CN106992823B - 一种认知无线电网络频谱感知方法 - Google Patents
一种认知无线电网络频谱感知方法 Download PDFInfo
- Publication number
- CN106992823B CN106992823B CN201710119519.5A CN201710119519A CN106992823B CN 106992823 B CN106992823 B CN 106992823B CN 201710119519 A CN201710119519 A CN 201710119519A CN 106992823 B CN106992823 B CN 106992823B
- Authority
- CN
- China
- Prior art keywords
- particle
- user
- perception
- noise
- particles
- 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
Images
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,在认知无线电网络中,各感知用户进行本地能量感知,各自的能量统计量通过公共信道传送到融合中心,传输的过程中会引入噪声,融合中心对接收到的统计值进行加权合并,由合并结果再进行判断。本发明首先根据噪声方差的时变特性分析了噪声不确定情况下的分布特点,根据噪声时变的影响,考虑噪声对频谱检测的最坏影响,推导得到基于噪声不确定的信道中的虚警概率和检测概率。本发明采用加速食物引导粒子群优化算法,在认知无线电多用户协作频谱感知的模型下,通过对多用户协作频谱感知中的加权系数进行优化选择,最终缩短认知无线电频谱感知的感知时间,增强检测性能。
Description
技术领域
本发明涉及认知无线电和群智能算法的交叉技术领域,特别是基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法。
背景技术
很多时候,频谱感知的模型不一定是线性的,而智能算法通过借鉴仿生学的思想恰恰不受问题本身的限制,不需要知道问题的精确模型,拓展了传统的计算方式,因此非常适合于处理问题模型比较复杂,难以用传统数学方法表示的一类问题,智能算法这种新颖的思路方法成为当前研究的热点。
粒子群优化算法由美国电气工程师Kennedy和心理学家Eberhart在早期共同提出,如今,包括其他各类智能算法的各种改进算法被成功应用在许多领域。粒子群算法是对鸟类捕食过程进行模拟。二十世纪七十年代,生物学家C.W.Reynold根据鸟类飞行的特点提出了Boids模型。该模型指出,群体中每个个体的行为在飞行过程中需遵循3条基本规则:(1)避免与周围邻近的个体碰撞;(2)和周围邻近个体的平均速度相一致;(3)移动方向为邻近个体的平均位置。
自然界中的鸟群有时会聚集成一个大的群体向某一方向飞行,聚集成大的群体后,有时又会分散成几个小群体运动,我们通过多组实验来模拟自然界中鸟群的飞行行为。研究发现在对下一步运动进行决策的过程中,粒子一般要使用两种有效信息:一种是自身的历史信息,粒子经过一段时间的运动后,积累了一定的经验,知道自身的最优信息,这对应着粒子群算法中的惯性系数,表示粒子对之前速度的继承,从而对之后的运动起到积极作用。另一种是整个群体的历史信息,表示粒子知道整个群体运动的最优信息,并能根据这个最优信息做出自己的判断。这对应着粒子群算法中的群体行为对每个粒子的影响系数,表示考虑其他粒子的经验来对自己之后的行为进行引导,从而向最优方向运动。
随着通信行业的发展,频谱资源成为通信不可或缺的资源。在目前固定的频谱资源分配方式中,政府已授权的无线频谱资源利用率非常低。频谱资源本身是一种稀缺资源,因此增强频谱检测性能,判断已有的频段上是否存在主用户,利用频谱空洞来提高频谱利用率刻不容缓。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,本发明通过优化认知无线电协作频谱感知的加权系数,能够提高协作频谱感知检测的可靠性,缩短频谱感知所花的时间,提高检测性能。
本发明为解决上述技术问题采用以下技术方案:
根据本发明所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,包括以下步骤:
步骤1)、主用户向各感知用户发送导频信息,各感知用户随机分布,第i个感知用户在k时刻接收到的瞬时量为xi(k),该瞬时量包括主用户的信息以及噪声信号,设置感知用户接收到的瞬时量中的噪声信号方差为σ2;
所述检测统计量通过公用信道传送到融合中心,传送的过程中会引入噪声,设置融合中心接收到的噪声信号方差为δ2,融合中心接收到M个感知用户的检测统计量;
