认知无线电检测

2024-07-29

认知无线电检测（精选7篇）

认知无线电检测篇1

无线电通信频谱是一种宝贵的资源，目前采用的是基于频谱授权的静态频带分配的原则。随着无线通信技术的高速发展，无线电用户数量急剧增加，频谱资源贫乏的问题日趋严重。认知无线电基于软件无线电，是一种用于提高无线电通信频谱利用率的新的智能技术[1]。具有认知功能的无线通信设备可以感知周围的环境，并能根据输入激励的变化实时地调整其传输参数，在有限信号空间中以最优的方式有效地传送信息，以实现无论何时何地都能保证通信的高可靠性和无线频谱利用的高效性。认知无线电的一个认知周期要经历3个基本过程：感知频谱环境、信道识别、功率控制和频谱管理。认知无线电技术最显著的特征是能够感知并分析特定区域的频段，找出适合通信的“频谱空穴”，利用某些特定的技术和处理，在不影响已有通信系统的前提下进行工作。因而,认知无线电系统传输信号时首先要感知该地无线电频谱环境，即频谱检测和“频谱空穴”搜寻与判定[2]。

下一代移动通信的链路层调制方式主要采用OFDM形式，因此认知无线电与OFDM系统之间的频谱共享已是必然趋势。OFDM的多载波调制技术以及自适应型功率分配给认知无线电更带来了巨大的灵活性。本文采用能量检测法，将认知无线电频谱空穴检测与OFDM相结合，提出了一种多载波检测方法。

1 认知无线电信号检测方法

1.1 匹配滤波器检测法

匹配滤波器是信号检测中的一种比较常用的方法，它能使接收信号的信噪比最大化。在认知无线电设备中使用匹配滤波器，实际上完成的是解调授权用户的信号，这样认知无线电用户就要知道授权用户的物理层和媒体控制层的信息：调制方式、时序、脉冲形状、封装格式等，利用这些信息来实现与待检测信号在时域和频域上的同步，从而解调信号[3]。这些信息可以被存放在认知无线电的存储器中。匹配滤波器的设计准则是使输出SNR在某一时刻达到最大，这是对任何信号进行检测的优化算法。匹配滤波器冲激响应h(t)表示为：

其中,K为常数，S(f)为信号S(t)的频谱,S*(f)为S(f)的共轭函数。具体检测方法如图1所示。

匹配滤波器的设计需要授权信号的先验信息，如调制类型、脉冲成型、分组格式等，这类信息可预先存储在认知无线电设备的存储器中。解调比较麻烦，必须与授权信号进行同步和定时，甚至可能需要进行均衡。不过大部分授权信号具有导引序列、同步码或扩频码，以达到与原信号保持一致的目的。如，电视信号中具有声音和视频载波的窄带导引信号;CDMA系统具有专门的扩频码用以同步;OFDM分组具有辨别不同分组的导引信号。

1.2 能量检测法

能量检测法是一种非相干的检测手段，与频谱分析非常相似，也是通过判决来实现的。该方法依据感知器在信号有无两种假设情况下按接收信号功率大小的不同对信号进行检测。这种方法是一种对未知参数的确定性信号及其存在性检测的有效方法。由于能量检测对信号类型不作限制，因此不需要授权信号的先验信息。能量检测的主要思想是：将授权信号S(t)的功率在一个时间段(N个采样点)内取平均：

接着与预设门限进行比较，判定该频段是否存在授权信号。整个检测如图2所示。

能量检测法在技术上已经比较成熟，应用起来可靠性较高。但是，能量探测器的门限比较容易受到噪声功率变化的影响。为了解决这个问题，人们提出利用授权用户发射机的导频音(Pilot Tone)来提高认知无线电能量探测器的准确性。另外，即使能够适应性地设定门限位，带内干扰的出现也会扰乱能量探测器，能量探测的另外一个缺点是它只能探测到有信号出现，而不能区分信号的类型，即它不能区分已调制信号、噪声及干扰。因此，能量探测器容易被不明信号误导而产生误判决，不适合极弱信号，例如扩频信号的检测。

2 认知OFDM系统检测

在认知OFDM传输系统里，频谱感知可以采用类似上述能量检测的方法，以很低的复杂度完成对各子载波状态的判断。感知器接收连续d个OFDM符号周期的信号，并得到这d个符号在频域的N点FFT结果。因为各子载波之间的状态相互独立，所以可以分别针对各个子载波上的感知信号，判断某个子载波上是否存在授权用户信号[4]。下面讨论判断的方法和标准。由于有d个符号周期的检测时间，每个子载波都可以得到d个复数测量值，即2d个实数测量值。当信道处于空闲即无授权信号时，感知器得到的仅仅是信道中的噪声信号，假设此时系统服从H0假设;而当授权用户处于活跃状态，感知器接收到的是噪声与授权用户叠加的信号，此时系统服从H1假设[5]：

其中,R2d为感知器接收到的2d维信号向量，各分量为ri i∈(1,2,…，2d);N2d是噪声向量，服从均值为零、方差为σ2的高斯分布;S2d是授权用户信号向量，假设各分量是独立同分布的，各分量均值为ms，方差为σS2。这里定义信号的能量Y为感知器接收到的2d个分量的平方和。

根据能量检测法，将信号能量Y作为高斯观察变量并与门限值γ比较：

由此可见，能量感知只需求取对应子载波的实数测量值的平方和，并与一门限值比较。当该测量值超过门限时，认为存在授权用户信号，否则认为不存在授权用户信号[6]。由于2d个测量值是与独立无关的高斯变量，故它们的平方和Y服从χ2分布。在纯高斯白噪声的情况下，由于均量为零，Y服从中心分布;当授权用户出现时，感知信号是噪声与一确定信号的叠加，均值非零，因此服从非中心χ2分布：

