CN106788818A - 基于认知功能和传感器节点分离的crsn频谱感知方法 - Google Patents

Abstract

本发明涉及一种认知无线传感器网络中基于认知功能和传感器节点分离的频谱感知方法，属于无线传感器网络技术领域。该方法将网络中的认知功能和传感器节点分离，传感器节点只负责源感知，而认知功能则搬移至CRSN中的其他专用节点，称为认知节点，由认知节点负责频谱感知，运用连续离散二进制混合粒子群算法，在选择感知节点的同时来调节感知节点的发射功率，使得频谱感知在满足给定感知性能的前提下，最小化能量消耗。本发明提供的一种认知无线传感器网络中基于认知功能和传感器节点分离的频谱感知方法，解决了认知功能带来的额外能耗和处理要求与传感器节点有限资源的矛盾，解决了CRSN高成本实现与其低成本实现要求的矛盾。

Description

基于认知功能和传感器节点分离的CRSN频谱感知方法

技术领域

本发明属于无线传感器网络领域，涉及一种基于认知功能和传感器节点分离的CRSN频谱感知方法。

背景技术

现有的WSN大都工作在无需授权的工业、科学、医学频段(Industrial ScientificMedical，ISM)。这些公用频段正随着各种新的无线通信技术的兴起(如Wifi、蓝牙、Wimax、Zigbee等)而变得日益拥挤，导致工作于ISM频段的各种无线设备之间的干扰日趋严重。例如有研究表明在同时工作时，IEEE 802.11网络会明显降低802.15.4/Zigbee网络的性能，因而工作在ISM频段的异构无线通信系统共存问题已成为WSN继续发展的瓶颈。

根据美国联邦通信委员会(Federal Communications Commission，FCC)的一份报告，基于现有频谱管理政策，绝大部分已经分配的频谱无论是在时间上还是空间上都利用不足，仅在15％至85％之间。鉴于认知无线电(Cognitive Radio，CR)能够通过利用动态频谱分配技术极大地提高频谱利用率，一些研究人员在WSN中引入CR技术，即在每个传感器上都装载一个具有认知功能的设备，伺机利用暂未使用的频谱段，以缓解WSN频谱极度紧张的局面以及解决多个异构无线通信系统(WSN)共存导致的相互干扰问题。这种在传感器节点上装载CR设备的WSN称为认知无线传感器网络(Cognitive Radio Sensor Network，CRSN)。

在无线传感器网络中采用认知无线电技术，使传感器网络节点可以实时感知周围环境中的频谱信息，获取可用频谱资源，在通信过程中能够动态选择未被占用的频谱资源来完成通信过程。这样，不仅能缓解公用频段的拥挤状况，并且可提高网络对空闲频谱的利用率，增加节点可选的工作带宽；由于节点可以动态地去选择空闲信道工作，减少了节点因竞争信道而带来的等待和冲突，因此可以提高网络的吞吐量并缩短网络的通信时延。与传统WSN相比，CRSN在动态频谱接入、并发数据的伺机信道使用、适应性地降低能耗、多个异构WSN的重叠部署、不同频谱管理政策下工作方面拥有巨大的优势，具有重大应用价值和远大的发展前景，也被认为是下一代WSN。

然而，在CRSN中的传感器节点额外增加了频谱感知、频谱切换等功能，极大消耗了传感器节点本已受限的能量和处理能力；另外，无线认知传感器节点处理能力有限，常常需要多个传感器节点进行协作频谱感知然后通过协调器融合判决，他们之间感知信息的相互交流也导致了大量的能耗。这些由认知功能带来的额外的能耗和处理要求与传感器节点固有的资源约束产生了巨大的矛盾，极大地增加了功率高效的认知传感器节点的设计难度，将极大地缩短了CRSN生存时间，阻碍CRSN发展与应用。

