CN103987051A - 基于无线传感器网络可靠感知的频谱共享方法 - Google Patents

Abstract

本发明公开了基于无线传感器网络可靠感知的频谱共享方法，通过引入无线传感器网络辅助认知无线电，按照传感器节点与融合中心的距离大小选取合适的传感器节点参与感知；次用户首先与传感器网络通信，传感器网络实时监测主用户网络可用及潜在可用的频谱空洞，并将信息有效反馈给次用户；利用该可靠的频谱感知结果，获得当前可用于分配的频谱资源，将量子菌群算法中的每个细菌表征为一种频谱分配方案，通过对细菌进行量子位编码，测量及更新来完成目标频谱的分配。本发明方法可以有效感知频谱，并实现认知用户与主用户在同一区域共存而不干扰主用户的正常通信，有效提高目前投入运营的无线频段的利用率，降低网络运营成本。

Description

基于无线传感器网络可靠感知的频谱共享方法

技术领域

本发明属于无线电和传感器网络的交叉研究领域，特别涉及基于无线传感器网络可靠感知的频谱共享方法。

背景技术

由于无线通信业务(特别是高端业务)需求量的日益增长，越来越多的频谱被规划到个人无线通信业务中，因此较低的无线通信频谱的利用率是现实存在且亟待解决的问题。目前投入运营的无线频段中，存在大量的“频谱空洞”(未被使用的频谱资源)，美国联邦通信委员会(Federal Communication Commission,FCC)的研究表明已经分配的频谱其利用率一般是15％～85％，整体来说无线频谱在某些频段未被充分利用，这对日益稀缺的频谱资源无疑是一种极大的浪费。认知无线电技术(Cognitive Radio,CR)使网络节点能有效感知频谱空洞并动态接入网络，但要保证不会对授权用户的通信产生干扰，从而可以显著提高无线通信系统日益稀缺的频谱资源的利用率(Sendora project[Online].Available:http://www.sendora.eu/,2008.)，其主要是利用系统的频谱感知以及动态的频谱分配能力。但是认知用户必须具备检测且分辨出宽频带不同区域内的各种主用户信号；此外，频谱感知虽然属于认知无线电主要构成部分之一，但是过多的开销在频谱感知上会使认知无线电自身的效率降低(Deng R,He S,Chen J,etal.Energy-efficient spectrum sensing by optimal periodic scheduling in cognitive radio networks[J].IET communications,2012,6(6):676-684.)；加之无线环境存在着多径衰落、阴影效应以及隐蔽终端等问题，使得认知无线电频谱感知中存在主用户接收机不确定的问题，从而对主用户造成干扰。因此，如何可靠检测频谱空洞并实现次用户与主用户有效共存是认知无线电实际应用所面临的一大挑战。

将具有频谱检测功能的专用无线传感器网络引入认知无线电中，形成无线传感器网络辅助认知无线电系统(Mercier B,Fodor V,Thobaben R,et al.Sensor networks for cognitive radio:Theory and system design[J].ICT mobile summit,2008)，采用这种技术可以克服阴影效应和衰落引起的主用户终端隐藏问题，且认知用户不用花费时间去感知，可以大大提高认知用户效率并保证其有效通信。但是目前无线传感器网络辅助的认知无线电系统缺乏统一架构，对于无线传感器网络引入认知无线电技术的研究目前还处于起步阶段，主要集中在系统设计的理论分析和几种商业场景的评估等方面的研究(Grondalen O,Lahteenoja M,Gronsund P.Evaluation of business cases for a cognitive radio network based on wireless sensor network[C].IEEE Symposium on Dynamic Spectrum Access Networks(DySPAN),2011:242-253)。如何引入无线传感器网络，提出适合无线传感器网络的鲁棒性很强的频谱感知算法是未来应该考虑的一个重要问题(Sendora project[Online].Available:http://www.sendora.eu/,2008，Deng R,He S,Chen J,et al.Energy-efficient spectrum sensing by optimal periodic scheduling in cognitive radionetworks[J].IET communications,2012,6(6):676-684.，Najimi M,Ebrahimzadeh A,Andargoli SM H,Fallahi A.A Novel Sensing Nodes and Decision Node Selection Method for EnergyEfficiency of Cooperative Spectrum Sensing in Cognitive Sensor Networks[J].IEEE SensorsJournal,2013,13(5):1610-1621.)。

国内外学者长期以来致力于研究认知无线电频谱分配问题，并针对此问题设计多种不同的分析模型。从分布式和集中式的角度可以将当前的频谱分配模型划分为博弈论、拍卖理论、议价机制、图论着色等。由于图论着色模型属于“0，1”制式，其中“0”和“1”可以表示所有必要的建模分析信息，具有较好的泛化能力，从而引起了广泛研究。

