CN103326797B - 认知网络中的合作式频谱感知方法 - Google Patents

Abstract

本发明涉及一种认知网络中的合作式频谱感知方法，分为训练阶段，包括如下步骤：授权用户按照规定的模式切换活动和空闲状态；次级用户通过能量检测进行频谱感知；次级用户将本地的感知数据发送给控制中心；控制中心求得进行合作式感知中数据融合所需要的最佳权值向量；感知阶段，授权用户自由活动，次级用户对频谱进行能量检测后将检测数据发送到控制中心，控制中心结合已有的权值矩阵以及门限对当前授权用户的活动情况做出判断；频谱共享阶段包括：当控制中心判断该时隙内授权用户空闲时，控制中心按照次级用户对感知做出的贡献确定每个次级用户分得的该频道上的传输时间。本发明增加了系统的可行性与健壮性，并且具有较好的感知性能。

Description

认知网络中的合作式频谱感知方法

技术领域

本发明属于通信技术领域，具体地涉及一种认知网络中的合作式频谱感知方法。

背景技术

由于近年来无线业务需求的迅速增加，工业界对于无线频谱的需求也越来越大，导致频谱资源十分紧缺。但与此同时，授权频段的利用率却始终不高。而认知无线电技术被公认为有能力提高频谱利用效率。一般来说，认知无线电网络可以使次级用户（SU，secondary user）与授权用户（PU，primary user）共享频谱资源来传输它们的数据。其基本实现方式是次级用户通过不存在授权通信系统的频谱空洞传输或者次级用户限制自己的传输不对授权用户产生干扰。

在一个认知网络中，次级用户必须能检测特定频段内授权用户的活动情况。这个过程被称为频谱感知。通常，我们用虚警概率和检测概率两个参数来衡量频谱感知策略的优劣。虚警概率即授权用户空闲的条件下，感知结果为活动的概率；检测概率即授权用户活动的条件下，感知结果为活动的概率。虚警概率越小，对于空闲频谱的利用率越好；检测概率越大，对于授权用户的保护越好。通常，不论采取何种物理层检测方法，单个次级用户的检测性能均有局限性，会受到衰落以及多径效应的影响。为了对抗这些负面效应，我们引入了合作式感知，通过多个次级用户的合作和数据融合，能够克服本地检测的局限性。

合作式感知的一个重要内容在于如何根据多个次级用户的本地检测结果综合出最终的检测结果，这个过程被称为数据融合。根据次级用户向控制中心汇报之前是否进行本地门限判断，数据融合算法被分为硬融合和软融合两类。在硬融合算法中，次级用户首先对本地的检测数据进行门限判断，检测为活动则记为0，活动则为1，然后将此1bit信息发送到控制中心。。控制中心根据收到的多个次级用户的1bit信息确定最终的检测结果。常用的融合规则包括与规则、或规则、多数规则等。软融合算法中，次级用户并不做本地判断，而是将原始的检测数据直接或者经量化发送给控制中心。虽然硬融合传递的数据量较小，抗干扰能力强，但是由于能用来进行协作的信息十分有限，因此感知的准确率远远不如软融合。而量化软融合已经很大程度上解决了软融合需要传递大量信息的问题，具有比较高的可靠性和效率。因此，在本发明中，我们采取软融合中的线性融合作为融合规则，而在物理层采用了使用广泛的能量检测方法。

而在之前关于检测结果线性融合的工作中，为了最优化融合使用的权值矩阵，往往需要控制中心获得一些关于次级用户的无线环境的参数，例如检测结果的方差。而在实际操作中，这个过程难以实施，并且没有机制保证次级用户会向控制中心汇报其真实的环境参数。相关的工作可以参见论文“Optimal linear cooperation forspectrum sensing in cognitive radio networks”（针对认知网络中的频谱检测的最优线性协作，IEEE Journal of Selected Topics in Signal Processing2008）。为了克服这一问题，我们引入了机器学习领域中的线性判别分析方法。线性判别分析主要应用于多维特征样本的分类工作中，可以在没有先验知识的情况下，通过一定数量的训练样本，建立起降维的映射关系，从而将复杂的分类问题变为简单的门限判别。

