CN103327504A - 一种认知无线电网络中频谱感知间隔的决策方法 - Google Patents

Abstract

本发明公开了一种认知无线电网络中频谱感知间隔的决策方法，该方法包括：获取当前频谱感知结果；若当前频谱感知结果为频谱忙碌，且对应的频谱感知间隔为θ₁，则根据频谱感知间隔内频谱状态变为空闲的时隙个数的期望值f_O(θ₁)，计算降低的吞吐量的期望值f_T(θ₁)；再计算平均每个时隙的感知能量消耗f_E(θ₁)；并根据计算出的f_T(θ₁)与f_E(θ₁)计算最优频谱感知间隔；若当前频谱感知结果为频谱空闲，且对应的频谱感知间隔为θ₀，则根据频谱感知间隔内频谱状态变为忙碌的时隙个数的期望值g_O(θ₀)，计算降低的吞吐量的期望值g_T(θ₀)以及授权用户遭受的干扰的期望值g_I(θ₀)；再计算平均每个时隙的感知能量消耗g_E(θ₀)；并根据计算出的g_E(θ₀)、g_T(θ₀)与g_I(θ₀)计算最优频谱感知间隔。通过采用本发明公开的方法，降低了系统能量消耗，提高了系统吞吐量。

Description

一种认知无线电网络中频谱感知间隔的决策方法

技术领域

本发明涉及通信技术领域，尤其涉及一种认知无线电网络中频谱感知间隔的决策方法。

背景技术

近年来，无线通信网络频谱稀缺问题越来越严重，认知无线电作为一种切实可行的方法能够很好的解决这个问题。认知无线电技术允许次级用户以一种随机的方式动态的共享未被充分利用的授权用户的频谱资源。

频谱感知技术是认知无线电中一项重要的技术，次级用户通过频谱感知发掘未被授权用户占用的空闲频谱，从而在不干扰授权用户通信的前提下实现动态频谱共享。在时隙系统中，现有的频谱感知方法要求次级用户在每个时隙的开始对频谱状态进行感知。但是现有的方法中，次级用户在每个时隙的开始均需进行一次频谱感知，根据真实频谱占用情况统计，而频谱的占用/空闲状态往往持续多个时隙而不是每个时隙都会发生变化；因此，无须每个时隙均进行频谱感知。已有研究中，频繁的频谱感知会造成大量的能量消耗。此外，在频谱感知时间内，所有次级用户无法进行数据传输，从而导致系统吞吐量降低。

发明内容

本发明的目的是提供一种认知无线电网络中频谱感知间隔的决策方法，降低了系统能量消耗，提高了系统吞吐量。

本发明的目的是通过以下技术方案实现的：

一种认知无线电网络中频谱感知间隔的决策方法，该方法包括：

获取当前频谱感知结果；

若当前频谱感知结果为频谱忙碌，且对应的频谱感知间隔为θ₁，则根据频谱感知间隔内频谱状态变为空闲的时隙个数的期望值f_O(θ₁)，计算降低的吞吐量的期望值f_T(θ₁)；再计算平均每个时隙的感知能量消耗f_E(θ₁)；并根据计算出的f_T(θ₁)与f_E(θ₁)计算最优频谱感知间隔；

若当前频谱感知结果为频谱空闲，且对应的频谱感知间隔为θ₀，则根据频谱感知间隔内频谱状态变为忙碌的时隙个数的期望值g_O(θ₀)，计算降低的吞吐量的期望值g_T(θ₀)以及授权用户遭受的干扰的期望值g_I(θ₀)；再计算平均每个时隙的感知能量消耗g_E(θ₀)；并根据计算出的g_E(θ₀)、g_T(θ₀)与g_I(θ₀)计算最优频谱感知间隔。

