CN106255066B - 协同认知无线网络多用户通信动态判决方法 - Google Patents
协同认知无线网络多用户通信动态判决方法 Download PDFInfo
- Publication number
- CN106255066B CN106255066B CN201610843183.2A CN201610843183A CN106255066B CN 106255066 B CN106255066 B CN 106255066B CN 201610843183 A CN201610843183 A CN 201610843183A CN 106255066 B CN106255066 B CN 106255066B
- Authority
- CN
- China
- Prior art keywords
- user
- coordinating cognition
- coordinating
- cluster
- auxiliary
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
- H04W40/16—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality based on interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及协同认知无线网络多用户通信动态判决方法,用于授权用户、频谱感知融合中心、N个认知用户、K个中继节点及一个中继控制节点所形成的认知无线网络,该方法通过筛选得到最佳中继节点来保证各认知用户与频谱感知融合中心之间数据传输的通信质量,以保证频谱感知融合中心的融合结果的准确性;将各认知用户的移动情况考虑到频谱感知融合中心的融合中,并将各认知用户分类到不同的认知用户集合中,并计算各认知用户集合所对应的主协同贡献系数和辅助协同贡献系数,准确得到最终的协同检测概率。
Description
技术领域
本发明涉及通信领域,尤其涉及一种协同认知无线网络多用户通信动态判决方法。
背景技术
认知无线网络是一种基于认知无线电技术,主要由授权用户以及认知用户所形成的无线通信网络。在认知无线网络中,授权用户能够依法享受到法定分配的通信频段(又称授权频段),认知用户实时地检测授权用户所使用的授权频段并在检测到授权用户的授权频段处于空闲状态时,认知用户调整自身的发射功率及信号调制参数,从而在保证授权用户通信质量的前提下,使用分配给授权用户的处于空闲状态的授权频段进行通信,以智能地提高所处无线通信网络中的频谱利用率;在授权用户需要占用该授权频段时,认知用户必须从该授权频段上退出,然后去搜索、检测其它空闲频段以完成自己的通信。这种认知用户检测授权用户的授权频段状态,以实现授权用户和认知用户正常通信的技术称为认知无线电技术。
在实际的无线通信网络环境中,因受到多径衰落、阴影效应和噪声不确定性等诸多因素的不利影响,仅仅依靠单个认知用户对授权用户的授权频段进行检测往往不能适应对授权用户信号检测率的要求。因此,相继有学者提出了基于多个认知用户的协同认知检测方法。协同认知检测方法是指,通过将每个认知用户的检测结果发送给频谱感知融合中心融合,以达到对授权频段进行认知检测的目的。
然而,现有的协同认知检测方法并没有考虑每个认知用户自身信噪比以及认知用户的移动性等因素对协同认知检测结果的影响,同时也未能采取切实有效的措施保证各认知用户与频谱感知融合中心之间数据传输的通信质量,这将导致协同认知检测后的检测性能不够准确,最终难以避免对授权用户的正常通信产生不利干扰。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种协同认知无线网络多用户通信动态判决方法,该方法能够均衡地利用各认知用户的检测性能,降低各认知用户的低信噪比和移动性对协同认知检测性能的不利影响,又能保证各认知用户与频谱感知融合中心之间数据传输的通信质量,从而保证对授权频段的准确检测。
本发明解决上述技术问题所采用的技术方案为:协同认知无线网络多用户通信动态判决方法,用于授权用户、频谱感知融合中心、N个认知用户、K个中继节点以及一个中继控制节点所形成的认知无线网络中,其特征在于,依次包括如下步骤1至步骤11:
步骤1,N个认知用户分别获取、保存自身初始位置到授权用户位置的距离值,并同时实时获取、保存认知用户自身的信噪比、即时速度值、即时速度的方向角度值,并分别对授权用户的频谱占用情况进行能量检测,然后将包括检测概率和虚警概率的检测结果进行保存;其中:
即时速度的方向角度值为认知用户当前的前进方向偏离该认知用户初始位置至授权用户位置连线的偏离角度,第i个认知用户标记为CRi,i=1,2,…,N,N≥3,认知用户CRi自身的信噪比记为SNRi,认知用户CRi的即时速度值标记为vi,认知用户CRi的即时速度的方向角度值标记为θi;授权用户标记为PU;认知用户CRi自身初始位置到授权用户PU位置的距离值标记为di;K≥2;
步骤2,K个中继节点分别获取自身的信噪比,并将自身的信噪比分别发送给中继控制节点和频谱感知融合中心,由中继控制节点计算得到具有最佳中继性能的最佳中继节点;其中,中继控制节点标记为RelayControl,频谱感知融合中心标记为FC,最佳中继节点的获取过程包括如下步骤2-1至步骤2-4:
步骤2-1,K个中继节点分别获取自身的信噪比,并由中继控制节点计算各中继节点的信噪比衡量指数;其中:
其中,为第k个中继节点Relayk的信噪比衡量指数,为第k个中继节点Relayk的信噪比;
步骤2-2,K个中继节点分别获取自身的功耗值,并由中继控制节点计算各中继节点的功耗衡量指数;其中:
其中,为第k个中继节点Relayk的功耗衡量指数,Ek为第k个中继节点Relayk的功耗值;
步骤2-3,K个中继节点分别获取自身位置至中继控制节点距离以及自身位置至频谱感知融合中心的距离,并由中继控制节点计算各中继节点的中继效益衡量指数;其中:
其中,为第k个中继节点Relayk的中继效益衡量指数,Dk1为第k个中继节点Relayk至中继控制节点RelayControl的距离值,Dk2为第k个中继节点Relayk至频谱感知融合中心FC的距离值,max(Dk1,Dk2)表示距离Dk1和距离Dk2中的最大值,min(Dk1,Dk2)表示距离Dk1和距离Dk2中的最小值;