此外，若次级用户的物理层检测性能可以调节，例如通过增加检测时间来减小误差，控制中心如何设计频谱共享方案，使得次级用户有提高自身检测性能的积极性，从而提高系统整体检测准确性，也有研究的价值。

因此，对于认知网络中频谱感知机制而言，本发明主要关注的问题在于，如何实现系统的训练阶段以及当授权频道空闲时的频谱共享方案。

发明内容

本发明解决的问题是提供无需先验信息的可靠有效的认知无线电中次级用户的协作式频谱感知方法。为解决上述技术问题，本发明提供了一种认知网络中的合作式频谱感知方法，分为三个阶段，分别为训练阶段、感知阶段和频谱共享阶段，所述训练阶段，包括如下步骤：

授权用户按照规定的模式切换活动和空闲状态；

次级用户通过能量检测进行频谱感知；

次级用户将本地的感知数据发送给控制中心；

控制中心求得进行合作式感知中数据融合所需要的最佳权值向量；

所述感知阶段，授权用户自由活动，次级用户对频谱进行能量检测后将检测数据发送到控制中心，控制中心结合已有的权值矩阵以及门限对当前授权用户的活动情况做出判断；

所述频谱共享阶段包括：当控制中心判断该时隙内授权用户空闲时，控制中心按照次级用户对感知做出的贡献确定每个次级用户分得的该频道上的传输时间。

优选地，合作式检测中控制中心使用的数据融合策略属于软融合中的线性融合，即最终控制中心得到的检测数据由下式给出

$y_c=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{x}_i\left(k\right)=x\left(k\right)w$

其中，M为次级用户的数目，w为权值向量，x_i(k)为第i个次级用户在第k个时隙得到的能量检测结果。

优选地，所述训练阶段采用线性判别分析求得最佳权值向量，最佳权值向量w由以下算法给出：

令

$S_l=\underset{x\∈{\mathrm{\θ}}_l}{\mathrm{\Σ}}(x-{\mathrm{\μ}}^{\left(l\right)}){(x-{\mathrm{\μ}}^{\left(l\right)})}^T$

$S_B=({\mathrm{\μ}}^{\left(0\right)}-{\mathrm{\μ}}^{\left(1\right)}){({\mathrm{\μ}}^{\left(0\right)}-{\mathrm{\μ}}^{\left(1\right)})}^T$

将每次得到的检测数据分为两类，授权用户空闲时得到的检测数据集合记为θ₀，活动时得到的记为θ₁，μ_l为θ_l集合中的均值向量。

若S_w=S₀+S₁最优的权值向量w为S_w ^-1S_B中对应最大特征值的特征向量。

优选地，训练阶段的时间长度受控制中心控制，授权用户空闲和活动的轮数N_T通过下式算出：

$N_T=-\frac{4}{{(B-A)}^2}\ln \left(2p\right)$

式中，p为每轮训练的成本，A，B分别为授权用户空闲和活动时次级用户感知数据的均值。

优选地，控制中心使用的门限判别门限按照最大似然准则给出。

优选地，所述频谱共享阶段包括一个采用时分复用机制，控制中心确定每个次级用户可以享有的传输时间，控制次级用户对频道的接入。

本发明的技术方案具有以下有益效果：

通过引入训练阶段以及线性判别分析，消除了一般的最优化协作感知中软融合对于无线环境参数的先验知识的依赖，增加了系统的可行性与健壮性，并且具有较好的感知性能。

结合了频谱分配博弈与频谱感知，通过合理的对于次级用户接入频谱的时间进行控制盒分配，激励次级用户延长自身检测时间，提高本地检测数据的准确性，从而提高整体的感知性能。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本系统中各个阶段的时间划分示意图；

图2是本发明实施方式的认知网络中次级用户协作感知方案的流程示意图；

图3是本发明一实施例在A=4，B=5，p=0.0001，σ_i0均匀分布于[0,5]时，各个算法下虚警率P_f与漏警率P_m与次级用户数量M的关系；

图4是本发明一实施例在A=4，B=5，σ_i0均匀分布于[0,5]，M=51时，各个算法下虚警率P_f与漏警率P_m与每轮训练成本p的关系；

图5是本发明一实施例在A=4，B=5，σ_i0均匀分布于[0,1]，M=20时，次级用户与控制中心收益与每轮训练成本p的关系。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

正如背景技术中所描述的，协作式感知被广泛的应用于认知无线电系统中的频谱感知技术中，用以克服单个次级用户进行频谱感知时遭受的多径效应和衰落带来的干扰。而协作式感知中的量化融合技术更是在传输效率和检测性能中找到了比较好的折中。但是，最优的融合策略往往需要一些次级用户无线环境参数的先验知识，而这在实践中是难以达成的。

发明人提出，在进行感知及融合之前，引入一个训练阶段。利用一些次级用户检测数据的样本及其对应的授权用户的状态对控制中心进行训练，利用线性判别分析，控制中心可以得到一个近似最优的权值向量，通过利用该权值向量对所有次级用户的检测数据进行加权求和，可以将频谱感知简化为简单的门限判断。并且，通过设计适当的频谱共享以及次级用户的接入控制方案，可以激励次级用户增加自己的检测时间从而提高系统整体的检测准确性。

为了更好地说明本发明的技术方案，本实施方式中以一个时隙化系统，其中授权用户的活动状态在某个时隙中不发生改变，M个次级用户在一个控制中心的管理下进行频谱感知与频谱接入的情况为例进行说明。

请参见图1，本发明所示频谱感知系统的各个工作阶段的时间划分。我们假设在我们考虑的时间范围内，各个次级用户的无线环境参数不发生重大变化，因此对于一个感知系统，进行一次训练阶段是足够的。而在之后的每一个时隙的开始阶段，次级用户系统进行协作式频谱感知，判断当前时隙内授权用户是否活动。如果当前时隙内感知结果显示授权频谱空闲，控制中心将按照一定规则给每个次级用户分配一定传输时间，控制次级用户接入授权频谱；如果感知结果显示授权用户传输，次级用户将在这个时隙内不传输。

图2是本发明实施方式的认知网络中的协作式感知方案的流程示意图，如图2所示，所述认知网络中协作式感知方案包括：

步骤S11：在授权用户的活动状态已知的情况下，次级用户对指定的频谱进行能量检测；

步骤S12：次级用户将本地的检测数据发送给控制中心；

步骤S13：控制中心根据线性判别分析算法，得到最优的用于数据融合的权值向量；

步骤S14：次级用户在授权用户活动情况未知的情况下进行能量检测，将检测数据发送给控制中心；

步骤S15：控制中心利用收集到的检测数据、权值向量以及门限判断当前时刻授权用户是否活动；

步骤S16：若该时隙内授权频道空闲，控制中心按照次级用户对感知做出的贡献确定每个次级用户分得的该频道上的传输时间。

以下对上述步骤进行一一说明。

参考图1，本实施方式中，除了训练阶段，授权用户分时隙工作，假设所有时隙的长度一定，在同一时隙中，授权用户的活动状态保持不变。在系统的初始化阶段，首先需要进行一个训练阶段，以确定融合各个次级用户检测数据所需的权值向量。之后在每个时隙的开始阶段，次级用户系统进行协作式感知，判断当前时隙内授权用户的活动情况。根据感知结果，控制中心确定是否要允许次级用户进行频谱接入以及各个次级用户接入频谱的时间。假设次级用户采用能量检测进行频谱感知，在采样频率较高的情况下，根据中心极限定理可以假设次级用户的检测数据呈正态分布。且其方差受次级用户能量检测采样时间的影响，具体而言：

${{\mathrm{\σ}}_i}^2=\frac{{\mathrm{\σ}}_{i0}^2}{N_{\mathrm{Si}}}$

式中，为次级用户i只检测单位时间时，其检测数据的方差，N_Si为次级用户i的检测时间。我们还假设当授权用户空闲时，次级用户的检测数据均值为A，否则均值为B。

继续参考图1，本实施方式中，控制中心可以决定训练阶段的时间长度，而训练阶段时间对于系统性能的影响会在后面做出讨论。

执行步骤S11，在授权用户的活动状态已知的情况下，次级用户对指定的频谱进行能量检测；

此步骤中，每一轮检测将生成一个次级用户检测数据的样本向量，具体而言，第k个样本向量为：

x_k=[x₁(k),x₂(k),…,x_M(k)]

并且，按照训练阶段的定义，控制中心知晓每个样本向量对应的授权用户工作状态。此外令在训练阶段，授权用户工作和空闲对应的样本向量数量同为N_T。

N_T由控制中心确定，控制中心的收益参数设为

U_c=f(P_d,P_f)-pN_T

其中，p为每轮训练的成本，f(P_d,P_f)按下式给出：

$f(P_d,P_f)=\left\{\begin{array}{cc}{P}_d& P_{f\≤}{P}_{f\max }\\ -\∞& \mathrm{otherwise}\end{array}\right.$

求导最大化U_c可以得到最佳的N_T为

$N_T=-\frac{4}{{(B-A)}^2}\ln \left(2p\right)$

执行步骤S12，次级用户将本地的检测数据发送给控制中心，控制中心记录下每个训练样本向量及其对应的授权用户工作状态。

执行步骤S13，控制中心根据线性判别分析算法，得到最优的用于数据融合的权值向量。

具体而言，控制中心将按照以下算法求得权值向量。

令

$S_l=\underset{x\∈{\mathrm{\θ}}_l}{\mathrm{\Σ}}(x_k-{\mathrm{\μ}}^{\left(l\right)}){(x_k-{\mathrm{\μ}}^{\left(l\right)})}^T$

$S_B=({\mathrm{\μ}}^{\left(0\right)}-{\mathrm{\μ}}^{\left(1\right)}){({\mathrm{\μ}}^{\left(0\right)}-{\mathrm{\μ}}^{\left(1\right)})}^T$

其中，x_k为每轮检测中M个次级用户的检测结果组成的向量。我们将每次得到的检测数据分为两类，授权用户空闲时得到的检测数据集合记为θ₀，活动时得到的记为θ₁，μ_l为θ_l集合中的均值向量。

若S_w=S₀+S₁，最优的权值向量w为S_w ^-1S_B中对应最大特征值的特征向量。

执行步骤S14，次级用户在授权用户活动情况未知的情况下进行能量检测，将检测数据发送给控制中心。

执行步骤S15控制中心利用收集到的检测数据、权值向量以及门限判断当前时刻授权用户是否活动。最终控制中心得到的检测数据由下式给出

$y_c=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{x}_i\left(k\right)=x\left(k\right)w$

其中，M为次级用户的数目，w为权值向量，x_i(k)为第i个次级用户在第k个时隙得到的能量检测结果。

其中，γ_c是根据最大似然准确确定的判别门限。如何具体确定γ_c属于现有工作的范畴，在这里不再展开描述。

执行步骤S16，若该时隙内授权频道空闲，控制中心按照次级用户对感知做出的贡献确定每个次级用户分得的该频道上的传输时间。

具体而言，第i个次级用户分得的传输时间为：

$T_i=T_0\frac{\frac{{N_s}_i}{{\mathrm{\σ}}_{i0}^2}}{\underset{j=0}{\overset{M}{\mathrm{\Σ}}}\frac{{N_s}_j}{{\mathrm{\σ}}_{j0}^2}}$

图3是本发明一实施例在A=4，B=5，p=0.0001，σ_i0均匀分布于[0,5]时，各个算法下虚警概率P_f与漏警率P_m与次级用户数量M的关系。在仿真时，我们分别选用了硬融合中的多数规则和软融合中的算术平均作为对照算法，并且设定授权用户在频谱感知阶段在每个时隙独立的以等概率选择传输和空闲。从图3中可以看出，这三种算法都在次级用户数量较大的时候具有较好的检测准确性，并且，本发明中提出的感知算法（记为CSSA，cooperative sensing-based spectrum allocation，基于协作感知的频谱分配）相比另外两种算法感知性能有较大的提高。而且这个优势随着M的增大而增大。具体来说，虚警概率和漏警率的平均值在M=11时比多数算法小45.67%，而在M=51时达到了67.20%。

