CN105025495B - 一种无线认知网络全局频谱信息协作感知方法 - Google Patents
一种无线认知网络全局频谱信息协作感知方法 Download PDFInfo
- Publication number
- CN105025495B CN105025495B CN201510385890.7A CN201510385890A CN105025495B CN 105025495 B CN105025495 B CN 105025495B CN 201510385890 A CN201510385890 A CN 201510385890A CN 105025495 B CN105025495 B CN 105025495B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- primary user
- model
- value
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线认知网络全局频谱信息协作感知方法,利用基于变分贝叶斯推断技术的迭代算法,快速求解指定的无阴影衰落地域内的主用户信号的全局功率谱模型系数向量的概率密度函数近似值,然后根据最大后验概率准则得到各主用户发射机的位置坐标、占用频段和各占用频点上信号功率三种信息的最优值,由此得到指定区域内全局频谱分布图,获得频谱在时间、空间、频谱上的多维信息,使得从用户网络可以高效复用空闲频谱。
Description
技术领域
本发明属于无线通信领域,尤其涉及一种无线认知网络全局频谱信息协作感知方法。
背景技术
随着无线通信技术的高速发展与广泛应用,有限的频谱和低效僵化的频谱分配策略使得无线频谱资源日益匮乏。在一定区域内,动态地使用空闲已授权频段的认知无线电(Cognitive Radio,CR)技术正是为了解决上述问题而提出的。其降低或避免了主从网络间的干扰,提高了主从网络的总体容量,并且大幅改善了现有频谱资源的利用效率,现已经成为下一代无线通信系统的关键技术之一。
目前无线认知网络中现有的协作感知技术通常利用采样点在时间、空间上的独立性或不相关性,以提高检测成功概率,但其一般难以实时获得整个网络覆盖范围中受主用户影响区域的信息,以及频谱空洞分布在时间、空间、频率等多维度上的全局信息,结果导致无法实现从用户网络对空闲频谱的高效利用。而新近出现的全局频谱分布图检测技术是一种利用指定的无阴影衰落地域内信号初始测量信息求解出发射机所处位置、占用频段和各占用频点上信号功率,由此得出该地域内功率谱密度分布图的新型技术。基于其设计的无线认知网络全局频谱信息协作感知方法可利用多个从用户节点进行协作感知,以在融合中心描绘出主用户功率谱密度在空间和频率上的分布图。其获得的主用户位置信息及频谱分布信息,使得从用户可以高效复用空闲频谱。
这种无线认知网络全局频谱信息协作感知方法目前主要利用系统中存在的稀疏性,采用最小绝对值坍缩选择算子(Least Absolute Shrinkage and SelectionOperator,Lasso)算法对任意频率和位置的简化功率谱基扩展模型进行估计,以得到主用户发射机所处位置和频段。但是基于Lasso算法的协作感知方法是一种点估计方法,其只能给出主用户发射机所处位置、频段和各占用频点上信号功率的最优值,而不能得到其相应的后验概率密度函数。而且基于Lasso算法的协作感知方法在实际应用中也会受到局部浅极小值的影响,经常得不到真实最优值。此外,无线认知网络需要尽可能快速地确定主用户发射机位置和频段,而基于Lasso算法的协作感知方法需要对正则化因子进行额外计算,影响了其计算速度。
发明内容
发明目的:本发明的目的在于利用变分贝叶斯推断技术,提出一种新型的无线认知网络全局频谱信息协作感知方法,以给出主用户发射机所处位置、频段和所处频段上信号功率的最优值,由此得到指定的无阴影衰落区域内全局频谱分布图,获得频谱在时间、空间、频谱上的多维信息,从而实现从用户网络对空闲频谱的高效利用。
技术方案:本发明提供的一种无线认知网络全局频谱信息协作感知方法,包括如下步骤:
1)从节点接收主用户信号;
2)求解接收到的主用户信号功率谱平均估计值;
指定的无阴影衰落地域内从用户网络中每个节点对接收到的主用户信号进行采样,然后分别对每个相干时间内的N个采样进行功率谱估计,得到该相干时间i′内接收信号功率谱的估计值并将其发送给融合中心;融合中心对每个从节点发送的估计值按不同相干时间进行统计平均,求得该从节点在当前时间i的接收信号功率谱平均估计值
3)构建虚拟网络模型,获得主用户的候选坐标;
假设指定地域内有Nc个从节点,每个从节点利用GPS技术获得自身准确的坐标,并发送给融合中心,从而得到从节点坐标集合融合中心利用其构建出所示的虚拟网络模型,将此模型中的Ns个位置点都做为主用户的候选坐标,从而得到候选坐标集合
4)构建主用户信号全局功率谱模型;
5)求全局频谱分布图,高效利用空闲频谱;
首先根据全局功率谱模型是高斯线性回归结构的特点,融合中心利用变分贝叶斯推断法迭代算法求出模型系数向量θ′的后验概率密度函数近似值其中是向量θ′的均值,是其方差;然后根据参数θ的物理意义和最大后验概率准则,利用该近似值得到各主用户所处位置坐标、每个主用户占用频段和各占用频点上的信号功率三部分信息的最优值,由此融合中心可以得到指定区域内全局频谱分布图,从而获得主用户频谱在时间、空间、频段上的多维分布信息,使得从用户网络可以高效复用空闲频谱。
本发明所设计的变分贝叶斯推断的迭代算法具体包括如下步骤:
步骤3:用表示当前均值估计值用表示上次得到的均值估计值计算两者欧氏距离如果S<ζ且j≥2,则结束计算,将最新计算得到的均值和方差做为输出值;否则执行步骤4;
