CN104469782A - 一种移动授权用户频谱检测与其地理位置估计方法与装置 - Google Patents

Abstract

本发明针对移动授权用户频谱感知与其地理位置信息估计问题，设计了一种联合频谱感知与授权用户位置估计方案。此法首次提出了一种自适应视野扩展方法，有效应对由授权用户位置不确定性及静默状态所造成的负面影响，提高了频谱感知性能。基于伯努利随机有限集及贝叶斯序贯估计框架，构造了一种全新的动态空间模型，并设计了一种三段式伯努利滤波机制，在检测授权用户工作状态的同时，估计其地理位置信息，从而显著提升频谱感知性能。同时，实现了时间、频率和空间的频谱复用，从而进一步优化后续频谱资源配置。

Description

一种移动授权用户频谱检测与其地理位置估计方法与装置

技术领域

本发明针对移动场景下的认知无线电(Cognitive Radio,CR)授权用户频谱检测问题，设计一种全新的授权用户工作状态与其地理位置信息的联合估计方法与装置。新方案在检测授权用户工作状态的同时，充分考虑由于其位置移动所带来的动态能量衰减，继而将未知授权用户位置信息纳入估计过程，建立起一种包含授权用户工作状态和其位置的动态空间模型(Dynamic State-space Model,DSM)。基于随机有限集理论，将授权用户工作状态和其动态位置信息建模成一个伯努利随机有限集(Bernoulli Random Finite Sets，BRFS)，并设计了一种与之适应的伯努利滤波机制，在实现感知授权用户工作状态的同时，亦可联合估计出其未知的地理位置信息。属于通信领域。

背景技术

随着无线业务的不断拓展，频谱资源的匮乏成为了无线通信系统亟待解决的重大难题。在此背景下，如何合理调配频谱资源并提高频谱资源利用率成为了未来无线业务发展的新方向。认知无线电作为一种频谱共享技术，能够动态地感知外部频谱环境，有效地利用频谱空穴，从时间、频率和空间多方面进行频谱复用，从而在不影响授权用户工作的同时，有效提高了频谱资源的利用率。因此，作为一种目前广受亲睐的新型无线通信技术，CR将为未来无线业务的发展提供了理论基础与实践。

然而，为了实现灵活高效的动态频谱接入，首先需设计优良的频谱感知方案，并解决高精度动态频谱检测难题。可以发现，频谱感知将是CR技术能否顺利实施的前提与保障，即只有获得了准确的频谱感知结果，CR系统才能良好运转。遗憾的是，伴随着无线业务的蓬勃发展，未来实际的CR应用场景(譬如LTE-A、LTE-U和802.11n)中，将不可避免地出现授权用户发生动态移动的复杂情形，无疑极大增大频谱感知算法的设计复杂度。

不难预见，现行的主流频谱感知算法已无法应对此类复杂CR应用场景，尤其考虑动态移动场景中，授权用户位置也会发生随机迁移，从而极大限度降低了频谱感知算法的检测精度；因此，如何设计频谱感知算法以克服上述动态未知因素，已成为一项迫在眉睫的难题。由于传统频谱感知算法主要着眼于广播电视频段等准静态应用场景，未能充分考虑时变位置所带来的负面影响，致使现有算法在类种接收能量亦呈动态波动的新场景中无法适用，事实上，动态移动场景下的感知算法还面临着另一个难题，即待跟踪授权用户工作状态的间断特性。具体来讲，在授权用户发射状态可能发生动态变换的CR场景下，授权用户位置跟踪也将变得异常复杂：显著区别于传统移动定位应用，授权用户发射信号时有时无，势必给定位算法设计带来前所未有的挑战。综上所述，移动场景下频谱感知包含了两个相互耦合、相互干扰的子任务，需要未知授权用户发射状态的情况下，实现其动态地理位置的估计与跟踪。据我们所知，目前尚无文献考虑上述动态移动场景中的授权用户频谱感知难题，更鲜有算法能同时解决上述联合估计与检测难题。

