CN103763086A - 一种基于滤波器组的多用户多信道协作频谱感知方法 - Google Patents

Abstract

本发明涉及一种基于滤波器组的多用户多信道协作频谱感知方法。首先，建立一个多用户多信道协作感知系统模型，包括主用户PU、PU-SU信道、次用户SU、SU-FC信道和融合中心FC。在此模型下，次用户SU利用基于滤波器组的接收机接收PU-SU信道传输过来的感知信号；然后，通过SU-FC信道将接收到的本地感知信息上报给融合中心FC；最后，融合中心FC在综合考虑上报信道、协作机制以及空间-频谱多样性等因素对接收到的本地感知信息利用线性加权软判决法做出最终判决，判断是否存在PU信号和可用的信道。本发明能有效地协调认知无线电系统中协作机制与空间-频谱多样性之间的权衡关系，减少了感知开销，提高了感知效率。

Description

一种基于滤波器组的多用户多信道协作频谱感知方法

技术领域

本发明涉及一种多用户多信道协作频谱感知方法，尤其是涉及一种基于滤波器组的多用户多信道协作频谱感知方法。

背景技术

在认知无线电网络（Cognitive Radio Network，CRN）中，为提高感知效率和频率利用率，需要有高效的频谱感知技术，即次用户（SecondaryUser，SU）需在避免对主用户（Primary，PU）产生干扰的前提下发现尽可能多的空闲频段资源。

传统的频谱感知方法是基于逐个扫描技术来实现的，其基本原理是在射频前端使用一个可调节的窄带低通滤波器，按照一定顺序和窄带检测算法来感知每个频段。其主要包括能量检测法、循环平稳特征检测法、匹配滤波器检测法、似然比检测法、基于协方差信息的感知法、盲合并能量检测法等。虽然在实际中可通过组合应用来提高感知效率，但这些方法均存在着检测周期过长、数据传输效率较低、数据传输失败率高、能量消耗大等缺点。针对传统频谱感知方法存在的问题，研究者们提出了不少改进方法，主要包括压缩感知法、小波检测法以及基于滤波器组的频谱感知法。但这些方法仍存在着等不少缺点：压缩感知法需要较高的系统成本；小波检测法存在着较严重的频谱扩散性；基于滤波器组的频谱感知法尚未提及多信道感知策略。此外，上述传统的频谱感知方法及其改进技术还会受到无线通信网络中存在的干扰、接收机的不确定性、多径衰落、掩蔽效应等因素的较大影响，从而导致其感知效率受到限制。再者，上述频谱感知技术针对的只是单用户多信道情况下的频谱感知问题，而实用情况下的认知无线电系统往往是多用户多信道场景。因此，如何解决多用户多信道情况下的频谱感知效率是目前的认知无线电系统所面临的一个关键问题。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种通过引入协作因子ρ建立了多用户感知多个信道的协作机制模型，有效地权衡了感知精度、感知效率和感知开销间的相互关系，并有效地协调了协作机制与空间-频谱多样性之间的权衡关系，从而减少了感知开销，提高了感知效率的一种基于滤波器组的多用户多信道协作频谱感知方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，基于一个模型的建立，该模型包括：

主用户PU：授权用户；

次用户SUs：非授权用户，利用基于滤波器组的接收机来实现多信道的提取和本地信号的感知；

融合中心（Fusion Center，FC）：综合考虑非理想上报信道、协作机制以及空间-频谱多样性对感知性能的影响，并利用线性加权软判决来确定PU信号是否存在及信道是否可用；

PU-SU信道：主用户与次用户之间的感知链路，次用户利用此链路感知主用户信道的占用情况；

SU-FC信道：次用户与融合中心之间的上报链路，次用户利用此链路将本地频谱信息上报给融合中心进行决策。

定义在K个信道的主用户通信系统中，PU的频谱占用率在每一信道上相互独立，且对于所有感知SUs来说是相同的；

具体方法是：基于滤波器组的多信道协作感知框架，通过引入协作因子ρ建立多用户多信道的协作频谱感知模型，从而实现多用户多信道的感知任务分配及调度，并将占用情况上报给FC。

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，PU-SU信道模型是按照下述方法进行建立：

定义s(n)为PU发射信号，且满足独立同分布的高斯随机过程，均值为0，方差为

x_m(n)为第m个SU接收到的PU数据；c_m为PU与第m个SU间的感知信道增益；v_m(n)为感知信道噪声，且满足均值为0、方差为

的加性高斯白噪声；定义发射信号s(n)、信道增益c_m与加性噪声v_m(n)是相互独立的；于是，在第n个时刻，每一信道的二元假设检验表示为

当PU信道空闲，则：

当PU信道占用，则：

其中，m=1,2,...,M，n=1,2,...,N。N为一个感知周期内的采样点数，以保证在有限的信号样点内完成检测判决。

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，多个次用户SUs在同一时刻感知多信道频谱占用情况的具体方法是：首先利用基于滤波器组的接收机来实现多信道的提取和本地信号的感知；然后通过引入协作因子ρ建立多用户多信道的协作频谱感知模型，实现多用户多信道的感知任务分配及调度；最后基于能量检测法的进行多用户多信道的能量估计。

