CN106257849B - 基于多目标量子萤火虫搜索机制的频谱感知方法 - Google Patents
基于多目标量子萤火虫搜索机制的频谱感知方法 Download PDFInfo
- Publication number
- CN106257849B CN106257849B CN201610821207.4A CN201610821207A CN106257849B CN 106257849 B CN106257849 B CN 106257849B CN 201610821207 A CN201610821207 A CN 201610821207A CN 106257849 B CN106257849 B CN 106257849B
- Authority
- CN
- China
- Prior art keywords
- quantum
- firefly
- dominant
- quantum position
- jth
- 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
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供的是一种基于多目标量子萤火虫搜索机制的频谱感知方法。建立多目标频谱感知模型,确定搜索方法的参数。确定需要求解的多目标适应度函数形式。种群中的量子萤火虫的量子位置根据其适应度值进行非支配量子位置排序,非支配等级为1的量子萤火虫的量子位置放入精英量子位置集中。使用量子编码机制和量子演化行为更新量子萤火虫的量子位置,选择非支配量子位置,更新精英量子位置集。根据最终的Pareto前端量子位置集,认知无线电系统根据对最大化检测概率和最小化虚警概率的不同的需要选取相应的量子位置。本发明可解决多目标频谱感知这个技术难题,能应用在现有认知无线电频谱感知方法所不能应用的一些场景。
Description
技术领域
本发明涉及的是一种多目标频谱感知方法。
背景技术
未来移动通信的一个重要发展趋势就是宽带多媒体通信,无线频谱资源的短缺成为限制其发展的一个主要原因。美国联邦通信委员会的研究表明,目前的固定频谱分配方法的频谱利用率较低。认知无线电(Cognitive Radio,CR)技术的基本出发点就是为了提高频谱利用率,该技术使得认知用户在不对授权用户产生干扰的情况下使用空闲频谱,进而提高频谱利用率。认知用户通过感知外部环境的变化,搜索可用频谱资源,并进行动态的频谱接入,从而提高频谱容量与频谱利用率。认知无线电技术缓解了频谱资源短缺与日益增长的无线接入需求二者之间的矛盾,这种新的无线通信技术已经成为无线通信领域研究的热点。
认知无线电能够实时与周围环境进行交互,以感知特定时间和空间上的频谱空穴,决定适合的操作参数来适应环境的无线频谱资源,进而实现高度可靠通信及对频谱资源的有效利用。频谱感知主要在物理层实现。频谱感知是认知无线电应用的基础,其主要功能是感知多维频谱空间(时间、频率和空间)的可用频谱,以辨识当前可用传输数据的信道。
通过对现有相关技术文献的检索发现,Zhao Quan等在《IEEE Journal ofSelected Topics in Signal Processing》(2008,Vol.2,No.1,pp:28-40)上发表的“Optimal Linear Cooperation for Spectrum Sensing in Cognitive Radio Networks”提出了一种线性协作频谱感知框架,在该框架下提出了认知无线电网络中的最优线性协作频谱感知方法,具有较低的计算复杂度,但其是典型的单目标方法,不能同时考虑最大化检测概率和最小化虚警概率。Chenqi Song等在《2010,IEEE International Conference onCommunications,2010,pp:1-5》上发表的“Cooperative Spectrum Sensing with Multi-channel Coordination in Cognitive Radio Networks”提出一种多信道下的协作频谱感知方法,此方法能够在单目标需求下获得更好的感知结果,但仍不能解决同时考虑最大化检测概率和最小化虚警概率的多目标频谱感知问题。
发明内容
本发明的目的在于提供一种同时考虑最大化检测概率和最小化虚警概率的基于多目标量子萤火虫搜索机制的频谱感知方法。
本发明的目的是这样实现的:
步骤一,建立认知无线电系统的多目标频谱感知模型,确定多目标频谱感知对应多目标量子萤火虫搜索方法的关键参数;
步骤二,确定量子萤火虫种群规模为H;
步骤三,对种群中的量子萤火虫个体根据其量子位置的适应度值进行非支配量子位置排序,一个量子位置的归一化位置对应于多目标问题中的一个解;
步骤四,选择非支配量子位置排序等级为1的量子位置放入精英量子位置集EliteSetQGS中;
步骤五,采用多目标量子萤火虫的演进规则对种群中量子萤火虫的量子位置进行演化,产生新的量子位置,计算新量子位置对应的归一化位置的适应度,产生2×H个量子位置,将产生的量子位置进行非支配量子位置排序,将非支配等级为1的量子位置加入精英量子位置集EliteSetQGS中;
步骤六,更新第j只量子萤火虫的动态决策域半径,j=1,2,...,H;
步骤七,对新获得的量子位置进行非支配量子位置排序,将非支配等级为1的量子位置和精英量子位置集中的量子位置进行非支配量子位置排序,根据支配关系选择优秀量子位置作为精英量子位置集EliteSetQGS,精英量子位置集所包含的最大精英量子位置个数为3H;
