移動(dòng)場景中軟判決協(xié)作頻譜感知數(shù)據(jù)融合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及信息與通信技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 近年來，無線通信技術(shù)的快速發(fā)展導(dǎo)致人們對(duì)于無線頻譜資源的需求量急劇增 加。然而，當(dāng)前固定的頻譜分配政策使得大部分頻帶并沒有得到充分的利用。為了提升頻 譜利用率，研究者提出了認(rèn)知無線電（CR)技術(shù)。CR是在不影響主用戶信號(hào)的授權(quán)頻段，即 固定分配給用戶的頻段，正常進(jìn)行通信的前提下，讓具有無線電環(huán)境感知功能的無線通信 設(shè)備動(dòng)態(tài)接入主用戶授權(quán)頻段，從而完成頻譜資源的共享。運(yùn)個(gè)過程中，頻譜感知是保證主 用戶信號(hào)正常通信的關(guān)鍵技術(shù)。
[0003] 頻譜感知技術(shù)有兩個(gè)任務(wù)，首先需要在認(rèn)知用戶需要傳輸數(shù)據(jù)時(shí)檢測到頻譜空 隙，而且需要在認(rèn)知用戶傳輸數(shù)據(jù)過程中不間斷地檢測授權(quán)用戶是否出現(xiàn)。對(duì)于各種頻譜 感知算法的研究已經(jīng)成為了無線通信技術(shù)中的研究熱點(diǎn)。頻譜感知可分為單用戶頻譜檢測 法W及多用戶協(xié)作檢測法。單用戶頻譜檢測技術(shù)就是指一個(gè)用戶對(duì)被檢頻段單獨(dú)進(jìn)行頻譜 檢測并且做出本地的檢測結(jié)果。能量檢測算法是一種單節(jié)點(diǎn)頻譜檢測算法，其原理簡單易 于實(shí)現(xiàn)且不需要知道主用戶的先驗(yàn)信息，沒有對(duì)信號(hào)作任何假設(shè)。能量檢測法對(duì)任何信號(hào) 都適用，因此得到了廣泛的使用。
[0004] 實(shí)際的認(rèn)知系統(tǒng)中，單節(jié)點(diǎn)頻譜感知算法是有較大的局限性的。隱藏終端問題和 陰影效應(yīng)等問題，都會(huì)大大降低單節(jié)點(diǎn)檢測的檢測性能。就像是隱藏終端問題會(huì)導(dǎo)致處于 樹或建筑物陰影中的用戶不能檢測到主用戶信號(hào)是否存在，從而會(huì)對(duì)主用戶的正常通信造 成嚴(yán)重的負(fù)面影響。而且，如果使用單節(jié)點(diǎn)檢測法，為了能夠達(dá)到系統(tǒng)要求的檢測精度，對(duì) 檢測法的準(zhǔn)確度要求是非常高的，運(yùn)通常會(huì)使感知時(shí)間大大延長。因此，在實(shí)際系統(tǒng)中，單 節(jié)點(diǎn)檢測往往是不可行的。在運(yùn)樣的背景下，多用戶協(xié)作檢測法得到了許多科研人員的關(guān) 注。多用戶協(xié)作感知法可根據(jù)認(rèn)知網(wǎng)絡(luò)中是否存在獨(dú)立的融合中屯、分為集中式和分布式兩 大類。其中，集中式的協(xié)作感知就是指認(rèn)知用戶需要把每次檢測的結(jié)果或判決的結(jié)果上傳 到共同的融合中屯、，融合中屯、利用運(yùn)些結(jié)果W及事先約定的處理規(guī)則進(jìn)行最終判決的檢測 方法。而分布式的協(xié)作感知就是指認(rèn)知用戶將每次檢測的結(jié)果或判決的結(jié)果進(jìn)行共享，由 認(rèn)知用戶共同做出最后判決的檢測方法。目前對(duì)于前者的研究要遠(yuǎn)遠(yuǎn)多于后者。
[0005] 由上文的分析可W看出，融合中屯、處對(duì)于數(shù)據(jù)的融合算法對(duì)協(xié)作頻譜檢測法檢測 性能的影響是非常大的。融合中屯、處的數(shù)據(jù)融合算法可分為軟判決和硬判決。硬判決就是 認(rèn)知用戶將其檢測到的能量值與預(yù)設(shè)口限進(jìn)行比較大小，僅上傳比較的結(jié)果（W單比特形 式），融合中屯、根據(jù)運(yùn)些單比特判決結(jié)果進(jìn)行最終的判決。而軟判決是各個(gè)認(rèn)知用戶將本地 的感知結(jié)果上傳給融合中屯、，融合中屯、根據(jù)事先約定的算法對(duì)運(yùn)些能量值進(jìn)行融合并與預(yù) 設(shè)的口限進(jìn)行大小的比較，進(jìn)而得出最終的判決結(jié)果。
