CN107465471A - 协作感知中基于公平和节能的认知用户选择方法 - Google Patents

Abstract

本发明公开了一种协作感知中基于公平和节能的认知用户选择方法，主要解决现有技术对协作感知中用户选择不公平和能量开销大的问题。其技术方案是：1.在数据融合中心端构造性能函数；2.根据认知用户在前一个时隙是否被选中，更新性能函数中认知用户参与感知的权重；3.将更新后的权重带入性能函数中求解性能函数中的系数；4.数据融合中心将获得的系数带入性能函数中，并计算所有用户的性能函数值，将所有认知用户的性能函数值从小到大排列，选择出满足系统检测概率的认知用户，并通过报告信道通知被选中的认知用户在当前时隙期间参与协作感知。本发明提高了协作感知中认知用户的选择公平性，降低了能量开销，适用于能量受限的认知无线网络。

Description

协作感知中基于公平和节能的认知用户选择方法

技术领域

本发明属于无线通信技术领域，主要涉及协作感知中认知用户选择方法，适用于能量受限的认知无线网络。

背景技术

现代无线电通信中，由于频谱资源是不可再生的、有限的，所以使其变的弥足珍贵。无线通信的发展也因此面临瓶颈和严峻挑战，主要表现在无线通信业务需求的快速增长与可用频谱资源越来越稀缺之间的矛盾。认知无线电CR技术是一种智能的频谱共享技术，通过检测分析频谱使用情况，在检测到频谱未被使用时进行数据传输，以达到更高的频谱利用率。

频谱感知是认知无线电技术的第一步也是关键的一步，只有进行了准确快速的频谱感知才能保证后续工作的顺利进行。协作感知由于可以克服单用户检测时受到的衰落、多径、干扰、阴影效应以及接收机不确定性等因素的影响，成为目前研究的热点。但是协作感知增加了参与感知的用户数，给系统带来了额外能量开销和上传本地感知结果的时延。在实际应用中，设备间由于地理位置，前端放大器的性能和天线个数及增益的不同，将导致协作感知中每个用户的检测性能也不相同。当检测性能较差的用户向数据融合中心上传感知结果时，必定会影响整个系统的检测性能，因此选择用户的不同，为系统带来的增益也不相同。

因此，如何选择合适的用户参与感知，权衡系统能量开销与感知性能是协作感知中的一个重要问题。目前已经有很多学者对协作感知中用户选择的问题做了广泛研究，他们基本上都是为了使系统能耗最小的同时最大化系统检测性能，但是很少有人考虑到用户选择的公平性问题。在实际场景中，每个用户都不是无偿为其他用户提供服务的。当一个用户被频繁的选择去参与协作感知时会迅速消耗它的能量，因此尽管很多方法可以为系统提供良好的检测性能和消耗最小的能耗，但是对于被选择的用户来说这并不是公平的。

Wei Zhang等在IEEE Transactions On Wireless Communications，2009《Optimization of Cooperative Spectrum Sensing with Energy Detection inCognitive Radio Networks》一文中研究了协作感知中最优化感知用户数的问题。与传统的方法不同的是，该文献研究的目标是最小化系统的虚警概率与漏检概率之和，通过分析与仿真表明为了使系统的检测性能最优化，并非是令所有的用户参与感知，当参与感知的用户数大于一个门限时，系统的检测性能反而会下降。同时该文献仅仅是从理论上分析了协作感知中不需要所有的用户参与感知，但是它并没有具体指出选择哪些用户参与感知，同时它在建立模型的时候假设所有用户的检测性能一样，这样的假设除了使问题简化以外，并不具有实际应用价值。

A.Ghasemi等在IEEE Communication Magazine，2008《Spectrum sensing incognitive radio networks:Requirements,challenges and design trade-offs》研究表明，增加用户数可以减少单个用户的检测灵敏度和检测时间。然而需要注意的是，随着用户数的增加，信令交互阶段的开销也成比增加，同时，过多的增加用户数并不能明显提高系统的检测性能。