CR接收机的灵敏度远高于普通传感器节点所用的接收机，在每一个传感器节点上都装载一个CR接收机，因而极大地增加了认知传感器节点的生产成本，这与CRSN低成本实现的要求相矛盾的。为了解决这一矛盾，我们将认知功能与传感器节点分离，传感器节点不再承担频谱感知功能，只负责源感知，而认知功能则搬移至CRSN中的其他专用节点，有这些专用节点负责频谱感知。这种认知功能与传感器节点分离的WSN称之为基于认知功能和传感器节点分离的CRSN(Separate cognitive function and sensor based CRSN，S-CRSN)。

现有的认知无线传感器网络中的高能效协作频谱感知技术有很多，通过选择参与协作感知的节点，在满足给定约束目标的前提下，减少感知过程中的能量消耗，从而提高能量效率。但是现有技术都忽略或者简化了控制信道的干扰因素，来简化模型，选择有代表性的节点或者在较好感知位置上的节点来参与感知。为了简化感知模型，他们或是假设所有感知节点的传输功率相同，或是假设所有感知节点具有相同的放大增益以满足接收端的接收灵敏度，这就意味着他们假设所有的感知节点在他们整个生命周期中都具有一个固定不变的发射功率，而这是与实际情况相违背的。实际上，不同感知节点的性能和参数可能差别巨大，而且节点处在不同的地址位置，这也影响了感知结果的传输范围。并且，随着时间的推迟，以电池供电的传感器节点的发射功率必然会随着电池电量的减少而相应的减弱，所以以往的感知模型都无法精确的表述协作频谱感知的现实状况。

且现有的研究都是基于CRSN的网络模型，通过优化参与感知节点数目、感知时长、节点选择等方法，使得协作频谱感知在达到约束目标的条件下能量消耗达到最小化。但是现有的CRSN频谱感知算法研究的前提是所有的传感器节点都具有认知功能。一方面所有的CRSN节点都进行频谱感知，频谱切换等功能，极大消耗了传感器节点本已受限的能量和处理能力，而CRSN传感器节点处理能力有限，常常需要多个传感器节点进行协作频谱感知然后通过协调器融合判决(认知传感器节点与协调器交互过程繁琐：节点触发—网络协调器控制—节点感知—协调器融合信息判断、分配—节点接受信道、发送数据)，他们之间感知信息的相互交流也导致了大量的能耗。另一方面，CR接收机的灵敏度远高于普通传感器节点所用的接收机，因而其生产成本也高于普通接收机，在每个传感器节点上都装载一个CR接收机，显而易见极大地增加了认知传感器节点的生产成本，进而增加了低成本认知传感器节点的设计难度。

发明内容

有鉴于此，本发明的目的在于提供一种基于认知功能和传感器节点分离的CRSN的频谱感知方法，用于解决认知功能带来的额外能耗和处理要求与传感器节点有限资源的矛盾、以及CRSN高成本实现与低成本实现要求的矛盾。

一种基于认知功能和传感器节点分离的CRSN频谱感知方法，将选择适合的认知节点和降低认知节点的发射功率两方面问题建模成一个混合离散和连续变量的优化问题，并用连续离散二进制混合粒子群算法进行优化，具体步骤如下：

1)使用能量检测法进行本地频谱检测；

2)计算检测得到的能量值；

3)计算认知节点的初始化检测概率和虚警概率；

4)融合中心通过收到的认知节点的感知结果和对应信道的误码率计算得到真正的认知节点的检测概率和虚警概率为：

5)假设有任意一个本地感知结果表明观察信道被主用户占用，那么融合中心的结果就是主用户占用该信道，计算融合中心的检测概率和虚警概率；

6)计算协作频谱感知的总能量消耗；

7)在假设控制信道的信噪比符合自由空间衰落模型的条件下，计算各个认知节点的新的检测概率和虚警概率；

8)给定约束条件为最大虚警概率和最小检测概率，同时满足频谱感知能量消耗最小化，将优化问题进行公式表达；

9)利用连续离散二进制混合粒子群算法进行优化。

进一步的，所述使用能量检测法进行本地频谱检测具体包括：

假设τ_s表示认知节点的频谱检测时间长度，f_s表示检测采样频率，τ_sf_s为每个检测周期的采样数量，第i个认知节点依靠它的采样信号能量值X_i[k](k＝1,2,3Lτ_sf_s)来给出感知结果；H₀表示主用户没有占用信道，用H₁表示主用户占用了信道；