步骤八,如果没有达到最大迭代代数,令t=t+1,返回步骤五继续进行;否则,迭代终止,执行下一步;
步骤九,将得到的精英量子位置集EliteSetQGS中的量子位置进行非支配量子位置排序,选择非支配等级为1的量子位置作为最终的Pareto前端量子位置集;
步骤十,从最终的Pareto前端量子位置集中选择合适的量子位置映射成归一化位置进而得到所需的频谱感知方案。
本发明还可以包括:
1、步骤一具体包括:
假设认知网络中有标号为1到M的M个认知用户进行协作频谱感知,在时刻k各认知用户的本地二元假设检验模型为其中i=1,2,...,M;s(k)为主用户发射的信号,认知网络中的每一个认知用户都接收到该信号,信号受到信道衰减的影响,信道衰减为hi,在整个检测过程中认为信道衰减始终是常数;yi(k)为第i个认知用户接收到的信号,其受到加性高斯白噪声ni(k)的影响,ni(k)的方差向量表示为
各个认知用户的本地感知采用能量检测,在采样间隔内经过N点的采样,所计算的判决统计量为其中i=1,2,...,M,随后统计量经过控制信道传输到融合中心,融合中心收到的各个统计量表示为i=1,2,...,M,其中ui为控制信道引入的噪声,假设其服从均值为0的高斯分布,其方差向量表示为根据融合中心中收到的每个认知用户的信号zi,融合中心计算全局判决统计量为其中z=[z1,z2,...,zM]T,w=[w1,w2,...,wM]T为控制判决器的权重向量;
融合中心将全局判决统计量zg与特定门限γg进行比较,实现最终判决;如果zg≥γg,则认为主用户信号存在,否则,认为主用户信号不存在;在这种协作频谱感知模型中,虚警概率的表达式为检测概率的表达式为其中A=2Ndiag2(σ)+diag(δ),B=2Ndiag2(σ)+diag(δ)+4Esdiag(h)diag(σ),h=[|h1|2,|h2|2,...,|hM|2]T;通过得到进而得到由于Q函数是单调递减的函数,最大化检测概率Pd,即相当于最小化加入约束条件即0≤wi≤1,i=1,2,...,M,优化权重0≤wi≤1,i=1,2,...,M以及虚警概率Pf进而同时实现最大化检测概率和最小化虚警概率。
2、步骤二具体包括:
第j只量子萤火虫的量子位置表示为其中量子位表示为τ=1,2,t为迭代次数、初始代设为1,j=1,2,...,H,l=1,2,...,D,D=M+1,D为量子萤火虫解空间的最大维数,在量子域[0,1]内随机初始化则第j只量子萤火虫的量子位置所对应的归一化位置为初始化每只量子萤火虫的动态决策域半径和荧光素值,构造的多目标适应度函数为通过计算归一化位置的适应度值对该量子萤火虫的量子位置进行适应性评价,多目标适应度函数最小化分别转化为多目标函数为最大化检测概率和最小化虚警概率。
适应度函数具体为:将的第1位即代表虚警概率Pf,将的第2位到第D位代表权重向量,记作第1个适应度函数为第2个适应度函数为
3、步骤三具体包括:
非支配量子位置排序的过程如下:
首先,对种群中每个量子位置d,计算支配量子位置d的量子位置的数目nd以及量子位置d所支配的量子位置的集合Sd;
如果nd=0,为没有量子位置支配d,则量子位置d的非支配排序等级为1;对于每个非支配等级为1的量子位置d,遍历Sd中的每个量子位置q,并且nq=nq-1,若nq=0,则将量子位置q放在集合中,这些量子位置的非支配量子位置等级为2,对中的每个量子位置重复,得到非支配量子位置排序等级为3的量子位置集合,重复直至得到所有的非支配等级。
4、在多目标量子萤火虫搜索机制的演化过程中,全局最优量子位置由两个适应度函数适应度值联合最小的量子位置产生,第j只量子萤火虫学习邻域获得方式为其中τ=1,2,为第j只量子萤火虫学习邻域标号集合,表示第j只量子萤火虫在第t次迭代过程中的动态决策域半径,表示第只量子萤火虫在第t次迭代过程中的荧光素值,每只量子萤火虫根据荧光素值选择移动方向,其中j=1,2,...,H,τ=1,2,表示在第t次迭代过程中量子萤火虫j向量子萤火虫移动的概率,
在每次迭代过程中,若第j只量子萤火虫学习邻域为空,第j只量子萤火虫的第l维量子位的更新方式为其中量子旋转角代表第j只量子萤火虫至第t次迭代为止根据第τ个适应度函数所获得的局部最优量子位置,e1和e2分别表示局部最优量子位置和全局最优量子位置对量子旋转角的影响程度,randn是均值为0方差为1的高斯分布的随机数,rand为[0,1]之间均匀分布的随机数,为[0,1]之间均匀分布的随机数,c1是[0,1/D]之间的一个常数,其代表量子旋转角为0时的量子位的翻转概率,abs()是将量子位限定在[0,1]之间的取绝对值函数,为量子旋转门,为量子非门;
若第j只量子萤火虫学习邻域为非空,在第j只量子萤火虫的学习邻域内选择量子萤火虫其选择方法为其中第j只量子萤火虫的第l维量子位更新方式为量子旋转角 是第j只量子萤火虫学习邻域内荧光素值最大的第l维局部最优量子位,e3,e4和e5分别表示局部最优量子位置,学习邻域内荧光素值最大的局部最优量子位置和全局最优量子位置对量子旋转角的影响程度,c2代表量子旋转角为0时的量子位的翻转概率,其是[0,1/D]之间的一个常数;
根据将第j只量子萤火虫的适应度值转化为荧光素值其中γ∈[0,1]为荧光素消失率会随着距离的增加逐渐减弱,ε是荧光素更新率。
本发明的基于多目标量子萤火虫搜索机制的多目标频谱感知方法的主要特征包括:(1)解决连续多目标优化问题的的多目标量子萤火虫搜索方法;(2)非支配量子位置排序的多目标量子萤火虫搜索方法的频谱感知方法;(3)虚警概率或者检测概率设置为定值,则可简化为单目标优化问题,故本发明所提出的方法也能够解决单目标频谱感知问题;(4)根据所得到的非支配量子位置集,认知无线电系统依据实际应用对最大化检测概率和最小化虚警概率的不同需求选取相应的频谱感知方案。