步骤2)确定不确定环境中检测概率的表达式;具体如下:
设定融合中心接收到的噪声信号方差δ2为固定值,感知用户接收到的瞬时量中的噪声信号方差σ2在预设一定范围内均匀变化,上限和下限分别为ρσ2和(1/ρ)σ2,ρ是σ2不确定度的大小,转化为以dB为单位的Δ表示,Δ=10lgρ,考虑噪声不确定度的最坏影响,即在虚警概率时,σ2设置为噪声变化范围的最大值检测概率时,σ2设置为噪声变化范围的最小值得到在认知无线电协作频谱感知环境中检测概率Pd的表达式:
其中,ρi为第i个感知用户的噪声不确定度,δii 2表示第i个感知用户将信息通过公用信道传送到融合中心引起的噪声方差,设定δ2为固定值δ2=δi 2(i=1,2,3....M),γi表示第i个感知用户接收到的信噪比,wi表示第i个感知用户的加权系数,Pf为在认知无线电协作频谱感知环境中虚警概率,Q-1(Pf)为Q(Pf)的反函数,Q(Pf)为高斯分布的函数;
此检测概率Pd的表达式作为采用加速食物引导的粒子群算法进行优化分析的目标函数;
步骤3)各感知用户将独立进行感知的信息发送给融合中心;
在系统中设置一个融合中心,每个感知用户将独立频谱感知的信息发送给该融合中心;
步骤4)融合中心采用加速食物引导的粒子群算法对信息进行加权合并,来完成感知;具体如下:
融合中心收集到各感知用户所独立进行感知的信息后,利用加速食物引导的粒子群优化算法,做出主用户是否存在的判决,即检测是否有频谱空洞存在;融合中心对接收到的检测统计量进行加权融合,即为每一个感知用户的统计量分配一个权值;所述加速食物引导的粒子群算法赋予每个粒子一个饥饿度Uj(t),并通过设定两个饥饿阈值m1和m2来引导粒子的进化;
步骤4.1)、初始化粒子群的速度位置信息,各粒子初始位置在0-1中随机选择,同时也作为各粒子的初始最优位置,设置粒子运行速度的最大值,根据步骤2中确定的检测概率Pd的表达式作为目标函数计算每个粒子的初始适应值,找到目标函数值最好的粒子所对应的群体历史最优位置,初始化迭代次数q=1;
步骤4.2)、将每个粒子的饥饿度和设定的饥饿阈值进行比较,计算下一代粒子的速度信息,将速度信息代入粒子的位置方程,具体如下:
当Uj(t)<m1时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c1r1(pj(t)-xj(t))
当m1≤Uj(t)<m2时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c1r1(pj(t)-xj(t))+c2r2(pg(t)-xj(t))
当Uj(t)≥m2时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c2r2(pg(t)-xj(t))
其中,vj(t)表示第j个粒子在第t代的速度,xj(t)表述第j个粒子在第t代的位置,pj(t)为第j个粒子在第t代的最优位置,pg(t)为群体第t代的最优位置,b表示粒子对之前速度的继承系数,c1为粒子自身的行为对之后行为的影响系数,c2为群体行为对每个粒子的影响系数,r1和r2为0-1之间分布的随机数;
步骤4.3)、重新计算第q次迭代时的各个粒子的适应值,若q为1,则将第1次迭代时的各个粒子的适应值分别和步骤4.1中各个粒子初始适应值进行比较;若q不为1,则将第q次迭代时的各个粒子的适应值分别和q-1次迭代时的各个粒子的最优适应值进行比较;选取各个粒子的最大适应值作为当前迭代次数下的各个粒子的最优适应值;
步骤4.4)、判断每个粒子个体最优位置是否更新,若更新,设置该粒子为无饥饿状态,否则,提高该粒子的饥饿度,向群体最优位置方向移动;
步骤4.5)、将各粒子的最优适应值进行比较,选取适应值最大的粒子,该粒子的最优位置作为群体最优位置信息;
步骤4.6)、步骤4.5中得到的群体最优位置信息即为各感知用户的加权系数,将各感知用户的加权系数代入步骤2的目标函数中,即得到当前迭代次数下的检测概率最大值,完成此次频谱感知;
步骤4.7)、判断迭代次数是否达到最大迭代次数,若是,终止循环;若否,则q=q+1,返回步骤4.2。
作为本发明所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法进一步优化方案,所述步骤4.1中目标函数值最好的粒子为检测概率最大的。
作为本发明所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法进一步优化方案,所述步骤4.2中,当前粒子饥饿程度不同,下一代粒子运行速度和位置信息也不同。
作为本发明所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法进一步优化方案,最大迭代次数为预先设置的。