步骤2-4,根据各中继节点的信噪比衡量指数、功耗衡量指数以及中继效益衡量指数,由中继控制节点计算各中继节点的综合性能衡量指数,得到最大综合性能衡量指数,并以该最大综合性能衡量指数所对应的中继节点作为最佳中继节点;其中,各中继节点的综合性能衡量指数计算公式如下:
其中,χk为第k个中继节点Relayk的综合性能衡量指数,χopt为最大综合性能衡量指数,K为所有中继节点的总个数;
步骤3,N个认知用户将各自的信噪比和检测概率分别发送给最佳中继节点,并由最佳中继节点将接收的各认知用户的信噪比和检测概率转发给频谱感知融合中心;
步骤4,频谱感知融合中心根据最佳中继节点所发送来的N个认知用户所对应的信噪比和检测概率,计算各认知用户对应的信噪比在所有N个认知用户信噪比集合中的权值ωi以及各认知用户对应的检测效益指数δi;其中,认知用户CRi所对应信噪比的权值ωi以及检测效益指数δi分别计算如下:
Pd,i表示认知用户CRi所发送的检测概率;
步骤5,频谱感知融合中心根据预设协同认知用户的检测效益指数筛选阈值以及各认知用户对应信噪比的权值情况,筛选出参与协同检测的主协同认知用户集合以及辅助协同认知用户集合:
当认知用户所对应的检测效益指数大于预设协同认知用户的检测效益指数筛选阈值δ0时,则选择该认知用户参与协同检测,并置入主协同认知用户集合S1中;否则,则将该认知用户作为参与协同检测的辅助协同认知用户,并置入辅助协同认知用户集合S2中;
其中,在主协同认知用户集合S1中,设定作为参与协同检测的认知用户的总数目为N1;在辅助协同认知用户集合S2中,设定作为参与协同检测的辅助协同认知用户的总数目为N2,且N1+N2=N;
步骤6,在主协同认知用户集合S1中,预设M个按照升序排列的分簇阈值λj,频谱感知融合中心根据主协同认知用户集合S1中各协同认知用户发送来的信噪比分别与各分簇阈值作判断比较,以得到M1个独立的含有协同认知用户的分簇;其中,j=1,2,…,M且λ1<λ2<…<λM;分簇标记为Cl,l=1,2,…,M1,1≤M1≤M;其中,频谱感知融合中心对各协同认知用户的分簇过程包括如下步骤6-1和步骤6-2:
步骤6-1,根据M个分簇阈值,设定M+1个分簇区间段分别为(-∞,λ1]、(λ1,λ2]、…、(λM-1,λM]和(λM,∞);其中,位于第一分簇内的协同认知用户对应的信噪比处于(-∞,λ1]区间段内,位于第二分簇内的协同认知用户对应的信噪比处于(λ1,λ2]区间段内,依认知类推,位于第M分簇内的协同认知用户对应的信噪比处于(λM-1,λM]区间段内,位于第M+1分簇内的协同认知用户对应的信噪比处于(λM,∞)区间段内;
步骤6-2,频谱感知融合中心分别将主协同认知用户集合S1中各协同认知用户对应的信噪比与M+1个分簇区间段比较,以判决得到各协同认知用户所处的分簇区间段;其中,当协同认知用户的信噪比处于分簇区间段(-∞,λ1]或者(λM,∞)时,则不准该协同认知用户参与协同检测;
步骤7,在含有协同认知用户的M1个分簇内,按照协同认知用户对应信噪比从大到小的顺序,选择各分簇内具有最大信噪比的协同认知用户作为该分簇的簇首认知用户,并选择各分簇内具有最小信噪比的协同认知用户作为该分簇的簇内感知融合中心,从而得到M1个簇首认知用户以及对应的M1个簇内感知融合中心;其中,M1≤M+1;
步骤8,针对M1个分簇,依次得到各簇内的簇内协同检测概率和簇内协同虚警概率,并由各簇分别发送对应的簇内协同检测概率和簇内协同虚警概率给频谱感知融合中心;其中,各簇内频谱感知融合检测过程包括如下步骤8-1和步骤8-4:
步骤8-1,在一个分簇Cl内,协同认知用户CRm根据实时检测的检测时间间隔值△tm、即时速度值vm以及即时速度的方向角度值θm,得到协同认知用户CRm与授权用户的实时距离△dm之间的函数关系方程;其中:
其中,△tm表示协同认知用户CRm前后两认知实时检测的检测时间间隔值,D0m表示协同认知用户CRm初始位置至频谱感知融合中心FC的距离,M2表示该分簇Cl内除去簇内感知融合中心后的协同认知用户的总数目;m≤M2;
步骤8-2,根据协同认知用户CRm与授权用户PU间的实时距离△dm以及协同认知用户CRm的累计移动时间Tm,得到协同认知用户CRm在累计运动时间Tm内的平均速度值并将该平均速度值发送给该簇Cl的簇内感知融合中心;其中,协同认知用户CRm的平均速度值计算如下:
步骤8-3,协同认知用户CRm所处簇Cl的簇内感知融合中心根据簇内各协同认知用户发送来的平均速度值,依次计算各协同认知用户的速度对自身检测结果的动态影响因子κm;其中,协同认知用户CRm所对应动态影响因子κm的计算如下:
其中,M2表示该分簇Cl内除去簇内感知融合中心后的协同认知用户的总数目,表示该簇Cl内M2个协同认知用户的平均速度值中的最大值,表示该簇Cl内M2个协同认知用户的平均速度值中的最小值;θk表示簇Cl内第k个协同认知用户CRk的即时速度的方向角度值;
步骤8-4,根据所得簇Cl内各协同认知用户对应的动态影响因子以及各协同认知用户的检测结果,由该簇Cl内的簇内感知融合中心对簇内协同认知用户的检测结果融合,以得到该簇内所有协同认知用户的簇内协同检测概率和簇内协同检测的虚警概率;簇内协同检测概率标记为Qd,l,簇内协同虚警概率标记为Qf,l,其中:
簇内协同检测概率簇内协同虚警概率l=1,2,…,M1,1≤M1≤M;pk表示该簇Cl内第k个协同认知用户的检测概率,κk表示协同认知用户CRk所对应动态影响因子;
步骤9,根据辅助协同认知用户集合S2中的各辅助协同认知用户所对应的信噪比和检测概率,得到该辅助协同认知用户集合S2中的辅助协同检测概率和辅助协同虚警概率,并发送辅助协同检测概率和辅助协同虚警概率给频谱感知融合中心;辅助协同检测概率标记为Qd,S2,辅助协同虚警概率标记为Qf,S2;其中,辅助协同认知用户集合S2中的协同检测概率的计算过程包括如下步骤9-1至步骤9-3:
步骤9-1,根据该辅助协同认知用户集合S2内的所有辅助协同认知用户的全局错误检测概率Pe,获取关于决策门限的能量检测优化函数ξ;其中:
其中,为授权用户PU的频谱处于空闲状态H0的概率,为授权用户PU的频谱处于占用状态H1的概率,Pf为辅助协同认知用户集合S2内所有辅助协同认知用户的协同虚警概率,Pd为辅助协同认知用户集合S2内所有辅助协同认知用户的协同检测概率,Pm为辅助协同认知用户集合S2内所有辅助协同认知用户的协同漏检概率;表示为高斯噪声的噪声方差;为辅助协同认知用户集合S2内所有辅助协同认知用户对应信噪比的平均值,Q(z)表示正态高斯互补积分函数; N2表示辅助协同认知用户集合S2内所有辅助协同认知用户的总数目;
步骤9-2,根据能量检测优化函数方程ξ得到能量检测的最佳门限值;其中:
能量检测的最佳门限值ξopt为:
步骤9-3,根据所得能量检测的最佳门限值ξopt,得到授权用户的频谱为占用状态H1的检测概率并以所得该检测概率作为辅助协同认知用户集合S2的辅助协同检测概率;其中:
步骤10,频谱感知融合中心根据M1个分簇对应的簇内协同认知用户的信噪比以及辅助协同认知用户集合S2内所有辅助协同认知用户的信噪比,分别得到M1个分簇的主协同贡献系数δl以及辅助协同认知用户集合S2的辅助协同贡献系数δS2;其中:
M1个分簇各自对应的主协同贡献系数
辅助协同认知用户集合S2的辅助协同贡献系数
其中,表示第l个分簇Cl内的第r个协同认知用户CRr的信噪比,ml表示第l个分簇Cl内所有协同认知用户的总数目,N2表示辅助协同认知用户集合S2内所有辅助协同认知用户的总数目;ml≠M2;
步骤11,频谱感知融合中心根据各分簇的主协同贡献系数δl以及辅助协同认知用户集合所对应的辅助协同贡献系数δS2,得到N个认知用户的最终检测概率;其中,N个认知用户的最终检测概率QD的计算公式如下:
M1为含有协同认知用户的分簇个数。
与现有技术相比,本发明的优点在于:
首先,本发明中的方法考虑认知用户实际环境中的移动情况,通过获取认知用户的即使速度值以及即使速度的方向角度值来表征认知用户的实时移动状态,这样更加切合实际需要,更具使用性;
其次,针对中继节点,中继控制节点通过得到各中继节点的信噪比衡量指数、功耗衡量指数以及中继效益衡量指数,获取各中继节点的综合性能衡量指数,并以最大性能衡量指数所对应的中继节点作为最佳中继节点,由最佳中继节点负责各认知用户与频谱感知融合中心的数据交互,保证认知用户与频谱感知融合中心之间数据交互的通信质量,进而提高频谱感知融合中心对各认知用户检测结果的融合检测性能;
再次,频谱感知融合中心根据各认知用实时检测自身的信噪比,筛选得到主协同认知用户集合以及辅助协同认知用户集合,并对主协同认知用户集合进行分簇,从而既考虑各簇内信噪比较高的认知用户,又不放弃信噪比较低的认知用户,进而大大地提高后续的协同检测性能,从而摒弃传统协同认知检测中只选用具有较高信噪比认知用户时所带来的检测准确度差的问题;
针对参与协同的辅助协同认知用户,设定关于决策门限的能量检测优化函数方程并得到能量检测的最佳门限值,以此准确得到所有辅助协同认知用户的辅助协同检测概率和辅助协同虚警概率;
最后,根据各分簇内协同认知用户的信噪比以及辅助协同认知用户集合中各协同认知用户的信噪比情况,准确得到各分簇分别对应的主协同贡献系数以及辅助协同认知用户集合所对应的辅助协同贡献系数,从而准确地得到最终的最终协同检测概率。
附图说明
图1为本发明实施例中认知无线网络的示意图;
图2为本发明实施例中协同认知无线网络多用户通信动态判决方法的流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本实施例中的协同认知无线网络多用户通信动态判决方法,用于授权用户、频谱感知融合中心、N个认知用户、K个中继节点以及一个中继控制节点所形成的认知无线网络中。本实施例中的认知无线网络参见图1中所示。该协同认知无线网络多用户通信动态判决方法依次包括如下步骤1至步骤11:
步骤1,N个认知用户分别获取、保存自身初始位置到授权用户位置的距离值,并同时实时获取、保存认知用户自身的信噪比、即时速度值、即时速度的方向角度值,并分别对授权用户的频谱占用情况进行能量检测,然后将包括检测概率和虚警概率的检测结果进行保存;其中:
即时速度的方向角度值为认知用户当前的前进方向偏离该认知用户初始位置至授权用户位置连线的偏离角度,第i个认知用户标记为CRi,i=1,2,…,N,N≥3,认知用户CRi自身的信噪比记为SNRi,认知用户CRi的即时速度值标记为vi,认知用户CRi的即时速度的方向角度值标记为θi;授权用户标记为PU;认知用户CRi自身初始位置到授权用户PU位置的距离值标记为di;K≥2;授权用户标记为PU;
例如,设定认知用户CR1的初始位置为O,授权用户PU的位置为A,认知用户CR1的当前前进方向(也就是即时速度方向)为沿着OB方向,则认知用户CR1的即时速度的方向角度值θ1为∠BOA;认知用户CR1初始位置到授权用户PU位置的距离值d1=OA;
在现在已有的传统协同认知检测方法中,各认知用户被理想化地假设处于静止状态,认知用户在实际环境中并非始终处于静止状态,这些传统的协同认知检测方法并没有考虑认知用户的实际移动情况,本实施例中充分考虑认知用户在实际环境中的移动情况,通过利用认知用户的即时速度以及即时速度的方向角度来表征认知用户的移动情况,这样更加切合实际需要,更具使用性;
步骤2,K个中继节点分别获取自身的信噪比,并将自身的信噪比分别发送给中继控制节点和频谱感知融合中心,由中继控制节点计算得到具有最佳中继性能的最佳中继节点;其中,中继控制节点标记为RelayControl,频谱感知融合中心标记为FC,最佳中继节点的获取过程包括如下步骤2-1至步骤2-4:
步骤2-1,K个中继节点分别获取自身的信噪比,并由中继控制节点计算各中继节点的信噪比衡量指数;其中:
其中,为第k个中继节点Relayk的信噪比衡量指数,为第k个中继节点Relayk的信噪比;K≥2;
步骤2-2,K个中继节点分别获取自身的功耗值,并由中继控制节点计算各中继节点的功耗衡量指数;其中:
其中,为第k个中继节点Relayk的功耗衡量指数,Ek为第k个中继节点Relayk的功耗值;
步骤2-3,K个中继节点分别获取自身位置至中继控制节点距离以及自身位置至频谱感知融合中心的距离,并由中继控制节点计算各中继节点的中继效益衡量指数;其中:
