基于分簇加權(quán)的認知無線電協(xié)作檢測算法

李 濤

（駐哈爾濱地區(qū)艦船配套代表室，黑龍江 哈爾濱 150001）

基于分簇加權(quán)的認知無線電協(xié)作檢測算法

李 濤

（駐哈爾濱地區(qū)艦船配套代表室，黑龍江 哈爾濱 150001）

協(xié)作檢測是認知無線電技術(shù)（Cognitive Radio）的重要組成部分，通過多認知用戶協(xié)作可以提高信道衰落或者陰影效應(yīng)而帶來的低檢測性能。傳統(tǒng)的協(xié)作檢測由于認知用戶過多并且個別用戶信道狀況較差，因而檢測性能較低。并且各用戶在中心決策中都占有相同的比重，忽略了單用戶的檢測性能。介紹了一種采用加權(quán)系數(shù)的多簇協(xié)作檢測算法，根據(jù)認知用戶的信噪比配以不同的權(quán)重，以使檢測概率達到最大；通過將認知用戶分簇，并選擇簇內(nèi)信道特性最好的用戶向決策中心傳送信息，有效地提高了最終決策的準確度。仿真結(jié)果表明，本文算法具有較好的檢測性能，與傳統(tǒng)算法相比，能夠提高檢測概率和減小虛警概率。

認知無線電；協(xié)作檢測；多簇檢測；簇內(nèi)加權(quán)

0 引言

認知無線電是一種智能無線通信系統(tǒng)，可以提高無線電通信頻譜的利用率［1］。具有認知功能的無線通信設(shè)備能與外界環(huán)境交互信息，有目的地實時改變操作參數(shù)，在有限信號空間中以最優(yōu)的方式有效地傳送信息，可達到在任何時間地點實現(xiàn)高度可靠通信及有效利用頻譜資源的目的［2－4］。認知無線電的一個基本認知周期要經(jīng)歷4個基本過程［5］：頻譜感知、信道估計與預(yù)測、發(fā)射功率控制和頻譜管理。

近年來，研究人員已經(jīng)提出了較多的頻譜感知的方法，主要可以分為4種類型：能量檢測（Energy Detection）［5，6］、相關(guān)檢測（Coherent Detection）［7］、循環(huán)平穩(wěn)特征檢測（Cyclostationary Feature Detection）［8］和協(xié)作檢測［9］。當信道衰落較大并伴隨陰影效應(yīng)時，前3種算法性能都較低，而協(xié)作檢測算法通過多個認知用戶相互協(xié)作，提高了整體檢測的性能?，F(xiàn)在很多檢測模型都采用具有中心決策的傳統(tǒng)協(xié)作檢測算法［10－12］，該算法雖然簡單，但是個別用戶的低性能檢測會影響整體的決策效果，并且由于決策中心采用的報告數(shù)很多，因此信道利用率較低，結(jié)構(gòu)也較為復(fù)雜。本文將協(xié)作用戶分成多簇，每個簇內(nèi)分別進行加權(quán)檢測，并通過信道特性最好的簇頭將檢測結(jié)果報告給中心，決策中心通過準確性較好的少數(shù)報告進行最終決策；本文算法解決了傳統(tǒng)算法的不足之處，并在檢測性能上有了顯著的提高。近年又出現(xiàn)了采用其他理論的檢測方法［13－15］。

1 分簇加權(quán)協(xié)作檢測算法模型

傳統(tǒng)的檢測算法，各檢測用戶對決策中心的貢獻都是相同的，算法比較簡單。但實際中，各用戶到認知用戶的信道特性并不是一樣的，對于信噪比較好的用戶，其檢測結(jié)果的準確性必然要好于其他用戶，而對于信噪比低的用戶，其檢測性能也較差；因此傳統(tǒng)的檢測算法將各用戶一概而論常常導(dǎo)致系統(tǒng)整體檢測性能較低，從而認知用戶不能夠準確利用空閑頻譜。針對這種情況，可以對簇內(nèi)各用戶檢測結(jié)果進行加權(quán)，在保證一定虛警概率的同時，提高檢測概率。分簇檢測模型如圖1所示。

圖1 分簇檢測模型

2 算法性能分析

假設(shè)N個用戶被分為M個簇，第i個簇內(nèi)有Ni個認知用戶，每個用戶采用能量檢測法。則第k個采樣時隙，頻譜感知可表示為：

式中，L為授權(quán)信號的時寬乘積。根據(jù)中心極限定理，如果采樣數(shù)L足夠大，觀測量ui，j漸進服從高斯分布，均值和方差為：

第i簇的簇頭對收到的觀測向量yi=｛yi，j｜j=1，2，．．．，Ni｝T進行加權(quán)，最后得到總的決策信息為：

式中，wi=［wi，1，wi，2，．．．，wi，Ni］T為該簇的權(quán)向量且‖wi‖=1。權(quán)向量可以從全局角度來表現(xiàn)個別用戶對最終決策的貢獻。如果一個用戶的信噪比較高，它應(yīng)被分配較大的權(quán)向量，而對于經(jīng)歷深衰落或陰影效應(yīng)的用戶則應(yīng)減小它們的權(quán)向量，以減少它對最終決策的負面效應(yīng)。加權(quán)檢測模型如圖2所示。

