CN105162539A - 一种基于节点信息的认知无线传感器网络频谱检测方法 - Google Patents
一种基于节点信息的认知无线传感器网络频谱检测方法 Download PDFInfo
- Publication number
- CN105162539A CN105162539A CN201510466958.4A CN201510466958A CN105162539A CN 105162539 A CN105162539 A CN 105162539A CN 201510466958 A CN201510466958 A CN 201510466958A CN 105162539 A CN105162539 A CN 105162539A
- Authority
- CN
- China
- Prior art keywords
- node
- detection
- value
- state
- crsn
- 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.)
- Granted
Links
Classifications
-
- Y02B60/50—
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明给出一种基于节点信息的认知无线传感器网络频谱检测方法,即是一种基于传感器节点地理信息,通过提出的分块算法以及两次检测机制高效地进行频谱检测,提升CRSN系统检测性能并提高系统能效的方法。本发明具体的方案包括以下几个步骤:设计一级检测节点预埋方案并基于节点地理信息位置将监测区域进行分块;初级检测对PU进行快速感知,从而判断SU是否可以快速接入信道或是系统需要进入二级检测过程;FC计算二级检测区域,二级检测采用更可靠的检测方法对PU进行感知;数据融合并判决PU的状态以决定SU是否可以接入信道。本发明所采用的方法能够保证CRSN检测准确度和高性能,同时降低网络能耗。
Description
技术领域
本发明设计一种基于传感器节点地理信息,通过提出的分块算法以及两次检测机制高效地进行动态频谱检测,提升认知无线传感器网络检测性能并提高系统能效的方法,属于认知无线电网络和传感器网络交叉技术应用领域。
背景技术
认知无线电(CR)作为一种智能的无线电技术,于20世纪末被提出,用以促进频谱资源的有效利用。CR技术实现动态频谱接入(DSA)代替静态频谱接入(SCA),将频谱资源加以合理利用,缓解了频谱资源紧张的状况。
由于认知无线电技术发展前景良好,CR技术在有的设备中已经出现。例如,在WLAN设备和码分多址(CDMA)网络中都已经使用了认知技术,以便更加高效的使用频谱。管理部门、标准化协议组、高等院校和通信产业联盟纷纷对其进行了相关的学术研究,并通过举办各种关于认知无线电的国际研讨会以促进该领域的巨大发展。可以预见不久的将来,CR技术作为一种解决频谱资源短缺、提高频谱效率的智能无线电技术,会为电信市场带来巨大的应用价值。
通过频谱感知和环境适应,非授权用户(SU)能够有效地利用空闲频谱并且对授权用户(PU)的通信不能造成干扰。认知无线电必须持续地感知周围的频谱环境,并且需要准确、可靠地检测PU是否出现在空闲频谱中,一旦检测到PU重新使用空闲频谱,SU必须寻找或等待新的空闲频段继续通信。目前频谱检测的基本方法主要包括匹配滤波器检测、能量检测和循环平稳特征检测等。并各有自身的优缺点:能量检测算法无需知道授权用户信号的任何先验信息,实现简单,复杂度低,非常适合用于CR系统。但是与其它本地检测算法相比,能量检测的检测性能较低,算法受噪声不确定性影响明显。匹配滤波器检测需要事先知道授权用户的信息,对授权用户要有专门的接收器;需要定时和频率同步。除此之外,匹配滤波器检测计算量也比较大,如果先验信息不准确,匹配滤波器的性能会大大下降,其主要优点是能以较快速度准确检测PU是否存在。循环平稳特征检测的感知敏感性优于能量检测,在低信噪比的环境中能获得更好的检测性能,但这种方法的计算复杂度较高。
无线传感器网络(WSN)是一种新兴的技术。微电子技术、计算技术和无线通信等技术的进步,推动了低功耗多功能传感器的快速发展,使其在微小体积内能够集成信息采集、数据处理和无线通信等多种功能,提供了一个全新的分布式信息搜集和处理平台,广阔的应用前景掀起了国内外对WSN网络的研究热潮。
WSN传感器节点可以通过人工埋放、飞行器散播等方式配置到观测区域。之后,这些节点以自组织的方式构成网络,并将感知到的数据传输汇聚节点,而汇聚节点则可以将整个区域的数据传输到远程中心,同时也可以将用户的查询请求发送到传感器网络中。在这种网络体系结构中,每个节点既可以是感知节点,具有感知环境信息的功能,也可以是路由节点,将接收到的数据向汇聚节点转发。将WSN网络引入到CR领域称作为认知无线传感器网络(CRSN),其优点是众多的节点能够实时对PU进行监测、感知,并能对这些检测信息进行处理,获得详尽而准确的信息,传送到相应汇聚节点,汇聚节点进一步将信息整合并传送给远端的数据融合中心(FC),SU根据FC的判决结果接入相应的空闲信道。
发明内容
