CN103166723A - 基于可拓关联函数的无线认知传感器网络频谱感知的方法 - Google Patents

Abstract

本发明公开一种基于可拓关联函数的无线认知传感器网络频谱感知的方法，认知用户节点对授权用户的能量检测信号判断是基于二元假设检验，通过可拓转换把这种检测转换为更加直观的数值表示法。并通过关联函数计算两状态的关联度，判定对授权用户初期检测结果。并把这种结果发送到融合中心。由于噪声干扰和信道衰减对信号能量的影响，对各参数进行关联度计算，得出每个认知用户节点的对频谱信号检测的准确性，通过分配各参数权重，把得出的可信度值发送到融合中心，最终通过对各节点参数的计算判定出最终结果。

Description

基于可拓关联函数的无线认知传感器网络频谱感知的方法

技术领域

本发明涉及到了一种基于可拓关联函数的无线认知传感器网络频谱感知的方法。具体讲，就是在无线认知传感器网络中，关于频谱检测技术的一种新的方法，本发明结合可拓学、频谱检测和数据融合技术，在保证其可行性的前提下，提高无线认知传感器网络频谱检测的可靠性。

背景技术

现如今无线传感器网络广泛应用到军事、公共安全、公共卫生、智能交通、智能家居等各个领域中。但是现有的有限频谱资源无法满足各种通信业务对频谱资源的需求。基于认知无线电技术(Cognitive Radio，CR)构成的无线认知传感器网络(CRSN，Cognitive Radio Sensor Network)，可以有效解决无线传感器网络可用频谱资源有限的问题。

无线认知传感器节点可利用认知无线电技术动态地选择空闲频谱工作，减少了节点因竞争通信信道而带来的等待和冲突，从而提高网络的吞吐量并缩短通信时延，进而提高服务质量。采用CR技术的无线认知传感器网络可提高空闲频谱利用率，增加节点可选的工作频段。动态频谱管理需要CR具备频谱感知、频谱分析、频谱决策以及频谱切换能力。

可拓学是以形式化的模型，探讨事物拓展的可能性以及开拓创新的规律和方法，其克服了经典集合和模糊集合的局限性，从只能描述确定性的事物，发展到能描述性质处于变化的事物，从而适合处理存在不确定性信息的问题。可拓学运用关联函数来刻画论域中的元素具有某种性质的程度，能定量的、客观的表述元素具有某种性质的程度及量变与质变的过程。由于信息的不确定性，很多问题的目标或者条件关于某种特征的取值不是精确的量值，或难以获得精确量值，而是一个区间，构造基于区间距和区间侧距的区间型初等关联函数，解决了量值为非精确取值情况的定量化问题。

发明内容

为了克服现有的无线认识传感器网络中频谱感知不确定性的问题，本发明提出了一种基于可拓关联函数的无线认知传感器网络频谱感知的方法。本发明通过可拓学理论把频谱感知问题用物元方式进行表示，实现认知传感器节点对授权用户频谱信息的准确检测。

为了实现上述目的，本发明的技术方案为：

基于可拓关联函数的无线认知传感器网络频谱感知的方法，具体步骤如下：

S1.通过物元表示的方法对无线认知传感器网络中的授权用户和认知用户进行物元表示：

目标物元：G(授权用户工作状态H₀/H₁(非工作状态/工作状态))；

条件物元：R(认知用户检测能量E)；

S2.将目标物元进行转换得到：G(授权用户H₀/H₁(a，b)/(c，d))；

其中(a，b)为非工作状态H₀下认知用户接收到的能量值的区间范围，(c，d)为工作状态H₁下认知用户接收的能量值的区间范围；

S3.通过关联函数计算出区间H₀(a，b)和H₁(c，d)的关联度ρ(H₀，H₁)；

$\mathrm{\ρ}(H_0,H_1)=\frac{1}{2}[\mathrm{\ρ}(a,(c,d))+\mathrm{\ρ}(b,\left(\mathrm{cd}\right))];$