圖2 加權(quán)檢測模型

因此，yi，c的均值和方差可以表示為：

式中，

如果該簇簇頭的決策門限為γi，可以得到該簇簇內(nèi)檢測的虛警概率和檢測概率為：

式中，Q（.）是Q函數(shù)?？梢钥闯鰴z測概率極大程度上依靠權(quán)向量和檢測門限，而對與給定的虛警概率，門限又可以由權(quán)向量來求得。因此，需要在給定的虛警概率下，選擇合適的權(quán)向量，使檢測概率達到最大。權(quán)向量的優(yōu)化表達式為：

對于上述優(yōu)化方程，可以采用拉格朗日極值定理求解。拉格朗日算子函數(shù)為：

式中，λ0和λ1為待定系數(shù)，通過?Lag/?wi=0可以求得最優(yōu)權(quán)向量，能夠得到：

將式（15）帶入式（11）可以得到該簇的檢測概率Pd，i。因此模型總的虛警概率和檢測概率為：

3 仿真結(jié)果分析

本文通過計算機仿真進一步對提出的協(xié)作檢測算法進行性能評估，仿真中采用Monte Carlo方法，通過獨立的仿真500次獲得最終的統(tǒng)計結(jié)果。仿真參數(shù)和參數(shù)值如表1所示。

表1 仿真參數(shù)及參數(shù)值

這里假設(shè)信道服從瑞利分布，信道噪聲服從均值為0的高斯分布，并且均為單位方差。

仿真中將本文算法和傳統(tǒng)算法，以及采用多簇檢測但簇內(nèi)采用傳統(tǒng)方法（非加權(quán)）的3種算法進行了比較。7個不同信噪比用戶的加權(quán)系數(shù)如圖3所示，其中實線代表用戶的SNR由左邊的縱坐標表示，虛線代表用戶所分配的加權(quán)系數(shù)，由右邊的縱坐標表示。能夠看出本文的簇內(nèi)加權(quán)算法可以為信噪比高的用戶分配較大的權(quán)重，增加其決策中的分量；而對于信噪比低的用戶則分配較小的權(quán)重，以減小它對決策所帶來的負面效應(yīng)，提高了簇內(nèi)的整體檢測性能。

圖3 不同信噪比用戶加權(quán)系數(shù)

3種算法檢測概率隨虛警概率的變化曲線如圖4所示?？梢钥闯鲈谕惶摼怕氏拢捎枚啻厮惴軌蛴行У靥岣呦到y(tǒng)的檢測概率，這是因為每個簇內(nèi)的簇頭是該簇中到?jīng)Q策中心信噪比最好的用戶，因此決策中心收到的報告誤碼率很小，所以提高了檢測的準確度。對于采用簇內(nèi)加權(quán)的算法，根據(jù)各認知用戶信噪比分配其在決策中所占的權(quán)重，減小了檢測性能差的用戶給最終決策帶來的負面效應(yīng)，因此進一步提高了檢測概率。

圖4 檢測概率隨虛警概率變化曲線

在原仿真參數(shù)的基礎(chǔ)上增加了認知用戶的個數(shù)和簇數(shù)，反映虛警概率隨認知用戶數(shù)N的變化如圖5所示。可以看出當檢測概率Pd=0．5以及簇數(shù)M=4時，本文算法的虛警概率要小于另外2種。認知用戶數(shù)的增加會提高虛警概率，降低認知無線電的信道利用率。本文算法通過對用戶進行分簇，避免了個別用戶檢測性能差而帶來的信道利用率低的問題。并且采用了加權(quán)措施，使得每簇內(nèi)在固定檢測概率下能夠獲得較低的虛警概率，因此本文算法的信道利用率及檢測精度要好于傳統(tǒng)算法。

圖5 虛警概率隨認知用戶數(shù)的變化曲線

4 結(jié)束語

基于傳統(tǒng)的協(xié)作檢測算法，通過將協(xié)作的認知用戶分簇，并在簇內(nèi)對各認知用戶的檢測結(jié)果進行加權(quán)，減少了由于個別用戶信道特性差、檢測性能低而對最終決策產(chǎn)生的負面效應(yīng)，有效地提高了整體檢測性能。仿真結(jié)果表明，本文算法的虛警概率和檢測概率要優(yōu)于傳統(tǒng)方法。本文算法不僅能夠提高認知用戶對信道的使用效率，還能夠減少對授權(quán)用戶的干擾。

［1］ MITOLA J.Cognitive Radio：Making Software Radios More Personal［J］.IEEE Personal Communication，1999，6（4）：13－18.

