协作频谱感知

协作频谱感知（精选七篇）

协作频谱感知 篇1

如今, 频谱资源的匮乏制约着无线通信的发展。近年来, 认知无线电技术[1]一经提出就受到了广泛关注。认知无线电是一种智能无线电系统, 寻找频谱空穴[2]并动态式接入空闲频谱来实现对频谱利资源的二次利用, 从而达到高频谱利用率。频谱感知[3,4]是认知无线电的关键技术之一。然而, 由于实际场景中受到多径衰落、阴影效应等问题的影响, 仅靠单用户的检测结果并不能保证检测结果的可靠性和准确性, 检测效果并不理想。为了减少改善这个情况, 提出了协作频谱检测, 综合多个用户的检测结果以协作方式能提高频谱感知的整体检测性能。

目前一些文献提出的协作频谱感知方案[5,6,7]中, 均假设各认知用户具有相同的信噪比 (SNR) , 经历了相同的独立同分布衰落, 并没有过多考虑认知用户之间空间位置等信息的不同所带来的可靠性差异。在实际环境中, 认知用户的信噪比不同, 其本地检测的可靠性也不尽相同。尤其当某些节点处于较低信噪比环境时, 其本地检测结果可靠性不高, 影响了数据融合中心的判决。所以, 筛选一些具有较优信噪比的CR用户 (认知用户) 参加频谱感知是很有必要的。基于此基础, 提出了一种基于信噪比的协作频谱感知算法。仿真结果表明, 该算法能有效提高检测性能, 并减少参与协作感知的节点数量。

1 频谱感知

1.1 能量检测模型

能量检测是频谱检测最基本的方法[8]。能量检测实现简单, 算法复杂度低, 不需要知道信号的先验知识, 所以被广泛的使用。判决方法是先设定一个门限, 通过能量检测器与设定的门限相比较, 超过判决门限, 就认为该频段内有主用户 (PU) 存在。假定接受信号有以下表达式:

式中, 是被检测的信号, 是加性高斯噪声, 从式 (1) 得知, 当信号为零, 该频段内LU不存在。能量检测器可以写为:

式中, n是抽样序列向量维数。

接收到的主信号y (t) 首先经过带通滤波器, 过滤掉噪声后, 再经过平方运算, 并在观测时间T内进行积分, 最终得到信号的能量统计值Y, 如图1所示[9,10]。将Y与预先设定的门限进行比较, 若大于门限值, 则表示PU存在。若小于门限值, 则表示PU不存在, 信道空闲。这样的判断可以通过以下假设检验来实现。

传统频谱感知通常采用二元假设模型:

性能检测可以通过2个概率来衡量:检测概率PD和虚警概率PFA。PD是指在检测频段内出现PU被正确检测到的概率。

PFA是指在检测频段内LU没有出现, 能量检测器认为PU存在的概率。

在AWGN信道下检测概率和虚警概率分别为:

式中, λE为门限值, γ为信噪比 (SNR) , Γ (x) 与Γ (x, y) 分别为完整和不完整的Gamma函数, Q (x) 为广义Marcum函数。

1.2 协作频谱感知

频谱检测在实际场景中的性能常常被多径衰落、阴影效应和接收机的不确定性问题所制约。为了减少这些问题的影响, 提出了协作频谱感知, 通过利用空间分集来有效提高性能, 从而减少这些问题的影响。协同检测方法主要分为集中式频谱检测方法、分布式频谱检测方法和中继辅助协作频谱检测方法

其中, 集中式频谱检测方法是将每个CR用户获得检测数据直接传送到融合中心, 由融合中心经过处理后得出结论。此方法具有数据全面、信息无丢失以及最终判决结论置信度高等优点, 所以采取集中式频谱检测方法, 频谱感知模型如图2所示。

具体过程为:首先数据融合中心 (FC) 选择一个频段, 并且控制所有协作CR用户 (假设有N个CR用户) 各自进行本地感知;其次, 所有的CR用户通过控制信道上传它们的感知数据;最后, FC汇集所有接收到的本地感知信息, 决策PU是否存在, 并且将感知结果分发到协作CR用户。

当二进制的本地检测结果上报给FC时, 运用线性融合规则来获取协作决策是很方便的。常用的融合有3种:“与”、“或”和“多数”规则。其中“或”规则使用最广泛。令ui为CR用户i的本地决策, u为FC做出的协作决策, ui, u∈{0, 1}, “1”和“0”分别表示PU的存在状态 (H1) 和不存在状态 (H0) 。

“与”规则指的是对任意, 如果ui都为1, FC就判决u=1, 此时的检测概率和虚警概率分别为:

“或”规则是对任意, 只要有ui为1, FC就判决u=1。此时的检测概率和虚警概率分别为:

“多数”规则需要至少一半的CR用户报告1, FC才会判决=1。

2 基于SNR比较的协作频谱感知

在实际的无线电网络环境中, 由于各CR节点的分布位置是随机分布的, 它们处于不同的信噪比环境, 这就导致它们具有不同的信噪比, 因此各个节点本地检测结果的可靠性也不同。这里先考虑2种特殊情况:

(1) 参加协作的CR用户都具有较低的SNR值, 尤其当它们处于深度衰落环境时, 这将对协作检测的性能产生影响, 这时候CR用户协作检测对提高检测性能几乎没帮助, 甚至会降低检测性能[11];

(2) 参加协作的CR用户都具有较高的SNR值, 那么这时候它们单独检测的性能要好于协作检测的性能[11]。

但是以上2种情况不符合实际认知网络环境的一般情况。在实际认知网络环境中, 各CR用户具有优劣各异的SNR, 并且具有较低SNR值的CR用户会影响检测的性能。所以, 有必要对参加频谱检测的CR用户进行筛选, 选出具有较高SNR值的CR用户参与协作检测。假设各CR节点具有估计自身SNR值的能力, SNR估计是无线通信领域中一种通用技术。

在现有的协作频谱感知算法[11,12]的基础上, 提出一种改进的基于SNR比较的协作感知算法, 算法流程图如图3所示。

(1) 各CR用户通过能量检测算法以及SNR估计, 将本地判决结果和自身SNR值γi发送到数据融合中心;

(2) 数据融合中心对收到的CR用户的SNR值求和再取均值

(3) 各CR用户自身的SNR值γi依次与均值相减, 得到的差值与最佳信噪比阀值λ相比较, 差值大于最佳阀值, 舍去;否则, 采用。以选取较优CR用户参与协作检测。

本文算法中的最佳信噪比阀值λ这样确定:假设认知无线网络中有N个CR节点。

(1) 设定λ为所有CR节点中最大的SNR与所有CR节点的SNR的差值, 这样初始信噪比阀值就有N个值;

(2) 分别对在这N个初始信噪比阀值时进行协作频谱感知仿真, 获得CR节点在不同初始阀值下的协作频谱感知的ROC曲线 (工作特征曲线) , 每个初始阀值都有一条ROC曲线相对应;

(3) 比较这N条不同的ROC曲线, 观察在虚警概率相同的情况下, 检测概率大小。检测概率越大表明其协作检测的性能越好, 据此选择协作检测最好的ROC曲线对应的初始阀值作为最佳信噪比阀值λ。

3 计算机仿真结果与分析

仿真过程:假设现在网络中有5个CR用户, 且各CR用户接收机与数据融合中心之间的传输信道是理想的, 同时认定CR用户接收信号的信噪比服从正态分布。每个CR用户均采用能量检测方法获得一个本地检测结果, 并通过SNR估计获得自身的SNR值, 然后每个CR用户再将它们各自的本地检测结果和SNR值一起发送到融合中心, 再在融合中心进行SNR比较和筛选, 选取具有较优SNR值得CR用户参与协作检测, 最后融合中心将检测结果反馈给CR用户。这样一个基于SNR比较的协作频谱感知过程就完成了。

基于上述过程, 设定CR用户接受信号的SNR分别为-17 d B、-19 d B、-20 d B、-22 d B和-25 d B。

单用户在不同SNR下的本地能量检测性能的ROC比较如图4所示, 可以看出CR用户具有不同SNR时会具有不同检测性能, CR用户的SNR越高, 其检测性能相对就越好, 所以CR用户接收端的SNR大小对用户本身的检测性能是有影响的。

本文算法与现有算法的ROC比较如图5所示, 可以看出所研究的基于信噪比的协作频谱感知算法相比现有的算法, 具有更好的检测性能。所以所提出的算法是可行并有效的, 可以提高检测效率。

CR用户在不同阀值时的检测性能ROC比较如图6所示。

用来确定最佳信噪比阀值。本实验选取的5个用户仍然是SNR分别是-17 d B、-19 d B、-20 d B、-22 d B和-25d B的CR用户, 仍然采用OR融合规则 (“或”融合规则) 。由图6可见, 在阀值等于2时, 检测性能最好, 在其他阀值时, 检测性能依次降低, 所有最佳SNR阀值是2。根据所提出的算法可以确定, 当最佳SNR阀值选为2时, 采用的是2个CR用户协作的模型。

4 结束语

在研究了认知无线电频谱感知相关内容的基础上, 综合考虑实际情况中认知用户存在差异性的因素, 提出了基于信噪比的协作频谱感知算法。仿真结果表明:通过设定最佳信噪比阀值, 选取具有较优SNR值的CR用户参与协作频谱检测, 可以有效地降低虚警概率, 提高检测效率。本文研究的算法相比现有的算法, 具有更好的检测性能。此外在提高检测性能的同时, 减少了参与协作的CR用户数目, 节约了检测时间。

参考文献

[1]潘军.认知无线电系统关键技术研究[D].北京:北京邮电大学, 2011.