有益效果:本发明基于变分贝叶斯推断技术的迭代算法,能够快速求解全局功率谱模型系数向量的概率密度函数近似值,并不受局部浅极小值的影响,结果更为准确。由此得到的指定的无阴影衰落区域内全局频谱分布图,使得从用户网络可以高效复用空闲频谱。
附图说明
图1为本发明全局频谱信息协作感知方法流程示意框图;
图2为本发明虚拟网络模型;
图3为本发明基扩展近似模型;
图4为本发明基于变分贝叶斯推断的迭代算法流程图。
具体实施方式
本发明利用基于变分贝叶斯推断技术的迭代算法,快速求解出指定的无阴影衰落地域内主用户信号的全局功率谱模型系数向量的概率密度函数近似值,然后根据最大后验概率准则得到各主用户发射机的位置坐标、占用频段和各占用频点上信号功率三种信息的最优值,由此得到指定区域内全局频谱分布图,获得频谱在时间、空间、频谱上的多维信息,使得从用户网络可以高效复用空闲频谱。本发明的具体工作流程如图1所示,包括如下步骤:
步骤1:从节点接收主用户信号。
步骤2:求解接收到的主用户信号功率谱平均估计值。
指定的无阴影衰落地域内从用户网络中每个节点对接收到的主用户信号进行采样,然后分别对每个相干时间内的N个采样进行功率谱估计,得到该相干时间i′内接收信号功率谱的估计值并将其发送给融合中心;融合中心对每个从节点发送的估计值按不同相干时间进行统计平均,求得该从节点在当前时间i的接收信号功率谱平均估计值
步骤3:构建虚拟网络模型,获得主用户的候选坐标。
假设指定地域内有Nc个从节点,每个从节点利用GPS技术获得自身准确的坐标,并发送给融合中心,从而得到从节点坐标集合融合中心利用其构建出所示的虚拟网络模型,将此模型中的Ns个位置点都做为主用户的候选坐标,从而得到候选坐标集合
步骤4:构建主用户信号全局功率谱模型。
步骤5:求全局频谱分布图,高效利用空闲频谱。
首先根据全局功率谱模型是高斯线性回归结构的特点,融合中心利用变分贝叶斯推断法迭代求出模型系数向量θ′的后验概率密度函数近似值其中是向量θ′的均值,是其方差。然后根据参数θ的物理意义和最大后验概率准则,利用该近似值得到各主用户所处位置坐标、每个主用户占用频段和各占用频点上的信号功率三部分信息的最优值,由此融合中心可以得到指定区域内全局频谱分布图,从而获得主用户频谱在时间、空间、频段上的多维分布信息,使得从用户网络可以高效复用空闲频谱。
而本发明所述的基于变分贝叶斯推断的迭代算法具体工作流程如图4所示,包括如下步骤:
步骤3:用表示当前均值估计值用表示上次得到的均值估计值计算两者欧氏距离如果S<ζ且j≥2,则结束计算,将最新计算得到的均值和方差做为输出值;否则执行步骤4。
Claims (1)
1.一种无线认知网络全局频谱信息协作感知方法,其特征在于,包括如下步骤:
1)从节点接收主用户信号;
2)求解接收到的主用户信号功率谱平均估计值;
指定的无阴影衰落地域内从用户网络中每个节点对接收到的主用户信号进行采样,然后分别对每个相干时间内的N个采样进行功率谱估计,得到该相干时间i′内接收信号功率谱的估计值并将其发送给融合中心;融合中心对每个从节点发送的估计值按不同相干时间进行统计平均,求得该从节点在当前时间i的接收信号功率谱平均估计值
3)构建虚拟网络模型,获得主用户的候选坐标;
假设指定地域内有Nc个从节点,每个从节点利用GPS技术获得自身准确的坐标,并发送给融合中心,从而得到从节点坐标集合融合中心利用其构建出虚拟网络模型,将此模型中的Ns个位置点都做为主用户的候选坐标,从而得到候选坐标集合
4)构建主用户信号全局功率谱模型;
首先融合中心利用一系列的非重叠的单位矩阵bv(f)作为基函数,构建主用户信号功率谱Ps(f)的基扩展近似模型其中θsv是各基函数对应的权值,Nb是模型中基函数的总数;然后利用该基扩展近似模型和前两步获得的不同从节点接收信号功率谱的平均估计值、虚拟网络模型中的主用户候选坐标集合,构建从用户系统的接收信号的全局功率谱模型;其相应的数学表达式为Φ=B′θ′+ε,其中Φ是由Nr个从用户的功率谱平均估计值,按顺序构成的NrN*1的向量;是预测矩阵,其中矩阵B中的元素是候选坐标到从用户间的信道增益和基函数的乘积;θ′=[θ σ]T是模型系数向量,其中参数θ表示主用户发射机在不同位置和频段上的信号功率;ε是模型的误差向量;
5)求全局频谱分布图,高效利用空闲频谱;
首先根据全局功率谱模型是高斯线性回归结构的特点,融合中心利用变分贝叶斯推断法迭代算法求出模型系数向量θ′的后验概率密度函数近似值其中是向量θ′的均值,是其方差;然后根据参数θ的物理意义和最大后验概率准则,利用该近似值得到各主用户所处位置坐标、每个主用户占用频段和各占用频点上的信号功率三部分信息的最优值,由此融合中心可以得到指定区域内全局频谱分布图,从而获得主用户频谱在时间、空间、频段上的多维分布信息,使得从用户网络可以高效复用空闲频谱;
所述步骤5)中变分贝叶斯推断的迭代算法具体包括如下步骤:
步骤1:输入功率谱平均估计值矩阵Φ、预测矩阵B′,并设置判决阈值ζ和迭代次数j=1,以及各超验参数及超验参数向量中元素的初始值
步骤2:利用超验参数值以及平均估计值矩阵Φ,计算θ′近似概率密度函数中的均值和方差具体的计算公式为和其中参数向量中的每个元素
步骤3:用表示当前均值估计值用表示上次得到的均值估计值计算两者欧氏距离如果S<ζ且j≥2,则结束计算,将最新计算得到的均值和方差做为输出值;否则执行步骤4;
步骤4:利用当前均值和方差重新计算各超验参数值,具体的计算公式为 其中是当前均值向量的估计值中的元素,是当前方差矩阵的估计值中的对角线元素;并跳转到步骤2重新计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510385890.7A CN105025495B (zh) | 2014-12-03 | 2015-06-30 | 一种无线认知网络全局频谱信息协作感知方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2014107248313 | 2014-12-03 | ||
CN201410724831 | 2014-12-03 | ||
CN201510385890.7A CN105025495B (zh) | 2014-12-03 | 2015-06-30 | 一种无线认知网络全局频谱信息协作感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105025495A CN105025495A (zh) | 2015-11-04 |
CN105025495B true CN105025495B (zh) | 2018-09-21 |
Family
ID=54415114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510385890.7A Active CN105025495B (zh) | 2014-12-03 | 2015-06-30 | 一种无线认知网络全局频谱信息协作感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105025495B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338270B (zh) * | 2016-08-30 | 2019-01-04 | 兰州交通大学 | 一种模块化搭建的通用北斗高精度测量平台 |
CN106604286A (zh) * | 2016-12-08 | 2017-04-26 | 东南大学 | 一种基于虚拟化网络架构的LTE‑U与WiFi非授权频段共存自适应信道接入方法 |
CN107295633A (zh) * | 2017-05-27 | 2017-10-24 | 柳州天艺科技有限公司 | 基于迭代聚类的多主用户定位方法 |
CN107484244A (zh) * | 2017-08-01 | 2017-12-15 | 东南大学 | 一种QoS感知的蜂窝网络D2D通信频谱资源分配算法 |
CN108200583A (zh) * | 2018-02-01 | 2018-06-22 | 东南大学 | 一种面向QoE的蜂窝网络D2D通信频谱资源分配方法 |
CN108566253B (zh) * | 2018-02-12 | 2019-05-14 | 北京邮电大学 | 一种基于对信号功率谱拟合特征提取的信号识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2429138A1 (en) * | 2010-09-07 | 2012-03-14 | Technische Universität Graz | Method for the determination of the number of superimposed signals using variational bayesian inference |
CN103648168A (zh) * | 2013-12-26 | 2014-03-19 | 东南大学 | 异构网络融合场景下的联合式动态频谱分配方法 |
-
2015
- 2015-06-30 CN CN201510385890.7A patent/CN105025495B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2429138A1 (en) * | 2010-09-07 | 2012-03-14 | Technische Universität Graz | Method for the determination of the number of superimposed signals using variational bayesian inference |
CN103648168A (zh) * | 2013-12-26 | 2014-03-19 | 东南大学 | 异构网络融合场景下的联合式动态频谱分配方法 |
Non-Patent Citations (3)
Title |
---|
A Novel Cooperative Global Spectrum Sensing Algorithm Based on Variational Bayesian Inference;Wu Ming,etc;《International Conference on Wireless Communications and Signal Processing (WCSP)》;20151017;全文 * |
Variational Bayesian Inference Based Cooperative Spectrum Sensing in Cognitive Radio Networks;Wu Ming,etc;《3rd IEEE Global Conference on Consumer Electronics (GCCE)》;20141010;全文 * |
基于变分稀疏贝叶斯学习的频谱检测方法;朱翠涛等;《中南民族大学学报(自然科学版)》;20130331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105025495A (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105025495B (zh) | 一种无线认知网络全局频谱信息协作感知方法 | |
Wang et al. | Indoor radio map construction and localization with deep Gaussian processes | |