因此在两种假设下检验统计量Y的概率密度函数分别是：

其中，Γ(x)为Gamma函数，Id-1(x)为d-1阶的贝塞尔函数。λ=2dmS2为χ2分布非中心参量。

设虚警概率PFA为将可用(不存在授权用户信号)信道错误判为不可用的概率，则它是检验统计量Y在H0假设下超过所设定门限值的概率。

设检测概率PD为将不可用(存在授权用户信号)信道正确判为不可用的概率，则它是检验统计量Y在H1假设下超过所设定门限值的概率。

SNR为认知OFDM系统信噪比，且对应的误检概率PMD=1-PD，为将不可用信道误判为可用信道的概率：

系统总的错误检测概率为误检概率与虚警概率之和：

3 感知时间优化

频谱感知的灵敏度和准确性随着检测时间的增加而增加，有利于数据的正确传输，但检测时间的增加将直接导致有效数据传输时间的减少和传输效率的降低[7]。因此，在频谱感知时间与有效数据传输时间之间，存在一个最优的分配方案。下面，讨论求取使信道效率达到最大的感知时间长度的方法。这里认为感知器将不可用信道判为可用的部分会由于授权用户干扰不能正确传输数据。则信道效率可以表示为：

其中,L为频谱感知和有效数据传输阶段OFDM符号数之和，为固定值;d为上节讨论的频谱感知所使用的符号周期数。注意到PFA是d的函数，故该优化问题为：

可以通过遍历d来求得最佳的d*和最高频谱效率η*。

4 仿真结果

图3、图4给出了在信噪比为10dB情况下的仿真结果。可以看出，在相同感知符号周期的情况下，随着门限γ的增加，误检概率逐渐增加而虚警概率逐渐减小，因此好的门限选择应在误检概率(PMD)和虚警概率(PFA)间取一个折衷，换句话说，应使系统总的误检概率Pe=PFA+PMD达到最小。图5给出了总的误检概率Pe随门限γ和感知符号数d的变化曲线。可以看出，适当地选取门限γ可以使Pe达到最小(当d=3时，γ选择15)，并且随着感知符号数d的增加Pe的最小值急剧减小。这说明增加感知符号数可以有效地提高认知OFDM系统的检测概率。感知符号数的增加会带来感知时间的相对增加，信道传输时间会减少，从而降低认知OFDM的信道效率，因此需要利用式(13)来确定最佳的感知符号数d，使检测概率与信道效率间也产生个折衷。

认知无线电对于OFDM系统的检测是针对每个子载波进行的，通过感知的OFDM符号FFT结果，利用能量检测法来判断频谱空穴。本方法通过设定适当的门限可以使总的误检概率达到最小，经过感知时间的优化，在保证误检概率的前提下，可以使信道传输效率达到最大。

摘要：简述了认知无线电的背景和概念,介绍了认知无线电常用的两种检测方法:匹配滤波器法和能量检测法。针对认知无线电和OFDM系统的特性提出了认知OFDM系统授权用户检测方法,该方法是基于OFDM的能量检测法。仿真表明通过选择适当的判决门限可以使系统总的误检概率最小,并通过感知时间优化,可以有效地提高认知OFDM系统的信道传输效率。

关键词：认知无线电,OFDM,匹配滤波器法,能量检测法,感知时间

参考文献

[1]MITOLA J.Cognitive radio:Making software radios morepersonal.IEEE Personal Communication,Aug,1999,6(4):13-18.

[2]HAYKIN S.Cognitive radio:brain empowered wireless communications.IEEE Journal on Selected Areas in Comm-unications.February2005,23(2):201-220.

[3]GANESAN G,LI Y G.Agility improvement through cooperative diversity in cognitive radio.Proc.IEEE GLOBECOM′05,IEEE,2005,28(2):2505-2509.

[4]CHANG R W.Synthesis of band-Limited orthogonal signals for multichannel data transmission,Bell Syst,Tech.J.1966,45(12):1775-1796.

[5]KOLODZY P J.Interference temperature:a metric for dynamic spectrum utilization.International Journal of Network Management.2006,16:103-113.

[6]JANG J,LEE K B.Transmit power adaptation for mul-tiuser OFDM system,IEEE Journal on Selected Areas in Communications,2003,21(2):171-178.

[7]SHI H,KATAYAMA M,YAMAZATO T,et al.An adap-tive antenna selection scheme for transmit diversity in OFDM systems,in Proc.IEEE VTC.,2001,4:2168-2172.

认知无线电检测篇2

认知无线电(Cognitive Radio,CR)是在软件无线电(SDR)基础上提出的概念。文献[1]定义:CR是无线终端利用与其周围无线环境下交互所获得的信号知识,然后自动调整传输参数的无线电通信技术。频谱检测是认知无线电需要解决的首要问题,作为检测方法之一的TDMA系统,正交传输的合作机制在文献[2]和文献[3]中提出,文献[2]介绍了两用户在单跳网络互相接力信息的方法可获得低损耗概率。根据AF合作协议[2],当接力用户不经任何处理地传输从发射机获得的信号,则可获得全分集。在此,考虑了认知网络中两个和多个认知用户通过合作检测主用户的情况,通过仿真分析表明,认知用户的合作感知方法比非合作情况下,得到的检测概率更高,并能有效提高检测主用户的灵敏度,降低对主用户的干扰以及检测时间。

1 合作检测机制

1.1 系统模型

设发射信号x和接受信号y的表达式为y=fx+w。式中:f为衰落系数;w为加性高斯噪声(0均值,单位方差)。信道特征为瑞利衰落,信道中不同认知用户相互独立并考虑它们工作在固定的TDMA模型。假设一个主用户开始使用频带,两个次用户需尽快为主用户让出频带资源,但如果其中一个次用户此时处于解码边界(如图1所示),则从主用户接收到的信号非常微弱,以至于次用户U1需要花费较长的时间才能检测到P,而次用户之间的合作可降低接收信号微弱的次用户的检测时间。

