发明内容
技术问题:本发明的提供参与合作的最佳的认知用户数量,使系统的效用达到最大,同时保障认知网络的QoS需求。分析并得到了最优软信息融合策略和最优硬判决融合策略,提出了基于QoS保障的高效能合作频谱感知方法。优化策略与定门限策略相比,可以用较少的合作用户获得较大的效用。
技术方案:为达到上述目的,本发明提供以下技术方案,包括如下三个部分:
第一部分:构建系统模型及频谱感知分析。
认知无线电网络中的合作频谱感知模型如图1所示,该网络包括一个主用户,K个认知用户和1个融合中心。其中,k个认知用户被用来进行合作感知,1≤k≤K。所有参与合作的认知用户接收到的主用户信号假设是独立同分布的。频谱感知的目的是根据接收到的信号统计量Y判断目标频带内主用户存在(H0)或是不存在(H1),进而决定是否接入该频带。
认知系统中,虚警概率表示主用户不存在但是却被认知系统判决为存在的概率。如果虚警概率增加,空闲的主信道的利用率就会下降,因此虚警概率决定了认知系统的吞吐量。漏检概率表示主用户存在但是却被认知系统判决为不存在的概率,因此漏检概率影响主用户链路的服务质量(QoS)。
如果更多的认知用户参与感知,感知性能可以得到提升,但是信号测量所需要的传输功率和次级网络中的通信开销量也会随着合作用户数线性增长。因此,权衡两个方面并且保障认知网络的QoS需求是非常重要的。为了分析以上问题,首先定义了效用函数。如果认知用户成功地检测到主用户不存在,它就可以利用空闲频谱,从而获得收益;如果主用户存在,认知用户错误地检测到主用户不存在,由于它的接入会对主用户造成干扰,它应该支付罚金;每个认知用户在感知过程中需要消耗系统资源,为此要付出一定的代价。效用函数定义为:
U(k)=α[1-Qf(k)]p(H0)-βQm(k)p(H1)-R·k
其中,U(k)为效用函数,Qf(k)和Qm(k)为k个认知用户参与合作时的虚警概率和漏检概率,p(H0)表示主用户不存在的概率,p(H1)表示主用户存在的概率,α为认知用户成功地利用空闲频谱所获得的收益的价格,β为认知用户对主用户干扰应支付的罚金的价格,R为认知系统消耗的资源的价格。
第二部分:合作频谱感知软信息融合策略。
在不考虑多径衰落和阴影效应的条件下,对于单个认知用户,在能量检测器采样次数较多的情况下,根据中心极限定理,接收信号近似服从高斯分布:
Yi~N(2u,4u)H0
Yi~N(2u+2γi,4u+8γi)H1
其中,u是能量检测器时间和带宽的乘积,Yi是认知用户i的检测统计量,γi是认知用户i的平均信噪比(SNR)。
在合作频谱感知软信息融合策略中,CR用户将本地的检测统计量或者与通过检测统计量计算得到的值作为感知信息发送给融合中心或者其他负责数据融合的用户。融合中心搜集来自所有参与感知的认知用户的软信息,即
其中s代表软信息融合。与主网络和认知网络之间的距离相比,认知网络的规模相对较小。所以,每一个认知用户的路径损失几乎是相同的,它们接收到的主用户的信号可以认为是独立同分布的。则有:
Ys~N(2ku,4ku)H0
Ys~N(2ku+2kγ,4ku+8kγ)H1
通过优化能量检测器的门限,使合作频谱感知软信息融合的效用达到最大,为其提供一个理论上的边界。在最优能量检测器门限的条件下,求得最佳的参与合作的认知用户数,最大化认知网络的效用。使效用达到最大的能量检测器门限为
在最优能量检测器门限λs,opt的情况下,参与合作的最佳认知用户数ks,opt(λs,opt)为
第三部分:合作频谱感知硬判决融合策略。
(1)在合作频谱感知硬判决策略中,每个认知用户将本地判决结果发送给融合中心或者其他负责数据融合的认知用户,该判决结果通常为用1比特表示的“0”或者“1”,融合中心或者其他负责数据融合的认知用户将收到的所有1比特判决结果累加起来得到全局结果。在融合中心采用随机准则进行判决并且分析了该准则的检测性能。