技术问题:认知无线传感器网络(CRSN)节点电源一般决定着网络的寿命。CRSN需要快速、准确地检测授权用户(PU)状态的变化,而PU状态的改变可以近似看作是是离散的,若检测区域内所有的感知节点始终都处于检测状态,势必造成能源浪费、系统整体能效降低等问题,本发明提出一种基于节点信息的认知无线传感器网络频谱检测方法,解决上述问题,以有效地提升CRSN检测性能时,提高整个系统能效。
技术方案:本发明所述一种基于节点信息的认知无线传感器网络频谱检测方法包括检测区域分块算法和两次检测机制,其中初级检测模型高效地对PU进行频谱检测,实现非授权用户(SU)的快速接入;分块算法和二级检测模型进一步提升系统的检测性能,并提高系统能效。本发明所述的初级传感器节点和二级检测节点网络是在监测区域内通过相互通信各自而形成子网络,各节点均能感知网络覆盖区域内目标对象的信息;不同的是一级检测节点直接将信息发送给融合中心(FC),二级节点将信息反送给所在子区域内汇聚节点,汇聚节点再将信息打包发送给FC。
本发明所述一种基于节点信息的认知无线传感器网络频谱检测方法包括以下步骤:
步骤1)用户输入认知无线传感器网络CRSN检测区域半径Rφ;
所述CRSN网络主要包括授权用户PU、非授权用户SU、数据融合中心FC、传感器节点;所述传感器节点分为一级检测节点和二级检测节点,一级检测节点始终处于工作状态,二级检测节点有工作状态和睡眠状态两种,其初始状态为睡眠状态;
所述FC接收传感器节点的信息,并将决定SU是否能够接入信道;
所述PU即为传感器节点进行频谱检测的对象,其状态有H0和H1两种状态,H0表示PU没有进行通讯,H1表示正在占用信道,正在进行通讯;SU在请求接入信道时,CRSN网络首先对PU进行频谱检测,检测过程分为初级频谱检测过程和二级检测过程,其中一级检测节点参与初级频谱检测过程,二级检测节点参与二级检测过程,初级频谱检测决定CRSN网络是否进行二级检测,当FC判定CRSN网络进行二级检测时初级频谱检测在将检测结果发送FC之后还将为二级检测过程做准备;当FC确认PU状态为H0时,就会发送信息给SU,SU便可以接入信道进行通讯,从SU请求接入信道到FC将检测判决结果发送到SU,SU依据判决结果是否能够接入信道的过程称为一个检测周期;
步骤2)在以CRSN检测区域中心为圆心、半径为rφ的圆周上等均均匀埋放n个传感器节点,序号为i的传感器节点记为Ai,这些传感器节点{A1,A2,A3,…,An}作为一级检测节点将整个监测区域等分成n个扇形区域;再以CRSN检测区域中心为圆心、长为DR的直径上等距放置m个传感器节点,序号为j的传感器节点记为Sj,这些传感器节点{S1,S2,S3,…,Sm}也作为一级检测节点,以CRSN检测区域中心为圆心、到CRSN检测区域中心距离为半径依次构成一个个同心圆,这些同心圆与上述n个扇形区域一起将整个监测区域分成一个个子区域;
所述DR、n、m由用户指定,i取值范围为1到n,j取值范围为1到m;
步骤3)在CRSN检测区域内随机均匀投放用户指定数量的传感器节点,检测区域的大小即为用户输入半径为Rφ的圆形区域,这些传感器节点作为二级检测节点位于不同子区域,每个子区域内的二级检测节点根据低功耗自适应集簇分层型协议构成网络,子区域的簇头均作为子区域的汇聚节点,这些汇聚节点记为{sink1,sink2,sink3,…},这些汇聚节点的数量是由步骤2)中子区域的划分方式决定的,其数量值等于监测区域内形成的子区域的数量;
所述低功耗自适应集簇分层型协议是传感器网络领域LEACH协议,该协议等概率地随机循环选择簇头,将整个网络的能量负载平均分配到每个传感器节点;
步骤4)对授权用户进行初级频谱检测;
步骤4.1)在CRSN监测区域内所有的一级检测节点{A1,A2,A3,…,An}和{S1,S2,S3,…,Sm}对接收到的信号进行模拟/数字A/D采样,将采样后的信号利用快速傅氏变换FFT转换为频域信号,再对频域信号求模平方,得到PU信号的能量检测结果,这里Ai节点得到的能量检测结果值为ai,Sj节点得到的能量检测结果值为sj,所有检测结果{a1,a2,a3,…an}和{s1,s2,s3,…sn}传给FC;
所述A/D采样即是将接收到的连续的模拟信号转换成离散的数字信号;之后一级检测节点将采样后信号转换到频域;
所述FFT是离散傅氏变换的快速算法;
所述{a1,a2,a3,…an},{s1,s2,s3,…sn}是能量检测得到的各个节点的能量值数据序列;
步骤4.2)FC将得到的检测结果{a1,a2,a3,…an},{s1,s2,s3,…sn}进行能量降序排序,取出这两个序列中前两个数据组成数据对pair{(ax,ay)(sz,sr)}(x,y≤n;r,z≤m),以下简称pair();pair()将作为与判决值与用户输入的阈值θth进行判决,当pair()的所有值均小于θth,则认为此时PU的状态为H0,FC判决为H0的结果发送给SU,SU此后接入信道,此时一个检测周期结束,转步骤4.1);当pair()的所有值不是全部小于θth,SU接收到FC判决为H1的结果,进入步骤5);
步骤5)对PU进行二级检测,具体步骤如下:
