CN103746752B - 一种基于分层狄利克雷过程的智能频谱感知方法 - Google Patents

Abstract

本发明涉及一种基于分层狄利克雷过程的分布式协作频谱感知方法。具体为：利用感知数据的统计特性，首先对次要用户的感知数据进行自动分组，然后在每个分组内进行数据融合，从而挖掘出网络中的异构频谱；此外，针对该频谱感知方法的实施，提出了一种简洁高效的分布式信息交换方案，即簇内信息交换和簇间信息交换，并给出了所需交换的最简洁信息。

Description

一种基于分层狄利克雷过程的智能频谱感知方法

技术领域

本发明属于无线通信、认知无线电网络领域，具体涉及一种基于分层狄利克雷过程的智能频谱感知方法。

背景技术

在传统的频谱感知方法中，通常假设：(1)认知无线电网络是一个同步网络，并且所有的次要用户同时采样数据，次要用户的频谱观测仅依赖于主要用户的信道接入状况；(2)主要用户的传输范围足够大可以覆盖所有次要用户。因此，基于这两条假设，认知无线电网络中所有的次要用户将拥有一个共同的稀疏频谱状态。然而，对于一个大规模的网络，由于主要用户可能处于不同的位置，因此这两条假设不一定一直有效。并且附近的次要用户对可用信道的判决会不同。

因此，为了能够更好地利用无线频谱资源，认知无线电应该能检测频谱空洞并找出可用的机会频谱。本发明重点研究了一个实际问题：部署在不同的地点的次要用户可能有不同的频谱检测状态(比如不同的空闲信道，相同信道下不同信噪比等)，因此不同次要用户的感知数据可能不适合于全局共享或集中融合。导致这个问题的原因有：(1)次要用户可能分布在大规模的网络中，其中的同步频谱感知操作可能不同，因此不同的感知数据可能不是在同一时刻观察到；(2)由于无线信道上的衰减，同主要用户具有不同距离的次要用户们可以感知特定的无线环境(如主要用户的信道使用情况)并且因此拥有不同的频谱状态(见图1)。因此需要一个新的机制来发现认知无线电网络(CognitiveRadioNetwork,CRN)中异构的可用频谱。通常，这个新的机制可能先将来自不同次要用户的感知数据分成不同的组，然后各个组内派生出一个共同的稀疏频谱状态。

中国专利号201110082517中提供了一种应用于认知无线电系统中的协作频谱感知方法，包括：在已有主要用户的网络中配置包含N个次级用户和至少一个信息融合中心的认知无线电系统；基于单条链路的检测错误概率为最小时得到门限值和信噪比的关系，从而确定在不同信噪比下的最优门限值；基于单条链路的检测概率、虚警概率和漏检概率，得到认知无线电系统的检测概率、虚警概率和漏检概率、检测错误概率。相较于现有技术，本发明能极大地提高检测概率，以保证主要用户在传送数据过程中不被干扰。

发明内容

本发明的目的在于提供一种基于分层狄利克雷过程的智能频谱感知方法。

本发明中，将不失一般性地假设认知无线电网络中的所有次要用户组成一个基于分簇的网络拓扑结构(见图1)，其中簇头可以通过一些规则选出(如较强通信能力)。我们提出的分布式合作频谱感知将完全基于这个分簇的拓扑结构。在图1中，我们可以看出由于主要用户干扰范围的不同以及次要用户广泛分布的情况，不同的次要用户可能有不同的稀疏频谱感知结果。此外，相邻的次要用户拥有相似的频谱检测状态而分隔较远的次要用户可能具有完全不同的频谱状态。因此，次要用户可以拥有异构的可用频谱。正确的找出这些异构的可用频谱可以帮助次要用户找到更多的机会频谱并且增加认知无线电网络的吞吐量。

本发明提出基于分层狄利克雷过程的智能频谱感知方法，具体步骤如下：

(1)数据获得：将无线电网络中用户分为主要用户和次要用户，所有次要用户组成一个基于分簇的网络拓扑结构，根据一些规则(如通信能力的强弱)，选出簇头，采用分层狄利克雷过程作为非参数贝叶斯学习模型，将具有共同稀疏频谱状态的感知数据分到同一组中，实现自动感知数据的分组；使每个簇头向簇内所有将执行同步频谱数据采样的节点(比如同簇内所有次要用户)广播感知要求；所述采样的节点为同簇内所有次要用户；