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，所述基于滤波器组进行PU信号检测的具体方法是：

第k个信道的输出信号为

$y_m^k\left(n\right)=\underset{i=0}{\overset{L_h-1}{\mathrm{\Σ}}}{h}_k\left(i\right)x_m(n-i)$

其中，k＝1,2,...,K，h_k(n)为第k个信道长度为L_h的滤波器响应，

为对应的滤波器输出；

接收信号的统计参量表示为

$y_m^k\left(n\right|H_0)~N(0,{\mathrm{\δ}}_0)$

$y_m^k\left(n\right|H_1)~N(0,{\mathrm{\δ}}_1)$

其中， ${\mathrm{\δ}}_0={\mathrm{\σ}}_v^2\underset{i=0}{\overset{L_h-1}{\mathrm{\Σ}}}{h}_k^2\left(i\right),{\mathrm{\δ}}_1=({\left|c_m\right|}^2\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|s\left(n\right)\right|}^2+{\mathrm{\σ}}_v^2)\underset{i=0}{\overset{L_h-1}{\mathrm{\Σ}}}{h}_k^2\left(i\right).$

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，引入协作因子ρ建立多用户感知多个信道的协作机制模型的具体方法是：定义

其中，

表示第m个SU用来感知第k个信道；

则表示第m个SU没有用来感知第k个信道；该通用的矢量协作感知模型描述了多用户多信道感知协作机制，用来权衡感知精度、感知效率和感知开销间的相互关系。

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，所述基于能量检测法的进行信道能量估计的具体方法是：

第m个SU估计的第k个信道的能量为

$z_m^k={\mathrm{\ρ}}_m^k\underset{n=0}{\overset{N/K-1}{\mathrm{\Σ}}}|y_m^k\left(n\right){|}^2$

根据中心极限定理，对于大数N，统计参量

可近似为正态分布，其均值和方差分别为

$E\left(z_m^k\right|H_i)=\frac{N{\mathrm{\δ}}_i{\mathrm{\ρ}}_m^k}{K},i=\mathrm{0,1}$

$\mathrm{Var}\left(z_m^k\right|H_i)=\frac{2N{\mathrm{\δ}}_i^2{\left({\mathrm{\ρ}}_m^k\right)}^2}{K},i=\mathrm{0,1}$

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，SU-FC信道模型是按照下述方法进行建立：

次用户SU通过多径衰落信道将统计参量

上报给融合中心。假设上报信道的噪声{u_m}是零均值方差为且空间不相关的加性高斯白噪声，g_m(l)是长度为L_g的多径信道冲击响应，不同SU上报信息相互独立，则融合中心从第m个SU收到的数据为

$q_m^k\left(n\right)=\underset{l=0}{\overset{L_g-1}{\mathrm{\Σ}}}{z}_m^k(n-1)g_m\left(l\right)+u_m\left(n\right)$

其中，l为任意采样时刻。

假设

独立同分布且与加性噪声u_m相互独立，即

与

空间不相关，则FC接收信号可近似为正态分布，且其均值和方差分别为

$E\left(q_m^k\right|H_i)=\frac{{\mathrm{N\δ}}_i{\mathrm{\ρ}}_m^k}{K}\underset{l=0}{\overset{L_g-1}{\mathrm{\Σ}}}{g}_m\left(l\right),i=\mathrm{0,1}$

$\mathrm{Var}\left(q_m^k\right|H_i)=\frac{2N{\mathrm{\δ}}_i^2{\left({\mathrm{\ρ}}_m^k\right)}^2}{K}\underset{l=0}{\overset{L_g-1}{\mathrm{\Σ}}}{g}_m^2\left(l\right)+{\mathrm{\σ}}_u^2,i=\mathrm{0,1}.$

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，融合中心FC进行数据融合和判决的具体方法是：

定义

为第m个SU在第k个信道的统计参量，则有

融合中心利用软判决策略，将所有SU的检测参量

融合成最终的决策参数T^k

上式中，λ_k为第k个信道的决策阈值，其加权系数表示为

其中，

需满足||ω_k||²＝1。

同分布随机变量{T^k}的均值和方差为

$E\left(T^k\right|H_i)={\mathrm{\μ}}_{i,k}=E\left(q_m^k\right|H_i)\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_m^k,i=\mathrm{0,1}$