S4.根据关联度ρ(H₀，H₁)判断H₀和H₁两个区间的关系，判断授权用户的状态。

为了确定授权用户的工作状态，在本发明中对认知用户节点引入可拓关联函数，通过关联函数对检测到的能量信号进行分析，判定出授权用户的工作状态。

在上述步骤S1中，每个认知用户节点周围存在外界环境干扰信号。本方法中主要考虑到的干扰参数是外界噪声信号和信号信道传输的衰减，而噪声信号会造成每个认知用户节点的信噪比不一样，而信道衰减的直接反应则是每个节点相距授权用户的距离L_i。用物元表示认知用户节点信息如下所示：

由于条件物元无法直接对目标物元(授权用户)进行检测判断，因此还需根据可拓变换，对目标物元进行变换。由于本发明运用的是能量检测的方法，因此，认知用户在对授权用户进行检测的时候，接收到的是授权用户信号与干扰信号的融合信号。由于外部噪声信号为高斯白噪声信号，在N值足够大(N≥200)的时候，接收到的信号能量值服从正太分布。依据正态分布的概率分布规律，得出在不同状态下次用户接收到的频谱能量取值范围。

H₀～N(N，2N)；H₁～N(N(1+SNR)，2N(1+SNR))。其中N()是正态分布。即

其中N是认知用户节点检测授权用户频谱信息的采样样本数，SNR为每个节点的信噪比参数。可知随着采样数N的不断增大，检测的性能越强。但是N值的增大，随之而来的就是检测时间的延长。因此，要选取适当的采样数N值。由于测得的两种状态H₀和H₁的区间与N值和SNR值有关，因此当N值不变的时候，随着SNR的变化，两个区间之间的关系也随之变化。

在上述步骤S4中的判断授权用户的状态的方式为：

S41.当关联度ρ(H₀，H₁)＞p₀时，则当检测信号能量E属于H₀区间内时，即授权用户为非工作状态，判定值K＝-1，反之授权用户则为工作状态，判断值K＝1；当关联度ρ(H₀，H₁)≤p₀时，跳至步骤S42；

S42.通过关联函数计算出认知用户检测到的信号能量E基于H₀和H₁的关联度ρ(E，H₁)和ρ(E，H₀)；根据关联度ρ(E，H₁)和ρ(E，H₀)计算认知用户的判定值K， $K=\frac{\mathrm{\ρ}(E,H_1)-\mathrm{\ρ}(E,H_0)}{\mathrm{\ρ}(E,H_1)+\mathrm{\ρ}(E,H_0)};$

S43.计算信噪比SNR和认知用户相距授权用户的距离L对认知用户的判定值K的影响度

其中ω_L为基于距离参数的权重，ω_SNR基于信噪比参数的权重，ρ(L)为认知用户相距授权用户的距离可信度，ρ(SNR)为信噪比可信度；

S44.重复上述步骤S41、S42、S43通过各个认知用户对授权用户进行判断，得到判定值K_i、影响度

将所有得到的判定值K、影响度发送至融合中心，继而判断授权用户的工作状态；

其中i＝1，......，M，M为无线认知传感器网络中认知用户的个数。

在上述所述步骤S42中：

当K＜-α的时候，此时判定授权用户为H₀状态；当K＞α的时候，则属于授权用户为H₁状态，将K＜-α或K＞α时的判定值K值发送到融合中心；而当-α＜K＜α时则舍弃此时的检测结果；其中α∈(0，1)。