次用户U1和U2在连续时隙传输如图2所示。它们遵循AF(Amplify-and-Forward)协议。在时隙T1,U1传输,U2监听;在时隙T2,U2中继了前一个时隙的信息。在时隙T1,U2从U1接收到的信号表达式为:

$y_{2} = θ h_{p 2} + a h_{12} + \tilde{W} (1)$

式中: hpi表示主次用户之间即时信道增益;h12表示次用户之间即时信道增益; $\tilde{W}$ 表示零均值高斯的随机变量,且 $h_{p i} ‚ h_{12} ‚ \tilde{W}$ 相互独立,假设h12=h21;a表示从U1发射的信号;θ表示主用户是否在线。当θ=1时,主用户占用;当θ=0时,主用户离线。P是U1的传输功率限制,接力用户最大功率限制为 $\tilde{Ρ} ‚ β$ 为测量因子[2,6],用于U2接力信息并传输给接收机:

$β = \frac{\tilde{Ρ}}{E {| \tilde{y} |^{2}}} = \frac{\tilde{Ρ}}{\tilde{θ} Ρ_{2} + Ρ G_{12} + 1} (2)$

式中:G12=E{|h12|2}表示U1和U2之间的信道增益;Pi=E{|hpi|2}表示Ui从主用户的接收功率。

1.2 能量检测模型

能量检测的概率统计模型为T(Y)=|Y|2。用Fi(t)表示在假设Hi(i=0,1)的前提下,随机变量T的积累概率密度函数(CDF)。有两种情况:

(1) H0的情况:

$\begin{array}{l} F_{0} (t) = Ρ (Τ (Y) > t | Η_{0}) = \\ \int_{0}^{\infty} Ρ (Τ (Y) > t | Η_{0}, h) f (h) d h = \\ \int_{0}^{\infty} e^{- h - \frac{t}{a + b h}} d h = φ (t; 1, 1) ； \end{array}$

(2) H1的情况:

F1(t)=φ(t;P1+1,P2+1)。

定义:

$φ (t; a, b) = \int_{0}^{\infty} e^{- h - \frac{t}{a + b h}} d h (3)$

式中:t,a,b均为正数。故给定了虚警概率α,需要找到门限值λ,则:

$φ (λ; 1, 1) = α (4)$

由于式(3)中的φ是随t严格递减的,故λ可以被惟一确定。相似地,有U2合作时,U1的检测概率表示为:

$Ρ_{c}^{1} = φ (λ; Ρ_{1} + 1 ‚ Ρ_{2} + 1) (5)$

图3仿真了有合作和无合作情况下的能量检测曲线。其中:P1=1,P2=2.7。可见,当虚警概率α一定时,合作可得到更高的检测概率。在合作模型中,接力终端调整传输功率不考虑U2的位置,U1和U2之间的信道增益为常量。

2 两用户认知网络的灵敏度

在非合作网络中,U1检测到主用户存在时,检测时间τn可表示为一个几何随机变量,即:Pr{τn=k}=(1-P(1)n)k-1P $_{n}^{(1)}$ 。用P $_{n}^{(i)}$ 和P $_{C}^{(i)}$ 分别表示Ui在非合作机制以及合作机制中位于单一时隙中的检测概率,即: $Ρ_{n}^{(1)} = α^{\frac{1}{Ρ_{1} + 1}}$ 和 $Ρ_{n}^{(2)} = α^{\frac{1}{Ρ_{2} + 1}}$ 。由式(5)可得:

$\begin{array}{l} Ρ_{C}^{(1)} = φ (λ; Ρ_{1} + 1, Ρ_{2} + 1) (6) \\ Ρ_{C}^{(2)} = φ (λ; Ρ_{2} + 1, Ρ_{1} + 1) (7) \end{array}$

两用户独立检测主用户时的整体概率为:PCn=P $_{n}^{(1)}$ +P $_{n}^{(2)}$ -P(1)nP $_{n}^{(2)}$ ,合作机制中的两用户共通检测主用户时,整体检测概率为:PCc=P $_{c}^{(1)}$ +P $_{n}^{(2)}$ -P(1)cP $_{n}^{(2)}$ 。

图4绘制了当P1=0 dB,α=0.1时整体检测概率的情况。由图可知,认知节点间的合作明显提高了整体的检测概率。两用户腾出频带的时间可以表示为 $Τ_{n} = 2 (\frac{1}{Ρ_{n}^{(1)}} + \frac{1}{Ρ_{n}^{(2)}} - \frac{1}{Ρ_{n}^{(1)} + Ρ_{n}^{(2)} - Ρ_{n}^{(1)} Ρ_{n}^{(2)}})$ 。此处的λ满足式(4)。

合作机制中总的平均检测时间为 $Τ_{c} = \frac{2 - (Ρ_{c}^{(1)} + Ρ_{n}^{(2)} / 2)}{Ρ_{c}^{(1)} + Ρ_{n}^{(2)} - Ρ_{c}^{(1)} Ρ_{n}^{(2)}}$ ,且可以定义两用户的合作机制对于非合作机制的灵敏度增益为μ $_{n / c}^{}$ (2)≜Tn/Tc;在没有一般性损耗的情况下只考虑上式为P2的函数,令P1=1,则有P2→∞时,渐进的灵敏度增益表示为 $μ_{n / c}^{\infty} (2) = \lim_{Ρ_{2} \to \infty} μ_{n / c}^{} (2) = 2 / \sqrt{α}$ 。