$\mathrm{Var}\left(T^k\right|H_i)={\mathrm{\σ}}_{i,k}^2=\mathrm{Var}\left(q_m^k\right|H_i)\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_m^{k,2},i=\mathrm{0,1}$

于是，第k个信道的虚警概率和检测概率可近似为

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，融合中心FC采用最优协作频谱感知算法获得最优的系统性能，具体如下：

步骤8.1、优化多用户多信道协作感知策略：

多用户多信道协作感知的目标是要找到在每个PU干扰和感知开销限制条件（ξ）下，满足最大累积机会吞吐量时的K个信道的最优阈值λ。此多用户多信道协作感知的最优问题可定义为

$\begin{array}{cc}\underset{(\mathrm{\ρ},\mathrm{\ω}.\mathrm{\λ})}{\max }& R(\mathrm{\ρ},\mathrm{\ω},\mathrm{\λ})\end{array}$

s.t.I(ρ,ω,λ)≤∈

1-P_d(ρ,ω,λ)≤α

1-P_f(ρ,ω,λ)≥β

$\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_m^k\mathrm{\θ}\≤\mathrm{\ξ}$

其中，α＝[α₁,α₂,...,α_K]^T，β＝[β₁,β₂,...,β_K]^T。

步骤8.2、基于遗传算法的最优化方法：即基于GA的序贯优化算法来实现频谱感知参数的最优化；采用启发式策略将多用户多信道协作感知的最优问题划分成两个次优问题；首先，解决多用户多样性最优问题，获得满足最大信号检测性能的协作因子ρ和加权系数ω；其次，固定ρ和ω，通过求解多信道多样性最优问题来获得所有信道的检测阈值。其具体步骤如下：

步骤8.21、多用户多样性优化策略：

即获取能够满足每一信道最大修改检测系数的协作因子ρ和加权系数ω。其中，修改检测系数定义为

$\begin{array}{cc}\underset{({\mathrm{\ρ}}_k,{\mathrm{\ω}}_k)}{\max }& d_k^2({\mathrm{\ρ}}_k,{\mathrm{\ω}}_k)=\frac{{[E\left(T^k\right|H_{1,k})-E\left(T^k\right|H_{0,k})]}^2}{\mathrm{var}\left(T^k\right|H_{1,k})}\end{array}$

s.t.||ω_k||²＝1

假设G_l是第l次迭代的一组潜在解（即协作因子ρ和加权系数ω）

$G_l=\{{\mathrm{\ρ}}_1^{\left(l\right)},{\mathrm{\ρ}}_2^{\left(l\right)},...,{\mathrm{\ρ}}_{\mathrm{pops}}^{\left(l\right)},{\mathrm{\ω}}_1^{\left(l\right)},{\mathrm{\ω}}_2^{\left(l\right)},...,{\mathrm{\ω}}_{\mathrm{pops}}^{\left(l\right)}\}$

并将满足修改检测系数式的各个参量作为适应度

$s_l=\{d_1^2({\mathrm{\ρ}}_1^{\left(l\right)},{\mathrm{\ω}}_1^{\left(l\right)}),d_2^2({\mathrm{\ρ}}_2^{\left(l\right)},{\mathrm{\ω}}_2^{\left(l\right)}),...,d_{\mathrm{pops}}^2({\mathrm{\ρ}}_{\mathrm{pops}}^{\left(l\right)},{\mathrm{\ω}}_{\mathrm{pops}}^{\left(l\right)})\}$

步骤8.22、多信道多样性优化策略：

通过多用户多样性最优问题求得的协作因子ρ和加权系数ω可得到λ的有效范围：

λ_min,k＝μ_0,k+σ_0,kQ^-1(1-β_k)

λ_max,k＝μ_1,k+σ_1,kQ^-1(1-α_k)

于是，多用户多信道协作感知的最优问题可简化为

$\begin{array}{cc}\underset{\mathrm{\λ}}{\max }& R\left(\mathrm{\λ}\right)\end{array}$

s.t.I(λ)≤∈

λ_min,k≤λ_k≤λ_max,k

定义G_l是第l次迭代的一组潜在解（即阈值λ）

$G_l=\{{\mathrm{\λ}}_1^{\left(l\right)},{\mathrm{\λ}}_2^{\left(l\right)},...,{\mathrm{\λ}}_{\mathrm{pops}}^{\left(l\right)}\}$

并将满足多用户多信道协作感知的最优问题简化后最大式的各个参量作为适应度

$s_l=\{R\left({\mathrm{\λ}}_1^{\left(l\right)}\right),R\left({\mathrm{\λ}}_2^{\left(l\right)}\right),...,R\left({\mathrm{\λ}}_{\mathrm{pops}}^{\left(l\right)}\right)\}$

