CN104994511A - 认知无线电系统中基于合作感知的授权用户参数估计方法 - Google Patents

Abstract

认知无线电系统中基于合作感知的授权用户参数估计方法，涉及认知无线电通信系统中的参数估计领域。它为了解决认知无线电系统中认知用户在低信噪比条件下对授权用户参数进行估计的问题。在合作检测的基础上，利用隐式马尔可夫模型描述授权系统中授权用户繁忙与空闲状态变化过程，使得隐式马尔可夫模型中隐藏状态转移概率矩阵由授权系统中授权用户到达率与服务率来表示。每个认知用户将检测结果传送至认知基站，基站通过“或准则”对收集到的数据进行处理，得出最终检测结果。最后采用Baum-Welsh算法估计隐式马尔可夫模型，获得隐藏状态转移概率矩阵和混淆矩阵，从而估计出授权系统中到达率与服务率参数。本发明适用于认知无线电系统中。

Description

认知无线电系统中基于合作感知的授权用户参数估计方法

技术领域

本发明涉及认知无线电通信系统中的参数估计领域，具体涉及一种基于合作感知方法的授权用户参数估计方法。

背景技术

在认知无线电通信系统中，授权用户对授权频段具有优先接入权，只有当授权用户处于空闲状态时，认知用户才能接入空闲信道进行数据传输。因此，这种通信机制要求认知用户具有感知能力，即感知授权用户所处状态(空闲或者繁忙)。认知用户感知能力主要通过检测概率和虚警概率来体现。检测概率越高，虚警概率越低，则说明认知用户感知能力越强。然而，对于单个认知用户感知而言，由于位置、多径、阴影等因素的影响，感知结果并不理想。例如，如若在授权用户和认知用户之间存在高山或者建筑物，那么认知用户很难感知到授权用户的存在。所以，如若位于不同位置的认知用户同时进行频谱感知，然后再由认知基站对这些结果进行处理，则能够明显地提高感知能力，从而减少感知错误而带来的损失。另外，即使认知用户能够在空闲信道上进行数据传输，但是当授权用户出现时也要退出该信道。此时，认知用户需要选择别的空闲信道继续传输数据，即频谱切换。而在选择切换策略时，还要考虑授权用户参数值。所以，对于授权用户参数估计是最优化频谱切换的关键。基于上述分析，本发明在合作检测基础上利用隐式马尔可夫模型对授权用户参数进行估计。

发明内容

本发明为了解决认知无线电系统中认知用户在低信噪比条件下对授权用户参数进行估计的问题以及解决现有的认知无线电频谱切换中存在的问题(认知用户通过假定或者长期统计来获取授权用户参数，而没有即时的、有效的估计方法)，从而提出了一种认知无线电系统中基于合作感知的授权用户参数估计方法。该方法能够克服位置、多径、阴影等因素的影响，准确地估计授权用户参数。

认知无线电系统中基于合作感知的授权用户参数估计方法，它由以下步骤实现：

步骤一、利用排队模型对每条授权信道进行建模与分析，假设授权用户到达率服从泊松分布，窗口服务率满足指数分布，每个信道同一时刻仅有一个窗口进行服务，信道缓存容量为授权用户遵从“先到先服务”原则。设表示授权信道所处的状态，即授权系统中授权用户的数量。当时，λ_c表示授权信道状态从c到c+1的到达率；当时，μ_c表示授权信道状态从c到c-1的服务率。此时，令授权用户稳定的信道状态概率分布如下，

步骤二、利用隐式马尔可夫模型θ＝(R,E,π)来分析授权用户信道繁忙与空闲的变化过程。R表示隐藏状态转移概率矩阵，E表示混淆矩阵，π表示授权用户初始状态概率分布。将授权用户对于信道的真实使用情况视为隐藏状态，1示繁忙，0示空闲；而认知用户检测结果视为可观测序列，1示检测结果为繁忙，0示检测结果为空闲。因此，隐藏状态转移概率矩阵可以表示为，

