CN103581922A - 基于多进程d-s证据理论的合作频谱感知方法 - Google Patents

Abstract

本发明基于多进程D-S证据理论的合作频谱感知方法，通过双门限检测方案的两个门限值找出不确定的信息，认知用户再根据D-S证据理论处理不确定信息，最后由簇头节点收集簇内认知用户的感知结果并传给融合中心，融合中心通过多进程D-S证据理论进行融合并判断，这样除去过时感知信息对融合中心正确判断频谱状态的影响，保证判断结果的正确性，同时缩短了判断时间提高了频谱的利用效率。

Description

基于多进程D-S证据理论的合作频谱感知方法

技术领域

本发明属于无线通信技术领域，更为具体地讲，涉及一种基于多进程D-S证据理论的合作频谱感知方法。

背景技术

随着无线应用的广泛使用，无线频谱资源变得越来越稀缺，然而，来自美国联邦通信委员会的数据显示，授权频谱的利用率仅有15%～85%，很明显，频谱没有得到有效地利用。为了解决这个问题，认知无线电（Cognitive Radio,CR）应运而生。CR允许非授权用户（也叫认知用户）在不影响授权用户（也叫主用户）使用特定频谱的前提下，可以感知并使用这段频谱。因此，当主用户再次使用这段频谱时，认知用户必须能及时发现并退出该频谱段。

频谱感知技术中，能量检测方法不需要主用户的先验信息且较易实现，因此其应用相对较广泛。经过大量研究发现，能量检测方法中采用双门限检测更能提高检测的准确性。为了提高频谱感知的性能，合作频谱感知被提出。早期的合作频谱感知中，“与”准则，“或”准则和“K-秩”准则常被用作融合中心的判决方式。然而，依据这些准则的判决都属于硬判决，无法满足网络对感知性能的要求。由此提出了软融合算法，通过收集到的认知用户的感知信息进行融合判决。D-S（Dempster-Shafer）证据理论就是一种典型的软融合算法，很多频谱感知算法的研究中利用D-S证据理论进行融合。2006年有研究团队提出一种基于D-S证据理论的分布式频谱感知算法，该算法考虑本地频谱感知的可信度，并且对主用户到认知用户之间的信道条件进行了量化。2008年郑学强研究团队提出的基于D-S证据理论的合作频谱感知算法根据自相关函数计算本地感知结果的可信度和不可信度。2011年，Nhan在他的文章中提出一种本地感知结果为多个比特的基于证据理论的合作频谱感知算法，该算法根据假设分布的特性运用了Lloyd-Max量化方法来解决频谱感知问题。

但是，以上的合作频谱感知算法都没有考虑到频谱的动态变化对融合结果的影响。在实际的频谱感知过程中，频谱状态是极有可能发生变化的，这就会导致传输到融合中的数据很有可能是过时的，最终导致融合中心对频谱状态判决错误，错误的判决会导致两种结果：一种是频谱状态由空闲变为忙碌状态（也就是说主用户信号由不存在变为存在）而融合中心根据过时的感知数据判决为主用户信号不存在，认知用户去使用这段频谱的时候就会对主用户信号造成严重干扰；另一种是频谱状态由忙碌变为空闲状态（也就是说主用户信号由存在变为不存在）而融合中心根据过时的感知数据判决为主用户信号存在，然后认知用户就会避免使用这段频谱，而实际上这段频谱现在是空闲状态，这种情况下又造成频谱利用率降低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多进程D-S证据理论的合作频谱感知方法，除去过时感知信息对融合中心正确判断频谱状态的影响，保证判断结果的正确性,同时缩短判断时间，提高频谱利用效率。

为实现上述发明目的，本发明基于多进程D-S证据理论的合作频谱感知方法，其特征在于，包括以下步骤：

（1）、生成多进程D-S证据理论频谱感知的帧结构：将第(i-1)个认知用户SU_i-1的感知结果作为报告与第i,i＝1,2,…N个认知用户SU_i的感知组成新的频谱感知字段，新频谱感知字段的数据传输周期不变，每个认知用户的感知和报告的周期相同均为T，则N个认知用户完成感知和报告的周期为(N+1)T，新频谱感知字段和数据接收、传输字段构成多进程D-S证据理论频谱感知的帧结构；