H₀:X_i[k]＝u_i[k] (1)

H₁:X_i[k]＝s_i[k]+u_i[k] (2)

其中u_i[k]是方差为σ_u ²、均值为0的高斯随机噪声；s_i[k]为主用户信号，假设它是一个均值为0方差为σ_si ²的随机过程。

进一步的，计算检测得到的能量值为：

它在主用户不占用检测信道的情况下服从一个自由度为2τ_sf_s的卡方分布；在主用户占用观察信道的情况下服从一个自由度为2τ_sf_s，非中心参数为2γ_i的非中心卡方分布：

其中γ_i是认知节点i检测到的主用户的信噪比。

进一步的，计算认知节点的初始化检测概率和虚警概率方法为：

根据中心极限定理，当2τ_sf_s足够大时，E_i可以看成是近似高斯分布，对于一个给定的门限值λ，则第i个认知节点的初始化检测概率和虚警概率分别如下：

其中Q(x)是正常高斯分布的累积分布函数的补函数。

进一步的，融合中心通过收到的认知节点的感知结果和对应信道的误码率计算得到真正的认知节点的检测概率和虚警概率为：

其中ρ_i表示第i个认知节点上报给融合中心时信号的信噪比，控制信道的误码率

进一步的，融合中心的检测概率和虚警概率为：

其中θ＝{1，0}表示认知节点i是否参与感知，1代表参与，0代表不参与，N是认知节点的总个数。

进一步的，计算协作频谱感知的总能量消耗：

C_ti表示传送感知结果的能量消耗，C_si表示观察信道部分的能量消耗；因为各个认知节点的相似性，所以假设所有认知节点的C_si是相同的，是一个常量；但是每个认知节点的C_ti是各不相同的。

进一步的，在假设控制信道的信噪比符合自由空间衰落模型的条件下，d_if表示第i个认知节点到融合中心的距离,那么第i个认知节点的控制信道的误码率为：

将(12)带入公式(7)、(8)计算各个认知节点的新的检测概率和虚警概率为：

进一步的，给定约束条件为最大虚警概率α和最小检测概率β，同时满足频谱感知能量消耗最小化，优化问题可以用下式表示：

进一步的，利用连续离散二进制混合粒子群算法进行优化，该算法将一个离散二进制变量的粒子群和一个连续变量的粒子群在一起运算，并引入惩罚函数来建立一个新的优化目标，具体方法为：

假设这个粒子群包含了_n个粒子，粒子移动的过程就是对解空间的搜索过程，粒子维数用Q表示，每个粒子的所在位置为：x_i＝(x_i1,x_i2,L,x_iQ),i＝1,2,L n，每个粒子的速度为v_i＝(v_i1,v_i2,L,v_iQ),i＝1,2,L n，粒子群算法的速度和位置的迭代更新公式：

其中w是保持原来速度的惯性系数，c₁是粒子跟踪自己历史最优值的权重系数，它表示粒子对自身搜索历史的认识，所以叫“自身认知”，c₂是粒子跟踪群体最优值的权重系数，它表示该粒子对整个群体搜索历史的认识，所以叫做“群体知识”；ξ和η是[0,1]区间内均匀分布的随机数，它保证了粒子向局部和全局最优靠近的同时，有一定的随机性，能够在局部最优和全局最优解的周围寻找更优的解；r是速度约束因子，通过它可以调节粒子速度对原有位置的影响；

引入惩罚函数为：

min D＝C_T+R*max((α-P_d)，0)+S*max((P_f-β)，0) (18)