由上述本发明提供的技术方案可以看出，根据初始感知状态的不同，通过系统吞吐量、能量消耗以及对授权用户造成的干扰来计算最优频谱感知间隔，使次级用户能够根据最新感知结果动态的决定下一次进行频谱预测的时间，更具有灵活性；另一方面，与现有的频谱感知方法需要次级用户在每个时隙的开始进行感知不同，本发明的方法在一定数目的时隙间隔内进行频谱感知即可，这不仅能够降低由于频谱感知带来的能量消耗，还能够使系统获得较大的吞吐量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施一例提供的一种认知无线电网络中频谱感知间隔的决策方法的流程图；

图2为本发明实施一例提供的频谱感知过程的示意图；

图3为本发明实施二例提供的频谱感知结果为频谱忙碌时最优频谱感知间隔计算结果的示意图；

图4为本发明实施二例提供的频谱感知结果为频谱空闲时最优频谱感知间隔计算结果的示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

实施例一

图1为本发明实施例一提供的一种认知无线电网络中频谱感知间隔的决策方法的流程图。如图1所示，该方法主要包括如下步骤：

步骤11、获取当前频谱感知结果，若当前频谱感知结果为频谱忙碌，则转入步骤12；否则，转入步骤13。

本发明实施例中当前频谱感知结果包括频谱忙碌与频谱空闲；具体的频谱感知过程可参见图2，主要包括如下步骤：

1）建立频谱感知模型。本实施例将频谱感知过程建立为隐马尔科夫模型；

其中，以频谱的真实状态（图2中的信道状态q₁,q₂,...,q_n）构成隐马尔科夫模型的隐状态，以X＝{x₀,x₁}表示隐马尔科夫模型的隐状态空间，其中，x₀=0与x₁＝1分别表频谱状态为空闲和忙碌；

以频谱感知得到的感知结果（图2中的感知结果o₁,o₂,...,o_n）构成隐马尔科夫模型的观察状态，以Y＝{y₀,y₁}表示隐马尔科夫模型的观察状态空间，其中，y₀=0与y₁＝1分别表示频谱感知结果为空闲和忙碌。

2）根据所述频谱感知模型估计频谱状态参数。

隐马尔科夫模型的参数λ＝(π,A,B)，用于反映频谱的状态参数；其中，π为初始状态概率分布，该参数用于反映频谱的初始占用或空闲状态的概率分布情况，表示为：π＝[π_i]_1×2,π_i＝P(q₁＝i),i∈X，其中，[π_i]_1×2表示一行两列的矩阵，π_i＝P(q₁＝i)表示频谱的初始状态为空闲（i=0）和忙碌（i=1）的概率；A为状态转移概率矩阵，用于反映频谱占用状态和空闲状态彼此间的状态转移概率，表示为：A＝[a_ij]_2×2,a_ij＝P(q_n+1＝j|q_n＝i),i,j∈X，其中，[a_ij]_2×2表示两行两列的矩阵，a_ij＝P(q_n+1＝j|q_n＝i)表示频谱在时隙n状态为i，在下一时隙转化为状态j的概率；B为发射概率矩阵，用于反映次级用户频谱感知的准确率，表示为：B＝[b_jk]_2×2,b_jk＝P(o_n＝k|q_n＝j),j∈X,k∈Y，其中，[b_jk]_2×2表示两行两列的矩阵，b_jk＝P(o_n＝k|q_n＝j)表示频谱在时隙n的真实状态为j时，感知结果为状态k的概率。

根据所述频谱感知模型并调用Baum-Welch（前向后向）算法估计频谱状态参数，得到：π＝(π₀,π₁)， $A=\left(\begin{array}{cc}{a}_{00}& a_{01}\\ a_{10}& a_{11}\end{array}\right),$ $B=\left(\begin{array}{cc}{b}_{00}& b_{01}\\ b_{10}& b_{11}\end{array}\right).$

