CN103763706A - 基于分簇的协作频谱感知模糊融合方法 - Google Patents

Abstract

本发明公开一种基于分簇的协作频谱感知模糊融合方法，可在协作频谱感知技术中通过分簇提高协作感知性能。此外，在融合中心端设计一种基于模糊综合判决的线性加权软融合算法，实现认知无线网络的协作频谱检测。采用模糊分簇以及模糊综合判决方法实现分簇和软融合两个子模块，可实现认知无线网络智能化认知功能，同时降低运算复杂度。

Description

基于分簇的协作频谱感知模糊融合方法

技术领域

本发明主要研究认知传感器网络中的协作频谱感知问题。首先，采用聚类方法实现认知节点的分簇过程；然后在簇成员与簇头之间实现数据融合过程。最后将簇头的信息发送至融合中心，采用一种基于模糊矩阵的线性加权融合方法，判决出主用户是否存在。此协作频谱感知过程主要目标为检测认知网络频谱是否空闲，该频段能否实现频谱接入。

背景技术

认知无线电是无线通信领域的新概念，在1999年时，Joseph Mitola博士提出了认知无线电（Cognitive Radio，CR）的概念。CR核心思想就是使无线通信设备具有发现“频谱空洞”并合理利用这些频谱空洞的能力。次级用户（SecondaryUser，SU）会对目标频段进行连续的监测，找出未被主用户（Primary User，PU）占用的授权频段，于是非授权用户就可以接入此频段。然而，当主用户需要使用该频段时，次级用户（认知用户）必须在规定时间内退出该频段。

认知无线网络是一种新型通信网络，从发现空闲频谱到合理利用频谱，实现了传统通信网络所不具备的功能。通过动态频谱检测、频谱接入和频谱管理，次级用户可以实现对频谱资源的充分运用。其基本工作流程为：次级用户持续检测已授权的频谱资源，保证了主用户优先使用，自适应地调整收发设备到当前检测空闲频谱上进行通信。总而言之，认知无线电网络可有效减少由频谱短缺引起的无线通信限制，提高频谱利用率。

认知无线网络其中一个关键技术为频谱感知。目前，频谱感知技术研究主要包含两个方面：一是本地频谱感知技术，即根据单个认知无线电节点接收的信号，检测其所处无线环境的频谱占用状态；二是协作频谱感知技术，即通过多个认知用户间的合作，提高检测灵敏度和检测可靠性，并降低对单节点的性能要求。

认知无线网络中频谱感知技术既可以预防对授权用户的干扰，也能够通过发现可用频谱资源提高频谱利用率。然而，频谱感知在实际场景中的性能经常被多径衰落、阴影效应和接收机的不确定性等问题所制约。为了解决上述问题，该领域提出了协作频谱感知技术，通过利用空间分集来有效提高检测性能。协作频谱检测技术必须保证可靠性与高效性。因此，研究高效协作频谱感知算法具有理论研究意义与实际应用价值。

现有技术中的协作频谱感知算法，主要研究了如何提高频谱感知的可靠性，降低算法复杂度，主要思想是利用多个感知用户的分集特性。然而，考虑认知用户较多情况下的认知无线网络，需考虑分簇以及低复杂度的融合中心合并算法。当前研究技术中缺乏对于如何解决分布式、大规模认知无线网络的分析与探讨。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于分簇的协作频谱感知模糊融合方法，包括：①采用模糊聚类算法，实现认知无线传感器网络中的分簇过程，并且根据接收信噪比选择出簇头；②实现簇成员与簇头之间的数据融合，然后实现簇头与融合中心之间的数据融合，采用一种基于模糊矩阵理论的线性加权软融合方法。

技术方案：一种基于分簇的协作频谱感知模糊融合方法，具体包括：

（1）基于分簇的协作感知

在协作频谱感知中，设定整个系统的性能为虚警概率Q_f和检测概率Q_d。其中包括两种通信信道，感知信道和报告信道，它们的平均信噪比分别表示为

和

i＝1,…,M。簇的个数设定为M。在此模型中，假定簇与簇头之间的通信信道是理想的。

基于分簇的协作频谱感知的主要思想为，假设上层将认知用户分成若干簇，在每一个簇中，选择报告信道条件最好（报告信道接收信噪比SNR最大）的认知无线（Cognitive Radio,CR）用户，作为此簇中的簇头（Cluster Head，CH）。每一个簇中用户将检测结果发送到簇头处，由簇头按照某个融合规则进行数据融合，之后各个簇的簇头再将结果发送自融合中心接收端。

