Rabia Tugce Yazicigil、Tanbir Haque、John Wright和Peter R. Kinget来自哥伦比亚大学电气工程系的研究团队在2016年IEEE Asilomar会议上发表了一篇题为《Band-Pass Compressive Sampling as an Enabling Technology for Rapid Wideband RF Spectrum Sensing》的论文。该研究提出了一种基于带通压缩采样(Band-Pass Compressive Sampling, CS)的新型硬件架构——正交模拟-信息转换器(Quadrature Analog-to-Information Converter, QAIC),旨在解决认知无线电(Cognitive Radio, CR)系统中快速、高能效的宽带频谱感知问题。
随着物联网(Internet of Things, IoT)和无线视频传输等新兴技术的普及,频谱资源日益紧张。传统频谱分配方式导致“人工频谱稀缺”(artificial spectrum scarcity),即授权用户独占频段而实际利用率低下。未来的认知无线电终端需要动态评估频谱使用情况并快速接入可用频段,这对频谱扫描技术提出了高能效和快速响应的要求。现有技术如扫频式频谱分析仪(sweeping spectrum scanner)和多分支频谱传感器(multi-branch spectrum sensor)分别存在速度慢和功耗高的缺陷。压缩采样(Compressive Sampling, CS)理论为突破这一瓶颈提供了可能,但其在射频(Radio Frequency, RF)频段的硬件实现仍面临挑战。
硬件架构设计:
研究团队开发了QAIC系统,其核心是通过带通压缩采样将宽频信号(2.7–3.7 GHz)映射到基带,再与伪随机噪声序列(Pseudorandom Noise, PN)混合,仅需8个I/Q分支(传统方法需50个)即可实现1 GHz带宽的瞬时采样。QAIC的关键创新包括:
信号处理算法:
采用正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法进行支持恢复(support recovery),即定位超过阈值的干扰信号(interferers)。OMP通过迭代选择最大相关性的频段,从欠定线性方程组中提取稀疏解(如3个干扰源/50个频段)。
时间分段与自适应阈值:
为进一步扩展检测能力,团队提出时间分段QAIC(TS-QAIC):
性能指标:
能效对比:
QAIC的能效比低通CS架构(如MWC)高一个数量级,比奈奎斯特速率架构高两个数量级,且无需额外硬件成本。
该研究通过算法-硬件协同设计,解决了宽带频谱感知中速度、功耗和复杂度的矛盾:
- 科学价值:验证了带通CS在RF频段的可行性,为稀疏信号处理提供了新范式。
- 应用价值:为认知无线电终端和频谱感知接收机(spectrum-aware receiver)提供了可集成的低功耗解决方案,支持动态频谱共享(dynamic spectrum sensing)。
研究还探讨了噪声折叠(noise folding)的抑制策略,带通设计避免了低通CS中无用频段(DC–fmin)的噪声干扰,进一步提升了灵敏度。相关成果已发表于IEEE Journal of Solid-State Circuits和RFIC Symposium,并申请专利保护。