作为本发明所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法进一步优化方案,最大迭代次数为100。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明根据食物来引导粒子的进化方式,能够缩短感知时间,增强检测性能;具体来说:
(1)检测可靠性增加;本方案利用基于食物引导的粒子群优化算法,根据群体中每个粒子饥饿情况的差异,分组来引导粒子的进化,通过根据粒子的饥饿度来不断迭代和更新位置获得各个认知用户最优化加权系数;这些最优化加权系数就相当于粒子群优化算法中的位置信息;基于食物引导的粒子群算法通过根据粒子的能量需求分别进行迭代运算,比一般算法能获得更高的检测性能;
(2)感知收敛加快;本方案采用加速食物引导的粒子群优化算法,通过在粒子群算法的位置更新公式中引入加速变量,让每个粒子加速向最优食物源方向靠近,从而缩短了感知的收敛时间。
附图说明
图1为能量检测方法的流程图。
图2为噪声方差的分布图。
图3为本发明的方法流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
所述认知无线电网络中,当非授权用户即次用户想要占用授权频段进行通信时,需要对信道进行频谱感知,检测授权用户即主用户是否占用频段,即完成一次完整的本地感知。融合中心融合各发送的信息做出判决,对各认知用户的加权系数进行优化。
本方案在食物引导的粒子群算法上,做了如下一些改进。首先还是在标准粒子群算法基础上赋予每个粒子一个饥饿度,并设定两个饥饿阀值来对不同粒子采取不同的进化方式,同时采用变异策略来增加粒子速度的多样性,避免算法过早陷入局部极值。根据物理学中加速度的定义,在位置更新方程中我们又加入了加速变量,加速粒子向最优位置方向进行移动。通过在认知无线电协作频谱感知检测概率测试函数的测试结果表明,加速食物引导的粒子群算法性能优于普通的粒子群算法,尤其随着迭代次数的增加此方案更有优势。
结合图1进行说明,带通滤波器(BPF)将给定的信号只能通过给定的频段,从而滤除掉不需要的噪声信号和邻近的信号信息,然后将此信号取模值后进行平方,通过积分器,求得时间T内的积累量,比较此检测量和门限值的大小,若大于门限值,则认为该频段上存在信号,否则判断该频段处于闲置状态。
本地感知基于二元假设检验模型,主用户发射信号,认知用户接收的过程中会引入噪声,噪声确定情况下假设噪声服从的都是高斯分布。本地感知采用能量法感知,对接收到的信号采用N次采样,所有认知用户的检测统计量通过公用信道传送到融合中心,传输的过程中同样会引入噪声。数据融合中心采用软合并方法对接收到的信号进行加权融合,相比于只传送1bit信息的硬判决融合,软合并传送的是各个认知用户完整的检测量,因此检测性能更好,但是对带宽要求也比较大。
不确定环境中噪声方差的分布如下图2所示。上限和下限在图上用虚线表示,限定了噪声方差的分布范围,ρ是噪声不确定度的大小。在长方形区域的上方表示一定能够检测到有信号存在,而在长方形区域的下方,无论采样点有多大将不可能检测到信号的存在。在长方形区域之内,检测器将不能准确的判断出信号是否存在。
各粒子的初始位置,也即是我们要优化的加权系数,在0-1中随机选择,同时也作为该粒子个体初始最优位置信息,设置速度变量的最大值,初始速度向量也在设定的范围内随机赋值,根据检测概率Pd计算每一个粒子的目标函数值,群体最优位置为目标函数值最好的粒子所对应的位置,设置需要进行的最大迭代次数。定义两个饥饿度的门限值,将粒子的饥饿度和门限值进行比较,根据进化公式得到粒子下一代运行的速度信息,为了避免算法过早收敛,将速度变异策略引入,修改粒子更新的速度值,避免算法过早收敛到局部极值。将速度信息代入粒子的位置更新公式中,再根据认知无线电协作频谱感知模型的检测概率作为粒子群优化算法的目标函数,重新求出每个粒子的适应值。对于每个粒子,将其适应值与之前最好的适应值进行比较,若更优,则更新该粒子的最优位置信息,找到该粒子的最优位置Pbest,同时设置该粒子为无饥饿状态,否则,提高该粒子的饥饿度,向群体最优位置方向移动。再比较整个粒子群体的最优适应值,我们设置群体最优位置为Gbest,判断Pbest和Gbest是否相等,若不相等,更新群体的历史最优位置。判断循环是否达到我们设置的结束条件,即最大迭代次数,若是,输出检测结果,若不是,继续进行循环。
图3为本发明的方法流程图,具体方法如下:一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,包括以下步骤:
步骤1)、主用户向各感知用户发送导频信息,各感知用户随机分布,第i个感知用户在k时刻接收到的瞬时量为xi(k),该瞬时量包括主用户的信息以及噪声信号,设置感知用户接收到的瞬时量中的噪声信号方差为σ2;