（2）、认知用户根据D-S证据理论计算不确定信息的信度函数：

（2.1）、计算第i个认知用户接受到的能量

表达式为：

$x_{E_i}=\underset{t=1}{\overset{2v}{\mathrm{\Σ}}}{\left|y_i\left(t\right)\right|}^2$

其中,v为时间带宽，y_i(t)为第i个认知用户接收到的信号，其表达式为：

$y_i\left(t\right)=\left\{\begin{array}{c}{h}_i{s}_i\left(t\right)+n_i\left(t\right)H_1\\ n_i\left(t\right)H_0\end{array}\right.$

其中，h_i为信道衰落系数，s_i(t)为主用户信号，n_i(t)为加性高斯白噪声,H₀为主用户信号不存在，H₁为主用户信号存在；

根据中心极限定理，当v足够大时，

为高斯随机变量，其均值和方差的为：

主用户信号不存在时的均值μ_0i和方差

$\left\{\begin{array}{c}{\mathrm{\μ}}_{0i}=N_{0}v\\ {\mathrm{\σ}}_{0i}^2=N_0^{2}v\end{array};\right.$

主用户信号存在时的均值μ_1i和方差

$\left\{\begin{array}{c}{\mathrm{\μ}}_{1i}=N_{0}v(\mathrm{SNR}+1)\\ {\mathrm{\σ}}_{1i}^2=N_0^{2}v(2\mathrm{SNR}+1)\end{array};\right.$

其中，N₀为独立复高斯随机变量的单边功率谱密度,SNR为信噪比；

（2.2）、通过双门限检测方案找出不确定信息：

计算双门限检测方案的门限值λ₀和λ₁,在h_i确定条件下，第i个认知用户的虚警概率Q_f,i：

$Q_{f,i}=P\{x_{E_i}>{\mathrm{\λ}}_1|H_0\}=\frac{\mathrm{\Γ}(v,{\mathrm{\λ}}_1/2)}{\mathrm{\Γ}\left(v\right)}$

其中，Γ(ν)为完全伽玛函数；Γ(ν,λ₁/2)为非完全伽玛函数；

Γ(ν,λ₁/2)=Γ(ν)-Γ(ν)·P(ν,λ₁/2)；

$P(v,{\mathrm{\λ}}_1/2)=\frac{1}{\mathrm{\Γ}\left(v\right)}\underset{0}{\overset{{\mathrm{\λ}}_1/2}{\∫}}{t}^{v-1}\·e^{-t}\mathrm{dt};$

其中P(ν,λ₁/2)表示的是低阶非完全伽玛函数；由此我们可以得到

λ₁=2P^-1(ν,1-Q_f,i)；

λ₀=c·λ₁

式中c为常数，可根据实际需要确定该值；

根据λ₀和λ₁找出不确定信息；第i个认知用户接受到的能量值

为H₀，

为H₁，为不确定信息；

（2.3）、通过D-S证据理论计算不确定信息的信度函数：

根据D-S证据理论，通过双门限计算第i个感知用户的信度函数m_i(H₀)和m_i(H₁)，

$\begin{array}{c}{m}_i\left(H_0\right)=P\{x_{E_i}<{\mathrm{\&lambda;}}_0|H_0\}+P\{{\mathrm{\&lambda;}}_0<x_{E_i}<{\mathrm{\&lambda;}}_1\left|H_0\right\}\\ =\underset{-\&infin;}{\overset{{\mathrm{\&lambda;}}_1}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{0i}}\exp [-{(x-{\mathrm{\&mu;}}_{0i})}^2/{\mathrm{\&sigma;}}_{0i}^2]\mathrm{dx}\end{array};$

$\begin{array}{c}{m}_i\left(H_1\right)=P\{x_{E_i}<{\mathrm{\&lambda;}}_1|H_1\}+P\{{\mathrm{\&lambda;}}_0<x_{E_i}<{\mathrm{\&lambda;}}_1\left|H_1\right\}\\ =\underset{{\mathrm{\&lambda;}}_0}{\overset{+\&infin;}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{1i}}\exp [-{(x-{\mathrm{\&mu;}}_{1i})}^2/{\mathrm{\&sigma;}}_{1i}^2]\mathrm{dx}\end{array};$