其中R和S是惩罚因子，合适的设置它们的值，就可以免去惩罚，使原来的优化目标C_T和新的优化目标D相同；

具体步骤包括：

1)初始化离散二进制变量粒子群和连续变量粒子群；

2)根据目标函数计算各自适应值；

3)根据公式(16)(17)更新离散二进制粒子群和连续变量粒子群的速度和位置；

4)根据最新位置计算全局优化值；

5)判定迭代次数是否达到上限，若没有达到上限则返回步骤2)，反之结束算法。

本发明的有益效果在于：本发明提出的基于认知功能和传感器节点分离的CRSN的高能效协作频谱感知方案，将认知功能与传感器节点分离，传感器节点不再承担频谱感知功能，只负责源感知，而认知功能则搬移至CRSN中的其他专用节点，由这些专用节点负责频谱感知。该频谱感知方案解决了两方面的问题。一方面解决了在WSN网络中公用频段随着各种新的无线通信技术的兴起频谱稀缺；另一方面，解决了在CRSN中，所有节点都进行频谱感知，频谱切换等功能的能量消耗过大以及每个传感器节点都配备认知设备所带来的生产设备成本较高的问题。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为新型认知无线传感器网络模型；

图2为连续离散二进制混合粒子群算法流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

在S-CRSN中，认知功能与传感器节点分离，使得认知节点和传感器节点相互分离而又必须紧密结合、协调地工作，传感器节点负责源感知，认知节点负责频谱感知，新型网络模型如图1所示。本发明提出，在S-CRSN中，一种基于认知功能和传感器节点分离的CRSN频谱感知方法，本方法首次考虑了感知结果在传输过程中的不确定性。因为控制信道和观察信道一样容易受到多种因素的干扰，并且这些干扰也对最终的感知结果有直接的影响。所以，该频谱感知方案将控制信道传输结果的不可靠性因素考虑进入到感知模型中。

为了在协作频谱感知中的总能耗最小化，参与感知的节点越少越好。但是，为了达到检测概率和虚警概率的约束目标，我们又必须保持一定数量的感知节点，这是一个折衷优化问题。当我们将焦点集中在单个认知节点i时，为了获得更高的本地检测概率P_di和更低本地虚警概率P_fi，我们应该提高传输感知结果的发射功率C_ti，而这与最小化频谱感知总能耗的目标相矛盾。而从另一个角度出发，为了最小化频谱感知总能耗，我们应该尽可能的将参与感知的节点的功耗降低，而这就需要我们尽量降低认知节点的发射功率C_ti，但是这就可能无法满足检测精度的限制。因此这也是一个折衷优化问题。

将以上两个优化问题建模成一个混合离散和连续变量的优化问题，并提出了一种改进的粒子群优化算法，它可以选择合适的认知节点参与频谱感知的同时调整参与感知的认知节点的发射功率。具体的步骤如下：

一、使用能量检测法进行本地频谱检测

假设τ_s表示认知节点的频谱检测时间长度，f_s表示检测采样频率，τ_sf_s为每个检测周期的采样数量，第i个认知节点依靠它的采样信号能量值X_i[k](k＝1,2,3Lτ_sf_s)来给出感知结果；H₀表示主用户没有占用信道，用H₁表示主用户占用了信道；

H₀:X_i[k]＝u_i[k] (1)

H₁:X_i[k]＝s_i[k]+u_i[k] (2)

其中u_i[k]是方差为σ_u ²、均值为0的高斯随机噪声；s_i[k]为主用户信号，假设它是一个均值为0方差为σ_si ²的随机过程。

二、计算检测得到的能量值

它在主用户不占用检测信道的情况下服从一个自由度为2τ_sf_s的卡方分布；在主用户占用观察信道的情况下服从一个自由度为2τ_sf_s，非中心参数为2γ_i的非中心卡方分布：

其中γ_i是认知节点i检测到的主用户的信噪比。

三、计算认知节点的初始化检测概率和虚警概率

根据中心极限定理，当2τ_sf_s足够大时，E_i可以看成是近似高斯分布，对于一个给定的门限值λ，则第i个认知节点的初始化检测概率和虚警概率分别如下：

其中Q(x)是正常高斯分布的累积分布函数的补函数。

四、计算得到真正的认知节点的检测概率和虚警概率

根据中心极限定理，当2τ_sf_s足够大时，E_i可以看成是近似高斯分布，对于一个给定的门限值λ，则第i个认知节点的初始化检测概率和虚警概率分别如下：

其中Q(x)是正常高斯分布的累积分布函数的补函数。

五、计算融合中心的检测概率和虚警概率

融合中心的检测概率和虚警概率为：

其中θ＝{1,0}表示认知节点i是否参与感知，1代表参与，0代表不参与，N是认知节点的总个数。

六、计算协作频谱感知的总能量消耗

C_ti表示传送感知结果的能量消耗，C_si表示观察信道部分的能量消耗；因为各个认知节点的相似性，所以假设所有认知节点的C_si是相同的，是一个常量；但是每个认知节点的C_ti是各不相同的。