步骤5.1)FC根据得到的pair(),获得各个能量值所对应的一级检测节点Ax、Ay、Sx、Sy,再根据一级检测节点(Ax,Ay)划分出一个扇形区域,然后根据(Sx,Sy)在上述扇形区域中划分出进行一个分块区域,这个分块区域为进行二级检测的子区域{(Ax,Ay)(Sx,Sy)};
步骤5.2)FC通过控制信道唤醒子区域{(Ax,Ay)(Sx,Sy)}内的汇聚节点进入工作状态,这些进入工作状态的汇聚节点唤醒所在子区域内的二级检测节点进入工作状态;
所述唤醒是将节点从睡眠状态转换为工作状态;
步骤5.3)检测区域内的二级检测节点进入工作状态后开始对PU进行频谱检测,二级检测使用二级循环平稳特征检测,通过特征检测判断PU的状态,二级检测过程首先是将接收到的信号进行A/D采样;然后将采样后的结果转换到频域,这里仍采用FFT变换,从而计算出频谱的自相关函数;二级检测节点通过相关函数是否出现峰值检测判断PU的状态,若出现峰值判定PU的状态为H0,否则判定PU的状态为H1;
步骤5.4)各二级检测节点对PU进行二级级循环平稳特征检测判决,判决结果主要有软判决和硬判决,这里采用硬判决,即状态H0结果为0,状态H1结果为1;之后各个子区域内的二级检测节点将判决检测结果发送给所属的子区域{(Ax,Ay)(Sx,Sy)}内的汇聚节点,汇聚节点再将结果打包成0-1决策子表发送给融合中心FC,所述的0-1决策子表为按照二级检测节点的判决结果处理而成的数据表格;
步骤6)FC将接收到的汇聚节点的数据进行融合并最终判决PU的状态
步骤6.1)首先FC将接收的一级检测节点检测结果即能量值数据序列{a1,a2,a3,…an},{s1,s2,s3,…sn}丢弃,之后将二级检测得到的判决结果进行进一步处理,主要处理方式是将判决结果处理成最终的0-1决策表,其中0表示PU的状态为H0;1表示PU的状态为H1;所述的0-1决策表为接收到的判决结果按照所属的子区域所处理而成的数据表格,即二级检测节点发送的0-1决策子表组成的最后数据表格;
步骤6.2)FC依据0-1决策表进行融合判决,判决方式主要有与判决,或判决和K-out-N判决方式,这里选择K-out-N判决方式:
所述的N值为0-1决策表数据个数,T值为判决门限值,K值为判决值,N,K,值由FC接收的数据计算得到,Ri表示表格中每个单元格的数据值,其值只有0和1两种取值,分别表示PU的两种状态H0和H1,T值由用户指定;
所述K-out-N判决方式为对表格中所有Ri值进行加权求和得到判决值K,K值小于判决门限值T时判定PU的状态为H0,K值大于等于T是判定PU的状态为H1;
步骤6.3)根据用户需求输入T值,FC依据K-out-N判决方式判定PU的状态并将检测结果发送给SU,接收的判定结果为H0,则SU接入信道进行通讯,判定结果为H1,则SU需等待下检测一周期的判决结果,此时一个检测周期结束,CRSN网络重新返回初级频谱检测流程,即回到步骤4.1继续执行。
有益效果:本发明提出了一种基于传感器节点地理信息,对PU状态进行快速检测,并提升检测性能提高系统能效的方法。与以往的传感器网络分簇算法不同的是,本发明提出一种较为新奇区域分块算法;并在此基础上提出了传感器节点两次投放方案,一次是定点预埋,一次是节点随机均匀投放,并根据这种节点设置方案设置了一种两次检测机制。具体来说,本发明提出的基于节点地理信息检测、融合数据的方法具有如下的有益效果:
(1)初级检测环节中,DR所经过的位置没有障碍物,这样可以最大可能地保证一级检测节点{S1,S2,S3,…,Sm}除了距离因素以外,经历了相同的衰落环境,增加了检测的可靠性。
(2)每个一级检测节点接收到的能量值可近似表示为:ER=|hS(t)|2,h表示衰落系数,自由空间信道的衰落系数可以看近似看作是距离d的函数,则ER可以定义ER=|S(t)|2d-ω,ω表示衰落因子,一般ω=2~6,据此,当检测PU的状态时,并不需要所有的传感器节点参与感知,只需要PU附近的分块区域进行频谱检测,这样在提高频谱检测性能的同时,有效地降低了资源损耗。
(3)由于PU所处的位置是未知的,一级检测节点{A1,A2,A3,…An}所处的位置正好把检测区域等分为二,可以增加节点检测到PU的概率。
(4)汇聚节点发送的是0-1决策子表,数据量较小,汇聚节点较小的数据发送量,延长了汇聚节点寿命。
(5)若初级检测得到的pair()中所有元素值均小于门限值,CRSN便不需要进行二级检测,这样进一步提高了CRSN系统的能效。
(6)两次检测,第一次检测采用能量检测,能量检测复杂度低,能够快速地检测PU的状态,若pair()小于阈值,则判决PU的状态为H0,SU可以快速接入信道,pair()大于阈值,需进行二级检测。二级检测采用了检测性能更高的二级循环平稳特征检测:PU信号一般都具有某种程度上的周期性,其统计特性诸如均值和自相关都呈现出周期性,而噪声没有这个特性,所以与能量检测相比,这种检测方式在信噪比较差的环境中仍能获得较好的检测性能。
(7)该分块算法是受硬盘读取数据机理的启发,与分簇类似,但不再是经典的节点分簇方法,而是经典分簇算法的扩展。
附图说明
图1是监测区域内一级检测节点预埋方案示意以及形成的分块区域图。
图2是一块子区域二级节点分布图。
图3是初级检测流程图。
图4是二级检测流程图。
图5是FC的决策表样例图。
图6是本发明的总体流程图。