衰落环境下,单个认知用户的虚警概率p
f和检测概率
为
其中,λ为单个认知用户能量检测器的门限,Г(·,·)为不完全伽马函数,
为无衰落环境下单个认知用户的检测概率,Q
u(·,·)为广义马库姆Q函数,f(γ)为衰落环境下γ的概率密度函数。
(2)随机准则
假设k个认知用户中有Λ个认知用户报告主用户存在,融合中心采用随机准则进行判决:
Λ>n,判决为H1
Λ=n,以概率θ判决为H1
Λ<n,判决为H0
其中,H1表示主用户存在,H0表示主用户不存在,n是融合中心的判决门限,它是整数且取值为n=0,1,...,k。
衰落环境下,对于合作频谱感知硬判决融合,基于随机准则,认知系统的虚警概率、检测概率和漏检概率分别为:
Qm,h=1-Qd,h
其中,θ为随机准则中的概率,n=0,1,...,k并且当n=k时,Qf,h和Qd,h中的第一项为0。对于不同能量检测器的门限,调整θ值和判决门限n的大小,使合作频谱感知硬判决融合的效用达到最大。在最佳门限的条件下,求得最佳的参与合作的认知用户数,最大化认知网络的效用。融合中心的最佳判决门限为:
其中,
参与合作的最佳认知用户数kh,opt(nopt)为:
有益效果:本发明设计了基于QoS保障的高效能合作频谱感知。第一部分构建系统模型并对感知性能与资源消耗权衡问题进行了分析。第二部分实现了合作频谱感知最优软信息融合策略,得到了最佳的能量检测器门限。在最优能量检测器门限的条件下,求得最佳的参与合作的认知用户数,最大化认知网络的效用。第三部分在合作频谱感知硬判决融合中心采用随机准则进行判决,优化最终判决门限,实现硬判决门限动态地调整。在最佳门限的条件下,求得最佳的参与合作的认知用户数,最大化认知网络的效用。优化策略与定门限策略相比,可以用较少的合作用户获得较大的效用。
具体实施方式
第一部分:分析系统模型并构建效用函数。
在认知无线电网络中,k个认知用户参与合作,从经济学的角度出发,效用函数U(k)可以定义如下:
U(k)=α[1-Qf(k)]p(H0)-βQm(k)p(H1)-R·k
其中,U(k)表示认知网络的效用,p(H0)表示主用户不存在的概率,p(H1)表示主用户存在的概率。第一部分表示认知用户成功地利用空闲频谱所获得的收益,第二部分表示认知用户应支付的罚金,因为漏检而对主用户造成干扰,第三部分表示消耗系统资源而需要付出的代价。其中,α,β和R分别表示每个部分的价格。
如果分配更多的认知用户来进行合作感知,就可获得更多的收益,支付更少的罚金。但是,认知网络中消耗系统资源的代价也会随着合作的认知用户数线性增长。例如,每个认知用户的信号测量所需要的传输功率需要投资价格R,在K个认知用户中,k个认知用户参与感知就可以节省(K-k).R的花费。在实际的感知系统中,利用所有认知用户进行感知并不能达到利益的最大化。因此,存在一个最佳的参与合作的认知用户数,使认知系统的效用达到最大,并且该最佳的用户数与各个QoS需求的价格有关。例如,如果主用户链路的QoS很重要,β应该设置大一点;如果感知所需的功率等资源有限,R应该设置为合理的值来满足相应的要求。
第二部分:合作频谱感知软信息融合中效用函数的最优化。
在基于能量检测的线性融合方法中,每一个认知用户只需放大接收到的主用户信号,然后转发给融合中心。融合中心收集来自所有认知用户的感知软信息,即
其中s代表软信息融合。根据Y
s的检测特性,得到合作频谱感知软信息融合的虚警概率、检测概率和漏检概率为:
Qm,s=1-Qd,s
其中,λs是软信息融合的判决门限,Q(·)是Q函数。