七、计算各个认知节点的新的检测概率和虚警概率；

在假设控制信道的信噪比符合自由空间衰落模型的条件下，d_if表示第i个认知节点到融合中心的距离,那么第i个认知节点的控制信道的误码率为：

将(13)带入公式(7)、(8)计算各个认知节点的新的检测概率和虚警概率为：

八、优化问题进行公式表达

给定约束条件为最大虚警概率α和最小检测概率β，同时满足频谱感知能量消耗最小化，优化问题可以用下式表示：

9)利用连续离散二进制混合粒子群算法进行优化

该算法将一个离散二进制变量的粒子群和一个连续变量的粒子群在一起运算，并引入惩罚函数来建立一个新的优化目标，具体方法为：

假设这个粒子群包含了_n个粒子，粒子移动的过程就是对解空间的搜索过程，粒子维数用Q表示，每个粒子的所在位置为：x_i＝(x_i1,x_i2,L,x_iQ),i＝1,2,L n，每个粒子的速度为v_i＝(v_i1,v_i2,L,v_iQ),i＝1,2,L n，粒子群算法的速度和位置的迭代更新公式：

其中w是保持原来速度的惯性系数，c₁是粒子跟踪自己历史最优值的权重系数，它表示粒子对自身搜索历史的认识，所以叫“自身认知”，c₂是粒子跟踪群体最优值的权重系数，它表示该粒子对整个群体搜索历史的认识，所以叫做“群体知识”；ξ和η是[0,1]区间内均匀分布的随机数，它保证了粒子向局部和全局最优靠近的同时，有一定的随机性，能够在局部最优和全局最优解的周围寻找更优的解；r是速度约束因子，通过它可以调节粒子速度对原有位置的影响；

引入惩罚函数为：

min D＝C_T+R*max((α-P_d)，0)+S*max((P_f-β)，0) (18)

其中R和S是惩罚因子，合适的设置它们的值，就可以免去惩罚，使原来的优化目标C_T和新的优化目标D相同；

参照图2连续离散二进制混合粒子群算法流程图，具体步骤包括：

1)初始化离散二进制变量粒子群和连续变量粒子群；

2)根据目标函数计算各自适应值；

3)根据公式(16)(17)更新离散二进制粒子群和连续变量粒子群的速度和位置；

4)根据最新位置计算全局优化值；

5)判定迭代次数是否达到上限，若没有达到上限则返回步骤2)，反之结束算法。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (10)

1.一种基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于：将选择适合的认知节点和降低认知节点的发射功率两方面问题建模成一个混合离散和连续变量的优化问题，并用连续离散二进制混合粒子群算法进行优化，具体步骤如下：

1)使用能量检测法进行本地频谱检测；

2)计算检测得到的能量值；

3)计算认知节点的初始化检测概率和虚警概率；

4)融合中心通过收到的认知节点的感知结果和对应信道的误码率计算得到真正的认知节点的检测概率和虚警概率为：

5)假设有任意一个本地感知结果表明观察信道被主用户占用，那么融合中心的结果就是主用户占用该信道，计算融合中心的检测概率和虚警概率；

6)计算协作频谱感知的总能量消耗；

7)在假设控制信道的信噪比符合自由空间衰落模型的条件下，计算各个认知节点的新的检测概率和虚警概率；

8)给定约束条件为最大虚警概率和最小检测概率，同时满足频谱感知能量消耗最小化，将优化问题进行公式表达；

9)利用连续离散二进制混合粒子群算法进行优化。

2.根据权利要求1所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于：所述使用能量检测法进行本地频谱检测具体包括：