文献(Wang W,Liu X.List-coloring based channel allocation for open-spectrum wirelessnetworks[C].IEEE Vehicular Technology Conference,2005,62(1):690.)讨论了基于列表着色(List-Coloring)的频谱分配算法，文献(Zheng H,Peng C.Collaboration and fairness inopportunistic spectrum access[C].IEEE International Conference on Communications(ICC),2005(5):3132-3136.)提出了颜色敏感的图论着色(Color Sensitive Graph Coloring,CSGC)算法。然而，对于频谱分配中的频谱效益以及干扰这两种频谱差异性，List-Coloring算法没有加以考虑，而CSGC算法充分结合了这两种差异性，但是可用频带数目和用户数目增多会加大算法的运算量，使其呈现非线性的变化趋势属于NP-Hard(Non-deterministic Polynomial，非确定性多项式难解)问题。研究表明可以将认知无线电网络的频谱分配问题转换成目标优化问题来解决，因而，具有良好寻优能力的遗传算法、粒子群算法等一系列智能算法纷纷被用于解决认知无线电频谱分配问题中。文献(赵知劲,彭振,郑仕链.基于量子遗传算法的认知无线电频谱分配[J].物理学报,2009,58(2):1358-1363).基于图论着色模型，利用量子遗传算法(Quantum Genetic Algorithm,QGA)讨论了集中式认知无线电网络的频谱分配问题，并与颜色敏感的图论着色算法进行比较，能够较好地实现系统效益的最大化。但是现有智能算法在频谱分配过程中仍然会陷入局部最优，影响了频谱分配结果的公平性。

发明内容

为解决上述技术问题，本发明提供基于无线传感器网络可靠感知的频谱共享方法，其采用的技术方案如下：

基于无线传感器网络可靠感知的频谱共享方法，包含如下步骤：

步骤一：构建具有无线传感器辅助认知无线电网络，无线传感器网络结构采用能耗较小且鲁棒性较强的有融合中心的并行结构；

步骤二：融合中心根据最小距离的原则选择传感器节点参与频谱感知；

步骤三：融合中心向由步骤二所选出的传感器发送信息，接收到该信息的传感器节点则开始感知信道，没有收到信息的传感器则进入休眠状态；

步骤四：参与感知的传感器节点先独立以能量检测方式感知频谱，然后将各自所检测的结果0或1，以1bit信息发送给融合中心，融合中心按照“或”准则对收到的各个数据进行融合，最后由融合中心统一判决当前频谱状态；

步骤五：将频谱分配问题转换为图论着色的优化问题，根据无线传感器网络频谱感知结果，确定当前可用于分配的频谱资源，得到可用频谱矩阵L、效益矩阵B、干扰约束矩阵C；

步骤六：在当前可用于分配的频谱资源中引入量子菌群算法，用量子菌群算法中每个细菌的状态表示一种频谱分配策略，对细菌进行量子位编码，测量和更新；进而实现公平有效的分配机制，其又包括如下子步骤：

步骤1：在当前可用于分配的频谱资源中引入量子菌群算法，将细菌种群和位置信息分别编码成量子染色体和基因信息，并初始化参数；

步骤2：对细菌进行测量，将细菌测量值对应到无干扰分配矩阵A中，并进行适应度评估；

步骤3：对细菌依次实施量子趋化操作、量子繁殖操作、量子迁徙操作实现种群的更新，计算新的适应度值，保存较优适应度值及其对应的染色体，直至寻找到最优解，即目标频谱分配方案，实现公平有效的分配机制。

步骤二中的选择方法如下：

步骤1：根据系统所要求的虚警概率上限条件，计算出参与感知的传感器节点数量的上限；

步骤2：将各个无线传感器节点按照与融合中心的距离升序排列，优先选择距离最短的传感器节点进行感知，根据“或”准则下的联合检测概率的公式，计算其值。如果得到的联合检测概率满足所要求的约束条件，则终止算法；

步骤3：继续执行步骤2，直至参与感知的无线传感器节点的数目达到步骤一所述的上限。

步骤四中能量检测是先将信号通过一个低通滤波器滤除带外噪声和邻近信号，然后依次经过模/数转换器，平方器，N_c个抽样求和后，得到检测统计量Y，将其与预先设定的门限值进行比较。当所得的感兴趣的频段上的能量值大于门限值时，判定该频段上存在主用户，记作H₁，否则，判定该频段上仅有噪声，不存在主用户，记作H₀。