在所述步骤S43中ρ(L)的计算方式为

其中L_max为认知用户距离授权用户最远的距离值，L_min为认知用户距离授权用户最近的距离值，L为一个认知用户相距授权用户的距离值；

ρ(SNR)的计算方式为其中SNR_max为认知用户中信噪比最大值，SNR_min为认知用户中信噪比最小值，SNR为一个认知用户的信噪比值。

在所述步骤S44中融合中心对授权用户的判断方式为：

根据式计算出融合值U；设定阈值λ，当U＞λ则授权用户的判定结果为H₁，即授权用户在工作状态；反之当U＜λ时，此时判决结果为H₀，即授权用户在非工作状态。

更进一步，所述λ的取值范围为

其中M为无线认知传感器网络中认知用户的个数。其中阈值的取值一般是根据认知节点数所确定的。由于要使最终检测的结果更加准确，既要在保持较低的虚警概率下，得出较高的检测概率。因此，当节点数增大时，阈值的取值范围也会随之增大。并且随着阈值取值的不同，检测概率和虚警概率都会不同。根据仿真实验，得出阈值的取值范围为如图3、4所示，以M＝6为例子，当λ＝-3时，此时，检测概率达到最大值，但是此时的虚警概率也会达到最大值，此时检测结果不可信，认知用户此时会造成对授权用户的信号干扰。随着λ值的增大，检测概率随之增大，虚警概率会随之降低。当λ＝0.3时，此时能在保证较低的虚警概率下，得出较好的检测概率，此时能得出最佳的检测结果；当λ＝3时，虽然此时的虚警概率很低，但是检测概率却也很低，此时认知节点则不能快速检测到授权用户工作状态，降低了频谱利用率。

本发明的工作过程为：为了确定授权用户的工作状态，对认知用户节点引入可拓关联函数，通过关联函数对检测到的信号能量进行分析，最终判定出授权用户的工作状态。考虑到每个节点检测到的信号能量中都存在干扰参数，因此对其参数进行分析，判定对应节点接收频谱信息的可信度。把最终检测的频谱信息发送到融合中心，融合中心通过综合每个认知用户的检测信息和可信度，判定授权用户是否在工作状态。

这样不但有效减少了单个认知用户因为“隐终端”和外界环境干扰信号而造成的影响，提高了频谱的准确检测概率，降低了虚警概率。而且还降低了检测过程中的计算量，提高了检测效率。

与现有技术相比，本发明的有益效果：

现如今大多数对无线认知传感器网络频谱感知的方法，都是在通过预设虚警概率来设定门限值，从而来判断授权用户的信号存在与否。可是在外界干扰比较大的情况下，检测到授权用户信息的准确率也比较低。而为了提高其检测率，降低虚警概率，融入其他算法，却增加了其计算量。而本发明是基于实际的信号发生范围进行判断的，而不是某一特征值，提高了其判断的准确性。并且判断比较简单、迅速，降低了认知用户的检测时间，提高了效率。而且本发明应用可拓学方法去解决频谱感知的问题，为无线认知传感器网络频谱感知提供了新的思路。

附图说明

图1为本发明频谱决策的基本步骤流程示意图。

图2为本发明基于可拓理论应用的主要流程示意图。

图3为本发明在不同信噪比下的检测概率性能曲线图。

图4为本发明在不同信噪比下的虚警概率性能曲线图。

其中图3、图4的测试条件为：认知用户数为M＝6，认知用户对授权用户的信号样本采样数N＝300。

具体实施方式

下面结合附图对本发明做进一步描述，但本发明的实施方式并不限于此。

用物元表示法对无线认知传感器网络频谱决策中所用到的参数进行表示，基于能量检测中对授权用户判断的二元假设检测方法，可用以下方式表示：

目标物元：G(授权用户工作状态H₀/H₁(非工作状态/工作状态))；

条件物元：R(认知用户检测能量E)。

基于认知用户节点周围存在外界环境的干扰参数，即噪声信号和信道衰减。因此对每个节点应考虑到不同信噪比，和相距授权用户的不同距离L_i。

由于条件物元无法直接对目标物元(授权用户)进行检测判断，因此根据可拓变换，对目标物元进行变换。参见图1所示，本发明涉及到的无线认知传感器网络单元有一个授权用户、M个认知用户，根据能量检测的方法，外界噪声信号为高斯白噪声的时候，当授权用户不发送信号时，认知用户接收到的能量值服从中心卡方分布；当授权用户发送数据时，接收能量服从非卡方分布。

引用中心极限定理，当N值足够大的时候，近似服从高斯分布，即

$E~\left\{\begin{array}{cc}N(N,2N)& H_0\\ N(N(1+\mathrm{SNR}),2N(1+\mathrm{SNR}))& H_1\end{array}\right.$

其中N(，)是正态分布，即

其中N是认知用户节点检测授权用户频谱信息的采样样本数，SNR为每个节点的信噪比参数。可知随着采样数N的不断增大，检测的性能越强。但是N值的增大，随之而来的就是检测时间的延长。因此，要选取适当的采样数N值。由于测得的两种状态H₀和H₁的区间与N值和信噪比SNR有关，因此当N值不变的时候，随着SNR的变化，两个区间之间的关系也随之变化，参见图2，首先通过关联函数计算出两状态下的关联度ρ(H₀，H₁)，可计算出两个区间H₀(a，b)和H₁(c，d)的关联度：

$\mathrm{\ρ}(H_0,H_1)=\frac{1}{2}[\mathrm{\ρ}(a,(c,d))+\mathrm{\ρ}(b,(c,d))]$

带入数值计算可知：

当 $P(H_0,H_1)>-(3*\sqrt{2N})$ 时，H₀和H₁两区间逐渐远离，因为检测到的能量值E几乎都是在这两个区间内，因此，当检测信号能量值属于哪个区间，就判定为哪种状态。例如E在H₀区间内，则授权用户为非工作状态，反之则是在工作状态。此时就能迅速准确的区分授权用户的工作状态。对检测到的能量值E进行判断：当E∈H₀，则输出K＝-1；当E∈H₁，则输出K＝1；

当 $P(H_0,H_1)\≤-(3*\sqrt{2N})$ 时，H₀区间与H₁区间相互很接近，当检测到的能量值是在两个区间的最优值之间的时候，是很难判别授权用户工作状态的。因此，此时就要应用可拓关联函数计算出E基于两个不同区间的关联度ρ(E，H₁)和ρ(E，H₀)。通过以下算法计算出每个认知用户节点检测到能量值基于H₀和H₁的相关度：

最优值在区间右侧：

$\mathrm{\&rho;}=\left\{\begin{array}{cc}a-x,& x\&le;x_0\\ x-b,& x\&GreaterEqual;b\\ \frac{a-x_0}{b-x_0}(b-x),& x_0<x<b\end{array}\right.$

最优值在区间左侧：

$\mathrm{\&rho;}=\left\{\begin{array}{cc}a-x,& x\&le;a\\ x-b,& x\&GreaterEqual;x_0\\ \frac{b-x_0}{a-x_0}(x-a),& a<x<x_0\end{array}\right.$

其中x₀是区间(a，b)中的最优值点。

由于H₀和H₁俩区间中的最优值都是在中间位置，因此可简化关联函数：

$\mathrm{\&rho;}=\left\{\begin{array}{cc}-\frac{x-a}{x_0-a}& x\&le;x_0\\ -\frac{b-x}{b-x_0}& x>x_0\end{array}\right.$

再对E进行可拓关联函数计算。得出基于H₀和H₁两个区间的关联度：

$\mathrm{\&rho;}(E,H_0)=-\frac{(N+3*\sqrt{2N})-E}{3*\sqrt{2N}}(E\&GreaterEqual;N)$

$\mathrm{\&rho;}(E,H_1)=-\frac{E-(N(1+\mathrm{SNR})-3*\sqrt{2N(1+\mathrm{SNR})})}{3*\sqrt{2N(1+\mathrm{SNR})}}(E\&le;N(1+\mathrm{SNR}))$

当ρ(E，；)＜0的时候，表示所测的值在对应区间范围之外，其值随着E值越远离区间ρ(E，；)越小；

当ρ(E，；)＞0的时候，表示所测的值在对应区间范围之内，其值随着E值越接近最优点ρ(E，；)越大；

当ρ(E，；)＝0的时候，表示所测的值在边界点上。

由此计算出关于每个节点检测到的信号能量基于H₀和H₁的相关度值，为了最终判断出授权用户的工作状态。则需要进行以下计算：

$K=\frac{\mathrm{\&rho;}(E,H_1)-\mathrm{\&rho;}(E,H_0)}{\mathrm{\&rho;}(E,H_1)+\mathrm{\&rho;}(E,H_0)}$