3）根据估计到的所述频谱状态参数，估计各个频谱状态的持续时间。

例如，次级用户可以估计某一频谱状态x_i（i可以是0或者1；i为0时表示空闲状态，i为1时表示忙碌状态）持续τ个时隙的概率为：

$p_i\left(\mathrm{\τ}\right)=a_{\mathrm{ii}}^{\mathrm{\τ}-1}(1-a_{\mathrm{ii}}).$

4）次级用户进行一次频谱感知，获得当前最新频谱感知结果。基于最新的频谱感知结果和其估计的频谱状态参数及频谱状态持续时间分布，次级用户可以动态的确定最优频谱感知间隔（即动态决定何时进行下一次频谱感知）。

次级用户进行频谱感知获得当前最新的频谱感知结果，在进行下次频谱感知之前认为频谱状态保持不变，即在频谱感知间隔时间内，次级用户认为频谱状态没有发生改变。若当前最新频谱感知结果为频谱忙碌（即被占用），在下次频谱感知之前，次级用户认为频谱始终忙碌，因此次级用户不会接入频谱。然而，如果在两次频谱感知之间（即频谱感知间隔内）频谱状态发生变化，频谱由忙碌变为空闲，次级用户可能错过一定量的频谱接入和数据传输机会。在这种情况下，增加频谱感知间隔可以节省由于频繁感知带来的能量消耗，但也可能错过数据传输机会，造成吞吐量降低。因此，次级用户在确定最佳的频谱感知间隔时需要在减少能量消耗和降低吞吐量之间进行权衡。类似的，若当前最新频谱感知结果为频谱空闲，次级用户将接入频谱进行数据传输，并且在频谱感知间隔内认为频谱始终空闲，不再进行频谱感知。然而，如果在频谱感知间隔内频谱状态发生变化，频谱由空闲变为忙碌，即授权用户占用频谱进行通信，次级用户的数据传输将对授权用户的通信造成干扰。在这种情况下，增大频谱感知间隔可以使次级用户减少感知能量消耗，增加数据传输时间，提高吞吐量，然而有可能对授权用户的通信造成干扰。因此，次级用户在确定最佳频谱感知间隔时需要在提高次级用户性能（减少能量消耗，提高吞吐量）和降低授权用户性能（可能遭受来自次级用户的干扰）二者之间进行权衡。

基本上述理论，本发明实施例根据当前频谱感知结果的不同，采用了不同的处理方案，即当前频谱感知结果为频谱忙碌，则转入步骤12；否则，转入步骤13。

步骤12、根据频谱感知间隔内频谱状态变为空闲的时隙个数的期望值f_O(θ₁)，计算降低的吞吐量的期望值f_T(θ₁)；再计算平均每个时隙的感知能量消耗f_E(θ₁)；并根据计算出的f_T(θ₁)与f_E(θ₁)计算最优频谱感知间隔；其中，θ₁为初始频谱感知间隔。

若当前频谱感知结果为频谱忙碌，则通过下述步骤计算最优频谱感知间隔：

首先，次级用户计算频谱感知间隔内频谱状态变为空闲的时隙个数的期望值f_O(θ₁)，其中，θ₁为对应的频谱感知间隔。

然后，根据计算出的f_O(θ₁)计算降低的吞吐量的期望值f_T(θ₁)，其公式为：

$f_T\left({\mathrm{\θ}}_1\right)=f_O\left({\mathrm{\θ}}_1\right)\·{\mathrm{\ϵ}}_T\·W\log (1+\frac{S}{N});$

其中，ε_T表示每个时隙内用于数据传输的时间，

表示根据香农定理计算得到的数据率，其中W为系统带宽，

为系统信噪比。

其次，计算平均每个时隙的感知能量消耗f_E(θ₁)：

其中，ξ表示每次频谱感知需要消耗的能量。

最后，根据计算出的f_T(θ₁)与f_E(θ₁)计算最优频谱感知间隔；具体的：1）根据sigmoid函数（神经元的非线性作用函数）分别对计算出的f_T(θ₁)与f_E(θ₁)进行归一化处理获得对应的效用函数