（2.4）、簇头节点收集簇内认知用户的感知结果并传给融合中心：

将步骤（2.3）中计算得到的信度函数传给簇头节点CH_h(h＝1,2…,M)作为最终感知结果R_Ch传给融合中心；

（3）、融合中心基于多进程D-S证据理论的合作频谱感知方法进行融合并判决：

（3.1）、来自簇头节点的新感知结果到达融合中心后，融合中心便开启一个新的D-S进程；

（3.2）、开启的D-S进程对融合数据进行计算并作出判决：

（3.2.1）、定义基本概率指派函数m：

基本概率指派为2^Ω到[0,1]的函数m，m满足：

$\left\{\begin{array}{c}m\left(\mathrm{\&Phi;}\right)=0\\ \underset{A\&SubsetEqual;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}m\left(A\right)=1\end{array}\right.$

式中m(A)表示的是A的可信度，也叫做证据，Ω表示一个互斥且完整的假设集，称为识别域，分别定义了信度函数bel和似然函数pl，对于所有

$\left\{\begin{array}{c}\mathrm{bel}\left(A\right)=\underset{B\&SubsetEqual;A}{\mathrm{\&Sigma;}}m\left(B\right)\\ \mathrm{pl}\left(A\right)=\underset{A\&cap;B\&NotEqual;\mathrm{\&phi;}}{\mathrm{\&Sigma;}}m\left(B\right)\end{array}\right.$

因此[bel(A),pl(A)]就表示了m的不确定区间；

（3.2.2）、根据多进程D-S证据理论的融合法则，对任意K个基本概率指派函数进行正交和，构成新的基本概率指派函数m_K(A_K)，K属于[1,M]，M是网络中簇的个数：

$\begin{array}{c}{m}_K\left(A_K\right)=m_1\left(A_1\right)\&CirclePlus;m_2{A}_2\&CirclePlus;\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)\\ =\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=A}{\mathrm{\&Sigma;}}{m}_1\left(A_1\right)m_2\left(A_2\right)\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)}{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M\&NotEqual;A}{\mathrm{\&Sigma;}}{m}_1\left(A_1\right)m_2\left(A_2\right)\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)}\end{array}$

（3.2.3）、对融合后的基本概率指派函数计算：

融合中心接收到K个感知结果，对应K个D-S证据理论进程的最终结果

和为：

$m_{H_0}\left(K\right)=\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=H_0}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}{1-\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}$

$m_{H_1}\left(K\right)=\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=H_1}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}{1-\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}$

其中，Θ表示空集；

（3.2.4）、将最终的融合结果进行比较作出判断，判断准则为：

$H_0:m_{H_0}\left(K\right)>m_{H_1}\left(K\right)$

$H_1:m_{H_1}\left(K\right)\&GreaterEqual;m_{H_0}\left(K\right)$

其中，所述的簇头节点为：将网络中N个认知用户划分成M个簇，每个簇中报告信道增益最大的认知用户作为该簇的簇头节点。

本发明的发明目的是这样实现的：

本发明基于多进程D-S证据理论的合作频谱感知方法，通过双门限检测方案的两个门限值找出不确定的信息，认知用户再根据D-S证据理论处理不确定信息，最后由簇头节点收集簇内认知用户的感知结果并传给融合中心，融合中心通过多进程D-S证据理论进行融合并判断，这样除去过时感知信息对融合中心正确判断频谱状态的影响，保证判断结果的正确性，同时缩短了判断时间提高了频谱的利用效率。

同时，本发明基于多进程D-S证据理论的合作频谱感知方法还具有以下有益效果：

（1）、改变了传统帧结构，这样容易检测频谱状态的变换，减少了过时数据传输到融合中心；

（2）、为了消除已过时的感知结果造成的影响，融合中心则需要同等数量的新的感知结果来进行判断，这样更能适应网络环境中频谱的动态变化，融合中心也无需延时做出判断。

附图说明

图1是基于多进程D-S证据理论的合作频谱感知方法示意图；

图2是合作频谱感知方法传统的帧结构图；

图3是多进程D-S证据理论的合作频谱感知方法的帧结构；

图4不同信噪比下多进程D-S证据理论方法和其他方法检测概率的对比图；

图5多进程D-S证据理论方法和其他方法系统性能的对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是基于多进程D-S证据理论的合作频谱感知方法示意图。

本实施例中，认知用户首先根据D-S证据理论计算不确定信息的信度函数：

（1.1）、计算第i,i＝1,2,…N个认知用户接受到的能量

表达式为：

$x_{E_i}=\underset{t=1}{\overset{2v}{\mathrm{\&Sigma;}}}{\left|y_i\left(t\right)\right|}^2$