本发明首次考虑了在CR场景下授权用户工作状态与其动态位置信息的联合估计，所设计方法装置在检测授权用户工作状态的同时，亦能估计并跟踪其动态位置信息。基于动态空间模型(DSM)和伯努利随机有限集(BRFS)理论，本方案提出了一种联合授权用户工作状态及地理位置信息估计方法与装置，并集成设计了一种自适应视野扩展(Adaptive HorizonExpanding,AHE)机制。该方法主要基于伯努利滤波机制，包含了前向估计、后向更新及自适应视野扩展等三个阶段，通过数值方式，迭代估计出授权用户工作状态和地理位置信息的联合后验分布，从而基于最大后验概率准则，实现了对两个相互耦合未知量的联合估计。为了降低算法实现的复杂度，进一步引入粒子滤波(Particle Filtering,PF)机制，通过数值逼近的方法估计相关的概率分布函数。即使考虑复杂的移动CR场景，该方法亦能自适应地联合估计出授权用户工作状态及其未知地理位置信息，克服了频谱空闲时授权用户随机移动所造成的目标偏离；通过深入发掘了其位置动态特性，显著提高了移动场景下的频谱感知性能。与此同时，实现了授权用户空间位置的跟踪与检测，从而为时间、频率和空间全方位实现动态频谱接入提供了保证，极大提升了频谱资源的利用率，为后续未来CR系统设计提供了一种全新的思路。

发明内容

为了解决移动CR场景下联合授权用户频谱检测与地理位置估计问题，本发明基于伯努利随机有限集(BRFS)理论，提出了一种伯努利滤波算法和针对未知授权用户位置估计的自适应视野扩展(AHE)算法，设计了一种三阶段(即前向预测、后向更新和自适应视野(AHE))的联合授权用户频谱感知与动态位置跟踪估计的方法装置。新方案基于一种序贯估计理论，通过迭代方式联合获得了两个未知状态的最大后验概率估计，并通过自适应视野扩展(AHE)算法对授权用户静默状态带来的其地理位置估计偏差进行补偿。在检测授权用户工作状态的同时，对其移动位置进行动态估计与跟踪，极大地提高了频谱感知算法的准确性与稳定性；与此同时，对授权用户位置进行估计与检测，有望从空间上对认知频谱资源进行深度优化，从而极大提高了动态频谱资源的利用率。综上所述，新方案将对移动CR场景下的授权用户位置跟踪的解决提供了一种极具应用潜力的新方案。

本发明采用以下技术方案。

首先，将授权用户工作状态和位置信息作为两个未知状态，建立起一个通用的动态空间系统(DSM)模型，并针对两个未知状态的变化过程，将其统一建模为一个伯努利随机有限集(BRFS)。

其次，基于历史观测值，根据两个未知状态的动态先验转移特性，并执行前向预测，得到两个未知状态的联合先验概率分布。

之后，基于采样处理得到的当前观测值，并充分利用相关的似然分布，执行后向更新，获得授权用户工作状态和位置信息的后验概率分布。

然后，设计门限，估计出当前的授权用户的工作状态，并根据最大后验概率准则得出其位置信息。

最后，根据后向更新估计值及历史估计值，设计一种机制，判断位置是否需要进行自适应视野扩展(AHE)，并通过此算法得到的结果作为新的后验概率分布并重复上述步骤更新授权用户的工作状态及位置信息。

本发明优点包括：

1)本发明技术方案适用于授权用户随机移动场景下的频谱感知方法，区别于传统感知方案，新方案通过实现授权用户工作状态及其位置信息的联合估计，能有效应对授权用户位置不确定性给频谱感知算法造成的负面影响，继而显著提升频谱感知性能。

2)本发明所设计的CR场景下授权用户位置估计方案，基于伯努利随机有限集理论，结合贝叶斯估计原理，利用伯努利滤波机制，实现了对两个相互耦合未知参量的联合估计。

3)本发明设计的CR场景下授权用户位置估计方案，主要采用了三段式估计方法，在贝叶斯序贯原理框架的基础上，通过前向预测、后向更新及自适应视野扩展(AHE)三个阶段实现了对联合后验概率的估计。

4)本发明设计的CR场景下授权用户位置估计方案，采用了最大后验概率准则，通过上述算法估计出来的联合后验概率分布，依据其统计特性，实现最优估计。

5)本发明设计的伯努利滤波方案，采用了粒子滤波来数值逼近相关的后验分布，在降低实现复杂度的同时，也保证了估计量的渐进最优性。

6)本发明设计的自适应视野扩展(AHE)算法，与伯努利滤波算法完美结合，弥补了静默期(即授权用户处于休眠状态，而感知节点接收信号中不包含任何授权用户位置信息)所带来的授权用户位置跟踪误差，因而也保证了整体方案的稳定性。