Maryam Monemian等在IEEE Sensors Journal，2014《Analysis of a NewEnergy-Based Sensor Selection Method for Cooperative Spectrum Sensing inCognitive Radio Networks》提出了一种公平性用户选择方案，首先该文献的前提条件依然是所有用户的检测性能一样，在这个前提下可以很容易求出为了满足系统的检测性能时，需要参与感知的用户数。然后作者为了使用户选择具有公平性同时使系统工作时间延长，采用了分组的方式，将剩余能量大于λ_th的分为一组，小于λ_th且大于E_min的分为一组。根据所需要参与感知的用户数，首先从剩余能量较多的一组中以相同的概率选取用户，然后根据情况再从剩余能量少的组中以相同的概率选取，直到选择参与感知的用户数满足系统要求。该文献通过以相同的概率选择用户参与感知确实保证了用户间的公平性，但是它依然局限在要保证每个用户具有相同的检测性能。

Sina Maleki等在IEEE Transactions On Wireless Communications，2015《Analytical Performance ofCollaborative Spectrum Sensing Using CensoredEnergy Detection》提出了一种随机休眠和减小冗余上传信息的方法。通过给每个认知用户设定一个休眠概率，在满足系统检测性能的条件下使得系统的感知能量消耗最小，从而求出认知用户休眠概率和减少冗余上传信息的参数。但是该方法并没有具体指出该选择哪些用户，而且以概率进行休眠不能完全保证每个时隙参与感知的用户的检测性能满足系统的要求。

发明内容

本发明针对现有技术的不足，提出一种协作感知中基于公平和节能的认知用户选择方法，以在每个认知用户具有不同的检测性能的情况下，保证每个认知用户公平地参与协作感知。

本发明的技术思路是：在考虑满足系统检测性能的条件下，加入用户选择公平性，以最小化系统感知信道能量开销为目标，建立数学模型；根据该数学模型，采用启发式算法求解，选择出满足系统检测性能的认知用户，同时使系统感知信道能量开销最小。其实现方案包括如下：

(1)系统初始化：

设认知无线网络里，存在主用户、数据融合中心和M个认知用户，其中：

主用户占用一条信道，认知用户与数据融合中心通过报告信道进行信息交互，第k个认知用户感知信道消耗的能量为e_s,k，k＝1,2,…,M，第k个认知用户上传感知结果消耗的能量为e_t,k；

在时隙n系统总消耗能量为表示第k个认知用户在时隙n不参与感知，表示第k个认知用户在时隙n参与感知；

第k个认知用户的检测概率为P_d,k，第k个认知用户的虚警概率为P_f,k，且有P_f,1＝P_f,2＝…P_f,k＝…＝P_f,M＝P_f；

第k个认知用户有数据发送需求的概率为p_h,k，第k个认知用户在时隙n参与感知的权重为n＝0,1,…；第k个认知用户在前n个时隙内参与感知的概率为p_c,k，第k个认知用户在前n个时隙内参与感知的次数为且

令第k个认知用户在时隙0时参与感知的权重参与感知的次数系统从时隙1开始工作且时隙1所有认知用户都参与感知，即令k＝1,2,…,M，更新时隙n＝2。

(2)根据步骤1设置的参数，在数据融合中心端构造性能函数：

其中λ是性能函数中的系数，0≤λ≤1；

(3)更新cost(k,n)中第k个认知用户在时隙n参与感知的权重

(4)将更新后的带入步骤(2)中的性能函数cost(k,n)中求解系数λ，选择满足系统检测概率的前N个用户，N∈{1,2,…M}，并通过报告信道通知被选中的认知用户在时隙n参与协作感知，其中M为认知用户个数；

(5)更新时隙n＝n+1，返回步骤(3)。

本发明与现有技术相比，具有如下优点：

1)本发明通过动态调整认知用户参与感知的权重从而使每个认知用户参与感知的概率趋近于其具有信息发送需求的概率，从而实现了认知用户参与感知的公平性。

2)本发明通过动态调整认知用户参与感知的权重可以动态改变每个时隙内参与感知的认知用户，从而在系统工作过程中使所有认知用户都能参与感知，减少单个认知用户感知信道的负担，进而延长系统的工作时间。