在上述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，所述步骤8.22中，基于GA的多用户多样性优化策略算法包括以下步骤：

步骤8.221：设置t＝0，随机产生一组(M*K+K)*nbits bit的染色体，其中，M为加权系数的个数，K为子信道阈值的个数，nbits为标识每一系数的bit数；

步骤8.222：对随机种群中每一染色体进行编码，分别对应加权系数ω和阈值λ；

步骤8.223：对加权系数进行归一化，以满足限制条件||ω_k||²＝1；

步骤8.224：利用编码后的阈值λ和归一化加权系数，计算等式 $\begin{array}{cc}\underset{\mathrm{\λ}}{\max }& R\left(\mathrm{\λ}\right)\end{array}$ 中的限制条件；

步骤8.225：利用编码后的阈值λ和归一化加权系数，计算等式 $\begin{array}{cc}\underset{\mathrm{\λ}}{\max }& R\left(\mathrm{\λ}\right)\end{array}$ 中的适应度，通过对适应度进行排序，找到个最优染色体，其中，elite决定pops个种群中适应度较高的能存活到下一代的个体数，elite∈[0,1)，

表示下取整操作；

步骤8.226：更新t＝t+1，利用遗传算法（选择、交叉、变异），产生

个新的染色体，其中，

表示上取整操作；

步骤8.227：将第t-1次迭代中

个最优与新产生的

个染色体串联，构造新的一代；

步骤8.228：重复步骤8.222-8.224，对新一代的染色体进行编码和归一化；

步骤8.229：重复步骤8.225，计算新一代的适应度；

步骤8.2210：如果$t$等于预定义的迭代数ngens，或者满足收敛条件（MAPE(R)＝0.01），则本算法停止，否则，进入步骤6。

因此，本发明具有如下优点：通过引入协作因子ρ建立了多用户感知多个信道的协作机制模型，有效地权衡了感知精度、感知效率和感知开销间的相互关系，并有效地协调了协作机制与空间-频谱多样性之间的权衡关系，从而减少了感知开销，提高了感知效率。

附图说明

图1是本发明的基于滤波器组的软判决融合的多用户多信道协作感知系统模型。

图2是软判决与硬判决性能仿真结果的比较。

图3a是图2中∈=1时的漏检概率。

图3b是图2中∈=1时的虚警概率。

图4是图2中的信道参数。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

以下结合附图对本发明实施例作进一步的详细描述，

如图1所示，本发明的一种基于滤波器组的多用户多信道协作频谱感知方法，该方法的具体步骤如下：

(1)、PU-SU信道特性建模。

假设在K个信道的主用户通信系统中，PU频谱占用率在每一信道间相互独立，且对于所有感知SU来说是相同的。令s(n)为PU发射信号，假设其满足独立同分布的高斯随机过程，均值为0，方差为

x_m(n)为第m个SU接收到的PU数据；c_m为PU与第m个SU间的感知信道增益；v_m(n)为感知信道噪声，假设为加性高斯白噪声，均值为0，方差为

假设发射信号s(n)、信道增益c_m与加性噪声v_m(n)是相互独立的。于是，在第n个时刻，每一信道的二元假设检验可表示为

其中，

表示主用户PU不发送信号，

表示主用户PU发送信号；m＝1,2,...,M；n＝1,2,...,N。N为一个感知周期内的采样点数，以保证在有限的信号样点内完成检测判决。

(2)、基于滤波器组的PU信号检测。

第k个信道的输出信号为

$y_m^k\left(n\right)=\underset{i=0}{\overset{L_h-1}{\mathrm{\Σ}}}{h}_k\left(i\right)x_m(n-i)$

其中，k＝1,2,...,K，h_k(n)为第k个信道长度为L_h的滤波器响应，

为对应的滤波器输出。

接收信号的统计参量可表示为

$y_m^k\left(n\right|H_0)~N(0,{\mathrm{\δ}}_0)$

$y_m^k\left(n\right|H_1)~N(0,{\mathrm{\δ}}_1)$

其中， ${\mathrm{\δ}}_0={\mathrm{\σ}}_v^2\underset{i=0}{\overset{L_h-1}{\mathrm{\Σ}}}{h}_k^2\left(i\right),{\mathrm{\δ}}_1=({\left|c_m\right|}^2\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|s\left(n\right)\right|}^2+{\mathrm{\σ}}_v^2)\underset{i=0}{\overset{L_h-1}{\mathrm{\Σ}}}{h}_k^2\left(i\right).$