7)本发明设计的CR场景下授权用户位置估计方案，在不改变授权用户发射端的机制的情况下，实现了对授权用户位置跟踪，从而从时间、频率和空间三方面实现了对频率资源的复用。

附图说明

图1移动场景下授权用户频谱检测与地理位置估计方案原理图。

图2授权用户位置跟踪线路与跟踪误差对比图。

图3授权用户位置估计的RMSE性能曲线。

图4授权用户工作状态的性能曲线。

具体实施方式

本发明设计的移动CR场景下授权用户位置估计方案的动态空间模型(DSM)，采用随机有限集理论，设计一种三阶段伯努利滤波算法，采用粒子滤波技术，实现了授权用户工作状态和位置信息的联合估计。下面分别阐述相关的方法与理论。

1.动态空间模型(DSM)

本发明所提出的DSM模型如下所示：

s_n＝F(s_n-1)   (1)

$z_{n,\mathrm{su}}=G(\stackrel{\→}{X_n},s_n,w_{n,\mathrm{su},m})---\left(3\right)$

其中，式(1)、(2)为两个动态方程，s_n表示第n时刻授权用户工作状态，表示第n时刻授权用户的位置信息及n-1时刻速度信息，wv_n表示n时刻速度大小变化到下一时刻的叠加干扰，服从高斯分布，其方差记为σ_wv ²；β_n表示n时刻速度方向变化到下一时刻的叠加干扰，服从拉普拉斯分布，其位置参数为0，尺度参数为βb_n；式(3)为认知用户的观测方程，其中z_n,su表示n时刻各个认知设备的观测量，w_n,su,m则表示n时刻各个认知设备观测叠加的白高斯噪声，其方差记为σ_w ²，m表示一个采样周期内的采样时刻。在上述DSM模型中，F(·)、L(·)和分别表示两个未知参数所对应的状态转移函数；G(·)则表示认知系统的观测函数，与实际特定的感知方案有关。下面将针对上述模型进行详细介绍。

(a)为了能够更加实际地表示观测周期内授权用户的工作状态(或授权频段是否被占用)，可将授权用户状态s_n看作0，1属性的随机变量s_n∈{0,1}，该存在变量s_n为1时，则表示授权频段被占用；而当存在变量s_n为0时，则表示授权频段空闲。实际中，授权用户工作状态可建模为一个生命过程，其状态转移概率矩阵(TPM)为：

$\mathrm{\Π}=\left[\begin{array}{cc}(1-p_b)& p_b\\ (1-p_s)& p_s\end{array}\right]---\left(4\right)$

其中，p_b＝Pr{ε_n+1＝1|ε_n＝0}表示出生概率(the probability of birth)；p_s＝Pr{ε_n+1＝1|ε_n＝1}则为生存概率(the probability of survival)。根据生命过程法则，p_b、p_s会根据授权用户连续工作时间或者静默时间的影响而变化。

$p_b=\frac{\mathrm{\μ}}{\mathrm{\μ}+\mathrm{\λ}}-\frac{\mathrm{\μ}}{\mathrm{\μ}+\mathrm{\λ}}\·e^{-(\mathrm{\μ}+\mathrm{\λ})t}---\left(5\right)$

$p_s=\frac{\mathrm{\μ}}{\mathrm{\μ}+\mathrm{\λ}}+\frac{\mathrm{\λ}}{\mathrm{\μ}+\mathrm{\λ}}\·e^{-(\mathrm{\μ}+\mathrm{\λ})t}---\left(6\right)$

注意，μ为授权用户静默时间期望的倒数，λ为授权用户连续工作时间期望的倒数。由式(5)、(6)得出授权用户出生概率的大小和静默时间成反比，其生存概率与工作时间成反比。由此可见生命过程模型符合实际CR场景下授权用户的工作模式。