3)本发明由于考虑的场景是在协作感知中，可用于认知用户能量受限的情况。

附图说明

图1为本发明的流程图；

图2为本发明使用的场景图；

图3为用本发明仿真不同认知用户在不同时隙下参与感知的次数图；

图4为用本发明和现有不同方法仿真不同认知用户在相同时隙数下参与感知的次数图；

图5为用本发明和现有不同方法仿真参与感知的平均认知用户数随认知用户数变化图；

图6为用本发明和现有不同方法仿真认知用户的平均感知能量消耗随认知用户数变化图。

具体实施方式

以下结合附图对本发明的原理及技术方案做进一步的描述：

参照图2，本发明的使用场景，在认知无线网络中存在一个主用户，一个数据融合中心和M个认知用户，其中主用户占用一条信道，认知用户分布在距离数据融合中心不同的位置。由于任何时候只要主用户占用信道，所有的认知用户无论此时正在进行传输或者准备进行数据传输，都要立刻让出信道，优先主用户的使用，因此认知用户需要周期性的检测信道以判断主用户是否占用信道。

设所有的用户都在一跳范围内，认知用户可以通过报告信道和数据融合中心直接通信，认知用户使用能量检测技术感知信道，设第k个认知用户检测到的信号为y_k(t)，则频谱感知可以用一个二元假设表示：

其中，T为取样数，H₀和H₁分别表示主用户不占用信道或占用信道，n_k(t)表示第k个认知用户检测到的高斯白噪声，均值为0，方差为且n₁,n₂,…n_k,…n_M统计独立，s(t)表示主用户的信号，服从均值为0，方差为的高斯分布，h_k是第k个认知用户到主用户的信道增益。

当主用户占用信道时，第k个认知用户检测到主用户信号的信噪比为第k个认知用户检测到主用户信号的能量为在加性高斯白噪声信道下，第k个认知用户能量检测的虚警概率P_f,k和检测概率P_d,k的表达式为：

其中Pr是概率函数，ε_th为认知用户的能量检测门限值，是gamma函数，是不完整gamma函数，并且有Γ(T,0)＝Γ(T)， 是MarcumQ函数，I_T-1(·)是T-1阶第一类变型贝塞尔函数。

参照图1，本发明基于上述场景进行认知用户选择的实现步骤如下：

步骤1.系统初始化。

设第k个认知用户在时隙n参与感知的权重为其中k＝1,2,…,M，n＝1,2,…；

第k个认知用户感知信道消耗的能量为e_s,k，第k个认知用户上传感知结果消耗的能量为e_t,k，在时隙n系统总消耗能量为表示第k个认知用户在时隙n不参与感知，表示第k个认知用户在时隙n参与感知；

第k个认知用户具有信息发送需求的概率为p_h,k，第k个认知用户在前n个时隙内参与感知的次数为第k个认知用户在前n个时隙内参与感知的概率为p_c,k，显然有用p_c,k/p_h,k来表示用户被选择的公平性；

令第k个认知用户在时隙0时参与感知的权重参与感知的次数系统从时隙1开始工作且时隙1所有认知用户都参与感知，即设k＝1,2,…,M，更新时隙n＝2。

步骤2.在数据融合中心端构造性能函数。

(2a)数据融合中心端采用“AND”融合准则，即当且仅当所有认知用户的判决结果都为主用户信道被占用时，最终的判决结果为主用户信道被占用，系统的检测概率Q_D和虚警概率Q_F表示式如下：

(2b)在满足系统检测性能的前提下，保证用户选择具有公平性的同时使系统总消耗能量最小，得出目标函数W：

其中P_f,1＝P_f,2＝…P_f,k＝…＝P_f,M＝P_f，α为系统允许的最大虚警概率，β为系统允许的最小检测概率；

(2c)对(2b)得到目标函数W进行变形：

根据目标函数W具有0-1非线性特性，按照下式对其进行一次变形：

显然上述变形式是一个0-1线性整数规划问题，也是一个NP问题，故可使用启发式算法对其求解，求解的过程看作是在保证满足系统检测性能要求的同时，如何选择尽可能少的“优秀”用户去参与协作感知；