[2]NIU Ying-tao, YAO Fu-qiang, CHEN Jiang-zhong, et al.A Novel Dynamic Spectrum Hole Sensing[J].Future Networks, 2010, ICFN10, 2010:108-184.

[3]丁汉青.认知无线电频谱感知技术研究[D].西安:西安电子科技大学, 2011.

[4]SHEN Bin.An Optimal Soft Fusion Scheme for Cooperative Spectrum Sensing in Cognitive Radio Network[J].ETRI Journal, 2009, 31 (3) :263-270.

[5]CHEN Wen-bin, YANG Chi-kai, HUANG Yuan-hao.Energy Saving Cooperative Spectrum Sensing Processor for Cognitive Radio System[J].Circuits and Systems I:Reqular Papers, IEEE, 2011, 58 (4) :711-723.

[6]XIE Sheng-li, LIU Yi, ZHANG Yan.A Parallel Cooperative Spectrum Sensing with Energy Detection in Cognitive Radio Networks[J].Vehicular Technology, IEEE, 2010, 59 (8) :4079-4092.

[7]WEI Zhang, RANJAN K M.Cooperative Spectrum Sensing Optimization in Cognitive Radio Networks[C]∥USA:IEEE, 2008:21-28.

[8]温志刚.认知无线电频谱检测理论与实践[D].北京:北京邮电大学, 2011.

[9]BIAN Li, ZHU Qi.Cooperative Spectrum Sensing Algorithm Based on Data Fusion[J].Journal of Nanjing University of Posts and Telecommunications (Natural Science) , 2009, 29 (2) :73-78.

[10]YANG Ming-ji, WU Qiong, SHI Jia-qing, el at.Cooperative Spectrum Sensing Algorithm in SNR Comprision[J].Journal of Harbin University of Science And Technology, 2013, 18 (2) :105-108.

[11]CHEN Shou-kun, LI Li, WANG Pei, et al.Cooperative Spectrum Sensing based on Threshold Control and SNR Selection[J].Communications Technology, 2011, 44 (3) :4-6.

协作频谱感知 篇2

在接收到信号后,SU既可以独自判断PU是否存在,也可以与其他SU合作共同完成判决,后者称作协作频谱感知(Cooperative Spectrum Sensing,CSS)[3]。相较于非协作频谱感知,CSS有着独特的优势。例如SU接收信号时受到深度衰落或深度阴影效应影响,其很难独自做出准确判决,而CSS可通过SU之间感知信息的交互分享来解决这一问题[4]。现今CSS领域已经展开许多研究工作,也取得了不少研究成果,使用较多的CSS方法是基于中继CSS、集中式CSS和仿生一致性CSS。基于中继CSS通过节点间的强感知信道和强报告信道进行跨节点多跳通信[7,8],该通信方式易造成额外的功率消耗,导致感知信号质量下降。集中式CSS存在一个融合中心,由融合中心收集各SU本地感知数据,并根据融合规则融合感知数据,以完成统一判决[5,6]。融合中心位置较为固定,且融合中心与少数偏远的SU之间存在某些通信约束,因此该方法具有较大局限性。为此,文献[9]提出了一致性仿生CSS(Bioinspired Consensus-based Cooperative Spectrum Sensing,BCCSS)算法,该算法不存在融合中心,节点间采用单跳通信方式,SU与其邻居节点交互状态值,然后根据融合公式更新自身状态值,重复以上过程直到所有节点状态值达到收敛。BCCSS算法中用于最终判决的状态值是各节点初始值等权等增益(Equal Gain Combining,EGC)融合而得,其未考虑各节点本地感知条件的差异,因此该算法的检测性能不如集中式加权CSS算法。采用集中式加权CSS时,融合中心将依据各节点本地感知条件给定节点状态值不同权值,然后对节点状态值进行加权融合,以得到判决状态值。

文献[10]在文献[9]所提模型基础上,针对BCCSS算法中节点状态值EGC融合问题,推导了节点在本地设定自身权值的计算公式,并提出分布式一致性加权CSS(Distributed Average Weighted Gain Combining,DAWGC)算法。该算法检测性能对比BCCSS算法有大幅度提高,与集中式加权CSS算法相当。但该算法收敛速度较慢,节点网络需经历较多次迭代才能达到收敛,使得频谱感知无法实时有效地进行。另外,BCCSS和DAWGC算法均需要网络最大度这一先验知识,具有较大局限性。

针对上述缺陷,本文引入SU身份代码(Identity Code,IC)概念,提出了利用IC的快速分布式加权CSS(Fast Distributed Weighted cooperative spectrum sensing using Identity Code,ICFDW)算法。检测性能方面,ICFDW算法相较于BCCSS有大幅度提高,与DAWGC算法相当;收敛速度方面,所提算法相较于DAWGC提升明显,与BCCSS相比也有提高。此外,所提算法无需网络最大度先验知识。

1 系统模型及现有算法

通常,SS可表述为一个二元假设检验问题,即:H0表示PU不存在,SU可接入该频谱;H1表示PU存在,SU不可接入该频谱。因此,SS的数学模型[9]可描述为

式中:yi(m)是第i个次用户SUi在观测时刻m(m=1,2,…,M)接收到的采样信号;wi(m)是加性高斯白噪声;s(m)是PU发送的信号;变量hi为信道增益。

分布式CSS算法通常包括节点感知、数据融合、判决3个阶段。考虑到实施的简便性,在节点感知阶段,所有节点均采用能量检测(ED)[11]得到各自的统计量,并将其取为下述协作感知算法中SUi的初始状态值,即xi(0)=Yi。在数据融合阶段(如图1所示),第k个迭代时刻,节点SUi将其状态值xi(k)与其邻居节点进行交换,然后根据融合规则更新状态值,得到xi(k+1)。重复以上过程,直到所有SU状态值达到收敛。在判决阶段,节点SUi将最终本地状态值x*i与检测门限Vc进行比较,判断PU信号是否存在。

在BCCSS算法[9]中,节点根据如下融合公式更新状态值,即

式中:Ni(k)为在第k个迭代时刻SUi邻居节点的集合,0<ε<1/Δ,网络最大度Δ=max{|Ni(k)|},|·|表示集合中元素的个数。

在DAWGC算法[10]中,数据融合公式为

式中:δi表示SUi依据其本地感知条件所设定的权值,δi≥1。

由式(2)可知,BCCSS算法未考虑各节点本地感知条件的差异,因此其性能不佳,而且,BCCSS算法是采用邻居节点状态值与本地状态值之差的方式来进行数据融合,该方式下SU将不断在各邻居节点状态值之间调整本地状态值,整个网络需要进行很多次迭代运算才能达到收敛。DAWGC算法数据融合方式与BCCSS一致,且式(3)中权值δi均大于1,因此采用该算法时节点网络需要更多次迭代方能达到收敛,收敛速度更低。若网络中节点个数较多,整个网络达到收敛所需的融合次数会是一个很大的数字,收敛速度迟缓。另外,根据BCCSS与DAWGC算法的融合公式(2)、(3)可见,两种算法均需要网络最大度先验知识,具有较大局限性。

2 利用IC的快速分布式加权CSS算法(ICFDW)

根据上述分析可知,采用DAWGC算法进行频谱感知时,节点网络需要较长时间才能达到收敛,不利于频谱感知实时有效地进行。鉴于此,本文引入身份代码(IC)概念,使每个节点状态值和权值都有自身独特的“身份”标识,以避免节点间状态值的重复融合,减少CSS数据融合阶段的融合次数,从而使整个网络能够快速达到收敛。