(2)簇内数据融合：将所有簇内节点的广播感知结果作为一个本地的临时的融合结果，簇头收集各个SU的信道状态参数以及本地的临时的融合结果；簇头通过广播临时的融合结果至相邻簇头以实现簇间的信息交换；并且现有的簇头与其他簇头共享所述广播感知信息；

(3)簇间的数据融合：簇头间交换他们的本地融合结果，为汇合成一个最佳的、异构的频谱感知决定，通过分布式信息交换协议，重复数次步骤(2)和(3)，通过多轮的分布感知信息交换，融合结果将会收敛到一个稳定的值，从而可以得到对信道状态参数的估计值；

在每一次循环中，分别完成对每个簇j(j＝1,2,...,J)的以下操作；

首先，从其他簇中收集频谱感知信息及其之前的信道状态分配结果，即获取

$\{S\left(j\right),\underset{j\∈S\left(j\right)}{\Σ}{m}_{jk},({a^{\′}}_k,{b^{\′}}_k)|k=1,2,\mathrm{...},K\}.$ 对中间的过渡分布抽样，其中

β～Dir(m_·1,m_·2,...,m_·K,γ)(13)

接着，为了实现簇内信息共享，对簇j中的每一个观察值X^ji,i＝1,2,...,N_j，顺序执行以下四个子步骤；

第一步，减少并且将X^ji从缓存的信道状态数据中移除，替以当前的信道状态分配z_ji＝k：

第二步，对K个已经存在的信道状态，计算：

$f_k\left(X^{ji}\right)=\frac{{\mathrm{\α\β}}_k+n_{jk}}{\mathrm{\α}+N_j-1}\·p(X^{ji};{a^{\′}}_k,{b^{\′}}_k),k=1,2,\mathrm{...},K---\left(15\right)$

其中p(X^ji；a'_k,b'_k)是X服从洛克马斯分布的似然函数。同时也需要确定新状态K+1的概率 $f_{k+1}\left(X^{ji}\right)=\frac{{\mathrm{\α\β}}_{\tilde{k}}}{\mathrm{\α}+N_j-1}\·p(X^{ji};{a^{\′}}_{K+1},{b^{\′}}_{K+1}),$ 其中 ${\mathrm{\β}}_{\tilde{k}}=\underset{k=K+1}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\β}}_k.$

第三步，抽样以获得新的状态类型z_ji，其中，

$z_{ji}~\underset{k=1}{\overset{K}{\Σ}}{f}_k\left(X^{ji}\right)\mathrm{\δ}(z_{ji},k)+f_{K+1}\left(X^{ji}\right)\mathrm{\δ}(z_{ji},K+1)---\left(16\right)$

最后，增加并将X^ji作为新的状态类型z_ji＝k加入缓存的信道状态统计值：

$({a^{\′}}_k,{b^{\′}}_k)\←({a^{\′}}_k,{b^{\′}}_k)\⊕X^{ji}---\left(17\right)$

在完成簇内信息共享后，接着执行对辅助变量m的抽样。对簇j中的每一个信道状态k＝1,2,...,K，令m_jk＝0,n＝0。对簇_j中的观察值X^ji，先确定一种状态k，循环n＝0,1,...,n_jk-1，根据以下分布对x抽样：

$x~Ber\left(\frac{{\mathrm{\α\β}}_k}{n+{\mathrm{\α\β}}_k}\right)---\left(18\right)$

逐个增加n，如x＝1则对m_jk加1。

为了实现簇间信息共享，需要压缩封装其中S(j)是所收到的相邻簇的序号信息的集合，包括簇j，即j∈S(j)。

在达到预设的循环次数的上界后就可以用参数(a'_k,b'_k),k＝1,2,...,K更新每个信道的伽马分布的参数λ^ji。之后本发明将使用式(8)来估算接收信号的功率，即(1/λ_k)，它可以直接反映信道状态。最后的二进制信道状态(即可用或禁用)的确定是通过将贝叶斯估计结果(1/λ_k)与门限值比较来获得。具体为以下判决分支结构。若(1/λ_k)＜门限，则判断PU关机；否则判断PU开机。(1/λ_k)和门限值都为向量，因此要对每个信道单独比较(1/λ_k)和门限值。

