低い領域で，およそ４ｄＢも性能が向上した。

また，エネルギー検出（参考例１）に対する自己相関検出（実施例１）の，複雑性に関する比率を，表１の関係を用いて算出したところ，およそ１９．２５であった。

また，図５に，近くにあるサブバンドであってプライマリ信号がないサブバンドに対応して得られる検出確率を×形のマーカーで示した。これらのプロットは，無視したノイズのクロス項であって閾値を計算するためのクロス項の影響を観測する目的で検出することによって得られたものである。しかし，十分な平均化処理を行ったため，誤検出はみとめられなかった。ＳＮＲを高くすると，これらのクロス項の影響が可視化されるものと考えられた。

図６は，図５に示したシミュレーション結果と同様に得られたシミュレーション結果（性能プロット）の別の例を示すグラフである。この例では，サンプル入力数Ｎ_s及び平均化回数Ｎ_avの値を異ならせてエネルギー検出が評価されている。

図６において，丸形のマーカー付きの実線は，サンプル入力数Ｎ_s及び平均化回数Ｎ_avを，それぞれ，１０００及び５００としたときのエネルギー検出の性能を示している。平均化処理のサイズを小さくすると，エネルギー検出の性能が，図５に示したものの性能に比べて劣ることが分かった。

また，図６において，丸形のマーカー付きの破線で示したプロットは，サンプル入力数Ｎ_s及び平均化回数Ｎ_avを，それぞれ，１００００及び１０００としたときのエネルギー検出の性能を示している。このプロットでは，検出確率Ｐ_dが０．１であるときＳＮＲが２．２ｄＢも向上するといったように，大幅に性能が向上していることが分かった。

また，図６において，星形（アステリスク状）のマーカーで示した曲線は，サンプル入力数Ｎ_s及び平均化回数Ｎ_avを，それぞれ，１０００及び５００としたときにおける，自己相関検出の性能を示している。この曲線では，破線で示したエネルギー検出の性能に比べて，１．５ｄＢも性能が向上することが分かった。

さらに，表１に示した複雑性に関する数式を用いて，後者の２つの性能曲線で用いたパラメータで複雑性を計算した。この場合，エネルギー検出（参考例１）に対する自己相関検出（実施例１）の，複雑性に関する比率は，およそ１９．２５から，０．７２にまで小さくなることが分かった。このことは，検出性能を高めるには，自己相関検出（実施例１）を利用して複雑性を低くすればよいことを示しているといえる。

以上の説明では，コグニティブ無線通信システムにおいてスペクトラムホール検出に欠かせない複数の信号検出方法について議論した。すなわち，エネルギー検出（参考例１），自己相関検出（実施例１），及び周期定常性を用いた検出（参考例２）について説明した。

また，サブバンド検出アプローチについての議論によって，占有されている周波数帯及び占有されていない周波数帯の位置を直接的に決めることが効果的であることが分かった。

信号検出器，部分的なエネルギー検出，及び自己相関検出について評価した。同一のパラメータを設定した場合，自己相関検出は，複雑性の増加を伴ったとしても，エネルギー検出に比べて優れた性能を発揮することが分かった。比較可能な複雑性のレベルの場合であっても，自己相関検出の方が，エネルギー検出に比べて優れた性能を依然として発揮することが分かった。

本発明は，無線通信などの分野で好適に利用されうる。特に，コグニティブ無線通信の分野でより好適に利用されうる。

図１は，本発明の検出器１０の構成を概略的に示すブロック図である。 図２は，図１に示す検出器１０の動作の手順を示すフローチャートである。 図３は，ＦＦＴ出力のサブバンドのグループ分けを説明するための図である。 図４は，ノイズを含むＲＦ信号と，ＢＰＳＫ信号とのスペクトラム相関を示すグラフである。 図５は，誤警報の確率を０．０５に固定したときの検出確率を示すグラフである。 図６は，図５に示したシミュレーション結果と同様に得られたシミュレーション結果（性能プロット）の別の例を示すグラフである。 図７は，従来の検出器の構成を示すブロック図である。

符号の説明

１０ 検出器
１１ アナログ−ディジタル（Ａ／Ｄ）変換器
１２ 平均化処理部
１３ バッファ
１４ 自己相関デバイス
１６ 高速フーリエ変換（ＦＦＴ）デバイス
１８ 決定デバイス

Claims (5)