在非合作机制中,假设U1在没有U2帮助的情况下即检测出主用户的存在,则U1在未通知U2的情况下即腾出频带;或者U1和U2都检测到主用户的存在,这种情况是一种次用户在无合作情况下始终进行检测主用户的特殊合作网络。这样,腾出频带的时间可表示为:

$Τ_{Ρ} = \frac{2 - (Ρ_{n}^{(1)} + Ρ_{n}^{(2)} / 2)}{Ρ_{n}^{(1)} + Ρ_{n}^{(2)} - Ρ_{n}^{(1)} Ρ_{n}^{(2)}}$

渐进灵敏度增益可表示为:

$μ_{Ρ / C}^{\infty} (2) = \lim_{Ρ_{2} \to \infty} Τ_{Ρ} / Τ_{C} = 2 / (3 \sqrt{α} - α)$

图5给出两用户在不对称网络中,当P2→∞时,非合作机制和合作机制的灵敏度增益下降速率对比。

在此,用log10P2衡量认知网络的不对称性。图6是两用户在不对称网络中,以P2为自变量的灵敏度增益μc(2)的函数曲线。随着认知网络中两用户的对称性变差,灵敏度增益会不断增加。由图6可知,α=0.1时,检测时间可获得将近35%的降低。这说明当其中一个次用户远离主用户而另一个非常靠近主用户时,也可以通过合作,保证较快速地检测到主用户的存在。

3 多个用户认知网络的灵敏度

当次用户数量为2n时,总带宽为B,平均等分为n个子频带,每个子频带的带宽为Δn=B/n,且有2个次用户工作在此频带,遵循上一节所提到的合作协议。当U1使用整个带宽B时,U1接收的单个功率可以表示为P1′=P1/n,噪声功率也是之前的1/n。则φ(λn;1/n,1/n)=α,λn=λ/n,λ由式(4)给出。故有U2合作的U1的检测概率可表示为:

$\begin{array}{l} Ρ_{C}^{(1)} = φ [λ_{n}; (Ρ_{1} + 1) / n, (Ρ_{2} + 1) / n] = \\ φ (λ; Ρ_{1} + 1, Ρ_{2} + 1) \end{array}$

子频带中认知用户通过合作机制检测主用户的检测概率和通过非合作机制的检测概率分别为:

$Ρ = Ρ_{C}^{(1)} + Ρ_{n}^{(2)} - Ρ_{C}^{(1)} Ρ_{n}^{(2)} ； Ρ^{'} = Ρ_{n}^{(1)} + Ρ_{n}^{(2)} - Ρ_{n}^{(1)} Ρ_{n}^{(2)}$

用Pk和P′k分别表示第k个子频带中在合作和非合作机制下检测到主用户的检测概率,这两种情况下检测到主用户所花费的平均时隙数分别表示为:

$\begin{array}{l} Τ_{C} (n) = \frac{1}{1 - \prod_{k = 1}^{n} (1 - Ρ_{k})} ； \\ Τ_{Ρ} (n) = \frac{1}{1 - \prod_{k = 1}^{n} (1 - Ρ_{k^{'}})} \end{array}$

定义灵敏度增益为:

$μ_{Ρ / C} (n) = Τ_{Ρ} (n) / Τ_{C} (n)$

检测时间总和可表示为:

$Τ_{n} (n) = \sum_{k = 1}^{n} (\begin{array}{l} n \\ k \end{array}) (- 1)^{k + 1} \frac{1}{1 - (q^{'})^{k}}$

定义其灵敏度增益为:

$μ_{n / C} (n) = Τ_{n} (n) / Τ_{C} (n)$

亦可以证明:

$\lim_{n \to \infty} \frac{μ_{n / C} (n)}{\ln n} \overset{Δ}{_} - 1 / \ln (1 - α)$

图7描绘了固定数量的多用户合作节点的检测概率性能。由图7可知,当虚警函数α取得较小时,可以通过节点合作获得较高的检测概率,以降低对主用户的干扰。

图8描绘了多用户、多载波合作机制下,不同虚警函数α的灵敏度增益μn/C(n)。灵敏度增益随着ln n的增大而提高,且当α很小时,ln(1-α)⧋-α;当n较大时,灵敏度增益曲线近似于μn/C(n)⧋ln n/α。

4 结语

讨论了认知用户的合作机制在提高认知网络下检测灵敏度的优势。首先构建了认知网络中简单的两用户合作协议和非合作协议下的检测系统模型,然后对多个认知用户合作于认知网络中的情况进行了分析比较,对不同概率参数以及不同合作节点的检测性能进行了仿真研究。分析结果表明;当虚警概率α很小时,采用认知用户的合作感知方法可得到高检测概率,且可比非合作情况获得将近35%检测时间的降低,有效提高检测主用户的灵敏度。

参考文献

[1] FCC.Notice of Proposed Rule Making and Order[R].ET Docket No.02-222,2003.

[2] Laneman J N,Tse D N C.Cooperative Diversity in Wireless Networks:Efficient Protocols and Outage Behavior[J].IEEE Trans.Inform.Theory,2004,50:3 062-3 068.

[3] Laneman J N,Wornell G M.Distributed Space-time Coded Protocols for Exploiting Cooperative Diversity in Wireless Networks[J].IEEE,Trans.on Inform.Theory,2003,49:2 415-2 425.

[4]Cabric D,Mishara S M,Brodersen R W.Implementation Is-sues in Spectrum Sensing for Cognitive Radios[A].Proc.38th Asilomar Conference on Signals,Systems and Com-puters[C].2004:772-776.

[5] Ghsemi A,Sousa E S.Collaborative Spectrum Sensing for Opportunistic Assess in a Fading Environment[A].In:Proc.IEEE DYSPAN 2005[C].2005:131-136.

