CN103384174B - 多用户多天线协作频谱感知检测概率优化方法 - Google Patents

Abstract

本发明公开了一种多用户多天线协作频谱感知检测概率优化方法，在控制信道带宽有限的约束条件下，通过假定虚警概率P_f1，计算出门限值γ₁，各认知用户用其能量统计信息与门限值γ₁比较，筛选出发送给融合中心的能量统计信息，然后在给定虚警概率P_f2(P_f2＜P_f1)的前提下，融合中心通过粒子群优化算法优化分配给每个认知用户的本地感知信息的权值来最大化系统的检测概率，以克服现有技术的不足。本发明的有益效果是能够明显的提高频谱感知的可靠性，节约控制信道的带宽，并且运用粒子群优化算法来进行检测概率的优化具有检测性能好，稳定且计算时间少等优势。

Description

多用户多天线协作频谱感知检测概率优化方法

技术领域

本发明涉及认知无线电频谱感知技术，尤其涉及一种基于粒子群的认知无线电中多用户多天线协作频谱感知检测概率优化的方法，属于无线通信技术领域。

背景技术

随着无线通信技术的快速发展，无线通信业务量的不断增大与无线频谱资源紧张的矛盾日益凸显，究其主要原因并不是频谱资源过少，而是频谱资源的利用率不高。1999年瑞典的Joseph Mitola博士提出了认知无线电技术，它是在软件无线电基础上发展起来的一种新型通信技术。其基本思路是：认知用户（次用户）持续检测已授权频谱资源，并在保证授权用户（主用户）优先使用，且在其传输性能几乎不受损的情况下，自适应地调整收发设备到当前检测到的空闲频谱上进行通信。

频谱感知是认知无线电技术的认知循环中对周围环境感知的环节，它是认知无线电技术的首要任务和核心技术之一。频谱感知的主要任务是在感兴趣的某些频段中检测授权用户信号是否出现，据此判断授权用户是否正在占用此频段进行通信，最终决策出认知用户能否使用此频段，因此，高度的可靠性是所采用的频谱感知算法必须拥有的性质。但是在无线传播环境中，信号会受到阴影、衰落、多径传播等多种因素的影响，仅凭单个认知用户的频谱感知通常不能对微弱的授权信号进行高可靠性和强实时性的检测，并且可能会出现“隐藏终端”问题。协作频谱感知是有效解决上述问题的方法之一，它通过一个公共信道对多个认知用户的感知结果进行融合，来提高频谱感知的精度和实时性，能有效的解决频谱感知中隐藏终端问题。

当前对于协作频谱感知的研究主要集中在对本地感知结果的信息融合处理上，主要有与融合、或融合等方法。与融合方法就是各个认知用户将其本地的感知结果发送给融合中心，只有当所有认知用户的感知结果均表明主用户存在，融合中心才会做出主用户存在的总的融合判决结果。或融合方法就是各个认知用户将其本地的感知结果发送给融合中心，只要有一个或者一个以上认知用户的感知结果表明主用户存在，那么融合中心就会做出主用户存在的总的融合判决结果。虽然或融合方法的检测概率提高了，但是虚警概率也高，与融合方法在降低虚警概率的同时也降低了检测概率。中国专利文献CN102739325A公开了一种基于门限动态调整的协作频谱感知方法，用于提高检测概率和降低系统的虚警概率，但是这种方法的复杂度比较高并且受噪声的影响比较大，《通信学报》第22卷第2期《认知网络中的多用户MIMO线性协作频谱感知问题研究》提出一种检测概率优化的方法，虽然能使检测概率有所提高，但是其将所有的认知用户的能量统计信息均发送给融合中心，浪费了控制信道的带宽，因此上述的方法均不是最优的协作频谱感知的方法。

