CN105337676B - 移动场景中软判决协作频谱感知数据融合方法 - Google Patents
移动场景中软判决协作频谱感知数据融合方法 Download PDFInfo
- Publication number
- CN105337676B CN105337676B CN201510612005.4A CN201510612005A CN105337676B CN 105337676 B CN105337676 B CN 105337676B CN 201510612005 A CN201510612005 A CN 201510612005A CN 105337676 B CN105337676 B CN 105337676B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- soft
- user
- 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
- H04B—TRANSMISSION
- H04B2201/00—Indexing scheme relating to details of transmission systems not covered by a single group of H04B3/00 - H04B13/00
- H04B2201/69—Orthogonal indexing scheme relating to spread spectrum techniques in general
- H04B2201/692—Cognitive radio
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
移动场景中软判决协作频谱感知数据融合方法，涉及信息与通信技术领域。本发明是为了解决现有软判决协作频谱感知数据融合方法的以下问题：1)、现有的融合方法难以适用于对移动场景；2)、现存的软判决数据融合方法需要依赖于认知用户的信噪比和位置的先验知识；3)、现有融合方法的信道适应性较弱；本发明融合方法中，各移动认知用户先独立进行本地能量检测并将检测结果上传到融合中心，然后融合中心仅仅根据这些检测结果为每个用户计算出本次融合对应的加权因子，最后融合中心利用检测结果和对应的加权因子求出加权的目标函数并做出最后的判断。本发明适用于信息与通信技术中的认知无线电软判决协作频谱感知场合。
Description
技术领域
本发明涉及信息与通信技术领域。
背景技术
近年来，无线通信技术的快速发展导致人们对于无线频谱资源的需求量急剧增加。然而，当前固定的频谱分配政策使得大部分频带并没有得到充分的利用。为了提升频谱利用率，研究者提出了认知无线电(CR)技术。CR是在不影响主用户信号的授权频段，即固定分配给用户的频段，正常进行通信的前提下，让具有无线电环境感知功能的无线通信设备动态接入主用户授权频段，从而完成频谱资源的共享。这个过程中，频谱感知是保证主用户信号正常通信的关键技术。
频谱感知技术有两个任务，首先需要在认知用户需要传输数据时检测到频谱空隙，而且需要在认知用户传输数据过程中不间断地检测授权用户是否出现。对于各种频谱感知算法的研究已经成为了无线通信技术中的研究热点。频谱感知可分为单用户频谱检测法以及多用户协作检测法。单用户频谱检测技术就是指一个用户对被检频段单独进行频谱检测并且做出本地的检测结果。能量检测算法是一种单节点频谱检测算法，其原理简单易于实现且不需要知道主用户的先验信息，没有对信号作任何假设。能量检测法对任何信号都适用，因此得到了广泛的使用。
实际的认知系统中，单节点频谱感知算法是有较大的局限性的。隐藏终端问题和阴影效应等问题，都会大大降低单节点检测的检测性能。就像是隐藏终端问题会导致处于树或建筑物阴影中的用户不能检测到主用户信号是否存在，从而会对主用户的正常通信造成严重的负面影响。而且，如果使用单节点检测法，为了能够达到系统要求的检测精度，对检测法的准确度要求是非常高的，这通常会使感知时间大大延长。因此，在实际系统中，单节点检测往往是不可行的。在这样的背景下，多用户协作检测法得到了许多科研人员的关注。多用户协作感知法可根据认知网络中是否存在独立的融合中心分为集中式和分布式两大类。其中，集中式的协作感知就是指认知用户需要把每次检测的结果或判决的结果上传到共同的融合中心，融合中心利用这些结果以及事先约定的处理规则进行最终判决的检测方法。而分布式的协作感知就是指认知用户将每次检测的结果或判决的结果进行共享，由认知用户共同做出最后判决的检测方法。目前对于前者的研究要远远多于后者。