与

${\hat{f}}_E\left({\mathrm{\θ}}_1\right)=\frac{1}{1+\exp (f_E\left({\mathrm{\θ}}_1\right)-{\mathrm{\δ}}_E^1)};$

${\hat{f}}_T\left({\mathrm{\θ}}_1\right)=-\frac{1}{1+\exp (-(f_T\left({\mathrm{\θ}}_1\right)-{\mathrm{\δ}}_T^1))};$

其中，

与

为预设的门限值，分别反应次级用户对能量和吞吐量的要求程度；当f_T(θ₁)与f_E(θ₁)逐步逼近对应的门限值时，效用函数与的曲线斜率的绝对值逐步增大，此时效用函数对横坐标取值的变化敏感，当f_T(θ₁)与f_E(θ₁)逐步远离对应的门限值时，曲线将逐渐平滑，效用函数对f_T(θ₁)与f_E(θ₁)的敏感度越来越小。

2）根据效用函数

与获得优化目标函数：

3）求解目标函数，得到最优频谱感知间隔：

步骤13、根据频谱感知间隔内频谱状态变为忙碌的时隙个数的期望值g_O(θ₀)，计算降低的吞吐量的期望值g_T(θ₀)以及授权用户遭受的干扰的期望值g_I(θ₀)；再计算平均每个时隙的感知能量消耗g_E(θ₀)；并根据计算出的g_E(θ₀)、g_T(θ₀)与g_I(θ₀)计算最优频谱感知间隔，其中，θ₀为初始频谱感知间隔。

若当前频谱感知结果为频谱空闲，则通过下述步骤计算最优频谱感知间隔：

首先，次级用户计算频谱感知间隔内频谱状态变为空闲的时隙个数的期望值g_O(θ₀)，其中，θ₀为对应的频谱感知间隔。

然后，根据计算出的g_O(θ₀)计算降低的吞吐量的期望值g_T(θ₀)以及授权用户遭受的干扰的期望值g_I(θ₀)，其公式为：

$g_T\left({\mathrm{\θ}}_0\right)=({\mathrm{\θ}}_0-g_O\left({\mathrm{\θ}}_0\right))\·{\mathrm{\ϵ}}_s\·W\log (1+\frac{S}{N})$

$g_I\left({\mathrm{\θ}}_0\right)=g_O\left({\mathrm{\θ}}_0\right)\·P_{S_t}{h}_{S_t{P}_r}$

其中，ε_s表示每个时隙内用于频谱感知的时间，θ₀-g_O(θ₀)表示θ₀时隙内空闲时隙个数的期望值；

表示次级用户的发射功率，

表示次级用户到授权用户的信道增益。

其次，计算平均每个时隙的感知能量消耗g_E(θ₀)：

最后，根据计算出的g_E(θ₀)、g_T(θ₀)与g_I(θ₀)计算最优频谱感知间隔；具体的：1）根据sigmoid函数（神经元的非线性作用函数）分别对计算出的g_E(θ₀)、g_T(θ₀)与g_I(θ₀)进行归一化处理获得对应的效用函数与

${\hat{g}}_E\left({\mathrm{\θ}}_0\right)=\frac{1}{1+\exp (g_E\left({\mathrm{\θ}}_0\right)-{\mathrm{\δ}}_E^0)};$

${\hat{g}}_T\left({\mathrm{\θ}}_0\right)=\frac{1}{1+\exp (-(g_T\left({\mathrm{\θ}}_0\right)-{\mathrm{\δ}}_T^0))};$

${\hat{g}}_I\left({\mathrm{\θ}}_0\right)=\frac{1}{1+\exp (-(g_I\left({\mathrm{\θ}}_0\right)-{\mathrm{\δ}}_I^0))};$

其中，

分别反映次级用户对能量、吞吐量和干扰的要求程度。

2）根据效用函数与

获得优化目标函数： $\mathrm{gx}={\hat{g}}_E\left({\mathrm{\θ}}_0\right)+{\hat{g}}_T\left({\mathrm{\θ}}_0\right)+{\hat{g}}_I\left({\mathrm{\θ}}_0\right).$

3）求解目标函数，得到最优频谱感知间隔：

本发明实施例根据初始感知状态的不同，通过系统吞吐量、能量消耗以及对授权用户造成的干扰来计算最优频谱感知间隔，使次级用户能够根据最新感知结果动态的决定下一次进行频谱预测的时间，具有较高的灵活性；另一方面，与现有的频谱感知方法需要次级用户在每个时隙的开始进行感知不同，本发明的方法在一定数目的时隙间隔内进行频谱感知即可，这不仅能够降低由于频谱感知带来的能量消耗，还能够使系统获得较大的吞吐量。

实施例二

为了便于理解本发明，下面结合附图3-4分别对当前频谱感知结果为频谱忙碌与空闲做进一步说明。

示例1

若当前频谱感知结果为频谱忙碌，且该系统中一个时隙的长度为0.0794s，次级用户进行一次频谱感知所需的时间为0.0224s，所需的能量为10mJ；频谱带宽为W=10kHz，系统中路径损耗常数为κ＝1，路径损耗指数为μ＝3，高斯白噪声方差为N₀＝-87dBm，次级用户的发送功率为10mW，次级用户的发送端与接收端距离为50m，次级用户发送端与授权用户接收端的距离为150m。

则根据实施例一中步骤12的方法进行计算，具体步骤如下：

1）次级用户计算频谱感知间隔内频谱状态变为空闲的时隙个数的期望值f_O(θ₁)，其中，θ₁＝0.0794s为初始频谱感知间隔。

2）根据计算出的f_O(θ₁)计算降低的吞吐量的期望值f_T(θ₁)，其公式为：

$f_T\left({\mathrm{\θ}}_1\right)=f_O\left({\mathrm{\θ}}_1\right)\·{\mathrm{\ϵ}}_T\·W\log (1+\frac{S}{N});$

可将上述算式改写为： $f_T\left({\mathrm{\θ}}_1\right)=f_O\left({\mathrm{\θ}}_1\right){\·\mathrm{\ϵ}}_T\·W\log (1+\frac{{\mathrm{Ps}}_t{h}_{S_t{S}_r}}{N_{0}W}),$

其中，ε_T＝0.0794s-0.0224s＝0.057s表示每个时隙内用于数据传输的时间，W=10kHz为频谱带宽；Ps_t＝10mW为次级用户的发送功率；N₀＝-87dBm为高斯白噪声方差；

为次级用户发送端到接收端的路径损耗，κ＝1为路径损耗常数，μ＝3为路径损耗指数，

为次级用户的发送端与接收端间的距离。

3）计算平均每个时隙的感知能量消耗f_E(θ₁)：

其中，ξ＝10mJ表示每次频谱感知需要消耗的能量。

4）根据sigmoid函数（神经元的非线性作用函数）分别对计算出的f_T(θ₁)与f_E(θ₁)进行归一化处理获得对应的效用函数

与

${\hat{f}}_E\left({\mathrm{\θ}}_1\right)=\frac{1}{1+\exp (f_E\left({\mathrm{\θ}}_1\right)-{\mathrm{\δ}}_E^1)};$

${\hat{f}}_T\left({\mathrm{\θ}}_1\right)=-\frac{1}{1+\exp (-(f_T\left({\mathrm{\θ}}_1\right)-{\mathrm{\δ}}_T^1))};$

其中，预设的门限值

其中，参数K_E可设为5； ${\mathrm{\δ}}_T^1=K_T{\mathrm{\ϵ}}_{t}W\log (1+\frac{{\mathrm{Ps}}_t{h}_{S_t{S}_r}}{N_{0}W}),$ 其中，参数K_T可设为3。

5）根据效用函数

与

获得优化目标函数：

6）求解目标函数，得到最优频谱感知间隔：

本示例的最终计算结果如图3所示，图中以

为节点连接的曲线表示目标函数fx，以“*”为节点连接的曲线表示

以“○”为节点连接的曲线表示

从图中可知，

随着θ₁的增加而增加，

随着θ₁的增加而减少。可见，随着感知间隔θ₁的增加，次级用户用于频谱感知的能量消耗减少；然而由于次级用户认为频谱感知间隔内频谱状态不发生变化，即次级用户认为θ₁时隙内频谱始终忙碌，次级用户在整个感知间隔内不进行数据传输，使得次级用户的吞吐量降低。利用本发明提出的频谱间隔决策方法，通过对次级用户能量消耗和吞吐量进行权衡，得到最佳频谱感知间隔为8时隙，即次级用户在8个时隙后再进行频谱感知。

示例2

在与示例1相同的网络模型中，若当前频谱感知结果为频谱忙碌，则根据实施例一中步骤13的方法进行计算，具体步骤如下：

1）次级用户计算频谱感知间隔内频谱状态变为空闲的时隙个数的期望值g_O(θ₀)，其中，θ₀＝0.0794s为初始频谱感知间隔。

2）根据计算出的g_O(θ₀)计算降低的吞吐量的期望值g_T(θ₀)，其公式为：

$g_T\left({\mathrm{\θ}}_0\right)=({\mathrm{\θ}}_0-g_O\left({\mathrm{\θ}}_0\right))\·{\mathrm{\ϵ}}_s\·W\log (1+\frac{S}{N});$

与示例1类似的，可将g_T(θ₀)的计算公式改写为：

$g_T\left({\mathrm{\θ}}_0\right)=({\mathrm{\θ}}_0-g_O\left({\mathrm{\θ}}_0\right))\·{\mathrm{\ϵ}}_s\·W\log (1+\frac{P_{S_t}{h}_{S_t{S}_r}}{N_{0}W})$

其中，ε_s＝0.0224s表示每个时隙内用于频谱感知的时间，θ₀-g_O(θ₀)表示θ₀时隙内空闲时隙个数的期望值；W=10kHz为频谱带宽；Ps_t＝10mW为次级用户的发送功率；N₀＝-87dBm为高斯白噪声方差；

为次级用户发送端到接收端的路径损耗，κ＝1为路径损耗常数，μ＝3为路径损耗指数，

为次级用户的发送端与接收端间的距离。

并计算授权用户遭受的干扰的期望值g_I(θ₀)，其公式为：

$g_I\left({\mathrm{\θ}}_0\right)=g_O\left({\mathrm{\θ}}_0\right)\·{\mathrm{Ps}}_t{h}_{S_t{p}_r};$

其中，Ps_t＝10mW表示次级用户的发射功率，

表示次级用户到授权用户的信道增益，κ＝1为路径损耗常数，μ＝3为路径损耗指数，

为次级用户的发送端与授权用户接收端间的距离。

3）计算平均每个时隙的感知能量消耗g_E(θ₀)：

其中，ξ＝10mJ表示每次频谱感知需要消耗的能量。

4）根据sigmoid函数（神经元的非线性作用函数）分别对计算出的g_E(θ₀)、g_T(θ₀)与g_I(θ₀)进行归一化处理获得对应的效用函数

与

${\hat{g}}_E\left({\mathrm{\θ}}_0\right)=\frac{1}{1+\exp (g_E\left({\mathrm{\θ}}_0\right)-{\mathrm{\δ}}_E^0)};$

${\hat{g}}_T\left({\mathrm{\θ}}_0\right)=\frac{1}{1+\exp (-(g_T\left({\mathrm{\θ}}_0\right)-{\mathrm{\δ}}_T^0))};$

${\hat{g}}_I\left({\mathrm{\θ}}_0\right)=\frac{1}{1+\exp (-(g_I\left({\mathrm{\θ}}_0\right)-{\mathrm{\δ}}_I^0))};$

其中，门限值R_E的值可设为5；门限值 ${\mathrm{\δ}}_T^0=R_T{\mathrm{\ϵ}}_{s}W\log (1+\frac{{\mathrm{Ps}}_t{h}_{S_t{S}_r}}{N_{0}W}),$ R_T的值可设为3；门限值

R_I的值可设为4。

5）根据效用函数

与

获得优化目标函数： $\mathrm{gx}={\hat{g}}_E\left({\mathrm{\θ}}_0\right)+{\hat{g}}_T\left({\mathrm{\θ}}_0\right)+{\hat{g}}_I\left({\mathrm{\θ}}_0\right).$

6）求解目标函数，得到最优频谱感知间隔：

本示例的最终计算结果如图4所示，图中以

为节点连接的曲线表示目标函数gx，以“*”为节点连接的曲线表示

以“○”为节点连接的曲线表示以“□”为节点连接的曲线表示

从图中可知，随着θ₀的增加而增加，

随着θ₀的增加而增加，

随着θ₀的增加而减少。可见，随着感知间隔θ₀的增加，次级用户用于频谱感知的能量消耗减少，获得的吞吐量增加；然而由于次级用户认为频谱感知间隔内频谱状态不发生变化，即次级用户认为θ₀时隙内频谱始终空闲，次级用户在整个感知间隔内始终进行数据传输，因此可能对感知间隔内发生的授权用户通信造成干扰。利用本发明提出的动态频谱间隔决策方法，通过对次级用户性能提高（减少感知能量消耗，提高吞吐量）和授权用户性能降低（遭受次级用户的干扰增加）两方面的权衡，得到最佳频谱感知间隔为4时隙，即次级用户在4个时隙后再进行频谱感知。

需要强调的是，为了便于计算最优频谱感知间隔时区分频谱忙碌与频谱空闲，上述实施例中将具有相同含义的术语用不同的表达式表示，比如，θ₁与θ₀均表示初始时隙间隔；又如，f_E(θ₁)与g_E(θ₀)均表示每个时隙的感知能量消耗等等。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种认知无线电网络中频谱感知间隔的决策方法，其特征在于，该方法包括： 

获取当前频谱感知结果； 

若当前频谱感知结果为频谱忙碌，且对应的频谱感知间隔为θ₁，则根据频谱感知间隔内频谱状态变为空闲的时隙个数的期望值f_O(θ₁)，计算降低的吞吐量的期望值f_T(θ₁)；再计算平均每个时隙的感知能量消耗f_E(θ₁)；并根据计算出的f_T(θ₁)与f_E(θ₁)计算最优频谱感知间隔； 

若当前频谱感知结果为频谱空闲，且对应的频谱感知间隔为θ₀，则根据频谱感知间隔内频谱状态变为忙碌的时隙个数的期望值g_O(θ₀)，计算降低的吞吐量的期望值g_T(θ₀)以及授权用户遭受的干扰的期望值g_I(θ₀)；再计算平均每个时隙的感知能量消耗g_E(θ₀)；并根据计算出的g_E(θ₀)、g_T(θ₀)与g_I(θ₀)计算最优频谱感知间隔。 

2.根据权利要求1所述的方法，其特征在于，计算所述降低的吞吐量的期望值和授权用户遭受的干扰的期望值的公式包括： 

当前频谱感知结果为频谱忙碌时，根据频谱感知间隔内频谱状态变为空闲的时隙个数的期望值f_O(θ₁)，计算降低的吞吐量的期望值f_T(θ₁)的公式为： 

其中，ε_t表示每个时隙内用于数据传输的时间，表示根据香农定理计算得到的数据率，其中W为系统带宽，

为系统信噪比； 

当前频谱感知结果为频谱空闲时，根据频谱感知间隔内频谱状态变为空闲的时隙个数的期望值g_O(θ₀)，计算降低的吞吐量的期望值g_T(θ₀)以及授权用户遭受的干扰的期望值g_I(θ₀)的公式为： 

其中，ε_s表示每个时隙内用于频谱感知的时间；Ps_t表示次级用户的发射功率，

表示次级用户到授权用户的信道增益。 

3.根据权利要求1所述的方法，其特征在于，计算所述平均每个时隙的感知能量消耗的公式为： 

当前频谱感知结果为频谱忙碌时，每个时隙的感知能量消耗f_E(θ₁)的计算公式为： 

其中，ξ表示每次频谱感知需要消耗的能量； 

当前频谱感知结果为频谱忙碌时，每个时隙的感知能量消耗g_E(θ₀)的计算公式为： 

4.根据权利要求1所述的方法，其特征在于，计算所述最优频谱感知间隔的步骤包括： 

若当前频谱感知结果为频谱忙碌，则分别对计算出的f_T(θ₁)与f_E(θ₁)进行归一化处理获得对应的效用函数与

从而计算得到最优频谱感知间隔： 

若当前频谱感知结果为频谱空闲，则分别对计算出的g_E(θ₀)、g_T(θ₀)与g_I(θ₀)进行归一化处理获得对应的效用函数

与从而计算得到最优频谱感知间隔：。

5.根据权利要求4所述的方法，其特征在于，所述进行归一化处理获得对应的效用函数包括： 

若当前频谱感知结果为频谱忙碌，则根据神经元的非线性作用函数sigmoid函数分别对计算出的f_T(θ₁)与f_E(θ₁)进行归一化处理获得对应的效用函数

与

其中，

与

为预设的门限值，分别反应次级用户对能量和吞吐量的要求程度； 

若当前频谱感知结果为频谱空闲，则根据sigmoid函数分别对计算出的g_O(θ₀)、g_T(θ₀)与g_I(θ₀)进行归一化处理获得对应的效用函数与

其中，

与

分别反映次级用户对能量、吞吐量和干扰的要求程度。 

6.根据权利要求1-5任一项所述的方法，其特征在于，所述获取当前频谱感知结果之前还包括估计各个频谱状态持续时间的步骤，且该步骤包括： 

建立频谱感知模型，根据所述频谱感知模型估计频谱状态参数； 

根据估计到的所述频谱状态参数，估计各个频谱状态的持续时间。 

7.根据权利要求6所述的方法，其特征在于，建立所述频谱感知模型的步骤包括： 

将频谱感知过程建立为隐马尔科夫模型； 

其中，以频谱的真实状态构成隐马尔科夫模型的隐状态，以X＝{x₀,x₁}表示隐马尔科夫模型的隐状态空间，其中，x₀与x₁分别表频谱状态为空闲和忙碌； 

以频谱感知得到的感知结果构成隐马尔科夫模型的观察状态，以Y＝{y₀,y₁}表示隐马尔科夫模型的观察状态空间，其中，y₀与y₁分别表示频谱感知结果为空闲和忙碌。 

8.根据权利要求6所述的方法，其特征在于，所述频谱感知模型估计频谱状态参数包括： 

隐马尔科夫模型的参数λ＝(π,A,B)，用于反映频谱的状态参数；其中，π为初始状态概率分布，用于反映频谱的初始占用或空闲状态的概率分布情况；A为状态转移概率矩阵，用于反映频谱占用状态和空闲状态彼此间的状态转移概率；B为发射概率矩阵，用于反映次级用户频谱感知的准确率； 

根据所述频谱感知模型并调用前向后向Baum-Welch算法估计频谱状态参数，得到：π＝(π₀，π₁)，

9.根据权利要求6所述的方法，其特征在于，所述估计各个频谱状态的持续时间包括： 

估计某一频谱状态x_i持续τ个时隙的概率为： 

Images