[0006] 如此可W看出，前者的優(yōu)點(diǎn)就是可W減少系統(tǒng)的開銷，降低傳輸?shù)臄?shù)據(jù)量。但是由 于運(yùn)種算法只保留大小判決結(jié)果，沒有很充分地利用能量值，性能不如后者。而與此同時(shí)， 后者在提升系統(tǒng)檢測性能的同時(shí)又消耗了大量的傳輸帶寬。另外，在軟判決協(xié)作頻譜感知 系統(tǒng)中，數(shù)據(jù)融合是非常重要的一個(gè)步驟。為每個(gè)上傳到融合中屯、的檢測結(jié)果選擇恰當(dāng)?shù)?加權(quán)因子能夠令檢測系統(tǒng)獲得優(yōu)異的檢測性能。
[0007]當(dāng)前絕大多數(shù)關(guān)于認(rèn)知無線電頻譜感知的研究都是在認(rèn)知用戶保持靜止的假設(shè) 上進(jìn)行的，然而，認(rèn)知用戶的移動(dòng)性是無線網(wǎng)絡(luò)的固有屬性?，F(xiàn)有方法難W對(duì)移動(dòng)場景下的 認(rèn)知無線電頻譜感知數(shù)據(jù)融合。

【發(fā)明內(nèi)容】

[0008]本發(fā)明是為了解決現(xiàn)有軟判決協(xié)作頻譜感知數(shù)據(jù)融合方法的W下問題：1)、現(xiàn)有 的融合方法難W適用于對(duì)移動(dòng)場景；2)、現(xiàn)存的軟判決數(shù)據(jù)融合方法需要依賴于認(rèn)知用戶 的信噪比和位置的先驗(yàn)知識(shí)；3)、現(xiàn)有融合方法的信道適應(yīng)性較弱；從而提供移動(dòng)場景下 的軟判決協(xié)作頻譜感知融合方法。
[0009] 移動(dòng)場景中軟判決協(xié)作頻譜感知數(shù)據(jù)融合方法，它由W下步驟實(shí)現(xiàn)：
[0010] 步驟一、每個(gè)移動(dòng)認(rèn)知用戶獨(dú)立進(jìn)行本地能量檢測，第i個(gè)認(rèn)知用戶的能量檢測 結(jié)果為Yi;
[0011] 步驟二、將步驟一得到的每個(gè)用戶能量檢測的結(jié)果上傳到認(rèn)知網(wǎng)絡(luò)中的融合中 屯、FC; 陽012] 步驟S、認(rèn)知網(wǎng)絡(luò)中的融合中屯、FC根據(jù)本次能量檢測后上傳的所有檢測結(jié)果，利 用公式：
[0014] 計(jì)算每個(gè)移動(dòng)認(rèn)知用戶本次數(shù)據(jù)融合時(shí)對(duì)應(yīng)的加權(quán)因子；
[0015]其中：N表示認(rèn)知網(wǎng)絡(luò)中移動(dòng)認(rèn)知用戶的總數(shù)，Wi則代表第i個(gè)認(rèn)知用戶本次檢測 結(jié)果對(duì)應(yīng)的加權(quán)因子；
[0016] 步驟四、融合中屯、利用步驟二得到的檢測結(jié)果和步驟=得到的各個(gè)檢測結(jié)果對(duì)應(yīng) 的加權(quán)因子根據(jù)公式：
陽01引獲得加權(quán)的目標(biāo)函數(shù)
[0019] 步驟五、融合中屯、比較加權(quán)目標(biāo)函數(shù)與預(yù)設(shè)口限A的大小，獲得判定結(jié)果；
[0020] 步驟六、融合中屯、將步驟五獲得的判定結(jié)果發(fā)送給此認(rèn)知網(wǎng)絡(luò)中的各個(gè)移動(dòng)認(rèn)知 用戶，完成一次軟判決協(xié)作頻譜感知。
