Open Journal of Circuits and Systems
Vol.06 No.02(2017), Article ID:21089,7 pages
10.12677/OJCS.2017.62006

The Compression Sensing Technology and Its Application Exploration in Radio Monitoring

Chunming Yan1, Jia Zeng2, Qiannan Lu2, Jingjing Yang2, Ming Huang2

1Radio Monitoring Center of Baoshan City Industrial and Information Technology Committee, Baoshan Yunnan

2Wireless Innovation Lab of Yunnan University, Kunming Yunnan

Received: Jun. 4th, 2017; accepted: Jun. 20th, 2017; published: Jun. 23rd, 2017

ABSTRACT

Radio monitoring refers to the action of detection, search, interception of the radio signal within a certain radio management area, as well as analyzing and recognizing its technique parameters, working characteristics and radiation location. The daily monitoring work will generate massive amounts of data and with the increase of the number of monitoring stations, the transmission of the datum will take up a lot of network resources. Since the radio spectrum itself has sparse feature, it is possible to be compressed to reduce the amount of data. This paper introduces several compression sensing algorithms and their Matlab toolbox implementation method. Different compression algorithms are implemented to compress the radio spectrum data in the whole frequency range of 20~3000 MHz. The running time and data recovery reconstruction error of the algorithms are analyzed and compared. The results show that if 5% of the reconstruction error is allowed, the use of compression sensing can reduce the data flow of 2/3, which is beneficial to reduce the network transmission cost, and has potential application in radio monitoring.

Keywords:Compression Sensing, Radio Monitoring, Matlab Toolbox

压缩传感技术在无线电监测中的应用探讨

严春明1,曾佳2,鲁倩南2,杨晶晶2,黄铭2

1保山市工业和信息化委员会无线电监测中心,云南 保山

2云南大学无线创新实验室,云南 昆明

收稿日期:2017年6月4日;录用日期:2017年6月20日;发布日期:2017年6月23日

摘 要

无线电监测是指探测、搜索、截获无线电管理地域内的无线电信号,并对该无线电信号进行分析、识别、监视并获取其技术参数、工作特征和辐射位置等技术信息的活动。在日常的监测工作中将产生大量的监测数据,并且随着监测站数量的增加,这些数据的传输将占用大量的网络资源。由于无线电频谱数据本身具有稀疏性,因此可以通过压缩来减少传输的数据量。本文介绍了几种压缩传感算法及其Matlab工具箱实现方式,采用不同的算法对20~3000 MHz频段的无线电频谱数据进行压缩处理,并比较了算法的时间以及数据的恢复重构误差。结果表明在5%的重构误差下,采用压缩传感可减少2/3的数据流量,有利于降低网络传输成本,这在无线电监测中有潜在应用。

关键词 :压缩传感,无线电监测,Matlab工具箱

Copyright © 2017 by authors and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

http://creativecommons.org/licenses/by/4.0/

1. 引言

无线电频谱是一种重要的国家战略资源,通过无线电监测,进行无线电频谱管理,维护空中电波频谱秩序,保证无线电安全,成为关乎经济发展、社会稳定和国家安全的重要因素 [1] 。新中国成立以来,我国的频谱管理经历了“少设严管”、“按需设置,严格管理”和“科学管理,促进发展”三个阶段,经过近二十年的建设,全国已建成了以固定监测站、遥控站和移动监测车组成的无线电监测体系,基本满足重要区域20 MHz~3000 MHz频段范围的监测需要。以云南省为例,目前已建成了由A级网、B级网、C级网,以及在机场、边界口岸、码头和重点监测区域布置的小型监测站组成的无线电监测网络,这些网络通过SDH、ADSL或3G网络互联 [2] ,网络传输数据流量大。然而,在边海地区及其它重点监测区域,如果要进行精细化无线电管理,就需要部署大量的谱传感节点,传感网络将产生海量的传感数据,网络传输数据量将呈现几何级数增加 [3] [4] ,数据传输成本的剧增将成为制约监测网发展的主要瓶颈之一。因此,采用数据压缩方法减少网络流量是发展新一代无线电监测网的关键。

由于无线电频谱具有稀疏性,因此压缩传感(CS: Compressed Sensing)技术在无线电监测网络中有潜在应用。压缩传感理论最早由Donoho等人 [5] 提出,其主要思想是在某个变换基下将信号稀疏表示,构建一个平稳的、与变换基不相关的测量矩阵,并通过设计重构算法精确地恢复原始信号。压缩传感理论提出后,迅速得到了广泛关注,并被美国科技评论评为2007年度十大科技进展,具有广阔的研究和应用前景。目前,压缩传感算法已被用于图像处理、心音分析和云环境下传感大数据的处理等许多方面 [6] [7] ,然而在无线电监测数据的处理中并没有相关报道。

本文简要介绍了压缩传感算法,并比较了不同算法的频谱压缩性能,发现OMP算法和L1L2算法性能较好;采用L1L2算法对20~3000 MHz频段的无线电频谱进行了压缩处理,结果表明,如果仅传输高于低噪的信号,则在一定的重构误差下,可以把传输的原始数据压缩到31.8%。这对提高数据传输效率,节约传输资源有重要意义。