由上文的分析可以看出，融合中心处对于数据的融合算法对协作频谱检测法检测性能的影响是非常大的。融合中心处的数据融合算法可分为软判决和硬判决。硬判决就是认知用户将其检测到的能量值与预设门限进行比较大小，仅上传比较的结果(以单比特形式)，融合中心根据这些单比特判决结果进行最终的判决。而软判决是各个认知用户将本地的感知结果上传给融合中心，融合中心根据事先约定的算法对这些能量值进行融合并与预设的门限进行大小的比较，进而得出最终的判决结果。
如此可以看出，前者的优点就是可以减少系统的开销，降低传输的数据量。但是由于这种算法只保留大小判决结果，没有很充分地利用能量值，性能不如后者。而与此同时，后者在提升系统检测性能的同时又消耗了大量的传输带宽。另外，在软判决协作频谱感知系统中，数据融合是非常重要的一个步骤。为每个上传到融合中心的检测结果选择恰当的加权因子能够令检测系统获得优异的检测性能。
当前绝大多数关于认知无线电频谱感知的研究都是在认知用户保持静止的假设上进行的，然而，认知用户的移动性是无线网络的固有属性。现有方法难以对移动场景下的认知无线电频谱感知数据融合。
发明内容
本发明是为了解决现有软判决协作频谱感知数据融合方法的以下问题：1)、现有的融合方法难以适用于对移动场景；2)、现存的软判决数据融合方法需要依赖于认知用户的信噪比和位置的先验知识；3)、现有融合方法的信道适应性较弱；从而提供移动场景下的软判决协作频谱感知融合方法。
移动场景中软判决协作频谱感知数据融合方法，它由以下步骤实现：
步骤一、每个移动认知用户独立进行本地能量检测，第i个认知用户的能量检测结果为yi；
步骤二、将步骤一得到的每个用户能量检测的结果yi上传到认知网络中的融合中心FC；
步骤三、认知网络中的融合中心FC根据本次能量检测后上传的所有检测结果，利用公式：
计算每个移动认知用户本次数据融合时对应的加权因子；
其中：N表示认知网络中移动认知用户的总数，wi则代表第i个认知用户本次检测结果对应的加权因子；
步骤四、融合中心利用步骤二得到的检测结果和步骤三得到的各个检测结果对应的加权因子根据公式：
获得加权的目标函数
步骤五、融合中心比较加权目标函数与预设门限λ的大小，获得判定结果；
步骤六、融合中心将步骤五获得的判定结果发送给此认知网络中的各个移动认知用户，完成一次软判决协作频谱感知。
本发明针对实际应用场景中认知用户始终不断运动的情况，给出了一种软判决协作频谱感知数据融合方法。本发明中，各移动场景中的认知用户先独立进行本地能量检测并将检测结果上传到融合中心，然后融合中心仅仅根据这些检测结果为每个用户计算出本次融合对应的加权因子，最后融合中心利用检测结果和对应的加权因子求出加权的目标函数并做出最后的判断。本发明方法无需任何先验信息，且具有对实际环境的自适应特性。
仿真结果显示，本方法相对于传统数据融合方法(EGC)而言，在一定虚警概率的前提下，具有更高的检测概率，更低的漏检概率和更小的错误概率，即本发明方法检测性能更加优异。
附图说明
图1是本发明融合方法与传统方法获得的检测概率和虚警概率对比仿真示意图；
图2是本发明融合方法与传统方法获得的漏检概率和虚警概率对比仿真示意图；
图3是本发明融合方法与传统方法获得的错误概率对比仿真示意图；
图4是认知网络模型示意图；
图5是认知用户移动模型示意图；
具体实施方式
具体实施方式一、移动场景中一种软判决协作频谱感知数据融合方法，它由以下步骤实现：
步骤一、每个移动认知用户独立进行本地能量检测。假设第i个认知用户的能量检测结果为yi。
步骤二、将步骤一得到的每个用户能量检测的结果yi上传到认知网络中的融合中心(FC)。
步骤三、融合中心根据本次能量检测后上传的所有检测结果，利用式(1)计算求得每个移动认知用户本次数据融合时对应的加权因子。
其中N表示认知网络中移动认知用户的总个数，wi则代表第i个认知用户本次检测结果对应的加权因子。
步骤四、融合中心利用步骤二得到的检测结果以及步骤三得到的各个检测结果对应的加权因子以及式(2)获得加权的目标函数
步骤五、融合中心比较加权目标函数与预设门限λ的大小，从而确定主用户是否存在。具体来说，若目标函数更大，则判定主用户存在；否则，判定不存在。
步骤六、融合中心将步骤五获得的判断结果发送给此认知网络中的各个移动认知用户。至此，本次软判决协作频谱感知结束。
以下以具体的仿真试验验证本发明的效果：
图1是在认知用户总数N＝3，参数K分别取400，800，1600，2400，3000时，本发明融合方法与传统方法(EGC)获得的检测概率和虚警概率对比图。其中M＝500，P0＝P1＝0.5，△t＝1s，vmax＝60km/s，vmin＝40km/s，a＝6km，b＝4km，γ＝2。图1中每组曲线中位于左侧的曲线代表本发明融合方法，位于右侧的曲线代表传统方法，K的含义见公式(9)；
图2是在认知用户总数N＝3，参数K分别取400，800，1600，2400，3000时，本发明融合方法与传统方法(EGC)获得的漏检概率和虚警概率对比图。