(b)上述DSM模型中，采用离散状态马尔科夫链(Discrete State Markov Chain,DSMC)模型刻画实际授权用户的位置信息。为了方便起见，授权用户位置信息的转移过程表示如下。其中，为当前授权用户的状态向量，包含了当前的时刻授权用户的位置坐标x_n,y_n以及上一时刻速度信息v_n-1和移动方向b_n-1。其中位置变化如下所示：

x_n＝x_n-1+v_n-1·cos(b_n-1)   (7)

y_n＝y_n-1+v_n-1·sin(b_n-1)   (8)

速度大小与方向变化均服从马尔科夫过程，如下所示：

v_n＝v_n-1+wv_n-1   (9)

b_n＝b_n-1+β_n-1   (10)

(c)在上述DSM模型中，需将两个相互耦合的未知参量纳入观测量z_n,su中，以便实现后验估计，为了分析方便，本发明将采用实现方法最简单的周期性能量检测(EnergyDetection，ED)方案，即可对感知周期内的采样信号能量进行累计求和而获得，如下所示：

$z_{n,\mathrm{su}}\stackrel{\mathrm{\Δ}}{=}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{(\frac{s_n{d}_{n,m}}{r_{n,\mathrm{su},m}}+w_{n,\mathrm{su},m})}^2=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{m=1}^M{w_{n,\mathrm{su},m}}^2& H_0\\ {\mathrm{\Σ}}_{m=1}^M{(\frac{d_{n,m}}{r_{n,\mathrm{su},m}}+w_{n,\mathrm{su},m})}^2& H_1\end{array}\right.---\left(11\right)$

其中M表示感知周期T_s内的采样点数；H₁和H₀分别表示存在授权用户信号与不存在授权用户信号时的两种假设检验；d_n,m则表示当授权用户工作时的授权用户信号样值；r_n,su,m则表示当前采样时刻授权用户分别与不同认知用户之间的距离。

由上式可得，当授权用户处于空闲状态时(即s_n＝0)，z_n,su服从自由度为M的中心卡方分布(假设所考虑的信号均为实信号)；而当授权用户处于工作状态时(即s_n＝1)，z_n,su服从参数为η的非中心卡方分布：

其中，非中心参数与当前授权用户位置信息以及授权用户的发射功率(或方差)有关。

2.伯努利随机有限集(BRFS)

上述动态空间模型(DSM)中两个未知参量正好满足建立伯努利随机有限集的条件，于是我们可以将其建模为一个BRFS，记为关于随机有限集理论，可以翻阅近些年的资料，在此不做赘述。当授权用户处于空闲状态时，该伯努利随机有限集为空集即不包含任何元素；而当授权用户处于工作状态时，则该伯努利随机有限集包含单个元素，即有其中 $\stackrel{\→}{X_n}=[x_n,v_{n-1},y_n,b_{n-1}{]}^T.$

对于CR场景而言，伯努利随机有限集的元素个数只能取值为0或1，即联合上述两个未知参数的状态转移过程，此伯努利随机有限集的转移过程可由以下转移分布函数所描述：

其中，表示授权用户位置速度信息的转移概率，可由式(7)(8)(9)(10)确定。

3.基于自适应视野扩展(AHE)的联合估计算法

基于上述随机有限集理论，本文以贝叶斯序贯理论为框架，充分利用系统的动态特性、观测方程及当前和历史观测值，在检测到授权用户工作状态的同时，实现了对其位置信息的估计。然而我们发现对于伯努利随机有限集而言，其联合后验分布可由两个随机变量的后验分布所构成，即目标存在后验分布q_n|n以及时的状态空间后验分布 $f_{n|n}\left(\stackrel{\→}{X_n}\right).$

作为一种可实现序贯贝叶斯估计的方案，新方案可通过预测-更新-自适应视野扩展(AHE)三阶段迭代，以一种高效的迭代方法联合估计出目标存在后验分布q_n|n以及状态空间后验分布

1)预测阶段当给定n-1时刻后验概率分布时，预测过程可写成：

(1)当时，式(15)可进一步简化为式(16)，可得预测获得的待检目标由两部分构成，即出生新目标与幸存旧目标；前者由目标不存在概率与出生概率确定，后者则由目标存在概率以及幸存概率构成。

注意，式(16)左边等价于(1-q_n|n-1)。经化简可获得存在概率预测方程如式(17)所示。

q_n|n-1＝1-[(1-p_b)(1-q_n-1|n-1)+(1-p_s)q_n-1|n-1]

