CN103117820B - 基于可信度的加权协作频谱检测方法 - Google Patents

Abstract

本发明涉及一种基于可信度的加权协作频谱检测方法，主要步骤是：各感知节点检测本地频谱，并与全局检测结果进行比较获得各自的本地频谱感知可信度；融合中心利用切尾平均法计算可信度门限，选择可信度大于该门限的感知节点参与协作；对筛选出的感知节点的可信度进行归一化处理得到各感知节点在本次协作中的加权系数；融合中心将参与协作的节点检测统计量加权求和后与系统的判决门限比较，最后判决主用户是否正在占用频谱；每次检测完成后更新感知节点的可信度，为下一次检测作准备。本发明有效降低了认知网络协作检测的复杂性，提高了频谱检测性能，在噪声波动环境下具有良好的鲁棒性。

Description

基于可信度的加权协作频谱检测方法

技术领域

本发明涉及无线通信领域中的无线频谱感知与检测技术，更具体地说涉及一种在无线信道环境下基于可信度的加权协作频谱感知与检测技术。

背景技术

随着无线通信技术的快速发展，频谱需求不断增长和频谱资源日益紧缺之间的矛盾越来越突出。研究表明，目前的频谱资源利用率十分不均衡，存在大量频谱利用率很低的授权频段。作为一种动态频谱接入技术，认知无线电(CognitiveRadio，CR)被公认为是智能感知频谱环境、高效利用无线频谱的技术手段之一，引起了人们的广泛关注。CR系统要求认知用户对周围的频谱环境进行准确和快速的感知，并尽量减小对主用户的影响。因此，频谱检测技术在CR网络中尤其重要。频谱感知方法分单节点频谱检测和协作频谱检测两类。

现有的单节点频谱检测方法主要有匹配滤波器检测、特征检测和能量检测，其中能量检测是最常用的方法，但是能量检测需要预先知道背景噪声功率且易受噪声不确定性的影响，对微弱信号的检测能力较差。针对能量检测方法存在的不足。近年来，人们将随机矩阵理论应用到频谱感知中，通过接收信号协方差矩阵的最大最小特征值设计频谱检测的特征量与频谱判决门限。最大最小值特征值算法克服了能量检测算法中噪声不确定性的问题，提高了在噪声波动环境下的频谱检测性能。

在实际无线通信场景中，单节点检测方案很难克服衰落、多径、隐藏终端等因素对频谱检测性能的影响等问题，因此，有人提出了协作频谱检测方法。协作频谱检测方法是利用多个用户节点之间的协作进行频谱检测。但是传统的协作频谱检测没有考虑到实际认知无线电网络中由于信道、环境等因素造成本地频谱检测结果的可靠性。为了进一步提高频谱检测的可靠性，人们提出了加权协作感知算法。在加权协作感知算法中，每个感知节点先进行本地检测，融合中心根据不同的信道环境赋予每个感知节点不同的权重值来确定对全局检测的贡献，从而提高检测性能。目前加权协作感知算法有基于信噪比的加权和基于检测概率的加权。基于信噪比的加权是给高信噪比信道赋予较大的权重值，要求每个认知用户必须估计检测信道的信噪比，如论文“认知无线电网络中的最佳可信度频谱检测算法”(作者肖林)；而基于概率的加权是给高检测概率的用户分配较大的权重值。前者需要认知用户估计接收信号的信噪比，后者需要认知用户估计到每个信道的检测概率，这在衰落信道中都是很困难的问题。

发明内容

本发明在上述背景技术的基础上，考虑到不同感知节点的本地检测结果的可信度是不同的，引入可信度因子，提出一种基于可信度的加权协作频谱检测方法，该方法考虑本地频谱检测的可靠性和加权系数取值的合理性，实现无线环境下准确、有效的信号频谱感知与检测。

为了达到上述目的，本发明提出的基于可信度的加权协作频谱检测方法，包括如下步骤：

步骤1、网络配置——在已有主用户的网络中配置包含M个感知节点和一个融合中心的认知无线电网络；

步骤2、设置感知节点的可信度——第m次检测时第i个感知节点的可信度 $r_{i,m}=\left\{\begin{array}{cc}1& m=1\\ \frac{u_{i,m-1}}{m-1}& m=\mathrm{2,3,4},...\end{array}\right.,$ u_i，m-1为第m-1次检测后第i个感知节点的本地频谱检测结果与融合中心频谱检测结果相同的累积次数，i＝1，2，...，M；