其中M＝500，P0＝P1＝0.5，△t＝1s，vmax＝60km/s，vmin＝40km/s，a＝6km，b＝4km，γ＝2。图2中每组曲线中位于左侧的曲线代表本发明融合方法，位于右侧的曲线代表传统方法；
图3是在认知用户总数N为3，参数K分别取400，800，1600，2400，3000以及N＝6，K＝3200时，本发明融合方法与传统方法(EGC)获得的错误概率对比图。
其中M＝500，P0＝P1＝0.5，△t＝1s，vmax＝60km/s，vmin＝40km/s，a＝6km，b＝4km，γ＝2。图3中每组曲线中位于右侧的曲线代表本发明融合方法，位于左侧的曲线代表传统方法；
图4是所研究的认知网络模型，其中包括一个静止的主用户(PU)，一个融合中心(FC)以及N个移动的认知用户(SU)；
图5是认知用户移动模型，假设其服从随机游走模型，其中A表示本检测间隔的起点，B表示终点，v表示认知用户的移动速度，在[vmin,vmax]区间内均匀分布，θ则代表移动方向，在[0,2π]区间内均匀分布。△t是能量检测时间间隔，即任一用户每隔△t时间进行一次能量检测。D0是A和主用户的间距，d是B与主用户的间距；
图4给出了认知网络模型。其中包括一个静止的主用户，一个融合中心以及N个移动认知用户。假设每个认知用户在能量检测过程中的采样点数为M。且用H1代表主用户存在，H0代表主用户不存在。图5给出了每个认知用户的移动模型，即每个认知用户服从随机游走模型。A(xA,yA)表示本检测间隔中随机选择的起点，B(xB,yB)表示终点，v表示认知用户的移动速度，在[vmin,vmax]区间内均匀分布，θ则代表移动方向，在[0,2π]区间内均匀分布。△t是能量检测时间间隔，即任一用户每隔△t时间进行一次能量检测。D0是A和主用户的间距，d是B与主用户的间距。当一个认知用户运动到认知网络的边界时，它会按照类似于光的反射定律反射回认知网络，继续运动。一个检测周期结束后，认知用户便随机选取一个新的速度和新的运动方向，继续运动。在图5中，a表示正方形认知网络的边长，b代表主用户与正方形认知网络中心的距离。
那么xA，yA，v和θ的概率密度函数分别为：
根据图5所示的几何关系，能够获得如下两个等式关系：
假设信道的带宽要远远大于相关带宽，那么多经衰落的影响就可以忽略不计。
那么距离主用户di的第i个认知用户ui接收到的主用户信号的功率Pr,i为：
其中：L(dB)＝-20log10(4πd0)/λw，λw是主用户信号波长，Pt是主用户发送信号功率，d0是与天线相关的相对距离。γ表示认知用户ui的路径损耗指数，这个指数与ui当前位置(xB,yB)相关。ψ是ui此刻的阴影衰落，同样与其当前位置(xB,yB)相关。这样一来，根据式(7)，用户ui接收到的主用户信号功率为：
其中：
由于变量xB和yB都能够用变量组(xA,yA,v,θ)表示，因此式(8)可以写为：
下面考虑当主用户信号存在时(H1)，Pr,i的概率密度函数及其数学期望为：
其中：
而是变量组(Pr,i,xA,yA,θ)的函数。当主用户不存在的时候(H0)，有
在软判决协作频谱感知系统中，每个移动认知用户采用能量检测方法。由于检测过程持续时间很短，假设主用户的状态在每次检测过程中保持不变。那么认知用户ui(i＝1,2…N)接收到的信号ri(k)可由下式表示。
其中：k代表采样点序号。hi表示第i个认知用户接收信道的衰落情况，与移动认知用户ui的实时位置有关，假设hi在每次检测过程中仍然保持不变。si(k)代表主用户发送的信号，其M个采样点之间相互独立。ni是高斯白噪声，其期望为0，方差为那么第i个认知用户的能量检测结果yi为：
事实上，式(14)获得的yi服从中心/非中心χ2分布。然而，由于采样点数M通常来讲非常大，根据中心极限定理，yi近似服从高斯分布。
其中，和分别为第i个移动认知用户接收到的主用户信号功率以及噪声功率。
在理想场景中，单节点频谱感知能够满足认知无线电的全部要求。然而，在现实环境中，却存在很多问题。例如隐藏终端，信道衰落，多经效应等等问题。这些会导致单节点检测的检测性能非常糟糕。多节点协作频谱感知能够减弱这些问题的影响。与硬判决协作感知系统相比，软判决感知系统拥有更加优异的检测性能。在软判决协作系统中，各个认知用户首先将各自检测结果yi发送到融合中心。然后，融合中心根据实现规定的数据融合准则，例如EGC或MRC等等，求出最为恰当的加权因子wi。最后，融合中心计算出加权的目标函数假设λ代表融合中心出预设的门限。那么融合中心通过比较fobj和λ的大小，确定主用户是否存在。具体来说，如果目标函数更大，判定主用户存在；否则，判定不存在。
根据式(15)，fobj满足如下分布：
那么在普通静止场景中，软判决协作频谱感知系统的检测概率，漏检概率，虚警概率以及错误概率分别为：