具体实施方式:
下面根据图1到图5及具体实施例对本发明作更详细的描述。
在具体实施中,用户输入认知无线传感器网络(CRSN)检测区域半径为Rφ。所述CRSN网络主要包括授权用户(PU),非授权用户(SU),数据融合中(FC),以及传感器节点。传感器节点分为一级检测节点和二级检测节点,一级检测节点始终处于工作状态,二级检测节点有工作状态和睡眠状态两种,其初始状态为睡眠状态。SU在请求接入信道时,CRSN网络首先对PU进行频谱检测。检测过程分为初级频谱检测过程和二级检测过程,其中一级检测节点参与初级频谱检测过程,二级检测节点参与二级检测过程。初级频谱检测决定CRSN网络是否进行二级检测,当FC判定CRSN网络进行二级检测时初级频谱检测在将检测结果发送FC之后还将为二级检测过程做准备。FC的作用是接收认知传感器节点信息,并将决定SU是否能够接入信道。PU即为传感器节点进行频谱检测的对象,其状态有H0和H1两种状态,H0表示PU没有进行通讯,H1表示正在占用信道,正在进行通讯,当FC确认PU状态为H0时,就会发送信息给SU,SU便可以接入信道进行通讯。从SU请求接入信道到FC将检测判决结果发送到SU,SU依据判决结果是否能够接入信道的过程称为一个检测周期。
监测区域中所有的一级检测节点{A1,A2,A3,…An},{S1,S2,S3,…Sm}被预埋在预先设计的位置,如图1所示。一级检测节点的位置需满足以下条件:传感器节点{A1,A2,A3,…An}等距地预埋在半径为的、以监测区域为中心的圆周附近,所述的Rφ为根据用户需求输入的检测半径,Rφ,n,m值均由用户指定输入。在具体实施中,传感器节点{S1,S2,S3,…Sm}之间要尽量没有障碍物,保证传感器Sx(1≤x≤m)接收到PU发送的信号,除了距离因素以外,其他的信号衰落环境相似。
二级节点采用随机均匀投放的方式,具体实施方式如下:如图1,一级检测节点{A1,A2,A3,…An}将整个监测区域等分成n个扇形区域,再以CRSN检测区域中心为圆心、长为DR的直径上等距放置m个传感器节点,序号为j的传感器节点记为Sj,这些传感器节点{S1,S2,S3,…,Sm}也作为一级检测节点,以CRSN检测区域中心为圆心、到CRSN检测区域中心距离为半径依次构成一个个同心圆,这些同心圆与上述n个扇形区域一起将整个监测区域分成一个个子区域。经过所述的一级检测节点{A1,A2,A3,…An},{S1,S2,S3,…Sm}预埋,整个监测区域可以有序地分成一个个感知子区域。每个检测子区域内的二级检测节点自组成网络,并选定合适的汇聚节点,每个子区域内的二级检测节点根据低功耗自适应集簇分层型协议构成网络,子区域的簇头均作为子区域的汇聚节点,这些汇聚节点记为{sink1,sink2,sink3,…},其数量值等于监测区域内形成的子区域的数量。所述低功耗自适应集簇分层型协议是传感器网络领域LEACH协议,该协议等概率地随机循环选择簇头,将整个网络的能量负载平均分配到每个传感器节点汇聚节点。从而达到降低网络能量耗费延长网络生命周期的目的,如图2所示。
在具体实施中,初级检测需要确定PU状态及二级检测区域,如图3所示:传感器一级检测节点{A1,A2,A3,…An}和{S1,S2,S3,…Sm}首先对接收到的PU信号进行模拟/数字(A/D)采样,所述A/D采样即是将接收到的连续的模拟信号转换成离散的数字信号。之后一级检测节点将采样后信号转换到频域,这里转换方式主要有FFT变换,DFT变换,这里采用FFT变换,所述FFT变换是离散傅氏变换的快速算法转。信号转换到频域后将频域信号求模平方,即得到信号的能量值。最后一级检测节点将检测能量值发送给数据融合中心FC。FC将得到的检测结果{a1,a2,a3,…an},{s1,s2,s3,…sn}进行能量降序排序,取出两个序列中前两个数据值组成的数据对pair{(ax,ay)(sz,sr)}(x,y≤n;r,z≤m),以下简称pair()。pair()将作为并输入的检测门限θth比较,若pair()的所有值均小于θth,则认为此时PU的状态为H0,不需要再进行二级检测,SU可直接接入信道,初级检测下个周期自动重启。
二级检测流程具体实施流程如图4所示:首先FC根据得到的pair()计算出将要进行二级检测的子区域{(Ax,Ay)(Sx,Sy})。所述{(Ax,Ay)(Sx,Sy})中,(Ax,Ay)确定需要进行二级检测的扇形区域,(Sx,Sy)进一步确定需要进行二级检测的子区域:如图1,例如pair()值为pair{(a2,a4)(sm-2,sm-3)},则区域中A2、A3、A4以及Sm-2、Sm-3一级检测节点确定的阴影子区域需要进行二级检测,通过控制信道唤醒子区域{(Ax,Ay)(Sx,Sy)}内的汇聚节点进入工作状态。
二级检测节点检测过程具体如下:首先对接收到的信号进行A/D采样;然后将采样后的结果转换到频域,这里仍采用FFT变换,从而计算出频谱的自相关函数;二级检测节点通过相关函数是否出现峰值检测判断PU的状态。若出现峰值判定PU的状态为H0,否则判定PU的状态为H1。
二级检测节点将判决结果发送给所属的子区域{(Ax,Ay)(Sx,Sy)}内的汇聚节点,在图1的例子中就是阴影区域内的汇聚节点。判决结果主要有硬判决和软判决,这里采用硬判决,即状态H0结果为0,状态H1结果为1。之后各个子区域内的汇聚节点将结果打包发送给融合中心FC。