假设τ_s表示认知节点的频谱检测时间长度，f_s表示检测采样频率，τ_sf_s为每个检测周期的采样数量，第i个认知节点依靠它的采样信号能量值X_i[k](k＝1,2,3Lτ_sf_s)来给出感知结果；H₀表示主用户没有占用信道，用H₁表示主用户占用了信道；

H₀:X_i[k]＝u_i[k] (1)

H₁:X_i[k]＝s_i[k]+u_i[k] (2)

其中u_i[k]是方差为σ_u ²、均值为0的高斯随机噪声；s_i[k]为主用户信号，假设它是一个均值为0方差为σ_si ²的随机过程。

3.根据权利要求2所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于：计算检测得到的能量值为：

$E_i=\frac{1}{{\mathrm{\τ}}_s{f}_s}\underset{k=1}{\overset{{\mathrm{\τ}}_s{f}_s}{\Σ}}{X_{ik}}^2---\left(3\right)$

它在主用户不占用检测信道的情况下服从一个自由度为2τ_sf_s的卡方分布；在主用户占用观察信道的情况下服从一个自由度为2τ_sf_s，非中心参数为2γ_i的非中心卡方分布：

$E_i~\left\{\begin{array}{cc}{\mathrm{\χ}}_{2{\mathrm{\τ}}_s{f}_s}^2& H_0\\ {\mathrm{\χ}}_{2{\mathrm{\τ}}_s{f}_s}^2\left(2{\mathrm{\γ}}_i\right)& H_1\end{array}\right.---\left(4\right)$

其中γ_i是认知节点i检测到的主用户的信噪比。

4.根据权利要求3所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，计算认知节点的初始化检测概率和虚警概率方法为：

根据中心极限定理，当2τ_sf_s足够大时，E_i可以看成是近似高斯分布，对于一个给定的门限值λ，则第i个认知节点的初始化检测概率和虚警概率分别如下：

$P_{d_i}=P(E_i>\mathrm{\λ}|H_1)=Q\left(\right(\frac{\mathrm{\λ}}{{\mathrm{\σ}}_u^2}-{\mathrm{\γ}}_i-1\left)\sqrt{\frac{{\mathrm{\τ}}_s{f}_s}{2{\mathrm{\γ}}_i+1}}\right)---\left(5\right)$

$P_{f_i}=P(E_i>\mathrm{\λ}|H_0)=Q\left(\right(\frac{\mathrm{\λ}}{{\mathrm{\σ}}_u^2}-1\left)\sqrt{{\mathrm{\τ}}_s{f}_s}\right)---\left(6\right)$

其中Q(x)是正常高斯分布的累积分布函数的补函数。

5.根据权利要求4所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，融合中心通过收到的认知节点的感知结果和对应信道的误码率计算得到真正的认知节点的检测概率和虚警概率为：

$P_{di}^{*}=(1-P_{di})P_{ei}+P_{di}(1-P_{ei})---\left(7\right)$

$P_{fi}^{*}=(1-P_{fi})P_{ei}+P_{fi}(1-P_{ei})---\left(8\right)$

其中ρ_i表示第i个认知节点上报给融合中心时信号的信噪比，控制信道的误码率

6.根据权利要求5所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，融合中心的检测概率和虚警概率为：

$P_d=1-\underset{i=1}{\overset{N}{\Π}}(1-{\mathrm{\θ}}_i{P}_{di}^{*})---\left(9\right)$

$P_f=1-\underset{i=1}{\overset{N}{\Π}}(1-{\mathrm{\θ}}_i{P}_{fi}^{*})---\left(10\right)$

其中θ＝{1,0}表示认知节点i是否参与感知，1代表参与，0代表不参与，N是认知节点的总个数。

7.根据权利要求6所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，计算协作频谱感知的总能量消耗：

$C_T={\mathrm{\Σ}}_{i=1}^N{\mathrm{\θ}}_i(C_{ti}+C_{si})---\left(11\right)$

C_ti表示传送感知结果的能量消耗，C_si表示观察信道部分的能量消耗；因为各个认知节点的相似性，所以假设所有认知节点的C_si是相同的，是一个常量；但是每个认知节点的C_ti是各不相同的。