其中：
Pd，Pm，Pf和Pe分别代表系统检测概率，漏检概率，虚警概率以及错误概率。而P0和P1则分别代表主用户存在与不存在的概率。可见，在软判决感知整个过程中，确定恰当的加权因子是关键所在。下面给出本发明确定加权因子的过程。
假设N个移动认知用户在一次检测过后上传的检测结果分别为y1,y2,…,yN。那么本发明的融合方法中加权因子计算过程可用(18)表示。
而融合中心处的加权目标函数为：
本发明的融合方法检测性能优于传统方法(EGC)，即在系统虚警概率保持不变的情况下提升检测概率，降低漏检概率并减少了错误概率。证明过程如下。根据数学不等式方面的知识，可以得出如下结论。
定义函数F为那么
为了计算出函数F的极小值，令因此
这就是说当y1＝y2＝…＝yN时，不等式(20)取到等号。所以
这就意味着对于同样一组能量检测结果，本发明数据融合方法获得的加权目标函数大于等于传统方法所得目标函数，即
当且仅当y1＝y2＝…＝yN时，不等式(25)取等，即由上文得知，采样点数M通常是非常大的。
根据(16)，在H1假设下，任一移动认知用户的检测结果的分布情况是由其接收到的主用户信号功率决定的。尽管足够大的M能够令检测结果的方差非常小，但是每个用户检测结果的均值仍是不同的。这就说明在H1假设下，各个认知用户检测结果的分布情况是互不相同的。
因此，在主用户存在的情况下，式(25)是不会取等的，即那么当主用户存在的时候，本发明数据融合方法获得的目标函数一定大于传统方法，即能够获得更大的系统检测概率。当主用户不存在时，即在H0假设下，同样地认知用户检测结果方法非常小。但此时各个移动用户检测结果的均值相同，都为
因此，当主用户不存在时，本发明的数据融合方法获得的目标函数与传统方法近似相等，即这也就说明本方法和传统方法获得的虚警概率一致。进而说明了本发明方法与传统方法相比(EGC)，能够在虚警概率保持不变的前提下，提升系统的检测概率，降低漏检概率并减小错误概率。为了证明这部分论证的正确性，对这两种融合方法进行了如图1，2和3的仿真对比。说明了本发明数据融合方法相比于EGC融合方法的优越性。事实上，在移动场景下本方法同样优于以MRC为代表的需要先验信息的融合方法。
由于移动场景下认知用户始终不断运动，融合中心是无法实时获取其信噪比信息或其位置信息的。就算能够获得这些信息，也一定需要大量的系统开销。本发明则完全不需要任何先验信息，从这个意义上讲，本发明要比MRC等方法适用于移动模型。
在移动场景下，系统检测概率漏检概率虚警概率以及错误概率分别为：
其中：
而且：f(Pr,1,Pr,2,…,Pr,N)表示Pr,1,Pr,2,…,Pr,N的联合概率密度函数。由于N个移动认知用户独立运动，则：
f(Pr,1,Pr,2,…,Pr,N)＝f(Pr,1)·f(Pr,2)·...·f(Pr,N) (31)
通过仿真实验证实了本发明数据融合方法相比传统方法(EGC)的优越性，同时证明了上文论证部分的正确性。
实验证实，本发明方法与EGC相比能够在虚警概率保持不变的前提下提升系统检测概率，降低漏检概率，减少错误概率，即提升了系统的检测性能。
本发明具有以下特点和显著进步：
1、本发明无需任何主用户信号的先验信息。融合过程只利用了本次上传到融合中心的能量检测结果。那么在任何系统中，针对任何形式的主用户信号，本发明提出的数据融合方法都有效。即本发明有着极宽的适用范围。
2、本发明的软判决协作频谱感知融合方法是针对移动场景提出的，即认知网络中的认知用户保持时刻运动的状态。这样的场景更符合现实情况。
3、本发明数据融合方法获得的加权因子会根据上传的能量检测结果实时变化，可以时刻适应环境的变化，获取恰当的权值，提升系统的检测性能。
4、本发明软判决数据融合方法为每个移动认知用户实时分配恰当的权值，能够使得整个系统的检测性能大大提升。
Claims (6)
1.移动场景中软判决协作频谱感知数据融合方法，其特征是：它由以下步骤实现：
步骤一、每个移动认知用户独立进行本地能量检测，第i个认知用户的能量检测结果为yi；
步骤二、将步骤一得到的每个用户能量检测的结果yi上传到认知网络中的融合中心FC；
步骤三、认知网络中的融合中心FC根据本次能量检测后上传的所有检测结果，利用公式：
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msqrt>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
计算每个移动认知用户本次数据融合时对应的加权因子；
其中：N表示认知网络中移动认知用户的总数，wi则代表第i个认知用户本次检测结果对应的加权因子；
步骤四、融合中心利用步骤二得到的检测结果和步骤三得到的各个检测结果对应的加权因子根据公式：
<mrow>