其中,v为时间带宽，y_i(t)为第i个认知用户接收到的信号，其表达式为：

$y_i\left(t\right)=\left\{\begin{array}{c}{h}_i{s}_i\left(t\right)+n_i\left(t\right)H_1\\ n_i\left(t\right)H_0\end{array}\right.$

其中，h_i为信道衰落系数，s_i(t)为主用户信号，n_i(t)为加性高斯白噪声,H₀为主用户信号不存在，H₁为主用户信号存在；

根据中心极限定理，当v足够大时，

为高斯随机变量，其均值和方差的为：

主用户信号不存在时的均值μ_0i和方差

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_{0i}=N_{0}v\\ {\mathrm{\&sigma;}}_{0i}^2=N_0^{2}v\end{array};\right.$

主用户信号存在时的均值μ_1i和方差 $\left\{\begin{array}{c}{\mathrm{\&mu;}}_{1i}=N_{0}v(\mathrm{SNR}+1)\\ {\mathrm{\&sigma;}}_{1i}^2=N_0^{2}v(2\mathrm{SNR}+1)\end{array};\right.$

其中，N₀为独立复高斯随机变量的单边功率谱密度,SNR为信噪比；

（1.2）、通过双门限检测方案找出不确定信息：

计算双门限检测方案的门限值λ₀和λ₁；在h_i确定条件下，第i个认知用户的虚警概率Q_f,i：

$Q_{f,i}=P\{x_{E_i}>{\mathrm{\&lambda;}}_1|H_0\}=\frac{\mathrm{\&Gamma;}(v,{\mathrm{\&lambda;}}_1/2)}{\mathrm{\&Gamma;}\left(v\right)}$

其中，Γ(ν)为完全伽玛函数；Γ(ν,λ₁/2)为非完全伽玛函数；

Γ(ν,λ₁/2)=Γ(ν)-Γ(ν)·P(ν,λ₁/2)；

$P(v,{\mathrm{\&lambda;}}_1/2)=\frac{1}{\mathrm{\&Gamma;}\left(v\right)}\underset{0}{\overset{{\mathrm{\&lambda;}}_1/2}{\&Integral;}}{t}^{v-1}\&CenterDot;e^{-t}\mathrm{dt};$

其中P(ν,λ₁/2)表示的是低阶非完全伽玛函数；由此我们可以得到

λ₁=2P^-1(ν,1-Q_f,i)；

λ₀=c·λ₁

式中c为常数，可根据实际需要确定该值；

根据λ₀和λ₁找出不确定信息；第i个认知用户接受到的能量值

为H₀，

为H₁，

为不确定信息；

（1.3）、通过D-S证据理论计算不确定信息的信度函数：

根据D-S证据理论，通过双门限计算第i个感知用户的信度函数m_i(H₀)和m_i(H_l)，

$\begin{array}{c}{m}_i\left(H_0\right)=P\{x_{E_i}<{\mathrm{\&lambda;}}_0|H_0\}+P\{{\mathrm{\&lambda;}}_0<x_{E_i}<{\mathrm{\&lambda;}}_1\left|H_0\right\}\\ =\underset{-\&infin;}{\overset{{\mathrm{\&lambda;}}_1}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{0i}}\exp [-{(x-{\mathrm{\&mu;}}_{0i})}^2/{\mathrm{\&sigma;}}_{0i}^2]\mathrm{dx}\end{array};$

$\begin{array}{c}{m}_i\left(H_1\right)=P\{x_{E_i}<{\mathrm{\&lambda;}}_1|H_1\}+P\{{\mathrm{\&lambda;}}_0<x_{E_i}<{\mathrm{\&lambda;}}_1\left|H_1\right\}\\ =\underset{{\mathrm{\&lambda;}}_0}{\overset{+\&infin;}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{1i}}\exp [-{(x-{\mathrm{\&mu;}}_{1i})}^2/{\mathrm{\&sigma;}}_{1i}^2]\mathrm{dx}\end{array};$