发明内容

本发明的目的在于提供一种多用户多天线协作频谱感知检测概率优化方法，在控制信道带宽有限的约束条件下，通过假定虚警概率P_f1，计算出门限值γ₁，各认知用户用其能量统计信息与门限值γ₁比较，筛选出发送给融合中心的能量统计信息，然后在给定虚警概率P_f2(P_f2＜P_f1)的前提下，融合中心通过粒子群优化算法优化分配给每个认知用户的本地感知信息的权值来最大化系统的检测概率，以克服现有技术的不足。

本发明的目的通过以下技术方案予以实现：

一种多用户多天线协作频谱感知检测概率优化方法，多用户多天线协作频谱感知系统包括一个主用户,M个认知用户和一个融合中心，所述主用户收、发各配置L根天线，所有认知用户的收、发各配置J根天线；所述多用户多天线协作频谱感知检测概率优化方法包括以下步骤：

1)各认知用户进行局部检测，其检测过程如下：

(1)假设采样点数为N,认知用户i在第k个时隙的假设检验如下：H₀表示主用户不存在，H₁表示只有主用户存在；

$x_i\left(k\right)=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{m=1,m\≠i}^M{H}_{\mathrm{im}}{z}_m\left(k\right)+v_i\left(k\right),i=1,...,M& H_0\\ H_{i}s\left(k\right)+{\mathrm{\Σ}}_{m=1,m\≠i}^M{H}_{\mathrm{im}}{z}_m\left(k\right)+v_i\left(k\right),i=1,...,M& H_1\end{array}\right.$

式中x_i(k)∈C^L×1是第i个认知用户接受到的信号，s(k)∈C^J×1是主用户发送的信号，z_m(k)∈C^L×1是第m个认知用户的发送信号，v_i(k)∈C^L×1是均值为0，方差为的加性高斯白噪声，H_im∈C^L×L是认知用户i与认知用户m之间的信道,H_i∈C^L×J是认知用户i与主用户之间的信道；

(2)利用能量检测的方法计算认知用户i在N个时隙内的能量统计信息为：

$u_i={\mathrm{\Σ}}_{k=1}^N{\left|x_i\left(k\right)\right|}^{2}i=1,...M$

计算出单个认知用户的虚警概率为：

$P_{f1}^{\left(i\right)}=\mathrm{Pr}(u_i>{\mathrm{\γ}}_i|H_0)=Q\left[\frac{{\mathrm{\γ}}_i-E\left(u_i\right|H_0)}{\sqrt{\mathrm{var}\left(u_i\right|H_0)}}\right]i=1,...M$

式中E(u_i|H₀)表示在H₀情况下能量统计信息的均值,var(u_i|H₀)表示在H₀情况下能量统计信息的方差，Q()为Q函数，γ_i表示局部检测的检测门限值；

2)给定单个认知用户虚警概率P_f1的具体数值，计算出检测门限γ₁,各认知用户将能量统计信息与门限值γ₁比较，如果能量统计信息比门限值γ₁大，则将该认知用户的能量统计信息发送给融合中心，反之则不发送，从而筛选出任意p个发送给融合中心的认知用户的能量统计信息u_i,i＝1,...,p,p≤M；

3)进行多个认知用户协作频谱感知的全局检测，其过程如下：

(1)将筛选出的认知用户的能量统计信息通过控制信道传送给融合中心，此时融合中心接收到第i个认知用户的能量统计信息表示为：

y_i＝u_i+n_i   i＝1,...p

式中n_i是均值为0，方差为的加性高斯白噪声；

（2）融合中心对接收到的来自筛选后的认知用户的能量统计信息分配权值ω：

$y_c={\mathrm{\Σ}}_{i=1}^p{\mathrm{\ω}}_i{y}_i,i=1,...,p$

计算出全局检测的虚警概率P_f2和检测概率P_d为：

$P_{f2}=Q\left(\frac{{\mathrm{\γ}}_c-\mathrm{NL}{\mathrm{\σ}}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right))}\mathrm{\ω}}\right)$