<msubsup>
<mi>f</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
<mi>j</mi>
</mrow>
<mi>v</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
获得加权的目标函数
步骤五、融合中心比较加权目标函数与预设门限λ的大小，获得判定结果；
步骤六、融合中心将步骤五获得的判定结果发送给此认知网络中的各个移动认知用户，完成一次软判决协作频谱感知。
2.根据权利要求1所述的移动场景中软判决协作频谱感知数据融合方法，其特征在于步骤五中的判定结果的获得方法是：若目标函数大于预设门限λ，则判定主用户存在；否则，判定不存在。
3.根据权利要求1所述的移动场景中软判决协作频谱感知数据融合方法，其特征在于通过公式：
<mrow>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>d</mi>
<mo>-</mo>
<mi>S</mi>
</mrow>
<mi>v</mi>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Integral;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</munder>
<munder>
<mo>&Integral;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
</munder>
<mn>...</mn>
<munder>
<mo>&Integral;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
</munder>
<msub>
<mi>Q</mi>
<msub>
<mi>P</mi>
<mi>r</mi>
</msub>
</msub>
<msub>
<mi>dP</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>dP</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mn>...</mn>
<msub>
<mi>dP</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
</mrow>
计算系统的检测概率
其中：
<mrow>
<msub>
<mi>Q</mi>
<msub>
<mi>P</mi>
<mi>r</mi>
</msub>
</msub>
<mo>=</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&lambda;</mi>
<mo>-</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>w</mi>
<mi>l</mi>
</msub>
</mrow>
<msqrt>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mn>2</mn>
<msubsup>
<mi>w</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>M</mi>
</mrow>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中：f(Pr,1,Pr,2,…,Pr,N)表示Pr,1,Pr,2,…,Pr,N的联合概率密度函数；Pr,i为距离主用户di的第i个认知用户ui接收到的主用户信号的功率；表示方差；M表示采样点个数；
且由于N个移动认知用户独立运动，则：
f(Pr,1,Pr,2,…,Pr,N)＝f(Pr，1)·f(Pr,2)·…·f(Pr,N)。
4.根据权利要求1所述的移动场景中软判决协作频谱感知数据融合方法，其特征在于通过公式：
<mrow>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mi>S</mi>
</mrow>
<mi>v</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>d</mi>
<mo>-</mo>
<mi>S</mi>
</mrow>
<mi>v</mi>
</msubsup>
</mrow>
其中：表示检测概率；
计算系统的漏检概率
5.根据权利要求1所述的移动场景中软判决协作频谱感知数据融合方法，其特征在于通过公式：