(3)、引入协作因子ρ建立多用户感知多个信道的协作机制模型。

其中，

表示第m个SU用来感知第k个信道；则表示第m个SU没有用来感知第k个信道。该通用的矢量协作感知模型描述了多用户多信道感知协作机制，可用来权衡感知精度、感知效率和感知开销间的相互关系。

(4)、基于能量检测法的信道能量估计。

第m个SU估计的第k个信道的能量为

$z_m^k={\mathrm{\ρ}}_m^k\underset{n=0}{\overset{N/K-1}{\mathrm{\Σ}}}|y_m^k\left(n\right){|}^2$

根据中心极限定理，对于大数N，统计参量

可近似为正态分布，其均值和方差分别为

$E\left(z_m^k\right|H_i)=\frac{N{\mathrm{\δ}}_i{\mathrm{\ρ}}_m^k}{K},i=\mathrm{0,1}$

$\mathrm{Var}\left(z_m^k\right|H_i)=\frac{2N{\mathrm{\δ}}_i^2{\left({\mathrm{\ρ}}_m^k\right)}^2}{K},i=\mathrm{0,1}$

(5)、SU-FC链路特性建模。

次用户SU通过多径衰落信道将统计参量

上报给融合中心。假设上报信道的噪声{u_m}是零均值方差为且空间不相关的加性高斯白噪声，g_m(l)是长度为L_g的多径信道冲击响应，不同SU上报信息相互独立，则融合中心从第m个SU收到的数据为

$q_m^k\left(n\right)=\underset{l=0}{\overset{L_g-1}{\mathrm{\Σ}}}{z}_m^k(n-1)g_m\left(l\right)+u_m\left(n\right)$

其中，l为任意采样时刻。

假设

独立同分布且与加性噪声u_m相互独立，即

与

空间不相关，则FC接收信号可近似为正态分布，且其均值和方差分别为

$E\left(q_m^k\right|H_i)=\frac{{\mathrm{N\δ}}_i{\mathrm{\ρ}}_m^k}{K}\underset{l=0}{\overset{L_g-1}{\mathrm{\Σ}}}{g}_m\left(l\right),i=\mathrm{0,1}$

$\mathrm{Var}\left(q_m^k\right|H_i)=\frac{2N{\mathrm{\δ}}_i^2{\left({\mathrm{\ρ}}_m^k\right)}^2}{K}\underset{l=0}{\overset{L_g-1}{\mathrm{\Σ}}}{g}_m^2\left(l\right)+{\mathrm{\σ}}_u^2,i=\mathrm{0,1}$

(6)、融合中心FC进行数据融合和判决。

令

为第m个SU在第k个信道的统计参量，则有

融合中心利用软判决策略，将所有SU的检测参量

融合成最终的决策参数T^k

上式中，λ_k为第k个信道的决策阈值，其加权系数表示为

其中，

需满足||ω_k||²＝1。

同分布随机变量{T^k}的均值和方差为

$E\left(T^k\right|H_i)={\mathrm{\μ}}_{i,k}=E\left(q_m^k\right|H_i)\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_m^k,i=\mathrm{0,1}$

$\mathrm{Var}\left(T^k\right|H_i)={\mathrm{\σ}}_{i,k}^2=\mathrm{Var}\left(q_m^k\right|H_i)\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_m^{k,2},i=\mathrm{0,1}$

于是，第k个信道的虚警概率和检测概率可近似为

(7)、多信道协作感知性能优化。其具体步骤如下

(7-1)、优化多用户多信道协作感知策略。

多用户多信道协作感知的目标是要找到在每个PU干扰和感知开销限制条件（ξ）下，满足最大累积机会吞吐量（Aggregate OpportunisticThroughput）时的K个信道的最优阈值λ。此多用户多信道协作感知的最优问题可定义为

$\begin{array}{cc}\underset{(\mathrm{\ρ},\mathrm{\ω},\mathrm{\λ})}{\max }& R(\mathrm{\ρ},\mathrm{\ω},\mathrm{\λ})\end{array}$

s.t.I(ρ,ω,λ)≤∈

1-P_d(ρ,ω,λ)≤α

1-P_f(ρ,ω,λ)≥β

$\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_m^k\mathrm{\θ}\≤\mathrm{\ξ}$

其中，α＝[α₁,α₂,...,α_K]^T，β＝[β₁,β₂,...,β_K]^T。

(7-2)、优化频谱感知参数。

本发明提出了基于GA的序贯优化算法（GA-assisted sequentialoptimization，GSO）来实现频谱感知参数的最优化。该算法采用启发式策略将多用户多信道协作感知的最优问题划分成两个次优问题。首先，解决多用户多样性最优问题，获得满足最大信号检测性能的协作因子ρ和加权系数ω；其次，固定ρ和ω，通过求解多信道多样性最优问题来获得所有信道的检测阈值。其中，也可通过单独解决多信道多样性最优问题来获得单用户多信道的频谱感知策略。其具体步骤如下：