图4是本发明一实施例在A=4，B=5，σ_i0均匀分布于[0,5]，M=51时，各个算法下警率P_f与漏警率P_m与每轮训练成本p的关系。显然，p对于对照组的两种算法没有影响。而当p增大时，由于控制中心将减小训练轮数控制成本，本发明中提出的算法性能下降，但仍然优于对照组的两个算法。

图5是本发明一实施例在A=4，B=5，σ_i0均匀分布于[0,1]，M=20时，次级用户与控制中心收益与每轮训练成本p的关系。如图5所示，当p增加时，控制中心的收益显著下降，而次级用户的收益基本不变。另外仿真结果还显示，当次级用户数量增加的时候，虽然系统的检测性能改良，但控制中心收益减小。因此我们需要控制次级用户数量，避免控制中心收益为负。

综上所述，本发明的技术方案至少具有以下有益效果：

通过引入训练阶段以及线性判别分析，消除了一般的最优化协作感知中软融合对于无线环境参数的先验知识的依赖，增加了系统的可行性与健壮性，并且具有较好的感知性能。

结合了频谱分配博弈与频谱感知，通过合理的对于次级用户接入频谱的时间进行控制盒分配，激励次级用户延长自身检测时间，提高本地检测数据的准确性，从而提高整体的感知性能。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (4)

1.一种认知网络中的合作式频谱感知方法，其特征在于，分为三个阶段，

分别为训练阶段、感知阶段和频谱共享阶段，

所述训练阶段，包括如下步骤：

授权用户按照规定的模式切换活动和空闲状态；

次级用户通过能量检测进行频谱感知获得感知数据；

次级用户将本地的感知数据发送给控制中心；

控制中心求得进行合作式感知中数据融合所需要的最佳权值向量；

所述感知阶段，授权用户自由活动，次级用户对频谱进行能量检测后将检测数据发送到控制中心，控制中心结合已有的最佳权值向量以及门限对当前授权用户的活动情况做出判断；

所述频谱共享阶段包括：当控制中心判断授权用户空闲时，控制中心按照次级用户对感知做出的贡献确定每个次级用户分得的该频道上的传输时间；

所述训练阶段采用线性判别分析求得最佳权值向量，最佳权值向量w由以下方法给出：

令

$S_l=\underset{x\∈{\mathrm{\θ}}_l}{\Σ}(x-{\mathrm{\μ}}^{\left(l\right)}){(x-{\mathrm{\μ}}^{\left(l\right)})}^T,l=0,1$

S_B＝(μ⁽⁰⁾-μ⁽¹⁾)(μ⁽⁰⁾-μ⁽¹⁾)^T

将每次得到的检测数据分为两类，l＝0表示授权用户空闲时得到的检测数据集合并记为θ₀，l＝1表示授权用户活动时得到的检测数据并记为θ₁，μ⁽⁰⁾为θ₀中向量x的均值向量，μ⁽¹⁾为θ₁中向量x的均值向量；

则S_w＝S₀+S₁最优的权值向量w即为S_w ^-1S_B中对应最大特征值的特征向量；

所述S₀、S₁分为公式S_l中的l等于0和1时的取值；

所述训练阶段的时间长度受控制中心控制，授权用户空闲和活动的轮数N_T通过下式算出：

$N_T=-\frac{4}{{(B-A)}^2}ln\left(2p\right)$

式中，p为每轮训练的成本，A，B分别为授权用户空闲和活动时次级用户感知数据的均值。

2.如权利要求1所述的认知网络中的合作式频谱感知方法，其特征在于，合作式检测中控制中心使用的数据融合策略属于软融合中的线性融合，即最终控制中心得到的检测数据y_c由下式给出

$y_c=\underset{i=1}{\overset{M}{\Σ}}{w}_i{x}_i\left(k\right)=x\left(k\right)w$

其中，M为次级用户的数目，w为权值向量，x_i(k)为第i个次级用户在第k个时隙得到的能量检测结果。

3.如权利要求1所述的认知网络中的合作式频谱感知方法，其特征在于，控制中心使用的门限判别门限按照最大似然准则确定。

4.如权利要求1所述的认知网络中的合作式频谱感知方法，其特征在于，所述频谱共享阶段包括一个采用时分复用机制，控制中心确定每个次级用户可以享有的传输时间，控制次级用户对频道的接入。