目前提出的工作方法不能发现异构可用频谱的原因是：(1)他们经常假设整个网络共享同一个稀疏频谱状态；(2)他们大部分都使用一个集中的或分布式的方法来得出一个共同的感知结果。与先前的工作不同的是，这里我们做出一个符合实际情况的假设：次要用户之间存在异构的可用频谱，并且我们然后提出一个新的非参数贝叶斯学习方法来得到这样一个异构感知结果。

图2给出了本专利算法的主要流程图：

本发明提出的分布式合作频谱感知方案将包括以下两个重要的部分：

(1)非参数感知数据分组：在实际情况中，从状态估计角度看，我们事先并不能从所有次要用户感知数据中了解隐藏的不同频谱的数量。也就是说，所有次要用户感知到的数据可以分成多少组是不确定的。这个假设是合理的，因为这些分组可能动态变化的并且依赖于时变无线环境、移动的主要用户和次要用户之间的相对距离以及认知无线电网络中分布的主要用户和次要用户的数量。基于上面的实际假设，为了实现自动感知数据的分组，本发明使用分层狄利克雷过程(HierarchicalDirichletProcess,HDP)作为非参数贝叶斯学习模型。具有共同稀疏频谱状态的感知数据将被分到同一组中。在每一组中，贝叶斯干扰模型将用来得出共享的稀疏频谱状态。总之，我们提出的方法包括两个关键的步骤：感知数据分组和各组的贝叶斯推理。

(2)简洁的分布感知信息交换过程：本发明设计的频谱感知方法能够高效的用于认知无线电网络中。具体就是要设计必要和简洁的信息用于频谱信息交换，以便于更高效的实现分布式感知。本发明提出将分布信息的交换与认知无线电网络的拓扑结构结合起来。由于本发明假设通过将认知无线电网络分成许多簇的方法，来达到最小化网络结构和缩减路由开销的目的。因此，簇内和簇间的信息交换更适合于分布式频谱信息传播。

以下给出本发明中具体的方法原理及流程：

(1)针对观察数据的贝叶斯模型

Y(k)表示信道k上的信号，因此Y(k)可以写成：

Y(k)＝(V_kc+N_kc)-j(V_ks+N_ks),W_LT/π≤k≤W_HT/π(1)

由于(V_kc+N_kc)和(V_kc+N_kc)服从具有相同方差和零均值的相互独立的高斯分布(如，|Y(k)|服从瑞利分布，因此|Y(k)|²/2服从指数分布，即：

$\left|Y\left(k\right)\right|~Rayleigh\left(\sqrt{{\mathrm{\σ}}_k^2+{\mathrm{\σ}}_0^2}\right)---\left(2\right)$

$\begin{array}{c}X\left(k\right)\stackrel{\mathrm{\Δ}}{=}{\left|Y\left(k\right)\right|}^2/2~Exponential\left({\mathrm{\λ}}_k\right)\\ =Gamma(\mathrm{\κ}=1,{\mathrm{\λ}}_k)\end{array}---\left(3\right)$

${\mathrm{\λ}}_k\stackrel{\mathrm{\Δ}}{=}\frac{1}{{\mathrm{\σ}}_k^2+{\mathrm{\σ}}_0^2}---\left(4\right)$

为了减少分布式频谱感知中不必要的信息交换，本发明中取|Y(k)|²/2而不是取Y(k)的实部和虚部作为观察对象。另外，由于参数λ_k是表示信道k的状态的一个重要特点，因此本发明中用来表示指数分布的参数。另外需要指出的是，指数分布是参数κ＝1的特殊的伽马分布。

为了构造一个贝叶斯模型来得到参数λ_k，我们用典型的伽马分布作为指数分布的共轭先验，也就是：

λ_k～Gamma(a_k,b_k)

$p\left({\mathrm{\λ}}_k\right)=\frac{b_k^{a_k}}{\mathrm{\Γ}\left(a_k\right)}{{\mathrm{\λ}}_k}^{a_k-1}{e}^{-{\mathrm{\λ}}_k{b}_k}---\left(5\right)$

