CN102412915B - 认知传感器网络中一种基于能耗的分簇频谱感知方法 - Google Patents

Abstract

本发明的目的是提供一种认知传感器网络中基于能耗的分簇频谱感知方法，该方法引入基于节点能量的LEACH分簇算法，首先将认知传感器网络中的各个节点按该分簇算法分入若干簇内；然后在每个簇内，构造同时考虑检测性能和能量消耗的效用函数，基于该效用函数对最佳协作用户数和用户进行选择，使每个簇内的检测性能和能耗达到很好的折中；最后在汇聚节点运用OR规则将簇头发送过来的感知信息进行融合，得到最终判决结果。该发明可以有效地延长认知传感器网络的生存时间，节省网络的能耗，并且保证良好的检测性能。

Description

认知传感器网络中一种基于能耗的分簇频谱感知方法

技术领域

本发明涉及一种特别用于认知传感器网络的频谱感知方法，属于通信技术领域。

背景技术

认知无线电是一种提高频谱利用率的技术，它允许次网络（用户）从主授权网络（用户）中借用未使用的无线频谱，或者与主授权网络（用户）共同使用频谱。作为智能的无线通信系统，认知无线电技术最关键的部分之一是频谱感知。认知无线电必须不断感知其所使用的频段，以检测主用户是否正在使用此频段。一旦主用户被检测到，认知无线电必须立即将其次用户从此频段中撤回，以使对主用户的可能出现的干扰达到最小。认知无线电旨在提高频谱利用率，它可以在很多方面得到应用，无线传感器网络便是其中之一。

传统的无线传感器网络固定分配所用频谱，且其通信和处理资源受到微小的传感器节点的限制。而一个由装备有认知无线电的传感器节点组成的无线传感器网络，能够从认知无线电的潜在能力受益。这便是认知传感器网络CRSN，其潜在能力有：动态频谱接入、突发流量时的机会式信道利用、多个同时存在的无线传感器网络的叠加式部署和不同频谱规则下的通信。一般，一个认知无线电传感器网络可以定义为若干个认知无线电传感器节点的分布式网络，这些节点感知事件信号并动态地以多跳的形式在可用频段协作通信他们所感知到的一切，最终满足特殊应用的需求。然而，认知传感器网络面对新的挑战：传感器节点固有的资源受限、额外的以实现认知无线电能力的通信和处理需求、低损耗和高能量利用率的认知传感器节点的设计、在密集地部署有传感器网络的授权和未授权频带上的多跳机会式通信等。

由于受到阴影、多径衰落或者建筑物中穿透损耗的影响，有些次用户无法正确感知到主用户的存在，此时，授权用户将遭到严重的干扰，即隐终端问题。为了解决隐终端问题，可以采用多认知用户协作进行频谱感知。协作频谱感知实际上建立了空间分集，利用了相同数据在不同终端不同传输路径的多接收的优势。当认知传感器网络规模变得相当大时，认知用户和融合中心分布于更大的地理区域，使得感知信道（从主用户到次用户）和报告信道（从认知用户到融合中心或公共接收器）更易受到衰落或深阴影的影响，控制信道带宽的限制又使协作频谱感知随认知用户数的增加而面临巨大的挑战。于是引进了基于分簇的协作感知。要想解决隐终端问题，协作感知的用户数要足够多，但是参与检测会消耗认知节点的能量，参与协作感知的节点越多，认知网络的能量消耗越快，认知网络的生存时间越短。如何使得认知传感器网络能够同时获得尽可能好的感知性能和尽可能长的生存时间成为了必须研究的问题。

发明内容

技术问题：本发明的目的是提供一种认知无线电系统中基于能耗的分簇频谱感知方法，该方法可以有效地延长认知传感器网络的生存时间，节省网络的能耗，并且保证良好的检测性能。

技术方案：该方法引入基于节点能量的LEACH分簇算法，首先将认知传感器网络中的各个节点按该分簇算法分入若干簇内；然后在每个簇内，构造了同时考虑检测性能和能量消耗的效用函数，基于该效用函数对最佳协作用户数和用户进行选择，使每个簇内的检测性能和能耗达到很好的折中；最后在汇聚节点运用OR规则将簇头发送过来的感知信息进行融合，得到最终判决结果。