[6]Hammerstrom I,Kuhn M,Wittneben A.Copperative Diver-sity by Relay Phase Rotations in Block Fading Environment.Fifth IEEE Workshop on Signal Process.Advances in Wire-less Communication,2004.

[7] Ghurumuruhan Guanesan,Li Ye.Agility Improvenment through Cooperative Diversity in Cognitive Radio[A].IEEE GLOBECOM[C].2005:2 505-2 509.

[8]Nicholas Laneman J,David N C Tse,Gregory W Wornell.Copperative Diversity in Wireless Networks:Efficient Proto-cols and Outage Behavior[J].IEEE Trans.on Inform.Theory,2004,50:3 062-3 080.

[9] FCC 03-289 [S].

认知无线电检测篇3

关键词：认知无线电,双阶段频谱检测,能量检测,一阶循环平稳特征检测

目前,认知无线电(Cognitive Radio,CR)技术已经被视为一种有效的提高频谱利用率的方法,它通过机会式频谱共享方式使用频谱,解决了当前频谱拥塞和部分频谱利用不足之间的冲突[1,2]。然而,为了避免可能对授权主用户(Primary User,PU)的干扰,CR用户对频谱的接入具有较低优先级。因此,CR用户必须在接入信道之前检测该频谱的可用性。目前,频谱感测技术主要集中在主发射机的频谱检测,并且通常可以被分类为匹配滤波器检测、循环平稳特征检测和能量检测。然而,在上述检测技术在实际应该上有其自身的局限性。更具体地,匹配滤波器技术需要授权用户对频谱使用情况的先验信息;循环平稳特征检测技术具有较高的复杂性;即使能量检测被广泛使用,在低信噪比环境中具有较弱的检测性能。

为满足频谱检测时间和感知灵敏度的要求,CR系统引入了具有两阶段的频谱检测(Two-stage Spectrum Sensing,TSS)技术,在IEEE 802.22无线区域网(Wireless Regional Area Network,WRAN)中,包括粗检测和细检测[3]。目前,两级频谱检测策略已在一些文献中研究。如文献[4]主要研究了两阶段检测方法中最小化频谱检测时间,但是,这两个检测阶段都基于能量检测技术;文献[5]研究的两阶段检测方案基于能量频谱检测和最大最小特征值检测技术。文献[6]重点研究双阶段频谱检测算法在阴影衰落环境中与单阶段频谱检测技术的性能对比分析。文献[7]研究了在噪声不确定环境下,采用能量检测、最大最小特征值检测技术作为双阶段频谱检测方案,以保护授权主用户为出发点研究该检测方案的频谱检测性能;此外,还有研究将两阶段检测技术应用在协作频谱感知算法中[8],该研究方法采用了自适应的双门限检测技术,但检测技术仅考虑单一的能量检测技术。

本文的主要研究工作如下所述。第一,研究一种新的双阶段频谱检测方案,更加专注于检测性能的精确性,在最大程度上避免对授权主用户的干扰。具体地,采用一阶循环平稳检测作为精细检测阶段,适当降低复杂性。第二,两阶段频谱检测算法的性能指标分析,研究所提检测算法的检测性能的准确性,以错误检测概率为指标,分析不同检测算法的可靠性。此外,关注双阶段频谱检测方法的吞吐量性能,以保证CR用户的频谱效率。最后,使用MATLAB软件进行数值仿真,仿真结果显示了双阶段频谱检测算法在可靠性和有效性方面的优越性。

1 系统模型

在认知无线电网络中,频谱感知的检测问题可以采用二元假设问题。因此,频谱检测的目标在以下两个假设之间来决定

式中:T表示所观察到的时间;x(t)是由认知用户CR接收到的信号;s(t)是在授权用户PU的发送信号;h是信道的增益;n(t)是零均值和方差为δ2的加性高斯白噪声(Additive White Gaussian Noise,AWGN)的高斯随机变量;H0表示授权用户不存在;H1表示授权用户在占用信道。

假设整个频谱带宽是由具有相同大小带宽的N组信道构成。双阶段的频谱检测方案如图1所示。假设信道是按顺序进行检测。考虑到授权用户PU在衰落环境下的低功耗,通过第一阶段的能量检测技术很难发现授权用户,它也许会发生漏检。因此,为了避免对授权用户PU的干扰,在第一阶段检测后感知到信道为空闲后将实施第二阶段频谱检测。在这里,精细检测阶段采用一阶循环平稳特征检测算法。

2 一种双阶段频谱检测算法

在本节中,首先分析了目前应用广泛的能量频谱检测方案,由于能量频谱检测技术在低信噪比环境下性能较差,然后在精细检测阶段中采用一阶周期平稳特征检测,并对其频谱检测性能进行了讨论。

2.1 能量频谱检测技术

目前,对授权主用户的频谱检测普遍采用计算复杂度低的能量检测技术。能量检测器输出Y的分布表示如

式中:χ22TW和χ22TW(2γ)分别代表中心的和有条件的自由度为2TW的非中心卡方分布;2γ为后者分布的非中心参数;γ代表瞬时信噪比(Signal Noise Ratio,SNR)。为了简单起见,假设时间带宽乘积TW是一个用m表示的整数。

能量检测技术的检测概率Pd_energy和虚警概率Pf_energy在加性高斯白噪声信道条件下的近似表达式可以分别用式(3)和式(4)表示。检测概率Pd_energy表示授权用户存在,认知用户发现授权用户的概率;虚警概率Pf_energy表示授权用户不存在,认知用户虚报判断授权用户存在的概率

式中:Γ(a,x)为不完全伽马函数,由式Γ(a,x)=∫x∞ta-1e-tdt给出,Γ(a)是完整的伽玛函数;Qm(a,b)是广义马库姆Q函数,由式表示;Im-1(·)作为第一种m-1阶的修正贝塞尔函数;λ表示决定门限阈值。