1. 無線通信用のアナログ無線信号を検出器（１０）で検出するための無線信号検出方法であって，
   前記検出器（１０）は，
   外部から入力された入力信号のエネルギー値に対応するディジタル信号を蓄積するバッファ（１２）と，
   信号に対して自己相関処理を施す自己相関デバイス（１４）と，
   信号に対して高速フーリエ変換処理を施すＦＦＴデバイス（１６）と，
   前記アナログ無線信号のバックグラウンドにあるノイズのエネルギー値に対して予め定められている上限値と，信号のエネルギー値とを比較する比較器と，
   前記比較器を有し，検出対象のアナログ無線信号を検出できたかどうかを決定する決定デバイス（１８）と，
   を有し，
   前記方法は，
   前記バッファ（１２）に，前記ディジタル信号を所定のサンプル数だけ蓄積する蓄積ステップ（Ｓ１４）と，
   前記自己相関デバイス（１４）により，前記バッファ（１２）に蓄積されている前記所定のサンプル数のディジタル信号を読み出して，自己相関処理を施す自己相関ステップ（Ｓ１６）と，
   前記自己相関ステップ（Ｓ１６）を繰り返すことにより，前記自己相関ステップ（Ｓ１６）のそれぞれで得られた前記自己相関処理後の信号から周期信号を得る平均化ステップ（Ｓ１８）と，
   前記ＦＦＴデバイス（１６）により，前記平均化ステップ（Ｓ１８）で得られた前記周期信号に対して高速フーリエ変換処理を施すことで，スペクトラムを得るＦＦＴ処理ステップ（Ｓ２０）と，
   前記比較器により，前記ＦＦＴ処理ステップ（Ｓ２０）で高速フーリエ変換処理を施すことにより得られたスペクトラムと，前記上限値とを比較する比較ステップ（Ｓ２２）と，
   前記決定デバイス（１８）により，前記比較器による前記スペクトラムと前記上限値の比較結果を用いて，前記入力信号から，前記検出対象のアナログ無線信号を検出できたかどうかを決定する決定ステップ（Ｓ２４）と，
   を有し，
   これにより，前記入力信号から，前記検出対象のアナログ無線信号に関する情報を取得する，
   無線信号検出方法。
2. 前記自己相関デバイス（１４）は，複数のシフトレジスタと，複数の乗算器と，複数の加算器とを有する複合デバイスであり，
   前記平均化ステップ（Ｓ１８）では，前記複合デバイスにより，前記自己相関処理が遅延時間に関して行われ，得られた前記自己相関処理後の信号を観測期間で平均化することで，前記周期信号を得る，
   請求項１に記載の無線信号検出方法。
3. 前記比較ステップ（Ｓ２２）において，前記比較器は，前記ＦＦＴデバイス（１６）の出力の周波数ビンを複数のザブバンドからなるグループにグループ分けし，当該グループにおける各サブバンドの平均値を，前記上限値と比較する
   請求項１に記載の無線信号検出方法。
4. 請求項１から請求項３のいずれかに記載の無線検出方法のステップをコンピュータに実行させるためのプログラム。
5. 無線通信用のアナログ無線信号を検出するセンサーであって，
   無線通信領域内のアナログ無線信号が入力信号として入力される入力部と，
   前記入力部から入力された入力信号のエネルギー値に対応するディジタル信号を蓄積するバッファ（１２）と，
   信号に対して自己相関処理を施す自己相関デバイス（１４）と，
   信号に対して高速フーリエ変換処理を施すＦＦＴデバイス（１６）と，
   前記アナログ無線信号のバックグラウンドにあるノイズのエネルギー値に対して予め定められている上限値と，信号のエネルギー値とを比較する比較器と，
   前記比較器を有し，検出対象のアナログ無線信号を決定する決定デバイス（１８）と，
   を有し，
   前記バッファ（１２）に，前記ディジタル信号を所定のサンプル数だけ蓄積し，
   前記自己相関デバイス（１４）が，前記バッファ（１２）に蓄積されている前記所定のサンプル数のディジタル信号を読み出して，自己相関処理を施すことを繰り返すことにより，前記自己相関処理のそれぞれで取得した前記自己相関処理後の信号から周期信号を取得し，
   前記ＦＦＴデバイス（１６）が，前記自己相関デバイス（１４）により取得された周期信号に対して高速フーリエ変換処理を施すことで，スペクトラムを取得し，
   前記比較器が，前記ＦＦＴデバイス（１６）が高速フーリエ変換処理を施すことにより得られたスペクトラムと，前記上限値とを比較し，かつ，
   前記決定デバイス（１８）が，前記比較器による前記スペクトラムと前記上限値の比較結果を用いて，前記入力信号から，前記検出対象のアナログ無線信号を検出できたかどうかを決定することで，
   前記入力信号から，前記検出対象のアナログ無線信号に関する情報を取得する，
   センサー。

Images