2.1 ICFDW算法步骤

在感知主用户信号前,各节点根据自身特征、本地环境等因素编译一个独特的IC,节点SUi的IC表示为Di。节点SUi采用ED算法得到初始值xi(0),并由权值本地设定公式得到该初始值的权值δi。然后节点与其邻居节点交换数据,本算法中交换的数据包括xi(0)、权值δi以及Di(如图2所示),其中Di,δi,xi(0)是互相绑定的,对于xi(0)与δi,Di就是它们的“身份”标识,如同班级里不同的学号和名字用来区分不同的人。

SU本地的存储区域分为节点数据存储区和融合状态值存储区(如表1所示)。值得注意的是,所提算法中节点间交换的数据始终是节点数据存储区的全部节点初始值、权值和IC信息,而不是融合状态值存储区节点更新的本地状态值,且属于同一节点的初始值、权值和IC信息是绑定在一起传送的。

本地节点按IC属性将各节点数据区分并存储在节点数据存储区。第k次数据交换时,SUi将邻居节点传输数据中的IC信息与本地存储的IC信息进行对比,对于本地存储区里没有的IC,SUi将存储该IC及其所对应的初始值和权值;对于本地已存有的IC,SUi不再重复存储。

完成一次数据交换后,SUi根据融合公式更新自身状态值,ICFDW算法融合公式为

式中:Ji(k)表示第k次数据交换后SUi本地存有IC所对应的节点集合。

该数据交换和存储方式,使得各节点可以快速获取整个网络的数据信息。以图3中SU1为例,第1次数据交换时,SU1得到其邻居节点SU2的IC、初始值及权值信息;而第2次数据交换时,SU2邻居节点SU3,SU4各自的全部信息将通过SU2传输至SU1。

ICFDW利用节点IC的唯一性将各个节点的初始状态值和权值有序存储记录,然后根据融合公式更新状态值。由融合式(4)可知,ICFDW算法更新本地状态值时不存在状态值迭代过程,其仅仅是对节点数据存储区各节点数据信息做一次简单计算。因此,只要整个网络保持连通状态,节点均能获取到所有节点的数据信息,整个网络也定然能够收敛至最终状态值x*。另外,由式(4)可见,ICFDW算法无需知晓网络最大度。

整个网络达到收敛后的最终状态值为

最后SUi用本地最终状态值xi*与预先设定的门限Vc进行比较,即

其中门限Vc可根据虚警概率pf=Prob{xi(k)>Vc|H0}得到[12]。

2.2 ICFDW算法的权值设定

由文献[10]可知,在加性高斯白噪声信道下,SUi分布式权值设定公式为

式中:为SUi局部信噪比;表示每次检测间隔中M个抽样信号的能量值。

而在瑞利信道下,SUi分布式权值设定公式为

式中:为SUi本地感知时估算的平均信道信噪比。

综上,本文提出的ICFDW算法可描述如下:

1)节点SUi根据自身特征、本地环境等因素编译一个独特的IC,表示为Di;

2)SUi对接收信号进行采样,得到初始值xi(0);再由式(7)或式(8),得到本地权值δi;

3)绑定Di,xi(0)和δi,存储于节点数据存储区;

4)SUi与其所有邻居用户交换节点数据存储区的数据信息,其中同节点信息绑定传输;

5)将邻居节点传输数据中的IC信息与本地存储的IC信息进行对比,对于本地存储区里没有的IC,SUi存储该IC及其所对应的初始值和权值;

6)SUi根据式(4)更新本地状态值并存储于融合状态值存储区;

7)重复步骤4)~6),直到整个网络达到收敛;

8)根据式(6),完成最终判决。

3 仿真分析

下面在瑞利信道下对所提算法进行仿真验证,在分布式网络中与BCCSS算法和DAWGC算法性能进行比较。

图4是包含N=20个SU的网络拓扑结构图,其中图4a中节点通信信道双向稳定,节点间每一次数据交换均能成功完成;图4b中节点通信信道双向动态,节点间每一次数据交换都可能因为某些问题导致失败,例如SUi的邻居用户SUj在双方交换数据前移动出了SUi的可通信范围,之后SUj将无法与SUi交换数据,直到其重新进入SUi可通信范围。

若无特殊说明,仿真中,各SU采样点数M=10,通信信道平均信噪比为-5 d B,图4b各动态通信信道中交换数据失败的概率为0.4。

图5描述了ICFDW、BCCSS和DAWGC算法的ROC性能曲线,其中图5a、5b分别为稳定双向通信信道和动态双向通信信道下仿真所得。如图5可见,无论是在稳定双向通信信道还是动态双向通信信道下,ICFDW算法的检测性能都大大优于BCCSS算法,与DAWGC算法性能相当。这是因为ICFDW和DAWGC算法在融合状态值时考虑了各节点本地感知条件,并根据感知条件的优劣设定融合权值。例如pf=0.1时,图5a中采用ICFDW、BCCSS和DAWGC算法得到的pd分别为0.953 1,0.952 5,0.719 3,图5b中得到的pd分别为0.952 3,0.951 9和0.718 9。

图6给出了稳定双向通信信道下DAWGC和ICFDW算法中状态值收敛的曲线,其中图6a为DAWGC收敛曲线,图6b为ICFDW收敛曲线。如图6所示,采用DAWGC时所有节点状态值收敛至1 d B的偏差范围内需要约75次融合,而采用ICFDW时仅需4次融合整个网络就达到收敛,大大减少了融合次数,实现了快速协作频谱感知。

图7给出了动态双向通信信道下DAWGC和ICFDW算法中状态值收敛的曲线。如图7所示,采用DAWGC时所有节点状态值收敛至1 d B的偏差范围内需要约90次融合,而采用ICFDW时仅需5次融合,整个网络就达到收敛。

为进一步比较所提算法、DAWGC和BCCSS算法的收敛速度,图8给出了稳定双向通信信道下3种算法使整个网络达到收敛所需的平均融合次数随节点个数变化的比较。从图8可见,3种算法达到收敛所需的平均融合次数均随网络中节点个数的增多而增加,但ICFDW算法平均融合次数增加的个数远小于DAWGC,且小于BCCSS。在节点个数相同时,ICFDW算法所需平均融合次数也明显小于DAWGC。例如网络中节点个数为100时,采用ICFDW,DAWGC,BCCSS算法达到收敛所需的平均融合次数分别为6.62,1 002.59,76.33。

4 结论

在进行分布式加权协作频谱感知时,本文引入IC概念并利用其唯一性,提出了ICFDW算法。理论分析和仿真表明,ICFDW算法检测性能明显优于BCCSS算法,与DAWGC算法相当,且无需网络最大度这一先验知识,重要的是,ICFDW算法收敛速度明显快于DAWGC算法,且快过BCCSS算法。采用ICFDW算法时,节点网络可快速达到收敛,从而实时有效地进行频谱感知。

参考文献

[1]徐晨,赵双领,孔令龙.基于循环谱对称性的新型频谱判决算法[J].电视技术,2014,38(15):198-202.

[2]MASONTA M T,MZYECE M,NTLATLAPA N.Spectrum decision in cognitive radio networks:a survey[J].IEEE Communications Surveys&Tutorials,2013,15(3):1088-1107.

[3]LIU X,TAN X.Optimization algorithm of periodical cooperative spectrum sensing in cognitive radio[J].International journal of communication systems,2014,27(5):705-720.

[4]HAGHIGHAT M,SADOUGH S.M.S.Cooperative spectrum sensing for cognitive radio networks in the presence of smart malicious users[J].AEU-international journal of electronics and communications,2014,68(6):520-527.

[5]YOU C,KWON H,HEO J.Cooperative TV spectrum sensing in cognitive radio for Wi-Fi networks[J].IEEE transactions on consumer electronics,2011,57(1):62-67.

[6]VU-VAN H,KOO I.Cooperative spectrum sensing with collaborative users using individual sensing credibility for cognitive radio network[J].IEEE transactions on consumer electronics,2011,57(2):320-326.

[7]AKYILDIZ I F,LO B F,BALAKRISHNAN R.Cooperative spectrum sensing in cognitive radio networks:a survey[J].Physical communication,2011,4(1):40-62.

[8]ZHANG W,LETAIEF K.Cooperative spectrum sensing with transmit and relay diversity in cognitive radio networks[J].IEEE transactions on wireless communications,2008,7(12):4761-4766.

[9]LI Z Q,YU,F R,HUANG M Y.A distributed consensusbased cooperative spectrum-sensing scheme in cognitive radios[J].IEEE transactions on vehicular technology,2010,59(1):383-393.

[10]ZHANG W,GUO Y,LIU H,et al.Distributed consensusbased weight design for cooperative spectrum sensing[J].IEEE transactions on parallel&distributed systems,2015,26(1):54-64.

[11]YUCEK T,ARSLAN H.A survey of spectrum sensing algorithms for cognitive radio applications[J].IEEE communications surveys&tutorials,2009,11(1):116-130.