其中,为第k个中继节点Relayk的中继效益衡量指数,Dk1为第k个中继节点Relayk至中继控制节点RelayControl的距离值,Dk2为第k个中继节点Relayk至频谱感知融合中心FC的距离值,max(Dk1,Dk2)表示距离Dk1和距离Dk2中的最大值,min(Dk1,Dk2)表示距离Dk1和距离Dk2中的最小值;
步骤2-4,根据各中继节点的信噪比衡量指数、功耗衡量指数以及中继效益衡量指数,由中继控制节点计算各中继节点的综合性能衡量指数,得到最大综合性能衡量指数,并以该最大综合性能衡量指数所对应的中继节点作为最佳中继节点;其中,各中继节点的综合性能衡量指数计算公式如下:
其中,χk为第k个中继节点Relayk的综合性能衡量指数,χopt为最大综合性能衡量指数,K为所有中继节点的总个数;
相对传统中继方法,在本发明的步骤2中选择最佳中继节点时,既考虑了各中继节点的信噪比衡量指数,也考虑了功耗衡量指数,并且还考虑了涉及中继距离相关的中继效益衡量指数,通过融合信噪比衡量指数、功耗衡量指数以及中继效益衡量指数得到最终的中继筛选指标-综合性能衡量指数。这样选择中继节点时所依据的中继筛选指标更能真实地反映各中继节点的实际中继性能,从而也就可以保证筛选得到真正的最佳中继节点,提高了各认知用户与频谱感知融合中心通过最佳中继节点进行中继时的通信质量,进而提高了频谱感知融合中心准确地根据各认知节点的检测结果进行融合,提高了多个认知用户协同检测时的协同性能;
步骤3,N个认知用户将各自的信噪比和检测概率分别发送给最佳中继节点,并由最佳中继节点将接收的各认知用户的信噪比和检测概率转发给频谱感知融合中心;
步骤4,频谱感知融合中心根据最佳中继节点所发送来的N个认知用户所对应的信噪比和检测概率,计算各认知用户对应的信噪比在所有N个认知用户信噪比集合中的权值ωi以及各认知用户对应的检测效益指数δi;其中,认知用户CRi所对应信噪比的权值ωi以及检测效益指数δi分别计算如下:
Pd,i表示认知用户CRi所发送的检测概率;
在计算认知用户的检测效益指数中,考虑各认知用户信噪比在所有N个认知用户信噪比集合中的权重情况,以此准确地得到步骤5中筛选主协同认知用户集合和辅助协同认知用户集合的真实筛选参考指标,从而提高认知无线网络协同检测时的整体性能;
步骤5,频谱感知融合中心根据预设协同认知用户的检测效益指数筛选阈值以及各认知用户对应信噪比的权值情况,筛选出参与协同检测的主协同认知用户集合以及辅助协同认知用户集合:
当认知用户所对应的检测效益指数大于预设协同认知用户的检测效益指数筛选阈值δ0时,则选择该认知用户参与协同检测,并置入主协同认知用户集合S1中;否则,则将该认知用户作为参与协同检测的辅助协同认知用户,并置入辅助协同认知用户集合S2中;
其中,在主协同认知用户集合S1中,设定作为参与协同检测的认知用户的总数目为N1;在辅助协同认知用户集合S2中,设定作为参与协同检测的辅助协同认知用户的总数目为N2,且N1+N2=N;
关于该步骤5需要说明的是,在现有的协同认知检测方法中,通过设定阈值筛选出信噪比较大的认知用户参与协同,并剔除剩余的信噪比较小的认知用户。这样虽然能够降低后续参与协同的各认知用户的协同认知检测的计算复杂度,但是由于信噪比较小的认知用户已经被剔除掉,这样将无法充分发挥这些被剔除的认知用户对后续整个协同认知检测效果的贡献情况,以至于最终得到的整个协同认知检测的性能大大降低;
在本实施例中,通过设定、筛选出主协同认知用户集合S1和辅助协同认知用户集合S2,既考虑了检测效益指数较高的认知用户,又不放弃检测效益指数较低的认知用户,从而把所有认知用户的检测结果充分融合到协同检测中,进而大大地提高后续的协同认知检测性能;
步骤6,在主协同认知用户集合S1中,预设M个按照升序排列的分簇阈值λj,频谱感知融合中心根据主协同认知用户集合S1中各协同认知用户发送来的信噪比分别与各分簇阈值作判断比较,以得到M1个独立的含有协同认知用户的分簇;其中,j=1,2,…,M且λ1<λ2<…<λM;分簇标记为Cl,l=1,2,…,M1,1≤M1≤M;其中,频谱感知融合中心对各协同认知用户的分簇过程包括如下步骤6-1和步骤6-2:
步骤6-1,根据M个分簇阈值,设定M+1个分簇区间段分别为(-∞,λ1]、(λ1,λ2]、…、(λM-1,λM]和(λM,∞);其中,位于第一分簇内的协同认知用户对应的信噪比处于(-∞,λ1]区间段内,位于第二分簇内的协同认知用户对应的信噪比处于(λ1,λ2]区间段内,依认知类推,位于第M分簇内的协同认知用户对应的信噪比处于(λM-1,λM]区间段内,位于第M+1分簇内的协同认知用户对应的信噪比处于(λM,∞)区间段内;
例如,设定有五个分簇阈值分别是λ1=1dB、λ2=2dB、λ3=4dB、λ4=5dB和λ5=7dB;则第一分簇内的协同认知用户信噪比处于(-∞,1dB]的区间段内,第二分簇内的协同认知用户信噪比处于(1dB,2dB]的区间段内,第三分簇内的协同认知用户信噪比处于(2dB,4dB]的区间段内,第四分簇内的协同认知用户信噪比处于(4dB,5dB]的区间段内,第五分簇内的协同认知用户信噪比处于(5dB,7dB]的区间段内,第六分簇内的协同认知用户信噪比处于(7dB,∞)的区间段内;
步骤6-2,频谱感知融合中心分别将主协同认知用户集合S1中各协同认知用户对应的信噪比与M+1个分簇区间段比较,以判决得到各协同认知用户所处的分簇区间段;其中,当协同认知用户的信噪比处于分簇区间段(-∞,λ1]或者(λM,∞)时,则不准该协同认知用户参与协同检测;
例如,在主协同认知用户集合S1中,参照步骤6-1所列的五个分簇阈值分别是λ1=1dB、λ2=2dB、λ3=4dB、λ4=5dB和λ5=7dB;假如主协同认知用户集合S1中的某一协同认知用户的信噪比为3dB,则该协同认知用户处于(2dB,4dB]的分簇区间段内;
假如主协同认知用户集合S1中的另一协同认知用户的信噪比为0.4dB,则该协同认知用户处于(-∞,1dB]的分簇区间段内,此协同认知用户因信噪比小而具有较低的检测性能,其检测概率的准确性较低,此时不准该协同认知用户参与协同检测;假如主协同认知用户集合S1中的另一协同认知用户的信噪比为9dB,该协同认知用户的信噪比处于(7dB,∞)的区间段,这表明该协同认知用户信噪比相对其他协同认知用户的信噪比出现异常,该协同认知用户的检测概率出现错误的概率较大,其可信度较差,则此时不准该协同认知用户参与协同检测;