该方法包括以下步骤：

a.根据低能量自适应分簇分级机制将认知传感网划分为n个簇，n为大于0的整数，并选取剩余能量最多的节点为簇头，其它节点为普通次用户，普通次用户处于休眠状态，簇头根据簇内普通用户的接收信噪比和能耗确定簇内参与协作的普通用户并唤醒它们；

b.初始化簇序号j=1；

c.初始化簇j中次用户数k_j=1，根据

计算簇j的虚警概率p_f,j，其中P_f是整个认知无线电网络频谱感知的系统虚警概率，n是该网络的簇头数，即簇数；

d.将簇j的N_j个认知用户按接收信噪比从大到小排列，即有

e.根据

i=1,2,……,k_j，计算认知用户i的频谱感知检测概率p_d,i，其中M为采样数，γ_i是认知用户i的接收信噪比，

k_j为簇j中次用户数，Q(a)为Q函数；

f.簇j的簇头采用或融合规则，即只要有一个感知节点判为主用户存在，这个簇头就认为主用户存在，则簇j的检测概率

同样在汇聚节点也采用或融合规则，则网络总的检测概率 $P_d=1-\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-p_{d,j});$

g.利用U_j(k)=P_d,j(k)-αk_j(2E_elec+E_DA+E_sen)计算簇j中k_j个认知用户协作的效益U_j(k)，其中α为加权系数，E_elec为次用户用于发送感知信息的发送能量，E_DA是融合每一个信息所消耗的信息处理能量，E_sen为普通认知用户用于感知主用户的感知能量；

h.如果U_j(k_j)>U_j(k_j-1)，则k_j=k_j+1，并返回到步骤e，否则转到步骤i；

i.簇j的最佳协作次用户数为

如果j=n，转步骤j，否则j=j+1，并返回到步骤c；

j.每个簇头接收簇内

个认知用户的感知结果并进行或融合，然后将融合结果发送给汇聚节点；

k.汇聚节点根据各簇头发送过来的信息计算出最终判决结果。

本发明所针对的认知传感器网络中基于分簇网络的协作频谱感知系统结构如图1所示。在基于分簇的协作频谱感知网络中，认知用户通过LEACH簇算法被分入若干簇中，某些认知用户被推举为簇头。于是，认知用户被分为普通次用户和簇头次用户，普通用户一般处于休眠状态，簇头用户根据接收到的簇内普通用户信息中的接收信噪比和基于能耗和检测性能折中的协作感知用户选择效用函数确定簇内参与协作的普通户数并唤醒参与协作感知的普通用户。被唤醒的普通次用户利用能量检测法感知授权信道，判断该信道中是否有主用户的存在，然后将感知结果发送给簇头次用户。簇头次用户接收来自簇内普通次用户的感知结果后，将这些结果根据或（OR）融合规则进行融合，其结果被发送给汇聚节点。汇聚节点将簇头传送给过来的融合信息进行第二次或（OR）融合，该融合结果便是最终的检测结果。认知传感器网络根据此最终检测结果来判断该授权频谱是否空闲。

能量检测法是检测任何未知的零均值星座信号的最好方法。它测量信道中的无线频率能量或者接收到的信号强度指标（RSSI）来判断信道是否被占用。能量检测的性能决定了最终的感知结果和感知性能，而能量检测的性能主要与门限值、噪声平均功率、信号平均功率和采样数有关。在衰落信道情况下，频谱检测面临了更大的挑战。通过对能量检测法的研究，检测概率与虚警概率有这样的关系

其中，P_d、P_f分别为检测概率和虚警概率，γ是接收信噪比，Q(a)为Q函数，

N是采样数，且采样频率f_s有f_s=1/N，

衰落信道情况下，能量检测方法的效果也与高斯白噪声信道情况下有所不同。并且，在深衰落或者阴影影响下，更会出现隐终端问题。瑞利衰落还随时间的变化而变化，使得频谱检测的性能更加不稳定。通过协作频谱感知，可以有效降低频谱检测的这种不稳定性。协作感知是主用户信号经过不同路径到达不同认知用户，各认知用户各自感知自己接收到的主用户信号能量，并根据能量检测法判断出主用户是否占用授权信道，然后将各自判断出的结果以1bit信息发送给数据融合单元，融合单元根据接收到的多个判决结果与某种融合规则做出最终判决结果。认知无线电网络根据这一最终判决结果做出相应的决策。数据融合规则有与（AND）规则、或（OR）规则、投票规则等。在不同的融合规则下，系统检测概率和虚警概率优劣程度更不相同，抗隐终端问题和衰落问题也不同。因此应该在不同的环境和要求下采用不同的融合规则，或者根据所处的环境和要求改进融合规则。