协作频谱感知 篇3

关键词：认知无线电,协作频谱感知,用户选择,人工鱼群算法

1 引言

认知无线电是当前无线通信领域中的研究热点之一。频谱感知是认知无线电中非常关键的技术, 其性能直接影响认知无线电系统的性能。由于协作频谱感知能克服单用户频谱感知的很多弊端, 大幅度提高感知性能, 因此很多研究者对如何提高协作频谱感知性能做了大量研究工作[1]。在协作频谱感知中, 由于阴影衰落的影响, 距离较近的次用户的感知结果有可能相关。有研究表明, 在协作频谱感知中, 这种相关性会降低感知性能[2]。因此恰当得选择次级用户对协作频谱感知是非常重要的。人们已经提出了若干次用户选择问题的模型, 其中关于距离的负指数模型[3]是其中较为常用的[4]。基于该模型次用户选择问题很容易被归结为非线性0-1规划问题。群智能优化方法是解决优化问题的有效方法, 已被广泛用于解决各工程领域的优化问题[5,6]。目前, 利用群智能优化算法解决次用户选择问题的研究正处于起步阶段。人工鱼群算法 (AFSA, artificial fish swarm algorithm) [7]是近些年发展起来的一种仿生群智能优化算法, 因其收敛速度快, 对参数敏感度低, 跳出局部极值能力强等特点受到越来越多学者的重视, 并且研究出大量改进的人工鱼群算法[8,9], 这些对基本AFSA的改进, 大都针对某一个或某一类优化问题进行的, 每种改进AFSA适用的问题都不同。本文在负指数次用户相关模型基础上[3], 在假设已知次用户位置的前提下, 将次用户选择问题归结为一个非线性0-1规划问题, 针对该优化问题的特点, 在传统AFSA的基础上, 提出了一种改进的人工鱼群算法 (IAFSA) 来实现次用户的最优选择。

2 次用户选择模型

如前所述, 协作频谱感知中次级用户所接收到的主用户信号可能会经历阴影衰落, 而阴影衰落又具有空间相关性, 次用户选择的目标就是从待选次用户中选出相关性总和最小的一组次用户。用相关数R来描述两个次用户的相关性, 它是两用户距离的负指数函数[3]

其中, d是两次用户间的距离, 单位为m, α是环境因子, 在城市中的非视距环境下α=0.1204/m, 在郊区α=0.002/m。方阵DNdij中包含所有次用户间的距离值, 且dij为

用N维向量X= (x1, …, xN) 表示选出的一组次用户, 其中xi={0, 1};当xi=1时, 表示第i个次用户被选中;当xi=0时, 表示第i个次用户未被选中。所选次用户相关数总和为

从N个待选次用户中选出总相关性最小的L个次用户可归结为非线性0-1规划问题

3 改进的次用户AFSA选择策略

3.1 基本AFSA的寻优原理

AFSA是一种启发式的群智能优化算法, 它通过模仿自然界中鱼群寻找食物的行为来求解优化问题。整个水域代表优化问题的解空间, 对于 (5) 式所示的优化问题, 整个水域是含有C (N, L) 个位置的离散水域。每条人工鱼代表一个解, 事实上是每条人工鱼的位置代表一个解, 人工鱼相当于一个存储器, 其中存储了人工鱼的当前位置。当人工鱼在水中游动时, 其位置发生变化的同时, 存储器中的位置信息也同步更新, 人工鱼所代表的解就不断变化。优化问题的最优解所对应的水中位置被称为最优位置, 位于最优位置的人工鱼称为最优人工鱼, 如果任何一条人工鱼游到最优位置, AFSA即成功寻优, 文献[6]提出的AFSA是针对求解目标函数极大值的情况, 其中将寻优过程类比为人工鱼寻找食物浓度最大的位置, (5) 式是求目标函数的极小值, 可类比为人工鱼寻找水中有害物质浓度最小的位置, 将优化问题一般化, 可归结为人工鱼在水中寻找某种意义上的最优位置。人工鱼的游动分两个步, 首先是寻找一个目标位置, 目标位置必须要优于当前位置, 基于目标位置的产生方式可将人工鱼的游动分三种:觅食行为、追尾行为和聚群行为, 对比这三种行为所产生的三个目标位置, 选择最优的一个目标位置为最终游动的目标位置;第二步是人工鱼朝目标位置移动一步, 每次移动的步长是在一定范围内的随机数。如果人工鱼没有找到目标位置 (三种行为的尝试都失败) , 人工鱼将实施一次随机游动。AFSA在公告板中记录了最优人工鱼的位置和有害物质浓度值 (或者是食物浓度值) , AFSA通过多次迭代实现寻优, 每次迭代, 所有人工鱼都有一次游动的机会, 每次迭代结束后, 选出此刻所有人工鱼中的最优人工鱼, 如果其对应的有害物质浓度值 (或者是食物浓度值) 比公告板上的有害物质浓度值 (或者是食物浓度值) 小 (大) , 就更新公告板中的最优人工鱼的位置和有害物质浓度值 (或者是食物浓度值) 。

3.2 改进措施

⑴取消鱼群密度的限制。基本AFSA规定在追尾行为和聚群行为中, 目标位置附近的人工鱼密度不能太大, 算法中用人工鱼密度系数来约束人工鱼的密度, 这样做的目的是为了避免算法过早地收敛于局部极值点。由于在利用AFSA求解非线性0-1规划问题时, 限制鱼群密度将使追尾行为和聚群行为难以实现。然而, 这两种行为是AFSA具有启发性和智能性的关键, 因此取消鱼群密度的限制将加强算法的启发性和智能性, 从而加速算法的收敛。

⑵取消人工鱼的随机游动。在基本AFSA中, 当人工鱼无法找到目标位置时, 人工鱼将随机游动一步。本文提出的IAFSA中, 当人工鱼无法找到目标位置时, 人工鱼在本次迭代中将静止不动, 这样可以保留精英人工鱼的优势。

⑶公告板记录的是每次迭代后所有人工鱼移动后的位置和它们目标位置中的最优位置, 及其对应的有害物质浓度值 (或者是食物浓度值) 。传统AFSA中, 只有人工鱼游到最优位置时, 才认定寻优成功, 而本文提出的IAFSA中, 除了人工鱼游到最优位置, 人工鱼的目标位置是最优位置, 也可认定寻优成功, 显然这增加了寻优成功的概率。

⑷每次迭代之后, 最后一条人工鱼游到本次迭代中出现的最优位置, 此处的最优位置包括在本次迭代中出现的所有人工鱼位置及其目标位置。这是一种保留全局最优解的策略, 可以加快人工鱼趋向最优位置。

⑸增大了最后一条人工鱼的觅食尝试次数, 并缩小其视野。由改进措施 (3) 可知, 最后一条人工鱼的位置是上次迭代中出现的最优位置, 整个水域的最优位置在其附近的可能性非常大, 因此增加最后一条人工鱼附近的觅食尝试次数可有效加快算法的寻优速度。

4 仿真结果与分析

有50个待选次用户随机均匀分布在以发起频谱感知的次用户为圆心的圆上, 圆的半径为1km。从中选出相关数总和最小的8个次用户进行协作频谱感知, 要求发起频谱感知的次用户必须被选中。人工鱼群算法的参数设置如表1所示。

为了说明每项改进措施对算法收敛的影响, 图1中给出算法的4条收敛曲线。改进AFSA1是在基本ASFA基础上取消鱼群密度限制并且人工鱼行动选择失败后静止不动的AFSA。从图中可知, 它比基本AFSA的收敛速度快。改进AFSA2是在改进AFSA1基础上将公告板记录最优人工鱼改为记录最优位置 (包括人工鱼位置和目标位置) 。从图3中的局部放大图可知, 改进AFSA2比改进AFSA1收敛速度快。改进AFSA3是在改进AFSA2的基础上使最后一条人工鱼游到本次迭代的最优位置, 并增加了最后一条人工鱼的觅食次数和缩小了视野。由图可知, 改进AFSA3比改进AFSA2的收敛速度快, 改进AFSA3是本文最终采用的算法, 显然其收敛速度是最快的。

表2中列出了改进AFSA与基本AFSA的三个主要性能指标, 从计算结果可以看出, 每项改进措施都能提高收敛成功率, 减少平均收敛次数, 同时平均运行时间也会变长。四项改进措施使收敛成功率提高了90.0%, 平均收敛次数降低了49.1%, 平均运行时间延长了3.3%。综合以上分析和仿真结果可得出, 改进措施在稍微延长运行时间的情况下大幅度提高了算法性能。

5 结束语

由于协作次用户之间的相关性将降低协作频谱感知的性能, 因此本文以最小化总相关性为次用户选择目标, 基于距离的负指数相关模型, 将次用户问题归结为非线性0-1规划问题, 并利用本文提出的改进AFSA实现该优化问题的求解。该算法解决了传统AFSA在求解次用户选择问题时收敛速度慢、寻优成功率低和需要人工鱼数量大的不足。最后通过仿真实验验证了本文所提出的IAFSA次用户选择策略的性能和优点。

参考文献

[1]Akyildiz I F, Lo B F, and Balakrishnan R, Cooperative spectrum sensing in cognitive radio networks:A survey[J].Physical Communication, 2011, 4 (1) :40-62.