根据贝叶斯理论，在得到X(k)的n个观测值(如信道k的观察值)后，λ_k的后验分布可以用似然函数乘上伽马先验表示，即：

$\begin{array}{c}p\left({\mathrm{\λ}}_k\right|{\left\{X\left(k\right)\right\}}_n)\∝Exponential\left({\left\{X\left(k\right)\right\}}_n\right|{\mathrm{\λ}}_k)\·Gamma({\mathrm{\λ}}_k;a_k.b_k)\\ ={{\mathrm{\λ}}_k}^n{e}^{-{\mathrm{\λ}}_{k}n\stackrel{\‾}{X\left(k\right)}}\·\frac{b_k^{a_k}}{\mathrm{\Γ}\left(a_k\right)}{{\mathrm{\λ}}_k}^{a_k-1}{e}^{{\mathrm{\λ}}_k{b}_k}\\ \∝{{\mathrm{\λ}}_k}^{(a_k+n)-1}{e}^{{\mathrm{\λ}}_k(b_k+n\stackrel{\‾}{X\left(k\right)})}\end{array}---\left(6\right)$

同式(5)中定义的伽马分布相比，公式(6)中λ_k的后验分布仍然服从伽马分布。由于贝叶斯理论的模式保留特性可以的得到：

$\begin{array}{c}p\left({\mathrm{\λ}}_k\right|{\left\{X\left(k\right)\right\}}_n)=Gamma(a_k+n\mathrm{\κ},b_k+n\stackrel{\‾}{X\left(k\right)})\\ \stackrel{\mathrm{\Δ}}{=}Gamma({a^{\′}}_k,{b^{\′}}_k)\end{array}---\left(7\right)$

$(1/{\mathrm{\λ}}_k)|{\left\{X\left(k\right)\right\}}_n=E\[(1/{\mathrm{\λ}}_k\left)\right|{\left\{X\left(k\right)\right\}}_n\]=\frac{{b^{\′}}_k}{{a^{\′}}_k-1}---\left(8\right)$

其中代表X(k)的n个观测值的均值，(1/λ_k)表示信道状态参数的贝叶斯估计。

式(2)-(7)仅以信道k作为例子。本发明中，将进一步假设公式(1)中每一个信道的观测值Y(k)是相互独立的。因此，服从独立指数分布。所以，每一个信道状态参数λ_k服从独立伽马分布。

本发明用X＝{X(k)|W_LT/π≤k≤W_HT/π}来表示一个次要用户的观测向量，所以可以得到此外，我们分别用λ＝{λ_k|W_LT/π≤k≤W_HT/π}和1/λ来表示信道状态参数的向量和它们的贝叶斯估计。需要注意的是

此外，新数据X的预测分布通过积分将参数λ边缘化，并且服从洛克马斯分布，具体如下所示：

$\begin{array}{c}p(X;a_k,b_k)=\∫p(X/\mathrm{\λ})p\left(\mathrm{\λ}\right)d\mathrm{\λ}\\ =\underset{k=W_{L}T/\mathrm{\π}}{\overset{W_{H}T/\mathrm{\π}}{\Π}}Lo\max \left(X\right(k);b_k,a_k)\\ =\underset{k=W_{L}T/\mathrm{\π}}{\overset{W_{H}T/\mathrm{\π}}{\Π}}CG\left(X\right(k);\mathrm{\κ}=1,a_k,b_k)\end{array}---\left(9\right)$

在式(9)中，洛克马斯分布是参数κ＝1的复合伽马分布的一种特殊情况(如CG(·))。

从公式(7)和(9)中我们看出：如果我们想通过已知的其他信号预测一个新的频谱信号，我们只需要根据式(7)使用给出的观测值为每个信道更新新的参数(a'_k,b'_k)即可。这些参数会在次要用户之间进行交换。

(2)基于HDP的贝叶斯模型

中国特许经营餐馆模型(ChineseRestaurantFranchise,CRF)是HDP的一种表现形式。为了更加清晰的描述CRF模型与本发明中提出的基于簇的分布式频谱感知模型，这里使用HDP的餐馆式描述方法，详见图3。

为了实现簇内以及簇间的感知信息交换，本发明将HDP模型用于协作频谱感知，具体就是将HDP模型与之前提出的系统模型相结合。

CRN根据某一种分簇方法而被分成不同的簇，而网络中的每一个簇对应HDP模型中的一个餐馆。另外，观察值X^ji对应于餐馆j中的第i个顾客。顾客X^ji所点的菜λ^ji表示的是簇j中SU_i的信道状态参数。这里λ^ji表示的是每个信道上的接收信号功率，如式(4)所示。

