CN102299748A - 一种认知无线电网络中的频谱检测方法 - Google Patents

Abstract

本发明公开了一种认知无线电网络中的频谱检测方法，将频谱检测时段分为多个时隙，将每个时隙中授权用户的出现或离开的随机过程看作维纳过程，多个时隙的似然比函数之和看成维纳过程中的随机游走，当该随机游走达到一定门限值时，我们判决此时或者之前的某一个较邻近的时刻在该频谱的使用上发生了变化，或者之前没有主用户信号，此时出现了信号，或者之前存在主用户，此时主用户退出，信号消失，通过对其性能的分析，可以证明该算法中的判断时延是很小的，可以达到快速感知、监测的要求。

Description

一种认知无线电网络中的频谱检测方法

技术领域

本发明属于通信技术领域，特别涉及一种认知无线电网络中的频谱检测方法。

背景技术

认知无线电(Cognitive Radio，CR)的概念起源于1999年Joseph Mitolo博士的奠基性工作，其核心思想是CR具有学习能力，能与周围环境交互信息，以感知和利用在该空间的可用频谱，并限制和降低冲突的发生。具体的，认知无线电技术需要利用已经分配给其它合法用户的频谱，使用这段频谱的非授权用户需要适时进行频谱检测，如果发现授权用户出现则马上退出已占有的频谱，防止对授权用户的通信造成干扰。因此，快速发现频谱使用情况的变化并做出授权用户出现或离开情况的判断，对于认知无线电技术的实际应用至关重要。

目前，认知无线电技术中的频谱检测方法是在时域上将检测时间分成不同的时间段，然后再将时间段分成不同的时隙，为了减少算法的复杂度，传统算法的频谱变化情况判决是在每个时间段的最后一个时隙做出的。因此不管频谱变化是在时间段的第一个时隙发生还是最后一个时隙发生，最终的判决结果都是在最后一个时隙产生，所以传统检测算法的检测时效性差，检测速度慢，不能适时反映频谱的变化情况，对授权用户的出现和离开做出迅速反应，可能对授权用户的通信造成干扰。

因此，现有技术存在缺陷，急待改进。

发明内容

本发明针对现有技术中存在的问题，特别提供了一种认知无线电网络中的频谱检测方法，以满足快速、准确监测频谱变化情况的要求。

本发明的技术方案如下：

一种认知无线电网络中的频谱检测方法，其包含如下步骤：

步骤A、认知节点将频谱检测时间均分为N个时隙，通过匹配滤波、能量检测和特征检测，获得各个时隙频谱检测统计量，其中N为大于或等于1的正整数；

步骤B、认知节点分别计算出各个时隙内频谱检测统计量在主用户存在和不存在两种状态下概率的对数似然比；

步骤C、设置随机游走R_r(m)为第r个时隙到第m个时隙的对数似然比之和，即：

其中r、m均为大于或等于1，小于N的正整数，且r小于m；

步骤D、设置门限值γ，判断当随机游走R_r(m)到达门限值γ时，则停止该随机游走，令T_r表示为起始时隙是r时的终止时间，即：T_r＝min{m|R_r(m)≥γ}；

步骤E、认知节点选取最早到达门限值γ的终止时间作为判决时刻点，即T^*＝min{T₁，T₂，...，T_r，...}，其中T^*表示宣布判断频谱变化的判决时刻点

步骤F、根据选取判决时刻点之前的信道情况，判断主用户情况；

步骤G、开始新一轮判定，重复执行步骤A。

其中，所述步骤B中对数似然比函数为：

其中X_t是t时隙频谱检测统计量，H₁和H₀分别表示主用户存在和不存在责任状态。

较佳的，所述步骤F具体为：

若判决时刻点之前，主用户存在，则认为该判决时刻点时主用户消失，认知用户接入该段频谱；

或，若判决时刻点之前，主用户消失，则认为该判决时刻点时主用户消存在，认知用户退出该段频谱。

较佳的，若认知节点信号存在未知参数，则采用最大似然算法，估计出未知参数，则

其中，

表示未知参数ψ的估计值，Ψ表示所有ψ的可能取值的集合；

此时，判断时刻点为 $T^{*}=\min (T_k\left(\widehat{\mathrm{\ψ}}\right),k=1,...,n).$

本发明在认知无线电领域里提出了随机游走的概念，通过多时隙似然比之和与门限作比较，降低了因某几个时隙出现与真实值偏差较大而造成误判的概率，同时由于选取了最早到达门限的时刻点，因此该方法满足了即准确又能快速监测频谱变化情况的要求。

附图说明

图1为频谱感知时随机游走变化示意图；

图2是检测延时的ARL曲线。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

一种认知无线电网络中的频谱检测方法，其包含如下步骤：

步骤A、认知节点将频谱检测时间均分为N个时隙，通过匹配滤波、能量检测和特征检测，获得各个时隙频谱检测统计量，其中N为大于或等于1的正整数；本步骤中，匹配滤波、能量检测和特征检测均属于公知技术，在此不再赘述。