2.2 一阶循环平稳特征检测算法

根据大多数调制信号的特点,它们的均值和自相关函数呈周期性循环平稳特性。循环平稳信号主要是基于自相关函数,因此,主要利用授权用户信号的平均特性来提高时域上感知信道的效率。

以下分析一阶循环平稳特征检测在AWGN信道的检测性能。考虑一个确定的复合正弦信号s(t),它可以表示为

通过在AWGN信道上s(t)的传输,x(t)=s(t)+n(t)表示所接收的信号。x(t)的平均函数可以写成

对于一个特定的门限阈值λ,在AWGN信道条件下,M(t)包络的累积密度函数在不同的信道空闲H0和信道被占用H1的条件下由式(7)分别给出

式中:δ2表示方差,

在H0条件下,一阶循环平稳特征检测的虚警概率Pf_one-order可被表示为

同样,在H1条件下,一阶循环平稳特征检测的检测概率Pd_one-order在AWGN可以获得为

3 双阶段频谱检测性能指标分析

本节主要研究双阶段频谱检测方案的性能指标。具体地,为了保护授权主用户免受认知用户的干扰,并有效地利用空闲的频谱资源,以下主要分析了错误频谱检测概率和吞吐量两种性能指标,以此来衡量双阶段频谱检测的可靠性和有效性。

3.1 错误检测的概率

根据上述提出的双阶段频谱检测方案的系统模型,双阶段频谱检测算法的虚警概率Pf和检测概率Pd为

错误检测的总概率Perror是其由误检概率和虚警概率组成。Perror由下式给出

3.2 吞吐量分析

为了比较能量检测和一阶周期平稳特征检测两个阶段频谱检测方式的收益,以下研究了两种频谱检测算法的吞吐量性能。具体地,能量检测和一阶周期平稳特征检测的吞吐量C表示为

式中:Ts1和Ts2分别表示能量检测和一阶周期平稳特征检测的频谱感知时间;TP表示帧持续时间;P(H0)和P(H1)分别表示授权主用户的空闲和忙碌状态的概率。

因此,在双阶段频谱检测算法的吞吐量性能指标被表示为

式中:TS由TS1和TS2的双阶段检测的感知时间组成

4 仿真结果与性能分析

在本节中,对所提出的双阶段频谱检测方案的检测性能进行数值仿真评估和分析。为了对授权的主用户提供足够的保护,并获得更多利用频谱的机会,以下仿真研究了判定门限阈值λ1对双阶段频谱检测的错误检测概率的影响。假设时间带宽积为m=5,假设噪声方差δ=1。

图2显示了双阶段频谱检测方案在不同的决策门限阈值下错误检测概率的性能指标比较,其中,判定门限阈值分别被设定为10 d B,15 d B和20 d B。

图2的仿真结果表明,较高的判定门限阈值可以获得较低的错误检测概率。此外,当信噪比超过10 d B时,检测错误概率的性能指标不再受信噪比环境的影响。因此,为了实现双阶段频谱检测较好的可靠性,获得较低的错误检测概率,判决门限阈值需要被设置至少15 d B以上。

此外,为了进一步评估双阶段频谱检测方案与传统的单一阶段的频谱检测技术的性能比较,以下在频谱检测的可靠性和有效性方面进行了对比分析。图3显示了不同频谱检测方法的频谱感知准确度,该判定门限阈值被设定为λ=20,图3分别比较了双阶段频谱检测方案、能量检测和一阶周期平稳特征检测的感知性能。

图3表明较高的信噪比环境下,错误检测概率性能指标较低。此外,在较低信噪比环境下,双阶段频谱检测算法优于能量检测和一阶周期平稳检测算法。从图3还可以看出,当信噪比大于12 d B时,3种频谱检测方案的错误检测概率非常低。因此,相对于能量检测技术,双阶段频谱检测方式在低信噪比环境上性能优越更为明显。

图4显示出了不同信噪比环境下3个频谱检测方案的收益性能对比。假设能量检测技术和一阶循环平稳特征检测的频谱检测时间分别为T1=2 ms,T2=18 ms。此外,假设授权用户空闲和忙碌的概率分别为P(H0)=0.7,P(H1)=0.3。

如图4所示,当信噪比小于10 d B时,双阶段频谱检测TSS方案优于能量检测或一阶循环平稳特征检测算法,即在较低信噪比环境下,所研究的双阶段频谱检测算法能获得较高的收益。此外,当信噪比超过12 d B以上,3种频谱检测方案获得归一化的吞吐量性能指标为0.72。图3和图4的仿真结果表明,双阶段频谱检测方案不仅获得较低的错误检测概率,而且还具有良好的吞吐量性能。

5 小结

本文提出了一个双阶段的频谱检测方案,以满足认知无线电网络对频谱检测的精度要求。具体地,所提出的双阶段频谱检测方法结合了应用广泛的能量检测技术和复杂低的一阶循环平稳特征检测算法。仿真结果表明,相比传统的单一阶段的频谱检测方案,该方案不仅可以通过错误检测概率性能指标保证了可靠的检测,而且还具有良好的吞吐量性能。一方面,双阶段频谱检测算法较低的错误检测概率可避免对主用户的干扰很大。另一方面,双阶段频谱检测算法在吞吐量性能可以获得更高的收益。

参考文献

[1]Federal Communications Commission.Rep.ET docket no.02 -135,spectrum policy task force[S].2002.

[2]HAYKIN S.Cognitive radio:brain-empowered wireless communications[J].IEEE journal selected on areas communications,2005,23(2):201-220.

[3]BENKO J,CHEONG Y C,CORDEIRO C.IEEE 802.22-06/0004r1,A PHY/MAC proposal for IEEE 802.22 WRANsystems part 1:the PHY[S].2006.