$R=\left[\begin{array}{cc}{r}_{00}& r_{01}\\ r_{10}& r_{11}\end{array}\right]$

其中，r_ij(i,j∈{0,1})表示授权用户由状态i到状态的转移概率，并且满足∑_ir_ij＝1和∑_jr_ij＝1。根据排队论模型，单位时间内授权用户的状态转移概率可以表示为如下表达式，

步骤三、利用合作感知方法计算认知用户对授权用户的检测概率和虚警概率。假设认知无线电系统中存在M个用户，所有用户将检测检测传送至认知基站，基站通过“或准则”对接收到的数据进行处理，从而得出最终检测结果。用分别表示认知用户m单独进行检测时检测概率与虚警概率。根据“或准则”可以最终检测概率与虚警概率的表达式，

$\left\{\begin{array}{c}{P}_d=1-\underset{m=1}{\overset{M}{\Π}}\left(1-P_d^m\right)\\ P_f=1-\underset{m=1}{\overset{M}{\Π}}\left(1-P_f^m\right)\end{array}\right.$

步骤四、在第三步的基础上，根据合作感知方法的检测概率和虚警概率来表示混淆矩阵，

$E=\left[\begin{array}{cc}{e}_{00}& e_{01}\\ e_{10}& e_{11}\end{array}\right]$

其中，e_jk(j,k∈{0,1})表示授权用户处于j状态而检测结果为k的概率，也就是隐藏状态为j而可观测序列值为k的概率，满足条件∑_je_jk＝1和∑_ke_jk＝1。当j＝0,k＝0时，表示授权信道空闲，检测结果也为空闲，那么e₀₀＝1-P_f。因此，按照同样的方式，可以得到如下的混淆矩阵，

$E=\left[\begin{array}{cc}\underset{m=1}{\overset{M}{\Π}}\left(1-P_f^m\right)& 1-\underset{m=1}{\overset{M}{\Π}}\left(1-P_f^m\right)\\ \underset{m=1}{\overset{M}{\Π}}\left(1-P_d^m\right)& 1-\underset{m=1}{\overset{M}{\Π}}\left(1-P_d^m\right)\end{array}\right]$

步骤五、通过以上四步，已经获得了隐式马尔可夫模型重要参数表达式，下面将利用Baum-Welsh算法对隐式马尔可夫模型θ＝(R,E,π)进行估计。估计方法表达式如下，

其中，T表示对隐式马尔可夫模型进行估计时所用到的合作感知次数，也就是时隙数，因为认知用户每个时隙均需要对授权用户进行频谱检测；表示初始时刻授权用户状态概率分布；V_t表示t时刻最终检测结果；表示从状态i发生转移的平均时隙数；表示从状态i转移到状态j的平均时隙数；从而可以获得隐式马尔可夫模型的估计值 $\stackrel{\‾}{\mathrm{\θ}}=\left(\stackrel{\‾}{R},\stackrel{\‾}{E},\stackrel{\‾}{\mathrm{\π}}\right).$

步骤六、根据步骤五所获得的估计值，利用下面方程，即可获得授权用户参数的估计值。

$\left\{\begin{array}{c}{r}_{01}={\stackrel{\‾}{r}}_{01}\\ r_{10}={\stackrel{\‾}{r}}_{10}\end{array}\right..$

本发明具有以下有益效果：本发明利用排队模型分析授权用户系统，假设授权用户到达率服从泊松分布，每条信道上同一时刻仅有一个窗口为授权用户提供服务，服务率满足指数分布，并且信道缓存容量有限；然后在此基础上，认知用户通过合作感知方法对授权用户信道使用状况进行感知；最后利用Baum-Welsh算法估计授权用户参数。本发明解决了认知无线电中认知用户频谱切换时授权用户参数估计问题。本发明能够克服位置、多径、阴影等不利因素，感知授权用户信道使用情况，估计授权用户参数。继而为认知用户自适应选择频谱切换策略提供了依据，降低了频谱切换失败的概率，与此同时，减少了认知用户切换失败对授权用户的影响，从而优化认知用户频谱切换的效益。