（1.4）、簇头节点收集簇内认知用户的感知结果并传给融合中心：

将步骤（1.3）中计算得到的信度函数传给簇头节点CH_h(h＝1,2…,M)作为最终感知结果R_Ch传给融合中。

融合中心基于多进程D-S证据理论的合作频谱感知方法进行融合并判决：

（2.1）、来自簇头节点的新感知结果到达融合中心后，融合中心便开启一个新的D-S进程；

（2.2）、开启的D-S进程对融合数据进行计算并作出判决：

（2.2.1）、定义基本概率指派函数m：

基本概率指派为2^Ω到[0,1]的函数m，m满足

$\left\{\begin{array}{c}m\left(\mathrm{\&Phi;}\right)=0\\ \underset{A\&SubsetEqual;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}m\left(A\right)=1\end{array}\right.$

式中m(A)表示的是A的可信度，也叫做证据，Ω表示一个互斥且完整的假设集，称为识别域，分别定义了信度函数bel和似然函数pl，对于所有

$\left\{\begin{array}{c}\mathrm{bel}\left(A\right)=\underset{B\&SubsetEqual;A}{\mathrm{\&Sigma;}}m\left(B\right)\\ \mathrm{pl}\left(A\right)=\underset{A\&cap;B\&NotEqual;\mathrm{\&phi;}}{\mathrm{\&Sigma;}}m\left(B\right)\end{array}\right.$

因此[bel(A),pl(A)]就表示了m的不确定区间；

（2.2.2）、根据多进程D-S证据理论的融合法则，对任意K个基本概率指派函数进行正交和，构成新的基本概率指派函数m_K(A_K)，K属于[1,M]，M是网络中簇的个数：

$\begin{array}{c}{m}_K\left(A_K\right)=m_1\left(A_1\right)\&CirclePlus;m_2{A}_2\&CirclePlus;\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)\\ =\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=A}{\mathrm{\&Sigma;}}{m}_1\left(A_1\right)m_2\left(A_2\right)\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)}{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M\&NotEqual;A}{\mathrm{\&Sigma;}}{m}_1\left(A_1\right)m_2\left(A_2\right)\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)}\end{array}$

（2.2.3）、对融合后的基本概率指派函数计算：

融合中心接收到K个感知结果，对应K个D-S证据理论进程的最终结果

和

为：

$m_{H_0}\left(K\right)=\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=H_0}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}{1-\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}$

$m_{H_1}\left(K\right)=\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=H_1}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}{1-\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}$

其中，Θ表示空集；

（2.2.4）、将最终的融合结果作出判断，判断准则为：

$H_0:m_{H_0}\left(K\right)>m_{H_1}\left(K\right)$

$H_1:m_{H_1}\left(K\right)\&GreaterEqual;m_{H_0}\left(K\right)$

本实施例中如图所1示，将5个感知结果传给融合中心，频谱状态在第2个感知结果和第3个感知结果之间从空闲变为忙碌。这样的频谱状态改变导致前两个本地感知结果变为过时数据，这种过时数据很有可能导致融合中心的错误判决。

图2是合作频谱感知方法传统的帧结构图。

图3是多进程D-S证据理论的合作频谱感知方法的帧结构。

如图2所示，合作频谱感知方法传统的帧结构将本地感知的数据全部感知完成后才报告感知的结果，每个认知用户的感知和报告的周期相同均为T，则N个认知用户完成感知和报告的周期为2NT；而多进程D-S证据理论的频谱动态变化感知方法的帧结构，如图3所示，将第1个认知用户SU₁的感知结果作为报告与第2个认知用户SU₂的感知组成新的频谱感知字段，新频谱感知字段的数据传输周期不变，同样有N个认知用户完成感知和报告的周期则为(N+1)T，新频谱感知字段和数据接收、传输字段构成多进程D-S证据理论频谱感知的帧结构；

图4不同信噪比下多进程D-S证据理论方法和其他方法检测概率的对比图；

检测概率Q_d是指主用户出现时能被认知用户检测出来的概率，第i个感知用户的检测概率计算公式为

如图4所示，不同方法的检测概率Q_d随信噪比SNR的变化情况。当信噪比从-5dB到5dB变化时，多进程D-S证据理论方法的检测概率比其他方法的要高，随着信噪比的增加，多进程D-S证据理论方法、传统D-S证据理论方法和“或”准则方法这三个方法的检测概率趋于1，尤其是信噪比SNR增加到4dB以后更为明显，这就验证了合作频谱感知方法的检测性能要比单用户检测性能高。另外，在相同信噪比下，多进程D-S证据理论方法能明显提高检测概率。