步骤7,在含有协同认知用户的M1个分簇内,按照协同认知用户对应信噪比从大到小的顺序,选择各分簇内具有最大信噪比的协同认知用户作为该分簇的簇首认知用户,并选择各分簇内具有最小信噪比的协同认知用户作为该分簇的簇内感知融合中心,从而得到M1个簇首认知用户以及对应的M1个簇内感知融合中心;其中,M1≤M+1;
例如,在含有协同认知用户的第一个分簇(-∞,1dB]的区间段内,处于该分簇区间段(-∞,1dB]内的各协同认知用户的信噪比分别为0.8dB、0.6dB、0.5dB和0.3dB,则该分簇内最大信噪比0.8dB所对应的协同认知用户即为该分簇的簇首认知用户,该分簇内最小信噪比0.3dB所对应的协同认知用户即为该分簇的簇内感知融合中心;
在协同检测中,认知用户的信噪比与其检测性能之间密切相关,信噪比较大的认知用户具有更大的检测性能。由于认知用户的信噪比仅仅影响检测性能,而信噪比对其作为融合中心不会产生任何影响。因此,在分簇内的有限数量的认知用户中,选择检测性能较差的认知用户作为该簇内的频谱感知融合中心进行融合,既可以使簇内更多的信噪比较大的认知用户参与到协同检测中,又可以充分利用检测性能较差的认知用户作为簇内频谱感知融合中心,从而提高分簇内的协同检测效率;
步骤8,针对M1个分簇,依次得到各簇内的簇内协同检测概率和簇内协同虚警概率,并由各簇分别发送对应的簇内协同检测概率和簇内协同虚警概率给频谱感知融合中心;其中,各簇内频谱感知融合检测过程包括如下步骤8-1和步骤8-4:
步骤8-1,在一个分簇Cl内,协同认知用户CRm根据实时检测的检测时间间隔值△tm、即时速度值vm以及即时速度的方向角度值θm,得到协同认知用户CRm与授权用户的实时距离△dm之间的函数关系方程;其中:
其中,△tm表示协同认知用户CRm前后两认知实时检测的检测时间间隔值,D0m表示协同认知用户CRm初始位置至频谱感知融合中心FC的距离,M2表示该分簇Cl内除去簇内感知融合中心后的协同认知用户的总数目;m≤M2;例如,协同认知用户CRm在第一次实时检测的时刻值为T1,协同认知用户在第二次实时检测的时刻值为T2,则协同认知用户CRm前后两次实时检测的检测时间间隔值△tm=T2-T1;
步骤8-2,根据协同认知用户CRm与授权用户PU间的实时距离△dm以及协同认知用户CRm的累计移动时间Tm,得到协同认知用户CRm在累计运动时间Tm内的平均速度值并将该平均速度值发送给该簇Cl的簇内感知融合中心;其中,协同认知用户CRm的平均速度值计算如下:
步骤8-3,协同认知用户CRm所处簇Cl的簇内感知融合中心根据簇内各协同认知用户发送来的平均速度值,依次计算各协同认知用户的速度对自身检测结果的动态影响因子κm;其中,协同认知用户CRm所对应动态影响因子κm的计算如下:
其中,M2表示该分簇Cl内除去簇内感知融合中心后的协同认知用户的总数目,表示该簇Cl内M2个协同认知用户的平均速度值中的最大值,表示该簇Cl内M2个协同认知用户的平均速度值中的最小值;θk表示簇Cl内第k个协同认知用户CRk的即时速度的方向角度值;
本发明实施例中设置的动态影响因子κm既充分考虑各协同认知用户运动时的平均速度值情况,并把单个协同认知用户自身运动时的即时速度值和即时速度的方向角度值融入到所处簇的协同检测中,避免传统协同检测方法中将认知用户假定为理想化静止状态而带来的不适应实际情景的检测需要,从而使得本实施例中的协同检测方法因考虑到认知用户实际的移动情况而更具准确性和实用性;
步骤8-4,根据所得簇Cl内各协同认知用户对应的动态影响因子以及各协同认知用户的检测结果,由该簇Cl内的簇内感知融合中心对簇内协同认知用户的检测结果融合,以得到该簇内所有协同认知用户的簇内协同检测概率和簇内协同检测的虚警概率;簇内协同检测概率标记为Qd,l,簇内协同虚警概率标记为Qf,l,其中:
簇内协同检测概率簇内协同虚警概率l=1,2,…,M1,1≤M1≤M;pk表示该簇Cl内第k个协同认知用户的检测概率,κk表示协同认知用户CRk所对应动态影响因子;M2表示该分簇Cl内除去簇内感知融合中心后的协同认知用户的总数目,
步骤9,根据辅助协同认知用户集合S2中的各辅助协同认知用户所对应的信噪比和检测概率,得到该辅助协同认知用户集合S2中的辅助协同检测概率和辅助协同虚警概率,并发送辅助协同检测概率和辅助协同虚警概率给频谱感知融合中心;辅助协同检测概率标记为Qd,S2,辅助协同虚警概率标记为Qf,S2;其中,辅助协同认知用户集合S2中的协同检测概率的计算过程包括如下步骤9-1至步骤9-3:
步骤9-1,根据该辅助协同认知用户集合S2内的所有辅助协同认知用户的全局错误检测概率Pe,获取关于决策门限的能量检测优化函数ξ;其中:
其中,为授权用户PU的频谱处于空闲状态H0的概率,为授权用户PU的频谱处于占用状态H1的概率,Pf为辅助协同认知用户集合S2内所有辅助协同认知用户的协同虚警概率,Pd为辅助协同认知用户集合S2内所有辅助协同认知用户的协同检测概率,Pm为辅助协同认知用户集合S2内所有辅助协同认知用户的协同漏检概率;表示为高斯噪声的噪声方差;为辅助协同认知用户集合S2内所有辅助协同认知用户对应信噪比的平均值,Q(z)表示正态高斯互补积分函数; N2表示辅助协同认知用户集合S2内所有辅助协同认知用户的总数目;
步骤9-2,根据能量检测优化函数方程ξ得到能量检测的最佳门限值ξopt;其中:
能量检测的最佳门限值ξopt为:
步骤9-3,根据所得能量检测的最佳门限值ξopt,得到授权用户的频谱为占用状态H1的检测概率并以所得该检测概率作为辅助协同认知用户集合S2的辅助协同检测概率;其中:
其中,Q(z)表示正态高斯互补积分函数,
步骤10,频谱感知融合中心根据M1个分簇对应的簇内协同认知用户的信噪比以及辅助协同认知用户集合S2内所有辅助协同认知用户的信噪比,分别得到M1个分簇的主协同贡献系数δl以及辅助协同认知用户集合S2的辅助协同贡献系数δS2;其中:
M1个分簇各自对应的主协同贡献系数
辅助协同认知用户集合S2的辅助协同贡献系数
其中,表示第l个分簇Cl内的第r个协同认知用户CRr的信噪比,ml表示第l个分簇Cl内所有协同认知用户的总数目,N2表示辅助协同认知用户集合S2内所有辅助协同认知用户的总数目,M1为含有协同认知用户的分簇个数;ml≠M2;