[4]ARIF W,HOQUE S,SEN D,et al.Sensing time minimization using pipelining in two stage spectrum sensing[C]//International Conference on Signal Processing and Integrated Networks.[S.l]:IEEE,2015:359-365.

[5]SUWANBORIBOON S,LEE W.A novel two-stage spectrum sensing for cognitive radio system[C]//International Symposium on Communications and Information Technologies.[S.l]:IEEE,2013:176-181.

[6]DINDOM T,SRISOMBOON K,LEE W.Performance evaluation of single-stage and two-stage spectrum sensing techniques for cooperative cognitive radio systems under shadowing environments[C]//International Conference on Electrical Engineering/electronics,Computer,Telecommunications and Information Technology.[S.l]:IEEE,2015:1-6.

[7]SRISOMBOON K,PRAYOTE A,LEE W.Two-stage spectrum sensing for cognitive radio under noise uncertainty[C]//Eighth International Conference on Mobile Computing and Ubiquitous NETWORKING.[S.l]:IEEE,2015:19-24.

认知无线电检测篇4

认知无线电是一种智能频谱共享技术,它可以不间断地对周围的用频环境进行感知,分析、理解和判断环境信息,然后据此自动调整其通信参数( 如工作频率或调制方式等) 以适应环境的变化[1,2]。

跳频通信是一种低截获概率技术,具有良好的抗干扰性能和安全保密性能,被大范围运用在军事通信中,给通信对抗方带来了严峻的挑战,因此对跳频信号的侦察截获进行研究,寻找对跳频通信信号进行检测的方法,具有重大的意义[3]。

1 算法原理

1. 1 信号检测

实际通信环境中,电磁环境非常复杂,定频信号、噪声信号、干扰信号以及各种突发信号相互交织,跳频信号的检测因而变得非常困难[4]。这里采用的算法首先通过频谱对消去除定频信号等在整段数据中始终存在的信号,然后再进行跳频信号检测。

1. 1. 1 定频干扰的频谱对消处理

首先将接收到的数据分成Q段,每段的长度为M点,然后分别对每一段数据进行傅里叶变换,再将Q段数据各自的FFT结果点对点相加,并除以Q求平均值,得到该段信号的平均频谱[5,6]。

定频信号在接收数据的整个时间段内都是始终存在的,且在整段数据内其功率是缓慢变化的,所以定频信号在每段M点长的数据中的频谱与整段数据的平均频谱几乎是一样的。

而对于跳频信号,若假设其在接收数据的整个时间段内共出现了m次,则对于所有的分段数据来说,在一段含有该跳频信号的数据频谱中将包含跳频信号的幅频响应,而在一段不含该跳频信号的数据频谱中将不包含跳频信号的幅频响应,所以,若分别对Q段数据进行傅里叶变换,然后再通过求取它们的平均值得到的频谱中,跳频信号的幅度将变为其实际幅度的m/Q ,通常又有m < < Q ,从而很大程度上降低了该跳频信号在平均频谱中的功率。

综上所述,如果使每段数据的频谱都减去整段数据的平均频谱,然后再做傅里叶反变换,则可以将原来定频信号的干扰对消除去了,在求得的时域数据中,跳频信号的功率减少得并不多,这就是定频干扰的频谱对消处理。

1. 1. 2 跳频信号检测

首先进行频谱对消处理,并对处理后的数据进行N点FFT运算,然后对运算结果进行过基本门限检测,该基本门限是指认为检测到信号的一个较低的单根谱线的幅度,该门限应高于噪声基底电平,是软件可控的[7]。

若存在超过该基本门限的信号,则对该信号进行带宽和功率的测量。带宽测量是指对信号的带宽进行粗测,这里采用的是超过基本门限的单根谱线的位置中最大值到最小值的差乘以FFT的频率分辨率来求带宽的;功率测量时可将带宽内信号谱线的幅度累加,乘以频率间隔,作为信号功率。

再应用所测量的带宽,查找信号应达到的功率门限,该功率门限可由侦察分析结果归纳,由软件设置,硬件存储,可用查表法进行比较。若所测量的功率超过该功率门限,则认为检测到信号; 否则,认为没有检测到信号。

1. 2 信号驻留时间估计

1. 2. 1 短时傅里叶变换[8]

由于截取的信号中可能含有不止一跳数据,所以首先对其采用短时傅里叶变换( STFT) 来进行时频分析来找到某个频点的一跳数据。

用一个以t为中心、持续时间很短的窗函数η*( t' - t) 与信号z( t') 滑动相乘后进行傅里叶变换,可以得到信号z( t') 在窗函数的中心时间点t处的短时傅里叶变换,如下所示:

为了消除边缘效应的影响,滑动窗的2 次相邻滑动之间应该存在一些重叠的点,通常为进行傅里叶变换的点数的二分之一。

1. 2. 2 校时算法

时域校时是信号驻留时间估计的关键,一般情况下,经常通过求斜率然后计算其拐点的方法进行校时,具体实现方法如下所述:

首先对至少包含跳频信号的一跳时长数据的信号滤波,得到其时域包络,并对包络积分。然后分别求积分后的信号对其起始点和终止点的斜率,然后分别寻找两次处理结果的最大值,这2 个最大值对应的时间点分别称为包络的左右拐点,也就是跳频信号一跳数据的精确起跳时刻和终止时刻[9]。

1. 2. 3 补零法则

然而在低信噪比下,信号包络不是很平滑,使得校时结果存在较大的误差。为此,采用前后补零的方法来延长数据的长度,可以精确定位出拐点的位置,这就需要用到补零法则。

补零法则的范围计算公式如下[10]:

计算左拐点时:

计算右拐点时:

式中,0 ≤ x ≤ 1 表示校时时可能存在的不同情况,p ( p ≠ 1 ) 为占空比,N为一跳数据的点数,如图1所示,可以通过分别在当前数据的首尾补充一定个数的零点来准确求得图中所标示的拐点位置。