协作频谱感知最关注的是如何能够获得最佳的检测性能，同时很好的解决隐终端问题。首先，研究在衰落信道下，各种协作频谱感知的算法的原理和优缺点，研究表明，在协作感知系统虚警概率恒定的情况下，将各认知用户按接收信噪比从大到小排列，即有γ₁>γ₂>…>γ_N，且由OR融合规则，则系统的检测性能 $P_d\left(k\right)=1-\underset{i=1}{\overset{k}{\mathrm{\Π}}}(1-Q\left(\frac{1}{\sqrt{{2\mathrm{\γ}}_i+1}}(Q^{-1}(1-\sqrt[k]{1-{\stackrel{\‾}{P}}_f})-\sqrt{N}{\mathrm{\γ}}_i)\right))$ （其中γ_i是第i个用户的瞬时接收信噪比，

是系统的协作恒虚警概率，k是参与协作的次用户数，P_d(k)是参与协作用户数k为时系统的协作检测概率），它将随参与协作的认知用户数的增大而先增大后变小。因此，存在一个最佳用户数，使得系统的检测性能最佳。但同时，作为一种网络，认知无线电网络也需要兼顾能耗和网络中公共信道等资源的利用率情况，这些情况往往限制了参与感知的用户数和参与协作感知的用户选择和最终的系统检测性能。于是，本发明加入能耗这个因子，构造U(k)=P_d(k)-αE_d(k)，其中P_d(k)是参与协作的用户数为k时，协作的检测概率，E_d(k)是参与协作的用户数为k时分簇网络的能耗，α为加权系数。然后对认知传感器网络网络协作感知的能耗进行分析，寻找最佳用户数k^*，使得U(k^*)最大，将认知传感器网络的各个簇内参与感知的用户数定为k^*，从而保证认知传感器网络的频谱检测性能和可观的能量的节省量。

有益效果：协作频谱感知可以解决由于阴影和多径衰落而造成的隐终端问题，通过分簇拓扑结构来解决认知传感器网络规模过大而造成的问题。本发明基于能耗的分簇协作频谱感知方法，在分簇时采用LEACH分簇算法，构造了同时考虑检测性能和能量消耗的效用函数，基于该效用函数对最佳协作用户数和用户进行选择，使每个簇内的检测性能和能耗达到很好的折中。在保证良好的检测性能的同时，大大减少了节点的能耗，延长了传感器网络的生存时间。

附图说明

图1基于分簇传感器网络的协作频谱感知拓扑结构。

图2能量消耗模型。

具体实施方式

假设主用户的信号功率为P_u，用户i的接受信号是P_i，且有P_i=β_iP_u，认知用户i的接收信噪比是：

${\mathrm{\γ}}_i=\frac{P_i}{{\mathrm{\σ}}^2}=\frac{{\mathrm{\β}}_i{P}_u}{{\mathrm{\σ}}^2}$ i=1,2,…,N       (1)

其中β_i为主用户信号传递到认知用户i的功率衰减因子，σ²为高斯白噪声功率。假设此时信道为瑞利衰落信道，则认知用户的信噪比同时也服从平均信噪比为

的指数分布，即认知用户接收信噪比的概率密度函数满足

其中

是整个认知传感器网络中认知用户接收主用户信号的平均信噪比。

当认知传感器网络的认知用户数目相当多，或者网络覆盖的地理范围比较大时，用基于分簇网络的协作频谱感知能够有效地解决了隐终端问题、控制信道堵塞、检测结果在传输途中受到深衰落影响等问题。