＝p_b(1-q_n-1|n-1)+p_sq_n-1|n-1           (17)

(2)当时，式(15)可简化为式(18)：

同理，式(18)左边可等效表示为稍加处理后便可获得关于空间分布概率函数的预测方程如式(19)所示：

$f_{n|n-1}\left(\stackrel{\→}{X_n}\right)=\frac{p_b(1-q_{n-1|n-1})b_{n|n-1}\left(\stackrel{\→}{X_n}\right)}{q_{n|n-1}}+\frac{p_s{q}_{n-1|n-1}{\∫\mathrm{\π}}_{n-1|n-1}\left(\stackrel{\→}{X_n}\right|\stackrel{\→}{X_{n-1}})f_{n-1|n-1}\left(\stackrel{\→}{X_n}\right)d\stackrel{\→}{X_{n-1}}}{q_{n|n-1}}---\left(19\right)$

预测空间分布亦由两部分所构成。第一部分称为出生分量，其由出生分布、出生概率和目标不存在概率构成，第二部分称为幸存分量，它与标准Chapman-Kolmogorov预测量、目标存在概率和幸存概率构成。

在上述两个预测分布的基础上，结合n时刻观测向量与相应似然函数，我们即可通过更新阶段得到n时刻目标存在后验分布q_n|n以及时的状态空间后验分布 $f_{n|n}\left(\stackrel{\→}{X_n}\right).$

2)更新阶段与预测阶段相类似，更新阶段将分别考虑两种特殊情况。当时，更新方程可进一步表示为：

基于Chapman-Kolmogorov和集合积分操作，则上述更新项中的分母项可表示为：

即：

基于上式，并进一步考虑恒等关系可最终得到关于存在后验分布q_n|n的迭代估计方程，如下所示：

为了方便分析起见，可定义两种假设检验下的似然比

则q_n|n可进一步简化为：

$q_{n|n}=\frac{q_{n|n-1}{\∫v}_n\left(z_n\right|\stackrel{\→}{X_n})f_{n|n-1}\left(\stackrel{\→}{X_n}\right)d\stackrel{\→}{X_n}}{(1-q_{n|n-1})+q_{n|n-1}{\∫v}_n\left(z_n\right|\stackrel{\→}{X_n})f_{n|n-1}\left(\stackrel{\→}{X_n}\right)d\stackrel{\→}{X_n}}---\left(24\right)$

之后再考虑另一种情况考虑到恒等约束关系并经过化简即可得到关于空间概率密度函数的估计方程，如下式所示：

$f_{n|n}\left(\stackrel{\→}{X_n}\right)=\frac{1}{q_{n|n}}\×\frac{q_{n|n-1}{v}_n\left(y_n\right|\stackrel{\→}{X_n})f_{n|n-1}\left(\stackrel{\→}{X_n}\right)}{(1-q_{n|n-1})+q_{n|n-1}{\∫v}_n\left(y_n\right|\stackrel{\→}{X_n})f_{n|n-1}\left(\stackrel{\→}{X_n}\right)d\stackrel{\→}{X_n}}---\left(25\right)$

经化简，即可得到贝叶斯序贯框架下的状态空间后验分布为：

3)自适应视野扩展(AHE)大量实验表明，移动CR场景中，授权用户位置工作状态分为两种情况，即连续工作状态和静默状态。当授权用户处于连续工作时，即频谱资源一直被占用，所以认知用户可连续获得来自授权用户发射端的信息，并基于观测值(包含了授权用户信息)通过上述算法得到两个未知参量的联合后验概率分布函数，进而估计出当前时刻授权用户工作状态和位置信息。因此，在此种情况下，本算法不会出现误差积累，可时刻跟踪授权用户的地理方位信息。然而，当授权用户处于静默状态时，此方案将遇到难题。当授权用户处于静默期时，致使当前时刻认知用户无法获得授权用户的未知有用信息(接受信号为信道噪声)，导致授权用户未知估计产生巨大误差，并会累计到下一时刻的序贯估计与感知中，从而使动态授权用户位置的估计与跟踪变得异常困难。这种累计误差不仅影响了对授权用户工作状态的精确检测，极大降低了频谱感知性能，同时也显著增加了其位置估计与跟踪的不确定性，甚至导致跟踪失败。