$P_d=Q\left(\frac{{\mathrm{\γ}}_c-{(\mathrm{NL\σ}+E_{s}g)}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right)+{4E}_s\mathrm{diag}\left(g\right)\mathrm{diag}\left(\mathrm{\σ}\right))}\mathrm{\ω}}\right)$

式中表示其他认知用户发送的信号作为等效噪声处理时的方差，ω＝(ω₁,...,ω_p)^T，E_s表示主用户N个时隙内发送信号的能量，γ_c表示全局检测的检测门限值，diag()表示提取对角元素，表示取F范数再平方。

4）给定全局检测的虚警概率P_f2(P_f2＜P_f1)的具体数值，计算出门限值γ_c，得到检测概率P_d为：

$P_d=Q\left(\frac{Q^{-1}\left(P_{f2}\right)\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right))\mathrm{\ω}}-E_s{g}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right)+{4E}_s\mathrm{diag}\left(g\right)\mathrm{diag}\left(\mathrm{\σ}\right))}\mathrm{\ω}}\right)$

建立全局检测的优化模型；

5)利用粒子群优化算法对权值ω进行优化，使全局检测的检测概率最大。

本发明的目的还可以通过以下技术措施来进一步实现：

前述多用户多天线协作频谱感知检测概率优化方法，其中利用粒子群优化算法对权值ω进行优化的方法如下：

(1)在初始化范围内，对粒子群进行随机初始化，包括群体规模N，每个粒子的位置x_i和速度v_i；

(2)计算每个粒子的适应度值f(i)；

(3)对每个粒子，用它的适应度值f(i)和个体极值p_best(i)比较，如果f(i)＞p_best(i),则用f(i)替换掉p_best(i)；

(4)对每个粒子，用它的适应度值f(i)和全局极值g_best比较，如果f(i)＞g_best,则用f(t)替换掉g_best；

(5)根据 $v_{\mathrm{iD}}^{k+1}=v_{\mathrm{iD}}^k+c_1\mathrm{\ξ}(p_{\mathrm{iD}}^k-x_{\mathrm{iD}}^k)+c_2\mathrm{\η}(p_{\mathrm{gD}}^k-x_{\mathrm{iD}}^k),$ $x_{\mathrm{iD}}^{k+1}=x_{\mathrm{iD}}^k+v_{\mathrm{iD}}^{k+1}$ 更新粒子的位置x_i和速度v_i；

(6)如果满足结束条件（达到预先设定的适应值或最大循环迭代次数）则结束，否则返回步骤(2)。

与现有技术相比，本发明的有益效果是：能够明显的提高频谱感知的可靠性，节约控制信道的带宽，并且运用粒子群优化算法来进行检测概率的优化具有检测性能好，稳定且计算时间少等优势。

附图说明

图1是本发明的多用户多天线协作频谱感知系统模型；

图2是本发明的协作频谱感知方法的流程图；

图3是粒子群优化算法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

图1是本发明的多用户多天线协作频谱感知系统模型；

本发明的协作频谱感知方法的流程如图2所示；

步骤一：建立如图1所示的包含一个主用户PR,M个认知用户CR和一个融合中心FC的协作频谱感知的网络模型，假设主用户收发都配置L根天线，所有的认知用户的收发都配置J根天线，一般取L=2，J=2。

步骤二：各认知用户进行局部检测，其检测过程如下：

(1)假设采样点数为N,认知用户i在第k个时隙的假设检验如下：H₀表示主用户不存在，H₁表示只有主用户存在。

$x_i\left(k\right)=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{m=1,m\≠i}^M{H}_{\mathrm{im}}{z}_m\left(k\right)+v_i\left(k\right),i=1,...,M& H_0\\ H_{i}s\left(k\right)+{\mathrm{\Σ}}_{m=1,m\≠i}^M{H}_{\mathrm{im}}{z}_m\left(k\right)+v_i\left(k\right),i=1,...,M& H_1\end{array}\right.$