<mrow>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>f</mi>
<mo>-</mo>
<mi>s</mi>
</mrow>
<mi>v</mi>
</msubsup>
<mo>=</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&lambda;</mi>
<mo>-</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mo>&CenterDot;</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>n</mi>
<mn>4</mn>
</msubsup>
<mo>/</mo>
<mi>M</mi>
</mrow>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
计算系统的虚警概率
式中：为方差，M是采样点数。
6.根据权利要求1所述的移动场景中软判决协作频谱感知数据融合方法，其特征在于通过公式：
<mrow>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>e</mi>
<mo>-</mo>
<mi>S</mi>
</mrow>
<mi>v</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>f</mi>
<mo>-</mo>
<mi>S</mi>
</mrow>
<mi>v</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>d</mi>
<mo>-</mo>
<mi>S</mi>
</mrow>
<mi>v</mi>
</msubsup>
</mrow>
计算系统的错误概率
式中：P0和P1则分别代表主用户存在与不存在的概率，表示虚警概率，表示检测概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510612005.4A CN105337676B (zh) | 2015-09-23 | 2015-09-23 | 移动场景中软判决协作频谱感知数据融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510612005.4A CN105337676B (zh) | 2015-09-23 | 2015-09-23 | 移动场景中软判决协作频谱感知数据融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105337676A CN105337676A (zh) | 2016-02-17 |
| CN105337676B true CN105337676B (zh) | 2018-03-30 |
Family
ID=55288008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510612005.4A Active CN105337676B (zh) | 2015-09-23 | 2015-09-23 | 移动场景中软判决协作频谱感知数据融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105337676B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106255066B (zh) * | 2016-09-23 | 2019-06-25 | 宁波大学 | 协同认知无线网络多用户通信动态判决方法 |
| CN106341791B (zh) * | 2016-09-23 | 2019-11-12 | 宁波大学 | 认知无线电频谱感知动态判决方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103117820A (zh) * | 2013-01-23 | 2013-05-22 | 南通大学 | 基于可信度的加权协作频谱检测方法 |
| CN104038296A (zh) * | 2014-06-11 | 2014-09-10 | 北京科技大学 | 一种认知无线电网络的协作频谱检测方法 |
-
2015
- 2015-09-23 CN CN201510612005.4A patent/CN105337676B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103117820A (zh) * | 2013-01-23 | 2013-05-22 | 南通大学 | 基于可信度的加权协作频谱检测方法 |