本发明中，一个SU不仅能够与簇内的其他SU分享同一稀疏信道状态，与其他簇的SU也可以做到这一点。而HDP模型可以自动实现对频谱观察值{X^ji|j＝1,2,...,J；i＝1,2,...,N_j}的分组，其中J表示CRN中的簇号，N_j表示簇J中SU的数量。

在本发明之前提出的信号获取模型和HDP模型的基础上，本发明将进一步提出基于HDP模型的频谱感知方法：

第二层狄利克雷过程：

$G_0=\underset{z=1}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\β}}_z{\mathrm{\δ}}_{{\mathrm{\λ}}^z}$

β|γ～GEM(γ)(10)

${\mathrm{\λ}}^z~\underset{k=W_{L}T/\mathrm{\π}}{\overset{W_{H}T/\mathrm{\π}}{\Π}}Gamma(a_k,b_k)$

第一层狄利克雷过程：

$G_j=\underset{t=1}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\π}}_{jt}{\mathrm{\δ}}_{{\mathrm{\λ}}^{jt}}$

π_j|α～GEM(α)(11)

λ^jt～G₀

关于隐藏参数(即信道状态参数λ^ji)：

λ^ji|G_j～G_j

$X^{ji}|{\mathrm{\λ}}^{ji}~\underset{k=W_{L}T/\mathrm{\π}}{\overset{W_{H}T/\mathrm{\π}}{\Π}}Exponential\left({\mathrm{\λ}}_k^{ji}\right)---\left(12\right)$

其中j＝1,2,...,J，i＝1,2,...,N_j，并且N_j是在簇j中SU的数量，表示λ^ji的第k个元素(即簇j中SU_i的信道状态参数)。

自动分组结果由图4给出，图4以J＝2为例。在图4中完成了簇内及簇间的信息交换，并且其具体步骤如下：(1)簇头收集各个SU的信道状态参数以及临时的融合结果；(2)簇头通过广播临时的融合结果至相邻簇头以实现簇间的信息交换。通过多轮的分布感知信息交换，融合结果将会收敛到一个稳定的值，从而可以得到对信道状态参数的估计值，也即1/λ^ji；(3)我将1/λ^ji与一个门限比较，从而对频谱状态做出判决。

HDP模型完全符合本发明所要求的簇内与簇间的分布式频谱感知过程。另外，可能的信道状态的类别数并不是事先确定的，而是通过贝叶斯非参数学习方法估计出的。这样做的好处在于不需要预设贝叶斯模型中的参数数目，而是基于观察值，通过统计相关性分析决定。

附图说明

图1表示的是异构可用频谱的认知无线电网络。

图2表示的是本专利的主要算法流程图。

图3表示的是HDP的概率图模型。

图4表示的是HDP模型下的分组结果。

图5表示的是本发明中，在只有一个发射功率为30mW的PU处于打开状态下，(a)HDP分组的结果：一种颜色代表一个组并且三角形表示活动的Pus；(b)频谱感知性能。

图6表示的是本发明中，在只有一个发射功率为1W的PU处于打开状态下，(a)HDP分组的结果：一种颜色代表一个组并且三角形表示活动的Pus；(b)频谱感知性能。

图7表示的是本发明中，在8个PUs以0.3的概率处于打开状态，且PU的发射功率是30mW的状态下，(a)HDP分组的结果：一种颜色代表一个组并且三角形表示活动的Pus；(b)频谱感知性能。

图8表示的是本发明中，在8个PUs以0.3的概率处于打开状态，PU的发射功率是1W的状态下，(a)HDP分组的结果：一种颜色代表一个组并且三角形表示活动的Pus；(b)频谱感知性能。

具体实施方式

下面通过实施例进一步说明本发明。

实施例1：

(一)方法流程

以下给出本发明提出的一种协作频谱感知的分布式信息交换方法。本流程需要循环以下过程，在每一次循环中，分别完成对每个簇j(j＝1,2,...,J)的以下操作。

首先，从其他簇中收集频谱感知信息及其之前的信道状态分配结果，即获取 $\{S\left(j\right),\underset{j\∈S\left(j\right)}{\Σ}{m}_{jk},({a^{\′}}_k,{b^{\′}}_k)|k=1,2,\mathrm{...},K\}.$ 对中间的过渡分布抽样，其中