式中x_i(k)∈C^L×1是第i个认知用户接受到的信号，s(k)∈C^J×1是主用户发送的信号，z_m(k)∈C^L×1是第m个认知用户的发送信号，v_i(k)∈C^L×1是均值为0，方差为的加性高斯白噪声，H_im∈C^L×L是认知用户i与认知用户m之间的信道,H_i∈C^L×J是认知用户i与主用户之间的信道。

(2)利用能量检测算法计算出各认知用户在N个时隙内的能量统计信息，又因为在多输入多输出统中，信道能量可定义为信道增益矩阵F范数的平方，所以

$u_i={\mathrm{\Σ}}_{k=1}^N{\left|x_i\left(k\right)\right|}^{2}i=1,...M$

$=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{k=1}^N{\mathrm{\Σ}}_{m=1,m\≠i}^M{\left|H_{\mathrm{im}}\right|}^2{\left|z_m\left(k\right)\right|}^2+{\mathrm{\Σ}}_{k=1}^N{\left|v_i\left(k\right)\right|}^2,i=1,...,M& H_0\\ {\mathrm{\Σ}}_{k=1}^N{\left|H_i\right|}^2{\left|s\left(k\right)\right|}^2+{\mathrm{\Σ}}_{k=1}^N{\mathrm{\Σ}}_{m=1,m\≠i}^M{\left|H_{\mathrm{im}}\right|}^2{\left|z_m\left(k\right)\right|}^2+& \\ {\mathrm{\Σ}}_{k=1}^N{\left|v_i\left(k\right)\right|}^2,i=1,...,M& H_1\end{array}\right.$

$=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{m=1,m\≠i}^M{\left|\right|H_{\mathrm{im}}\left|\right|}_F^2{E}_z\left(m\right)+{\mathrm{NL\σ}}_i^2& H_0\\ {\left|\right|H_i\left|\right|}_F^2{E}_s+{\mathrm{\Σ}}_{m=1,m\≠i}^M{\left|\right|H_{\mathrm{im}}\left|\right|}_F^2{E}_z\left(m\right)+{\mathrm{NL\σ}}_i^2& H_1\end{array}\right.$

式中 m＝1,...M且m≠i分别表示主用户和认知用户发送信号N个时隙内的能量。

对于认知用户i而言，其他认知用户所发送给其的信号可以视为噪声处理，记因此服从自由度为N×L的卡方分布：

视为第i个认知用户的局部信噪比，因此根据中心极限定理可得：

假设判决门限为γ_i,根据单个认知用户频谱检测的判决规则可得单个认知用户的虚警概率和检测概率

$P_{f1}^{\left(i\right)}=\mathrm{Pr}(u_i>{\mathrm{\γ}}_i|H_0)=Q\left[\frac{{\mathrm{\γ}}_i-E\left(u_i\right|H_0)}{\sqrt{\mathrm{var}\left(u_i\right|H_0)}}\right]$

$P_d^{\left(i\right)}=\mathrm{Pr}(u_i>{\mathrm{\γ}}_i|H_1)=Q\left[\frac{{\mathrm{\γ}}_i-E\left(u_i\right|H_1)}{\sqrt{\mathrm{var}\left(u_i\right|H_1)}}\right]$

步骤三：假定虚警概率P_f1，计算出检测门限γ₁,各认知用户将能量统计信息与门限值γ₁比较，如果比γ₁大则将该认知用户的能量统计信息发送给融合中心，反之则不发送，从而筛选出任意p个发送给融合中心的认知用户的能量统计信息u_i,i＝1,...,p,p≤M。

步骤四：多个认知用户协作频谱感知的全局检测，将筛选出的各认知用户N个时隙内的能量统计信息通过控制信道发送给融合中心，融合中心对其分配权值，计算出全全局检测的虚警概率和检测概率,具体实施过程如下：