所述检测统计量通过公用信道传送到融合中心,传送的过程中会引入噪声,设置融合中心接收到的噪声信号方差为δ2,融合中心接收到M个感知用户的检测统计量;
步骤2)确定不确定环境中检测概率的表达式;具体如下:
设定融合中心接收到的噪声信号方差δ2为固定值,感知用户接收到的瞬时量中的噪声信号方差σ2在预设一定范围内均匀变化,上限和下限分别为ρσ2和(1/ρ)σ2,ρ是σ2不确定度的大小,转化为以dB为单位的Δ表示,Δ=10lgρ,考虑噪声不确定度的最坏影响,即在虚警概率时,σ2设置为噪声变化范围的最大值检测概率时,σ2设置为噪声变化范围的最小值得到在认知无线电协作频谱感知环境中检测概率Pd的表达式:
其中,ρi为第i个感知用户的噪声不确定度,δi 2表示第i个感知用户将信息通过公用信道传送到融合中心引起的噪声方差,设定δ2为固定值δ2=δi 2(i=1,2,3....M),γi表示第i个感知用户接收到的信噪比,wi表示第i个感知用户的加权系数,Pf为在认知无线电协作频谱感知环境中虚警概率,Q-1(Pf)为Q(Pf)的反函数,Q(Pf)为高斯分布的函数;
此检测概率Pd的表达式作为采用加速食物引导的粒子群算法进行优化分析的目标函数;
步骤3)各感知用户将独立进行感知的信息发送给融合中心;
在系统中设置一个融合中心,每个感知用户将独立频谱感知的信息发送给该融合中心;
步骤4)融合中心采用加速食物引导的粒子群算法对信息进行加权合并,来完成感知;具体如下:
融合中心收集到各感知用户所独立进行感知的信息后,利用加速食物引导的粒子群优化算法,做出主用户是否存在的判决,即检测是否有频谱空洞存在;融合中心对接收到的检测统计量进行加权融合,即为每一个感知用户的统计量分配一个权值;所述加速食物引导的粒子群算法赋予每个粒子一个饥饿度Uj(t),并通过设定两个饥饿阈值m1和m2来引导粒子的进化;
步骤4.1)、初始化粒子群的速度位置信息,各粒子初始位置在0-1中随机选择,同时也作为各粒子的初始最优位置,设置粒子运行速度的最大值,根据步骤2中确定的检测概率Pd的表达式作为目标函数计算每个粒子的初始适应值,找到目标函数值最好的粒子所对应的群体历史最优位置,初始化迭代次数q=1;
步骤4.2)、将每个粒子的饥饿度和设定的饥饿阈值进行比较,计算下一代粒子的速度信息,将速度信息代入粒子的位置方程,具体如下:
当Uj(t)<m1时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c1r1(pj(t)-xj(t))
当m1≤Uj(t)<m2时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c1r1(pj(t)-xj(t))+c2r2(pg(t)-xj(t))
当Uj(t)≥m2时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c2r2(pg(t)-xj(t))
其中,vj(t)表示第j个粒子在第t代的速度,xj(t)表述第j个粒子在第t代的位置,pj(t)为第j个粒子在第t代的最优位置,pg(t)为群体第t代的最优位置,b表示粒子对之前速度的继承系数,c1为粒子自身的行为对之后行为的影响系数,c2为群体行为对每个粒子的影响系数,r1和r2为0-1之间分布的随机数;
步骤4.3)、重新计算第q次迭代时的各个粒子的适应值,若q为1,则将第1次迭代时的各个粒子的适应值分别和步骤4.1中各个粒子初始适应值进行比较;若q不为1,则将第q次迭代时的各个粒子的适应值分别和q-1次迭代时的各个粒子的最优适应值进行比较;选取各个粒子的最大适应值作为当前迭代次数下的各个粒子的最优适应值;
步骤4.4)、判断每个粒子个体最优位置是否更新,若更新,设置该粒子为无饥饿状态,否则,提高该粒子的饥饿度,向群体最优位置方向移动;
步骤4.5)、将各粒子的最优适应值进行比较,选取适应值最大的粒子,该粒子的最优位置作为群体最优位置信息;
步骤4.6)、步骤4.5中得到的群体最优位置信息即为各感知用户的加权系数,将各感知用户的加权系数代入步骤2的目标函数中,即得到当前迭代次数下的检测概率最大值,完成此次频谱感知。
步骤4.7)、判断迭代次数是否达到最大迭代次数,若是,终止循环;若否,则q=q+1,返回步骤4.2。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,其特征在于,包括以下步骤:
步骤1)、主用户向各感知用户发送导频信息,各感知用户随机分布,第i个感知用户在k时刻接收到的瞬时量为xi(k),该瞬时量包括主用户的信息以及噪声信号,设置感知用户接收到的瞬时量中的噪声信号方差为σ2;