由于每个认知用户传感器节点对于中心授权用户的距离都是不同的，而且周围的噪声信号对每个认知用的影响也是不同的。因此，对认知用户的噪声信号和相距授权用户的距离都要加入到对检测信号的判决中。

每个认知用户节点相距授权用户节点的距离参数值为L_i(每个节点随机分布在中心授权用户周围)，本地检测的认知用户数量为M，假设其中距离授权用户最远的为L_max。由于存在信道衰减等因素对信号能量的影响，因此距离授权用户越近，检测到的信号能量越准确。因此，最优值也是距离主用最近的节点距离L_min。可用以下关联函数计算出各个认知用户节点距离的可信度：

每个认知用户节点的信噪比可信度为：

其中SNR_max为M个认知节点中信噪比最大的值，SNR_min为M个认知节点中信噪比最小的值。

由于每个节点的信噪比和相距授权用户的距离都会影响最终检测的结果，因此，需要对距离参数L_i和信噪比参数SNR_i进行权重分配。设定基于距离参数的权重为ω_L＝0.5，基于信噪比参数的权重ω_SNR＝0.5。则最终对每个节点检测的K值的影响度为也可以通过仿真实验，为了达到预期的检测效果，从而不断改变其权重比例。

最后把K值和每个认知节点的可信度

发送到融合中心，采用进行计算，通过融合中心对所有认知节点检测到数据的综合，得出最终的频谱检测结果U。设定阈值λ，当U＞λ则判定结果为H₁,即授权用户为工作状态；反之当U＜λ时，此时判决结果为H₀，即授权用户在非工作状态。

其中阈值的取值范围一般是根据认知节点数所确定的。由于要使最终检测的结果更加准确，既要在保持较低的虚警概率下，得出较高的检测概率。因此，当节点数增大时，阈值的取值也会随之增大。并且随着阈值取值的不同，检测概率和虚警概率都会不同。根据仿真试验，得出阈值的取值范围为其中M为认知节点数。

按照附图说明部分的测试条件，使用蒙特卡罗仿真方法对本方法进行1000次以上的独立仿真，测试本发明在不同阈值下的检测概率和虚警概率性能。结果如图3和图4所示。

图3和图4中测试本方法的性能，以融合中心的检测概率和虚警概率随着SNR的变化曲线形式给出。

如图3、4所示，当阈值λ＝-3时，此时检测概率达到最大值，而且此时虚警概率也会很大。此时认知用户对授权用户的检测会不准确，会对授权用户造成信号干扰；当λ＝3时，此时虚警概率达到最低，保证了不会对授权用户造成干扰，但是此时检测概率也很低，表明认知用户不容易检测到授权用户的空闲状态，会造成频谱资源的浪费。当阈值λ的值从-3到3变化时，检测概率曲线会从1逐渐趋近于0，虚警概率曲线会从0逐渐趋近于1。因此，为了在保护授权用户的情况下，使认知用户正确检测出授权用户信息，从而合理利用频谱资源。需要阈值选取中间附近的值，即在虚警概率很低的情况下，有较高的检测概率。

如图3、4所示，当λ＝0.3时，虚警概率最高值为0.2，，并随着SNR的增大，逐渐降低，保证了对授权用户信息不受干扰。此时检测概率也有较高的值，并随着SNR的增大逐渐增大，最终达到最大值。说明此时认知用户检测出授权用户的信息是最准确的

以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (7)