(7-2-1)、多用户多样性优化策略

在这一优化问题中，目的是找到满足每一信道最大修改检测系数的协作因子ρ和加权系数ω。其中，修改检测系数定义为

$\begin{array}{cc}\underset{({\mathrm{\ρ}}_k,{\mathrm{\ω}}_k)}{\max }& d_k^2({\mathrm{\ρ}}_k,{\mathrm{\ω}}_k)=\frac{{[E\left(T^k\right|H_{1,k})-E\left(T^k\right|H_{0,k})]}^2}{\mathrm{var}\left(T^k\right|H_{1,k})}\end{array}$

s.t.||ω_k||²＝1 ${\mathrm{\ρ}}_m^k=\mathrm{0,1}$

假设G_l是第l次迭代的一组潜在解（即协作因子ρ和加权系数ω）

$G_l=\{{\mathrm{\ρ}}_1^{\left(l\right)},{\mathrm{\ρ}}_2^{\left(l\right)},...,{\mathrm{\ρ}}_{\mathrm{pops}}^{\left(l\right)},{\mathrm{\ω}}_1^{\left(l\right)},{\mathrm{\ω}}_2^{\left(l\right)},...,{\mathrm{\ω}}_{\mathrm{pops}}^{\left(l\right)}\}$

并将满足修改检测系数式的各个参量作为适应度

$s_l=\{d_1^2({\mathrm{\ρ}}_1^{\left(l\right)},{\mathrm{\ω}}_1^{\left(l\right)}),d_2^2({\mathrm{\ρ}}_2^{\left(l\right)},{\mathrm{\ω}}_2^{\left(l\right)}),...,d_{\mathrm{pops}}^2({\mathrm{\ρ}}_{\mathrm{pops}}^{\left(l\right)},{\mathrm{\ω}}_{\mathrm{pops}}^{\left(l\right)})\}$

(7-2-2)、多信道多样性优化策略

通过多用户多样性最优问题求得的协作因子ρ和加权系数ω可得到λ的有效范围

λ_min,k＝μ_0,k+σ_0,kQ^-1(1-β_k)

λ_max,k＝μ_1,k+σ_1,kQ^-1(1-α_k)

于是，多用户多信道协作感知的最优问题可简化为

$\begin{array}{cc}\underset{\mathrm{\λ}}{\max }& R\left(\mathrm{\λ}\right)s.t.\end{array}$

I(λ)≤∈

λ_min,k≤λ_k≤λ_max,k

假设G_l是第l次迭代的一组潜在解（即阈值λ）

$G_l=\{{\mathrm{\λ}}_1^{\left(l\right)},{\mathrm{\λ}}_2^{\left(l\right)},...,{\mathrm{\λ}}_{\mathrm{pops}}^{\left(l\right)}\}$

并将满足多用户多信道协作感知的最优问题简化后最大式的各个参量作为适应度

$s_l=\{R\left({\mathrm{\λ}}_1^{\left(l\right)}\right),R\left({\mathrm{\λ}}_2^{\left(l\right)}\right),...,R\left({\mathrm{\λ}}_{\mathrm{pops}}^{\left(l\right)}\right)\}$

经过上述步骤，完成对认识无线电系统下多用户多信道协作频谱感知策略和方法的建模及其优化、多信道协作频谱感知参数和性能的优化。

图2是基于本发明、利用2个SU协作感知8个信道得到的软判决与硬判决性能仿真结果的比较，其中，相关实验参数如表1所示，α_k＝0.1，β_k＝0.5，ξ＝K*M。对于OR硬判决（HD-OR）、EGC和MRC来说，协作因子ρ为 $\left[\begin{array}{c}11111111\\ 11111111\end{array}\right].$

由图2可知，本发明提出的最优协作策略不仅能够允许低码率传输，而且可在低干扰的情况下实现高的吞吐量。

图3a和图3b分别是与图2中每个信道相应的虚警概率P_f和漏检概率P_md。从图3可知，基于本发明的软判决策略能获得更高的信道利用率(1-P_f)，且每个信道的P_md均在α_k＝0.1限制之下，可保证在SU获得高吞吐量的情况下对PU的保护。

综合以上图例和分析可以看出，本发明方法不仅实现了认知无线电系统中多用户多信道的协作频谱感知，而且实现了低码率传输、低干扰情况下的高吞吐量、高信道利用率，有效地协调了协作机制与空间-频谱多样性之间的权衡关系，达到减少感知开销和提高感知效率的目的。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，基于一个模型的建立，该模型包括： 