步骤四中或准则为只要有一个传感器节点认为有信号存在时就最终判决主用户存在，否则判决主用户不存在。

步骤五中所述的将频谱分配问题转换为图论着色问题，即假设网络中存在N个次用户，竞争M个相互正交的子频带，各个频带分别用0，1，···，M-1表示。次用户根据无线传感器频谱感知的结果可以获知周围的环境信息，其图论着色问题由可用频谱矩阵L、干扰矩阵C、无干扰分配矩阵A和效益矩阵B描述。

本发明的有益效果是，上述基于无线传感器网络可靠感知的频谱共享方法，由于引入无线传感器辅助感知，提高了感知效率及可靠性；根据频谱感知结果获得当前可用的频谱资源，将频谱分配问题转换为图论着色优化问题，利用量子菌群算法中细菌指代一种频谱分配策略，通过对细菌进行量子位编码，测量和更新寻找到最优共享方案，可靠实现认知用户与主用户在同一区域共存而不干扰主用户的正常通信，从而有效提高目前投入运营的无线频段的利用率，降低网络运营成本。

附图说明

图1表示无线传感器辅助认知无线电系统结构示意图。

图2表示无线传感器网络的结构(并行的有融合中心的)示意图。

图3表示同一信噪比情况下，三种数据融合准则：“或”(OR)准则、“与”(and)准则、“大数”(majority)准则的频谱检测性能比较示意图。

图4表示同一信噪比情况下，基于“或”准则，传感器数目增加对系统检测性能影响的示意图。

图5表示传统的检测算法与本发明方案中选取合适传感器参与感知的算法的能耗比较示意图。

图6表示传统的检测算法与本发明方案中选取合适传感器参与感知的算法的检测性能比较示意图。

图7基于量子菌群算法的频谱分配流程示意图。

图8表示量子菌群算法(QBFO)与量子遗传算法(QGA)频谱分配性能(平均效益)比较示意图。

图9表示量子菌群算法(QBFO)与量子遗传算法(QGA)频谱分配性能(公平性)比较示意图。

图10表示量子菌群算法(QBFO)与量子遗传算法(QGA)及颜色敏感图论着色(CSGC)算法频谱分配性能比较示意图。

具体实施方式

为了克服现有认知无线电频谱空洞检测与利用方式仍会对主用户产生干扰的问题，本发明提供了一种基于无线传感器网络可靠感知的频谱共享方法。由于无线传感器网络感知技术可以克服阴影效应和衰落引起的主用户终端隐藏问题，且次用户不用花费时间去感知，可以大大提高感知结果的可靠性和次用户通信效率，进而能够有效实现次用户与主用户在同一区域共存而不干扰主用户的正常通信。

本发明采用的方案是利用无线传感器辅助认知无线电网络进行频谱感知，进而实现频谱共享。其特征在于引入无线传感器网络，首先认知用户与传感器网络通信，传感器网络实时监测主用户网络可用及潜在可用的频谱空洞，并将信息有效反馈给认知用户。即各个无线传感器以能量检测方式独立感知频谱，再将检测结果送到融合中心(Fusion Center,FC)，按照“或”(OR)融合准则实现协作感知，无线传感器网络采用能耗较小且鲁棒性较强的有融合中心的并行结构。每次感知并不需要所有的传感器节点均参与，可在满足所要求的检测概率和虚警概率前提下，按照一定的规则选取合适数量的传感器参与感知，从而达到节省能耗的目的。然后利用上述可靠的频谱感知结果，获得当前可用的频谱资源，将量子菌群算法中每个细菌的状态表示一种频谱分配策略，通过对细菌进行量子位编码，测量和更新以实现最优的频谱分配。

下面结合实施例及附图，详细描述本发明的技术方案。

步骤一：构建具有无线传感器辅助认知的无线电网络，无线传感器网络结构采用能耗较小且鲁棒性较强的有融合中心的并行结构。

本发明实施例中基于无线传感器辅助认知无线电系统结构图参见图1，图1描述的主用户系统是由多个用户终端和一个基站构成，次用户系统由两个及以上的用户终端和一个基站构成。本发明所述的算法对于采用何种主用户系统和次用户系统没有特别要求，只要保证主次用户系统间可实现通信即可，即理论上本算法适用于多种主、次用户系统，且主用户系统和次用户系统既可以是有基站的集中式结构，也可以是无基站的分布式结构。主用户系统可采用Wi-Fi(Wireless Fidelity，无线保真)、LTE(Long Term Evolution，长期演进)、UMTS(Universal Mobile Telecommunications System，通用移动通信系统)等技术。

本发明实施例中无线传感器是基于工作频段为2.4GHZ的IEEE802.15.4/ZigBee网络，可提供250kbit/s的数据传输率，极限通讯距离可达100m以上，适用于高吞吐量、低时延或低作业周期的场合。无线传感器网络节点廉价简单，通过携带手持式频谱仪，使传感器节点具有频谱检测功能，但每个节点是由电池供电，能量受限，故对基于传感器网络的检测系统的能量利用率提出了较高要求。