FC将接收到的汇聚节点的数据进行融合并最终判决PU的状态,具体的融合判决实施方式如下:FC首先将检测结果处理成0-1决策表,0表示PU的状态为H0;1表示PU的状态为H1。例如图5所示,图5例中表示共有3个汇聚节点向FC发送了检测结果信息,即进行二级检测的区域就是汇聚节点{sink1,sink2,sink3}所在的区域,选择K-out-N判决方式:
所述的N值为0-1决策表数据个数,T值为判决门限值,K值为判决值,其中N,K值由FC接收的数据计算得到,Ri表示表格中每个单元格的数据值,其值只有0和1两种取值,分别表示PU的两种状态H0和H1,T值由用户指定。
在具体实施中,根据用户需求输入T值,若判定PU的状态为H0,则允许SU接入信道,CRSN系统下个周期继续进行初级检测;若为H1,则SU不能接入信道,SU需等待下一检测周期。例如T=10,根据图5的决策表算出K=12,此时T<K,判定结果为H1,非授权用户SU不能接入信道,此时一个检测周期结束,需要等待下一周期的检测结果来判定是否能够接入信道。
Claims (1)
1.一种基于节点信息的认知无线传感器网络频谱检测方法,其特征在于该方法包括以下步骤:
步骤1)用户输入认知无线传感器网络CRSN检测区域半径Rφ;
所述CRSN网络主要包括授权用户PU、非授权用户SU、数据融合中心FC、传感器节点;所述传感器节点分为一级检测节点和二级检测节点,一级检测节点始终处于工作状态,二级检测节点有工作状态和睡眠状态两种,其初始状态为睡眠状态;
所述FC接收传感器节点的信息,并将决定SU是否能够接入信道;
所述PU即为传感器节点进行频谱检测的对象,其状态有H0和H1两种状态,H0表示PU没有进行通讯,H1表示正在占用信道,正在进行通讯;SU在请求接入信道时,CRSN网络首先对PU进行频谱检测,检测过程分为初级频谱检测过程和二级检测过程,其中一级检测节点参与初级频谱检测过程,二级检测节点参与二级检测过程,初级频谱检测决定CRSN网络是否进行二级检测,当FC判定CRSN网络进行二级检测时初级频谱检测在将检测结果发送FC之后还将为二级检测过程做准备;当FC确认PU状态为H0时,就会发送信息给SU,SU便可以接入信道进行通讯,从SU请求接入信道到FC将检测判决结果发送到SU,SU依据判决结果是否能够接入信道的过程称为一个检测周期;
步骤2)在以CRSN检测区域中心为圆心、半径为rφ的圆周上等均均匀埋放n个传感器节点,序号为i的传感器节点记为Ai,这些传感器节点{A1,A2,A3,…,An}作为一级检测节点将整个监测区域等分成n个扇形区域;再以CRSN检测区域中心为圆心、长为DR的直径上等距放置m个传感器节点,序号为j的传感器节点记为Sj,这些传感器节点{S1,S2,S3,…,Sm}也作为一级检测节点,以CRSN检测区域中心为圆心、到CRSN检测区域中心距离为半径依次构成一个个同心圆,这些同心圆与上述n个扇形区域一起将整个监测区域分成一个个子区域;
所述DR、n、m由用户指定,i取值范围为1到n,j取值范围为1到m;
步骤3)在CRSN检测区域内随机均匀投放用户指定数量的传感器节点,检测区域的大小即为用户输入半径为Rφ的圆形区域,这些传感器节点作为二级检测节点位于不同子区域,每个子区域内的二级检测节点根据低功耗自适应集簇分层型协议构成网络,子区域的簇头均作为子区域的汇聚节点,这些汇聚节点记为{sink1,sink2,sink3,…},这些汇聚节点的数量是由步骤2)中子区域的划分方式决定的,其数量值等于监测区域内形成的子区域的数量;
所述低功耗自适应集簇分层型协议是传感器网络领域LEACH协议,该协议等概率地随机循环选择簇头,将整个网络的能量负载平均分配到每个传感器节点;
步骤4)对授权用户进行初级频谱检测;
步骤4.1)在CRSN监测区域内所有的一级检测节点{A1,A2,A3,…,An}和{S1,S2,S3,…,Sm}对接收到的信号进行模拟/数字A/D采样,将采样后的信号利用快速傅氏变换FFT转换为频域信号,再对频域信号求模平方,得到PU信号的能量检测结果,这里Ai节点得到的能量检测结果值为ai,Sj节点得到的能量检测结果值为sj,所有检测结果{a1,a2,a3,…an}和{s1,s2,s3,…sn}传给FC;
所述A/D采样即是将接收到的连续的模拟信号转换成离散的数字信号;之后一级检测节点将采样后信号转换到频域;
所述FFT是离散傅氏变换的快速算法;
所述{a1,a2,a3,…an},{s1,s2,s3,…sn}是能量检测得到的各个节点的能量值数据序列;
步骤4.2)FC将得到的检测结果{a1,a2,a3,…an},{s1,s2,s3,…sn}进行能量降序排序,取出这两个序列中前两个数据组成数据对pair{(ax,ay)(sz,sr)}(x,y≤n;r,z≤m),以下简称pair();pair()将作为与判决值与用户输入的阈值θth进行判决,当pair()的所有值均小于θth,则认为此时PU的状态为H0,FC判决为H0的结果发送给SU,SU此后接入信道,此时一个检测周期结束,转步骤4.1);当pair()的所有值不是全部小于θth,SU接收到FC判决为H1的结果,进入步骤5);