(1)融合中心计算出所接收到的筛选以后的第i个认知用户的能量统计信息yi的均值和方差：

y_i＝u_i+n_i    i＝1,...p

(2)计算出融合中心接收到的所有认知用户能量统计信息yc的均值和方差：

$y_c={\mathrm{\Σ}}_{i=1}^p{\mathrm{\ω}}_i{y}_i,i=1,...,p$

$E\left[y_c\right]=\left\{\begin{array}{cc}{\mathrm{NL\σ}}^T\mathrm{\ω}& H_0\\ {(\mathrm{NL\σ}+E_{s}g)}^T\mathrm{\ω}& H_1\end{array}\right.,$

式中 $g={({\left|\right|H_1\left|\right|}_F^2,...,{\left|\right|H_p\left|\right|}_F^2)}^T,$ ω＝(ω₁,...,ω_p)^T

$\mathrm{var}\left[y_c\right]=E{(y_c-\stackrel{\‾}{y_c})}^2={\mathrm{\ω}}^{T}E\left[(y-\stackrel{\‾}{y}){(y-\stackrel{\‾}{y})}^T\right]\mathrm{\ω}$

$=\left\{\begin{array}{cc}{\mathrm{\ω}}^{T}E\left[(y-\stackrel{\‾}{y_{H_0}}){(y-\stackrel{\‾}{y_{H_0}})}^T\right]\mathrm{\ω}& H_0\\ {\mathrm{\ω}}^{T}E\left[(y-\stackrel{\‾}{y_{H_1}}){(y-\stackrel{\‾}{y_{H_1}})}^T\right]\mathrm{\ω}& H_1\end{array}\right.$

$=\left\{\begin{array}{cc}{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right))& H_0\\ {\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right)+{4E}_s\mathrm{diag}\left(g\right)\mathrm{diag}\left(\mathrm{\σ}\right))\mathrm{\ω}& H_1\end{array}\right.$

式中 $\mathrm{\δ}={({\mathrm{\δ}}_1^2,...,{\mathrm{\δ}}_P^2)}^T.$

（3）假设全局检测的检测门限为γ_c，根据全局检测的判决准则可以得到全局检测的虚警概率P_f2和检测概率P_d：

$P_{f2}=Q\left(\frac{{\mathrm{\γ}}_c-\mathrm{NL}{\mathrm{\σ}}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right))}\mathrm{\ω}}\right)$

$P_d=Q\left(\frac{{\mathrm{\γ}}_c-{(\mathrm{NL\σ}+E_{s}g)}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right)+{4E}_s\mathrm{diag}\left(g\right)\mathrm{diag}\left(\mathrm{\σ}\right))}\mathrm{\ω}}\right)$

步骤五：给定虚警概率P_f2(P_f2＜P_f1)计算出门限值γ_c得到检测概率P_d建立全局检测的优化模型。

${\mathrm{\γ}}_C=Q^{-1}\left(P_{f2}\right)\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right))\mathrm{\ω}}+{\mathrm{NL\σ}}^T\mathrm{\ω}$

$P_d=Q\left(\frac{Q^{-1}\left(P_{f2}\right)\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right))\mathrm{\ω}}-E_s{g}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T(2\mathrm{NLdia}{g}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right)+{4E}_s\mathrm{diag}\left(g\right)\mathrm{diag}\left(\mathrm{\σ}\right))}\mathrm{\ω}}\right)$

令适应度函数：

$f\left(\mathrm{\ω}\right)=Q\left(\frac{Q^{-1}\left(P_{f2}\right)\sqrt{{\mathrm{\ω}}^T({2\mathrm{NLdiag}}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right))\mathrm{\ω}}-E_s{g}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T({2\mathrm{NLdiag}}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right)+{4E}_s\mathrm{diag}\left(g\right)\mathrm{diag}\left(\mathrm{\σ}\right))}\mathrm{\ω}}\right)$