步骤3、本地检测——每个感知节点进行本地检测，独立判决是否存在主用户，然后各自将判决结果发送到融合中心；

步骤4、确定参与协作的感知节点——将第m-1次检测后感知节点可信度的切尾平均数作为第m检测时的可信度门限，选择可信度大于或等于所述可信度门限的感知节点参与协作；

步骤5、设置感知节点的加权系数——设第m次检测时参与协作的第k个感知节点的可信度为R_k，m-1，则参与协作的第k个感知节点在第m次协作感知中的加权系数为k＝1，2，...，K，K为第m次检测时参与协作的感知节点的个数；

步骤6、融合中心判决——将参与协作的各感知节点的本地检测结果进行加权求和得到融合中心频谱判决的最终判决统计量。若融合中心的频谱判决的统计量大于判决门限，则融合中心判决主用户存在，否则融合中心判决主用户不存在；

步骤7、重复步骤2至步骤6，进行下一次频谱检测。

本发明进一步的设计在于，步骤3中，感知节点采用最大最小特征值频谱检测算法进行本地检测，该算法能克服能量检测算法中存在的噪声不确定性的问题，提高在噪声波动环境下的频谱检测性能。

本发明进一步的设计在于，步骤3中，感知节点构建信号采样数据矩阵，计算得出信号采样数据矩阵的采样协方差矩阵，并计算所述协方差矩阵的最大特征值λ_max和最小特征值λ_min，从而获得本地检测统计量T＝λ_max/λ_min，若本地统计量大于判决门限，则感知节点本地判决主用户存在，否则感知节点本地判决主用户不存在。

本发明进一步的设计在于，步骤6中，频谱判决的统计量若频谱判决的统计量大于判决门限，则融合中心判决主用户存在，判决结果为1，否则，融合中心判决主用户不存在，判决结果为0。

本发明所述步骤4中，设置可信度门限时采用切尾平均数法，切尾平均数是将一组数据中的其中一个最大值和最小值去掉后其余数值的平均数。切尾平均数法去掉了数列中影响数据稳定性的极端值，从而能具有较好的稳健性，不易受到极端因素的影响。

本发明步骤6完成后，则转至步骤2进行各感知节点的可信度因子更新，可信度因子通过比较融合中心检测结果与本地检测结果的一致性来确定。感知节点的本地检测结果与融合中心检测结果的一致性越高其可信度越高。

本发明方法在于加权协作频谱检测中采用可信度因子加权参与协作的感知节点的检测统计量的方法。通过设置可信度门限，选择较高可信度的感知节点参与协作，实现无线频谱的准确感知与检测。具体来说就是每个感知节点利用最大最小特征值检测算法获得本地检测结果和检测统计量；感知节点将本地的检测结果与融合中心的最终判决结果进行比较，形成各感知节点的频谱检测可信度。在融合中心利用切尾平均法计算可信度门限，选择可信度大于可信度门限的感知节点参与协作，并根据每个感知节点的可信度大小赋予它们的检测统计量不同的加权值，以便做出更可靠合理的判断。由此可产生这样的有益效果：

(1)通过设置可信度门限，选择高可信度的用户参与协作，减少了参与协作的感知节点数，节约了系统资源，并且提高了检测性能；

(2)通过动态的更新可信度因子，赋予每个感知节点的检测统计量不同权值，在融合中心全局判决中每个感知节点的贡献也不一样，由此可以得到合理与可靠的检测结果，提高信号感知与检测准确性；另外，动态的更新可信度因子可以适应复杂多变的无线通信环境；

(3)采用最大最小特征值检测算法，克服了噪声波动性对检测性能的影响。

附图说明

下面结合附图对本发明作进一步的说明。

图1是认知无线电网络示意图。

图2是本发明实施例流频谱检测方法程图。

图3是信噪比为-16dB的情况下WCSA、WSMME、WSED方法的频谱检测概率随采样点数变化曲线图。

图4是采样点数为1024的情况下WCSA、WSMME、WSED方法的检测概率随信噪比变化曲线图。

图5是采样点数为1024的情况下WCSA、WSMME、WSED方法的虚警概率随信噪比变化曲线图。

图6是采样点数为2048的情况下WCSA、WSMME、WSED方法的检测概率随信噪比变化曲线图。

图7是采样点数为1024的情况下WCSA算法与其它几种加权算法的检测性能比较曲线图。

图8是信噪比为-13dB的情况下WCSA算法参与协作检测的节点数随总节点数变化曲线图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