本发明充分考虑了最大化检测概率和最小化虚警概率,可解决现有谱感知方法在最大化检测概率和最小化虚警概率二者之间的矛盾;将量子计算理论与萤火虫算法相结合,根据进化规则对量子萤火虫的量子位置进行更新,保留进化得到的非支配量子位置淘汰支配量子位置;由于所发明的方法可以对最大化检测概率和最小化虚警概率进行综合考虑,得到最大化检测概率和最小化虚警概率多目标适应度图形,即多目标Pareto前端,其后根据实际应用对最大化检测概率和最小化虚警概率的不同需要选择频谱感知方案;经过非支配量子位置排序后能得到一个满足多目标频谱感知要求的量子位置集;通过量子旋转门和量子非门实现量子位的演进,进而实现萤火虫量子位置的演进;该方法能够得到一个解决多目标频谱感知问题的非支配量子位置集,即最终的Pareto前端量子位置集,以便于决策者在实际工程应用中进行更合理的选择。
本发明考虑到认知无线电系统完成频谱感知的过程中能够同时考虑最大化检测概率和最小化虚警概率的多目标频谱感知方法,得到最终的Pareto前端量子位置集,从最终的Pareto前端量子位置集中选择相应的多目标频谱感知方案。
与现有技术相比,本发明充分考虑了认知无线电系统在完成多目标频谱感知的过程中遇到的同时考虑最大化检测概率和最小化虚警概率两个目标的问题,具有以下优点:
(1)本发明设计了基于连续变量非支配量子位置排序的多目标量子萤火虫搜索方法,解决了连续多目标问题,所设计的方法具有收敛精度高的特点。
(2)相对于现有的频谱感知方法,本发明将量子机制、量子萤火虫搜索方法、多目标搜索机制和频谱感知方法相结合,设计出能解决多目标频谱感知问题(同时考虑最大化检测概率和最小化虚警概率)的方法。如果将虚警概率设置为定值,亦可解决单目标频谱感知问题,说明了本发明具有更广的适用性。
附图说明
图1是基于多目标量子萤火虫搜索机制的多目标频谱感知方法流程图。
图2是多目标量子萤火虫搜索机制的方法流程图。
图3是认知用户的数目为30的仿真结果。
图4是认知用户的数目为25的仿真结果。
图5是认知用户的数目为18的仿真结果。
具体实施方式
本发明针对现有频谱感知方法的不足,提出一种同时考虑最大化检测概率和最小化虚警概率的多目标频谱感知方法。该方法提出量子编码和演化的多目标量子萤火虫搜索机制,通过非支配量子位置排序,从而得到最优的非支配精英量子位置集以及最终的Pareto前端量子位置集。在实际工程应用中,可根据不同的实际需要,从最终的Pareto前端量子位置集中选择合适的频谱感知方案。
本发明是通过如下技术方案来实现的,主要包括以下步骤:
步骤一,建立认知无线电系统的多目标频谱感知模型,确定多目标频谱感知对应多目标量子萤火虫搜索方法的关键参数。假设认知网络中有M个认知用户(标号为1到M)进行协作频谱感知,在时刻k各认知用户的本地二元假设检验模型为其中i=1,2,...,M;s(k)为主用户发射的信号,认知网络中的每一个认知用户都可以接收到该信号,信号受到信道衰减的影响,信道衰减为hi,在整个检测过程中认为信道衰减始终是常数;yi(k)为第i个认知用户接收到的信号,其受到加性高斯白噪声ni(k)的影响,ni(k)的方差向量表示为
各个认知用户的本地感知采用能量检测,在采样间隔内经过N点的采样,所计算的判决统计量为其中i=1,2,...,M。随后统计量经过控制信道传输到融合中心,融合中心收到的各个统计量表示为其中ui为控制信道引入的噪声,假设其服从均值为0的高斯分布,其方差向量表示为根据融合中心中收到的每个认知用户的信号zi,融合中心计算全局判决统计量为其中z=[z1,z2,...,zM]T,w=[w1,w2,...,wM]T为控制判决器的权重向量,权重向量反映了特定的认知用户对全局检测的贡献大小。
融合中心将zg与特定门限γg进行比较,实现最终判决。如果zg≥γg,则认为主用户信号存在,否则,认为主用户信号不存在。在这种协作频谱感知模型中,虚警概率的表达式为检测概率的表达式为其中A=2Ndiag2(σ)+diag(δ),B=2Ndiag2(σ)+diag(δ)+4Esdiag(h)diag(σ),h=[|h1|2,|h2|2,...,|hM|2]T。通过可以得到进而得到由于Q函数是单调递减的函数,最大化检测概率Pd,即相当于最小化为了减少权重的搜索空间,在这一问题中加入约束条件即0≤wi≤1,i=1,2,...,M,优化权重0≤wi≤1,i=1,2,...,M以及虚警概率Pf进而同时实现最大化检测概率和最小化虚警概率。
步骤二,确定量子萤火虫种群规模为H,第j只量子萤火虫的量子位置表示为其中量子位可表示为τ=1,2,t为迭代次数,初始代设为1,j=1,2,...,H,l=1,2,...,D,D=M+1,D为量子萤火虫解空间的最大维数,在量子域[0,1]内随机初始化则l=1,2,...,D,τ=1,2,第j只量子萤火虫的量子位置所对应的归一化位置为l=1,2,...,D,τ=1,2。初始化每只量子萤火虫的动态决策域半径和荧光素值。构造的多目标适应度函数为τ=1,2,通过计算归一化位置的适应度值可对该量子萤火虫的量子位置进行适应性评价,多目标适应度函数最小化可分别转化为多目标函数为最大化检测概率和最小化虚警概率。
适应度函数具体定义如下:将的第1位即代表虚警概率Pf,将的第2位到第D位代表权重向量,记作第1个适应度函数为第2个适应度函数为
步骤三,对种群中的量子萤火虫个体根据其量子位置的适应度值进行非支配量子位置排序,一个量子位置的归一化位置对应于多目标问题中的一个解。