主用户PU：授权用户； 

次用户SUs：非授权用户，利用基于滤波器组的接收机来实现多信道的提取和本地信号的感知； 

融合中心：综合考虑非理想上报信道、协作机制以及空间-频谱多样性对感知性能的影响，并利用线性加权软判决来确定PU信号是否存在及信道是否可用； 

PU-SU信道：主用户与次用户之间的感知链路，次用户利用此链路感知主用户信道的占用情况； 

SU-FC信道：次用户与融合中心之间的上报链路，次用户利用此链路将本地频谱信息上报给融合中心进行决策； 

定义在K个信道的主用户通信系统中，PU的频谱占用率在每一信道上相互独立，且对于所有感知SUs来说是相同的； 

具体方法是：基于滤波器组的多信道协作感知框架，通过引入协作因子ρ建立多用户多信道的协作频谱感知模型，从而实现多用户多信道的感知任务分配及调度，并将占用情况上报给FC。 

2.根据权利要求1所述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，PU-SU信道模型是按照下述方法进行建立： 

定义s(n)为PU发射信号，且满足独立同分布的高斯随机过程，均值为0，方差为

x_m(n)为第m个SU接收到的PU数据；c_m为PU与第m个SU间的感知信道增益；v_m(n)为感知信道噪声，且满足均值为0、方差为

的加性高斯白噪声；定义发射信号s(n)、信道增益c_m与加性噪声v_m(n)是相互独立的；于是，在第n个时刻，每一信道的二元假设检验表示为 

当PU信道空闲，则：

当PU信道占用，则：

其中，m=1,2,...,M，n=1,2,...,N；N为一个感知周期内的采样点数，以保证在有限的信号样点内完成检测判决。 

3.根据权利要求1所述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，多个次用户SUs在同一时刻感知多信道频谱占用情况的具体方法是：首先利用基于滤波器组的接收机来实现多信道的提取和本地信号的感知；然后通过引入协作因子ρ建立多用户多信道的协作频谱感知模型，实现多用户多信道的感知任务分配及调度；最后基于能量检测法的进行多用户多信道的能量估计。 

4.根据权利要求3所述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，所述基于滤波器组进行PU信号检测的具体方法是： 

第k个信道的输出信号为 

其中，k＝1,2,...,K，h_k(n)为第k个信道长度为L_h的滤波器响应，

为对应的滤波器输出； 

接收信号的统计参量表示为 

其中，

5.根据权利要求3所述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，引入协作因子ρ建立多用户感知多个信道的协作机制模型的具体方法是：定义 

其中，

表示第m个SU用来感知第k个信道；

则表示第m个SU没有用来感知第k个信道；该通用的矢量协作感知模型描述了多用户多信道感知协作机制，用来权衡感知精度、感知效率和感知开销间的相互关系。 

6.根据权利要求3所述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，所述基于能量检测法的进行信道能量估计的具体方法是： 

第m个SU估计的第k个信道的能量为 

根据中心极限定理，对于大数N，统计参量

可近似为正态分布，其均值和方差分别为 

。

7.根据权利要求1所述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，SU-FC信道模型是按照下述方法进行建立： 

次用户SU通过多径衰落信道将统计参量上报给融合中心；假设上报信道的噪声{u_m}是零均值方差为

且空间不相关的加性高斯白噪声，g_m(l)是长度为L_g的多径信道冲击响应，不同SU上报信息相互独立，则融合中心从第m个SU收到的数据为 

其中，l为任意采样时刻； 

假设

独立同分布且与加性噪声u_m相互独立，即与

空间不相关，则FC接收信号可近似为正态分布，且其均值和方差分别为 

8.根据权利要求1所述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，融合中心FC进行数据融合和判决的具体方法是： 

定义

为第m个SU在第k个信道的统计参量，则有 

融合中心利用软判决策略，将所有SU的检测参量

融合成最终的决策参数T^k

上式中，λ_k为第k个信道的决策阈值，其加权系数

表示为 

其中，

需满足||ω_k||²＝1； 

同分布随机变量{T^k}的均值和方差为 

于是，第k个信道的虚警概率和检测概率可近似为 

9.根据权利要求1所述的一种基于滤波器组的多用户多信道协作频谱感知方法，其特征在于，融合中心FC采用最优协作频谱感知算法获得最优的系统性能，具体如下： 

步骤8.1、优化多用户多信道协作感知策略： 

多用户多信道协作感知的目标是要找到在每个PU干扰和感知开销限制条件（ξ）下，满足最大累积机会吞吐量时的K个信道的最优阈值λ，此多用户多信道协作感知的最优问题可定义为 

s.t.I(ρ,ω,λ)≤∈ 

1-P_d(ρ,ω,λ)≤α 

1-P_f(ρ,ω,λ)≥β 

其中，α＝[α₁,α₂,...,α_K]^T，β＝[β₁,β₂,...,β_K]^T； 

步骤8.2、基于遗传算法的最优化方法：即基于GA的序贯优化算法来实现频谱感知参数的最优化；采用启发式策略将多用户多信道协作感知的最优问题划分成两个次优问题；首先，解决多用户多样性最优问题，获得满足最大信号检测性能的协作因子ρ和加权系数ω；其次，固定ρ和ω，通过求解多信道多样性最优问题来获得所有信道的检测阈值；其具体步骤如 下： 