图5多进程D-S证据理论方法和其他方法系统性能的对比图。

如图5所示，虚警概率Q_f设定为[0.01,0.02,0.03,0.04,0.05,0.06,0.07,0.08,0.09,0.1]，SNR取值为[3,1.1,0.8,-1.2,1.3,1.6,-2.3,1.0,-0.8,0]。从图中可以看出，随着虚警概率的增加，检测概率趋于1。仿真曲线证明了多进程D-S证据理论方法可以获得更好的系统性能。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.基于多进程D-S证据理论的合作频谱感知方法，其特征在于，包括以下步骤：

（1）、生成多进程D-S证据理论合作频谱感知的帧结构：将第(i-1)个认知用户SU_i-1的感知结果作为报告与第i,i＝1,2,…N个认知用户SU_i的感知组成新的频谱感知字段，新频谱感知字段的数据传输周期不变，每个认知用户的感知和报告的周期相同均为T，则N个认知用户完成感知和报告的周期为(N+1)T，新频谱感知字段和数据接收、传输字段构成多进程D-S证据理论合作频谱感知的帧结构；

（2）、认知用户根据D-S证据理论计算不确定信息的信度函数：

（2.1）、计算第i个认知用户接受到的能量

表达式为：

$x_{E_i}=\underset{t=1}{\overset{2v}{\mathrm{\&Sigma;}}}{\left|y_i\left(t\right)\right|}^2$

其中,v为时间带宽，y_i(t)为第i个认知用户接收到的信号，其表达式为：

$y_i\left(t\right)=\left\{\begin{array}{c}{h}_i{s}_i\left(t\right)+n_i\left(t\right)H_1\\ n_i\left(t\right)H_0\end{array}\right.$

其中，h_i为信道衰落系数，s_i(t)为主用户信号，n_i(t)为加性高斯白噪声,H₀为主用户信号不存在，H₁为主用户信号存在；

根据中心极限定理，当v足够大时，

为高斯随机变量，其均值和方差的为：

主用户信号不存在时的均值μ_0i和方差

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_{0i}=N_{0}v\\ {\mathrm{\&sigma;}}_{0i}^2=N_0^{2}v\end{array};\right.$

主用户信号存在时的均值μ_1i和方差 $\left\{\begin{array}{c}{\mathrm{\&mu;}}_{1i}=N_{0}v(\mathrm{SNR}+1)\\ {\mathrm{\&sigma;}}_{1i}^2=N_0^{2}v(2\mathrm{SNR}+1)\end{array};\right.$

其中，N₀为独立复高斯随机变量的单边功率谱密度,SNR为信噪比；

（2.2）、通过双门限检测方案找出不确定信息：

计算双门限检测方案的门限值λ₀和λ₁；在h_i确定条件下，第i个认知用户的虚警概率Q_f,i：

$Q_{f,i}=P\{x_{E_i}>{\mathrm{\&lambda;}}_1|H_0\}=\frac{\mathrm{\&Gamma;}(v,{\mathrm{\&lambda;}}_1/2)}{\mathrm{\&Gamma;}\left(v\right)}$

其中，Γ(ν)为完全伽玛函数；Γ(ν,λ₁/2)为非完全伽玛函数；

Γ(ν,λ₁/2)=Γ(ν)-Γ(ν)·P(ν,λ₁/2)；

$P(v,{\mathrm{\&lambda;}}_1/2)=\frac{1}{\mathrm{\&Gamma;}\left(v\right)}\underset{0}{\overset{{\mathrm{\&lambda;}}_1/2}{\&Integral;}}{t}^{v-1}\&CenterDot;e^{-t}\mathrm{dt};$

其中P(ν,λ₁/2)表示的是低阶非完全伽玛函数；由此我们可以得到

λ₁=2P^-1(ν,1-Q_f,i)；

λ₀=c·λ₁

式中c为常数，可根据实际需要确定该值；

根据λ₀和λ₁找出不确定信息；第i个认知用户接受到的能量值为H₀，

为H₁，

为不确定信息；

（2.3）、通过D-S证据理论计算不确定信息的信度函数：

根据D-S证据理论，通过双门限计算第i个感知用户的信度函数m_i(H₀)和m_i(H₁)，

$\begin{array}{c}{m}_i\left(H_0\right)=P\{x_{E_i}<{\mathrm{\&lambda;}}_0|H_0\}+P\{{\mathrm{\&lambda;}}_0<x_{E_i}<{\mathrm{\&lambda;}}_1\left|H_0\right\}\\ =\underset{-\&infin;}{\overset{{\mathrm{\&lambda;}}_1}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{0i}}\exp [-{(x-{\mathrm{\&mu;}}_{0i})}^2/{\mathrm{\&sigma;}}_{0i}^2]\mathrm{dx}\end{array};$