本发明中，认知用户利用合作感知方法检测授权信道使用情况，即每个认知用户将检测结果传送至认知基站，基站通过“或准则”对收集到的数据进行处理，得出最终检测结果。在低信噪比条件下，合作感知方法提高了检测概率。在合作检测的基础上，利用隐式马尔可夫模型描述授权系统中授权用户繁忙与空闲状态变化过程，使得隐式马尔可夫模型中隐藏状态转移概率矩阵由授权系统中授权用户到达率与服务率来表示。最后采用Baum-Welsh算法估计隐式马尔可夫模型，获得隐藏状态转移概率矩阵和混淆矩阵，从而估计出授权系统中到达率与服务率参数。本发明提出的授权用户参数估计方法不仅能够检测出授权用户的真实状态，而且还能估计出到达率与服务率参数。为认知用户进行自适应频谱切换提供了可靠地依据，降低了切换的损失，减少了对授权用户的影响。本发明适用于认知无线电系统中。

附图说明

图1是本发明中合作感知模型示意图。

图2是本发明中仿真试验图，横轴“Number of detection time slots T”表示检测时隙数；纵轴“Values of elements in R”表示矩阵R中元素的值；r₀₁(True)、r₀₁(Estimated)分别表示r₀₁和r₁₀(True)、r₁₀(Estimated)分别表示r₁₀和

图3是本发明中仿真试验图，横轴表示检测时隙数；纵轴表示估计误差；m表示参与合作检测的认知用户数目。

具体实施方式

结合图1说明本发明具体实施方式，认知无线电系统中基于合作感知的授权用户参数估计方法，它由以下步骤实现：

步骤一、利用排队模型对每条授权信道进行建模与分析，假设授权用户到达率服从泊松分布，窗口服务率满足指数分布，每个信道同一时刻仅有一个窗口进行服务，信道缓存容量为授权用户遵从“先到先服务”原则。设表示授权信道所处的状态，即授权系统中授权用户的数量。当时，λ_c表示授权信道状态从c到c+1的到达率；当时，μ_c表示授权信道状态从c到c-1的服务率。此时，令授权用户稳定的信道状态概率分布如下，

步骤二、利用隐式马尔可夫模型θ＝(R,E,π)来分析授权用户信道繁忙与空闲的变化过程。R表示隐藏状态转移概率矩阵，E表示混淆矩阵，π表示授权用户初始状态概率分布。将授权用户对于信道的真实使用情况视为隐藏状态，1示繁忙，0示空闲；而认知用户检测结果视为可观测序列，1示检测结果为繁忙，0示检测结果为空闲。因此，隐藏状态转移概率矩阵可以表示为，

$R=\left[\begin{array}{cc}{r}_{00}& r_{01}\\ r_{10}& r_{11}\end{array}\right]$

其中，r_ij(i,j∈{0,1})表示授权用户由状态i到状态的转移概率，并且满足∑_ir_ij＝1和∑_jr_ij＝1。根据排队论模型，单位时间内授权用户的状态转移概率可以表示为如下表达式，

步骤三、利用合作感知方法计算认知用户对授权用户的检测概率和虚警概率。假设认知无线电系统中存在M个用户，所有用户将检测检测传送至认知基站，基站通过“或准则”对接收到的数据进行处理，从而得出最终检测结果。用分别表示认知用户m单独进行检测时检测概率与虚警概率。根据“或准则”可以最终检测概率与虚警概率的表达式，

$\left\{\begin{array}{c}{P}_d=1-\underset{m=1}{\overset{M}{\Π}}\left(1-P_d^m\right)\\ P_f=1-\underset{m=1}{\overset{M}{\Π}}\left(1-P_f^m\right)\end{array}\right.$