[0021]本發(fā)明針對(duì)實(shí)際應(yīng)用場景中認(rèn)知用戶始終不斷運(yùn)動(dòng)的情況，給出了一種軟判決協(xié) 作頻譜感知數(shù)據(jù)融合方法。本發(fā)明中，各移動(dòng)場景中的認(rèn)知用戶先獨(dú)立進(jìn)行本地能量檢測 并將檢測結(jié)果上傳到融合中屯、，然后融合中屯、僅僅根據(jù)運(yùn)些檢測結(jié)果為每個(gè)用戶計(jì)算出本 次融合對(duì)應(yīng)的加權(quán)因子，最后融合中屯、利用檢測結(jié)果和對(duì)應(yīng)的加權(quán)因子求出加權(quán)的目標(biāo)函 數(shù)并做出最后的判斷。本發(fā)明方法無需任何先驗(yàn)信息，且具有對(duì)實(shí)際環(huán)境的自適應(yīng)特性。
[0022] 仿真結(jié)果顯示，本方法相對(duì)于傳統(tǒng)數(shù)據(jù)融合方法巧GC)而言，在一定虛警概率的 前提下，具有更高的檢測概率，更低的漏檢概率和更小的錯(cuò)誤概率，即本發(fā)明方法檢測性能 更加優(yōu)異。
【附圖說明】
[0023] 圖1是本發(fā)明融合方法與傳統(tǒng)方法獲得的檢測概率和虛警概率對(duì)比仿真示意圖；
[0024] 圖2是本發(fā)明融合方法與傳統(tǒng)方法獲得的漏檢概率和虛警概率對(duì)比仿真示意圖； [00巧]圖3是本發(fā)明融合方法與傳統(tǒng)方法獲得的錯(cuò)誤概率對(duì)比仿真示意圖；
[00%] 圖4是認(rèn)知網(wǎng)絡(luò)模型示意圖；
[0027] 圖5是認(rèn)知用戶移動(dòng)模型示意圖；
【具體實(shí)施方式】
【具體實(shí)施方式】 [0028] 一、移動(dòng)場景中一種軟判決協(xié)作頻譜感知數(shù)據(jù)融合方法，它由W下 步驟實(shí)現(xiàn)：
[0029] 步驟一、每個(gè)移動(dòng)認(rèn)知用戶獨(dú)立進(jìn)行本地能量檢測。假設(shè)第i個(gè)認(rèn)知用戶的能量 檢測結(jié)果為yi。
[0030] 步驟二、將步驟一得到的每個(gè)用戶能量檢測的結(jié)果上傳到認(rèn)知網(wǎng)絡(luò)中的融合中 屯、（FC)。
[0031] 步驟=、融合中屯、根據(jù)本次能量檢測后上傳的所有檢測結(jié)果，利用式（1)計(jì)算求 得每個(gè)移動(dòng)認(rèn)知用戶本次數(shù)據(jù)融合時(shí)對(duì)應(yīng)的加權(quán)因子。
(!)
[003引其中N表示認(rèn)知網(wǎng)絡(luò)中移動(dòng)認(rèn)知用戶的總個(gè)數(shù)，Wi則代表第i個(gè)認(rèn)知用戶本次檢 測結(jié)果對(duì)應(yīng)的加權(quán)因子。
[0034] 步驟四、融合中屯、利用步驟二得到的檢測結(jié)果W及步驟=得到的各個(gè)檢測結(jié)果對(duì) 應(yīng)的加權(quán)因子W及式（2)獲得加權(quán)的目標(biāo)函數(shù)/X:
口）
[0036] 步驟五、融合中必比較加權(quán)目標(biāo)函數(shù)ii與預(yù)設(shè)口限入的大小，從而確定主用戶 是否存在。具體來說，若目標(biāo)函數(shù)更大，則判定主用戶存在；否則，判定不存在。
[0037] 步驟六、融合中屯、將步驟五獲得的判斷結(jié)果發(fā)送給此認(rèn)知網(wǎng)絡(luò)中的各個(gè)移動(dòng)認(rèn)知 用戶。至此，本次軟判決協(xié)作頻譜感知結(jié)束。
[0038] W下W具體的仿真試驗(yàn)驗(yàn)證本發(fā)明的效果：
[0039] 圖1是在認(rèn)知用戶總數(shù)N= 3,參數(shù)K分別取400,800,1600, 2400, 3000時(shí)，本發(fā) 明融合方法與傳統(tǒng)方法巧GC)獲得的檢測概率和虛警概率對(duì)比圖。其中M= 500,P。=P1二0?5，At二ls，Vmax二60km/s，Vmin二40km/s，a二6km，b二4km，y二2D圖l中每組 曲線中位于左側(cè)的曲線代表本發(fā)明融合方法，位于右側(cè)的曲線代表傳統(tǒng)方法，K的含義見公 式餅；