Subedi et al. | Improving indoor fingerprinting positioning with affinity propagation clustering and weighted centroid fingerprint | |
Wymeersch et al. | Cooperative localization in wireless networks | |
CN104507050B (zh) | 一种WiFi室内定位中概率型指纹匹配方法 | |
Liu et al. | Cloud-assisted cooperative localization for vehicle platoons: A turbo approach | |
Schmidt et al. | SDR-Fi: Deep-learning-based indoor positioning via software-defined radio | |
Mukhopadhyay et al. | Performance evaluation of localization techniques in wireless sensor networks using RSSI and LQI | |
EP3029482A1 (en) | Enhanced positioning system using hybrid filter | |
Kumar et al. | Target detection and localization methods using compartmental model for internet of things | |
Kumar et al. | Dictionary-based statistical fingerprinting for indoor localization | |
Marques et al. | A cost-effective trilateration-based radio localization algorithm using machine learning and sequential least-square programming optimization | |
Liu et al. | UAV swarm-enabled localization in isolated region: A rigidity-constrained deployment perspective | |
Chai et al. | A new indoor positioning algorithm of cellular and Wi-Fi networks | |
Yu et al. | Multi-modal recurrent fusion for indoor localization | |
Van de Velde et al. | Cooperative multipath-aided indoor localization | |
Sun et al. | Successive and asymptotically efficient localization of sensor nodes in closed-form | |
Alfakih et al. | An enhanced indoor positioning method based on Wi-fi RSS fingerprinting | |
Wang | Bayesian radio map learning for robust indoor positioning | |
Biswas et al. | New RSSI-fingerprinting-based smartphone localization system for indoor environments | |
CN108924734B (zh) | 一种三维传感器节点定位方法及系统 | |
Gölz et al. | Improving inference for spatial signals by contextual false discovery rates | |
Kiring et al. | Wi-Fi radio map interpolation with sparse and correlated received signal strength measurements for indoor positioning | |
Chen et al. | DeepMetricFi: Improving Wi-Fi fingerprinting localization by deep metric learning | |
Patwari et al. | Adaptive neighborhoods for manifold learning-based sensor localization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190712 Address after: 214125 No. 3 Yuanxi Road, Binhu District, Wuxi City, Jiangsu Province Patentee after: Wuxi Rui Kai Polytron Technologies Inc Address before: 99 No. 214000 Jiangsu New District of Wuxi City Linghu Avenue Patentee before: Southeast University |