β～Dir(m_·1,m_·2,...,m_·K,γ)(13)

接着，为了实现簇内信息共享，对簇j中的每一个观察值X^ji,i＝1,2,...,N_j，顺序执行以下四个子步骤。第一步，减少并且将X^ji从缓存的信道状态数据中移除，替以当前的信道状态分配z_ji＝k：

第二步，对K个已经存在的信道状态，计算：

$f_k\left(X^{ji}\right)=\frac{{\mathrm{\α\β}}_k+n_{jk}}{\mathrm{\α}+N_j-1}\·p(X^{ji};{a^{\′}}_k,{b^{\′}}_k),k=1,2,\mathrm{...},K---\left(15\right)$

其中p(X^ji；a'_k,b'_k)是式(9)中的似然函数。同时也需要确定新状态K+1的概率 $f_{k+1}\left(X^{ji}\right)=\frac{{\mathrm{\α\β}}_{\tilde{k}}}{\mathrm{\α}+N_j-1}\·p(X^{ji};{a^{\′}}_{K+1},{b^{\′}}_{K+1}),$ 其中 ${\mathrm{\β}}_{\tilde{k}}=\underset{k=K+1}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\β}}_k.$

第三步，抽样以获得新的状态类型z_ji，其中，

$z_{ji}~\underset{k=1}{\overset{K}{\Σ}}{f}_k\left(X^{ji}\right)\mathrm{\δ}(z_{ji},k)+f_{K+1}\left(X^{ji}\right)\mathrm{\δ}(z_{ji},K+1)---\left(16\right)$

最后，增加并将X^ji作为新的状态类型z_ji＝k加入缓存的信道状态统计值：

$({a^{\′}}_k,{b^{\′}}_k)\←({a^{\′}}_k,{b^{\′}}_k)\⊕X^{ji}---\left(17\right)$

在完成簇内信息共享后，接着执行对辅助变量m的抽样。对簇j中的每一个信道状态k＝1,2,...,K，令m_jk＝0,n＝0。对簇j中的观察值X^ji，先确定一种状态k，循环n＝0,1,...,n_jk-1，根据以下分布对x抽样：

$x~Ber\left(\frac{{\mathrm{\α\β}}_k}{n+{\mathrm{\α\β}}_k}\right)---\left(18\right)$

逐个增加n，如x＝1则对m_jk加1。

为了实现簇间信息共享，需要压缩封装其中S(j)是所收到的相邻簇的序号信息的集合，包括簇j，即j∈S(j)。

在达到预设的循环次数的上界后就可以用参数(a'_k,b'_k),k＝1,2,...,K更新每个信道的伽马分布的参数λ^ji。之后本发明将使用式(8)来估算接收信号的功率，即(1/λ_k)，它可以直接反映信道状态。最后的二进制信道状态(即可用或禁用)的确定是通过将贝叶斯估计结果(1/λ_k)与门限值比较来获得。具体为以下判决分支结构。若(1/λ_k)＜门限，则判断PU关机；否则判断PU开机。另外，需要注意的是(1/λ_k)和门限值都为向量，因此需要对每个信道单独比较(1/λ_k)和门限值。

(二)仿真结果

在仿真实验中，本发明考虑认知无线电网络分布在15km×15km的正方形区域。这个区域进一步被分成了9块，每一块大小是5km×5km。此外，CRN的分簇方法是基于距离的，每一块对应一个簇。在CRN所在区域分布有8个主要用户，并且每个主要用户工作在8个可能信道中的一个(均接近800MHZ)。每个主要用户可能存在的位置是9小块的中心。如果众多主要用户分布在同一位置，我们就可以把它们看成一个主要用户工作在众多信道上。每个主要用户以0.3的概率占用他们的信道，他们的传输信号经过瑞利信道并且根据自由空间传输模型衰减。因此，在每个次要用户处接受到的信号功率各不相同(见图1)。

根据FCC提出了干扰温度模型，这个模型表示了无线站点(如一个PU)发射的信号在一个范围内波动，在接收端的功率近似于噪声水平。换句话说，只要从PUs接受到的信号功率大于噪声功率，我们就可以认为PU在工作状态。我们将把这个干扰温度模型用于我们的性能评估中。此外，我们把噪声门限设在-90dBm/Hz，这是一个典型的噪声水平。