所述检测统计量通过公用信道传送到融合中心,传送的过程中会引入噪声,设置融合中心接收到的噪声信号方差为δ2,融合中心接收到M个感知用户的检测统计量;
步骤2)确定不确定环境中检测概率的表达式;具体如下:
设定融合中心接收到的噪声信号方差δ2为固定值,感知用户接收到的瞬时量中的噪声信号方差σ2在预设一定范围内均匀变化,上限和下限分别为ρσ2和(1/ρ)σ2,ρ是σ2不确定度的大小,转化为以dB为单位的Δ表示,Δ=10lgρ,考虑噪声不确定度的最坏影响,即在虚警概率时,σ2设置为噪声变化范围的最大值 检测概率时,σ2设置为噪声变化范围的最小值 得到在认知无线电协作频谱感知环境中检测概率Pd的表达式:
其中,ρi为第i个感知用户的噪声不确定度,δi 2表示第i个感知用户将信息通过公用信道传送到融合中心引起的噪声方差,设定δ2为固定值δ2=δi 2(i=1,2,3....M),γi表示第i个感知用户接收到的信噪比,wi表示第i个感知用户的加权系数,Pf为在认知无线电协作频谱感知环境中虚警概率,Q-1(Pf)为Q(Pf)的反函数,Q(Pf)为高斯分布的函数;
此检测概率Pd的表达式作为采用加速食物引导的粒子群算法进行优化分析的目标函数;
步骤3)各感知用户将独立进行感知的信息发送给融合中心;
在系统中设置一个融合中心,每个感知用户将独立频谱感知的信息发送给该融合中心;
步骤4)融合中心采用加速食物引导的粒子群算法对信息进行加权合并,来完成感知;具体如下:
融合中心收集到各感知用户所独立进行感知的信息后,利用加速食物引导的粒子群优化算法,做出主用户是否存在的判决,即检测是否有频谱空洞存在;融合中心对接收到的检测统计量进行加权融合,即为每一个感知用户的统计量分配一个权值;所述加速食物引导的粒子群算法赋予每个粒子一个饥饿度Uj(t),并通过设定两个饥饿阈值m1和m2来引导粒子的进化;
步骤4.1)、初始化粒子群的速度位置信息,各粒子初始位置在0-1中随机选择,同时也作为各粒子的初始最优位置,设置粒子运行速度的最大值,根据步骤2中确定的检测概率Pd的表达式作为目标函数计算每个粒子的初始适应值,找到目标函数值最好的粒子所对应的群体历史最优位置,初始化迭代次数q=1;
步骤4.2)、将每个粒子的饥饿度和设定的饥饿阈值进行比较,计算下一代粒子的速度信息,将速度信息代入粒子的位置方程,具体如下:
当Uj(t)<m1时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c1r1(pj(t)-xj(t))
当m1≤Uj(t)<m2时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c1r1(pj(t)-xj(t))+c2r2(pg(t)-xj(t))
当Uj(t)≥m2时,粒子按照如下方式进化:
vj(t+1)=bvj(t)+c2r2(pg(t)-xj(t))
其中,vj(t)表示第j个粒子在第t代的速度,xj(t)表述第j个粒子在第t代的位置,pj(t)为第j个粒子在第t代的最优位置,pg(t)为群体第t代的最优位置,b表示粒子对之前速度的继承系数,c1为粒子自身的行为对之后行为的影响系数,c2为群体行为对每个粒子的影响系数,r1和r2为0-1之间分布的随机数;
步骤4.3)、重新计算第q次迭代时的各个粒子的适应值,若q为1,则将第1次迭代时的各个粒子的适应值分别和步骤4.1中各个粒子初始适应值进行比较;若q不为1,则将第q次迭代时的各个粒子的适应值分别和q-1次迭代时的各个粒子的最优适应值进行比较;选取各个粒子的最大适应值作为当前迭代次数下的各个粒子的最优适应值;
步骤4.4)、判断每个粒子个体最优位置是否更新,若更新,设置该粒子为无饥饿状态,否则,提高该粒子的饥饿度,向群体最优位置方向移动;
步骤4.5)、将各粒子的最优适应值进行比较,选取适应值最大的粒子,该粒子的最优位置作为群体最优位置信息;
步骤4.6)、步骤4.5中得到的群体最优位置信息即为各感知用户的加权系数,将各感知用户的加权系数代入步骤2的目标函数中,即得到当前迭代次数下的检测概率最大值,完成此次频谱感知;
步骤4.7)、判断迭代次数是否达到最大迭代次数,若是,终止循环;若否,则q=q+1,返回步骤4.2。
2.根据权利要求1所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,其特征在于,所述步骤4.1中目标函数值最好的粒子为检测概率最大的。
3.根据权利要求1所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,其特征在于,所述步骤4.2中,当前粒子饥饿程度不同,下一代粒子运行速度和位置信息也不同。