分簇算法能根据系统要求按照某种规则将网络划分为可以相互连通并覆盖所有节点的多个簇，并在网络结构发生变化时更新簇结构以维护网络的正常功能。本方法的主要目标是提高检测能量、节省能量消耗，因此本方法中选用低能量自适应分簇分级机制—LEACH分簇算法。

LEACH分簇算法的目标是尽可能将能量消耗均匀地分配到各个节点上，以延长网络的寿命。本方法的LEACH分簇算法中，考虑到簇头次用户的能量消耗远大于普通次用户，因此希望剩余能量较多的次用户能够以更大的概率当选为簇头。

本方法的分簇算法中，簇头用户的选举是基于节点的剩余能量的。次用户i在每次分簇时随机选择一个（0,1）的数字，并与门限值T_i(t)比较，如果小于该值，则该节点成为簇头。这个门限值便是节点当选为簇头的概率P_i(n)。门限值的计算如下：

$T_i\left(t\right)=P_i\left(t\right)=\min \{\frac{E_i\left(t\right)}{E_{\mathrm{total}}\left(t\right)}{n}_{\mathrm{ch}},1\}$ i=1,…,N  (2)

其中E_i(t)是次用户i的瞬时剩余能量，E_total(t)是整个基于分簇的认知传感器网络的瞬时总剩余能量，N是该认知传感器网络中的次用户数，故有

n_ch是簇头数的期望值，有

$n_{\mathrm{ch}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i\left(t\right)\×1=(\frac{E_1\left(t\right)}{E_{\mathrm{total}}\left(t\right)}+\·\·\·+\frac{E_N\left(t\right)}{E_{\mathrm{total}}\left(t\right)})\×n_{\mathrm{ch}}---\left(3\right)$

由于n_ch只是期望值，因此在分簇过程中，真正的簇头数n未必为n_ch，可能n大于n_ch，也可能小于n_ch，甚至有可能n等于0。当n等于0时，基于分簇的认知传感器网络就失去了作用，因此必须对簇数n进行限制。

本文中的簇头选举步骤如下：

1）初始化：i=1。

2）初始化：簇头数n=0，t_i=0，T_i(t)=0。

3）为次用户i随机选择一个（0,1）的数字t_i，并计算每个次用户门限值T_i(t)；

4）如果t_i≥T_i(t)，则次用户i被选为簇头次用户，并且有n=n+1，否则次用户i为普通次用户；

5）i=i+1，如果i≤N，返回到步骤2）；

6）如果n=0，则返回步骤1），否则，结束循环。

簇头选好后，普通节点便就近接入各簇中。普通节点感知主用户信号，簇头将簇内信息融合后发送给汇聚节点。在汇聚节点采用或（OR）融合规则，已知簇头j有检测概率P_d,j和虚警概率P_f,j，则整个认知传感器网络频谱感知的系统检测概率和虚警概率为

$P_d=1-\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-p_{d,j})$

$P_f=1-\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-p_{f,j})$

其中n是该网络的簇头数，即簇数。

对于固定的在线用户规模，存在一个最佳的参与融合用户数，即每次检测时可以选择次用户数使系统平均检测概率最大，这即是基于检测概率的最佳用户数。根据IEEE802.22规定，频谱检测的要求是，当系统虚警概率为0.1时，系统检测概率为0.9。当检测概率最佳时，系统检测概率完全满足要求。在基于检测概率的最佳用户数附近的协作用户数，其检测概率的变化值很小。因此在基于检测概率的最佳用户数的基础上再适当减少参与协作的用户数，仍能够使最终的检测性能满足要求，同时，由于参与感知的用户数的减少，整个认知传感器网络的能耗也会减少。

于是，同时考虑协作的检测概率和分簇网络中的能量损耗，本方法中构造了一个新效益函数：

U(k)=P_d(k)-αE_d(k)        (4)

其中P_d(k)是当参与协作的感知用户数为k时的协作检测概率，E_d(k)是当参与协作的感知用户数为k时的能耗，α为加权系数。寻找最佳用户数k^*，使得U(k^*)最大，可以使认知传感器网络在检测性能足够好的前提下减少能量消耗，从而在保证检测性能的同时延长认知网络的生存时间。

a.簇内协作的检测概率P_d与协作的用户数k的关系

在协作频谱感知中，有时候某些认知用户因为经历深度衰落，其检测性能相当差，若将这些认知用户参与协作，会使整个系统的检测性能下降，甚至使得系统检测性能无法满足要求。而影响认知用户的检测性能的一个主要因素是主用户信号到达认知用户的信道条件，认知用户的接收信噪比便是这一主要因素的表现形式。