基于上述分簇思想，设定前提假设：1）假设认知用户对信道的瞬时状态信息已知；2）在一个簇中的用户之间的信道假设是理想的。分簇协作感知过程，描述如下：

步骤1：第i个簇中的每个认知用户进行本地能量检测得到能量值O_i,j，向簇中的簇头发送本地检测结果G_i,j＝Ω(O_i,j)，i＝1,2,...,K,j＝1,2,...N_i，其中K是簇的数目，N_i是第i个簇中的认知用户数目。

步骤2：每个簇头根据某个融合规则作出第一次决策或数据合并，本设计合并方式为线性加权软合并：

$B_i=\mathrm{\Φ}(G_{i,1},G_{i,2},\·\·\·G_{{i,N}_i}),i=\mathrm{1,2},\·\·\·,K$

步骤3：各个簇头将其决策B_i发送出去，接收端再根据线性加权软融合规则作出最后的判决H，

其中

是接收解调后的信号。此融合规则设计为线性加权软融合技术，具体内容如下述（2）所述。

（2）线性加权软合并

协作频谱感知过程通常包括本地感知，感知信息传递和感知信息融合三个阶段。首先每个次级用户（认知用户）感知主用户信息，并将感知信息都发送到融合中心。融合中心将所得到的值和门限值比较，最终判决在所观察的频段上是否有授权用户出现。其具体步骤如下：（1）即本地感知阶段，其过程和单用户频谱感知过程完全一致，目前的研究中多采用基于能量检测的感知，尽可能地降低每个次级用户的感知复杂度。（2）次级用户将感知信息通过报告信道发送到一个融合中心。

该感知问题的数学模型如公式（1）所述，其中s(k)表示主用户信号，h_i表示信道增益，x_i(k)表示第i个CR用户对接收信号第k次采样的结果，N表示采样的数量，u_i表示第i个CR用户本地能量检测的统计量。n_i表示检测统计量在传输过程中叠加的噪声。w_i表示第i个感知信息在线性融合中对应的权重系数。其中

分别表示主要用户信号不存在和存在的假设。

用公式表达为：

假设噪声采样n_i(k)相互独立且服从均值为零，方差为

的高斯分布，η_i是第i个CR用户本地的瞬时信噪比，即

其中E_s代表检测到的主用户信号的能量，即

表示第k个采样值。根据中心极限定理，如果样本N的数量足够大（如≥100），测试统计量符合渐近正态分布。u_i表示第i个用户的报告信道发送端的统计检测量，N足够大时，该统计检测量服从正态分布u_i～N[E(u_i),Var(u_i)]，其中均值与方差分别如下：

报告信道发送端的{u_i}统计检测量通过加性高斯白噪声信道后，在报告信道接收端可获得检测统计量{y_i}，

表示为报告信道方差，该统计量{y_i}的均值不变E(y_i)=E(u_i)，方差如下

于是，全局测试统计数据量y_c将会执行线性加权运算

$y_c=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{y}_i=w^{T}y---\left(5\right)$

此时

w＝[w₁,w₂,.....,w_M]^T,w_i≥0      （6）

其中，w表示频谱检测器的权值向量。该协作频谱感知器执行如下判决：当全局统计量满足y_c＞γ_c时，判决主用户存在，该主用户占用频段不可用；当全局统计量满足y_c＜γ_c时，判决主用户不存在，该主用户占用频段可用。其中γ_c表示频谱检测器设计的判决门限。

最终，协作频谱感知的可采用虚警概率P_f和检测概率P_d两个性能参量来评估：

$P_f=Q\left(\frac{{\mathrm{\γ}}_c-N{\mathrm{\σ}}^{T}w}{\sqrt{w^T{\mathrm{\Σ}}_{H_0}w}}\right)---\left(7\right)$