对于最小值多目标优化问题,对于量子位置O和E,若对于多目标频谱感知中所有适应度函数,量子位置O的适应度函数值都小于或等于量子位置E的适应度函数值,且在所有的适应度函数中有且只有一个适应度函数,量子位置O相对于此适应度函数的值小于量子位置E相对于此适应度函数的值,则记为O支配E,O为非支配量子位置。若对于多目标频谱感知中所有适应度函数,量子位置O的适应度函数值都大于或等于量子位置E的适应度函数值,且在所有的适应度函数中有且只有一个适应度函数,量子位置O相对于此适应度函数的值大于量子位置E相对于此适应度函数的值,则E支配O,E为非支配量子位置。否则O和E之间无支配关系。
非支配量子位置排序的过程如下:
首先,对种群中每个量子位置d,计算支配量子位置d的量子位置的数目nd以及量子位置d所支配的量子位置的集合Sd。
如果nd=0,这意味着没有量子位置支配d,则说明量子位置d的非支配排序等级为1。对于每个非支配等级为1的量子位置d,遍历Sd中的每个量子位置q,并且nq=nq-1。若nq=0,则将量子位置q放在集合中,这些量子位置的非支配量子位置等级为2。这个过程对中的每个量子位置重复,便可以得到非支配量子位置排序等级为3的量子位置集合。此过程重复直至得到所有的非支配等级。
由上述计算过程可知,为了得到更好的Pareto前端量子位置集,量子萤火虫要向非支配等级为1的量子位置演进。
步骤四,选择非支配量子位置排序等级为1的量子位置放入精英量子位置集EliteSetQGS中。
步骤五,采用多目标量子萤火虫的演进规则对种群中量子萤火虫的量子位置进行演化,产生新的量子位置。计算新量子位置对应的归一化位置的适应度,产生2×H个量子位置,将产生的量子位置进行非支配量子位置排序,将非支配等级为1的量子位置加入精英量子位置集EliteSetQGS中。
在多目标量子萤火虫搜索机制的演化过程中,全局最优量子位置由两个适应度函数适应度值联合最小的量子位置产生。第j只量子萤火虫根据特定规则获得学习邻域,其学习邻域获得方式为其中τ=1,2,为第j(j=1,2,...,H)只量子萤火虫学习邻域标号集合,表示第j只量子萤火虫在第t次迭代过程中的动态决策域半径,表示第只量子萤火虫在第t次迭代过程中的荧光素值。每只量子萤火虫根据荧光素值选择移动方向,其中j=1,2,...,H,τ=1,2,表示在第t次迭代过程中量子萤火虫j向量子萤火虫移动的概率。
在每次迭代过程中,若第j只量子萤火虫学习邻域为空,第j只量子萤火虫的第l维量子位的更新方式为其中量子旋转角j=1,2,...,H,l=1,2,...,D,τ=1,2,代表第j只量子萤火虫至第t次迭代为止根据第τ个适应度函数所获得的局部最优量子位置,e1和e2分别表示局部最优量子位置和全局最优量子位置对量子旋转角的影响程度,randn是均值为0方差为1的高斯分布的随机数,rand为[0,1]之间均匀分布的随机数,为[0,1]之间均匀分布的随机数,c1是[0,1/D]之间的一个常数,其代表量子旋转角为0时的量子位的翻转概率,abs()是将量子位限定在[0,1]之间的取绝对值函数,为量子旋转门,为量子非门。
若第j只量子萤火虫学习邻域为非空,在第j只量子萤火虫的学习邻域内选择量子萤火虫其选择方法为其中第j只量子萤火虫的第l维量子位更新方式为其中j=1,2,...,H,l=1,2,...,D,τ=1,2,量子旋转角 是第j只量子萤火虫学习邻域内荧光素值最大的第l维局部最优量子位,e3,e4和e5分别表示局部最优量子位置,学习邻域内荧光素值最大的局部最优量子位置和全局最优量子位置对量子旋转角的影响程度,c2代表量子旋转角为0时的量子位的翻转概率,其是[0,1/D]之间的一个常数。
根据τ=1,2,将第j(j=1,2,...,H)只量子萤火虫的适应度值转化为荧光素值其中γ∈[0,1]为荧光素消失率会随着距离的增加逐渐减弱,ε是荧光素更新率。
步骤六,更新第j(j=1,2,...,H)只量子萤火虫的动态决策域半径,其更新方式为其中τ=1,2,ζ是动态决策域更新率,其值是一个常数,RS为感知域,nt为控制邻域。
步骤七,对新获得的量子位置其进行非支配量子位置排序,将非支配等级为1的量子位置和精英量子位置集中的量子位置进行非支配量子位置排序,根据支配关系选择优秀量子位置作为精英量子位置集EliteSetQGS,精英量子位置集所包含的最大精英量子位置个数为3H。
步骤八,如果没有达到最大迭代代数,令t=t+1,返回步骤五继续进行;否则,迭代终止,执行下一步。
步骤九,将得到的精英量子位置集EliteSetQGS中的量子位置进行非支配量子位置排序,选择非支配等级为1的量子位置作为最终的Pareto前端量子位置集。
步骤十,根据实际应用需要从最终的Pareto前端量子位置集中选择合适的量子位置映射成归一化位置进而得到所需的频谱感知方案。
图2是多目标量子萤火虫搜索机制的方法流程图。选择多目标粒子群方法(MOPSO)作为比较对象,MOPSO的执行过程和参数设置与Xiaodong Li在《Lecture Notes inComputer Science》上发表的“A Non-dominated Sorting Particle Swarm Optimizerfor Multiobjective Optimization”相同,将该方法移植到该多目标频谱感知问题。所提的多目标量子萤火虫搜索(multi-objective quantum glowworm searching)机制可简化记作MOQGS,参数设置如下:荧光素初值为5,ζ=0.8,ε=0.6,γ=0.4,RS=5,nt=5,e1=0.2,e2=2,e3=0.2,e4=0.5,e5=2,c1=c2=0.1/D。在多目标频谱感知过程中,两种多目标方法的种群规模设置为50,精英量子位置集包含的最大量子位置数目设置为150,最大迭代次数为500。在认知无线电系统中,设置s(k)=1,采样间隔N=20。