步骤四、在第三步的基础上，根据合作感知方法的检测概率和虚警概率来表示混淆矩阵，

$E=\left[\begin{array}{cc}{e}_{00}& e_{01}\\ e_{10}& e_{11}\end{array}\right]$

其中，e_jk(j,k∈{0,1})表示授权用户处于j状态而检测结果为k的概率，也就是隐藏状态为j而可观测序列值为k的概率，满足条件∑_je_jk＝1和∑_ke_jk＝1。当j＝0,k＝0时，表示授权信道空闲，检测结果也为空闲，那么e₀₀＝1-P_f。因此，按照同样的方式，可以得到如下的混淆矩阵，

$E=\left[\begin{array}{cc}\underset{m=1}{\overset{M}{\Π}}\left(1-P_f^m\right)& 1-\underset{m=1}{\overset{M}{\Π}}\left(1-P_f^m\right)\\ \underset{m=1}{\overset{M}{\Π}}\left(1-P_d^m\right)& 1-\underset{m=1}{\overset{M}{\Π}}\left(1-P_d^m\right)\end{array}\right]$

步骤五、通过以上四步，已经获得了隐式马尔可夫模型重要参数表达式，下面将利用Baum-Welsh算法对隐式马尔可夫模型θ＝(R,E,π)进行估计。估计方法表达式如下，

其中，T表示对隐式马尔可夫模型进行估计时所用到的合作感知次数，也就是时隙数，因为认知用户每个时隙均需要对授权用户进行频谱检测；表示初始时刻授权用户状态概率分布；V_t表示t时刻最终检测结果；表示从状态i发生转移的平均时隙数；表示从状态i转移到状态j的平均时隙数；从而可以获得隐式马尔可夫模型的估计值 $\stackrel{\‾}{\mathrm{\θ}}=\left(\stackrel{\‾}{R},\stackrel{\‾}{E},\stackrel{\‾}{\mathrm{\π}}\right).$

步骤六、根据步骤五所获得的估计值，利用下面方程，即可获得授权用户参数的估计值。

$\left\{\begin{array}{c}{r}_{01}={\stackrel{\‾}{r}}_{01}\\ r_{10}={\stackrel{\‾}{r}}_{10}\end{array}\right.$

对本发明方法的试验或仿真试验：

在本发明试验中，假设通信系统稳定，各个信道上授权用户队列模型是稳定的，认知用户利用检测得到可观测序列值估计隐式马尔可夫模型参数。对于稳定的授权系统而言，其到达率与服务率在一个时隙内是相对稳定的。模型参数训练完成之后，认知用户以后每个时隙更新估计值，从而为频谱切换提供依据。图2讨论参与训练的频谱感知时隙数对参数估计精确度的影响。如图所示，随着时隙数增加，也就是可观测序列值的数量增加，估计值逐渐收敛于真实值。当T≥2000时，参数估计收敛程度较好。因此，认知用户可以根据自身存储容量与估计精度要求来选择一个合适的可观测序列长度。图3讨论参与合作感知的用户数量与估计误差的关系。如图2和3所示，随着参与合作感知的认知用户数量的增加，估计误差逐渐变，估计效果逐渐变好。综上所述，本发明能够很好地估计授权用户参数，并且随着检测的时隙数和参与合作感知的认知用户数量的增加，估计误差逐渐减小，估计的效果逐渐变好。因此，本发明能够克服位置、多径、阴影等不利因素所导致的低信噪比情况，感知授权用户信道使用情况，估计授权用户参数。

Claims (1)

1.一种认知无线电系统中基于合作感知的授权用户参数估计方法，其特征在于：所述方法由以下步骤实现：

步骤一、利用排队模型对每条授权信道进行建模与分析：

假设授权用户到达率服从泊松分布，窗口服务率满足指数分布，每个信道同一时刻仅有一个窗口进行服务，信道缓存容量为授权用户遵从“先到先服务”原则；设表示授权信道所处的状态，即授权系统中授权用户的数量；

当时，λ_c表示授权信道状态从c到c+1的到达率；当时，μ_c表示授权信道状态从c到c-1的服务率；

令授权用户稳定的信道状态概率分布如下，

其中，P_c表示授权系统处于状态c的概率，满足∑_cP_c＝1；

步骤二、利用隐式马尔可夫模型θ＝(R,E,π)来分析授权用户信道繁忙与空闲的变化过程：

用R表示隐藏状态转移概率矩阵、E表示混淆矩阵、π表示授权用户初始状态概率分布；将授权用户对于信道的真实使用情况视为隐藏状态，1示繁忙，0示空闲；而认知用户检测结果视为可观测序列，1示检测结果为繁忙，0示检测结果为空闲；

隐藏状态转移概率矩阵表示为，

$R=\left[\begin{array}{cc}{r}_{00}& r_{01}\\ r_{10}& r_{11}\end{array}\right]$

其中，r_ij(i,j∈{0,1})表示授权用户由状态i到状态的转移概率，并且满足∑_ir_ij＝1和∑_jr_ij＝1；根据排队论模型，单位时间内授权用户的状态转移概率表示为如下表达式，

步骤三、利用合作感知方法计算认知用户对授权用户的检测概率和虚警概率：

假设认知无线电系统中存在M个用户，所有用户将检测检测传送至认知基站，基站通过“或准则”对接收到的数据进行处理，从而得出最终检测结果；用分别表示认知用户m单独进行检测时检测概率与虚警概率，根据“或准则”得到最终的检测概率与虚警概率的表达式如下：

$\left\{\begin{array}{c}{P}_d=1-\underset{m=1}{\overset{M}{\mathrm{\Π}}}(1-P_d^m)\\ P_f=1-\underset{m=1}{\overset{M}{\mathrm{\Π}}}(1-P_f^m)\end{array}\right.$

步骤四、在第三步的基础上，根据合作感知方法的检测概率和虚警概率来表示混淆矩阵，

$E=\left[\begin{array}{cc}{e}_{00}& e_{01}\\ e_{10}& e_{11}\end{array}\right]$

其中，e_jk(j,k∈{0,1})表示授权用户处于j状态而检测结果为k的概率，是隐藏状态为j而可观测序列值为k的概率，满足条件∑_je_jk＝1和∑_ke_jk＝1；

当j＝0,k＝0时，表示授权信道空闲，检测结果也为空闲，那么e₀₀＝1-P_f；

按照同样的方式，得到如下的混淆矩阵，

$E=\left[\begin{array}{cc}\underset{m=1}{\overset{M}{\mathrm{\Π}}}(1-P_f^m)& 1-\underset{m=1}{\overset{M}{\mathrm{\Π}}}(1-P_f^m)\\ \underset{m=1}{\overset{M}{\mathrm{\Π}}}(1-P_d^m)& 1-\underset{m=1}{\overset{M}{\mathrm{\Π}}}(1-P_d^m)\end{array}\right]$

步骤五、通过以上四个步骤，获得隐式马尔可夫模型重要参数表达式，再利用Baum-Welsh算法对隐式马尔可夫模型θ＝(R,E,π)进行估计，估计方法表达式如下，

其中，T表示对隐式马尔可夫模型进行估计时所用到的合作感知次数(也就是时隙数)，认知用户每个时隙均需要对授权用户进行频谱检测；表示初始时刻授权用户状态概率分布；V_t表示t时刻最终检测结果；表示从状态i发生转移的平均时隙数；表示从状态i转移到状态j的平均时隙数；从而可以获得隐式马尔可夫模型的估计值 $\stackrel{\‾}{\mathrm{\θ}}=(\stackrel{\‾}{R},\stackrel{\‾}{E},\stackrel{\‾}{\mathrm{\π}});$

步骤六、根据步骤五所获得的估计值，利用下面方程，即可获得授权用户参数的估计值：

$\left\{\begin{array}{c}{r}_{01}={\stackrel{\‾}{r}}_{01}\\ r_{10}={\stackrel{\‾}{r}}_{10}\end{array}\right..$