所谓的“优秀”用户就是具有较大的检测概率P_d,k和最小的等效能耗的认知用户，利用系数λ权衡检测概率P_d,k与等效量耗在性能函数中所占的比重，得到性能函数为：

性能函数cost(k,n)表示第k个认知用户在时隙n的优秀程度。

步骤3.更新cost(k,n)中第k个认知用户在时隙n参与感知的权重

(3a)判断第k个认知用户在时隙n-1是否被选中：若表示认知用户被选中，则令第k个认知用户在前n-1个时隙内参与感知的次数执行(3b)，否则令执行(3b)；

(3b)将第k个认知用户参与感知的概率更新为：执行(3c)；

(3c)通过判断表示公平性的值p_c,k/p_h,k与1的大小，更新参与感知的权重

若p_c,k/p_h,k＞1，则令否则，令

其中Δa为认知用户参与感知的权重增量，其取值范围为0～min{p_h,1,p_h,2,…p_h,k,…p_h,M}。

步骤4.求解系数λ，选择满足系统检测概率的前N个用户，并通过报告信道通知被选中的认知用户在时隙n参与协作感知。

(4a)初始化λ的取值下界λ_min＝0，λ的取值上界λ_max＝1，初始化协作感知能量消耗上界en＝∞，执行(4b)；

(4b)将λ_min与λ_max的差值与设定的门限δ比较：若|λ_max-λ_min|≤δ，则执行(4g)，否则，采用二分法确定λ为：λ＝(λ_min+λ_max)/2，获取系统的初始感知用户数：N＝[ln(α)/ln(P_f)]，[·]表示右取整，令k＝1,2,…,M，执行(4c)；

(4c)判断参与感知的用户数N是否小于系统总的用户数M：若N≤M，执行(4d)，否则，更新λ的取值下界λ_min＝λ，返回(4b)；

(4d)计算所有认知用户的性能函数值，并从小到大排列，选择前N个认知用户作为在时隙n参与协作感知的认知用户，若第k个认知用户被选中，令否则，令执行(4e)；

(4e)计算前N个认知用户的协作检测概率Q_D，并判断Q_D是否满足系统要求：若Q_D不满足系统要求，则令参与感知的用户数N＝N+1，返回(4c)，否则，更新λ的取值上界λ_max＝λ，执行(4f)；

(4f)计算前N个认知用户的感知能量消耗E_n，并判断E_n是否小于协作感知能量消耗上界en：若E_n＜en，则更新en＝E_n后返回(4b)，否则，直接返回(4b)；

(4g)数据融合中心通过报告信道通知被选中的认知用户在时隙n参与协作感知。

步骤5.更新时隙n＝n+1，返回步骤(3)。

本发明的效果可以通过以下仿真进一步说明：

1)仿真参数

根据附图2所示，设在一个认知无线电网络中，有一个主用户，一个数据融合中心和多个认知用户，主用户占用一条信道，认知用户通过能量检测技术感知信道。

假设信道状态服从伯努利分布模型，信道从时间上分为一个一个的时隙，每个时隙内信道的状态保持不变，认知用户之间是独立的，主用户的信号特征服从高斯分布，信道干扰噪声为高斯白噪声，认知用户具有信息发送需求的概率处于0.3～0.6之间，认知用户的检测概率处于0.8～0.99之间，虚警概率处于0.1～0.3之间，认知用户检测信道消耗的能量为150～200nj，上传感知结果消耗的能量为250～350nj；

设步骤4中的门限δ＝0.01。

2)仿真方法

仿真方法为本发明方法和现有两种不同的用户选择方法，

现有方法一，是SNRbased的用户选择方法，该方法的特点是选择具有最好信噪比的用户感知，一旦选定某些认知用户，则整个系统工作过程将一直利用这些用户进行信道感知。

现有方法二，是IEEE Transactions On Wireless Communications，2015《Analytical Performance of Collaborative Spectrum Sensing Using CensoredEnergy Detection》提出的Censoring and Sleeping方法，该方法的特点是按随机休眠的方法选择用户，给每个用户设置相同的休眠概率，保证每个用户都能等概的参与感知。

3)仿真内容与结果

仿真1，用本发明仿真5个不同认知用户在时隙数为100，500，1000不同时隙下参与感知的次数，并且5个认知用户具有信息发送需求的概率依次为0.32、0.50、0.27、0.41、0.59，结果如图3。

