CN101499859A - 本地、中心检测信号的方法及本地、中心检测装置 - Google Patents

Abstract

本发明实施例中公开了一种本地检测信号的方法，该方法包括：根据本地节点对应的量化阈值，对待检测信号对应的检测统计量进行量化，得到量化结果，所述量化结果用于判决所述待检测信号是否为有效信号。本发明实施例中还公开了一种中心检测信号的方法，该方法为：获取本地节点的量化结果，所述量化结果为对检测统计量进行量化后，得到的结果；根据所述量化结果，得出表征待检测信号是否为有效信号的全局判决结果。本发明实施例中另外公开了本地检测装置和中心检测装置。应用本发明实施例能够方便、简单地提高检测性能。

Description

本地、中心检测信号的方法及本地、中心检测装置

技术领域

本发明涉及检测技术领域，特别涉及一种本地检测信号的方法、中心检测信号的方法、本地检测装置和中心检测装置。

背景技术

在无线传感器网络及认识无线电(Cognitive Radio，CR)等通信领域中，在对有效信号进行检测时，常采用分布式检测方式，由至少一个本地节点对待检测信号进行检测，在本地得到一个检测统计量，然后向中心节点上报，由中心节点根据各个检测统计量，得出一个“待检测信号是否是有效信号”的全局判决结果。比如，在CR网络中，为了提高频谱利用率，具有认知功能的无线通信设备可以按照某种“伺机(Opportunistic Way)”的方式工作在已授权的频段内。这里，已授权用户也可以称为主用户(Primary User，PU)。因此，CR系统需要检测目标频段上是否存在PU信号，以便为认知无线电提供未被PU占用的可供CR系统接入的候选频道。

通常，这种实现分布式检测信号的系统包括本地节点和中心节点，本地节点用于根据本地检测算法得到有效信号是否存在的本地判决结果或者得到用于判决的待检测信号的检测统计量，中心节点用于融合各个本地节点的本地判决结果或检测统计量得到最终判决，从而判断出是否存在有效信号的检测结果。比如，目前检测PU信号的频谱感知技术可以分为单节点感知和协同感知两大类，在协同感知中，按传输开销的不同可以分为两类：一种是各本地检测节点做出“PU信号是否存在”的本地判决后，将本地判决结果传送至中心节点，然后由中心节点采用“与”和“或”准则，对各个本地节点进行数据融合，得出“是否存在PU信号”的全局判决结果。由于本地节点只提供1比特的判决结果，无法提供更多信息，比如，用于判决的能量信号等，因此该协同方案的性能有限。这种方案适用于系统对传输开销要求很严格的情况。第二种是各本地检测节点不做判决，将检测到的部分或全部连续数据传送至中心节点，比如待检测信号的能量数据，然后，中心节点可以采用参考文献[1]“一种基于可靠度的分布式频谱检测方法”(专利申请号：200610020800.5)中提到的“D-S”证据理论等方法进行数据融合，或采用参考文献[2]“信号检测和估计”(M.Barkat.“Signal detection and estimation.Second edition”，Artech House，Inc.2005)中提出的贝叶斯准则进行数据融合，做出综合判决得到一个全局判决结果。这种方法检测性能较好，但由于传输检测数据的动态范围较大，因而传输开销往往很大，在实际中较难实现，因而实际应用的可能性不大。

可见，目前检测信号的方法，还不能有效地提高信号检测性能。

发明内容

本发明实施例提供一种本地检测信号的方法，该方法能够有效地提高信号检测性能。

本发明实施例还提供一种中心检测信号的方法，该方法能够有效地提高信号检测性能。

本发明实施例另外提供一种本地检测装置，该本地检测装置能够有效地提高信号检测性能。

本发明实施例另外提供一种中心检测装置，该中心检测装置能够有效地提高信号检测性能。

为达到上述目的，本发明实施例的技术方案具体是这样实现的：

一种本地检测信号的方法，该方法包括：

根据本地节点对应的量化阈值，对待检测信号对应的检测统计量进行量化，得到量化结果，所述量化结果用于判决所述待检测信号是否为有效信号。根据对每一个所述检测统计量量化后的量化结果，得出表征所述待检测信号是否为有效信号的全局判决结果。

一种中心检测信号的方法，该方法包括：

获取本地节点的量化结果，所述量化结果为对检测统计量进行量化后，得到的结果；根据所述量化结果，得出表征待检测信号是否为有效信号的全局判决结果。

一种本地检测装置，该本地检测装置包括：

检测器，用于检测得到在所述本地节点中待检测信号对应的检测统计量；

量化器，用于根据预先确定的量化阈值，对所述检测器得到的所述检测统计量进行量化。

一种中心检测装置，该中心检测装置包括：

获取模块，用于获取本地检测装置的量化结果，所述量化结果为对待检测信号对应的检测统计量进行量化后，得到的量化结果；

执行模块，根据所述获取模块得到的量化结果，得出表征待检测信号是否为有效信号的全局判决结果。量化器，用于根据预先确定的量化阈值，对所述检测器得到的所述检测统计量进行量化。

由上述技术方案可见，本发明实施例提供的本地、中心检测信号的方法及本地、中心检测装置，通过对每一个本地节点的检测统计量进行量化，能够调整向中心节点传输的比特数，向中心节点提供较多的检测统计量信息，因而能够有效地提高检测性能。

附图说明

图1为本发明实施例中检测信号的系统结构示意图；

图2本发明实施例一中检测信号的方法流程示意图；

图3为本发明实施例二中检测信号的方法流程示意图；

图3-1为本发明实施例二中步骤三的流程示意图；

图4为本发明实施例中本地检测装置的结构示意图；

图5为本发明实施例中中心检测装置的结构示意图；

图6为错误概率和本地检测节点数量的关系曲线图；

图7为错误概率和本地检测节点数量的关系曲线图。

具体实施方式

以下参照附图并举实施例，对本发明作进一步详细说明。

图1为本发明实施例中检测信号的系统结构示例图。如图1所示，该系统包括：至少一个本地节点和一个中心节点，在本地节点和中心节点之间通过信道相联。这里，本地节点可以是在本地实现检测的物理实体，而中心节点则集中至少个本地节点的检测结果的特理实体。其中，本地节点包括：用于在本地对待检测信号进行检测的检测器和对检测器得到的检测统计量进行量化的量化器；而中心节点包括：用于根据来自各本地节点的量化结果，估计各本地节点似然比的估计器和对各个估计器得到的似然比及各量化结果进行融合的执行模块。

在本实施例检测信号的系统中，本地节点中的量化器对本地检测后的判决数据做进一步压缩，用Q(·)表示量化器的量化过程，表示为公式(1)：

Q(x)＝v_l，iff x∈Δ_l，l＝1，2，…，q     (1)

其中，iff的含义为当且仅当，x表示被量化的数据，v_l表示量化器输出，q表示量化电平数，Δ_l为量化间隔，且Δ_l＝[a_l，a_l+1)，这里的a_l表示量化阈值。

本实施例中使用的量化器可以是局部最优量化器和匀均量化器。

对于第一种量化器，设计为在系统要求的最低信噪比下是最优的，这是因为在信号检测中，由于对于微弱信号的检测更具有挑战性，而对于信噪比较高的信号，即使采用一些非最优的技术也很容易就能达到系统要求。在设计量化器时，其SNR正好是系统要求的最低水平，在这种假设下得到的最优量化器实际就是所说的局部最优量化器(Locally Optimal Quantizer，LOQ)。可采用偏差准则(deflection criteria)来设计局部最优量化器，偏差用来表示检测统计量在H₀和H₁两种情况下的统计距离，偏差越大，表明检测性能越好，Q表示量化后的检测统计量，则偏差D(Q)可以表示为公式(2)：

$D\left(Q\right)\stackrel{\mathrm{\Δ}}{=}\frac{{[E_1\left(Q\right)-E_0\left(Q\right)]}^2}{V_0\left(Q\right)}---\left(2\right)$

其中，E₁表示在假设H₁条件下的数学期望，E₀表示在假设H₀条件下的数学期望。V₀表示在假设H₀条件下的方差。

假设对于任意一个量化间隔Δ_l，检测统计量在Δ_l的范围内的概率为：

$P_j\left(l\right)\stackrel{\mathrm{\Δ}}{=}P\left[x{\∈\mathrm{\Δ}}_{\text{l}}\right]={\∫}_{{\mathrm{\Δ}}_l}{p}_j\left(x\right)\mathrm{dx}---\left(3\right)$

其中，j＝0，1，分别对应H₀和H₁两种假设，p_j(x)表示概率密度函数。则根据公式(8)以及期望和方差的定义，将公式(2)改写为：

$D(\mathrm{\Δ},v)=\frac{{\left\{\underset{l=1}{\overset{q}{\mathrm{\Σ}}}{v}_l[P_1\left(l\right)-P_0\left(l\right)]\right\}}^2}{\underset{l=1}{\overset{q}{\mathrm{\Σ}}}{v}_l^2{P}_0\left(l\right)-{\left[\underset{l=1}{\overset{q}{\mathrm{\Σ}}}{v}_l{P}_0\left(l\right)\right]}^2}---\left(4\right)$

其中，v_l表示概率的系数，v为由v_l构成的向量，对于一个给定的量化间隔Δ，根据参考文献[3]“检测中的最优量化”(B.Picinbono，P.Duvaut，“Optimum Quantization for Detection”，IEEE Trans.on Commun.vol.36，No.11，Nov.1988)中的推导，得到使公式(7)最大的v满足：

$v_l=\frac{P_1\left(l\right)}{P_0\left(l\right)}---\left(5\right)$

在满足公式(10)时，对应得到在该量化间隔Δ下的偏差D(Δ)为：

D(Δ)＝l(D)-1        (6)

式(11)中， $l\left(D\right)\stackrel{\mathrm{\Δ}}{=}\underset{l=1}{\overset{q}{\mathrm{\Σ}}}\frac{P_1^2\left(l\right)}{P_0\left(l\right)}---\left(7\right)$

而确定量化间隔的最终目标，是使得在该量化间隔Δ下的偏差最大，因而可由公式(12)推导出最终确定的量化间隔为Δ： $\mathrm{\Δ}=\arg \underset{\mathrm{\Δ}}{\max }l\left(\mathrm{\Δ}\right)---\left(8\right)$

假设检测统计量的分布函数F₁(x)和F₀(x)可以通过理论分析法或仿真法两种方法求出。则P₁(l)和P₀(l)可以通过分布函数求出，即：

P₁(l)＝F₁(a_l+1)-F₁(a_l)，P₀(l)＝F₀(a_l+1)-F₀(a_l)

这里，a_l为量化阈值，且有a₁＝-∞和a_q+1＝+∞，这里的-∞表示负无穷，+∞表示正无穷。

公式(8)可以转换成：

$\mathrm{\Δ}=\arg \underset{\mathrm{\Δ}}{\max }\underset{l=1}{\overset{q}{\mathrm{\Σ}}}\frac{{[F_1\left(a_{l+1}\right)-F_1\left(a_l\right)]}^2}{F_0\left(a_{l+1}\right)-F_0\left(a_l\right)}---\left(9\right)$

对于第二种量化器，是基于动态范围的均匀量化器(Dynamic Rangebased Uniform Quantizer，DRUQ)：该量化器根据确定的量化电平数q，将检测统计量的动态范围均匀地划分成q个量化间隔，假设某个本地检测节点第i个时刻的检测统计量为T_i，i＝¹，2，…，n统计出这n个时刻内T_i的最大值T_max和最小值T_min，则经过均匀量化后，得到量化间隔为：

$\mathrm{\Δ}=\frac{T_{\max }-T_{\min }}{q}---\left(10\right)$

最后，确定出量化阈值a_i为：a_i＝T_min+(i-1)Δ，i＝1，2，…，q+1

为实现上述确定量化阈值的功能，本地节点还可以包括：

量化阈值确定器，用于根据所述本地节点到中心节点的传输开销要求，确定量化电平数。根据所述检测器得到的检测统计量的统计规律，确定出该本地节点对应的量化阈值。

对于第一种量化器，量化阈值确定器包括：

统计获取单元，用于获取检测统计量的分布函数、均值或方差；

第一量化阈值确定单元，用于根据统计获取单元得到的检测统计量的分布函数、均值或方差，确定出使得所述检测统计量在H₀和H₁之间偏差最大的量化间隔，根据所述量化间隔，确定出所述本地节点对应的量化阈值，这里，H₀表示所述待检测信号为有效信号，H₁表示所述待检测信号不是有效信号。

对于第二种量化器，量化阈值确定器包括：

动态范围确定单元，用于根据检测统计量的最大值和最小值，确定出检测统计量的动态范围。

第二量化阈值确定单元，用于动态范围确定单元得到的动态范围与量化电平数相除，得到所述本地节点的量化间隔，根据本地节点量化间隔和检测统计量的最小值，确定出该本地节点对应的量化阈值。

本实施例通过在本地节点增加量化器的方式来对本地节点检测到的本地检测统计量的传输数据进行调整，向中心节点提供较多的检测统计量信息的同时，有较好的协同增益，可以在较少本地节点和较低本地检测性能的条件下获得较好的性能。从而能够减轻系统拓扑的设计难度和本地感知算法的设计难度，因而能够有效地提高检测性能。

图2为本发明实施例一中检测信号的方法流程示意图。本实施例中，使用了局部最优量化器对本地检测统计量进行量化，如图2所示，具体包括以下步骤：

步骤201：根据传输开销的要求，确定本地节点的量化电平数。

本实施例中，本地节点为m个，(m≥1)。量化电平数可以根据本地节点到中心节点的传输开销要求确定，即在系统能够容忍较大传输开销时，可以将量化器的量化电平设置成较多位数，以增加判决的准确性，而在系统不能容忍较大传输开销时，则将量化器的量化电平设置成较少位数，以减少传输开销。

步骤202：根据本地节点的量化电平数，确定本地节点的量化阈值。

本实施例中，使用了局部最优量化器，其确定量化阈值方法为：根据分布函数，确定出使得检测统计量在H₀和H₁两种情况下的统计距离，也就是偏差，最大的量化间隔和量化阈值a_l l＝1，2，…，q。

这里，本地节点利用理论分析法求出检测统计量的分布函数F₁(x)和F₀(x)，本实施例中，假设利用理论分析法通过检测统计量的解析式以及噪声和信号的信息来确定F₁(x)和F₀(x)的表达式。并假设本地节点使用能量检测得到检测统计量，则F₁(x)和F₀(x)由噪声、信号的功率和检测时间三个因素所决定，通常使用热噪声来估计或者在空载的信道上测量，这样可以根据F₀(x)的定义，求出F₀(x)。同时，由于本实施例使用了局部最优量化准则，使得信号的功率为系统要求的最低水平，因而能够求出F₁(x)。

当然，本实施在较难通过理论分析法求出F₁(x)和F₀(x)的情况下，还可以通过仿真法来求取。由于不同时刻的检测统计量可以看作是独立同分布的，根据中心极限定理，检测统计量可以看作服从正态分布。因此只需要根据信号类型、噪声功率等易于得出的信息，通过运行仿真直接得到检测统计量均值和方差。而后，根据检测统计量均值和方差，确定出使得检测统计量在H₀和H₁两种情况下的偏差最大的量化间隔和量化阈值a_l l＝1，2，…，q。

步骤203：本地节点在本地进行检测，得到量化前的本地检测统计量。

本实施例，可以采用现有技术中本地检测的方法，得到量化前的本地检测统计量，比如信号能量数据。

步骤204：根据确定的量化阈值，对本地检测统计量进行量化。

本实施例，根据确定的量化阈值，利用公式(1)对本地检测统计量进行量化。

步骤205：中心节点获取在对各本地检测统计量进行量化后的量化结果。

步骤206：中心节点对各个量化结果进行数据融合，得出一个全局判决结果。

本实施例中，采用了最小错误概率准则的方法来对各个量化结果进行数据融合。

假设量化结果为u_l，其中l表示本地节点的编号，且l＝1，2，…，n。在没有代价信息的情况下，它是最优的融合准则。最小错误概率准则可以表示为：

$\frac{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_1)}{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_0)}\underset{H_0}{\stackrel{H_1}{\underset{<}{>}}}\frac{P\left(H_1\right)}{P\left(H_0\right)}---\left(11\right)$

其中，H₁和H₀分别表示待检测信号为有效信号和不存在两种情况，P(H₁)表示待检测信号为有效信号的先验概率，P(H₀)表示待检测信号不是有效信号的先验概率，公式左边表示检测结果的似然比，右边表示判决门限。该判决门限表示当 $\frac{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_1)}{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_0)}>\frac{P\left(H_1\right)}{P\left(H_0\right)}$ 时，在中心节点得到“H₁为真”的全局判决结果，当 $\frac{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_1)}{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_0)}<\frac{P\left(H_1\right)}{P\left(H_0\right)}$ 时，在中心节点得到“H₁为真”的全局判决结果，当 $\frac{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_1)}{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_0)}=\frac{P\left(H_1\right)}{P\left(H_0\right)}$ 时，可以根据设置的策略，得到“H₁为真”或“H₀为真”的全局判决结果。

将公式(11)转化为对数似然比检验形式，得到公式(12)：

$\log \frac{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_1)}{P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_0)}+\log \frac{P\left(H_1\right)}{P\left(H_0\right)}\underset{H_0}{\stackrel{H_1}{\underset{<}{>}}0}---\left(12\right)$

如果各检测节点的检测统计量相互独立，并且为简便起见，假设量化后得到的检测统计量为1、2......q个取值结果，则有：

$P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_1)=\underset{l=1}{\overset{n}{\mathrm{\&Pi;}}}P\left(u_l\right|H_1)$

          $=\underset{S_1}{\mathrm{\&Pi;}}P(u_l=1|H_1)\&CenterDot;\underset{S_2}{\mathrm{\&Pi;}}P(u_l=2|H_1)\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\underset{S_m}{\mathrm{\&Pi;}}P(u_l=q|H_1)---\left(13\right)$

          $=\underset{S_j}{\mathrm{\&Pi;}}\underset{j=1}{\overset{q}{\text{\&Pi;}}}P(u_l=j|H_1)$

其中S_j表示检测统计量取值为j的所有节点u_l的集合。类似的，得到公式(14)：

$P(u_1,\&CenterDot;\&CenterDot;\&CenterDot;,u_n|H_0)=\underset{S_j}{\mathrm{\&Pi;}}\underset{j=1}{\overset{q}{\mathrm{\&Pi;}}}P(u_l=j|H_0)---\left(14\right)$

将公式(13)和公式(14)式代入(12)式并化简得到：

$\log \frac{P\left(H_1\right)}{P\left(H_0\right)}+\underset{S_j}{\mathrm{\&Sigma;}}\underset{j=1}{\overset{q}{\mathrm{\&Sigma;}}}\log \frac{P(u_l=j|H_1)}{P(u_l=j|H_0)}---\left(15\right)$

$=\log {\mathrm{\&Lambda;}}_0+\underset{S_j}{\mathrm{\&Sigma;}}\underset{j=1}{\overset{q}{\mathrm{\&Sigma;}}}\log {\text{\&Lambda;}}_{\mathrm{lj}}\stackrel{H_1}{\underset{H_0}{\underset{<}{>}}}0$

其中， ${\mathrm{\&Lambda;}}_0=\frac{P\left(H_1\right)}{P\left(H_0\right)},$ ${\mathrm{\&Lambda;}}_{\mathrm{lj}}=\frac{P(u_l=j|H_1)}{P(u_l=j|H_0)},$ 这里的Λ_lj可以看作是第l个检测节点的检测统计量取值为j时的似然比。因而，中心节点得到全局判决结果是由各个本地节点的先验概率和似然比确定的。

当然，如果量化后的本地检测统计量为一个比特，也可以采用现有技术中使用的“与”“或”准则来进行数据融合。

本实施例中，通过采用局部最优量化器来对本地检测统计量进行量化后，并且能够将量化后的离散的本地检测统计量，通过最小错误准则来进行数据融合，从而估计出较正确的全局判决结果。

下面以在CR系统检测PU信号为例进行详细说明。图3使用了均匀量化器对本地检测统计量进行量化，为本发明实施例一中检测信号的方法流程示意图，本实施例还具体给出了最小错误概率准则的具体实现方法。

步骤301：各本地节点根据预先确定的量化阈值，对本地检测统计量进行量化。

本实施例中，使用了均匀量化器，在初始时刻，各本地节点自行检测目标频段，并根据公式(10)确定的量化阈值进行量化，得到量化后的检测统计量u_i(0)＝l，l＝1，2，…，q。

步骤302：中心节点将初始时刻各本地节点量化后的检测统计量u_i(0)＝l，l＝1，2，…，q和设置的初始先验概率Λ₀(0)和初始似然比Λ_il(0)，得到全局判决结果的初始值。

为了保障迭代算法的收敛性，应当尽量将初始值设计的接近真实值。在没有先验信息的前提下，本实施例将Λ₀(0)设置为1，将Λ_il(0)设置为根据l的增加而递增。利用公式(15)对各检测统计量u_i(0)＝l，l＝1，2，…，q进行数据融合，计算出全局判决结果的初始值u₀(0)。

步骤303：根据先前时刻的全局判决结果和所述本地节点的量化结果，估计当前时刻本地节点的先验概率和似然比。

下面具体以估计k时刻的先验概率Λ₀(k)和初始似然比Λ_il(k)为例进行说明。

步骤303可具体分作以下步骤：

303-1：根据第k时刻的全局判决结果u₀(k)和各本地节点量化后的检测统计量u_i(k)＝l，l＝1，2，…，q，确定各本地节点在第k时刻的判决状态S_i(k)(i＝1，2，…，n)的取值。

考虑到经过数据融合后的判决结果具有较高的准确性，本实施例以全局判决结果来代替待检测信号是否为有效信号的实际信号信息，可以获得等于或接近于真实情况的估计值。假设D₀表示H₀为真的全局判决空间，D₁表示H₁为真的全局判决空间，在全局判决结果具有较高的正确度时，则满足以下公式：

P(D_j)≈P(H_j)，j＝0，1      (16)

P(u_i＝l|D_j)≈P(u_i＝l|H_j)，j＝0，1        (17)

所以P(H₁)、P(H₀)、P(u_i＝l|H₁)和P(u_i＝l|H₀)概率值的计算可转化为对P(D₁)、P(D₀)、P(u_i＝l|D₁)和P(u_i＝l|D₀)的计算。这时，S_i(k)来表示第i个本地节点在第k时刻的判决状态值：

S_i(k)∈{S_lj|l＝1，2，…，q；j＝0，1}        (18)

其中，s_lj表示判决状态可能的取值空间。j表示全局判决结果，j＝0表示判决待检测信号不是有效信号，j＝1表示判决待检测信号为有效信号。l表示量化后的本地检测统计量。

303-2：根据第k时刻的判决状态值S_i(k)(i＝1，2，…，n)，更新判决状态的累计值J_i(k)。

本实施例中，累计值J_i(k)定义为：

$J_i\left(k\right)=\underset{p=1}{\overset{k}{\mathrm{\&Sigma;}}}{S}_i\left(p\right)---\left(19\right)$

其中，N_lj(k)表示在k时刻，状态s_lj发生的次数。公式(19)可以改写为：

J_i(k)＝J_i(k-1)+S_i(k)            (20)

本实施例可采用了限定记忆法来避免历史数据的影响，具体为：可以根据预先设置的固定窗长，确定出更新前的判决状态值的累计值，将前一时刻的判决状态值叠加到更新前的判决状态的累计值中。也就是在统计判决状态值时，使用一个固定长度的窗，每统计一个新时刻的判决状态值，就去掉最早时刻的一个判决状态值。设前一时刻为k时刻，N为预先设置的固定窗长，S_i(k)来表示第i个本地节点在第k时刻的判决状态值，则可以对公式(20)进行调整得到公式(21)：

$J_i\left(\text{k}\right)=\underset{p=\max \{k-N+\mathrm{1,0}\}}{\mathrm{\&Sigma;}}{S}_i\left(p\right)---\left(21\right)$

本实施例也可以采用遗忘因子法来更新判决状态的累积值，具体为：先将更新前的判决状态的累积值乘以一个小于1的数值，再与前一时刻的判决状态的累积值相加，得到更新后的判决状态的累积值。可以将公式(20)调整为：

$J_i\left(k\right)=\mathrm{\&gamma;}{J}_i(k-1)+S_i\left(k\right)=\underset{p=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}^{k-p}{S}_i\left(p\right)---\left(22\right)$

其中，遗忘因子γ为大于0.9小于1的数。通过(22)式的迭代，越早时刻的判决结果状态值对应的权重越小，而当前时刻的判决结果状态值对应的权重为1，从而逐步消除历史数据的影响。

303-3：根据更新后的判决状态的累积值提取出判决状态值的加权值，估计出k+1时刻使用的先验概率Λ₀(k)和初始似然比Λ_il(k)：

${\mathrm{\&Lambda;}}_0=\frac{P\left(H_1\right)}{P\left(H_0\right)}\&ap;\frac{P\left(D_1\right)}{P\left(D_0\right)}=\frac{\underset{l=1}{\overset{q}{\mathrm{\&Sigma;}}}{N}_{l1}\left(n\right)}{\underset{l=1}{\overset{q}{\mathrm{\&Sigma;}}}{N}_{l0}\left(n\right)}---\left(23\right)$

${\mathrm{\&Lambda;}}_{\mathrm{il}}=\frac{P\left({u_i=l|H}_1\right)}{P\left({u_i=l|H}_0\right)}\&ap;\frac{P\left({u_i=l|D}_1\right)}{P\left({u_i=l|D}_0\right)}=\frac{N_{l1}\left(n\right)\&CenterDot;\underset{l=1}{\overset{q}{\mathrm{\&Sigma;}}}{N}_{l0}\left(n\right)}{N_{l0}\left(n\right)\&CenterDot;\underset{l=1}{\overset{q}{\mathrm{\&Sigma;}}}{N}_{l1}\left(n\right)}---\left(24\right)$

303-4：判断k+1时刻使用的先验概率Λ₀(k)和初始似然比Λ_il(k)是否收敛，如果是，执行步骤304，否则，令k＝k+1，执行303-1。

本实施例中，判断Λ₀(k)和Λ_il(k)(i＝1，2，...，m)是否收敛的方法，可以采用现有技术常使用的判断|Λ₀(k)-Λ₀(k-1)|和|Λ_il(k)-Λ_il(k-1)|是否小于设定的数值，如果是，则认为收敛。

步骤304：根据估计的先验概率Λ₀(k)和初始似然比Λ_il(k)和当前时刻量化后的各本地检测统计量，计算得到一个较准确全局判断结果。

本实施例中，通过采用均匀量化器来对本地检测统计量进行量化后，并且能够将量化后的离散的本地检测统计量，通过最小错误准则来进行数据融合，从而估计出较正确的全局判决结果，还使用了限定记忆法来消除历史数据的影响，能够增加估计算法对时变的检测环境的适应性。

图4为本发明实施例中本地检测装置结构示意图。如图4所示，该本地检测装置包括：检测器410，检测得到在所述本地节点中待检测信号对应的检测统计量。量化器420，用于根据该本地检测装置对应的量化阈值，对所述检测器得到的所述检测统计量进行量化。

本地检测装置还可以包括：

量化阈值确定器430，根据该本地检测装置到中心节点间的传输开销要求，确定量化电平数；根据检测器410得到的检测统计量的统计规律，确定出该本地检测装置对应的量化阈值。

量化阈值确定模块430包括：

统计获取单元431，获取所述检测统计量的分布函数、均值或方差。

第一量化阈值确定单元432，根据统计获取单元431得到的检测统计量的分布函数、均值或方差，确定出使得检测统计量在H₀和H₁之间偏差最大的量化间隔，根据量化间隔，确定出该本地检测装置对应的量化阈值，这里，H₀表示所述待检测信号为有效信号，H₁表示所述待检测信号不是有效信号。

当然，本实施例若采用动态范围的方法确定量化阈值，则量化阈值确定模块包括：

动态范围确定单元，用于根据检测统计量的最大值和最小值，确定出检测统计量的动态范围。

第二量化阈值确定单元，用于动态范围确定单元得到的检测统计量的动态范围与所述量化电平数相除，得到该本地检测装置的量化间隔，根据该本地检测装置的量化间隔和检测统计量的最小值，确定出该本地检测装置对应的量化阈值。

图5为本发明实施例中本地检测装置结构示意图。如图5所示，该中心检测装置包括：

获取模块510，获取至少一个本地检测装置的量化结果，这里，量化结果为对待检测信号对应的检测统计量进行量化后，得到的量化结果。

执行模块520，根据获取模块510得到的量化结果，得出表征待检测信号是否为有效信号的全局判决结果。

执行模块520包括：

估计单元521，根据先前时刻的全局判决结果和获取模块510得到的量化结果，估计当前时刻的本地节点的先验概率和似然比。

数据融合单元522，根据估计单元521估计出的当前时刻的本地节点的先验概率和似然比，得到全局判决结果。

估计单元521包括：

累加子单元523，对先前时刻的判决状态值进行累加，这里，判决状态值通过比较根据先前时刻的全局判决结果和所述获取模块得到的量化结果产生。

选择子单元524，从累加子单元523的累加结果中，选择出各个判决状态值的加权值，利用所述各个判决状态值的加权值，计算得到本地节点的先验概率和似然比的估计值。

为了更好体现算法的性能，假设CR系统处在很困难的检测环境中。如果算法能在极端困难的情况下取得好的表现，自然也会在较好的检测环境下达到令人满意的效果。检测环境的困难性体现在两个方面：首先，本地检测算法的性能有限，假设本地节点采用能量检测，且检测时间只有10000个采样的持续时间，在主用户是DVB-T数字电视信号时，对应的时间大约为1ms。其次，所有的本地节点处的信号都处在深度衰落中，它们的SNR分布在-21dB到-19dB之间，这个SNR范围大约系统所要求的最低信噪比。

用全局判决的错误概率P_e来衡量算法的性能，可以表示为：

P_e＝P(H₁)P_GM+P(H₀)P_GF

其中，P(H₁)和P(H₀)表示主用户待检测信号为有效信号和不存在条件下的先验概率，在仿真中我们令它们均为0.5。P_GM和P_GF分布表示全局漏检概率和全局虚警概率。

在上述假设条件下运行仿真，得到错误概率和本地检测节点的数量的关系曲线如图6和图7所示。图6中的“LOQ-x Bit”表示采用局部最优量化器，图7中的“LOQ-x Bit”基于动态范围的均匀量化器将本地检测数据量化为x个比特的情况。“Raw Data”表示将全部检测数据传送至中心节点，中心节点采用最小错误准则进行数据融合的情况。对于1比特的检测统计量使用“或”和“与”准则与本实施例二中使用的数据融合方法进行比较，通过在图6和图7中的仿真比较，可以看出，不管采用哪种量化方法，本发明实施例二中使用的协同感知方法都比“或”和“与”准则的性能好很多。即使只将本地检测结果量化为1个比特，也只需要不到50个本地检测节点，全局错误概率就可以控制在一个较低的水平，大约为0.1。而采用“或”和“与”融合准则的协同感知方法，随着节点数量的增加，其错误概率虽有减小，但变化十分缓慢，甚至当节点数增加到1000个的时候，错误概率仍然处在一个较高的水平，大约为0.15。这说明当检测环境很差时，由于检测统计量的信息有限，因而“或”和“与”准则能提供的协同增益也有限，即使大量增加检测节点，也不能明显改善检测性能。而本发明实施例中的协同感知方法，由于从本地节点能够获得更多的检测统计量信息，因而通过适当增加本地检测节点的数量，能够满足系统对检测性能的要求。

本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或步骤并不一定是实施本发明所必须的。

上述实施例“步骤”一词不代表实施例流程处理存在先后顺序，本发明实施例序号也仅仅为了描述，不代表实施例的优劣。

权利要求的内容记载的方案也是本发明实施例的保护范围。

本领域普通技术人员可以理解上述实施例方法中的全部或部分处理是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (17)

1、一种本地检测信号的方法，其特征在于，该方法包括：

根据本地节点对应的量化阈值，对待检测信号对应的检测统计量进行量化，得到量化结果，所述量化结果用于判决所述待检测信号是否为有效信号。

2、根据权利要求1所述的方法，其特征在于，所述确定所述量化阈值包括：根据所述本地节点与中心节点间的传输开销要求，确定量化电平数；根据所述检测统计量的统计规律，确定出所述本地节点对应的量化阈值。