2. 压缩传感算法及数据处理

压缩传感的主要思想是寻找与原始信号对应的测量矩阵以便生成观测矩阵,由于,因此必须通过重构算法在一定的约束条件下才能恢复原始信号 [8] 。常见的重构算法有匹配追踪法(MP:Matching Pursuit)、正交匹配追踪法(OMP: Orthogonal Matching Pursuit)、逐步正交匹配追踪法(StOMP: Stagewise Orthogonal Matching Pursuit)、多面体面追踪法(PFP: Polytope Faces Pursuit)、迭代阀值法(IST: Iterative Soft Thresholding)、最小角度回归法(LARS: Least Angle Regression)、迭代重加权最小二乘法(IRWLS: IterativelyReWeighted Least Squares)和最小L1范数算法L1l2。这些算法中,前8种可采用斯坦福大学开发的Matlab压缩传感工具包SparseLab [9] 实现,而L1l2算法可采用莱斯大学开发的快速优化算法工具包YALL1 [10] 实现。

在工具包中算法被编写成了函数可以直接调用,实现OMP算法的函数为:SolveOMP,其调用格式如下:[sols, iters] = SolveOMP (A, y, N, maxIters),其中输入参数A为测量矩阵,y为观测矩阵,N为原始数据长度,maxIters为最大迭代次数;输出参数sols为重构数据,iters为迭代次数。MP算法、StOMP算法、PFP算法、IST算法、BP算法、LARS算法和IRWLS算法的调用格式分别如下:

[sols, iters] = SolveMP (A, y, N, maxIters);

[sols, iters] = SolveStOMP (A, y, N, maxIters);

[sols, iters] = SolvePFP (A, y, N,maxIters);

[sols, iters] = SolveIST (A, y, N,maxIters);

sols = SolveBP (A, y, N,maxIters);

[sols, iters] = SolveLasso (A, y, N, algType, maxIters);

[sols, riters] = SolveIRWLS (A, y, maxIters)。

实现最小L1范数算法的函数为:yall1,其调用格式如下:[x, Out] = yall1 (A, b, opts),其中输入参数A为测量矩阵,b为观测矩阵,opts为选择项,opts.tol设置最大误差,opts.nu的值大于0算法为L1/L1模式,opts.rho的值大于0算法为L1/L2模式,opts.delta的值大于0算法为L1/L2con模式,opts.nonneg的为1算法为非负模式,opts.weights的值大于0算法为加权L1模式。输出参数x为重构数据,out输出退出信息和迭代次数等。

图1给出了测量得到的20-3000MHz频段的典型无线电频谱分布图 [11] ,由图可见,由于频谱数据中带有低噪,在进行数据处理时必须去除低噪才能保证其稀疏性。数据处理的步骤是先在不同频段取出频谱数据的平均电平,减去低噪得到稀疏的原始信号数组,然后产生高斯测量矩阵,再用乘以得到观测矩阵,最后调用压缩传感重构算法即可得到重构信号。计算重构平均误差的公式为:

,不同频段的平均误差进行加权求和,并除以划分的频段总数即可得到监测频段的总误差,压缩比计算与平均误差计算相同。

3. 实验结果分析与讨论

3.1. 不同算法的比较

在实验中,我们对九种算法的性能进行了统计比较,表1给出了压缩比为0.5时,调频广播(87.5~108 MHz)频段不同算法的数据压缩重构误差和计算时间,从表中可以看出不同算法具有不同的重构误差和计算时间,选择算法是进行压缩传感的关键。为了直观的比较重构算法对频谱数据的压缩性能,我们选取了OMP、IST和L1L2算法分别对特定频段的频谱数据进行了压缩重构。

图2给出了压缩比为0.5时,调频广波频段采用OMP、IST和L1L2算法的数据压缩重构比较,图中

Table 1. Comparison of reconstruction error and calculation time of different algorithms

表1. 不同算法的重构误差与计算时间比较

Figure 1. Radio spectrum in the frequency range of 20 MHz~3 GHz

图1. 频率为20 MHz~3 GHz范围内的无线电频谱

Figure 2. Spectrum reconstruction in the frequency range of 88 MHz~108 MHz

图2. 88 MHz~108 MHz频谱重构图

可以看到IST算法重构波形非常差,产生了大量的伪频谱,而OMP和L1L2算法能够较精确的恢复原始信号波形。图3给出了压缩比为0.8时,数字电视频段505~525 MHz采用OMP、IST和L1L2算法的数据压缩重构比较,由图可以看出OMP和L1L2算法恢复波形明显优于IST算法。定量计算表明,OMP算法、IST算法和L1L2算法的重构误差分别为1.3%、17%和4%,IST算法误差明显高于OMP和L1L2算法,OMP算法误差最低,但计算时间较长。

