CN101938842B - 一种调度认知用户发现空闲频谱的方法 - Google Patents

Abstract

一种调度认知用户发现空闲频谱的方法，属于无线通信技术领域的认知无线电技术，目的在于具有较低的实现复杂度，快速发现较多空闲频谱。本发明将通信时间划分为时隙，将目标频带平均划分为N个信道，N＝1～1000000，包括：初始化步骤、感知步骤、状态判断步骤和计算最优调度向量步骤。本发明根据信道的通信质量、已有的检测数据，在每个时隙以最优调度向量调度认知用户进行频谱感知，能快速发现较多空闲频谱，减小认知用户接入空闲频谱的时间。在具体给定的参数条件下，与现有发现空闲频谱的方法相比，利用本发明两种求解的最优调度向量，感知时间分别缩短约58％和61％；有效降低认了认知用户的通信时延。

Description

一种调度认知用户发现空闲频谱的方法

技术领域

本发明属于无线通信技术领域的认知无线电技术，具体涉及一种调度认知用户发现空闲频谱的方法。

背景技术

随着通信需求的不断增加和可供通信的频谱资源变得日益稀少，如何提高频谱资源的利用效率成为重要的问题。在认知无线电技术中，通信系统中得到授权频谱的用户为授权用户，没有授权频谱的认知用户通过认知无线电技术能够利用那些授权用户没有使用的授权频谱，从而有效的提高频谱资源的利用效率。认知用户首先需要进行频谱感知，即：认知用户对频谱上的信号进行采样(采样点个数S＝1～1000000)，根据采样值的大小判断授权用户是否正在使用频谱，从而发现空闲的频谱。如果频谱感知耗费的时间过长，会严重影响认知用户的性能，也不利于频谱利用效率的提高。所以，如何调度认知用户在合适的时间感知合适的频谱，从而快速发现空闲频谱，是一个很重要的问题。目前，调度认知用户发现空闲频谱的相关方法有：

(1)Kim等人的方法，见H.Kim，K.G.Shin，“Fast discovery ofspectrum opportunities in cognitive radio networks，”in Proc.3st IEEESymposium on New Frontiers in Dynamic Spectrum Access Networks，Oct.2008，pp.1-12；该方法考虑感知时间内频谱可利用的概率、感知一个信道持续的时间、信道容量，提出了一种产生较小时延的感知序列，但是这种方法只针对发现单个空闲信道而言，并没有讨论快速发现较多空闲频谱的问题。

(2)分布式认知MAC(DC-MAC)方法，见Q.Zhao，L.Tong，and A.Swami，“Decentralized cognitive MAC for dynamic spectrum access，”inProc.1st IEEE Symposium New Frontiers Dynamic Spectrum AccessNetworks，Nov.2005，pp.224-232；该方法基于部分可观测马尔科夫决策过程(POMDP)的框架，并且得到了最优和次优的分布式策略，使得次用户感知和接入那些可以得到最大的网络吞吐量的信道，DC-MAC方法没有讨论快速发现较多空闲频谱的问题。

(3)主动感知算法(proactive sensing)，见C.T.Chou，“AdaptiveQuality-of-Service provisioning in wireless/mobile  networks，”PhDdissertation，Univ.of Michigan，2004；主动感知算法随机地非自适应选择感知周期，但并没有考虑怎样使发现的机会最大化，也没有考虑快速发现较多的空闲频谱的问题。

上述各种发现空闲频谱的方法都没有讨论快速发现较多的空闲频谱的问题，不能满足认知用户宽带通信对感知时延的实际需求。

发明内容

本发明提供一种调度认知用户发现空闲频谱的方法，目的在于具有较低的实现复杂度，快速发现较多空闲频谱。

本发明的一种调度认知用户发现空闲频谱的方法，将通信时间划分为时隙，将目标频带平均划分为N个信道，N＝1～1000000，包括下述步骤：

一.初始化步骤：为最优调度向量赋初值

最优调度向量含有N个元素，第n个元素的值表示感知第n个信道的认知用户的个数，n＝1～N，当N≤M时，

的所有元素值全为1，当N＞M时，

的所有元素值中仅包括M个1，1所在位置随机，其余为0，M＝1～1000000，为认知用户的个数，进行步骤二；

二.感知步骤：感知调度模块从M个认知用户中，根据最优调度向量随机选择各信道相应个数的认知用户，一个认知用户不能同时被选择感知一个以上的信道；各被选择的认知用户将各自的采样数据发送给融合中心；

三.状态判断步骤：融合中心在当前时隙通过序贯检测方法(SPRT)处理M个认知用户各自感知的采样数据，将N个信道的状态分为空闲信道、忙信道或不确定信道；将空闲信道的序号列入可用信道列表，放弃忙信道，将不确定信道的序号和对应信道的融合中心处理数据发送给感知调度模块；

四.计算最优调度向量步骤：感知调度模块在当前时隙通过感知调度算法求解下一时隙的最优调度向量，进入下一时隙，转步骤二。

所述的调度认知用户发现空闲频谱的方法，其特征在于：

所述状态判断步骤，融合中心进行下述子步骤：

(1)计算信号能量子步骤：

计算认知用户m在相应信道n上得到的信号能量t_nm：

$t_{\mathrm{nm}}=\frac{1}{S}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{\left|x_{\mathrm{nm}}\left(s\right)\right|}^2,$

式中，x_nm(s)是认知用户m在相应信道n上的采样数据，采样点个数S＝1～1000000，m＝1～M，n＝1～N；

(2)计算信道信号对数似然比值子步骤：

当前时隙信道n上的信号对数似然比值L(t_n，U_i(n))：

$L(t_n,U_i\left(n\right))=\underset{m=1}{\overset{U_i\left(n\right)}{\mathrm{\Σ}}}\ln \frac{f\left(t_{\mathrm{nm}}\right|H_1)}{f\left(t_{\mathrm{nm}}\right|H_0)}+L(t_n,U_{i-1}\left(n\right)),$

式中，L(t_n，U_i-1(n))表示前一时隙信道n上的信号对数似然比值，H₁情况下信号能量概率密度函数

H₁表示相应信道上授权用户存在，

H₀情况下信号能量概率密度函数

H₀表示相应信道上授权用户不存在，

噪声信号的方差

由通信系统给出，认知用户平均接收信噪比γ由通信系统给出，U_i(n)为感知信道n的认知用户个数，i表示第i个时隙；

(3)信道状态判断分类子步骤：

式中，下判决门限

上判决门限

漏警系数P_m＝0～1，P_m越大，则实际信道为忙信道，感知为空闲信道的概率越大，误警系数P_f＝0～1，P_f越大，则实际信道为空闲信道，感知为忙信道的概率越大，P_m和P_f由通信系统给出；

(4)分类处理子步骤：将空闲信道的序号列入可用信道列表，放弃忙信道，将不确定信道的序号和对应信道的融合中心计算的当前时隙信道n上的信号对数似然比值L(t_n，U_i(n))发送给感知调度模块。

所述的调度认知用户发现空闲频谱的方法，其特征在于：

所述计算最优调度向量步骤中，求解下一时隙的最优调度向量包括下述子步骤：

(1)计算找到空闲信道概率子步骤：

计算当U_i+1(n)个认知用户检测信道n时，能够将信道n判断为空闲信道的概率值G_n(U_i+1(n))：

$G_n\left(U_{i+1}\left(n\right)\right)=\left\{\begin{array}{cc}P(L(t_n,U_{i+1}\left(n\right))>\ln {\mathrm{\η}}_0-L(t_n,U_i\left(n\right))),& U_{i+1}\left(n\right)>0\\ 0,& U_{i+1}\left(n\right)=0\end{array}\right.,$

式中，U_i+1(n)表示第i+1个时隙感知第n个信道的认知用户的个数，P(X)表示事件X发生的概率；

(2)计算最优调度向量子步骤：

第i+1个时隙最优调度向量

满足下式及其约束条件：

$\underset{U_{i+1}^{*}}{\min }\left\{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{G}_n\left(U_{i+1}\left(n\right)\right)\right\},$

约束条件为：

表示选择合适的

使得

的值最小；表示对于n＝1，L，N，所有的

构成向量形式。

的求解过程如下：

(2.1)计算概率矩阵Q，Q是一个(M+1)×N的矩阵，Q的第m+1行n列元素用G_n(m)表示，其中，m＝0，1，……，M，n＝1，2，……，N，G_n(m)为当m个认知用户检测信道n时，信道n被判定为空闲的概率：

$G_n\left(m\right)=\left\{\begin{array}{cc}P(L(t_n,m)>\ln {\mathrm{\η}}_0-L(t_n,U_i\left(n\right))),& m>0\\ 0,& m=0\end{array}\right.,$

(2.2)将调度向量U_i+1＝[U_i+1(1)，U_i+1(2)，L，U_i+1(N)]^T初始化为U_i+1＝[M，L，M]^T，U_i+1的各元素U_i+1(n)＝M，n＝1，2，……，N；

(2.3)判断U_i+1中所有元素之和是否等于M，是则转过程(2.6)，否则转过程(2.4)；

(2.4)对每个信道n，计算概率差F_i+1(n)：

$F_{i+1}\left(n\right)=\left\{\begin{array}{cc}{G}_n\left(U_{i+1}\left(n\right)\right)-G_n(U_{i+1}\left(n\right)-1),& U_{i+1}\left(n\right)\≠0\\ 1000000,& U_{i+1}\left(n\right)=0\end{array}\right.;$

(2.5)找出对应概率差最小的n值，令U_i+1(n)＝U_i+1(n)-1，转过程(2.3)；

(2.6)U_i+1即最优调度向量

所述的调度认知用户发现空闲频谱的方法，其特征在于：

所述计算最优调度向量步骤中，求解下一时隙的最优调度向量包括下述子步骤：

(1)计算信道信号平均对数似然比值

子步骤：

信道空闲时认知用户感知的信道信号平均对数似然比值

为：

$\stackrel{\‾}{\mathrm{\ξ}}=\frac{2\mathrm{\γ}-S{\mathrm{\γ}}^2}{2(1+2\mathrm{\γ})}-\frac{1}{2}\ln (1+2\mathrm{\γ}),$

(2)计算最优调度顺序子步骤：按照L(t_n，U_i(n))由小到大对N个信道进行排序；

(3)计算最优调度向量子步骤：按照子步骤(2)的排序结果，依次对于信道n，计算感知信道n的最优认知用户个数

其中，符号

表示选择不小于X的最小的整数；

表示选择

和M中较小的一个值；

对于n＝1，L，N，所有的

构成最优调度向量

$U_{i+1}^{*}={\left[\begin{array}{cccc}{U}_{i+1}^{*}\left(1\right),& U_{i+1}^{*}\left(2\right),& L,& U_{i+1}^{*}\left(N\right)\end{array}\right]}^T.$

本发明根据信道的通信质量、已有的检测数据，在每个时隙以最优调度向量调度认知用户进行频谱感知。与现有发现空闲频谱的方法中，以固定调度向量调度认知用户进行频谱感知相比，本发明能快速发现较多空闲频谱，减小认知用户接入空闲频谱的时间。在具体给定的参数条件下，现有方法需要的感知时间为278.123个时隙，利用本发明两种求解的最优调度向量，需要的感知时间分别为192.673个时隙和176.988个时隙，感知时间分别缩短约58％和61％；有效降低认了认知用户的通信时延。

附图说明

图1是本发明系统框图；

图2是本发明实施例1中，生成最优调度向量中求解

的流程图；

图3是本发明实施例2中，生成最优调度向量的流程图。

具体实施方式

下面结合附图和具体实施例对本发明进一步说明：

如图1所示，本发明包括初始化步骤、感知步骤、状态判断步骤和计算最优调度向量步骤。

实施例1，将通信时间划分为时隙，将目标频带平均划分为N＝100个信道，包括下述步骤：

一.初始化步骤：为最优调度向量赋初值最优调度向量含有100个元素，认知用户的个数M＝100，

的所有元素值全为1，进行步骤二；

二.感知步骤：感知调度模块从100个认知用户中，根据最优调度向量随机选择各信道相应个数的认知用户，各被选择的认知用户将各自的采样数据发送给融合中心；

三.状态判断步骤：融合中心进行下述子步骤：

(1)计算信号能量子步骤：

计算认知用户m在相应信道n上得到的信号能量t_nm：

$t_{\mathrm{nm}}=\frac{1}{S}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{\left|x_{\mathrm{nm}}\left(s\right)\right|}^2,$

式中，m＝1～100，n＝1～100，采样点个数S＝20；

(2)计算信道信号对数似然比值子步骤：

当前时隙信道n上的信号对数似然比值L(t_n，U_i(n))：

$L(t_n,U_i\left(n\right))=\underset{m=1}{\overset{U_i\left(n\right)}{\mathrm{\Σ}}}\ln \frac{f\left(t_{\mathrm{nm}}\right|H_1)}{f\left(t_{\mathrm{nm}}\right|H_0)}+L(t_n,U_{i-1}\left(n\right)),$

式中，噪声信号的方差

认知用户平均接收信噪比γ＝0.1，H₁情况下信号能量概率密度函数

H₀情况下信号能量概率密度函数

(3)信道状态判断分类子步骤：漏警系数P_m＝0.01，误警系数P_f＝0.01，

(4)分类处理子步骤：将空闲信道的序号列入可用信道列表，放弃忙信道，将不确定信道的序号和对应信道的融合中心计算的当前时隙信道n上的信号对数似然比值L(t_n，U_i(n))发送给感知调度模块；

四.计算最优调度向量步骤：包括下述子步骤：

(1)计算找到空闲信道概率子步骤：

计算当U_i+1(n)个认知用户检测信道n时，能够将信道n判断为空闲信道的概率值G_n(U_i+1(n))：

$G_n\left(U_{i+1}\left(n\right)\right)=\left\{\begin{array}{cc}P(L(t_n,U_{i+1}\left(n\right))>-4.5951-L(t_n,U_i\left(n\right))),& U_{i+1}\left(n\right)>0\\ 0,& U_{i+1}\left(n\right)=0\end{array}\right.,$

(2)计算最优调度向量

子步骤：

第i+1个时隙最优调度向量满足下式及其约束条件：

$\underset{U_{i+1}^{*}}{\min }\left\{\underset{n=1}{\overset{100}{\mathrm{\Σ}}}{G}_n\left(U_{i+1}\left(n\right)\right)\right\},$

约束条件为：

如图2所示，的求解过程如下：

(2.1)计算概率矩阵Q，Q是一个101×100的矩阵，Q的第m+1行n列元素用G_n(m)表示，其中，m＝0，1，……，100，n＝1，2，……，100：

$G_n\left(m\right)=\left\{\begin{array}{cc}P(L(t_n,m)>-4.5951-L(t_n,U_i\left(n\right))),& m>0\\ 0,& m=0\end{array}\right.,$

(2.2)将调度向量U_i+1＝[U_i+1(1)，U_i+1(2)，L，U_i+1(N)]^T初始化为U_i+1＝[100，L，100]^T，U_i+1的各元素U_i+1(n)＝100，n＝1，2，……，100；

(2.3)判断U_i+1中所有元素之和是否等于100，是则转过程(2.6)，否则转过程(2.4)；

(2.4)对每个信道n，计算概率差F_i+1(n)：

$F_{i+1}\left(n\right)=\left\{\begin{array}{cc}{G}_n\left(U_{i+1}\left(n\right)\right)-G_n(U_{i+1}\left(n\right)-1),& U_{i+1}\left(n\right)\≠0\\ 1000000,& U_{i+1}\left(n\right)=0\end{array}\right.;$

(2.5)找出对应概率差最小的n值，令U_i+1(n)＝U_i+1(n)-1，转过程(2.3)；

(2.6)U_i+1即最优调度向量

进入下一时隙，转步骤二。

实施例2，将通信时间划分为时隙，将目标频带平均划分为N＝100个信道，包括下述步骤：

一.初始化步骤：为最优调度向量赋初值

最优调度向量含有100个元素，认知用户的个数M＝50，

的所有元素值中仅包括50个1，1所在位置随机，其余为0，进行步骤二；

二.感知步骤：感知调度模块从50个认知用户中，根据最优调度向量随机选择各信道相应个数的认知用户，各被选择的认知用户将各自的采样数据发送给融合中心；

三.状态判断步骤：融合中心进行下述子步骤：

(1)计算信号能量子步骤：

计算认知用户m在相应信道n上得到的信号能量t_nm：

$t_{\mathrm{nm}}=\frac{1}{S}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{\left|x_{\mathrm{nm}}\left(s\right)\right|}^2,$

式中，m＝1～50，n＝1～100，采样点个数S＝20；

(2)计算信道信号对数似然比值子步骤：

当前时隙信道n上的信号对数似然比值L(t_n，U_i(n))：

$L(t_n,U_i\left(n\right))=\underset{m=1}{\overset{U_i\left(n\right)}{\mathrm{\Σ}}}\ln \frac{f\left(t_{\mathrm{nm}}\right|H_1)}{f\left(t_{\mathrm{nm}}\right|H_0)}+L(t_n,U_{i-1}\left(n\right)),$

式中，噪声信号的方差

认知用户平均接收信噪比γ＝0.1，H₁情况下信号能量概率密度函数

H₀情况下信号能量概率密度函数

(3)信道状态判断分类子步骤：漏警系数P_m＝0.01，误警系数P_f＝0.01，

(4)分类处理子步骤：将空闲信道的序号列入可用信道列表，放弃忙信道，将不确定信道的序号和对应信道的融合中心计算的当前时隙信道n上的信号对数似然比值L(t_n，U_i(n))发送给感知调度模块；

四.计算最优调度向量步骤：

如图3所示，求解下一时隙的最优调度向量包括下述子步骤：

(1)计算信道信号平均对数似然比值

子步骤：

信道空闲时认知用户感知的信道信号平均对数似然比值

为：

$\stackrel{\‾}{\mathrm{\ξ}}=-0.0912,$

(2)计算最优调度顺序子步骤：按照L(t_n，U_i(n))由小到大对N个信道进行排序；

(3)计算最优调度向量子步骤：按照子步骤(2)的排序结果，依次对于信道n，计算感知信道n的最优认知用户个数

对于n＝1，L，100，所有的

构成最优调度向量

$U_{i+1}^{*}={\left[\begin{array}{cccc}{U}_{i+1}^{*}\left(1\right),& U_{i+1}^{*}\left(2\right),& L,& U_{i+1}^{*}\left(N\right)\end{array}\right]}^T;$

进入下一时隙，转步骤二。

Claims (3)

1.一种调度认知用户发现空闲频谱的方法，将通信时间划分为时隙，将目标频带平均划分为N个信道，N＝1～1000000，包括下述步骤：

一.初始化步骤：为最优调度向量赋初值

最优调度向量含有N个元素，第n个元素的值表示感知第n个信道的认知用户的个数，n＝1～N，当N≤M时，的所有元素值全为1，当N＞M时，的所有元素值中仅包括M个1，1所在位置随机，其余为0，M＝1～1000000，为认知用户的个数，进行步骤二；

二.感知步骤：感知调度模块从M个认知用户中，根据最优调度向量随机选择各信道相应个数的认知用户，一个认知用户不能同时被选择感知一个以上的信道；各被选择的认知用户将各自的采样数据发送给融合中心；

三.状态判断步骤：融合中心在当前时隙通过序贯检测方法处理M个认知用户各自感知的采样数据，将N个信道的状态分为空闲信道、忙信道或不确定信道；将空闲信道的序号列入可用信道列表，放弃忙信道，将不确定信道的序号和对应信道的融合中心处理数据发送给感知调度模块；包括下述子步骤：

（1）计算信号能量子步骤：

计算认知用户m在相应信道n上得到的信号能量t_nm：

$t_{\mathrm{nm}}=\frac{1}{S}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{\left|x_{\mathrm{nm}}\left(s\right)\right|}^2,$

式中，x_nm(s)是认知用户m在相应信道n上的采样数据，采样点个数S=1～1000000，m＝1～M，n＝1～N；

（2）计算信道信号对数似然比值子步骤：

当前时隙信道n上的信号对数似然比值L(t_n,U_i(n))：

$L(t_n,U_i\left(n\right))=\underset{m=1}{\overset{U_i\left(n\right)}{\mathrm{\Σ}}}\ln \frac{f\left(t_{\mathrm{nm}}\right|H_1)}{f\left(t_{\mathrm{nm}}\right|H_0)}+L(t_n,U_{i-1}\left(n\right))$

式中，L(t_n,U_i-1(n))表示前一时隙信道n上的信号对数似然比值，H₁情况下信号能量概率密度函数 $f\left(t_{\mathrm{nm}}\right|H_1)=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_1^2}}\exp (-\frac{{(t_{\mathrm{nm}}-u_1)}^2}{{2\mathrm{\σ}}_1^2}),$ H₁表示相应信道上授权用户存在， $u_1={\mathrm{\σ}}_v^2(1+\mathrm{\γ}),$ ${\mathrm{\σ}}_1^2=\frac{{\mathrm{\σ}}_v^4(1+2\mathrm{\γ})}{S},$ H₀情况下信号能量概率密度函数 $f\left(t_{\mathrm{nm}}\right|H_0)=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_0^2}}\exp (-\frac{{(t_{\mathrm{nm}}-u_0)}^2}{{2\mathrm{\σ}}_0^2}),$ H₀表示相应信道上授权用户不存在，

噪声信号的方差

由通信系统给出，认知用户平均接收信噪比γ由通信系统给出，U_i(n)为感知信道n的认知用户个数，i表示第i个时隙；

（3）信道状态判断分类子步骤：

式中，下判决门限

上判决门限

漏警系数P_m＝0～1，P_m越大，则实际信道为忙信道，感知为空闲信道的概率越大，误警系数P_f＝0～1，P_f越大，则实际信道为空闲信道，感知为忙信道的概率越大，P_m和P_f由通信系统给出；

（4）分类处理子步骤：将空闲信道的序号列入可用信道列表，放弃忙信道，将不确定信道的序号和对应信道的融合中心计算的当前时隙信道n上的信号对数似然比值L(t_n,U_i(n))发送给感知调度模块；

四.计算最优调度向量步骤：感知调度模块在当前时隙通过感知调度算法求解下一时隙的最优调度向量，进入下一时隙，转步骤二；

求解下一时隙的最优调度向量包括下述子步骤：

（1）计算找到空闲信道概率子步骤：

计算当U_i+1(n)个认知用户检测信道n时，能够将信道n判断为空闲信道的概率值G_n(U_i+1(n))：

$G_n\left(U_{i+1}\left(n\right)\right)=\left\{\begin{array}{cc}P(L(t_n,U_{i+1}\left(n\right))>\ln {\mathrm{\η}}_0-L(t_n,U_i\left(n\right))),& U_{i+1}\left(n\right)>0\\ 0,& U_{i+1}\left(n\right)=0\end{array}\right.,$

式中，U_i+1(n)表示第i＋1个时隙感知第n个信道的认知用户的个数，P(X)表示事件X发生的概率；

（2）计算最优调度向量

子步骤：

第i＋1个时隙最优调度向量

满足下式及其约束条件：

$\underset{U_{i+1}^{*}}{\min }\left\{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{G}_n\left(U_{i+1}\left(n\right)\right)\right\},$

约束条件为： $\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{U}_{i+1}^{*}\left(n\right)=M$ 且 $0\≤U_{i+1}^{*}\left(n\right)\≤M,$ 表示选择合适的

使得

的值最小； $U_{i+1}^{*}{\left[\begin{array}{cccc}{U}_{i+1}^{*}\left(1\right),& U_{i+1}^{*}\left(2\right),& \·\·\·,& U_{i+1}^{*}\left(N\right)\end{array}\right]}^T$ 表示对于n=1,…,N，所有的

构成向量形式。

2.如权利要求1所述的调度认知用户发现空闲频谱的方法，其特征在于：

所述计算最优调度向量步骤的计算最优调度向量

子步骤中，的求解过程如下：

（2.1）计算概率矩阵Q，Q是一个(M+1)×N的矩阵，Q的第m+1行n列元素用G_n(m)表示，其中，m=0,1,……,M，n=1,2,……,N，G_n(m)为当m个认知用户检测信道n时，信道n被判定为空闲的概率：

$G_n\left(m\right)=\left\{\begin{array}{cc}P(L(t_n,m)>\ln {\mathrm{\η}}_0-L(t_n,U_i\left(n\right))),& m>0\\ 0,& m=0\end{array}\right.,$

（2.2）将调度向量U_i+1=[U_i+1(1),U_i+1(2),…,U_i+1(N)]^T初始化为U_i+1=[M,…,M]^T，U_i+1的各元素U_i+1(n)=M，n=1,2，……，N；

（2.3）判断U_i+1中所有元素之和是否等于M，是则转过程（2.6），否则转过程（2.4）；

（2.4）对每个信道n，计算概率差F_i+1(n)：

$F_{i+1}\left(n\right)=\left\{\begin{array}{cc}{G}_n\left(U_{i+1}\left(n\right)\right)-G_n(U_{i+1}\left(n\right)-1),& U_{i+1}\left(n\right)\≠0\\ 1000000,& U_{i+1}\left(n\right)=0\end{array}\right.;$

（2.5）找出对应概率差最小的n值，令U_i+1(n)=U_i+1(n)-1，转过程（2.3）；

（2.6）U_i+1即最优调度向量

3.如权利要求1所述的调度认知用户发现空闲频谱的方法，其特征在于：

所述计算最优调度向量步骤中，求解下一时隙的最优调度向量包括下述子步骤：

（1）计算信道信号平均对数似然比值

子步骤：

信道空闲时认知用户感知的信道信号平均对数似然比值

为：

$\stackrel{\‾}{\mathrm{\ξ}}=\frac{2\mathrm{\γ}-S{\mathrm{\γ}}^2}{2(1+2\mathrm{\γ})}-\frac{1}{2}\ln (1+2\mathrm{\γ}),$

（2）计算最优调度顺序子步骤：按照L(t_n,U_i(n))由小到大对N个信道进行排序；

（3）计算最优调度向量

子步骤：按照子步骤（2）的排序结果，依次对于信道n，计算感知信道n的最优认知用户个数

其中，符号表示选择不小于X的最小的整数；

表示选择

和M中较小的一个值；

对于n=1,…,N，所有的

构成最优调度向量

$U_{i+1}^{*}={\left[\begin{array}{cccc}{U}_{i+1}^{*}\left(1\right),& U_{i+1}^{*}\left(2\right),& \·\·\·,& U_{i+1}^{*}\left(N\right)\end{array}\right]}^T.$

Images