如图1所示为认知无线电网络示意图，图中PU为主用户，FC为融合中心，SU₁、SU₂、SU₃、...、SU_M皆为感知节点(认知用户)。

本发明实施例基于可信度的加权协作频谱检测方法(流程图见图2)，包括如下步骤：

步骤1、网络配置——在已有主用户PU的网络中配置包含M个感知节点SU₁、SU₂、SU₃、...、SU_M和一个信息融合中心的认知无线电网络FC；

步骤2、设置感知节点的可信度——第m次检测时第i个感知节点的可信度 $r_{i,m}=\left\{\begin{array}{cc}1& m=1\\ \frac{u_{i,m-1}}{m-1}& m=\mathrm{2,3,4},...\end{array}\right.,$ u_i，m-1为第m-1次检测后第i个感知节点的本地频谱检测结果与融合中心频谱检测结果相同的累积次数，i＝1，2，...，M；从感知节点可信度公式可知，进行首轮频谱检测时，每个感知节点的可信度为1，第二次频谱检测开始，感知节点的可信度为判断成功率(与融合中心判断的一致性)，该判断成功率随着频谱检测次数的累积而不断变化，每检测一次，感知节点的可信度(判断成功率)更新一次；

步骤3、本地检测——每个感知节点进行本地检测，独立判决是否存在主用户，然后各自将判决结果和本地检测统计量发送到融合中心；

本步骤中，感知节点采用最大最小特征值频谱检测算法进行本地检测，该算法能克服能量检测算法中存在的噪声不确定性的问题，提高在噪声波动环境下的频谱检测性能。具体做法是：感知节点构建信号采样数据矩阵，计算得出信号采样数据矩阵的采样协方差矩阵，并计算所述协方差矩阵的最大特征值λ_max和最小特征值λ_min，从而获得本地检测统计量T＝λ_max/λ_min，若本地统计量大于判决门限，则感知节点本地判决主用户存在，否则感知节点本地判决主用户不存在；

步骤4、确定参与协作的感知节点——将第m-1次检测后感知节点可信度的切尾平均数作为第m检测时的可信度门限，选择可信度大于或等于所述可信度门限的感知节点参与协作；

依据切尾平均数法，首先对感知节点在第m-1次检测的可信度因子进行排序。不妨假设r_1，m-1＜r_2，m-1＜r_3，m-1＜...＜r_M-1，m-1＜r_M，m-1，去掉可信度因子最大和最小的两个感知节点，得到可信度向量r′_m-1＝[r_2，m-1r_3，m-1…r_M-1，m-1]，对可信度向量r′_m-1中的M-2个用户的可信度因子求平均值，将可信度因子高于该平均值(可信度门限)的K个感知节点参与协作，组成一个新的可信度向量R_m-1＝[R_1，m-1R_2，m-1…R_K，m-1]；

步骤5、设置感知节点的加权系数——设第m次检测时参与协作的第k个感知节点的可信度为R_k，m-1，则参与协作的第k个感知节点在第m次协作感知中的加权系数为k＝1，2，...，K，K为第m次检测时参与协作的感知节点的个数；

步骤6、融合中心判决——将参与协作的各感知节点的本地检测统计量进行加权求和得到频谱判决的统计量若频谱判决的统计量大于判决门限，则融合中心判决主用户存在，判决结果为1，否则融合中心判决主用户不存在，判决结果为0；

步骤7、重复步骤2至步骤6，进行下一次频谱检测。

下面对本发明方法进行仿真并分析。

在高斯信道下对本发明基于可信度的加权协作频谱检测算法(WeightedCooperativeSpectrumSensingAlgorithmbasedonReliability，简称WCSA)的频谱检测性能进行了仿真验证。为了便于比较，同时给出了在相同环境下基于信噪比加权的最大最小特征值协作频谱检测算法(简称WSMME)和基于信噪比加权的能量检测协作的频谱检测算法(简称WSED)性能仿真。在仿真中，假设认知无线电网络的频谱检测主信号为BPSK信号，数据传输速率为256kbits/s，载波频率为500MHz，系统的虚警概率为0.01，过采样因子L＝16，感知节点数M＝16，每次仿真都是基于10000次的蒙特卡罗(MonteCarlo)计算。由于存在噪声不确定性，噪声方差的实际值在一定范围内波动，设ξ为噪声波动随机性参数，定义噪声波动随机性因子为U＝max{101gξ}(dB)，则真实的噪声方差在内取值。假设初始噪声方差