[2]Ghasemi A and Sousa E S.Collaborative spectrum sensing for opportunistic access in fading environments[C].IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks 2005.Baltimore, Maryland USA, 2005:131-136.

[3]Gudmundson M, Correlation model for shadow fading in mobile radio systems[J].Electronics letters, 1991, 27 (23) :2145-2146.

[4]Cacciapuoti A S, Akyildiz I F, and Paura L, Correlation-Aware User Selection for Cooperative Spectrum Sensing in Cognitive Radio Ad Hoc Networks[J].IEEE Journal on Selected Areas in Communications, 2012, 30 (2) :297-306.

[5]Hinchey M G, Sterritt R, and Rouff C, Swarms and Swarm Intelligence[J].Computer, 2007, 40 (4) :111-113.

[6]Zhang Z, Long K, Wang J, et al.On Swarm Intelligence Inspired Self-Organized Networking:Its Bionic Mechanisms, Designing Principles and Optimization Approaches[J].Communications Surveys&Tutorials, IEEE, 2013, PP (99) :1-25.

[7]李晓磊, 邵之江, 钱积新.一种基于动物自治体的寻优模式:鱼群算法[J].系统工程理论与实践, 2002, 22 (11) :32-38.

[8]Wei W, Fengjun H, Chao X, et al.Multi-objective Optimal Power Flow calculation based on the improved Artificial Fish Swarm Algorithm[C].2012 China International Conference on Electricity Distribution.Shanghai, China, 2012:1-5.

协作频谱感知 篇4

无线通信业务的增长，高速数据传输要求的加剧，频谱资源分配的不合理等因素造成如今的无线通信频谱资源越来越紧张的局面。认知无线电(CR,cognitive radio)概念[1]的提出，给出了一种解决频谱资源紧张的有效办法。在认知无线电中，认知(CR)用户可以采用动态的频谱接入技术[2]，使用空闲主用户(Primary)的频段进行通信，但是要求不能对主用户造成干扰，也就是说一旦检测到主用户就立即进行频谱切换，让出频谱资源给主用户使用。因此，快速准确的频谱感知技术，是认知无线电的基础和前提[3,4]。

频谱感知是获取主用户频谱信息，检测频谱空穴的重要技术。由于单认知用户检测存在隐藏终端、多径衰落和阴影效应等影响[5]，检测结果不准确，因此多认知用户的协作频谱的概念被提出。协作频谱感知是利用感知信息的融合，采用融合准则进行判定，能够大大提高对主用户和频谱空穴的检测性能[6]。

目前的协作频谱感知技术，没有考虑差异性，如:地理位置、信道环境、平均信噪比、单认知用户局部判决等因素，认知用户等权重感知，因此检测性能受到一定的制约，不是最优[6]。

基于上述问题，本文提出一种最优线性加权的频谱感知技术，它根据单认知用户处在不同的信噪比下，动态地赋予每个认知用户不同的权重，融合中心以不同的权重作出判决，从而可以提高频谱感知的性能。

1 频谱感知能量检测模型

1.1 单认知用户频谱感知检测模型

认知无线电的频谱感知方法主要有:匹配滤波器检测、能量检测、循环平稳特性检测等[7]。能量检测属于非相干检测，具有对相位同步要求不高、计算复杂度低、检测时间短、实现简单等优点。因此，单认知用户的频谱感知通常采用能量检测的方法[8]。

能量检测基本假设模型可以描述为:

H0表示无主用户;H1表示存在主用户。

其中，y(t)表示认知用户接收到的信号，x(t)为主用户发射信号，n(t)为加性高斯白噪声(AWGN),h(t)为信道增益。

假设无主用户(H0条件下)，检测结果的均值与方差分别为μ0和σ02;存在主用户(H1条件下)，检测结果的均值与方差为μ1和σ12。给定检测门限值K，对主用户的检测概率Pd和虚警概率Pf分别可得:

其中，，高斯Q函数。

1.2 常用协作频谱感知检测模型

假设有多个认知用户参与合作，融合中心将接收到的所有判决信息累加起来即可得到协作感知结果。各个认知用户获取感知信息，采用融合准则进行判决。系统的检测性能随门限的选取和数据融合准则的不同而不同[9]。

(1)AND规则判决

AND规则判决也称为“与”逻辑合并，表示所有参与检测的认知用户都作出授权信号的存在判断时，才判定存在;否则判定不存在。

系统检测概率Qd和虚警概率Qf分别为:

(2)OR规则判决

OR规则判决也称为“或”逻辑合并，表示所有参与检测的认知用户只要有一个作出授权信号的存在判断时，就判定存在。

系统检测概率Qd和虚警概率Qf分别为:

(3)K秩规则判决

K秩判决:假设感知用户数为N，对授权用户做出判决的感知用户数大于K时，判定存在。

系统检测概率Qd和虚警概率Qf分别为:

2 最优线性加权的协作频谱感知

2.1 检测模型

多天线线性加权协作频谱检测算法[10]的模型框图如图1所示。

频谱感知过程为首先每个天线单独进行能量检测，然后送到融合中心根据各个天线检测到的功率进行综合判定检测门限Th，最后根据检测判定门限确定虚警概率和检测概率。

假设每根分支天线都采用基于能量检测的方法进行检测，线性加权合并后的检测统计量Yc为:

式中，。分析可得Y分别在H0和H1假设下的期望与方差:

式中，σ=[σ2，…，σ2]T

因此，线性加权检测统计量Yc的检测概率Pd和虚警概率Pf的表达式为:

Th为检测门限值，给定检测门限值即可确定检测概率与虚警概率，不同条件下选择不同的检测门限值进行判定。

2.2 检测算法

为了得到检测概率取最大值时的w，首先需要根据式(14)得到检测电平，然后将Th代入到式(7)中，有:

在信号检测领域，一般都希望检测概率越大越好，而虚警概率越小越好。因此，只讨论Pd>1/2且Pf<1/2时的最优加权系数的求解方法。

。同时Q-1(Pf)>0。设w0为一个大于0的常数，进行变量替换，令z=w/w0，则使检测概率最大的最优化问题变为:

令，则最优化问题变为:

可以看出，式(17)为关于r的凸规划问题。假设其最优解为r0，则最优化问题的解为:

按照wopt的值设置各分支天线的加权系数，就可以保证检测统计量Yc的检测性能最优。

3 系统仿真与分析

在AWGN信道非衰落环境下，进行仿真。分别选取单用户、3用户、5用户加权检测，仿真图形如图2所示，由图可知在相同的检测概率下，用户数愈多，虚警概率愈小，说明频谱感知愈准确。

在AWGN信道非衰落环境下，用于协作感知的认知用户数为5个，在相同的信噪比-8dB下，从仿真图3中可以看出，采用传统的均值权重的协作感知方法，其性能有时甚至还小于信噪比高的单认知用户检测的性能，采用线性加权协作感知，感知性能明显提高。

4 结束语

本文在分析单用户能量检测的频谱感知技术基础上，引出目前广泛采用的协作频谱感知技术。接着对简单的3种协作频谱感知技术(AND、OR、K秩)进行了介绍，引出一种基于最优线性加权的协作频谱感知技术。给出其检测模型和算法分析，并在AWGN信道非衰落环境下进行了信道模拟仿真。仿真结果表明:最优线性加权协作频谱感知能够有效地提高检测概率，提高空闲频谱的利用率。频谱感知是认知无线电的核心问题，虽然本文提出了一种新的协作频谱检测方法并进行了仿真验证，但实际应用中仍有很多问题尚未解决，后续要从各方面进一步探索研究。

摘要：频谱感知是检测频谱空穴,实现动态频谱接入的前提和关键。单认知用户检测存在阴影效应和多径衰落等影响,检测效果较差。多用户协作频谱感知是目前频谱感知的主要手段。文中针对常用的协作频谱感知方法的不足,提出一种基于最优线性加权的协作频谱感知方法,对其检测模型与检测算法进行分析,并进行仿真。仿真结果表明,最优线性加权协作频谱感知在相同的条件下相比常用协作频谱感知具有更大的检测概率,更优良的检测性能。

关键词：认知无线电,频谱感知,能量检测,线性加权

参考文献

[1]Mitola J.Cognitive Radio:An Integrated Agent Architecture for SoftRoyal Institute of Technology(KTH),2000.