步骤11,频谱感知融合中心根据各分簇的主协同贡献系数δl以及辅助协同认知用户集合所对应的辅助协同贡献系数δS2,得到N个认知用户的最终检测概率;其中,N个认知用户的最终检测概率QD的计算公式如下:
M1为含有协同认知用户的分簇个数。
Claims (1)
1.协同认知无线网络多用户通信动态判决方法,用于授权用户、频谱感知融合中心、N个认知用户、K个中继节点以及一个中继控制节点所形成的认知无线网络中,其特征在于,依次包括如下步骤1至步骤11:
步骤1,N个认知用户分别获取、保存自身初始位置到授权用户位置的距离值,并同时实时获取、保存认知用户自身的信噪比、即时速度值、即时速度的方向角度值,并分别对授权用户的频谱占用情况进行能量检测,然后将包括检测概率和虚警概率的检测结果进行保存;其中:
即时速度的方向角度值为认知用户当前的前进方向偏离该认知用户初始位置至授权用户位置连线的偏离角度,第i个认知用户标记为CRi,i=1,2,…,N,N≥3,认知用户CRi自身的信噪比记为SNRi,认知用户CRi的即时速度值标记为vi,认知用户CRi的即时速度的方向角度值标记为θi;授权用户标记为PU;认知用户CRi自身初始位置到授权用户PU位置的距离值标记为di;K≥2;
步骤2,K个中继节点分别获取自身的信噪比,并将自身的信噪比分别发送给中继控制节点和频谱感知融合中心,由中继控制节点计算得到具有最佳中继性能的最佳中继节点;其中,中继控制节点标记为RelayControl,频谱感知融合中心标记为FC,最佳中继节点的获取过程包括如下步骤2-1至步骤2-4:
步骤2-1,K个中继节点分别获取自身的信噪比,并由中继控制节点计算各中继节点的信噪比衡量指数;其中:
其中,为第k个中继节点Relayk的信噪比衡量指数,为第k个中继节点Relayk的信噪比;
步骤2-2,K个中继节点分别获取自身的功耗值,并由中继控制节点计算各中继节点的功耗衡量指数;其中:
其中,为第k个中继节点Relayk的功耗衡量指数,Ek为第k个中继节点Relayk的功耗值;
步骤2-3,K个中继节点分别获取自身位置至中继控制节点距离以及自身位置至频谱感知融合中心的距离,并由中继控制节点计算各中继节点的中继效益衡量指数;其中:
其中,为第k个中继节点Relayk的中继效益衡量指数,Dk1为第k个中继节点Relayk至中继控制节点RelayControl的距离值,Dk2为第k个中继节点Relayk至频谱感知融合中心FC的距离值,max(Dk1,Dk2)表示距离Dk1和距离Dk2中的最大值,min(Dk1,Dk2)表示距离Dk1和距离Dk2中的最小值;
步骤2-4,根据各中继节点的信噪比衡量指数、功耗衡量指数以及中继效益衡量指数,由中继控制节点计算各中继节点的综合性能衡量指数,得到最大综合性能衡量指数,并以该最大综合性能衡量指数所对应的中继节点作为最佳中继节点;其中,各中继节点的综合性能衡量指数计算公式如下:
其中,χk为第k个中继节点Relayk的综合性能衡量指数,χopt为最大综合性能衡量指数,K为所有中继节点的总个数;
步骤3,N个认知用户将各自的信噪比和检测概率分别发送给最佳中继节点,并由最佳中继节点将接收的各认知用户的信噪比和检测概率转发给频谱感知融合中心;
步骤4,频谱感知融合中心根据最佳中继节点所发送来的N个认知用户所对应的信噪比和检测概率,计算各认知用户对应的信噪比在所有N个认知用户信噪比集合中的权值ωi以及各认知用户对应的检测效益指数δi;其中,认知用户CRi所对应信噪比的权值ωi以及检测效益指数δi分别计算如下:
Pd,i表示认知用户CRi所发送的检测概率;
步骤5,频谱感知融合中心根据预设协同认知用户的检测效益指数筛选阈值以及各认知用户对应信噪比的权值情况,筛选出参与协同检测的主协同认知用户集合以及辅助协同认知用户集合:
当认知用户所对应的检测效益指数大于预设协同认知用户的检测效益指数筛选阈值δ0时,则选择该认知用户参与协同检测,并置入主协同认知用户集合S1中;否则,则将该认知用户作为参与协同检测的辅助协同认知用户,并置入辅助协同认知用户集合S2中;
其中,在主协同认知用户集合S1中,设定作为参与协同检测的认知用户的总数目为N1;在辅助协同认知用户集合S2中,设定作为参与协同检测的辅助协同认知用户的总数目为N2,且N1+N2=N;
步骤6,在主协同认知用户集合S1中,预设M个按照升序排列的分簇阈值λj,频谱感知融合中心根据主协同认知用户集合S1中各协同认知用户发送来的信噪比分别与各分簇阈值作判断比较,以得到M1个独立的含有协同认知用户的分簇;其中,j=1,2,…,M且λ1<λ2<…<λM;分簇标记为Cl,l=1,2,…,M1,1≤M1≤M;其中,频谱感知融合中心对各协同认知用户的分簇过程包括如下步骤6-1和步骤6-2:
步骤6-1,根据M个分簇阈值,设定M+1个分簇区间段分别为(-∞,λ1]、(λ1,λ2]、…、(λM-1,λM]和(λM,∞);其中,位于第一分簇内的协同认知用户对应的信噪比处于(-∞,λ1]区间段内,位于第二分簇内的协同认知用户对应的信噪比处于(λ1,λ2]区间段内,依认知类推,位于第M分簇内的协同认知用户对应的信噪比处于(λM-1,λM]区间段内,位于第M+1分簇内的协同认知用户对应的信噪比处于(λM,∞)区间段内;
步骤6-2,频谱感知融合中心分别将主协同认知用户集合S1中各协同认知用户对应的信噪比与M+1个分簇区间段比较,以判决得到各协同认知用户所处的分簇区间段;其中,当协同认知用户的信噪比处于分簇区间段(-∞,λ1]或者(λM,∞)时,则不准该协同认知用户参与协同检测;
步骤7,在含有协同认知用户的M1个分簇内,按照协同认知用户对应信噪比从大到小的顺序,选择各分簇内具有最大信噪比的协同认知用户作为该分簇的簇首认知用户,并选择各分簇内具有最小信噪比的协同认知用户作为该分簇的簇内感知融合中心,从而得到M1个簇首认知用户以及对应的M1个簇内感知融合中心;其中,M1≤M+1;
步骤8,针对M1个分簇,依次得到各簇内的簇内协同检测概率和簇内协同虚警概率,并由各簇分别发送对应的簇内协同检测概率和簇内协同虚警概率给频谱感知融合中心;其中,各簇内频谱感知融合检测过程包括如下步骤8-1和步骤8-4:
步骤8-1,在一个分簇Cl内,协同认知用户CRm根据实时检测的检测时间间隔值△tm、即时速度值vm以及即时速度的方向角度值θm,得到协同认知用户CRm与授权用户的实时距离△dm之间的函数关系方程;其中:
其中,△tm表示协同认知用户CRm前后两认知实时检测的检测时间间隔值,D0m表示协同认知用户CRm初始位置至频谱感知融合中心FC的距离,M2表示该分簇Cl内除去簇内感知融合中心后的协同认知用户的总数目;m≤M2;
步骤8-2,根据协同认知用户CRm与授权用户PU间的实时距离△dm以及协同认知用户CRm的累计移动时间Tm,得到协同认知用户CRm在累计运动时间Tm内的平均速度值并将该平均速度值发送给该簇Cl的簇内感知融合中心;其中,协同认知用户CRm的平均速度值计算如下:
步骤8-3,协同认知用户CRm所处簇Cl的簇内感知融合中心根据簇内各协同认知用户发送来的平均速度值,依次计算各协同认知用户的速度对自身检测结果的动态影响因子κm;其中,协同认知用户CRm所对应动态影响因子κm的计算如下:
其中,M2表示该分簇Cl内除去簇内感知融合中心后的协同认知用户的总数目,表示该簇Cl内M2个协同认知用户的平均速度值中的最大值,表示该簇Cl内M2个协同认知用户的平均速度值中的最小值;θk表示簇Cl内第k个协同认知用户CRk的即时速度的方向角度值;
步骤8-4,根据所得簇Cl内各协同认知用户对应的动态影响因子以及各协同认知用户的检测结果,由该簇Cl内的簇内感知融合中心对簇内协同认知用户的检测结果融合,以得到该簇内所有协同认知用户的簇内协同检测概率和簇内协同检测的虚警概率;簇内协同检测概率标记为Qd,l,簇内协同虚警概率标记为Qf,l,其中:
簇内协同检测概率簇内协同虚警概率l=1,2,…,M1,1≤M1≤M;pk表示该簇Cl内第k个协同认知用户的检测概率,κk表示协同认知用户CRk所对应动态影响因子;
步骤9,根据辅助协同认知用户集合S2中的各辅助协同认知用户所对应的信噪比和检测概率,得到该辅助协同认知用户集合S2中的辅助协同检测概率和辅助协同虚警概率,并发送辅助协同检测概率和辅助协同虚警概率给频谱感知融合中心;辅助协同检测概率标记为辅助协同虚警概率标记为其中,辅助协同认知用户集合S2中的协同检测概率的计算过程包括如下步骤9-1至步骤9-3:
步骤9-1,根据该辅助协同认知用户集合S2内的所有辅助协同认知用户的全局错误检测概率Pe,获取关于决策门限的能量检测优化函数ξ;其中:
其中,为授权用户PU的频谱处于空闲状态H0的概率,为授权用户PU的频谱处于占用状态H1的概率,Pf为辅助协同认知用户集合S2内所有辅助协同认知用户的协同虚警概率,Pd为辅助协同认知用户集合S2内所有辅助协同认知用户的协同检测概率,Pm为辅助协同认知用户集合S2内所有辅助协同认知用户的协同漏检概率;表示为高斯噪声的噪声方差;为辅助协同认知用户集合S2内所有辅助协同认知用户对应信噪比的平均值,Q(z)表示正态高斯互补积分函数; N2表示辅助协同认知用户集合S2内所有辅助协同认知用户的总数目;
步骤9-2,根据能量检测优化函数方程ξ得到能量检测的最佳门限值;其中:
能量检测的最佳门限值ξopt为:
步骤9-3,根据所得能量检测的最佳门限值ξopt,得到授权用户的频谱为占用状态H1的检测概率并以所得该检测概率作为辅助协同认知用户集合S2的辅助协同检测概率;其中:
步骤10,频谱感知融合中心根据M1个分簇对应的簇内协同认知用户的信噪比以及辅助协同认知用户集合S2内所有辅助协同认知用户的信噪比,分别得到M1个分簇的主协同贡献系数δl以及辅助协同认知用户集合S2的辅助协同贡献系数其中:
M1个分簇各自对应的主协同贡献系数
辅助协同认知用户集合S2的辅助协同贡献系数
其中,表示第l个分簇Cl内的第r个协同认知用户CRr的信噪比,ml表示第l个分簇Cl内所有协同认知用户的总数目,N2表示辅助协同认知用户集合S2内所有辅助协同认知用户的总数目;ml≠M2;
步骤11,频谱感知融合中心根据各分簇的主协同贡献系数δl以及辅助协同认知用户集合所对应的辅助协同贡献系数得到N个认知用户的最终检测概率;其中,N个认知用户的最终检测概率QD的计算公式如下:
M1为含有协同认知用户的分簇个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610843183.2A CN106255066B (zh) | 2016-09-23 | 2016-09-23 | 协同认知无线网络多用户通信动态判决方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610843183.2A CN106255066B (zh) | 2016-09-23 | 2016-09-23 | 协同认知无线网络多用户通信动态判决方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106255066A CN106255066A (zh) | 2016-12-21 |
CN106255066B true CN106255066B (zh) | 2019-06-25 |
Family
ID=57599264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610843183.2A Active CN106255066B (zh) | 2016-09-23 | 2016-09-23 | 协同认知无线网络多用户通信动态判决方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106255066B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10499827B2 (en) * | 2017-09-19 | 2019-12-10 | Honeywell International Inc. | System and method for interpretation of signal-to-noise ratios detected in an array of electrodes sensors in terms of physical and cognitive state |
CN109391945A (zh) * | 2018-11-16 | 2019-02-26 | 重庆邮电大学 | 一种抵抗阴影衰落的无线传感网合作频谱感知方法 |