系统采用具有融合中心的并行结构，具体结构图参见图2，即分散在监测区域的各个传感器节点感知频谱，经本地判决后独立地将判决结果发送到融合中心，融合中心对数据进行融合处理后发送给次用户。这里的融合中心通常为一个功能增强的节点，拥有的内存和计算资源较多，它的能量供应也比较充足，因此处理能力、通信能力和存储能力都较强。一般不具备检测频谱的功能，只负责数据融合处理，估计当前频谱使用情况，并实现与次用户之间的信息交互。能够对两种不同的网络协议栈之间的协议进行相互转换，并将网络所获知的信息转发给次用户网络。

传感器节点在主用户附近的某一区域内进行随机撒放，仿真模拟选取的是在主用户附近的100m×100m方形区域内随机撒放各个传感器节点，融合中心位于该区域的中心，模拟了5-50个传感器节点情况。通常传感器节点之间直接通信范围在40-135m之间，通过加入多级zigbee路由设备，网络覆盖范围可以拓展到数百米甚至上千米，具体依据主用户系统以及次用户系统实际发射功率的大小和各种不同的应用模式而定，基本上能够覆盖普通的家庭或办公室环境。

信道环境模拟高斯白噪声信道，其信噪比γ为10dB，所有传感器均采用性能相同的能量检测器进行本地频谱感知，能量检测器的时间带宽积m为5，采样个数为n_c。传感器用于检测频谱消耗的能量约为40nJ，由于传感器处理数据和做出判决消耗的能量主要取决于信号的传输速率、信号处理单元电路电压及电流，当传输速率为250kb/s、电路电压为2.1V、电流为17.4mA时，这部分能耗约为150nJ/bit；由于本发明实施例中判决信息使用1bit，因此，每个传感器用于信道感知的能耗为C_s＝190nJ。设在传输速率为250kb/s时，传感器传输数据消耗的能量为C_t-elec＝80nJ，传输放大器的增益为e_amp＝40.4pJ/m²。

步骤二：融合中心根据最小距离的原则选择传感器节点(即优先选取与融合中心的距离最小的传感器节点)参与频谱感知；

步骤1：根据系统所要求的虚警概率上限条件，计算出参与感知的传感器节点数量的上限；根据所要求的联合虚警概率约束条件P_f≤α(P_f为联合虚警概率，α为系统对虚警概率约束的边界值)，计算出参与感知的传感器节点数量上限(N_c为一个感知周期内的采样数目，λ为预设的门限值，δ²为噪声的方差，Γ(·)为完整Gamma函数，而Γ(·,·)表示不完全Gamma函数)；

步骤2：将各个无线传感器节点按照与融合中心的距离升序排列，优先选择距离最短的传感器节点进行感知，根据“或”准则下的联合检测概率的公式，计算其值。如果得到的联合检测概率满足所要求的约束条件，则终止算法；计算“或”(OR)准则下的联合检测概率，如果得到的联合检测概率满足所要求的约束条件P_d≥β(P_d为联合检测概率，β为系统对检测概率约束的边界值)，则终止；

步骤3：继续执行步骤2，直至参与感知的无线传感器节点的数目达到第一步所述的上限M。

步骤三：融合中心向由步骤二所选出的N₁个传感器发送信息，接收到该信息的传感器节点则开始感知信道，没有收到信息的传感器则进入休眠状态，从而大大的节省了能量。计算参与感知的传感器节点能耗，即其中表示每个传感器节点用于信道感知的能耗，假设各个均相同，可统一用C_s表示，表示向融合中心传输1bit判决信息所消耗的能量，具体形式为：其中C_t-elec为传感器传输数据消耗的能量，e_amp为传输放大器的增益，d_j指第j个传感器节点与融合中心之间的距离；

步骤四：参与感知的传感器节点先独立以能量检测方式感知频谱，然后将各自所检测的结果0或1，以1bit信息发送给融合中心，融合中心按照“或”准则对收到的各个数据进行融合，最后由融合中心统一判决当前频谱状态，由图5和图6所示，所述算法可以有效地降低能耗同时保证满足较高的检测性能。

能量检测是先将信号通过一个低通滤波器滤除带外噪声和邻近信号，然后依次经过模/数转换器，平方器，N_c个抽样求和后，得到检测统计量Y，将其与预先设定的门限值进行比较。当所得的感兴趣的频段上的能量值大于门限值时，判定该频段上存在主用户，记作H₁，否则，判定该频段上仅有噪声，不存在主用户，记作H₀。