[2]王晓芳,王晓斌,金明录.认知无线电中一种改进的频谱感知算法[J].通信技术,2011,44(9):7-9.

[3]李鹏,俎云霄.一种新的认知无线电频谱感知方法[J].通信技术,2009,42(12):38-42.

[4]Haykin S.Cognitive Radio:Brain-empowered Wireless Communications[J].IEEE Journal on Selected Areas in Communications,2005,23(2):201-220.

[5]Ganesan G,Li Y.Cooperative Spectrum Sensing in Cognitive Radio Networks[C]//Dy SPAN New Frontiers in Dynamic Spectrum Access Networks.Baltimore,MD,USA:IEEE,2005:137-143.

[6]王慧芳.认知系统中多天线协作频谱感知方案[J].通信技术,2013,46(7):19-21.

[7]Digham F F,Alouini M S,Simon M K.On the Energy Detection of Unknown Signals Over Fading Channels[J].IEEE Transactions on Communications,2007,55(1):21-24.

[8]Huang X,Han N,Zheng G,et al.Weighted Collaborative Spectrum Sensing in Cognitive Radio[C]//Communications and Networking in China,2007.Shanghai:IEEE,2007:110-114.

[9]Lee J,Kim Y,Sohn S,et al.Weighted-cooperative Spectrum Sensing Scheme using Clustering in Cognitive Radio Systems[C]//Advanced Communication Technology,2008.Gangwon-Do:IEEE,2008:786-790.

协作频谱感知 篇5

由于传统的无线网络采用固定频谱分配政策的频谱利用率非常低,由此,研究人员提出了认知无线电(Cognitive Radio,CR)技术[1]。其基本思想是:在不对占用频谱的主要用户(Primary User,PU)产生干扰的前提下,使次级用户(Secondary User,SU)通过择机的方式接入暂时空闲的PU频段,以提高频谱利用效率[2]。目前,认知无线电网络(CRN)中的研究大多集中于协作频谱感知(Cooperative Spectrum Sensing,CSS),在复杂的无线电环境条件(如重阴影和深多径衰落)下改善CR的检测性能。然而,通过CSS改善检测性能的同时会导致通信开销(即带宽需求)增加。为此,基于簇的频谱感知(CBSS)被用来最小化开销,改善传统CSS的检测性能[3]。此外,基于簇的方案还被用于减少传感延迟和避免控制信道的拥塞。

在传统的基于簇的协作频谱感知系统中,将认知无线电网络划分为簇,每个簇都包含一个簇头(CH)和多个簇成员(CM),其中CH为具有最大信道增益的CR[4]。目前,学者提出了多种基于簇的CSS方案,例如文献[5]提出了在非理想信道下基于CSS的一个传统簇,使用OR规则作为聚合规则。相比于集中式的协作频谱感知系统,有效提高了传感性能。然而,其并没有考虑频谱效率。文献[6]采用K-out-of-N规则(即少数服从多数规则)提出一种传统CBSS方案,同时为大量CR提出了快速频谱感知算法以及最优感测阈值。文献[7]提出一种基于多簇多分组(MCMG)的CSS算法,其将每个簇划分为多个分组,每个分组都有一个组头,组头根据组成员的检测作出组决策,然后将其报告给CH,CH使用K-out-of-N规则对组头发送的信息进行聚合。然后,CH向聚合中心(Fusion Center,FC)报告其簇决策。最后,由FC作出PU存在的最终决策。然而,这些方案只考虑检测率作为优化目标,其没有考虑到系统的能耗和吞吐量。

为此,本文提出一种基于多层分簇的协作频谱感知算法,对认知无线电网络进行多层分簇,将每个簇划分为组,每个组划分为子组,通过投票机制和K-out-of-N规则对各级决策进行聚合。同时提出一种优化方法,优化多层分簇结构参数和决策阈值。本文通过多层分簇结构减小报告CR的数量,在满足检测率的要求下,最大限度地减少报告信道开销,增加网络吞吐量。实验结果表明,本文算法获得了较优的检测率和较低的开销。

1 网络模型

1.1 多层分簇CR网络模型

在本文所提出的模型中,设定PU为静态的。将具有N个CR的簇划分为M个组,每个组再被划分为R个子组,每个子组包含H个CR,即构成了3层结构。每个组和子组分别具有组头GH和子组头SGH。模型如图1所示。将具有最大的报告信道增益指定为组头,注意,最靠近FC的CR具有最大的报告信道增益,FC负责构建簇和确定CH。

1.2 PU决策模型

在每个子组中,H个CR分布于彼此靠近的一个小区域内,接收信号强度的变化很小,且所有CR处于几乎相同的无线电环境条件下(路径损耗、衰落和阴影)[8]。因此,子组选择聚合作为聚合规则,以减少报告CR的数量,节省报告功耗,子组内的CR无需向SGH报告其观测。SGH仅通过投票从其子组成员接收到的信号中做出本地决策,然后将其转发到它的组头。在每个组中,GH从SGH收集聚合观测,使用K-out-of-N规则将其进行聚合,然后向CH报告其组决策。随后,CH根据从GH收集到的决策,使用K-out-of-N规则作出簇决策。最后,FC从CH收集决策,并使用K-out-of-N规则将其聚合,做出关于PU存在的最终决策。

PU存在性检测中,定义:

H0(空闲信道):

H1(占用信道):

式中:Hi,i=0,1,分别表示PU不存在和存在;y(n)为传感器接收到的信号;x(n)为PU发射的信号,n=1,2,⋯,L,L为样本总数;h为传感器和PU之间的信道增益。PU存在检测器框图如图2所示。

PU存在检测器M(y)的检验统计量定义如下:

检测率Pd和虚警率Pf的定义分别为:

式中:λ为阈值;P表示概率。

假设x(n)为一个复数相移键控(PSK)信号,w(n)为一个独立同分布的循环对称复数高斯(CSCG)噪声,则第i个传感器的检测率和虚警率可以近似为:

式中:σw2为噪声方差;γi为第i个传感器的SNR;Q(·)为Q-函数。实际上,CR和PU之间的感测信道可能因为一些障碍(建筑物、树木等)而存在阴影和衰落[9]。为了简单起见,假设感测信道经历瑞利衰落。瑞利衰落信道中,接收信号的信噪比γi指数变化如下:

式中:为第i个传感器的平均SNR。

设定Hj表示第j个子组中具有H个CR,则衰落概率密度函数定义如下[10]:

式中:γmax,j为第j个子组接收的最大SNR。

为了简化模型的数学分析,假设簇中所有的CR使用相同的阈值,该阈值通过虚警率预定义概率计算而得,所有CR的SNR为常量或逐渐变化,且所有的CR足够接近以使传输误差可以忽略不计。

包含Hj个CR的第j个子组,SGH对从其子组成员接收到的信号进行投票,并根据其中的最大值γmax,j作出决策。SGH的检测率Pd SGH的计算公式为:

式中:Pd SGH为采用自适应高斯-Kronrod正交法的数值计算。当SGH作出决策时,将其观测通过信道转发到GH。

1.3 信道模型

对于信道需要考虑两种不同情况:理想报告信道和非理想报告信道。

理想信道(无误差):包含R个子组的第n个组,采用K-out-of-N规则,检测概率qd G和虚警率qf G的计算公式分别如下:

式中:对于大多数规则。

对于包含M个组的簇,采用K-out-of-N规则,总体检测率Qd和虚警率Qf的计算公式分别如下[11]:

式中:对于大多数规则。

非理想信道:在这种情况下,假设瑞利衰落信道的概率密度函数由式(4)给出。为了简化起见,假设SGH采用二进制相移键控信道报告其观测,误码率为,其中,ξmax,j为第j组的最大控制信道增益。因此,在瑞利信道上的平均传输错误率为[12]:

包含R个子组的第n个组,检测率qd G和虚警率qf G的计算公式分别见式(6)和式(7)。

对于包含M个组的簇,总体检测率Qd和虚警率Qf的计算公式分别如下:

式中:对于大多数规则,。βd,βf的定义分别如下:

聚合观测值后,CH向FC转发簇决策,用于做出PU存在性的最终决策。

1.4 性能优化

可以通过以下两种方式提高检测性能:通过优化聚合规则和阈值最大限度地降低总体检测错误率φe;通过优化报告时间和感测时间提高吞吐量。

通常情况下,每个CRN的时间帧结构T被划分为两个时隙:感测时隙Ts和数据传输时隙Td,如图3所示。感测时隙Ts由感测时隙τs和总报告时间Tr构成。在数据传输时隙Td内,CR在信道空闲时发送其数据[13,14]。帧时间T=Ts+Td,其中,Ts=τs+Tr。