1.基于可拓关联函数的无线认知传感器网络频谱感知的方法，其特征在于，具体步骤如下：

S1.通过物元表示方法对无线认知传感器网络中的授权用户和认知用户进行物元表示：

目标物元：G(授权用户工作状态H₀/H₁(非工作状态/工作状态))；

条件物元：R(认知用户检测能量E)；

S2.将目标物元进行转换得到：G(授权用户H₀/H₁(a，b)/(c，d))；

其中(a，b)为非工作状态H₀下认知用户接收到的信号能量值的区间范围，(c，d)为工作状态H1下认知用户接收到的信号能量值的区间范围；

S3.通过关联函数计算出区间H₀(a，b)和H₁(c，d)的关联度ρ(H₀，H₁)；

$\mathrm{\&rho;}(H_0,H_1)=\frac{1}{2}[\mathrm{\&rho;}(a,(c,d))+\mathrm{\&rho;}(b,\left(\mathrm{cd}\right))];$

S4.根据关联度判断H₀和H₁两个区间的关系，判断授权用户的状态。

2.根据权利要求1所述的基于可拓关联函数的无线认知传感器网络频谱感知的方法，其特征在于，所述步骤S4中的判断授权用户的工作状态的方式为：

S41.当关联度ρ(H₀，H₁)＞p₀时，则当检测信号能量值E属于H₀区间内时，即授权用户为非工作状态，判定值K＝-1，反之E属于H₁区间内时，授权用户则为工作状态，判断值K＝1；当关联度ρ(H₀，H₁)≤p₀时，跳至步骤S42；

S42.通过关联函数计算出认知用户检测到的信号能量值E基于H₀和H₁的关联度ρ(E，H₁)和ρ(E，H₀)；根据关联度ρ(E，H₁)和ρ(E，H₀)计算认知用户的判定值K， $K=\frac{\mathrm{\&rho;}(E,H_1)-\mathrm{\&rho;}(E,H_0)}{\mathrm{\&rho;}(E,H_1)+\mathrm{\&rho;}(E,H_0)};$

S43.计算信噪比SNR和认知用户相对于授权用户的距离L对认知用户的判定值K的影响度

其中ω_L为基于距离参数的权重，ω_SNR基于信噪比参数的权重，ρ(L)为认知用户相对授权用户的相对距离的可信度，ρ(SNR)为信噪比可信度；

S44.重复上述步骤S41、S42、S43通过各个认知用户对授权用户进行判断，得到判定值K_i、影响度

将所有得到的判定值K、影响度

发送至融合中心，继而判断授权用户的工作状态；

其中i＝1，......，M，M为无线认知传感器网络中认知用户的个数。

3.根据权利要求2所述的基于可拓关联函数的无线认知传感器网络频谱感知的方法，其特征在于，所述步骤S42中：

当K＜-α的时候，此时判定授权用户为H₀状态；当K＞α的时候，则属于授权用户为H₁状态，将K＜-α或K＞α时的判定值K值发送到融合中心；而当-α＜K＜α时则舍弃此时的检测结果；其中α∈(0，1)。

4.根据权利要求2所述的基于可拓关联函数的无线认知传感器网络频谱感知的方法，其特征在于，所述步骤S43中ρ(L)的计算方式为

其中L_max为认知用户距离授权用户最远的距离值，L_min为认知用户距离授权用户最近的距离值，L为一个认知用户距离授权用户的距离值；

ρ(SNR)的计算方式为其中SNR_max为认知用户中信噪比最大值，SNR_min为认知用户中信噪比最小值，SNR为一个认知用户的信噪比。

5.根据权利要求4所述的基于可拓关联函数的无线认知传感器网络频谱感知的方法，其特征在于，所述步骤43)中ω_L＝0.5，ω_SNR＝0.5。

6.根据权利要求2所述的基于可拓关联函数的无线认知传感器网络频谱感知的方法，其特征在于，所述步骤S44中融合中心对授权用户的判断方式为：

根据式

计算出融合值U；设定阈值λ，当U＞λ则授权用户的判定结果为H₁，即授权用户的为工作状态；反之当U＜λ时，此时判决结果为H₀，即授权用户的在非工作状态。

7.根据权利要求6所述的基于可拓关联函数的无线认知传感器网络频谱感知的方法，其特征在于，所述λ的取值范围为其中M为无线认知传感器网络中认知用户的个数。

Images