融合准则选取性能较好的“或”准则(OR准则)，其规则为：只要有一个传感器节点认为有信号存在时就最终判决主用户存在，否则判决主用户不存在，这种融合方案是牺牲虚警概率获得较大的检测概率，对主用户有利。

基于“OR”准则的联合虚警概率和联合检测概率分别表示为：

$P_f=1-{\mathrm{\Π}}_{j=1}^N(1-P_{f_j})=1-{\mathrm{\Π}}_{j=1}^N(1-{\mathrm{\ρ}}_j\frac{\mathrm{\Γ}(N_c,\frac{\mathrm{\λ}}{{2\mathrm{\δ}}^2})}{\mathrm{\Γ}\left(N_c\right)})---\left(1\right)$

$P_d=1-{\mathrm{\Π}}_{j=1}^N(1-P_{d_j})=1-{\mathrm{\Π}}_{j=1}^N(1-{\mathrm{\ρ}}_j{Q}_{N_c}(\sqrt{{2\mathrm{\γ}}_j},\sqrt{\frac{\mathrm{\λ}}{{\mathrm{\δ}}^2}}))$

其中P_f、P_d分别为联合虚警概率和联合检测概率，分别为传感器节点j的虚警概率和检测概率；N为传感器节点总数，N_c为一个感知周期内的采样数目，λ为预设的门限值，δ²为噪声的方差，γ_j是第j个传感器节点接收端处的信噪比；ρ_j∈{0,1}当取值为‘1’时，传感器节点j参与感知,取值为‘0’时，传感器节点j不参与感知，即进入休眠状态；Γ(·)为完整Gamma函数，而Γ(·,·)表示不完全Gamma函数，属于广义Marcum Q函数，可表示为：

$Q_{N_c}(a,b)=b{\∫}_b^{8}x{(x/a)}^{N_c-1}{e}^{-(x^2+a^2)}\·I_{N_c}-1\left(\mathrm{ax}\right)\mathrm{dx}---\left(2\right)$

其中为修正贝塞尔函数，定义为：

$I_{N_c}\left(x\right)=\underset{k=0}{\overset{\∞}{\mathrm{\Σ}}}\frac{{(x/2)}^{N_c+2k}}{k!\mathrm{\Γ}(N_c+k+1)}---\left(3\right)$

如图3所示，在同一信噪比情况下，“或”准则相较于“与”(AND)准则，“大数”(majority)准则检测性能要好。基于“或”准则，参与感知的传感器数目越多，检测概率(成功判决主用户存在的概率)越大，同时，虚警概率(实际主用户不存在而判决为主用户存在的概率)也越大，如图4所示，因此，并不是协作传感器数目越多系统性能越好，故选取合适的传感器节点参与感知也能保证系统达到较好的性能。

本发明所述的减少能耗算法与传统检测算法的比较说明：

传统检测算法中所有的传感器节点均参与感知，感知能耗会随着传感器节点数量的增加线性增大，能耗公式同样采用所述的进行计算，此时这里的N是所有传感器节点的个数。

减少能耗算法中按照本专利所述的准则只需选取一部分的传感器节点进行感知，余下的节点进入休眠状态。休眠状态下的节点能耗只有0.4nJ，活跃的节点(参与感知的节点)能耗为190nJ。根据参与感知的节点能耗公式(计算时也将休眠状态下的节点能耗之和考虑在内)，N₁指所选取的参与感知的节点数量，按照本专利所述的准则选取的参与感知的节点数N₁不会随着总节点数量的增加有很大的波动，因此，减少能耗算法能耗相对于传统检测算法的能耗有大大的降低。

步骤五：根据无线传感器网络频谱感知结果，将频谱分配问题转换为图论着色的优化问题，确定当前可用于分配的频谱资源，得到可用频谱矩阵L、效益矩阵B、干扰矩阵C；

所述的将频谱分配问题转换为图论着色问题，即假设网络中存在N个次用户，竞争M个相互正交的子频带，各个频带分别用0，1，···，M-1表示。次用户根据无线传感器频谱感知的结果可以获知周围的环境信息，其图论着色问题由可用频谱矩阵L、干扰矩阵C、无干扰分配矩阵A和效益矩阵B描述。

可用频谱矩阵是在某个可用自由度(时间、频率、空间)主用户空闲的频谱，一般将这些空闲的频谱划分成若干相互正交的子频带，并且各个频带之间不存在干扰。因为不同授权用户的功率或位置等相关参数不尽相同，即使相同的频带对于不同的次用户，其可用性也可能不同。比如对于某个可用频带m(0≤m≤M)，在授权用户通信范围之外的次用户是能够使用频带m，但是在授权用户通信范围之内的次用户则无法使用频带m。可用频谱矩阵是根据当前频谱感知结果生成的。频谱对于次用户是否空闲，用矩阵L表示：L＝{l_n,m|l_n,m∈{0,1}}_N×M，l_n,m＝1指频带m能够被用户n占用，l_n,m＝0则指频带m不能被用户n所占用。