需要注意的是,每个报告CR需要时间τr转发本地观测,m个报告CR的总报告时间Tr=mτr。通常情况下,检测阶段结束后,每个组的SGH连续地向GH报告他们的观测。GH聚合SGH的观测,然后同样连续地向CH报告他们的观测。单个CR的控制信道开销由时间带宽积Bτr决定,其中B为CR在报告时间τr内通过报告信道转发其数据所需的带宽。因此,m个报告CR的总开销为m Bτr。显然,随着m的增加,开销也增加。然而,传输时间Td减少。因此,吞吐量降低。

m个报告CR的归一化平均吞吐量为:

2 提出的优化算法

2.1 聚合规则的优化

根据上文描述,本文总体检测错误率φe的计算公式为:

式中:Qm为漏检测概率,定义为Qm=1-Qf。

本文优化问题可以表示为:

对于给定的M和R,最优ki的计算公式为:

因此:

为了获取最优M,求解方程:

由于式(21)是一个超越方程,因此很难找到一个近似表达式求解M。此外,也很难获取最优R。因此,本文将优化问题修正为求近似最优解M和R:

式中:β反映了频谱利用率,且通常。如果同时满足两个条件(即最大化Qd并保持Qf低于一定值β),那么φe将为最小值。本文提出了一种迭代算法确定理想的M和R,算法步骤如算法1所示。

算法1:求近似最优解M和R

在步骤6中,i1=max(Qd),i2为max(Qd)的下标。当N为素数时,N可以被分为两组,N=p+n1,其中,n1=m1×r1×h1,p为一个较小的素数(例如,17=1+16)。那么,m1,r1,h1可以使用上述算法求得。整体检测性能可以通过聚合两个组的决策获得。

2.2 聚合阈值的优化

文献[6]介绍了采用K-out-of-N聚合规则的传统CBSS算法的阈值优化。文献[15]为集中式CSS的单信道和多信道,提出一种可用于所有传统聚合规则(即,OR,AND和K-out-of-N)的最优阈值,但其不考虑报告错误。本文算法中考虑了报告错误,提出的最优阈值计算公式如下:

最优阈值λopt由以下公式确定:

式中:。素数符号表示x关于λ的第一部分倒数。的计算公式为:。

3 实验及分析

构建仿真实验,以吞吐量和报告开销为性能指标,比较不同方案的检测性能。实验中,将本文算法与另外两种算法进行比较,即文献[6]中的传统CBSS方法和文献[7]中的MCMG算法。设置采样频率fs=6MHz,比特率Rb=250Kb/s和时间帧T=10ms。

对于包含24个CR的簇,设定参数β=0.01。本文使用迭代算法选择在某些无线电场景下,多层分簇中组和子组的近似最优数量(M和R),如表1所示。

表1显示了对于包含24个CR的簇,信噪比为3 d B(即γ=3 d B),报告信道增益ξ=1 d B,执行本文迭代算法所获得的结果。可以看出,表1中的第3个组合中,所获得的Qd较大且Qf较小,所以该参数组合为最优解。

本文算法采用上述获得的最优参数值,与其他两种算法的整体检测率比较结果如图4所示。可以看出,本文算法的检测率优于文献[6]和文献[7]算法,尤其是在低信噪比的环境下。在高信噪比环境下(即γ2d B),整体检测率几乎相同。

表2给出了三种算法的报告开销,相比于文献[6],本文算法和文献[7]算法都能大大降低报告能耗,其中,本文算法的能耗最低,节约率达到78%。

对于具有18个CR的簇,设定,使用迭代算法获得M和R的最优值分别为3和2。三种算法的整体检测率如图5所示。可以看出,本文算法能够提供更好的感知性能。此外,表3给出了报告开销对比结果。可以看出,相比于文献[6]算法,本文算法节约了大概70%的报告能耗,而文献[7]算法节约了大概53%的报告能耗。

图6描述了在簇中包含24个CR场景下,三种算法的最大归一化吞吐量与检测率约束的关系。可以看出,本文算法优于其他算法,与文献[6]和文献[7]算法相比,平均吞吐量分别提高了5%和1.5%。

4 结语

协作频谱感知 篇6

一、认知无线电频谱感知的监测方法

1.1认知无线电频谱感知的基本检验方法

匹配谐波、能量、循环平稳特征是认知无线电频谱监测的基本方法。匹配滤波器监测方法是已汇总相干监测方法, 能接收加大的信号噪声比, 并对信号进行迅速的增益处理, 但是这种监测方法对相位同步有着较高的要求。能量监测方法是认知无线电频谱感知中常用的手段, 具有简便和迅速的优势, 是一种非相干监测的技术, 但是存在信噪比较低时局限性较大的缺陷。循环平稳特征监测, 这种方法能够有效区分信号和噪声, 适于调制信号的循环平稳特性来进行频谱监测, 同时也存在着计算复杂、监测时间过长等劣势。

1.2认知无线电频谱感知的多天线与协同监测方法

一是, 似然比监测, 似然比监测的实质是比较在有约束条件下的似然函数最大值与无约束条件下的似然比函数最大值, 从而进行监测判决, 似然比监测可以使统计检验的监测概率最大, 但似然比函数监测需要知道信道增益和噪声分布等信息, 特别需要对授权用户信号的特点和分布需要及时掌握, 所以难度较高。三是, 空间相关性监测, 空间相关性监测考虑了各个天线接收端信号的差异, 性能要优于传统的能量监测法。三是, 协作监测, 这是一种多个认知用户分布在不同地点时, 通过协作对大范围的频谱进行监测, 从而获得更加可靠的监测性能。

二、认知无线电频谱感知技术在频谱管理中的应用要点

2.1窄带噪声的控制

从一个特定频段提取信号时, 需要用到一个或多个数字或模拟的窄带滤波器。只有当滤波器是理想的时候, 信号才能被准确地提取出来从而被精确地量化, 离散的噪声样本才能是独立同分布的。

2.2寄生信号的干扰

认知用户接收端接收到的信号可能不仅含有授权用户信号和噪声信号, 还含有其他杂散信号, 这会导致判决时的虚警概率升高, 进而使频谱利用率下降。

2.3截断认知无线电频谱感知误差

由于硬件的设计原因, 很多方法在硬件上都是采用定点运算来实现, 这会造成截断误差的产生, 从而限制监测方法的精度。一种好的监测方法应该对这种不可预见的误差有较强的健壮性。

2.4实现认知无线电频谱宽带的感知

由于认知用户本身对频谱使用权较低, 通常认知无线电设备可能需要监听很大一段频率范围, 以寻找最好的可用频带来进行信号传输, 因此需要在超宽带无线射频前端和高速的信号处理设备, 以采用提高采样速率面的形式实现无线电频谱宽带感知。

三、结语

综上所述, 为了解决无线电频谱资源固定、僵化的问题, 预防频段匮乏现象的发生, 现代无线电通信行业提出了认知无线电频谱感知技术, 这一技术具有高度的自动化和智能化特点, 特别对于频谱管理工作来说有重要的价值和作用。实际中我们应该通过关键的认知无线电频谱感知技术的应用, 取得突破, 进而达到推进认知无线电频谱感知技术普及进度和强化频谱管理工作的目的。

参考文献

[1]韩昭芳, 蒋挺, 赵成林, 周正.一种优化的认知无线电频谱感知策略[J].无线电工程, 2011 (05)

[2]许建霞, 刘会衡, 刘克中.基于能量检测的频谱感知技术研究与仿真[J].武汉理工大学学报 (交通科学与工程版) 2011 (03)

[3]胡首都, 郭龙, 仵国锋.一种认知无线电系统频谱分配和频谱感知联合设计[J].信息工程大学学报, 2011 (02)

[4]梁红玉, 陈宏滨, 赵峰.认知无线电协作频谱感知技术综述[J].广西通信技术, 2011 (02)

认知无线电的频谱感知技术研究 篇7

随着无线通信业务的增长,可利用的频带日趋紧张,频谱资源匾乏的问题日益严重。世界各国现行的频率使用政策除分配极少的ISM频段之外,大多采用许可证制度。而获得许可的用户,并非全部都是全天候占用许可频段,一些频带部分时间内并没有用户使用,另有一些偶尔才被占用,即使系统频谱使用率低,仍无法将空间的频谱分配给其他系统使用,即无法实现频谱共享。怎样才能提高频谱利用率,在不同区域和不同时间段里有效地利用不同的空闲频道,成为人们非常关注的技术问题。为了解决该问题,Joseph Mi tola于1999年在软件无线电的基础上提出了认知无线电(Cognitive Radio,简称CR)的概念[1],要实现动态频谱接入,首先要解决的问题就是如何检测频谱空穴,避免对主用户的干扰,也就是频谱感知技术。CR用户通过频谱感知检测主用户是否存在,从而利用频谱空穴。