为了进一步解决授权用户静默状态导致的一系列估计难题，本发明首次设计了一种自适应视野扩展(AHE)算法，以实现对授权用户位置的动态估计跟踪与及时修正。具体实施如下：

自适应视野扩展(AHE)的核心思想是在静默状态结束之后，及时根据静默状态的持续时间，自适应地调整下一次授权用户位置估计的先验性搜索视野范围，通过这种自适应视野扩展范围内估计下一次授权用户位置，有效消除了由静默工作状态所导致的估计误差。本算法以贝叶斯序贯估计理论框架为依托，所以根据其历史观测值和历史的估计记录先设置一个计数器c_n，记录连续出现频谱空闲的时刻次数，这样即可根据静默状态的持续时间确定后期位置不确定性及其搜索范围。

在授权用户处于静默期时，即两个相邻的工作时刻(记录两时刻的时间差为c_n)之间，授权用户处于空闲状态。由上文可知，当前观测值(只包含噪声)为无效观测值，这样就会出现误差积累。当出现这种情况时，在后一工作时刻，需要对其带入的上一时刻的相关函数和动态方程进行更改，改变相关函数，扩大其动态范围，之后进行重新迭代估计。更改方案如下:

$x_n=x_{n-c_n}+(c_n{v}_{n-c_n}+{\mathrm{larv}}_n\·{\mathrm{wv}}_n)\·\cos (b_{n-c_n}+{\mathrm{larb}}_n\·{\mathrm{\βb}}_n)---\left(27\right)$

$y_n=x_{n-c_n}+(c_n{v}_{n-c_n}+{\mathrm{larv}}_n\·{\mathrm{wv}}_n)\·\sin (b_{n-c_n}+{\mathrm{larb}}_n\·{\mathrm{\βb}}_n)---\left(28\right)$

$v_n=v_{n-c_n}+{\mathrm{larv}}_n\·{\mathrm{wv}}_{n-c_n}---\left(29\right)$

$b_n=b_{n-c_n}+{\mathrm{larb}}_n\·{\mathrm{\β}}_{n-c_n}---\left(30\right)$

注意，larv_n和larb_n分别表示速度大小和方向经c_n时刻后改变的方差扩展参数，即扩大动态范围；为静默期前一时刻估计出来的授权用户工作状态信息，结合新的位置状态转移函数，可将其重新带入到预测阶段和更新阶段估计出授权用户工作状态及位置信息。经过自适应视野扩展(AHE)算法后，由静默期造成的跟踪误差累计将被减少，进而使授权用户的位置跟踪得到优化补偿。

经过这三阶段后，便能得出有关伯努利随机有限集中的两个关键性后验分布，即存在性后验分布q_n|n和空间概率密度函数的序贯更新方程；进一步结合上述两个后验分布的方程，获得伯努利随机有限集的贝叶斯估计量。从而在实现对未知授权用户工作状态检测的同时，以一种全盲方式对授权用户的位置进行跟踪。

由于新算法的复杂度较高，为了降低算法复杂度，我们采用基于重要性函数的粒子滤波技术。具体而言，基于粒子滤波的伯努利滤波算法(亦称为伯努利粒子滤波算法)主要包括以下四个步骤：(1)设计相应的重要性函数，并据此模拟随机产生粒子；(2)更新粒子对应的概率权重；(3)将权重归一化，为避免粒子退化进行重采样；(4)利用模拟得到的离散粒子，计算相关的后验或预测分布。

在得到伯努利随机有限集的贝叶斯序贯估计量之后，可得到的后验存在性分布函数和空间概率分布函数，通过最大后验概率准则得到授权用户位置信息：

同时，设置门限γ，并将其与估计得到的后验存在性分布函数q_n|n相比较，即可获得关于未知授权用户工作状态的估计，即有：

${\hat{s}}_n=\left\{\begin{array}{cc}1,& \mathrm{if}{q}_{n|n}>\mathrm{\γ}\\ 0,& \mathrm{if}{q}_{n|n}\≤\mathrm{\γ}\end{array}\right.---\left(32\right)$