干扰约束矩阵指如果两个次用户在同一时刻占用同某一频带，则将相互干扰彼此之间的通信，则这二者不能同时占用该频带，这种约束关系可用干扰约束矩阵C来表示：C＝{c_n,k,m|c_n,k,m∈{0,1}}_N×N×M，c_n,k,m＝1表示用户n和用户k同时使用频带m会产生干扰，当n＝k时，c_n,n,m＝1-l_n,m，仅由空闲频谱矩阵决定。

无干扰分配矩阵用矩阵A表示：A＝{a_n,m|a_n,m∈{0,1}_N×M}，a_n,m＝1说明次用户n暂时获得频带m的使用权，此外，A中的元素要能保证满足以下的约束条件：

a_n,m+a_k,m≤1,c_n,k,m＝1,   (4)

$\∀0\≤n,k\≤N,0\≤m\≤M$

效益矩阵B是用于描述次用户所获得的效益：B＝{b_n,m}_N×M，b_n,m指次用户n使用信道m可获得的收益。由于传输功率、调制技术、空间-时间特性等参数可能不一样，因此，次用户在不同的频谱上往往会有不同的传输效益，根据系统需求，可以采用不同的函数来评估次用户的效益。

根据无线传感器网络频谱感知结果，获得当前可用于分配的频谱资源，将频谱分配问题转换为图论着色优化问题，以3个主用户(分别使用频谱A、B、C)，4个次用户为例，将某一个感知周期内的各个参数记录如下：

$L=\left[\begin{array}{ccc}0& 1& 1\\ 1& 0& 1\\ 1& 1& 1\\ 0& 1& 0\end{array}\right]B=\left[\begin{array}{ccc}0& 9075& 12100\\ 6050& 0& 13612.5\\ 4537.5& 3025& 6050\\ 0& 12100& 0\end{array}\right]$

$C_C=\left[\begin{array}{cccc}0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 1\end{array}\right]C_B=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]C_C=\left[\begin{array}{cccc}0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 1\end{array}\right]$

步骤六：在当前可用于分配的频谱资源中引入量子菌群算法，用量子菌群算法中每个细菌的状态表示一种频谱分配策略，对细菌进行量子位编码，测量和更新；进而实现公平有效的分配机制。

所述步骤六具体包括以下：

步骤1：在当前可用于分配的频谱资源中引入量子菌群算法，并初始化参数；

图7为本发明中基于量子菌群算法的频谱分配流程图。所述量子菌群算法通过引入量子染色体和基因的概念，将细菌种群和位置信息分别编码成量子染色体和基因信息，对染色体进行二进制编码，具体按照如下步骤得到的：

步骤101：初始化参数：设定细菌种群规模P＝20，量子趋化次数N_ch＝50，量子繁殖次数N_re＝5，量子迁徙次数N_ed＝2，迁徙概率P_ed＝0.25，最大进化代数Gen＝N_ch·N_re·N_ed＝500。

步骤102：对细菌进行量子位编码，则需确定细菌量子位数，因为与可用频谱矩阵L中的值为0的位置对应的无干扰分配矩阵A中的元素必定为0，为避免使染色体包含大量冗余，故只需要对与L中值为1的元素位置对应的A中的元素进行量子位编码，即细菌的量子位数 $l=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{l}_{n,m}=8;$

通过量子位方式实现对细菌的编码。量子位的编码主要针对二进制的基因，一个量子位不仅可以表示|0>和|1>两种状态，还可以处于二者之间的任意线性组合，即叠加态可以写作：

|ψ>＝α|0>+β|1>；

其中，α与β都属于复数，称作量子态的概率幅，二者需要满足如下的约束条件：

|α|²+|β|²＝1；

由于系统包含l＝8个量子位，那么此系统能够同时表示2^l个状态，一个量子位的概率幅定义式为 $\left[\begin{array}{c}\mathrm{\α}\\ \mathrm{\β}\end{array}\right],$ 则可将l个量子位写作：

$\left[\begin{array}{c}{\mathrm{\α}}_1\\ {\mathrm{\β}}_1\end{array}\right|\left.\begin{array}{c}{\mathrm{\α}}_2\\ {\mathrm{\β}}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}{\mathrm{\α}}_1\\ {\mathrm{\β}}_1\end{array}\right];$