步骤B、认知节点分别计算出各个时隙内频谱检测统计量在主用户存在和不存在两种状态下概率的对数似然比；

步骤C、设置随机游走R_r(m)为第r个时隙到第m个时隙的对数似然比之和，即：

其中r、m均为大于或等于1，小于N的正整数，且r小于m；

步骤D、设置门限值γ，判断当随机游走R_r(m)到达门限值γ时，则停止该随机游走，令T_r表示为起始时隙是r时的终止时间，即：T_r＝min{m|R_r(m)≥γ}；本步骤中，门限值γ可根据当前信号环境及经验获得，属于本领域技术人员的公知常识。

步骤E、认知节点选取最早到达门限值γ的终止时间作为判决时刻点，即T^*＝min{T₁，T₂，...，T_r，...}，其中T^*表示宣布判断频谱变化的判决时刻点

步骤F、根据选取判决时刻点之前的信道情况，判断主用户情况；

步骤G、开始新一轮判定，重复执行步骤A。

其中，所述步骤B中对数似然比函数为：

其中X_t是t时隙频谱检测统计量，H₁和H₀分别表示主用户存在和不存在责任状态。

较佳的，所述步骤F具体为：

若判决时刻点之前，主用户存在，则认为该判决时刻点时主用户消失，认知用户接入该段频谱；

或，若判决时刻点之前，主用户消失，则认为该判决时刻点时主用户消存在，认知用户退出该段频谱。

参照图1，图中R₀-R₆曲线，表示从不同的起始时隙开始游走，若频谱在第五个时隙发生变化，即主用户此时出现，那么在该时隙之前，所有的R_r(m)都是减少的，直到从主用户出现的时隙起开始增加，也即图中的所有曲线开始转折，不同的曲线因为起始时间不同，所以到达门限值的时刻点也会不同，可以想象在主用户出现的时隙附近的起始时间处开始游走的曲线将会最早达到门限，正如图中的R₅曲线是最早达到门限值的，则将其最早达到门限值的时刻点作为宣布主用户出现的时刻点。

参照图2，可以看到当信号信噪比SNR增加时，由于L(t)的值也会增大，因而随机游走R_r(m)波动剧烈更容易到达门限，认知节点的平均的检测时间延时是变小的。由此可见，L(t)的值与信噪比正相关，因此当信噪比很大时，随机游走R_r(m)随时间增加波动剧烈，而当信噪比很小时，R_r(m)波动平缓。

本发明在认知无线电领域里提出了随机游走的概念，通过多时隙似然比之和与门限作比较，降低了因某几个时隙出现与真实值偏差较大而造成误判的概率，同时由于选取了最早到达门限的时刻点，因此该方法满足了即准确又能快速监测频谱变化情况的要求。

较佳的，若认知节点信号存在未知参数，则采用最大似然算法，估计出未知参数，则

其中，

表示未知参数ψ的估计值，Ψ表示所有ψ的可能取值的集合；

此时，判断时刻点为 $T^{*}=\min (T_k\left(\widehat{\mathrm{\ψ}}\right),k=1,...,n).$

上述最大似然算法属于公知技术，在此推导过程不再赘述。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种认知无线电网络中的频谱检测方法，其特征在于包含如下步骤：

步骤A、认知节点将频谱检测时间均分为N个时隙，通过匹配滤波、能量检测和特征检测，获得各个时隙频谱检测统计量，其中N为大于或等于1的正整数；

步骤B、认知节点分别计算出各个时隙内频谱检测统计量在主用户存在和不存在两种状态下概率的对数似然比；

步骤C、设置随机游走R_r(m)为第r个时隙到第m个时隙的对数似然比之和，即：

其中r、m均为大于或等于1，小于N的正整数，且r小于m；

步骤D、设置门限值γ，判断当随机游走R_r(m)到达门限值γ时，则停止该随机游走，令T_r表示为起始时隙是r时的终止时间，即：T_r＝min{m|R_r(m)≥γ}.

步骤E、认知节点选取最早到达门限值γ的终止时间作为判决时刻点，即T^*＝min{T₁，T₂，...，T_r，...}，其中T^*表示宣布判断频谱变化的判决时刻点

步骤F、根据选取判决时刻点之前的信道情况，判断主用户情况；

步骤G、开始新一轮判定，重复执行步骤A。

2.根据权利要求1所述的频谱检测方法，其特征在于，所述步骤B中对数似然比函数为：

其中，X_t是t时隙频谱检测统计量，H₁和H₀分别表示主用户存在和不存在责任状态。

3.根据权利要求1所述的频谱检测方法，其特征在于，所述步骤F具体为：

若判决时刻点之前，主用户存在，则认为该判决时刻点时主用户消失，认知用户接入该段频谱；

或，若判决时刻点之前，主用户消失，则认为该判决时刻点时主用户消存在，认知用户退出该段频谱。

4.根据权利要求1-3任一所述的频谱检测方法，其特征在于，若认知节点信号存在未知参数，则采用最大似然算法，估计出未知参数，则

其中，

表示未知参数ψ的估计值，Ψ表示所有ψ的可能取值的集合；

此时，判断时刻点为 $T^{*}=\min (T_k\left(\widehat{\mathrm{\ψ}}\right),k=1,...,n).$

Images