图4给出了压缩比为0.8时,GSM频段2000~2050 MHz采用OMP、IST和L1L2算法数据压缩重构的比较,可看出该频段OMP和L1L2算法明显优于IST算法,其中OMP算法误差为0.16%,L1L2算法误差为0.89%,IST算法误差为8.1%,OMP算法和L1L2算法的误差均小于IST算法的误差。图5给出了压缩比为0.6时,566~586 MHz频段采用OMP、IST和L1L2算法压缩压缩重构的比较,OMP算法、IST算法和L1L2算法的重构误差分别为0.014%、0.015%和0.2%,IST算法误差明显高于OMP和L1L2算法。

Figure 3. Spectrum reconstruction in the frequency range of 505 MHz~525 MHz

图3. 505 MHz~525 MHz频谱重构图

Figure 4. Spectrum reconstruction in the frequency range of 2000 MHz~2050 MHz

图4. 2000 MHz~2050 MHz频谱重构图

Figure 5. Spectrum reconstruction in the frequency range of 566 MHz~586 MHz

图5. 566 MHz~586 MHz频谱重构图

Table 2. The compression ratio, error and occupancy ratio of each frequency band

表2. 各频段压缩比、误差和占用度

3.2. 基于L1L2算法的数据处理

在前面我们对OMP、L1L2和IST算法进行了比较,主要结论为:OMP算法和L1L2算法性能明显优于IST算法;OMP算法和L1L2算法性能相当,但L1L2算法的计算时间小于OMP算法。因此,我们以L1L2算法为例对20~3000 MHz频段的频谱数据分段进行了处理,并计算得到了各个频段的压缩比和误差,结果见表2所示,从表中可以看出,重构误差大约5%时,20~3000 MHz频段的数据压缩比达到31.8%,即采用压缩传感可减少近2/3的数据流量,从而明显提高了数据传输效率,节约了网络传输资源。

4. 结论

压缩传感可以在远小于Nyquist采样速率的条件下实现数模转换,因而成为近年研究的热点。论文介绍了匹配追踪(MP)、正交匹配追踪法(OMP)和迭代阀值法(IST)等9种压缩传感算法及其Matlab工具箱实现方式,通过对20~3000 MHz频段的无线电频谱进行压缩处理,发现如果重构误差为5%,采用压缩传感可将数据流量压缩到1/3,有利于降低运营成本;对9种压缩传感算法的压缩率、重构误差和运算时间进行了比较,结果表明L1L2算法重构误差较小和计算时间短。

致谢

作者感谢云南省高校谱传感与边疆无线电安全重点实验室的支持。

基金项目

论文得到了云南省高校谱传感与边疆无线电安全重点实验室的资助。

文章引用

严春明,曾 佳,鲁倩南,杨晶晶,黄 铭. 压缩传感技术在无线电监测中的应用探讨
The Compression Sensing Technology and Its Application Exploration in Radio Monitoring[J]. 电路与系统, 2017, 06(02): 47-53. http://dx.doi.org/10.12677/OJCS.2017.62006

参考文献 (References)

  1. 1. 姚禹, 向晶. 全面加强无线电管理为经济社会发展和国家安全稳定保驾护航——访国家无线电监测中心、国家无线电频谱管理中心副主任薛永刚[J]. 中国无线电管理, 2011, 9: 14-16.

  2. 2. 唐皓. 无线电监测信息化模型及解决方案设计[J]. 中国无线电, 2011, 7: 62-65.

  3. 3. 边疆无线电课题组. 边境区域无线电管理技术设施建设及投资需求研究[M]. 昆明: 云南大学出版社, 2015: 71- 82.

  4. 4. 鲁倩南, 金肇元, 杨晶晶, 黄铭. 高度重视边境地区无线电技术设施建设积极服务国家网络空间安全发展战略[J]. 中国无线电, 2016, 1: 22-23.

  5. 5. Donoho, D.L. (2006) Compressed Sensing. IEEE Transactions on Information Theory, 52, 1289-1306. https://doi.org/10.1109/TIT.2006.871582

  6. 6. Moy, T., Rieutort-Louis, W., Wagner, S., Sturm, J.C. and Verma, N. (2016) A Thin-Film, Large-Area Sensing and Compression System for Image Detection. IEEE Transactions on Circuits and Systems, 63, 1833-1844.

  7. 7. Yang, C. and Chen, J. (2017) A Scalable Data Chunk Similarity Based Compression Approach for Efficient Big Sensing Data Processing on Cloud. IEEE Transactions on Knowledge and Data Engineering, 29, 1144-1157. https://doi.org/10.1109/TKDE.2016.2531684

  8. 8. 万莎, 徐彪, 段洪涛. 压缩感知技术综述[J]. 中国无线电, 2013, 2: 60-62.

  9. 9. SparseLab. http://sparselab.stanford.edu/

  10. 10. Zhang, Y., Deng, W., Yang, J., et al. YALL1: Your Algorithms for L1. http://yall1.blogs.rice.edu/

  11. 11. Chen, D., Yang, J., Wu, J., et al. (2012) Spectrum Occu-pancy Analysis Based on Radio Monitoring Network. ICCC2012, Beijing.

期刊菜单