［2］ HAYKIN S.Cognitive Radio：Brain-empowered Wireless Communications［J］.IEEE Journal on Selected Areas in Communications，2005，23（2）：201－220.

［3］ KRENIK W，BATRA A.Cognitive Radio Techniques for Wide Area Networks［M］.Design Automation Conference，California，USA，2005：409－412.

［4］ 李曉麗，鄭文秀.基于時頻點集特征提取方法的寬帶頻譜感知［J］.無線電通信技術(shù)，2014，40（4）：33－36.

［5］ Natasha Devroye，Patrick Mitran，Vahid Tarokh.Limits on Communications in a Cognitive Radio Channel［J］.IEEE Communications Magazine，2006（6）：44－49.

［6］ 黃 浩，吳利民.基于能量和協(xié)方差的兩步頻譜感知［J］.無線電通信技術(shù)，2014，40（6）：29－32.

［7］ QUAN Zhi，CUI Shuguang，ALIH.Sayed，Optimal Linear Cooperation for Spectrum Sensing in Cognitive Radio Net-works［J］.IEEE Journal of Selected Topics in Signal Pro-cessing，2008，2（1）：28－40.

［8］ KAY SM.Fundamentals of Statistical Signal Processing：Detection Theory［M］.Englewood Cliffs，NJ：Prentice-Hall，1988.

［9］ CABRIC D，TKACHENKO A，BRODERSEN RW.Experi-mental Study of Spectrum Sensing Based on Energy De-tection and Network Cooperation［C］∥ACM 1st Int. Workshop on Technology and Policy for Accessing Spec-trum（TAPAS），2006.

［10］ PEH Edward，LIANGYingchang，Optimization for Cooper-ative Sensing in Cognitive Radio Networks［C］∥WC-NC2007，2007：27－32.

［11］ 胡 峰，鄭紫微，熊 歐.基于SNR比較的協(xié)作頻譜感知研究［J］.無線電通信技術(shù)，2014，40（4）：77－80.

［12］ 陳萬培，施 鵬，陳曉龍，等.衰落信道下基于簇的協(xié)作頻譜感知分析［J］.無線電工程，2012，42（7）：16－19.

［13］ SUN Chunhua，ZHANG Wei，LETAIEF K B.Cooperative Spectrum Sensing for Cogintive Radios under Bandwidth Constraints［C］∥WCNC2007，2007：1－5.

［14］ 張夢陽，孫學斌，李 斌，等.基于非負矩陣分解的頻譜感知技術(shù)研究［J］.無線電工程，2013，43（11）：1－3，7.

［15］ 劉龍飛，孫學斌，周 正.一種基于極限學習機的頻譜感知方法［J］.無線電工程，2015，45（3）：25－29.

［16］ CHAIR Z，VARSHNEY P K.Optimal Data Fusion in Mul-tiple Sensor Detection Systems［J］.IEEE Transactions on Aerospace and Electronic Systems，1986，AES－22（1）：98－101.

Multi-Cluster Cooperative Detection Algorithm for Cognitive Radio Based on Weight

LI TAO
（Depute Office of Ship Outfit in Harbin Area，Harbin Heilongjiang 150001，China）

Cooperative detection is an important part in cognitive radio.Through the cooperation of some cognitive users，the performance ofweak detection can improve in the case of channel fading and shadow effect.Traditional cooperative detection sometimes is weak because of toomany detection users and individual user’s bad channel.Moreover，each user has the same proportion in the decision of the center，and the detection performance of the singleuser is often ignored.Amulticluster cooperative detection algorithm based on weighing is proposed.Through giving cognitive users differentweights according to their SNR，the detection probability can reach the maximum.And through dividing the uses into clusters and choosing theuserwith the best channel characteristic to report to the decision centre，the precision of final decision can be improved effectively.Simulations show that our algorithm has a better detection performance，increases the detection probability，and decreases the alarm probability comparing with the traditional algorithm.

cognitive radio；cooperative detection；multi-cluster detection；weighing in cluster

TN911.23

A

1003－3106（2015）09－0041－04

10.3969/j.issn.1003－3106.2015.09.11

李 濤.基于分簇加權(quán)的認知無線電協(xié)作檢測算法［J］.無線電工程，2015，45（9）：41－44.

李 濤男，（1972—），博士，船舶與海洋結(jié)構(gòu)物設(shè)計制造專業(yè)。主要研究方向：通信計算機。

2015-05-15

國家自然科學基金資助項目（61201143）。