8.根据权利要求7所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，在假设控制信道的信噪比符合自由空间衰落模型的条件下，d_if表示第i个认知节点到融合中心的距离,那么第i个认知节点的控制信道的误码率为：

$P_{ei}=Q\left(\sqrt{2\frac{C_{ti}}{d_{if}^2}}\right)---\left(12\right)$

将(12)带入公式(7)、(8)计算各个认知节点的新的检测概率和虚警概率为：

$P_{di}^{*}\left(C_{ti}\right)=(1-P_{di})Q\left(\sqrt{2\frac{C_{ti}}{d_{if}^2}}\right)+P_{di}(1-Q(\sqrt{2\frac{C_{ti}}{d_{if}^2}}\left)\right)---\left(13\right)$

$P_{fi}^{*}\left(C_{ti}\right)=(1-P_{fi})Q\left(\sqrt{2\frac{C_{ti}}{d_{if}^2}}\right)+P_{fi}(1-Q(\sqrt{2\frac{C_{ti}}{d_{if}^2}}\left)\right)---\left(14\right).$

9.根据权利要求8所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，给定约束条件为最大虚警概率α和最小检测概率β，同时满足频谱感知能量消耗最小化，优化问题可以用下式表示：

$\left\{\begin{array}{c}\min C_T=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\θ}}_i(C_{si}+C_{ti})\\ P_d=1-\underset{i=1}{\overset{N}{\Π}}(1-{\mathrm{\θ}}_i{P}_{di}^{*}(C_{ti}\left)\right)\≥\mathrm{\β}\\ P_f=1-\underset{i=1}{\overset{N}{\Π}}(1-{\mathrm{\θ}}_i{P}_{fi}^{*}(C_{ti}\left)\right)\≤\mathrm{\α}\\ {\mathrm{\θ}}_i\∈\{0,1\}\\ C_{ti}\∈\[C_{t\min ,}{C}_{tmax}\]\end{array}\right.---\left(15\right).$

10.根据权利要求9所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于：利用连续离散二进制混合粒子群算法进行优化，该算法将一个离散二进制变量的粒子群和一个连续变量的粒子群在一起运算，并引入惩罚函数来建立一个新的优化目标，具体方法为：

假设这个粒子群包含了_n个粒子，粒子移动的过程就是对解空间的搜索过程，粒子维数用Q表示，每个粒子的所在位置为：x_i＝(x_i1,x_i2,L,x_iQ),i＝1,2,L n，每个粒子的速度为v_i＝(v_i1,v_i2,L,v_iQ),i＝1,2,L n，粒子群算法的速度和位置的迭代更新公式：

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_1\mathrm{\ξ}(p_{id}^k-x_{id}^k)+c_2\mathrm{\η}(p_{gd}^k-x_{gd}^k)---\left(16\right)$

$x_{id}^{k+1}=x_{id}^k+{\mathrm{rv}}_{id}^{k+1}---\left(17\right)$

其中w是保持原来速度的惯性系数，c₁是粒子跟踪自己历史最优值的权重系数，它表示粒子对自身搜索历史的认识，所以叫“自身认知”，c₂是粒子跟踪群体最优值的权重系数，它表示该粒子对整个群体搜索历史的认识，所以叫做“群体知识”；ξ和η是[0_,1]区间内均匀分布的随机数，它保证了粒子向局部和全局最优靠近的同时，有一定的随机性，能够在局部最优和全局最优解的周围寻找更优的解；r是速度约束因子，通过它可以调节粒子速度对原有位置的影响；

引入惩罚函数为：

min D＝C_T+R*max((α-P_d)，0)+S*max((P_f-β)，0) (18)

其中R和S是惩罚因子，合适的设置它们的值，就可以免去惩罚，使原来的优化目标C_T和新的优化目标D相同；

具体步骤包括：

1)初始化离散二进制变量粒子群和连续变量粒子群；

2)根据目标函数计算各自适应值；

3)根据公式(16)(17)更新离散二进制粒子群和连续变量粒子群的速度和位置；

4)根据最新位置计算全局优化值；

5)判定迭代次数是否达到上限，若没有达到上限则返回步骤2)，反之结束算法。