3、根据权利要求2所述的方法，其特征在于，设H₀表示所述待检测信号为有效信号，H₁表示所述待检测信号不是有效信号，所述确定出本地节点对应的量化阈值包括：

根据所述检测统计量的分布函数、均值或方差，确定出使得所述检测统计量在H₀和H₁之间偏差最大的量化间隔，根据所述量化间隔，确定出所述本地节点对应的量化阈值。

4、根据权利要求2所述的方法，其特征在于，所述确定出本地节点对应的量化阈值包括：

根据所述检测统计量的最大值和最小值，确定出所述检测统计量的动态范围，将所述动态范围与所述量化电平数相除，得到所述本地节点的量化间隔，根据所述本地节点的量化间隔和所述检测统计量的最小值，确定出所述本地节点对应的量化阈值。

5、一种中心检测信号的方法，其特征在于，该方法包括：

获取本地节点的量化结果，所述量化结果为对检测统计量进行量化后，得到的结果；根据所述量化结果，得出表征待检测信号是否为有效信号的全局判决结果。

6、根据权利要求5所述的方法，其特征在于，所述得出表征待检测信号是否为有效信号的全局判决结果包括：

根据最小错误准则，对所述量化结果进行数据融合，得到全局判决结果的估计值。

7、根据权利要求6所述的方法，其特征在于，所述对所述量化结果进行数据融合包括：

根据先前时刻的全局判决结果和所述本地节点的量化结果，估计当前时刻本地节点的先验概率和似然比；

根据估计出的所述当前时刻本地节点的先验概率和似然比，得到全局判决结果。

8、根据权利要求7所述的方法，其特征在于，所述估计当前时刻本地节点的先验概率和似然比包括：对先前时刻的判决状态值进行累加，所述判决状态值通过比较所述本地节点的量化结果和全局判决结果得到；

从累加结果中选择出各个判决状态值的加权值，利用所述各个判决状态值的加权值，计算得到所述本地节点的先验概率和似然比的估计值。

9、根据权利要求8所述的方法，其特征在于，所述对先前时刻的判决状态值进行累加包括：

通过比较前一时刻所述量化结果和全局判决结果，确定出前一时刻本地节点的判决状态值；

根据所述前一时刻本地节点的判决状态值，更新本地节点的判决状态的累积值，所述判决状态的累积值为先前时刻判决状态值的累加函数。

10、根据权利要求5、6、7、8或9所述的方法，其特征在于，所述本地节点为一个或一个以上。

11、一种本地检测装置，其特征在于，该本地检测装置包括：

检测器，用于检测得到在所述本地节点中待检测信号对应的检测统计量；

量化器，用于根据该本地检测装置对应的量化阈值，对所述检测器得到的所述检测统计量进行量化。

12、根据权利要求11所述的本地检测装置，其特征在于，所述本地检测装置进一步包括：

量化阈值确定器，用于根据所述本地检测装置到中心节点间的传输开销要求，确定量化电平数；根据所述检测器得到的检测统计量的统计规律，确定出该本地检测装置对应的量化阈值。

13、根据权利要求12所述的本地检测装置，其特征在于，设H₀表示所述待检测信号为有效信号，H₁表示所述待检测信号不是有效信号，所述量化阈值确定器包括：

统计获取单元，用于获取所述检测统计量的分布函数、均值或方差；

第一量化阈值确定单元，用于根据统计获取单元得到的所述检测统计量的分布函数、均值或方差，确定出使得所述检测统计量在H₀和H₁之间偏差最大的量化间隔，根据所述量化间隔，确定出所述本地检测装置对应的量化阈值。

14、根据权利要求12所述的检测装置，其特征在于，所述量化阈值确定器包括：

动态范围确定单元，用于根据所述检测统计量的最大值和最小值，确定出所述检测统计量的动态范围；

第二量化阈值确定单元，用于所述动态范围确定单元得到的动态范围与所述量化电平数相除，得到所述本地检测装置的量化间隔，根据所述本地检测装置量化间隔和所述检测统计量的最小值，确定出该本地检测装置对应的量化阈值。

15、一种中心检测装置，其特征在于，该中心检测装置包括：

获取模块，用于获取本地检测装置的量化结果，所述量化结果为对待检测信号对应的检测统计量进行量化后，得到的量化结果；

执行模块，根据所述获取模块得到的量化结果，得出表征待检测信号是否为有效信号的全局判决结果。

16、根据权利要求15所述的中心检测装置，其特征在于，所述执行模块包括：

估计单元，用于根据先前时刻的全局判决结果和所述获取模块得到的量化结果，估计当前时刻的本地节点的先验概率和似然比；

数据融合单元，用于根据所述估计单元估计出的所述当前时刻的本地节点的先验概率和似然比，得到全局判决结果。

17、根据权利要求16所述的中心检测装置，其特征在于，所述估计单元包括：

累加子单元，用于对先前时刻的判决状态值进行累加，所述判决状态值通过比较根据先前时刻的全局判决结果和所述获取模块得到的量化结果产生；

选择子单元，用于从所述累加单元的累加子结果中，选择出各个判决状态值的加权值，利用所述各个判决状态值的加权值，计算得到所述本地节点的先验概率和似然比的估计值。

Images