从图3可以看出，采用本发明方法时，每个用户都会参与整个协作感知过程，同时不同认知用户参与感知次数的比值接近其具有信息发送需求的概率的比值，其中，第五认知用户5具有信息发送需求的概率最高，第三认知用户3具有信息发送需求的概率最低，在整个协作感知的过程中，第五认知用户5参与感知的次数是最多的，第三认知用户3参与感知的次数是最少的，这与期望得到的结果一致，表明本发明方法确实可以保证用户参与感知的公平性，认知用户具有信息发送需求的概率越高，参与协作感知的次数越多。

仿真2，用本发明和现有不同方法仿真5个不同认知用户在时隙数为1000下参与感知的次数，并且5个认知用户具有信息发送需求的概率依次为0.32、0.50、0.27、0.41、0.59，结果如图4。

从图4中可以看出，采用现有Censoring and Sleeping方法时，所有用户参与感知的次数大体相同，因为该方法采用了等概率休眠机制，采用SNRbased选择方法时，只有第二认知用户2和第三认知用户3在进行协作感知，其他用户都不需要参与协作感知，因为该方法选择信噪比最佳的用户参与感知，因此一旦某些用户被选择参与感知，则在整个系统的工作过程中始终是这些用户参与协作感知，这和理论分析一致。而采用本发明方法时，不同认知用户参与感知的次数与其具有信息发送需求的概率成正比关系，即具有信息发送需求概率越高的用户其参与感知的次数越多，证明了本发明的正确性。

仿真3，用本发明和现有不同方法仿真参与感知的平均认知用户数随认知用户数变化，结果如图5。

从图5中可以看出，采用Censoring and Sleeping方法、SNRbased选择方法与本发明方法时具有几乎相同的参与感知的用户数，说明采用本发明方法时，在选择参与感知的用户数时，参与感知的用户数不会明显高于其他文献的方法，这也能够保证系统的能量开销不会严重高于其他算法，说明采用本发明方法时，系统可以在保证用户选择公平性的同时，尽可能的降低系统的能量开销。

仿真4，用本发明和现有不同方法仿真系统中认知用户的平均感知能量消耗随认知用户数变化，结果如图6.

从图6可以看出，采用本发明方法时，认知用户的平均感知能量消耗随认知用户总数的增加而减少，同时本发明方法中认知用户的平均感知能量消耗小于其他两种方法，这是因为当认知用户数增加时，新增加的认知用户的感知能量消耗可能会比之前的认知用户的感知能量消耗少，采用Censoring and Sleeping方法和SNR based选择方法时，仅考虑了认知用户的检测性能，而没考虑单个认知用户的感知能量消耗，因此其认知用户的平均感知能量消耗较高，采用本发明方法时，在用户选择的时候会优先选择感知能量消耗更小的用户，同时认知用户数越多，使用本发明方法得出的解越接近最优解，从而使得系统总的感知能量消耗最小。

Claims (4)

1.一种协作感知中基于公平和节能的认知用户选择方法，包括：

(1)系统初始化：

设认知无线网络里，存在主用户、数据融合中心和M个认知用户，其中：

主用户占用一条信道，认知用户与数据融合中心通过报告信道进行信息交互，第k个认知用户感知信道消耗的能量为e_s,k，k＝1,2,...,M，第k个认知用户上传感知结果消耗的能量为e_t,k；

在时隙n系统总消耗能量为表示第k个认知用户在时隙n不参与感知，表示第k个认知用户在时隙n参与感知；

第k个认知用户的检测概率为P_d,k，第k个认知用户的虚警概率为P_f,k，且有P_f,1＝P_f,2＝...P_f,k＝...＝P_f,M＝P_f；

第k个认知用户有数据发送需求的概率为p_h,k，第k个认知用户在时隙n参与感知的权重为第k个认知用户在前n个时隙内参与感知的概率为p_c,k，第k个认知用户在前n个时隙内参与感知的次数为且

令第k个认知用户在时隙0时参与感知的权重参与感知的次数系统从时隙1开始工作且时隙1所有认知用户都参与感知，即令 更新时隙n＝2。

(2)根据步骤1设置的参数，在数据融合中心端构造性能函数：

其中λ是性能函数中的系数，0≤λ≤1；

(3)更新cost(k,n)中第k个认知用户在时隙n参与感知的权重

(4)将更新后的带入步骤(2)中的性能函数cost(k,n)中求解系数λ，选择满足系统检测概率的前N个用户，N∈{1,2,...M}，并通过报告信道通知被选中的认知用户在时隙n参与协作感知，其中M为认知用户个数；