为了简单起见，我们首先考虑只有一个PU处于打开状态，其他7个都关闭。PU的发射功率设为一个典型的值(我们试验中使用两种情况：30mWor1W)。对于30mW的情况，PU的传输范围接近5km，因此只有少部分的SUs根据干扰温度模型能检测出PU的占用状态。相比而言，发射功率1W的PU的传输范围能够包括仿真区域(如15km×15km)。此外，在上部分方法流程中的初始化参数设为：α＝1,γ＝2,a＝κ,(如观测值的平均)。迭代时间设为50，图5-图8中的频谱感知性能基于100个不同的仿真场景总结得到(如每个场景中分布着不同的随机Pus、SUs和PUs的信道状态)。

由于在每个无线信道中信号波动，接收到的信号功率也在不同的观测值处变化。因此，为了克服观测值的波动，我们把一些连续的观测值加在一起(如式(3)、(9)中κ＝5)。此外，式(15)中的似然函数需要用混合伽马分布的乘积来代替洛马克斯分布(重提公式(3)和(9)中的数学模型)。

仿真的结果如图5、6所示。从图5中我们可以看出：由于PU的传输范围不能完全覆盖整个仿真区域，CRN中所有的SUs并不共享一个信道，所以频谱感知的数据不能用来聚合。我们提出的分布式合作频谱感知使用基于HDP的非参数贝叶斯学习，所以能够自动将来自所有SUs的数据进行分组。因此，我们的方案能够找出CRN中错杂的可用频谱。

现在我们把上述的情况(如只有一个PU处于打开状态)拓展到实际情况中(众多PUs可能同时打开)，仿真的结果如图7、8所示。图7与图5相比，我们可以看出两种情况具有类似的信道状态检测性能。由于PUs的传输范围不能完全覆盖整个仿真区域，但我们提出的基于HDP的频谱感知方法可以实现自动将感知数据分组，因此在大部分情况下都能获得最好的频谱感知性能。一种极端的情况(通常在实践中一般不会出现)如图6和图8所示，PUs的传输范围覆盖了整个CRN网络区域。这种情况下，我们提出的基于HDP的频谱感知方法可以将大部分频谱感知数据集中在一起，这样它的频谱感知性能类似于一致频谱感知。只要PUs的覆盖范围有限(在实际CRN中这是事实)，本发明就能表现出优秀的信道检测性能和更加精确的信道分组结果。

Claims (1)

1.基于分层狄利克雷过程的智能频谱感知方法，其特征在于具体步骤如下：

(1)数据获得：将无线电网络中用户分为主要用户和次要用户，所有次要用户组成一个基于分簇的网络拓扑结构，根据通信能力的强弱，选出簇头，采用分层狄利克雷过程作为非参数贝叶斯学习模型，将具有共同稀疏频谱状态的感知数据分到同一组中，实现自动感知数据的分组；使每个簇头向簇内所有将执行同步频谱数据采样的节点广播感知要求；所述采样的节点为同簇内所有次要用户；

(2)簇内数据融合：将所有簇内节点的广播感知结果作为一个本地的临时的融合结果，簇头收集各个SU的信道状态参数以及本地的临时的融合结果；簇头通过广播临时的融合结果至相邻簇头以实现簇间的信息交换；并且现有的簇头与其他簇头共享所述广播感知信息；

(3)簇间的数据融合：簇头间交换他们的本地融合结果，为汇合成一个最佳的、异构的频谱感知决定；

(4)通过分布式信息交换协议，重复数次步骤(2)和(3)，通过多轮的分布感知信息交换，融合结果将会收敛到一个稳定的值，从而可以得到对信道状态参数的估计值；

在每一次循环中，分别完成对每个簇j(j＝1,2,...,J)的以下操作；

首先，从其他簇中收集频谱感知信息及其之前的信道状态分配结果，即获取 $\{S\left(j\right),\underset{j\∈S\left(j\right)}{\Σ}{m}_{jk},({a^{\′}}_k,{b^{\′}}_k)|k=1,2,...,K\};$ 对中间的过渡分布抽样，其中