4.根据权利要求1所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,其特征在于,最大迭代次数为预先设置的。
5.根据权利要求1所述的一种基于加速食物引导粒子群优化算法的认知无线电网络频谱感知方法,其特征在于,最大迭代次数为100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710119519.5A CN106992823B (zh) | 2017-03-02 | 2017-03-02 | 一种认知无线电网络频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710119519.5A CN106992823B (zh) | 2017-03-02 | 2017-03-02 | 一种认知无线电网络频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106992823A CN106992823A (zh) | 2017-07-28 |
CN106992823B true CN106992823B (zh) | 2020-08-11 |
Family
ID=59411521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710119519.5A Active CN106992823B (zh) | 2017-03-02 | 2017-03-02 | 一种认知无线电网络频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106992823B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992823B (zh) * | 2017-03-02 | 2020-08-11 | 南京邮电大学 | 一种认知无线电网络频谱感知方法 |
CN110690933B (zh) * | 2018-07-05 | 2022-03-04 | 广东工业大学 | 一种基于fcm聚类算法的合作频谱感知方法 |
CN110012473B (zh) * | 2019-03-06 | 2022-03-08 | 西安电子科技大学 | 基于群体智能移动代理协作感知方法、认知无线网络系统 |
CN110034837B (zh) * | 2019-04-15 | 2021-09-28 | 福州大学 | 基于cr的sg通信模型的最优联合传感时间和功率分配方法 |
CN110365434B (zh) * | 2019-06-27 | 2021-08-24 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
CN111031470A (zh) * | 2019-11-14 | 2020-04-17 | 天津大学 | 一种基于位置权重的定位频点选择方法 |
CN113434816B (zh) * | 2020-09-21 | 2023-06-06 | 重庆工商大学 | 一种噪声增强奈曼-皮尔逊准则下信号检测的方法 |
CN115242331B (zh) * | 2022-07-23 | 2024-04-02 | 华北电力大学 | 虚拟电厂中认知无线电的协作频谱感知优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103096335A (zh) * | 2012-12-26 | 2013-05-08 | 陈宏滨 | 一种无线通信系统频谱效率和能量效率的优化方法 |
CN105430706A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于改进粒子群算法的无线传感网络路由优化方法 |
CN106992823A (zh) * | 2017-03-02 | 2017-07-28 | 南京邮电大学 | 一种认知无线电网络频谱感知方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982992A (zh) * | 2010-10-30 | 2011-03-02 | 鲁东大学 | 认知无线电网络中基于改进粒子群的功率控制最优化算法 |
CN103384174B (zh) * | 2013-05-10 | 2015-09-23 | 江苏科技大学 | 多用户多天线协作频谱感知检测概率优化方法 |
CN106230528B (zh) * | 2016-07-27 | 2019-04-09 | 广东工业大学 | 一种认知无线网络频谱分配方法及系统 |
-
2017