如果Qf,s是个固定的值,那么
此时,参与合作的最佳认知用户数为
如果Qf,s不是固定的,U(k)对λs求偏倒,得到
令
得到使效用最大的能量检测门限为
此时,参与合作的最佳认知用户数为
求得ks,opt和ks,opt(λs,opt)的解析表达式比较困难,由于认知用户的数量一定,可以使用穷举法求解。
第三部分:合作频谱感知硬判决融合中效用函数的最优化。
在合作频谱感知硬判决策略中,每个认知用户将本地判决结果发送给融合中心,该判决结果通常为用1比特表示的“0”或者“1”,融合中心将收到的所有1比特判决结果累加起来得到全局结果。
根据随机准则,合作频谱感知硬判决融合的效用函数为:
其中,
假设k固定,判决门限n(n是整数,n=0,1,...,k)已知,Gn就是固定的值。为使效用函数的值达到最大,随机准则中的θ值应该满足:
如果
那么
对于无衰落的环境,有
因此,pd是pf的增函数。
又有
因此,pd是pf的凸函数。
对于衰落环境,
其中,0<γ
1<γ
2<…<∞,
因此,
又因为对任意的γ
i(i=1,2,...,∞),都有
因此
是p
f的凸函数。
因此得到n≥ρ,其中
同样,如果Gn<0时,n<ρ。那么,如果n<ρ,则θ=0;如果n≥ρ,则θ=1。从而,也就得到了最佳的判决门限:
此时,参与合作的最佳认知用户数为
下面结合附图对本发明进一步说明:
假设认知网络中共有20个CR用户,主用户不存在的概率为p(H0)=0.7,主用户存在的概率p(H1)=1-p(H0)=0.3。认知无线电系统的优先权是保护主用户链路的QoS,所以罚金的价格应比收益的价格高,假设α=2,β=3。
图3为合作频谱感知软信息融合策略下,效用函数与参与合作的认知用户数之间的关系。
(1)实线表示在不同的系统资源价格下,使用门限λs,opt所获得的最大效用。可以看到,当R=0.01时,ks,opt(λs,opt)=10;当R=0.05时,ks,opt(λs,opt)=4。虚线表示当虚警概率Qf为定值0.001时,当R=0.01时,ks,opt=13;当R=0.05时,ks,opt=7。说明在同样能量检测器门限的条件下,随着系统资源代价R的提升,最佳的参与合作的认知用户数会随之减少。
(2)在相同的系统资源代价R下,通过虚线和实线的比较,所得到的最优能量检测器门限λs,opt可使认知系统的效用达到最大,且有ks,opt(λs,opt)<ks,opt。优化策略与定门限策略相比,可以用较少的合作用户获得较大的效用。
图4为合作频谱感知硬判决融合策略下,衰落环境下效用函数与参与合作的认知用户数之间的关系。
(1)实线表示Nakagami衰落环境下,对于不同的系统资源价格,使用判决门限n
opt所获得的最大效用。可以看到,当R=0.01时,
当R=0.05时,
虚线表示在Rayleigh衰落环境下,当R=0.01时,
当R=0.05时,
说明在一定衰落环境下,随着系统资源代价R的提升,最佳的参与合作的认知用户数会随之减少。
(2)衰落的程度受Nakagami参数m值的影响,m增加,衰落的程度就下降。对于Rayleigh衰落m=1,而对于AWGN信道,m=∞。通过曲线可以看到,在相同资源代价的情况下,随着衰落程度的增加,认知系统的效用在减少。例如,当R=0.01,参与合作的认知用户数k=6时,在Nakagami衰落(m=5)环境下,U(k)≈1.21;而在Rayleigh衰落环境下,U(k)≈1.06。当R=0.05,参与合作的认知用户数k=6时,在Nakagami衰落(m=5)环境下,U(k)≈0.97;而在Rayleigh衰落环境下,U(k)≈0.82。最佳的参与合作的认知用户也和衰落程度有关系,kh,opt会随着衰落程度的增加而增加。