其中，α_j和β_j满足下式：

|α_j|²+|β_j|²＝1,j＝1,2,...,l；其中，|α_j|²和|β_j|²分别表示测量时系统坍塌成|0>和|1>的概率。量子染色体组成细菌种群，表示成第g代的种群，其中P＝20为种群大小；l＝8为量子染色体的长度；定义为如下的染色体：

$q_i^g=\left[\begin{array}{c}{\mathrm{\α}}_1^g\\ {\mathrm{\β}}_1^g\end{array}\right|\left.\begin{array}{c}{\mathrm{\α}}_2^g\\ {\mathrm{\β}}_2^g\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}{\mathrm{\α}}_l^g\\ {\mathrm{\β}}_l^g\end{array}\right],i=\mathrm{1,2},...,P;$

步骤103：在第0代的时候，初始化细菌种群每个细菌的初始量子状态为 ${\left[\begin{array}{c}\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\end{array}\right|\left.\begin{array}{c}\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\end{array}\right]}_{2\×l};$

步骤2：对细菌进行测量，将细菌测量值对应到无干扰分配矩阵A中，并进行适应度评估，具体步骤包括如下：

步骤201：观测细菌种群Q(g)可生成它有P＝20个元素，每个解的长度为l，均是由0和1表示的二进制串，量子位测量概率或用于决定相应位置取值是0或是1；

步骤202：把细菌观测值中的每一位逐一按行放置到A中对应于L中值为1的元素位置上，即将的第j位映射为a_n,m，其中a_n,m为L中第j位元素(j＝1,2,...,l)，映射模式如下所示：

步骤203：对所有频带m(0≤m≤M)，查找所有满足c_n,k,m＝1的n和k，观察A中第m列第n行的元素以及第m列第k行的元素所对应的测量值是否都等于1，如果都为1，那么将随机选择一位，并将其变成0，而另一位的值不变，完成上述操作之后，染色体测量值就真正符合无干扰限制条件，此时的测量值就可以表示一种可行的频谱分配方案；

步骤204：使用网络效益总和U作为适应度函数，即用效益矩阵B和经过优化的最佳分配矩阵A^*来计算 $U=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_{n,m}\·b_{n,m}$ (或使用比例公平性 $U_{\mathrm{fair}}={(\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_{n,m}\·b_{n,m}+{10}^{-4})}^{\frac{1}{10}}$ 作为适应度函数)，并将该适应度函数对应的最优解保存至B(g)；

步骤3：对细菌依次实施量子趋化操作、量子繁殖操作、量子迁徙操作实现种群的更新，计算新的适应度值，保存较优适应度值及其对应的染色体，直至寻找到最优解，即目标频谱分配方案，实现公平有效的分配机制，具体步骤包括以下：

步骤301：实施量子趋化操作即运用量子旋转门实现细菌种群Q(g)的更新，然后对Q(g)进行测量，得到P(g)。进而按照步骤202及步骤203中所述的方式生成无干扰分配矩阵A，执行无干扰处理并完成适应度评估。最后比较本代的最优解和当前所保存的最优解，如果本代最优解优于当前所保存的最优解，那么将执行替换，并保留具有最优适应度值的个体继续向下演化；

步骤302：如果达到了所设定的量子趋化次数N_ch＝50，那么将进入量子繁殖操作周期，按照适应度的优劣对染色体进行排序，保留并复制处于序列前面(适应度比较好)的那一半染色体，并淘汰剩余的染色体；

所述的量子繁殖操作具体步骤为：将量子趋化过程中量子染色体的适应度值的累加和称作细菌健康度，定义如下：

$\mathrm{Jhealth}\left(i\right)=\underset{j=1}{\overset{N_{\mathrm{ch}}}{\mathrm{\Σ}}}\mathrm{fitness}(i,j);$

其中，Jhealth(i)指在一个生命周期内(即N_ch次趋化，N_ch为最大量子趋化操作次数)第i个细菌个体的健康度，fitness(i,j)定义为第j次趋化中细菌i的适应度。对各个细菌的健康度值进行计算和排序，健康度值较差的那一半细菌将全部淘汰掉，留下健康度值较好的那一半细菌且将其分裂成两个子细菌。子细菌具有与母细菌相同的生物特性(如位置和能量等)，也就是子代量子染色体需要继承上一代染色体的种群信息Q(g)和P(g)等；

步骤303：如果达到了所设定的量子繁殖次数N_re＝5，此时判断是否需要对当前的细菌实施量子迁徙操作，即生成一个随机概率，若随机概率比迁徙概率小，那么就要对细菌进行随机驱散，重新初始化被迁徙的细菌位置信息，并观测获得一个新的P(g)。再按照步骤202至步骤204所述的方法生成无干扰分配矩阵并计算适应度值，比较本代最优解和当前所保存的最优解，如果本代最优解优于当前所保存的最优解，那么将实行替换，利用具有最优适应度值的个体接着向下演化，否则将上一代种群的全部信息进行保存；