$P_d=Q\left(\frac{{\mathrm{\γ}}_c-{(\mathrm{N\σ}+E_{s}g)}^{T}w}{\sqrt{w^T{\mathrm{\Σ}}_{H_1}w}}\right)---\left(8\right)$

其中g＝[|h₁|²,|h₂|²,....,|h_M|²]^T代表信道增益振幅的平方，h_i表示信道增益，公式（7）和（8）的 ${\mathrm{\Σ}}_{H_0}=2{\mathrm{Ndiag}}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right)$ 和 ${\mathrm{\Σ}}_{H_1}=2{\mathrm{Ndiag}}^2\left(\mathrm{\σ}\right)+\mathrm{diag}\left(\mathrm{\δ}\right)+4E_s\mathrm{diag}\left(g\right)\mathrm{diag}\left(\mathrm{\δ}\right)$ 分别表示主用户不存在时和存在时的半正定矩阵，可用于描述感知信道噪声与衰落状况，以及报告信道噪声与衰落状况。

（3）基于分簇的协作频谱感知模糊融合方法

结合上述技术方案基础（1）和（2），本发明采用分簇的方法是模糊数学的聚类分析具体采用模糊c均值算法进实现分簇（即聚类）过程。然后对于每个簇，根据报告信道最优化规则选择出簇头。每个认知用户均进行能量检测，将检测数据汇报至簇头。该软融合方案包括，①簇头实现第一级软融合过程，随后将结果汇报给融合中心；②融合中心实现第二级软融合，实现主用户是否存在的判决。其中第二级线性软融合过程设计采用模糊矩阵理论实现线性加权模糊融合，该模糊融合模块设计参考下述具体实施方式部分。

上段是对（1）和（2）的结合，简要说明，具体描述是在下面具体实施方式里面

有益效果：与现有技术相比，本发明提供的基于分簇的协作频谱感知模糊融合方法，可有效提高协作频谱感知器的检测性能，同时可一定程度降低运算复杂度。

此外，本发明的创新点为：（1）采用聚类算法，实现认知用户的分簇过程；（2）采用认知无线网中基于分簇的协作频谱感知模型，简化大规模无线认知节点情况下的协作认知问题，并可提高协作感知性能；（3）在融合中心端设计一种基于模糊综合判决理论的模糊融合模块，可实现协作频谱检测器的智能化设计。该智能化模块设计可适应认知无线网络各个参数变化情况，并可降低运算复杂度。

附图说明

图1为基于分簇的协作频谱感知的结构图；

图2为协作频谱感知的线性加权软合并数学模型；

图3为基于分簇的协作感知算法流程图；

图4为基于分簇的协作频谱模糊检测设计框图；

图5为基于模糊矩阵理论的线性权值生成模块；

图6为次级用户数量为4时，基于模糊矩阵的协作频谱检测仿真性能结果。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明需要采用聚类算法实现分簇，然后基于分簇实现协作频谱感知。另外，由于认知用户数量较大、融合中心的运算能力限制以及认知无线网络智能化特点，需要研究基于模糊综合判决的低复杂度协作感知算法，设计一种融合中心的线性加权软合并算法，实现协作检测判决。模糊数学理论在多源信息融合中表现了强大优势，可应用于协作频谱感知方面。一方面，模糊数学的优点为智能化和运算复杂度较低。协作频谱检测的信息融合过程需要专家知识，模糊推理与人的模糊思维与推理类似，可实现智能化。另一方面，模糊数学可非精确描述问题，实现运算量较低的算法。因此，考虑认知无线网络次级用户运算量小、智能化认知的需求特点，采用模糊综合判决方法比较合适。

基于分簇的协作频谱感知模糊融合方法，参考技术方案（3）部分，包括如下步骤：

步骤1：主用户为主用户网络的普通用户，调制发射功率由具体网络环境确定。

步骤2：在感知信道受到噪声的影响，得到主用户和噪声的叠加信号。

步骤3：每个认知用户（次级用户）通过对叠加信号的能量捕获，实现能量检测。单个次级用户采用的是能量检测的方法，得到目标频段内的信号能量的统计量。

步骤4：采用模糊聚类算法实现分簇过程。

步骤5：根据上述分簇过程，建立基于分簇的协作感知模型，选择报告信道接收信噪比最大的为簇头；当认知用户数量较大时可简化协作检测问题，同时提高协作感知性能。

步骤6：每个分簇内将得到结果送到每个分簇的簇头进行软融合（第一级软融合），得到结果后进入到报告信道。可考虑接收信噪比以及信誉度等复杂因素，该实施方案使协作频谱感知器对复杂认知无线网络环境更加具有适应性。