1 匹配滤波器检测(Matched Filtering)

匹配滤波器是一种最优的信号检测法,因为在输出端它能够使信号的信噪比达到最大。匹配滤波器最大的优点就是能够在短时间里获得高处理增益。但是使用匹配滤波器进行信号检测必须知道被检测的主用户信号的先验知识,比如调制方式、脉冲波形、数据包格式等,如果这些信息不准确就会严重影响其性能,同时匹配滤波器计算量也较大。因此它可以用来检测一些特定的信号,但是每类主用户认知无线电都要有一个专门的接收器,这就增加了系统的资源耗费量和复杂度。

2能量检测(Energy Detector-Based Sensing)

能量检测是一种较简单的信号非相干检测方法。根据基本假设模型,在高斯加性白噪声(AWGN)信道情况下,采用能量检测法进行主用户信号检测的性能。在AWGN信道非衰落的环境中,可知信道增益h是确定的。在H1下,当接收到的信号超过判决门限λ时,判断主用户信号存在。在H0下,当接收信号超过判决门限时,则会作出错误的判断。分别用Pd和Pf,来表示检测到主用户的概率(检测概率)和错误判断警报的(虚警)概率,对H.Urkowitz[2]的研究结果进行简化,可以得到通过无衰落的AWGN信道检测的概率和虚警概率的近似表达式为

其中:Y是信噪;σ是一个正数;r(),Γ(,g)是方差;是完整和不完整Gamma函数;Qm是普遍马库姆(Marcum)函数,其定义为

Im-1(g)是第m-1阶修正贝塞尔函数。

由公式(1)可以看出如果Pd很低,将会导致不能检测主用户信号的概率很大,这样反过来就增加了对主用户的干扰。如果Pf过高,则错误警报会使认识无线电用户错过许多频谱利用的机会,导致频谱利用效率低下。为了提高能量检测的可靠行,最近关于这方面的研究主要集中在能量检测器上[3,4,5]。

3 静态循环特征检测

静态循环特征检测是通过利用接收信号的静态循环特征来检测主用户的。静态循环特征检测除了复杂度较高外,可以克服匹配滤波器检测和能量检测的缺点。调制后的主用户信号一般会有载频、跳频序列、循环前缀等,从而使信号有内在的周期性。若信号的均值和自相关函数呈现周期性,且周期与信号的周期相同,则称其是静态循环的。我们可以通过分析信号谱相关函数中循环频率的特性来确定主用户信号是否存在[6]。谱相关函数中,零循环频率处体现信号的平稳特征,非零循环频率处则体现信号的静态循环特征。因为噪声是平稳的,在非零循环频率处不呈现频谱相关性,而主用户信号是静态循环的,在非零循环频率处呈现频谱相关性。因此可以判定,若非零循环频率处呈现频谱相关性,说明存在主用户信号;若仅在零循环频率处呈现频谱相关性,则说明只存在噪声,主用户信号不存在。静态循环特征检测无需知道信号的先验信息而且能够区分噪声和有用信号,可以摆脱背景噪声的影响,因此与上述两种主用户发射端检测算法相比对信号有较好的检测性能。但是,静态循环特征检测计算的复杂度高,所要求的观测时间较长。

4 合作检测

无线环境中,信号传输会受到阴影、多径等因素的影响,感知用户的本地频谱检测不能满足所要求的可靠性及快速性;更甚者,感知用户受到严重阴影的影响时,会发生漏检,从而会对主用户系统造成干扰。为此,需要同频段上不同感知用户之间进行协同,提高检测的可靠性以及快速性。合作检测可分为中心式和分布式两种协同方式。

4.1 中心式检测

中心式检测指认知无线电基站收集各认知无线电设备感知到信息,探测可用频谱,然后广播该信息给其它认知无线电设备或者直接控制认知无线电通信。该感知结果由称之为AP的接入点收集,目的是减轻信道衰落影响,增强检测效果。研究软硬信息汇总方式是为了减少错失机会的概率。文献[7,9]表明,在错失机会概率方面,软信息相结合优于硬信息相结合的方法。

4.2 分布式检测

多径衰落和阴影衰落都会影响单一检测器的检测性能。由于所有检测器都位于深衰落的概率非常低,研究者倾向于采用分布式感知方法来提高检测性能和可靠性,从而降低对单一检测器的苛刻要求。在分布式感知技术中,为了达到良好的检测性能,往往需要较高的控制信道带宽。虽然量化将引入额外的噪声和信噪比的降低,但却是一种降低带宽需求的有效手段。研究表明:2-3Bits量化不会引入明显的性能损失,而采用1Bit量化(决策)时,随着参与分布式感知的用户数趋向于无穷大,其性能也是渐进最优的。

5 本振泄露功率检测

主用户接收机工作时,接收的高频信号经过本地振荡器后,会产生特定频率的信号,一些信号不可避免的从天线泄露出去,该方法就是通过检测有无泄露信号来判断主用户是否在工作[10]。然而,CR用户直接检测LO泄漏并不可行,这是由于LO泄漏能量通常很小,而且LO泄漏能量随接收机模型和LO的生产指标不同而不同,这些变化因素将导致CR用户检测错误率增加。为解决这一问题,在应用中,将小而低成本的传感器安置在接收端,当传感器检测到本振泄漏功率时,会以特定的功率通过一个特殊的控制信道感知用户。

6 基于干扰温度的检测

干扰温度是美国联邦通信委员会(FCC)提出的一个新概念。它是感知用户在检测出频带内已有通信的基础上预测的自己的传输将对主用户接收机产生的干扰。干扰温度模型被定义为每单位带宽里未经授权的发射机RF功率与接收机系统噪声功率之和,是建立在实际的RF环境中以及发射机和接收机交互的基础之上的,充分考虑了所有干扰的累积效应。干扰温度可以用下式来表示:

其中Ps未经授权的发射机RF功率(单位是W),P0为接收机系统噪声功率(单位是W),K为常数,等于1.38*10-23 (单位是焦耳/绝对温度),B为信号带宽(单位是Hz)。

干扰温度的准确测量需要感知用户对主用户系统进行准确的定位。只要感知用户造成的干扰温度不超过干扰温度限,感知用户通过调整自己的参数(如发射功率、调制方式等)就可以使用这个频段中的频谱空洞[11]。但是该方法不能保证对主用户系统的有力保护,特别是处于边缘接收的主用户接收机就很容易受到感知用户的干扰。

7 结束语

认知无线电具有使频谱得到充分利用的潜能,但前提是必须保证这个频率上的已授权用户的使用不受影响,其中关键技术之一就是频谱感知技术。本文就认知无线电的一些频谱感知技术进行了讨论,随着其相关技术的成熟,该技术将会成为未来最热门的无线技术,并且给未来的频谱使用策略带来革命性变化。

参考文献

[1]Mitola J.Cognitive radio:Making software radios more Personal IEEE Pers.Commun, Aug.1999.6(4):13-18.

[2]Haykin S.Cognitive Radio:Brain-Empowered Wire-less Communications.IEEE Journal on Selected Areas in Communications February 2005.23(2):201-220.

[3]Cabric D.Implementation Issues in Spectrum Sensing for Cognitive Radios.Signals systems and Computers,2004.Conference Record of the Thirty-Eighth Asilomar Conference,2004.1:772-776.

[4]Kolodzy P J.Interference temperature:a metric for dynamic spectrum utilization. International journal of Network Management, 2006.16:103-I13.

[5]Gardner W A.Signal Interception:A Unifying Theoretical Framework for Feature Detection. IEEE Trans.On Communications,August 1988.36(8):897-906.

[6]Gabric D,MishraS M,Brodersen R W.Implementation issues in spectrum sensing for cognitive radios,in Proc.38th Asilomar Conference on Signals.Systems and Computers 2004. Nov 2004:772-776.

[7]Ghsemi A,Sousa ES.Collaborative spectrum sensing for opportunistic access in a fading environment,in Proc.IEEE DySPAN 2005.Nov 2005:131-136

[8]Cabric D,Tkachenko A,Brodersen R W.Spectrum Sensing Measurements of Pilot,Energy,and Collaborative Detection.IEEE Military Communications Conference(MILCOM),Oct.2006

[9]Cordeiro C,Challapali K,Birru D,etal.IEEE 802.22:the first worldwide wireless standard based on cognitive radios.In Proc.IEEE DySPAN 2005.Nov 2005:28-337

[10]Wild B,Ramchandran K.Detecting primary receivers for cognitive radio applications. in Proc.IEEE DySPAN 2005.Nov 2005:124-130