步骤304：如果算法收敛或是完成所设定的进化次数Gen＝N_ch·N_re·N_ed＝500，那么将得到最优解B(g)，进而把B(g)中所保存的二进制解映射为A的形式，即获得一种最佳频谱分配策略，此时终止算法，否则就继续循环执行步骤2。

实施例中该方案最后得到的无干扰分配矩阵为：

$A^{*}=\left[\begin{array}{ccc}0& 1& 0\\ 0& 0& 1\\ 1& 0& 0\\ 0& 1& 0\end{array}\right]$

即频谱A给次用户3使用，频谱B给次用户1和4使用，频谱C分配给次用户2使用，此时，网络收益最大。分别使用网络效益函数和比例公平性函数作为适应度函数与量子遗传算法进行对比，然后在不同的仿真次数下，将量子菌群算法与量子遗传算法、经典的颜色敏感图论着色算法进行了对比，从而验证方案的可行性，如图8、图9和图10所示，实验结果表明，本分配方法是有效的。

Claims (5)

1.基于无线传感器网络可靠感知的频谱共享方法，包含如下步骤：

步骤一：构建具有无线传感器辅助认知无线电网络，无线传感器网络结构采用能耗较小且鲁棒性较强的有融合中心的并行结构；

步骤二：融合中心根据最小距离的原则选择传感器节点参与频谱感知；

步骤三：融合中心向由步骤二所选出的传感器发送信息，接收到该信息的传感器节点则开始感知信道，没有收到信息的传感器则进入休眠状态；

步骤四：参与感知的传感器节点先独立以能量检测方式感知频谱，然后将各自所检测的结果0或1，以1bit信息发送给融合中心，融合中心按照“或”准则对收到的各个数据进行融合，最后由融合中心统一判决当前频谱状态；

步骤五：将频谱分配问题转换为图论着色的优化问题，根据无线传感器网络频谱感知结果，确定当前可用于分配的频谱资源，得到可用频谱矩阵L、效益矩阵B、干扰约束矩阵C；

步骤六：在当前可用于分配的频谱资源中引入量子菌群算法，用量子菌群算法中每个细菌的状态表示一种频谱分配策略，对细菌进行量子位编码，测量和更新；进而实现公平有效的分配机制，其又包括如下子步骤：

步骤1为在当前可用于分配的频谱资源中引入量子菌群算法，将细菌种群和位置信息分别编码成量子染色体和基因信息，并初始化参数；

步骤2：对细菌进行测量，将细菌测量值对应到无干扰分配矩阵A中，并进行适应度评估；

步骤3：对细菌依次实施量子趋化操作、量子繁殖操作、量子迁徙操作实现种群的更新，计算新的适应度值，保存较优适应度值及其对应的染色体，直至寻找到最优解，即目标频谱分配方案，实现公平有效的分配机制。

2.根据权利要求1所述的基于无线传感器网络可靠感知的频谱共享方法，其特征在于步骤二中的选择方法如下：

步骤1：根据系统所要求的虚警概率上限条件，计算出参与感知的传感器节点数量的上限；

步骤2：将各个无线传感器节点按照与融合中心的距离升序排列，优先选择距离最短的传感器节点进行感知，根据“或”准则下的联合检测概率的公式，计算其值，如果得到的联合检测概率满足所要求的约束条件，则终止算法；

步骤3：继续执行步骤2，直至参与感知的无线传感器节点的数目达到步骤一所述的上限。

3.根据权利要求1所述的基于无线传感器网络可靠感知的频谱共享方法，其步骤四中能量检测是先将信号通过一个低通滤波器滤除带外噪声和邻近信号，然后依次经过模/数转换器，平方器，N_c个抽样求和后，得到检测统计量Y，将其与预先设定的门限值进行比较；当所得的感兴趣的频段上的能量值大于门限值时，判定该频段上存在主用户，记作H₁，否则，判定该频段上仅有噪声，不存在主用户，记作H₀。

4.根据权利要求1所述的基于无线传感器网络可靠感知的频谱共享方法，步骤四中或准则为只要有一个传感器节点认为有信号存在时就最终判决主用户存在，否则判决主用户不存在。

5.根据权利要求1所述的基于无线传感器网络可靠感知的频谱共享方法，步骤五中所述的将频谱分配问题转换为图论着色问题，即假设网络中存在N个次用户，竞争M个相互正交的子频带，各个频带分别用0，1，···，M-1表示，次用户根据无线传感器频谱感知的结果可以获知周围的环境信息，其图论着色问题由可用频谱矩阵L、干扰矩阵C、无干扰分配矩阵A和效益矩阵B描述。