步骤7：比特数据进入报告信道，进入融合中心，进行簇间模糊判决软融合（第二级软融合）得出判决结果，采用图5中描述的基于模糊矩阵的权值生成器方案实现。

步骤8：将协作感知判决结果进行接收机的性能统计，同时发送至动态频谱接入模块。

在此协作频谱感知框架中，分成两个模块，即感知信息模块和感知信息传递且进行数据融合两个模块。

如图4所示，在协作频谱感知模块中，单个次级用户采用的是能量检测的方法，得到目标频段内的信号能量的统计量；最后将得到的能量统计量与判决门限进行比较，高于该门限则表示当前该频段存在主用户传输信号，说明主用户正在使用该频段，低于该门限则表示当前该频段内没有主用户传输信号，说明该频段未被主用户使用。在单个用户进行能量检测后，认知无线系统采用优化算法对搜集到的各个用户的感知信息进行融合，最终融合中心实现主用户是否存在的判决。

本设计提出一种基于模糊矩阵理论的权值生成器的设计方案，如图5所示。

算法的基本思想如下。目标是通过权值生成器最终得到每个用户的权重因子，即从多个指标（因素）对每个用户的权重因子进行综合性评判，其具体的步骤为：

步骤1：确定影响权重因子的因素域U，U＝(u₁,u₂,...,u_m)。这里我们选择信道衰落、接收端信噪比、信誉度以及簇成员个数四个因素。其中信誉度以基于每个次级用户过去感知度为隶属度函数，即若次级用户的判决结果总是与最终判决相同，则具有较高的信誉度；反之，则信誉度较低。

步骤2：确定个因素的隶属度函数，建立模糊关系矩阵R

$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{1N}\\ r_{21}& r_{22}& \·\·\·& r_{2N}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ r_{m1}& r_{m2}& \·\·\·& r_{\mathrm{mN}}\end{array}\right),0\≤r_{\mathrm{ij}}\≤1$

其中r_ij为U中因素u_i对于V中w_j的隶属关系，N表示次级用户数。

步骤3：确定评判因素权向量A＝(a₁,a₂,...,a_m)，A是U中各指标对被评对象的隶属度，它取决于人们进行模糊综合评判时的着眼点，即根据各指标最权重因子的重要性分配权值，该因素评判权向量作用很大，需要根据具体通信环境调整寻找优化值。

步骤4：进行模糊矩阵运算，得出协作频谱检测的线性软合并权值w，即频谱检测器的权值向量。

运用蒙特卡洛仿真的思想，可采用MATLAB部分实现本设计提出的算法，与其他算法的协作感知算法性能进行对比。可以从CROC曲线（如图6所示）看出，基于模糊矩阵理论的协作感知算法可获得较好的性能，检测概率P_d大约提升了0.05dB，相应地，漏警概率大约减少了0.05dB。M=4时，权值w=[0.2222，0.1778，0.3556，0.2444]。

Claims (1)

1.一种基于分簇的协作频谱感知模糊融合方法，其特征在于，包括如下步骤：

步骤1：产生主用户信号，调制发射功率由具体网络环境确定；

步骤2：设计实现实际认知网络环境下的感知信道噪声与衰落；

步骤3：每个认知节点通过对叠加信号的能量捕获，实现能量检测；单个认知节点采用的是能量检测的方法，得到目标频段内的信号能量的统计量；

步骤4：采用模糊聚类算法实现分簇过程，选择接收信噪比最大的簇成员为簇头；

步骤5：每个分簇内将得到结果送到每个分簇的簇头进行软融合，得到结果送至到报告信道；

步骤6：比特数据进入报告信道，进入融合中心，进行簇间模糊判决软融合得出判决结果；

步骤7：将协作感知判决结果进行接收机的性能统计，同时发送至动态频谱接入模块。

Images