步骤5)对PU进行二级检测,具体步骤如下:
步骤5.1)FC根据得到的pair(),获得各个能量值所对应的一级检测节点Ax、Ay、Sx、Sy,再根据一级检测节点(Ax,Ay)划分出一个扇形区域,然后根据(Sx,Sy)在上述扇形区域中划分出进行一个分块区域,这个分块区域为进行二级检测的子区域{(Ax,Ay)(Sx,Sy)};
步骤5.2)FC通过控制信道唤醒子区域{(Ax,Ay)(Sx,Sy)}内的汇聚节点进入工作状态,这些进入工作状态的汇聚节点唤醒所在子区域内的二级检测节点进入工作状态;
所述唤醒是将节点从睡眠状态转换为工作状态;
步骤5.3)检测区域内的二级检测节点进入工作状态后开始对PU进行频谱检测,二级检测使用二级循环平稳特征检测,通过特征检测判断PU的状态,二级检测过程首先是将接收到的信号进行A/D采样;然后将采样后的结果转换到频域,这里仍采用FFT变换,从而计算出频谱的自相关函数;二级检测节点通过相关函数是否出现峰值检测判断PU的状态,若出现峰值判定PU的状态为H0,否则判定PU的状态为H1;
步骤5.4)各二级检测节点对PU进行二级级循环平稳特征检测判决,判决结果主要有软判决和硬判决,这里采用硬判决,即状态H0结果为0,状态H1结果为1;之后各个子区域内的二级检测节点将判决检测结果发送给所属的子区域{(Ax,Ay)(Sx,Sy)}内的汇聚节点,汇聚节点再将结果打包成0-1决策子表发送给融合中心FC,所述的0-1决策子表为按照二级检测节点的判决结果处理而成的数据表格;
步骤6)FC将接收到的汇聚节点的数据进行融合并最终判决PU的状态
步骤6.1)首先FC将接收的一级检测节点检测结果即能量值数据序列{a1,a2,a3,…an},{s1,s2,s3,…sn}丢弃,之后将二级检测得到的判决结果进行进一步处理,主要处理方式是将判决结果处理成最终的0-1决策表,其中0表示PU的状态为H0;1表示PU的状态为H1;所述的0-1决策表为接收到的判决结果按照所属的子区域所处理而成的数据表格,即二级检测节点发送的0-1决策子表组成的最后数据表格;
步骤6.2)FC依据0-1决策表进行融合判决,判决方式主要有与判决,或判决和K-out-N判决方式,这里选择K-out-N判决方式:
所述的N值为0-1决策表数据个数,T值为判决门限值,K值为判决值,N,K,值由FC接收的数据计算得到,Ri表示表格中每个单元格的数据值,其值只有0和1两种取值,分别表示PU的两种状态H0和H1,T值由用户指定;
所述K-out-N判决方式为对表格中所有Ri值进行加权求和得到判决值K,K值小于判决门限值T时判定PU的状态为H0,K值大于等于T是判定PU的状态为H1;
步骤6.3)根据用户需求输入T值,FC依据K-out-N判决方式判定PU的状态并将检测结果发送给SU,接收的判定结果为H0,则SU接入信道进行通讯,判定结果为H1,则SU需等待下检测一周期的判决结果,此时一个检测周期结束,CRSN网络重新返回初级频谱检测流程,即回到步骤4.1继续执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510466958.4A CN105162539B (zh) | 2015-07-31 | 2015-07-31 | 一种基于节点信息的认知无线传感器网络频谱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510466958.4A CN105162539B (zh) | 2015-07-31 | 2015-07-31 | 一种基于节点信息的认知无线传感器网络频谱检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105162539A true CN105162539A (zh) | 2015-12-16 |
CN105162539B CN105162539B (zh) | 2017-07-28 |
Family
ID=54803311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510466958.4A Active CN105162539B (zh) | 2015-07-31 | 2015-07-31 | 一种基于节点信息的认知无线传感器网络频谱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105162539B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827442A (zh) * | 2016-03-14 | 2016-08-03 | 山东省计算中心(国家超级计算济南中心) | 无线体域网能效频效分析方法 |
CN105959987A (zh) * | 2016-04-14 | 2016-09-21 | 北京邮电大学 | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 |