[0040] 圖2是在認(rèn)知用戶總數(shù)N= 3,參數(shù)K分別取400,800,1600, 2400, 3000時(shí)，本發(fā)明 融合方法與傳統(tǒng)方法巧GC)獲得的漏檢概率和虛警概率對(duì)比圖。
[0041 ]其中M= 500 ,Po=Pi= 0.5，At=Is'Vmax= 60km/s，Vmin= 40km/s，a=6虹1，b= 4km，丫 = 2。圖2中每組曲線中位于左側(cè)的曲線代表本發(fā)明融合方法，位于右側(cè)的曲 線代表傳統(tǒng)方法；
[0042] 圖3是在認(rèn)知用戶總數(shù)N為3,參數(shù)K分別取400,800,1600, 2400, 3000W及N= 6,K= 3200時(shí)，本發(fā)明融合方法與傳統(tǒng)方法巧GC)獲得的錯(cuò)誤概率對(duì)比圖。
[0043] 其中M= 500，Po=Pl=0.5，At=ls，Vmax二60km/s，Vmin二40km/s，a=6km， b= 4km，丫 =2。圖3中每組曲線中位于右側(cè)的曲線代表本發(fā)明融合方法，位于左側(cè)的曲 線代表傳統(tǒng)方法；
[0044] 圖4是所研究的認(rèn)知網(wǎng)絡(luò)模型，其中包括一個(gè)靜止的主用戶（PU), -個(gè)融合中屯、 (FC)W及N個(gè)移動(dòng)的認(rèn)知用戶（SU);
[0045] 圖5是認(rèn)知用戶移動(dòng)模型，假設(shè)其服從隨機(jī)游走模型，其中A表示本檢測間隔的起 點(diǎn)，B表示終點(diǎn)，V表示認(rèn)知用戶的移動(dòng)速度，在[Vmm，VmJ區(qū)間內(nèi)均勻分布，0則代表移動(dòng) 方向，在[0,231]區(qū)間內(nèi)均勻分布。At是能量檢測時(shí)間間隔，即任一用戶每隔At時(shí)間進(jìn) 行一次能量檢測。D。是A和主用戶的間距，d是B與主用戶的間距；
[0046] 圖4給出了認(rèn)知網(wǎng)絡(luò)模型。其中包括一個(gè)靜止的主用戶，一個(gè)融合中屯、化及N個(gè) 移動(dòng)認(rèn)知用戶。假設(shè)每個(gè)認(rèn)知用戶在能量檢測過程中的采樣點(diǎn)數(shù)為M。且用Hi代表主用戶 存在，H。代表主用戶不存在。圖5給出了每個(gè)認(rèn)知用戶的移動(dòng)模型，即每個(gè)認(rèn)知用戶服從 隨機(jī)游走模型。A(Xa，y,)表示本檢測間隔中隨機(jī)選擇的起點(diǎn)，6(?,ye)表示終點(diǎn)，V表示認(rèn) 知用戶的移動(dòng)速度，在[Vmm，VmJ區(qū)間內(nèi)均勻分布，0則代表移動(dòng)方向，在[0,231]區(qū)間內(nèi) 均勻分布。At是能量檢測時(shí)間間隔，即任一用戶每隔At時(shí)間進(jìn)行一次能量檢測。D。是 A和主用戶的間距，d是B與主用戶的間距。當(dāng)一個(gè)認(rèn)知用戶運(yùn)動(dòng)到認(rèn)知網(wǎng)絡(luò)的邊界時(shí)，它 會(huì)按照類似于光的反射定律反射回認(rèn)知網(wǎng)絡(luò)，繼續(xù)運(yùn)動(dòng)。一個(gè)檢測周期結(jié)束后，認(rèn)知用戶便 隨機(jī)選取一個(gè)新的速度和新的運(yùn)動(dòng)方向，繼續(xù)運(yùn)動(dòng)。在圖5中，a表示正方形認(rèn)知網(wǎng)絡(luò)的邊 長，b代表主用戶與正方形認(rèn)知網(wǎng)絡(luò)中屯、的距離。
[0047] 那么Xa,心V和0的概率密度函數(shù)分別為：
[0052] 根據(jù)圖5所示的幾何關(guān)系，能夠獲得如下兩個(gè)等式關(guān)系：

陽化5] 假設(shè)信道的帶寬要遠(yuǎn)遠(yuǎn)