步骤8.21、多用户多样性优化策略： 

即获取能够满足每一信道最大修改检测系数的协作因子ρ和加权系数ω，其中，修改检测系数定义为 

s.t.||ω_k||²＝1

假设G_l是第l次迭代的一组潜在解（即协作因子ρ和加权系数ω） 

并将满足修改检测系数式的各个参量作为适应度 

步骤8.22、多信道多样性优化策略： 

通过多用户多样性最优问题求得的协作因子ρ和加权系数ω可得到λ的有效范围： 

λ_min,k＝μ_0,k+σ_0,kQ^-1(1-β_k) 

λ_max,k＝μ_1,k+σ_1,kQ^-1(1-α_k) 

于是，多用户多信道协作感知的最优问题可简化为 

I(λ)≤∈ 

λ_min,k≤λ_k≤λ_max,k

定义G_l是第l次迭代的一组潜在解（即阈值λ） 

并将满足多用户多信道协作感知的最优问题简化后最大式的各个参量作为适应度 

10.根据权利要求8所述的一种基于滤波器组的多用户多信道协作频 谱感知方法，其特征在于，所述8.21中，基于GA的多用户多样性优化策略包括以下步骤： 

步骤8.211：设置$t=0$，随机产生一组(M*K+K)*nbits bit的染色体，其中，M为加权系数的个数，K为子信道阈值的个数，$nbits$为标识每一系数的bit数； 

步骤8.212：对随机种群中每一染色体进行编码，分别对应加权系数ω和阈值λ； 

步骤8.213：对加权系数进行归一化，以满足限制条件||ω_k||²＝1； 

步骤8.214：利用编码后的阈值λ和归一化加权系数，计算公式 中的限制条件； 

步骤8.215：利用编码后的阈值λ和归一化加权系数，计算公式 

中的适应度；通过对适应度进行排序，找到

个最优染色体，其中，$elite$决定$pops$个种群中适应度较高的能存活到下一代的个体数，elite∈[0,1)，

表示下取整操作； 

步骤8.216：更新t＝t+1，利用遗传算法（选择、交叉、变异），产生 

个新的染色体，其中，

表示上取整操作； 

步骤8.217：将第t-1次迭代中

个最优与新产生的 个染色体串联，构造新的一代； 

步骤8.218：重复步骤8.212-8.214，对新一代的染色体进行编码和归一化； 

步骤8.219：重复步骤8.215，计算新一代的适应度； 

步骤8.2110：如果$t$等于预定义的迭代数ngens，或者满足收敛条件MAPE(R)＝0.01，则本算法停止；否则，进入步骤6； 

所述步骤8.22中，基于GA的多用户多样性优化策略算法包括以下步 骤： 

步骤8.221：设置t＝0，随机产生一组(M*K+K)*nbits bit的染色体，其中，M为加权系数的个数，K为子信道阈值的个数，nbits为标识每一系数的bit数； 

步骤8.222：对随机种群中每一染色体进行编码，分别对应加权系数ω和阈值λ； 

步骤8.223：对加权系数进行归一化，以满足限制条件||ω_k||²＝1； 

步骤8.224：利用编码后的阈值λ和归一化加权系数，计算等式 中的限制条件； 

步骤8.225：利用编码后的阈值λ和归一化加权系数，计算等式 

中的适应度，通过对适应度进行排序，找到

个最优染色体，其中，elite决定pops个种群中适应度较高的能存活到下一代的个体数，elite∈[0,1)，

表示下取整操作； 

步骤8.226：更新t＝t+1，利用遗传算法（选择、交叉、变异），产生 

个新的染色体，其中，

表示上取整操作； 

步骤8.227：将第t-1次迭代中

个最优与新产生的 

个染色体串联，构造新的一代； 

步骤8.228：重复步骤8.222-8.224，对新一代的染色体进行编码和归一化； 

步骤8.229：重复步骤8.225，计算新一代的适应度； 

步骤8.2210：如果$t$等于预定义的迭代数ngens，或者满足收敛条件（MAPE(R)＝0.01），则本算法停止，否则，进入步骤6。 

Images