CN107995599A (zh) * | 2017-11-10 | 2018-05-04 | 桂林理工大学 | 一种基于频谱感知技术的天然橡胶采集监控方法 |
CN109729561A (zh) * | 2019-02-22 | 2019-05-07 | 重庆邮电大学 | 认知异构无线电网络中频谱切换方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813742B1 (en) * | 2006-09-26 | 2010-10-12 | Rockwell Collins, Inc. | Position-based channel coding system and method |
CN102223191A (zh) * | 2011-06-02 | 2011-10-19 | 电信科学技术研究院 | 一种空闲频谱的获取方法和设备 |
US20120033621A1 (en) * | 2010-08-04 | 2012-02-09 | Infineon Technologies Ag | Communication devices, method for data communication, and computer program product |
CN102781032A (zh) * | 2011-05-09 | 2012-11-14 | 中国人民解放军海军航空工程学院 | 一种基于相关性的多传感器协同目标检测方法 |
CN102917376A (zh) * | 2011-08-02 | 2013-02-06 | 上海交通大学 | 结合功率控制的认知无线传感器网络的mac实现方法 |
US20130273880A1 (en) * | 2008-10-28 | 2013-10-17 | Qualcomm Incorporated | Spatio-temporal random voting scheme for cognitive networks |
CN104243056A (zh) * | 2013-06-24 | 2014-12-24 | 电信科学技术研究院 | 认知无线电系统中的频谱感知方法和装置 |
-
2015
- 2015-07-31 CN CN201510466958.4A patent/CN105162539B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813742B1 (en) * | 2006-09-26 | 2010-10-12 | Rockwell Collins, Inc. | Position-based channel coding system and method |
US20130273880A1 (en) * | 2008-10-28 | 2013-10-17 | Qualcomm Incorporated | Spatio-temporal random voting scheme for cognitive networks |
US20120033621A1 (en) * | 2010-08-04 | 2012-02-09 | Infineon Technologies Ag | Communication devices, method for data communication, and computer program product |
CN102781032A (zh) * | 2011-05-09 | 2012-11-14 | 中国人民解放军海军航空工程学院 | 一种基于相关性的多传感器协同目标检测方法 |
CN102223191A (zh) * | 2011-06-02 | 2011-10-19 | 电信科学技术研究院 | 一种空闲频谱的获取方法和设备 |
CN102917376A (zh) * | 2011-08-02 | 2013-02-06 | 上海交通大学 | 结合功率控制的认知无线传感器网络的mac实现方法 |
CN104243056A (zh) * | 2013-06-24 | 2014-12-24 | 电信科学技术研究院 | 认知无线电系统中的频谱感知方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827442A (zh) * | 2016-03-14 | 2016-08-03 | 山东省计算中心(国家超级计算济南中心) | 无线体域网能效频效分析方法 |
CN105827442B (zh) * | 2016-03-14 | 2019-04-05 | 山东省计算中心(国家超级计算济南中心) | 无线体域网能效频效分析方法 |
CN105959987A (zh) * | 2016-04-14 | 2016-09-21 | 北京邮电大学 | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 |
CN107995599A (zh) * | 2017-11-10 | 2018-05-04 | 桂林理工大学 | 一种基于频谱感知技术的天然橡胶采集监控方法 |