图3是认知用户的数目为30的仿真结果,其它系统参数设置如下:
h=[0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3,0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3,0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3]T,
σ=[2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7,2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7,2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7]T,
δ=[1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1,1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1,1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1]T。
图4是认知用户的数目为25的仿真结果,其它系统参数设置如下:
h=[0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3,0.3,0.4,0.4,0.5,0.3,0.4,0.5,0.6,0.1,0.5,0.3,0.7,0.6,0.5,0.2]T,
σ=[2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7,2.1,2.3,0.7,2.8,1.1,3.6,2.1,2.3,1.9,2.2,2.0,2.7,1.1,3.2,1.5]T,
δ=[1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1,1.1,0.6,2.1,3.5,2.5,0.3,1.5,0.7,2.2,3.3,1.4,0.6,2.2,3.6,2.2]T。
图5是认知用户的数目为18的仿真结果,其它系统参数设置如下:
h=[0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5,0.2,0.3,0.4,0.5,0.7,0.3,0.4,0.3,0.6,0.5]T,
σ=[2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5,0.9,2.7,2.0,2.5,0.9,2.7,1.3,3.3,2.0,2.5]T,
δ=[1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8,2.0,3.1,1.3,0.8,2.0,3.8,2.3,0.4,1.3,0.8]T。
从图3到图5可以看出在解决多目标频谱感知的问题中,所设计的多目标量子萤火虫搜索机制的多目标频谱感知方法获得的解,其能够支配多目标粒子群算法的频谱感知方法所获得的解(在虚警概率相同的情况下,检测概率大的解支配检测概率小的解;在检测概率相同的情况下,虚警概率小的解支配虚警概率大的解)。所以所设计的MOQGS频谱感知方法是可有效解决多目标频谱感知问题。
Claims (1)
1.一种基于多目标量子萤火虫搜索机制的频谱感知方法,包括如下步骤:
步骤一,建立认知无线电系统的多目标频谱感知模型,确定多目标频谱感知对应多目标量子萤火虫搜索方法的关键参数;
步骤二,确定量子萤火虫种群规模为H;
步骤三,对种群中的量子萤火虫个体根据其量子位置的适应度值进行非支配量子位置排序,一个量子位置的归一化位置对应于多目标问题中的一个解;
步骤四,选择非支配量子位置排序等级为1的量子位置放入精英量子位置集EliteSetQGS中;
步骤五,采用多目标量子萤火虫的演化规则对种群中量子萤火虫的量子位置进行演化,产生新的量子位置,计算新量子位置对应的归一化位置的适应度,产生2×H个量子位置,将产生的量子位置进行非支配量子位置排序,将非支配等级为1的量子位置加入精英量子位置集EliteSetQGS中;
步骤六,更新第j只量子萤火虫的动态决策域半径,j=1,2,...,H;
步骤七,对新获得的量子位置进行非支配量子位置排序,将非支配等级为1的量子位置和精英量子位置集中的量子位置进行非支配量子位置排序,根据支配关系选择优秀量子位置作为精英量子位置集EliteSetQGS,精英量子位置集所包含的最大精英量子位置个数为3H;
步骤八,如果没有达到最大迭代代数,令t=t+1,t为迭代次数,返回步骤五继续进行;否则,迭代终止,执行下一步;
步骤九,将得到的精英量子位置集EliteSetQGS中的量子位置进行非支配量子位置排序,选择非支配等级为1的量子位置作为最终的Pareto前端量子位置集;
步骤十,从最终的Pareto前端量子位置集中选择合适的量子位置映射成归一化位置进而得到所需的频谱感知方案;
其特征是,
步骤一具体包括:
假设认知网络中有标号为1到M的M个认知用户进行协作频谱感知,在时刻k各认知用户的本地二元假设检验模型为其中:H0是0假设、表示主用户信号不存在、频谱没有被占用,H1是备选假设、表示主用户信号存在、频谱被占用;i=1,2,...,M;s(k)为主用户发射的信号,认知网络中的每一个认知用户都接收到该信号,信号受到信道衰减的影响,信道衰减因子为hi,在整个检测过程中认为信道衰减始终是常数;yi(k)为第i个认知用户接收到的信号,其受到加性高斯白噪声ni(k)的影响,ni(k)的方差向量表示为 为第i个认知用户的噪声方差;
各个认知用户的本地感知采用能量检测,在采样间隔内经过N点的采样,所计算的判决统计量为其中i=1,2,...,M,随后统计量经过控制信道传输到融合中心,融合中心收到的各个统计量表示为其中ui为控制信道引入的噪声,假设其服从均值为0的高斯分布,其方差向量表示为 为第i个认知用户控制信道的噪声方差;根据融合中心中收到的每个认知用户的信号zi,融合中心计算全局判决统计量为其中z=[z1,z2,...,zM]T,w=[w1,w2,...,wM]T为控制判决器的权重向量,wi为第i个认知用户信号的权重,T表示转置;
融合中心将全局判决统计量zg与特定门限γg进行比较,实现最终判决;如果zg≥γg,则认为主用户信号存在,否则,认为主用户信号不存在;在这种协作频谱感知模型中,虚警概率的表达式为检测概率的表达式为其中A=2Ndiag2(σ)+diag(δ),B=2Ndiag2(σ)+diag(δ)+4Esdiag(h)diag(σ),M个认知的用户信道衰减是h1,h2,...,hM,h=[|h1|2,|h2|2,...,|hM|2]T,diag(σ)表示由矢量σ组成的对角矩阵;diag(δ)表示由矢量δ组成的对角矩阵;diag(h)表示由矢量h组成的对角矩阵;通过得到进而得到由于Q函数是单调递减的函数,最大化检测概率Pd,即相当于最小化加入约束条件即0≤wi≤1,i=1,2,...,M,优化权重0≤wi≤1,i=1,2,...,M以及虚警概率Pf进而同时实现最大化检测概率和最小化虚警概率,(·)-1表示求逆运算;
步骤二具体包括:
第j只量子萤火虫的量子位置表示为其中量子位表示为τ=1,2,t为迭代次数、初始代设为1,j=1,2,...,H,l=1,2,...,D,D=M+1,D为量子萤火虫解空间的最大维数,在量子域[0,1]内随机初始化则第j只量子萤火虫的量子位置所对应的归一化位置为初始化每只量子萤火虫的动态决策域半径和荧光素值,构造的多目标适应度函数为通过计算归一化位置的适应度值对该量子萤火虫的量子位置进行适应性评价,多目标适应度函数包括最大化检测概率和最小化虚警概率,
适应度函数具体为:将的第1位即代表虚警概率Pf,将的第2位到第D位代表权重向量,记作第1个适应度函数为第2个适应度函数为
步骤三具体包括:
非支配量子位置排序的过程如下:
首先,对种群中每个量子位置d,计算支配量子位置d的量子位置的数目nd以及量子位置d所支配的量子位置的集合Sd;
如果nd=0,为没有量子位置支配d,则量子位置d的非支配排序等级为1;对于每个非支配等级为1的量子位置d,遍历Sd中的每个量子位置q,并且nq=nq-1、即把nq-1的值再赋值给nq,若nq=0,则将量子位置q放在集合中,集合中量子位置的非支配量子位置等级为2,对中的每个量子位置重复,得到非支配量子位置排序等级为3的量子位置集合,重复直至得到所有的非支配等级;
在多目标量子萤火虫搜索机制的演化过程中,全局最优量子位置由两个适应度函数适应度值联合最小的量子位置产生,第j只量子萤火虫学习邻域获得方式为其中τ=1,2,为第j只量子萤火虫学习邻域标号集合,表示第j只量子萤火虫在第t次迭代过程中的动态决策域半径,表示第只量子萤火虫在第t次迭代过程中的荧光素值,每只量子萤火虫根据荧光素值选择移动方向,其中j=1,2,...,H,τ=1,2,表示在第t次迭代过程中量子萤火虫j向量子萤火虫移动的概率,
在每次迭代过程中,若第j只量子萤火虫学习邻域为空,第j只量子萤火虫的第l维量子位的更新方式为其中量子旋转角 代表第j只量子萤火虫至第t次迭代为止根据第τ个适应度函数所获得的局部最优量子位置即第j只量子萤火虫至第t次迭代为止根据第τ个适应度函数所搜索到的具有最小适应度值的量子位置,e1和e2分别表示局部最优量子位置和全局最优量子位置对量子旋转角的影响程度,randn是均值为0方差为1的高斯分布的随机数,rand为[0,1]之间均匀分布的随机数,为[0,1]之间均匀分布的随机数,c1是[0,1/D]之间的一个常数,其代表量子旋转角为0时的量子位的翻转概率,abs()是将量子位限定在[0,1]之间的取绝对值函数,为量子旋转门,为量子非门;
若第j只量子萤火虫学习邻域为非空,在第j只量子萤火虫的学习邻域内选择量子萤火虫其选择方法为其中第j只量子萤火虫的第l维量子位更新方式为量子旋转角 是第j只量子萤火虫学习邻域内荧光素值最大的第l维局部最优量子位,其中e3、e4和e5分别表示局部最优量子位置、学习邻域内荧光素值最大的局部最优量子位置和全局最优量子位置对量子旋转角的影响程度,c2代表量子旋转角为0时的量子位的翻转概率,其是[0,1/D]之间的一个常数;
根据将第j只量子萤火虫的适应度值转化为荧光素值其中γ∈[0,1]为荧光素消失率会随着距离的增加逐渐减弱,ε是荧光素更新率;