图3是信噪比(SignaltoNoiseRatio，SNR)为-16dB的情况下，三种不同算法的频谱检测概率随采样点数变化的比较。图中WSED-0dB，WSED-0.5dB，WSED-1dB分别表示噪声波动随机性因子为0dB，0.5dB，1dB时WSED算法的频谱感知性能。从图3中可以看出随着采样点数的增加，三种算法的检测概率均有所提高。由于WCSA和WSMME算法的频谱检测判决量与信道噪声无关，因此这两种算法对噪声不确定性不敏感，其频谱检测性能与噪声不确定性无关，并且随着采样点数的增加而迅速增长；而WSED算法在噪声在存在噪声不确定性时其检测概率随着采样点数的增加而增长较为缓慢，噪声不确定性对其有较大的影响。

图4和图5是采样点数为1024的情况下，三种不同算法的检测概率和虚警概率性能随信噪比变化的情况。从仿真结果曲线可以看出，当噪声稳定时，WSED算法的检测性能是最优的。但是在噪声不确定性存在的情况下，WCSA算法的检测性能是最优的，WSMME的检测性能次之，WSED的检测性能却随着噪声波动性的增大而明显下降。特别需要指出的是WCSA算法和WSMME算法的虚警概率几乎接近于0。综合来说，在实际噪声波动的环境中WCSA算法是最优的。

图6是采样点数N＝2048时WCSA、WSMME和WSED三种不同算法的检测概率随信噪比变化的比较。可以看出三种算法的检测性能趋势与N＝1024时是一致的。

图7是采样点数为1024的情况下，WCSA算法与其它几种加权算法的检测性能比较。从图中可以看出，随着信噪比的增加四种算法的检测概率均增加。当WCSA算法的SNR为-13.7dB时，其检测概率已接近为1；而对于检测概率加权、均值加权和WSMME算法，如果要求检测概率接近1，则对应的SNR分别为-12.7dB、-11.0dB和-12.0dB。也就是说WCSA算法的检测性能分别优于其它三种算法1dB、2.7dB和1.7dB左右。

图8为信噪比-13dB时，WCSA算法参与协作检测的节点数随总节点数变化的情况。从图中看出，随着总节点的增加，参与协作的节点数基本呈线性增加。当M＝16时，参与协作的平均节点数为9。也就是说WCSA算法参与协作的用户点数比无可信度门限设置全部节点参与协作时减少了43.75％，明显节省了系统的额外开销。

由此可见，发明人提出的WCSA算法通过设置可信度门限减少参与协作的用户数，提高频谱检测性能，并保持了MMED算法检测性能不受噪声不确定影响的优点。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (3)

1.基于可信度的加权协作频谱检测方法，包括如下步骤：

步骤1、网络配置——在已有主用户的网络中配置包含M个感知节点和一个融合中心的认知无线电网络；

步骤2、设置感知节点的可信度——第m次检测时第i个感知节点的可信度 $r_{i,m}=\left\{\begin{array}{cc}1& m=1\\ \frac{u_{i,m-1}}{m-1}& m=2,3,4,...\end{array}\right.,$ u_i,m-1为第m-1次检测后第i个感知节点的本地频谱检测结果与融合中心频谱检测结果相同的累积次数，i＝1,2,...,M；

步骤3、本地检测——每个感知节点进行本地检测，独立判决是否存在主用户，然后各自将判决结果和本地检测统计量发送到融合中心；

步骤4、确定参与协作的感知节点——将第m-1次检测后感知节点可信度的切尾平均数作为第m检测时的可信度门限，选择可信度大于或等于所述可信度门限的感知节点参与协作；

步骤5、设置感知节点的加权系数——设第m次检测时参与协作的第k个感知节点的可信度为R_k,m-1，则参与协作的第k个感知节点在第m次协作感知中的加权系数为k＝1,2,...,K，K为第m次检测时参与协作的感知节点的个数；

步骤6、融合中心判决——将参与协作的各感知节点的本地检测统计量进行加权求和得到频谱判决的统计量，若频谱判决的统计量大于判决门限，则融合中心判决主用户存在，否则融合中心判决主用户不存在；

步骤7、重复步骤2至步骤6，进行下一次频谱检测。

2.根据权利要求1所述基于可信度的加权协作频谱检测方法，其特征在于：步骤3中，感知节点使用最大最小特征值检测算法进行本地检测。

3.根据权利要求2所述基于可信度的加权协作频谱检测方法，其特征在于：步骤3中，感知节点构建信号采样数据矩阵，计算得出信号采样数据矩阵的采样协方差矩阵，并计算所述协方差矩阵的最大特征值λ_max和最小特征值λ_min，从而获得本地检测统计量T＝λ_max/λ_min，若本地统计量大于判决门限，则感知节点本地判决主用户存在，否则感知节点本地判决主用户不存在。