CN107995599B (zh) * | 2017-11-10 | 2020-07-31 | 桂林理工大学 | 一种基于频谱感知技术的天然橡胶采集监控方法 |
CN109729561A (zh) * | 2019-02-22 | 2019-05-07 | 重庆邮电大学 | 认知异构无线电网络中频谱切换方法 |
CN109729561B (zh) * | 2019-02-22 | 2020-12-22 | 重庆邮电大学 | 认知异构无线电网络中频谱切换方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105162539B (zh) | 2017-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bi et al. | Engineering radio maps for wireless resource management | |
Tsai | Sensing coverage for randomly distributed wireless sensor networks in shadowed environments | |
CN101753232B (zh) | 协作频谱检测方法和系统 | |
Yue et al. | Spectrum sensing algorithms for primary detection based on reliability in cognitive radio systems | |
CN105162539A (zh) | 一种基于节点信息的认知无线传感器网络频谱检测方法 | |
Zhou et al. | On the spatial distribution of base stations and its relation to the traffic density in cellular networks | |
CN103338082B (zh) | 一种基于“k秩”准则的双门限协作频谱感知方法 | |
Chen et al. | Secure centralized spectrum sensing for cognitive radio networks | |
CN102324959A (zh) | 一种基于多天线系统协方差矩阵的频谱感知方法 | |
Nedham et al. | An improved energy efficient clustering protocol for wireless sensor networks | |
CN107370548A (zh) | 一种基于无线电环境地图的协作宽带频谱感知方法 | |
CN101521526A (zh) | 认知无线电中最优联合空闲频谱检测方法 | |
CN103763043A (zh) | 基于协作式认知网络高效无线频谱感知方法 | |
Swaminathan et al. | A smart energy optimization and collision avoidance routing strategy for IoT systems in the WSN domain | |
Salem et al. | ICSSSS: An intelligent channel selection scheme for cognitive radio ad hoc networks using a self organized map followed by simple segregation | |
CN103916859A (zh) | 认知无线网络恶意占用信道用户的检测方法 | |
CN105119669A (zh) | 一种认知无线电网络分簇协作频谱感知方法 | |
Li et al. | Spectrum detection and link quality assessment for heterogeneous shared access networks | |
CN101753174B (zh) | 自适应频谱检测方法和系统 | |
CN108322276A (zh) | 一种基于d-s证据理论的频谱感知准确率提升技术 | |
Kansal et al. | Cognitive Radio based Spectrum Sharing technique for 5G system | |
CN106788818A (zh) | 基于认知功能和传感器节点分离的crsn频谱感知方法 | |
Jiang et al. | Signal detection algorithm design based on stochastic resonance technology under low signal-to-noise ratio | |
CN102118200A (zh) | 一种基于协方差绝对值法的频谱检测方法 | |
CN101944934B (zh) | 一种基于载波间干扰消除的认知ofdma系统载波检测方法 |
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 |