在研究信号检测时，通常用检测概率P_d和虚警概率P_f这两个量来衡量感知算法的性能。一个好的感知算法，必须拥有高的检测概率P_d和低的虚警概率P_f。检测概率P_d越高，则该感知算法对主用户的检测能力越强，虚警概率P_f越低，则该感知算法对噪声的抵抗能力越强。

在这里，为了使多用户协作的检测性能尽量达到最优，我们采取的措施是，尽量使接收信噪比最好的认知用户加入到协作频谱感知中，同时使接收信噪比不理想的认知用户不参与协作。

设p_d,i和p_f,i分别是认知用户i判断结果的检测概率和虚警概率，则认知用户i的检测概率为：

$p_{d,i}=Q\left(\frac{1}{\sqrt{{2\mathrm{\γ}}_i+1}}(Q^{-1}\left(p_{f,i}\right)-\sqrt{M}{\mathrm{\γ}}_i)\right)---\left(5\right)$

其中M为采样数，γ_i是认知用户i的接收信噪比。

又设簇j的协作检测概率和协作虚警概率分别为P_d,j和P_f,j，并且簇j内的协作虚警概率P_f,j为某一定值，簇内有N_j个认知用户，其中参与协作的认知用户数是k_j，簇内第i个认知用户的信噪比为γ_i，并有

由于簇头采用的融合规则是OR规则，即有：

$P_{d,j}=1-\underset{i=1}{\overset{k_j}{\mathrm{\Π}}}(1-p_{d,i})---\left(6\right)$

$p_{f,i}=1-\sqrt[k_j]{1-P_{f,j}}---\left(7\right)$

故整个簇的检测概率为

$P_{d,j}\left(k_j\right)=1-\underset{i=1}{\overset{k_j}{\mathrm{\Π}}}(1-p_{d,i})=1-\underset{i=1}{\overset{k_j}{\mathrm{\Π}}}(1-Q\left(\frac{1}{\sqrt{2{\mathrm{\γ}}_i+1}}(Q^{-1}(1-\sqrt[k_j]{1-P_{f,j}})-\sqrt{M}{\mathrm{\γ}}_i)\right))$

                                 $\left(8\right)$

在虚警概率一定的情况下，随着参与协作的认知用户数越多，后参与协作的用户的检测概率越低，这个簇的协作检测概率将出现先逐渐增大后渐渐减小的趋势，即有一个最优的峰值存在。

在汇聚节点同样采用或（OR）融合规则，故

$P_d=1-\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-p_{d,j})---\left(9\right)$

$p_{f,j}=1-\sqrt[n]{1-P_f}---\left(10\right)$

其中P_d和P_f分别是整个认知无线电网络频谱感知的系统检测概率和虚警概率，n是该网络的簇头数，即簇数。

b.簇内的能量消耗E_d与协作的用户数k的关系

假定一种比较简单的无线硬件能量消耗模型如图2所示，在这种模型中，认知传感器网络中的任一认知节点的能量消耗主要是用于发送信息、接收信息和处理信息所需的电子设备和功率放大器等硬件所消耗的能量。

为了保证信息传输质量，需要进行功率控制，即距离远时，信道衰落大，需要增加节点的发射功率，则功率放大器的功耗增加，反之亦然。本文根据传输距离的远近分别采用自由空间传输模型（接收功率随距离增大呈2次方衰减）和多径衰落传输模型（接收功率随距离增大呈4次方衰减），如果距离d小于门限d₀，使用自由空间传输模型，否则使用多径衰落传输模型。因此发送一条信息的能量消耗为：