优化模型：

maxf(ω)约束条件：

步骤六：利用粒子群优化算法对权值进行优化，使系统的检测概率最大，具体实施过程如图3所示：

(1)在初始化范围内，对粒子群进行随机初始化，包括群体规模N，每个粒子的位置x_i和速度v_i；

(2)计算每个粒子的适应度值f(i)；

(3)对每个粒子，用它的适应度值f(i)和个体极值p_best(i)比较，如果f(i)＞p_best(i),则用f(i)替换掉p_best(i)；

(4)对每个粒子，用它的适应度值f(i)和全局极值g_best比较，如果f(i)＞g_best,则用f(t)替换掉g_best；

(5)根据 $v_{\mathrm{iD}}^{k+1}=v_{\mathrm{iD}}^k+c_1\mathrm{\ξ}(p_{\mathrm{iD}}^k-x_{\mathrm{iD}}^k)+c_2\mathrm{\η}(p_{\mathrm{gD}}^k-x_{\mathrm{iD}}^k),$ $x_{\mathrm{iD}}^{k+1}=x_{\mathrm{iD}}^k+v_{\mathrm{iD}}^{k+1}$ 更新粒子的位置x_i和速度v_i；

如果满足结束条件（达到预先设定的一个足够好的适应值或最大循环迭代次数）退出，否则返回(2)。

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内。

Claims (2)

1.一种多用户多天线协作频谱感知检测概率优化方法，多用户多天线协作频谱感知系统包括一个主用户,M个认知用户和一个融合中心，所述主用户收、发各配置L根天线，所有认知用户的收、发各配置J根天线；其特征在于，多用户多天线协作频谱感知检测概率优化方法包括以下步骤：

1)各认知用户进行局部检测，其检测过程如下：

(1)假设采样点数为N,认知用户i在第k个时隙的假设检验如下：H₀表示主用户不存在，H₁表示只有主用户存在；

$x_i\left(k\right)=\left\{\begin{array}{cc}{\Σ}_{m=1,m\≠i}^M{H}_{im}{z}_m\left(k\right)+v_i\left(k\right),i=1,\mathrm{...},M& H_0\\ H_{i}s\left(k\right)+{\Σ}_{m=1,m\≠i}^M{H}_{im}{z}_m\left(k\right)+v_i\left(k\right),i=1,\mathrm{...},M& H_1\end{array}\right.$

式中x_i(k)∈C^L×1是第i个认知用户接受到的信号，s(k)∈C^J×1是主用户发送的信号，z_m(k)∈C^L×1是第m个认知用户的发送信号，v_i(k)∈C^L×1是均值为0，方差为的加性高斯白噪声，H_im∈C^L×L是认知用户i与认知用户m之间的信道主H_i∈C^L×J是认知用户i与主用户之间的信道；

(2)利用能量检测的方法计算认知用户i在N个时隙内的能量统计信息为：

$\begin{array}{cc}{u}_i={\Σ}_{k=1}^N{\left|x_i\left(k\right)\right|}^2& i=1,\mathrm{...}M\end{array}$

计算出单个认知用户的虚警概率为：

$\begin{array}{cc}{P}_{f1}^{\left(i\right)}=\mathrm{Pr}(u_i>{\mathrm{\γ}}_i|H_0)=Q\[\frac{{\mathrm{\γ}}_i-E\left(u_i\right|H_0)}{\sqrt{\mathrm{var}\left(u_i\right|H_0)}}\]& i=1,\mathrm{...}M\end{array}$

式中E(u_i|H₀)表示在H₀情况下能量统计信息的均值,var(u_i|H₀)表示在H₀情况下能量统计信息的方差，Q()为Q函数，γ_i表示局部检测的检测门限值；