更新第j只量子萤火虫的动态决策域半径的更新方式为其中τ=1,2,ζ是动态决策域更新率、其值是一个常数,RS为感知域,nt为控制邻域,为控制域所含标号个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610821207.4A CN106257849B (zh) | 2016-09-13 | 2016-09-13 | 基于多目标量子萤火虫搜索机制的频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610821207.4A CN106257849B (zh) | 2016-09-13 | 2016-09-13 | 基于多目标量子萤火虫搜索机制的频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106257849A CN106257849A (zh) | 2016-12-28 |
CN106257849B true CN106257849B (zh) | 2019-05-17 |
Family
ID=57714215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610821207.4A Active CN106257849B (zh) | 2016-09-13 | 2016-09-13 | 基于多目标量子萤火虫搜索机制的频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106257849B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108055665B (zh) * | 2017-10-27 | 2020-04-28 | 杭州电子科技大学 | 一种基于改进多目标pso优化的目标信道访问方法 |
CN108320027B (zh) * | 2017-12-29 | 2022-05-13 | 国网河南省电力公司信息通信公司 | 一种基于量子计算的大数据处理方法 |
CN110162841B (zh) * | 2019-04-26 | 2022-09-13 | 南京航空航天大学 | 一种引入三维稳定性约束的铣削加工多目标优化决策方法 |
CN118014095B (zh) * | 2024-04-10 | 2024-08-13 | 国开启科量子技术(安徽)有限公司 | 分布式的多目标量子搜索方法、装置、介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102316464A (zh) * | 2011-09-19 | 2012-01-11 | 哈尔滨工程大学 | 基于非支配解排序量子雁群算法的多目标频谱分配方法 |
CN102932870A (zh) * | 2012-10-30 | 2013-02-13 | 河南科技大学 | 一种无线传感器网络节点部署方法 |
CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
CN103856948A (zh) * | 2014-03-06 | 2014-06-11 | 南京理工大学 | 基于频谱衬垫的认知ofdm系统比例公平资源分配方法 |
CN104168571A (zh) * | 2014-07-09 | 2014-11-26 | 天津工业大学 | 认知Mesh网络中基于免疫多目标优化的频谱分配方法 |
CN104168592A (zh) * | 2014-07-09 | 2014-11-26 | 天津工业大学 | 基于多目标人工物理优化的认知参数调整方法 |
-
2016
- 2016-09-13 CN CN201610821207.4A patent/CN106257849B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102316464A (zh) * | 2011-09-19 | 2012-01-11 | 哈尔滨工程大学 | 基于非支配解排序量子雁群算法的多目标频谱分配方法 |
CN102932870A (zh) * | 2012-10-30 | 2013-02-13 | 河南科技大学 | 一种无线传感器网络节点部署方法 |
CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
CN103856948A (zh) * | 2014-03-06 | 2014-06-11 | 南京理工大学 | 基于频谱衬垫的认知ofdm系统比例公平资源分配方法 |
CN104168571A (zh) * | 2014-07-09 | 2014-11-26 | 天津工业大学 | 认知Mesh网络中基于免疫多目标优化的频谱分配方法 |
CN104168592A (zh) * | 2014-07-09 | 2014-11-26 | 天津工业大学 | 基于多目标人工物理优化的认知参数调整方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106257849A (zh) | 2016-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Graph embedding-based wireless link scheduling with few training samples | |
Kim et al. | Dynamic clustering in federated learning | |
CN106257849B (zh) | 基于多目标量子萤火虫搜索机制的频谱感知方法 | |
CN110521234A (zh) | 使用深度学习进行网络自优化的方法和系统 | |