(5)更新时隙n＝n+1，返回步骤(3)。

2.根据权利要求1所述的方法，其中步骤(2)中在数据融合中心端构造性能函数，按如下步骤进行：

(2a)根据步骤(1)设置的参数，定义第k个认知用户在时隙n的等效能量消耗

<mrow> <msubsup> <mi>V</mi> <mi>k</mi> <mi>n</mi> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <msubsup> <mi>w</mi> <mi>k</mi> <mi>n</mi> </msubsup> </mfrac> <mrow> <mo>(</mo> <msub> <mi>e</mi> <mrow> <mi>s</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>e</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

(2b)利用系数λ权衡检测概率P_d,k与等效能量消耗在性能函数中所占的比重，得到性能函数为：

<mrow> <mi>cos</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;lambda;</mi> <mo>)</mo> </mrow> <msubsup> <mi>V</mi> <mi>k</mi> <mi>n</mi> </msubsup> <mo>+</mo> <mi>&amp;lambda;</mi> <mfrac> <mn>1</mn> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> </mfrac> <mo>,</mo> <mn>0</mn> <mo>&amp;le;</mo> <mi>&amp;lambda;</mi> <mo>&amp;le;</mo> <mn>1</mn> <mo>;</mo> </mrow>

(2c)将(2a)中的表达式代入(2b)中的表达式得到性能函数为：

<mrow> <mi>cos</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;lambda;</mi> <mo>)</mo> </mrow> <mfrac> <mn>1</mn> <msubsup> <mi>w</mi> <mi>k</mi> <mi>n</mi> </msubsup> </mfrac> <mrow> <mo>(</mo> <msub> <mi>e</mi> <mrow> <mi>s</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>e</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;lambda;</mi> <mfrac> <mn>1</mn> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> </mfrac> <mo>.</mo> </mrow>

3.根据权利要求1所述的方法，其中步骤(3)中更新cost(k,n)中第k个认知用户在时隙n参与感知的权重按如下步骤进行：

(3a)判断第k个认知用户在时隙n-1是否被选中：若表示认知用户被选中，则令第k个认知用户在前n-1个时隙内参与感知的次数执行(3b)，否则令执行(3b)；

(3b)将第k个认知用户参与感知的概率更新为：执行(3c)；

(3c)通过判断表示公平性的值p_c,k/p_h,k与1的大小，更新参与感知的权重

若p_c,k/p_h,k＞1，则令否则，令

其中Δa为认知用户参与感知的权重增量，其取值范围为0～min{p_h,1,p_h,2,...p_h,k,...p_h,M}。

4.根据权利要求1所述的方法，其中步骤(4)中求解系数λ，选择满足系统检测概率的前N个用户，按如下步骤进行：

(4a)初始化λ的取值下界λ_min＝0，λ的取值上界λ_max＝1，初始化协作感知能量消耗上界en＝∞，执行(4b)；

(4b)将λ_min与λ_max的差值与设定的门限δ比较：若|λ_max-λ_min|≤δ，结束求解λ的迭代过程，否则，采用二分法确定λ为：λ＝(λ_min+λ_max)/2，获取系统的初始感知用户数：N＝[ln(α)/ln(P_f)]，[·]表示右取整，令执行(4c)；

(4c)判断参与感知的用户数N是否小于系统总的用户数M：若N≤M，执行(4d)，否则，更新λ的取值下界λ_min＝λ，返回(4b)；

(4d)计算所有认知用户的性能函数值，并从小到大排列，选择前N个认知用户作为在时隙n参与协作感知的认知用户，若第k个认知用户被选中，令否则，令执行(4e)；

(4e)计算前N个认知用户的协作检测概率Q_D，并判断Q_D是否满足系统要求：若Q_D不满足系统要求，则令参与感知的用户数N＝N+1，返回(4c)，否则，更新λ的取值上界λ_max＝λ，执行(4f)；

(4f)计算前N个认知用户的感知能量消耗E_n，并判断E_n是否小于协作感知能量消耗上界en：若E_n＜en，则更新en＝E_n，返回(4b)，否则，返回(4b)。