$E_{\mathrm{Tx}}\left(d\right)=E_{\mathrm{Tx}-\mathrm{elec}}+E_{\mathrm{Tx}-\mathrm{amp}}\left(d\right)=\left\{\begin{array}{cc}{E}_{\mathrm{elec}}+{\mathrm{\&epsiv;}}_{\mathrm{fs}}{d}^2,& d<d_0\\ E_{\mathrm{elec}}+{\mathrm{\&epsiv;}}_{\mathrm{mp}}{d}^4,& d\&GreaterEqual;d_0\end{array}\right.---\left(11\right)$

接收一条信息所消耗的能量为：

E_Rx=E_Rx-elec=E_elec         (12)

其中电子设备的能量E_elec与信号的数字编码、调制和滤波有关，而放大器能量ε_fsd²和ε_mpd⁴与到接收器的距离和可要求误比特率有关。

簇头根据各用户的接收信噪比与协作用户选择算法选定参与感知的认知用户，然后簇头将这些认知用户激活，而其他用户处于休眠状态。采用这样的休眠激活机制，可以有效地节省认知传感器网络的能量。被激活各用户向簇头发送其检测结果，簇头对接收到的这些用户发送的检测信息进行融合，获得本簇检测结果。

在感知过程中，簇头消耗的能量主要有：用于计算最佳用户数的信息处理能量E_{DA_k}、用于激活用户的发送信息能量E_{TX_active}、用于接收用户感知结果的接收信息E_{RX_CH}、用于对用户发送过来的检测结果进行融合的信息处理能量E_{DA_fusion}，用于向汇聚节点发送融合后得到的检测结果的发送信息E_{TX_sink}，其中与参与用户数有关的能量是用于接收用户感知结果的接受信息E_{RX_CH}和用于对用户发送过来的检测结果进行融合的信息处理能量E_{DA_fusion}。被激活的普通次用户消耗的能量主要有：用于感知主用户能量的感知信息E_sence，用于发送感知结果的发送信息能量E_{TX_CH}。要想增加整个簇的生存时间，必须减少能量开销，从感知过程来看，就是要减少参与协作的用户数。同时从上面的分析可以看出，适当减少参与协作的用户数对整个系统的检测的性能影响不大。

若参与协作的用户数为k，则簇头用于接收用户感知结果的接受信息能耗E_{RX_CH}=kE_Rx=kE_elec，簇头进行数据融合所消耗的能量与所处理的信号量成正比，因此用于对用户发送过来的检测结果进行融合的信息处理能量E_{DA_fusion}=kE_DA（其中E_DA是融合每一个信息所消耗的信息处理能量，簇头需要对k个进行融合），用于激活用户的发送信息能量E_{TX_active}随次用户与簇头间距离的变化而变化，无法定量考虑，因此在协作用户选择中不予考虑，而E_{TX_sink}和E_{DA_k}与簇内参与协作的用户选择无关，也不予考虑。最终簇头与参与协作的用户数k有关的能耗为：

E_{d_CH}=E_{RX_CH}+E_{DA_fusion}=kE_elec+kE_DA=k(E_elec+E_DA)  (13)

另一方面，普通认知用户用于感知主用户的感知能量是E_sen，用于发送感知信息的发送能量是E_{Tx_CH}=E_elec（由于与距离有关的放大器能耗因距离的变化而呈现不规律的变化，因此在该算法的协作用户选择算法中暂不考虑这部分的能耗），于是普通次用户消耗的能量为

E_{d_per_user}=E_sence+E_{Tx_CH}=E_sen+E_elec           (14)

故若参与协作的用户数为k，则单个簇中用户消耗的总能量为

E_d=E_{d_CH}+kE_{d_per_user}=k(2E_elec+E_DA+E_sen)  (15)

由上面的分析可以得出这样的结论，随着参加协作的用户数增加，消耗的总能量增加，同时，检测概率先变大，而后逐渐变小。

于是，我们的效益函数便可写成：

$U_j\left(k\right)=P_{d,j}\left(k\right)-{\mathrm{\&alpha;E}}_d\left(k\right)$

$=1-\underset{i=1}{\overset{k}{\mathrm{\&Pi;}}}(1-Q\left(\frac{1}{\sqrt{2{\mathrm{\&gamma;}}_i+1}}(1-Q^{-1}\left(\sqrt[k_j]{1-P_f}\right)-\sqrt{M}{\mathrm{\&gamma;}}_i)\right))-\mathrm{\&alpha;}{k}_j({2E}_{\mathrm{elec}}+E_{\mathrm{DA}}+E_{\mathrm{sen}})$