| CN104038296A (zh) * | 2014-06-11 | 2014-09-10 | 北京科技大学 | 一种认知无线电网络的协作频谱检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 协作频谱感知中数据融合与决策算法比较;覃琴;《电讯技术》;20090731;第49卷(第7期);第5-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105337676A (zh) | 2016-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180089566A1 (en) | Method and apparatus for positioning of artificial neural network | |
| CN104320845B (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
| CN103220052B (zh) | 一种认知无线电中检测频谱空洞的方法 | |
| KR102154273B1 (ko) | 다중 안테나 적용 통신 시스템에서 부분 간섭 정렬 장치 및 방법 | |
| Liu et al. | Localization algorithm of indoor Wi-Fi access points based on signal strength relative relationship and region division. | |
| CN112135344B (zh) | 一种基于csi和dcnn的无设备目标定位方法 | |
| CN107395301A (zh) | 一种基于k均值算法的频谱感知方法 | |
| CN108960404A (zh) | 一种基于图像的人群计数方法及设备 | |
| CN107370521A (zh) | 一种认知无线电多用户协作频谱感知方法 | |
| Wang et al. | Los/nlos channel identification technology based on cnn | |
| CN105337676B (zh) | 移动场景中软判决协作频谱感知数据融合方法 | |
| CN105933867A (zh) | 基于信道状态信息的被动式两锚点实时室内定位方法 | |
| Chagas et al. | Genetic algorithms and simulated annealing optimization methods in wireless sensor networks localization using artificial neural networks | |
| CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
| CN110224771A (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
| CN105099587B (zh) | 移动场景下认知无线电频谱感知系统检测性能参量获得方法 | |
| CN103036626B (zh) | 基于认知无线电协作用户与检测门限联合选择的无线通信方法 | |
| CN106301627B (zh) | 一种认知自组织网络中分布式协作频谱感知方法 | |
| Mi et al. | A novel denoising method based on machine learning in channel measurements | |
| Wu et al. | Research on RSS based indoor location method | |
| CN103795478B (zh) | 一种基于典型关联分析的多主用户个数检测方法 | |
| CN105743594B (zh) | 一种认知无线电系统中基于用户间协作的主用户仿冒攻击检测方法 | |
| CN104469811A (zh) | 认知无线传感网络分簇合作频谱感知硬融合方法 | |
| CN108646212A (zh) | 发射功率未知条件下基于数据净化的相对指纹定位方法 | |
| Yu et al. | CIRNN: An Ultra-Wideband Non-Line-of-Sight Signal Classifier Based on Deep-Learning |
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 |