2)给定单个认知用户虚警概率P_f1的具体数值，计算出检测门限γ₁主各认知用户将能量统计信息与门限值γ₁比较，如果能量统计信息比门限值γ₁大，则将该认知用户的能量统计信息发送给融合中心，反之则不发送，从而筛选出任意p个发送给融合中心的认知用户的能量统计信息u_i,i＝1,...,p,p≤M；

3)进行多个认知用户协作频谱感知的全局检测，其过程如下：

(1)将筛选出的认知用户的能量统计信息通过控制信道传送给融合中心，此时融合中心接收到第i个认知用户的能量统计信息表示为：

y_i＝u_i+n_i i＝1,...p

式中n_i是均值为0，方差为的加性高斯白噪声；

(2)融合中心对接收到的来自筛选后的认知用户的能量统计信息分配权值ω_i：

$y_c={\Σ}_{i=1}^p{\mathrm{\ω}}_i{y}_i,i=1,\mathrm{...},p$

计算出全局检测的虚警概率P_f2和检测概率P_d为：

$P_{f2}=Q\left(\frac{{\mathrm{\γ}}_c-{\mathrm{NL\σ}}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T\left(2{\mathrm{NLdiag}}^2\right(\mathrm{\σ})+diag(\mathrm{\δ}\left)\right)}\mathrm{\ω}}\right)$

$P_d=Q\left(\frac{{\mathrm{\γ}}_c-{(NL\mathrm{\σ}+E_{s}g)}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T\left(2{\mathrm{NLdiag}}^2\right(\mathrm{\σ})+diag(\mathrm{\δ})+4E_{s}diag(g\left)diag\right(\mathrm{\σ}\left)\right)}\mathrm{\ω}}\right)$

式中 表示其他认知用户发送的信号作为等效噪声处理时的方差，ω＝(ω₁,...,ω_p)^T，E_s表示主用户N个时隙内发送信号的能量，γ_c表示全局检测的检测门限值，diag()表示提取对角元素，表示取F范数再平方；

4)给定全局检测的虚警概率P_f2(P_f2＜P_f1)的具体数值，计算出门限值γ_c，得到检测概率P_d为：

$P_d=Q\left(\frac{Q^{-1}\left(P_{f2}\right)\sqrt{{\mathrm{\ω}}^T\left(2{\mathrm{NLdiag}}^2\right(\mathrm{\σ})+diag(\mathrm{\δ}\left)\right)\mathrm{\ω}}-E_s{g}^T\mathrm{\ω}}{\sqrt{{\mathrm{\ω}}^T\left(2{\mathrm{NLdiag}}^2\right(\mathrm{\σ})+diag(\mathrm{\δ})+4E_{s}diag(g\left)diag\right(\mathrm{\σ}\left)\right)}\mathrm{\ω}}\right)$

建立全局检测的优化模型；

5)利用粒子群优化算法对权值ω进行优化，使全局检测的检测概率最大。

2.如权利要求1所述的多用户多天线协作频谱感知检测概率优化方法，其特征在于，所述利用粒子群优化算法对权值ω进行优化的方法如下：

1)在初始化范围内，对粒子群进行随机初始化，包括群体规模N，每个粒子的位置x_i和速度v_i；

2)计算每个粒子的适应度值f(i)；

3)对每个粒子，用它的适应度值f(i)和个体极值p_best(i)比较，如果f(i)＞p_best(i)主则用f(i)替换掉p_best(i)；

4)对每个粒子，用它的适应度值f(i)和全局极值g_best比较，如果f(i)＞g_best，则用f(i)替换掉g_best；

5)根据 $v_{iD}^{k+1}=v_{iD}^k+c_1\mathrm{\ξ}(p_{iD}^k-x_{iD}^k)+c_2\mathrm{\η}(p_{gD}^k-x_{iD}^k),$ $x_{iD}^{k+1}=x_{iD}^k+v_{iD}^{k+1}$ 更新粒子的位置x_i和速度v_i；

6)如果达到预先设定的适应值或达到最大循环迭代次数则结束，否则返回步骤2)。