β～Dir(m_·1,m_·2,...,m_·K,γ)(13)

a'_k,b'_k是观察值所服从分布的参数；

为实现簇内信息共享，对簇j中的每一个观察值X^ji,i＝1,2,...,N_j，顺序执行以下四个子步骤；

第一步，减少并且将X^ji从缓存的信道状态数据中移除，替以当前的信道状态分配z_ji＝k：

其中表示簇j中，信道状态分配为z_ji的观察值数目，表示从集合中减去本观察值；

第二步，对K个已经存在的信道状态，计算：

$f_k\left(X^{ji}\right)=\frac{{\mathrm{\α\β}}_k+n_{jk}}{\mathrm{\α}+N_j-1}\·p(X^{ji};{a^{\′}}_k,{b^{\′}}_k),k=1,2,...,K---\left(15\right)$

其中p(X^ji；a'_k,b'_k)是式(9)中的似然函数；

$\begin{array}{c}p\left(X;a_k,b_k\right)=\∫p\left(X/\mathrm{\λ}\right)p\left(\mathrm{\λ}\right)d\mathrm{\λ}\\ =\underset{k=W_{L}T/\mathrm{\π}}{\overset{W_{H}T/\mathrm{\π}}{\Π}}Lo\max \left(X\left(k\right);b_k,a_k\right)\\ =\underset{k=W_{L}T/\mathrm{\π}}{\overset{W_{H}T/\mathrm{\π}}{\Π}}CG\left(X\left(k\right);\mathrm{\κ}=1,a_k,b_k\right)\end{array}---\left(9\right);$ 同时确定新状态K+1的概率

$f_{K+1}\left(X^{ji}\right)=\frac{{\mathrm{\α\β}}_{\tilde{k}}}{\mathrm{\α}+N_j-1}\·p(X^{ji};{a^{\′}}_{K+1},{b^{\′}}_{K+1}),$ 其中 ${\mathrm{\β}}_{\tilde{k}}=\underset{k=K+1}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\β}}_k;$

第三步，抽样以获得新的状态类型z_ji，其中，

$z_{ji}~\underset{k=1}{\overset{K}{\Σ}}{f}_k\left(X^{ji}\right)\mathrm{\δ}(z_{ji},k)+f_{K+1}\left(X^{ji}\right)\mathrm{\δ}(z_{ji},K+1)---\left(16\right)$

最后，增加并将X^ji作为新的状态类型z_ji＝k加入缓存的信道状态统计值：

$({a^{\′}}_k,{b^{\′}}_k)\←({a^{\′}}_k,{b^{\′}}_k)\⊕X^{ji}---\left(17\right)$

在完成簇内信息共享后，接着执行对辅助变量m的抽样，对簇j中的每一个信道状态k＝1,2,...,K，令m_jk＝0,n＝0；对簇j中的观察值X^ji，先确定一种状态k，循环n＝0,1,...,n_jk-1，根据以下分布对x抽样：

$x~Ber\left(\frac{{\mathrm{\α\β}}_k}{n+{\mathrm{\α\β}}_k}\right)---\left(18\right)$

逐个增加n，如x＝1则对m_jk加1；

为了实现簇间信息共享，需要压缩封装其中S(j)是所收到的相邻簇的序号信息的集合，包括簇j，即j∈S(j)；

在达到预设的循环次数的上界后就可以用参数(a'_k,b'_k),k＝1,2,...,K更新每个信道的伽马分布的参数λ^ji；之后根据式(8)来估算接收信号的功率，即(1/λ_k)，它可以直接反映信道状态；

$(1/{\mathrm{\λ}}_k)|{\left\{X\left(k\right)\right\}}_n=E\[(1/{\mathrm{\λ}}_k\left)\right|{\left\{X\left(k\right)\right\}}_n\]=\frac{{b^{\′}}_k}{{a^{\′}}_k-1}---\left(8\right)$

其中代表X(k)的n个观测值的均值，(1/λ_k)表示信道状态参数的贝叶斯估计；

最后的二进制信道状态(即可用或禁用)的确定是通过将贝叶斯估计结果(1/λ_k)与门限值比较来获得；具体为以下判决分支结构；若(1/λ_k)＜门限，则判断PU关机；否则判断PU开机；(1/λ_k)和门限值都为向量，需要对每个信道单独比较(1/λ_k)和门限值。