Song et al. | DV‐hop node location algorithm based on GSO in wireless sensor networks | |
CN104467999B (zh) | 一种基于量子蛙跳的频谱感知算法 | |
Bacanin et al. | RFID network planning by ABC algorithm hybridized with heuristic for initial number and locations of readers | |
Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
Montoya et al. | Energy-Efficient and Delay Sensitive Routing Paths Using Mobility Prediction in Mobile WSN: Mathematical Optimization, Markov Chains, and Deep Learning Approaches | |
Elghamrawy et al. | GWOA: a hybrid genetic whale optimization algorithm for combating attacks in cognitive radio network | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
Zhang et al. | Bayesian and multi-armed contextual meta-optimization for efficient wireless radio resource management | |
Lin et al. | Dresia: Deep reinforcement learning-enabled gray box approach for large-scale dynamic cyber-twin system simulation | |
Zhang et al. | Learning to locate: Adaptive fingerprint-based localization with few-shot relation learning in dynamic indoor environments | |
Tian et al. | Hierarchical federated learning with adaptive clustering on non-IID data | |
Sun et al. | Generative ai for advanced uav networking | |
Zhang et al. | How Often Channel Estimation is Required for Adaptive IRS Beamforming: A Bilevel Deep Reinforcement Learning Approach | |
Huang et al. | A Multiobjective Evolutionary Algorithm for Network Planning in In-Building Distributed Antenna Systems | |
Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO systems | |
Zhang et al. | Deep reinforcement learning-based distributed dynamic spectrum access in multi-user multi-channel cognitive radio internet of things networks | |
Sun et al. | Resource Allocation in Heterogeneous Network with Supervised GNNs | |
Venkatesan et al. | Comparative performance investigation of supervised and unsupervised learning outlines applied in cognitive radio systems | |
Ju et al. | A joint jamming detection and link scheduling method based on deep neural networks in dense wireless networks | |
Perera et al. | Dynamic Spectrum Fusion: An Adaptive Learning Approach for Hybrid NOMA/OMA in Evolving Wireless Networks | |
Cruz et al. | Development of machine learning-based predictive models for wireless indoor localization application with feature ranking via recursive feature elimination algorithm |
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 |