                                          $\left(16\right)$

其中α为加权因子，它的选择与能耗在效用函数中所占的比重有关。

对于固定的α，这个效用函数必存在某个k^*，使得效用取得最大值，这个k^*便是基于检测概率和能量消耗的最佳用户数。簇头选择接收信噪比最高的k^*个次用户进行协作感知。

对于簇j，计算基于检测概率和能量消耗的最佳用户数

的步骤如下：

1）初始化：设置k=1，系统虚警概率和α；

2）根据式（10）计算簇j的协作虚警概率P_f,j；

3）将簇j的N_j个认知用户按接收信噪比从大到小排列，即有

4）按式（5）计算认知用户k频谱感知的检测概率p_d,i；

5）利用式（16）计算k个认知用户协作的效益U(k)；

6）如果U_j(k)>U_j(k-1)，则k=k+1，并返回到步骤4），否则转到步骤7）；

7）跳出循环，且有

基于能耗的分簇协作频谱感知方法具体过程如下：

首先，假定在区域R中所有认知用户根据某种分簇算法被统一划分到n个簇中，然后进行感知。假定每个次用户的接收信噪比已知，则一次协作感知的步骤为：

1）每个簇头根据簇内次用户的信噪比和U_j(k)=P_d,j(k)-αE_d(k)计算出最佳用户数

然后选择并唤醒参与协作感知的次用户；

2）簇内的每个被唤醒的认知用户进行本地频谱感知，并将本地检测结果发送给簇头；

3）每个簇头接收簇内个认知用户的感知结果并进行融合处理，然后将融合结果发送给汇聚节点。

4）汇聚节点根据各簇头发送过来的信息计算出最终结果。

簇头数、簇内用户数、以及簇内用户的接收信噪比不同，则所选择的协作用户也不同。每次感知都进行步骤1）中的用户选择使得系统的检测性能和网络的生存时间达到最优。

Claims (1)

1.一种认知传感器网络中基于能耗的分簇频谱感知方法，其特征在于该方法包括以下步骤：

a.根据低能量自适应分簇分级机制将认知传感网划分为n个簇，n为大于0的整数，并选取剩余能量最多的节点为簇头，其它节点为普通次用户，普通次用户处于休眠状态，簇头根据簇内普通用户的接收信噪比和能耗确定簇内参与协作的普通用户并唤醒它们；

b.初始化簇序号j=1；

c.初始化簇j中次用户数k_j=1，根据

计算簇j的虚警概率p_f,j，其中P_f是整个认知无线电网络频谱感知的系统虚警概率，n是该网络的簇头数，即簇数；

d.将簇j的N_j个认知用户按接收信噪比从大到小排列，即有

e.根据

i=1,2,……,k_j，计算认知用户i的频谱感知检测概率p_d,i，其中M为采样数，γ_i是认知用户i的接收信噪比，

k_j为簇j中次用户数，Q(a)为Q函数；

f.簇j的簇头采用或融合规则，即只要有一个感知节点判为主用户存在，这个簇头就认为主用户存在，则簇j的检测概率

同样在汇聚节点也采用或融合规则，则网络总的检测概率 $P_d=1-\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}(1-p_{d,j});$

g.利用U_j(k)=P_d,j(k)-αk_j(2E_elec+E_DA+E_sen)计算簇j中k_j个认知用户协作的效益U_j(k)，其中α为加权系数，E_elec为次用户用于发送感知信息的发送能量，E_DA是融合每一个信息所消耗的信息处理能量，E_sen为普通认知用户用于感知主用户的感知能量；

h.如果U_j(k_j)>U_j(k_j-1)，则k_j=k_j+1，并返回到步骤e，否则转到步骤i；

i.簇j的最佳协作次用户数为

如果j=n，转步骤j，否则j=j+1，并返回到步骤c；

j.每个簇头接收簇内

个认知用户的感知结果并进行或融合，然后将融合结果发送给汇聚节点；

k.汇聚节点根据各簇头发送过来的信息计算出最终判决结果。

Images