- 2017-03-02 CN CN201710119519.5A patent/CN106992823B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103096335A (zh) * | 2012-12-26 | 2013-05-08 | 陈宏滨 | 一种无线通信系统频谱效率和能量效率的优化方法 |
CN105430706A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于改进粒子群算法的无线传感网络路由优化方法 |
CN106992823A (zh) * | 2017-03-02 | 2017-07-28 | 南京邮电大学 | 一种认知无线电网络频谱感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106992823A (zh) | 2017-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106992823B (zh) | 一种认知无线电网络频谱感知方法 | |
Shi et al. | Deep learning for RF signal classification in unknown and dynamic spectrum environments | |
CN107277830B (zh) | 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法 | |
CN108462711B (zh) | 一种余弦时变pso-svm的入侵检测方法 | |
Clancy et al. | Robust signal classification using unsupervised learning | |
CN105072067B (zh) | 一种低信噪比下突发信号的检测方法 | |
CN104168075B (zh) | 一种噪声方差未知情况下的频谱检测方法与装置 | |
CN111193564B (zh) | 抗御智能ssdf攻击的宽带加权协作频谱感知算法 | |
CN114337880B (zh) | 一种考虑主用户信号随机到达和离开的频谱感知方法 | |
CN110062389B (zh) | 基于改进差分进化算法的传感器网络节点优化部署方法 | |
US7769702B2 (en) | Method and system for training a hearing aid using a self-organising map | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN110309887A (zh) | 基于改进花朵授粉的模糊c-均值聚类异常检测方法 | |
Norouzi et al. | Adaptive modulation recognition based on the evolutionary algorithms | |
KR102538735B1 (ko) | 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법 | |
Anusha et al. | Comparative study for feature selection algorithms in intrusion detection system | |
Sedar et al. | Reinforcement learning-based misbehaviour detection in V2X scenarios | |
CN111600877A (zh) | 一种基于MF-Ada算法的LDoS攻击检测方法 | |
CN105743756B (zh) | WiFi系统中基于adaboost算法的帧检测方法 | |
CN111934797B (zh) | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 | |
CN111510232B (zh) | 一种基于神经网络的车联网组合频谱感知方法及其应用 | |
CN112463394A (zh) | 基于大数据和云计算的数据筛选方法及云服务器 | |
Newman et al. | Security threats to cognitive radio signal classifiers | |
CN112350790A (zh) | 一种基于深度学习的频谱感知检测方法、装置及设备 | |
CN113938292B (zh) | 一种基于概念漂移的漏洞攻击流量检测方法及检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |