專利名稱：認(rèn)知無(wú)線網(wǎng)絡(luò)中基于自適應(yīng)測(cè)量的貝葉斯壓縮寬帶頻譜檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于信息與通信工程技術(shù)領(lǐng)域，涉及無(wú)線通信系統(tǒng)中的認(rèn)知無(wú)線電(Cognitive Radio, CR)技術(shù)和信號(hào)處理中的貝葉斯壓縮感知理論,具體是一種認(rèn)知無(wú)線網(wǎng)絡(luò)中基于自適應(yīng)測(cè)量的貝葉斯壓縮寬帶頻譜檢測(cè)方法。
背景技術(shù)：
目前，由于各種無(wú)線通信業(yè)務(wù)需求的持續(xù)增長(zhǎng)，導(dǎo)致無(wú)線通信系統(tǒng)對(duì)頻譜資源的需求不斷增加，從而使得無(wú)線頻譜資源變得越來(lái)越稀缺。然而，頻譜測(cè)量研究表明，授權(quán)頻譜的使用率卻非常低，從而致使授權(quán)頻譜空穴浪費(fèi)嚴(yán)重。為了開發(fā)頻譜資源共享的無(wú)線通信系統(tǒng)，從系統(tǒng)級(jí)的角度提高頻譜資源的利用效率，認(rèn)知無(wú)線電作為一項(xiàng)新興技術(shù)應(yīng)運(yùn)而生。認(rèn)知無(wú)線電(Cognitive Radio, CR)亦稱為感知無(wú)線電，它可在不影響主用戶(Primary Users, PUs)通信的前提下,智能地利用大量空閑頻譜以滿足次用戶(SecondaryUsers, SUs)即認(rèn)知用戶(Cognitive Users, CUs)的可靠通信,從而提高無(wú)線頻譜的利用率，實(shí)現(xiàn)頻譜資源共享。認(rèn)知用戶能夠?qū)崟r(shí)感知無(wú)線通信系統(tǒng)周圍的網(wǎng)絡(luò)環(huán)境，通過(guò)對(duì)環(huán)境的理解、主動(dòng)學(xué)習(xí)來(lái)動(dòng)態(tài)地調(diào)整網(wǎng)絡(luò)參數(shù)以適應(yīng)外部環(huán)境的變化。在基于CR技術(shù)的認(rèn)知無(wú)線網(wǎng)絡(luò)(Cognitive Radio Network, CRN)中，認(rèn)知用戶利用法定授權(quán)的主用戶(PrimaryUser, PU)暫時(shí)未使用的頻段，一旦偵聽到主用戶收發(fā)信機(jī)需要通信時(shí)，就必須在一定的時(shí)間內(nèi)退出該頻段并切換到其它未使用的空閑頻段進(jìn)行機(jī)會(huì)通信(交叉共享(overlaysharing)方式)，或者在保障主用戶通信服務(wù)質(zhì)量(QoS)的前提下，降低發(fā)射功率進(jìn)行協(xié)作式機(jī)會(huì)傳輸(重疊共享(underlay sharing)方式),從而避免認(rèn)知用戶對(duì)主用戶通信造成干擾。因此，多個(gè)認(rèn)知用戶如何在有限的檢測(cè)時(shí)間內(nèi)從較寬的頻帶范圍內(nèi)迅速可靠地檢測(cè)出主用戶頻譜空穴、并利用這些主用戶頻譜空穴進(jìn)行機(jī)會(huì)頻譜接入，從而實(shí)現(xiàn)主次用戶的頻譜共享，這是認(rèn)知無(wú)線電中的關(guān)鍵技術(shù)。壓縮感知(Compressive Sensing, CS)理論研究表明，可壓縮信號(hào)(在某一基空間上具有稀疏表示)的少量隨機(jī)線性投影就包含了重構(gòu)和處理的足夠信息，僅利用信號(hào)的先驗(yàn)知識(shí)和少量全局線性測(cè)量可以獲得準(zhǔn)確重構(gòu)。其中，設(shè)計(jì)滿足約束等距性質(zhì)(RestrictedIsometry Property, RIP)且具有較低觀測(cè)次數(shù)的自適應(yīng)測(cè)量矩陣是CS在實(shí)際應(yīng)用的關(guān)鍵問(wèn)題。已有研究表明，測(cè)量矩陣中列向量的非線性相關(guān)性是降低重構(gòu)算法復(fù)雜度的前提，測(cè)量矩陣列向量的非線性相關(guān)性越強(qiáng)，矩陣元素的稀疏度越高，則信號(hào)重構(gòu)時(shí)迭代次數(shù)越少，可以大大減小信號(hào)重建時(shí)間。本發(fā)明涉及的技術(shù)方案基于該思想，根據(jù)大量認(rèn)知節(jié)點(diǎn)對(duì)實(shí)際感知到的非平穩(wěn)信號(hào)空時(shí)相關(guān)性結(jié)構(gòu)，感知數(shù)據(jù)首先映射到小波正交基進(jìn)行稀疏變換，通過(guò)計(jì)算小波域信號(hào)的能量子集，選取最大能量子集作為測(cè)量矩陣行向量，對(duì)該行向量進(jìn)行正交化構(gòu)造測(cè)量矩陣，形成自適應(yīng)測(cè)量，并使其滿足RIP條件。貝葉斯壓縮感知(Bayesian Compressive Sensing, BCS)理論是在貝葉斯學(xué)習(xí)框架下，通過(guò)稀疏貝葉斯回歸模型中的相關(guān)向量機(jī)(Relevance Vector Machine, RVM)實(shí)現(xiàn)對(duì)感知信號(hào)的最大后驗(yàn)概率(Maximum a Posteriori, MAP)估計(jì),采用基于拉普拉斯先驗(yàn)算法的層次化貝葉斯分析進(jìn)行感知數(shù)據(jù)的重構(gòu)與數(shù)據(jù)融合，從而以較大的概率重構(gòu)出多個(gè)認(rèn)知節(jié)點(diǎn)感知信息，重構(gòu)誤差小、重構(gòu)復(fù)雜度低。同時(shí)，對(duì)重構(gòu)后的感知信息提取特性參數(shù)后進(jìn)行主用戶頻譜檢測(cè)和數(shù)據(jù)融合，得到全局頻譜利用信息，以解決認(rèn)知無(wú)線網(wǎng)絡(luò)中基于貝葉斯壓縮感知的信號(hào)重構(gòu)與寬帶頻譜檢測(cè)問(wèn)題。

發(fā)明內(nèi)容
本發(fā)明公開了認(rèn)知無(wú)線網(wǎng)絡(luò)中基于自適應(yīng)測(cè)量的貝葉斯壓縮寬帶頻譜檢測(cè)方法，采用基于最大能量子集的自適應(yīng)測(cè)量對(duì)多個(gè)認(rèn)知用戶的感知數(shù)據(jù)進(jìn)行稀疏表示與觀測(cè)，以實(shí)現(xiàn)降低認(rèn)知用戶感知能耗與壓縮反饋的數(shù)據(jù)量。認(rèn)知基站采用稀疏貝葉斯回歸模型中的相關(guān)向量機(jī)實(shí)現(xiàn)感知信號(hào)的最大后驗(yàn)概率估計(jì)，根據(jù)貝葉斯壓縮感知層次化參數(shù)估計(jì)獲得重構(gòu)的感知數(shù)據(jù)，通過(guò)感知數(shù)據(jù)融合進(jìn)行寬帶頻譜檢測(cè)，具有比正交匹配追蹤重構(gòu)算法具有更好的檢測(cè)性能，它對(duì)于認(rèn)知無(wú)線網(wǎng)絡(luò)中存在多個(gè)認(rèn)知節(jié)點(diǎn)的寬帶頻譜感知與感知信號(hào)的稀疏重構(gòu)具有實(shí)際的應(yīng)用價(jià)值。本發(fā)明采取以下技術(shù)方案認(rèn)知無(wú)線網(wǎng)絡(luò)中基于自適應(yīng)測(cè)量的貝葉斯壓縮寬帶頻譜檢測(cè)方法，利用貝葉斯壓縮感知(Bayesian Compressive Sensing, BCS)理論結(jié)合自適應(yīng)測(cè)量(Adaptive Measurement Scheme, AMS)對(duì)本地感知數(shù)據(jù)進(jìn)行稀疏表示與觀測(cè),提出了一種基于最大能量子集的自適應(yīng)測(cè)量矩陣設(shè)計(jì)方法。根據(jù)大量認(rèn)知節(jié)點(diǎn)對(duì)實(shí)際感知到的非平穩(wěn)信號(hào)空時(shí)相關(guān)性結(jié)構(gòu)，感知數(shù)據(jù)映射到小波基進(jìn)行稀疏變換，通過(guò)計(jì)算小波域信號(hào)的能量子集，選取最大能量子集作為測(cè)量矩陣行向量，并對(duì)該行向量進(jìn)行正交化構(gòu)造測(cè)量矩陣，形成自適應(yīng)測(cè)量，并使其滿足約束等距性質(zhì)；認(rèn)知基站通過(guò)稀疏貝葉斯回歸模型中的相關(guān)向量機(jī)(Relevance Vector Machine, RVM)模型對(duì)認(rèn)知用戶感知的寬帶頻譜進(jìn)行重構(gòu)恢復(fù)與寬帶頻譜檢測(cè)。該方法分別進(jìn)行了基于自適應(yīng)測(cè)量的貝葉斯壓縮感知信號(hào)重構(gòu)與基于自適應(yīng)測(cè)量的正交匹配追蹤算法信號(hào)重構(gòu)的比較、兩者分別進(jìn)行寬帶頻譜檢測(cè)的性能比較。 (一)認(rèn)知無(wú)線網(wǎng)絡(luò)壓縮感知模型考慮具有認(rèn)知基站的中心控制式認(rèn)知無(wú)線網(wǎng)絡(luò)，多個(gè)認(rèn)知節(jié)點(diǎn)需要對(duì)主用戶(Primary User, I3U)頻譜的占用情況進(jìn)行感知，并將感知到的PU頻譜信息進(jìn)行測(cè)量與壓縮，認(rèn)知基站采用貝葉斯壓縮感知層次化參數(shù)估計(jì)獲得重構(gòu)的感知數(shù)據(jù)，并使重構(gòu)誤差滿足一定要求，在此基礎(chǔ)上通過(guò)數(shù)據(jù)融合進(jìn)行寬帶頻譜檢測(cè)。利用貝葉斯壓縮感知可以有效緩解傳統(tǒng)頻譜感知算法中對(duì)認(rèn)知節(jié)點(diǎn)能耗的要求。通過(guò)設(shè)計(jì)合適的測(cè)量矩陣，貝葉斯壓縮感知只需較少的測(cè)量數(shù)即可在認(rèn)知基站側(cè)通過(guò)貝葉斯學(xué)習(xí)層次化參數(shù)估計(jì)實(shí)現(xiàn)稀疏重構(gòu)，即感知節(jié)點(diǎn)向認(rèn)知基站傳輸?shù)臄?shù)據(jù)量和存儲(chǔ)空間可以大大減小，因而提高了傳輸效率，使得節(jié)點(diǎn)的感知周期變得更加靈活。假設(shè)認(rèn)知無(wú)線網(wǎng)絡(luò)中包含有N個(gè)認(rèn)知節(jié)點(diǎn)監(jiān)控主用戶(PU)的頻譜占用情況，在時(shí)刻t獲得的感知信息向量=pr，Af，L xff，t = 1，2，LT。在時(shí)刻t之前的連續(xù)T個(gè)時(shí)刻的感知信息列向量構(gòu)成感知數(shù)據(jù)矩陣χω = [χ^,χ^Λ,χ^] e Rnxt，該矩陣中的不同時(shí)刻的感知數(shù)據(jù)列向量之間存在時(shí)間相關(guān)性。此外，在同一感知時(shí)刻，各節(jié)點(diǎn)由于分布位置的不同，對(duì)主用戶頻譜信號(hào)的感知數(shù)據(jù)也具有空間相關(guān)性。利用感知數(shù)據(jù)矩陣元素的時(shí)空相關(guān)性，定義時(shí)刻t感知數(shù)據(jù)矩陣的時(shí)間平均向量為取(”]=#=^>(”，該向量中的元
I /=I
素對(duì)應(yīng)為各時(shí)刻感知數(shù)據(jù)列向量的時(shí)間平均值，定義時(shí)刻t感知數(shù)據(jù)矩陣的協(xié)方差矩陣為—廣]=結(jié)π尤w)T。利用壓縮感知理論對(duì)時(shí)刻t的感知數(shù)據(jù)進(jìn)行稀疏表示、觀
測(cè)與重構(gòu)。認(rèn)知無(wú)線網(wǎng)絡(luò)數(shù)據(jù)融合與重構(gòu)場(chǎng)景圖如圖2所示。(二)貝葉斯壓縮感知原理根據(jù)貝葉斯壓縮感知(BCS)理論，考慮時(shí)刻t的感知向量與時(shí)間平均向量的差值向量(P-P)映射到小波基B= (Bi IBi e Rn, i e {I, 2，L, N}}進(jìn)行稀疏變換，即利用多節(jié)點(diǎn)非平穩(wěn)感知信號(hào)的時(shí)空相關(guān)性特點(diǎn)，選取正交小波基B作為稀疏空間，感知信號(hào)差值向量經(jīng)正交小波變換后在該基空間下具有一定的稀疏性，得到K個(gè)非零元素砹=((^--v")./i)，構(gòu) 成稀疏系數(shù)向量Aw，因此(X^-Xln) = Beln(O利用觀測(cè)矩陣Φ對(duì)感知信號(hào)差值向量進(jìn)行線性變換，丨與正交基矩陣B滿足不相關(guān)性與K階約束等距性質(zhì)(RIP)條件，獲得t時(shí)刻的M個(gè)觀測(cè)值y(t) e Rm,即ym =φ(χ(η-χ{,)) = Σθ(2)其中Ξ = ΦΒ e Rmxn為CS信息算子。考慮在含噪測(cè)量的情況下，當(dāng)測(cè)量噪聲為n(t)時(shí)，在時(shí)刻t的觀測(cè)向量為ym =^(,J+ 0)(3)其中，n(t) e Rm中元素服從均值為零、方差σ2的高斯分布，即ni:N(0，σ 2), i =
I,2，L, Μ。RIP理論是進(jìn)行BCS自適應(yīng)測(cè)量矩陣設(shè)計(jì)的理論基礎(chǔ)。RIP理論表述如下假定感知信號(hào)差值向量為長(zhǎng)度N，稀疏度為K的感知向量，存在一個(gè)子集r<=J={l，2，L A子集中的元素個(gè)數(shù)小于或等于K，即|t| ^k0在測(cè)量矩陣φ中選擇由子集τ中元素所指示的個(gè)數(shù)構(gòu)成子矩陣φτ，對(duì)于任意常量(0，1)，有(I-A)I(PW1)I: < \\φτ< (1+4-)||(-Vin -Sfo )|f⑷稱測(cè)量子矩陣φτ滿足K階RIP性質(zhì)。因此，y(t)是K稀疏向量#中非零系數(shù)對(duì)應(yīng)CS信息算子K個(gè)列向量的線性組合。由于M〈N，式(3)有無(wú)窮多解，感知信號(hào)差值向量不能直接從測(cè)量向量y(t)中進(jìn)行重構(gòu)，需要通過(guò)求解Itl范數(shù)的優(yōu)化問(wèn)題獲得最佳〃5。已有文獻(xiàn)證明了、和I1最優(yōu)化問(wèn)題稀疏解的等價(jià)性。認(rèn)知基站根據(jù)觀測(cè)向量y(t)，采用基于線性規(guī)劃的基追蹤(Basis Pursuit, BP)算法或貪婪迭代算法(如正交匹配追蹤(Orthogonal Matching Pursuit，0ΜΡ)、正則化 OMP (Regularized OMP，ROMP)等)，以一定概率進(jìn)行感知信號(hào)重構(gòu)。其重構(gòu)算法為Ie=argmin^l(5)
[s 丄 y(l) = ΞθιρBP算法的最少測(cè)量數(shù)M彡Klog2 (Ν/Κ+1)，但其重構(gòu)復(fù)雜度為O (Ν3)。OMP算法收斂速度快，但比BP需要更多的觀測(cè)次數(shù)(M=O(KlnN))，且以較高的概率得到最優(yōu)稀疏解，其重構(gòu)復(fù)雜度為O (NK2)，它不具備全局最優(yōu)?？紤]由式(3)在含噪測(cè)量情況下的感知信號(hào)重構(gòu)模型，由于n(t) e Rm中元素服從均值為零、方差σ 2的高斯分布，根據(jù)BCS理論，最佳碑〉的重構(gòu)問(wèn)題為求解Itl范數(shù)優(yōu)化問(wèn)題。
權(quán)利要求
1.認(rèn)知無(wú)線網(wǎng)絡(luò)中基于自適應(yīng)測(cè)量的貝葉斯壓縮寬帶頻譜檢測(cè)方法，其特征在于根據(jù)大量認(rèn)知節(jié)點(diǎn)對(duì)實(shí)際感知到的非平穩(wěn)信號(hào)空時(shí)相關(guān)性結(jié)構(gòu)，感知數(shù)據(jù)映射到小波基進(jìn)行稀疏變換，通過(guò)計(jì)算小波域信號(hào)的能量子集，選取最大能量子集作為測(cè)量矩陣行向量，并對(duì)該行向量進(jìn)行正交化構(gòu)造測(cè)量矩陣，形成自適應(yīng)測(cè)量，并使其滿足約束等距性質(zhì)；認(rèn)知基站通過(guò)稀疏貝葉斯回歸模型中的相關(guān)向量機(jī)模型對(duì)認(rèn)知用戶感知的寬帶頻譜進(jìn)行重構(gòu)恢復(fù)與寬帶頻譜檢測(cè)。
2.根據(jù)權(quán)利要求I所述的認(rèn)知無(wú)線網(wǎng)絡(luò)中基于自適應(yīng)測(cè)量的貝葉斯壓縮寬帶頻譜檢測(cè)方法，其特征是具體包括以下步驟 (1)首先，考慮認(rèn)知無(wú)線網(wǎng)絡(luò)中N個(gè)認(rèn)知節(jié)點(diǎn)在時(shí)刻t對(duì)感知到的主用戶信號(hào)向量為# = (χΓ',χ^Χ 4'f，在時(shí)刻t之前的連續(xù)T個(gè)時(shí)刻的感知信息列向量構(gòu)成感知數(shù)據(jù)矩陣χω = [Χ(Η)，χα_2)Λ，χα_Τ)] e Rnxt，該矩陣中的不同時(shí)刻的感知數(shù)據(jù)列向量之間存在時(shí)間相關(guān)性；此外，在同一感知時(shí)刻，各節(jié)點(diǎn)由于分布位置的不同，對(duì)主用戶頻譜信號(hào)的感知數(shù)據(jù)也具有空間相關(guān)性；利用感知數(shù)據(jù)矩陣元素的時(shí)空相關(guān)性，定義時(shí)刻t感知數(shù)據(jù)矩陣的時(shí)間平均向量為f [ζω ]=P=I #，該向量中的元素對(duì)應(yīng) I I=I為各時(shí)刻感知數(shù)據(jù)列向量的時(shí)間平均值，定義時(shí)刻t感知數(shù)據(jù)矩陣的協(xié)方差矩陣為cov[/,s] = pI(x(i,-x,,)(^)-.vff,)T將時(shí)刻t的感知向量與時(shí)間平均向量的差值向量卜映射到小波基BHBiIBi e Rn, i e {1，2，L，N}}進(jìn)行稀疏變換，即利用多節(jié)點(diǎn)非平穩(wěn)感知信號(hào)的時(shí)空相關(guān)性特點(diǎn)，選取正交小波基B作為稀疏空間，感知信號(hào)差值向量經(jīng)正交小波變換后在該基空間下具有一定的稀疏性，得到K個(gè)非零元素Ci，構(gòu)成稀疏系數(shù)向量; 采用小波的馬拉特塔式分解構(gòu)造樹型結(jié)構(gòu)小波基矩陣B，小波基為四階Daubechies系緊支集正交小波，該小波具有4階消失矩，Mallat分解層數(shù)為6 ;因此，f，由于 B 為正交陣，= {χ{,) -xif>); (2)然后，構(gòu)造自適應(yīng)觀測(cè)矩陣；利用觀測(cè)矩陣Φ對(duì)差值向量)進(jìn)行線性變換，觀測(cè)矩陣Φ =砍h- E RnJ = U.L M}滿足φ與B的不相關(guān)性和K階約束等距性質(zhì)，獲得t時(shí)刻的M個(gè)觀測(cè)值7“)e RM，即產(chǎn)=_#-#)=取w唭中s =為壓縮感知信息算子； 自適應(yīng)測(cè)量的過(guò)程計(jì)算差值向量信號(hào)在小波域的能量子集，尋找最大能量子集EL，得到最佳觀測(cè)值M，即自適應(yīng)測(cè)量矩陣ΦΜ的行向量個(gè)數(shù)；由于t時(shí)刻觀測(cè)向量的元素是自適應(yīng)測(cè)量矩陣行向量與t時(shí)刻感知信號(hào)差值向量相乘得到，若測(cè)量矩陣的行向量之間相互獨(dú)立，則觀測(cè)向量元素之間的相關(guān)性也相應(yīng)減少；因此，對(duì)自適應(yīng)測(cè)量矩陣的M個(gè)行向量還需進(jìn)行正交化處理，即構(gòu)造行向量相互正交的自適應(yīng)測(cè)量矩陣ΦΜ，以此得到基于最大能量子集的觀測(cè)向量; 感知向量通過(guò)設(shè)置在各認(rèn)知節(jié)點(diǎn)側(cè)的模擬信息轉(zhuǎn)換器獲取t時(shí)刻的初始觀測(cè)向量y(t)，即通過(guò)初始測(cè)量矩陣Φ進(jìn)行變換后產(chǎn)生t時(shí)刻的觀測(cè)信號(hào)y(t)，并計(jì)算其能量||jf|￡，尋找最大能量子集，得到最佳觀測(cè)值M，從而構(gòu)造自適應(yīng)測(cè)量矩陣ΦΜ，以此得到基于最大能量子集的自適應(yīng)觀測(cè)向量 ，并將壓縮采樣后的發(fā)送至認(rèn)知基站； (3)最后，認(rèn)知基站采用層次化稀疏貝葉斯回歸模型中的相關(guān)向量機(jī)進(jìn)行感知信號(hào)重構(gòu)，以較大概率實(shí)現(xiàn)含噪感知信號(hào)的重構(gòu)，恢復(fù)多個(gè)認(rèn)知節(jié)點(diǎn)的感知信息；而后，認(rèn)知基站提取感知信息的特征(能量)進(jìn)行主用戶頻譜檢測(cè)，采用基于主用戶能量檢測(cè)的多節(jié)點(diǎn)“或準(zhǔn)則”數(shù)據(jù)融合進(jìn)行寬帶頻譜檢測(cè)，從而得到全局頻譜利用信息； 認(rèn)知基站從自適應(yīng)觀測(cè)向量中恢復(fù)稀疏系數(shù)向量巧的問(wèn)題為Ici范數(shù)的約束最優(yōu)化問(wèn)題，通過(guò)求解I1范數(shù)優(yōu)化問(wèn)題得到它的等價(jià)解，即
全文摘要
本發(fā)明公開了認(rèn)知無(wú)線網(wǎng)絡(luò)中基于自適應(yīng)測(cè)量的貝葉斯壓縮寬帶頻譜檢測(cè)方法，根據(jù)大量認(rèn)知節(jié)點(diǎn)對(duì)實(shí)際感知到的非平穩(wěn)信號(hào)空時(shí)相關(guān)性結(jié)構(gòu)，感知數(shù)據(jù)映射到小波基進(jìn)行稀疏變換，通過(guò)計(jì)算小波域信號(hào)的能量子集，選取最大能量子集作為測(cè)量矩陣行向量，并對(duì)該行向量進(jìn)行正交化構(gòu)造測(cè)量矩陣，形成自適應(yīng)測(cè)量，并使其滿足約束等距性質(zhì)；認(rèn)知基站通過(guò)稀疏貝葉斯回歸模型中的相關(guān)向量機(jī)模型對(duì)認(rèn)知用戶感知的寬帶頻譜進(jìn)行重構(gòu)恢復(fù)與寬帶頻譜檢測(cè)。結(jié)果表明，結(jié)合自適應(yīng)測(cè)量的貝葉斯壓縮寬帶頻譜檢測(cè)具有比正交匹配追蹤重構(gòu)算法具有更好的檢測(cè)性能，它對(duì)于認(rèn)知無(wú)線網(wǎng)絡(luò)中存在多個(gè)認(rèn)知節(jié)點(diǎn)時(shí)的寬帶頻譜感知與感知信號(hào)的稀疏重構(gòu)具有實(shí)際的應(yīng)用價(jià)值。
文檔編號(hào)H04B17/00GK102833020SQ20121033198
公開日2012年12月19日 申請(qǐng)日期2012年9月10日 優(yōu)先權(quán)日2012年9月10日
發(fā)明者許曉榮, 包建榮, 姜斌, 陸宇, 駱懿 申請(qǐng)人:杭州電子科技大學(xué)