本发明所设计的估计方案主要基于贝叶斯准则，区别与传统的纽曼-皮尔逊准则，在实验仿真中，我们将检测到的真实概率值作为频谱感知算法的准确性，而非单纯的检测概率，需要注意，本方案的总体检测概率P_D定义为1-P(H₁)×P(H₀|H₁)-P(H₀)×P(H₁|H₀)。与此同时，将授权用户位置估计的均方根误差(Root-Mean-Square Error，RMSE)作为跟踪准确性的衡量标准。

实验仿真中，参数设置如下：授权用户连续工作时间和静默期的期望分别为5时刻和4时刻，采样点数设置为M＝100，200，认知用户个数su＝4，且信道噪声方差已准确获知，授权用户速度大小方向均服从马尔科夫过程且转移的叠加噪声方差及其服从分布已知。为了方便起见，将四个认知用户位置固定于点(0,0)、(0,100)、(100,0)、(100,100)，授权用户从(10,0)点出发，以已知速度行进。

如图3,4所示，为仿真得到的授权用户位置信息RMSE性能曲线及工作状态性能曲线。随着频谱感知性能的增加，授权用户的地理位置信息估计也将变得越来越准确。当认知用户接收信噪比达0db时，授权用户正确检测概率将达到100％；与此同时，授权用户位置跟踪误差也会呈现出迅速下降的态势。图2为授权用户跟踪路线与跟踪误差对比图。此图表明，当授权用户处于静默状态时，目标地理位置估计曲线会慢慢偏离实际曲线，然而当授权用户再次进入工作状态后，其跟踪误差会慢慢缩小，从而证明了自适应视野扩展算法(AHE)的有效性。除此以外，在授权用户处于静默状态时，本方案通过其状态方程的先验转移函数估算出的地理位置信息，适当减少了目标位置的跟踪误差。从整体效果来看，当观测能量累计时间M＝100，接收信噪比为25db时，位置均方根误差能达到0.5568m。

Claims (8)

1.一种移动授权用户频谱检测与其地理位置估计方法与装置，在估计出授权用户工作状态的同时，联合估计出授权用户地理位置信息。其特征在于：在复杂的移动CR场景下，设计一种新算法，能有效应对授权用户位置不确定性给频谱感知算法造成的负面影响，继而提高频谱感知性能。

2.根据权利要求1所述的移动授权用户频谱检测与其地理位置估计方法与装置，其特征在于：设计一种移动授权用户频谱感知系统模型，借动态状态空间模型来有效描述感知过程中涉及的两个未知相关耦合量，即授权用户工作状态和其地理位置信息。

3.根据权利要求2所述的移动授权用户频谱感知系统模型，其特征在于：新建立的频谱感知系统模型充分考虑授权用户的随机移动性，实现对其地理位置信息的检测，在提高频谱感知性能的同时，从时间、频率和空间三个维度，实现了频谱复用，继而为后续频谱资源调度提供保证。

4.根据权利要求2所述的移动授权用户频谱感知系统模型，其特征在于：新建立的频谱感知系统模型具备良好的通用性，对于其他具有非授权工作特性的通信系统装置，该方法也同样适用，其中包括时变衰落信道响应、未知授权用户调制方式、未知授权用户发射动态功率等。

5.根据权利要求1所述的移动场景下授权用户频谱监测与地理位置估计方法与装置：所设计的联合估计与检测方法主要基于最大后验概率思想实现对上述两个未知状态的贝叶斯最优估计。

6.根据权利要求5所述的联合估计与检测实现方法：新设计的算法基于随机有限集统计推理框架及自适应视野扩展算法(AHE)，集成了三阶段递推的伯努利滤波机制，通过前向预测(predict)和后向更新(update)及自适应视野扩展(AHE)三个步骤，实现了对授权用户状态与其位置信息联的合后验概率的迭代估计。

7.根据权利要求5所述的伯努利滤波机制实现方法，其特征在于：采用粒子滤波算法对伯努利随机有限集的计算过程(譬如积分)进行离散求和逼近，结合粒子滤波理论，降低伯努利滤波机制实现的复杂度。

8.根据权利要求5所述的自适应视野扩展算法(AHE)，其特征在于：弥补了静默期(即授权用户处于休眠状态，感知节点接收信号中不包含任何授权用户位置信息)所带来授权用户的位置跟踪误差，首次提出了一种位置误差补偿算法，基于序贯估计理论，减少了其由于授权用户静默状态带来的累计误差。