CN116015505A (zh) * | 2022-12-29 | 2023-04-25 | 电子科技大学深圳研究院 | 认知无线网络中可靠感知用户选择方法与装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101711033A (zh) * | 2009-12-17 | 2010-05-19 | 北京交通大学 | 适合于感知无线电网络的动态信道分配方法及系统 |
WO2013102294A1 (zh) * | 2012-01-04 | 2013-07-11 | 中国人民解放军理工大学 | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 |
CN103546895A (zh) * | 2013-10-24 | 2014-01-29 | 哈尔滨工业大学 | 认知无线电网络中基于移动性预测的信道分配方法 |
CN103929259A (zh) * | 2014-04-29 | 2014-07-16 | 哈尔滨工业大学 | 认知ofdm系统中的一种基于信任度的多比特判决协作自适应频谱感知方法 |
CN105099587A (zh) * | 2015-09-23 | 2015-11-25 | 哈尔滨工业大学 | 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 |
CN105337676A (zh) * | 2015-09-23 | 2016-02-17 | 哈尔滨工业大学 | 移动场景中软判决协作频谱感知数据融合方法 |
-
2016
- 2016-09-23 CN CN201610843183.2A patent/CN106255066B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101711033A (zh) * | 2009-12-17 | 2010-05-19 | 北京交通大学 | 适合于感知无线电网络的动态信道分配方法及系统 |
WO2013102294A1 (zh) * | 2012-01-04 | 2013-07-11 | 中国人民解放军理工大学 | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 |
CN103546895A (zh) * | 2013-10-24 | 2014-01-29 | 哈尔滨工业大学 | 认知无线电网络中基于移动性预测的信道分配方法 |
CN103929259A (zh) * | 2014-04-29 | 2014-07-16 | 哈尔滨工业大学 | 认知ofdm系统中的一种基于信任度的多比特判决协作自适应频谱感知方法 |
CN105099587A (zh) * | 2015-09-23 | 2015-11-25 | 哈尔滨工业大学 | 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 |
CN105337676A (zh) * | 2015-09-23 | 2016-02-17 | 哈尔滨工业大学 | 移动场景中软判决协作频谱感知数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106255066A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106255066B (zh) | 协同认知无线网络多用户通信动态判决方法 | |
KR100948412B1 (ko) | 수신 신호 강도를 이용한 위치추정 방법 및 시스템 | |
CN106230530B (zh) | 多频段协作认知频谱感知方法 | |
CN104579523B (zh) | 认知无线网络频谱感知和接入决策联合的优化方法 | |
CN107426764A (zh) | 小区测量方法及装置 | |
CN103941270B (zh) | 一种多系统融合定位的方法及装置 | |
CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
CN104796937A (zh) | 一种基于移动机器人的无线传感器网络节点故障巡检方法 | |
CN105375997B (zh) | 基于次用户数目优化的多用户协作频谱感知方法 | |
CN107332855B (zh) | 基于增强学习算法的主用户仿真攻击检测方法 | |
CN104079359B (zh) | 一种认知无线网络中协作频谱感知门限优化方法 | |
CN109348481A (zh) | 认知无线电网络中的一种全双工协作非正交多址接入方法 | |
CN106341791B (zh) | 认知无线电频谱感知动态判决方法 | |
CN105490761B (zh) | 车联认知无线电自适应频谱感知方法 | |
CN105491572B (zh) | 基于判决门限优化的联合频谱感知方法 | |
CN103888203A (zh) | 一种基于信噪比筛选的协作频谱感知优化方法 | |
CN105471528B (zh) | 一种自适应调整的协同频谱感知方法 | |
CN106411429B (zh) | 多信道认知无线网络信号辨识方法 | |
CN105375998B (zh) | 基于分簇优化的多频段协作频谱感知方法 | |
CN103036626A (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 | |
CN105141384B (zh) | 一种认知无线电协作频谱感知方法 | |
CN105515698B (zh) | 基于动态调整的多频段协作频谱感知方法 | |
CN106413086B (zh) | 光伏电池组件监测认知无线定位方法 | |
CN101834647B (zh) | 一种分布式天线协同定时捕获方法 | |
CN112953660A (zh) | 一种稳健的信道状态信息csi相位校准方法 |
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 |