$\begin{array}{c}{m}_i\left(H_1\right)=P\{x_{E_i}<{\mathrm{\&lambda;}}_1|H_1\}+P\{{\mathrm{\&lambda;}}_0<x_{E_i}<{\mathrm{\&lambda;}}_1\left|H_1\right\}\\ =\underset{{\mathrm{\&lambda;}}_0}{\overset{+\&infin;}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{1i}}\exp [-{(x-{\mathrm{\&mu;}}_{1i})}^2/{\mathrm{\&sigma;}}_{1i}^2]\mathrm{dx}\end{array};$

（2.4）、簇头节点收集簇内认知用户的感知结果并传给融合中心：

将步骤（2.3）中计算得到的信度函数传给簇头节点CH_h(h＝1,2…,M)作为最终感知结果R_Ch传给融合中心；

（3）、融合中心基于多进程D-S证据理论的合作频谱感知方法进行融合并判决：

（3.1）、来自簇头节点的新感知结果到达融合中心后，融合中心便开启一个新的D-S进程；

（3.2）、开启的D-S进程对融合数据进行计算并作出判决：

（3.2.1）、定义基本概率指派函数m：

基本概率指派为2^Ω到[0,1]的函数m，m满足：

$\left\{\begin{array}{c}m\left(\mathrm{\&Phi;}\right)=0\\ \underset{A\&SubsetEqual;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}m\left(A\right)=1\end{array}\right.$

式中m(A)表示的是A的可信度，也叫做证据，Ω表示一个互斥且完整的假设集，称为识别域，分别定义了信度函数bel和似然函数pl，对于所有

$\left\{\begin{array}{c}\mathrm{bel}\left(A\right)=\underset{B\&SubsetEqual;A}{\mathrm{\&Sigma;}}m\left(B\right)\\ \mathrm{pl}\left(A\right)=\underset{A\&cap;B\&NotEqual;\mathrm{\&phi;}}{\mathrm{\&Sigma;}}m\left(B\right)\end{array}\right.$

因此[bel(A),pl(A)]就表示了m的不确定区间；

（3.2.2）、根据多进程D-S证据理论的融合法则，对任意K个基本概率指派函数进行正交和，构成新的基本概率指派函数m_K(A_K)，K属于[1,M]，M是网络中簇的个数：

$\begin{array}{c}{m}_K\left(A_K\right)=m_1\left(A_1\right)\&CirclePlus;m_2{A}_2\&CirclePlus;\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)\\ =\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=A}{\mathrm{\&Sigma;}}{m}_1\left(A_1\right)m_2\left(A_2\right)\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)}{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M\&NotEqual;A}{\mathrm{\&Sigma;}}{m}_1\left(A_1\right)m_2\left(A_2\right)\&CenterDot;\&CenterDot;\&CenterDot;m_M\left(A_M\right)}\end{array}$

（3.2.3）、对融合后的基本概率指派函数计算：

融合中心接收到K个感知结果，对应K个D-S证据理论进程的最终结果

(K)和

(K)为：

$m_{H_0}\left(K\right)=\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=H_0}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}{1-\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}$

$m_{H_1}\left(K\right)=\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=H_1}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}{1-\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;A_M=\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{K=1}{\overset{M}{\mathrm{\&Pi;}}}{m}_K\left(A_K\right)}$

其中，Θ表示空集；

（3.2.4）、将最终的融合结果进行比较作出判断，判断准则为：

$H_0:m_{H_0}\left(K\right)>m_{H_1}\left(K\right)$

$H_1:m_{H_1}\left(K\right)\&GreaterEqual;m_{H_0}\left(K\right)$

2.根据权利要求1所述的基于多进程D-S证据理论的合作频谱感知方法，其特征在于，所述的簇头节点为：将网络中N个认知用户划分成M个簇，每个簇中报告信道增益最大的认知用户作为该簇的簇头节点。

Images