这里选择的补零长度与数据长度相等,求起始点时右侧补零对终止点求斜率选择斜率最大处为拐点也即起始点Dstart ,求终止点时左侧补零对起始点求斜率选择斜率最大处为拐点也即终止点Dover 。

1. 3 信号信噪比估计

1. 3. 1 估计信号带宽

若要估计信号的信噪比,首先要估计其频带宽度。也就是要估计信号功率谱的起始频点和终止频点,从数学建模意义上来说,这仍是一种求拐点的问题,不同的地方仅是将时域波形变成了频域表示,所以仍可以考虑采用上节提供的校时算法来求信号功率分布函数中的拐点,从而可以精确估计信号的带宽[8]。估计流程如下:

① 首先估计功率谱P( f) ,这里采用了Welch修正平均周期图法;

② 然后求功率谱密度的积分以求得功率分布函数R( f) ;

③ 通过补零法则和校时算法,计算功率分布函数的拐点;

④ 由2 个拐点计算信号带宽两端频率位置序号NH和NL,则信号带宽为: Bs= ( NH- NL) ·ΔF 。式中,ΔF为谱线分辨率,即 ΔF = fs/ N 。

1. 3. 2 估计信号信噪比

假设进入接收机的加噪信号为y( t) :

式中,s( t) 表示信号,假设其功率为S ; n( t) 为高斯白噪声,假设其功率为N 。

由上节信号带宽估计结果可知,信号功率谱分布于NH和NL之间,则对位于该频段内的功率谱幅值累加可求得加噪信号的平均功率谱[11,12],即:

式中,Y( f) 表示加噪信号的功率谱。

设FFT点数为2 NFFT,则根据接收带宽内信号频带以外的功率谱可以估算出噪声的平均功率谱,即:

从而信噪比估计值为:

2认知无线电信号检测和多维特征参数提取

认知无线电跳频信号检测和多维特征参数提取的流程图如图2 所示。

首先进行信号检测。若是未检测到信号则继续向后截取N点数据进行重新检测,直到检测到信号或者接收数据消失。若已经检测到信号,则从检测点处向前N个点处截取一段数据data ,截取的数据长度可由经验跳速( 经验下的最低跳速) 结合采样频率估计的一跳内的采样点数N1 来确定,一般截取N1 的1. 25 倍长度的数据,其中经验跳速应该小于实际的跳速才能保证至少完整的截取一跳信号data 。

然后估计信号驻留时间。对data进行短时傅里叶变换,截取出某一频率对应的一个时间切片,如果频率分辨率足够,则在该时间切片上将只有该频率对应的频谱,或者有其他频率对应的频谱但是幅值很小,即截取的是在该时间切片对应的时刻存在的一跳数据的频谱[10]。然后针对这一频谱利用校时算法和补零法则估计频谱的起始点Dstart1 和终止点Dover1 ,并结合短时傅里叶变换的分析窗窗长变换到时域信号data中该跳信号的起始点Tstart1和终止点Tover1。根据Tstart1和Tover1从原始采样数据data中粗略截取一跳数据Edata 。接着对截取的时域数据Edata利用校时算法和补零法则精确估计信号的起始和终止时刻Tstart和Tover;从而信号驻留时间T = Tover- Tstart。

然后根据精确估计的从Edata中精确的截取一跳数据Rdata ,进行信号带宽估计,然后利用信号带宽信息根据式( 10) 进行信噪比估计。

3 仿真实验

针对调制样式为FM、FSK和MSK的跳频仿真信号进行了仿真实验。

在Matlab仿真信号设置采样频率为704 MHz,驻留时间为0. 001 s时,对于FM信号该算法求得的一跳内的采样点数误差小于3 个点,从而驻留时间估计误差小于( 4. 261 4 × 10- 9) s; 而对于FSK信号该算法求得的一跳内的采样点数误差小于30 个点,从而驻留时间估计误差小于( 4. 261 4 × 10- 8) s。

在Matlab仿真信号设置采样频率为240 MHz,驻留时间为0. 001 s时,对于MSK定频信号该算法求得的一跳内的采样点数误差小于3 个点,从而驻留时间估计误差小于( 1. 25 × 10- 8) s。同时由仿真实验可知,信噪比的估计误差小于3 d B。

4 电台实验

数据长度为10 M点,采样频率为12. 5 MHz,信号驻留时间为0. 001 5 s,信噪比为45 d B。经蒙特卡罗仿真实验统计出信号检测正确率达99% 。

驻留时间估计的结果如图3 和图4 所示,其中图3 为根据Tstart( 估计的一跳数据的起始位置) 截取的数据与源数据的位置对照,表明估计起始点的精度较高。

图4 为根据Tover( 估计的一跳数据的终止位置) 截取的数据与源数据的位置对照,表明估计终止点的精度也较高。

根据起始位置和终止位置Tstart和Tover计算一跳数据内的点数L为192 36,并结合采样频率计算一跳的驻留时间T为0. 001 500 24 s,得出驻留时间估计误差为2. 4 × 10- 7。根据截取的数据估计的信号的信噪比为Rsn = 41. 998 5 d B,误差为3. 001 5 d B。

5 结束语

针对调制样式为FM、FSK和MSK的跳频模拟仿真信号和实际电台信号,进行信号检测和时频参数测量,其中时频参数包括驻留时间和SNR。要求信噪比大于等于12 d B,信号类型为FM、FSK和MSK。仿真实验和电台实验显示信号驻留时间估计误差的数量级在驻留时间为毫秒量级时为10- 7; 信噪比估计误差为3 d B。

摘要：侦察截获是电子攻击的前提。针对认知无线电系统中的新型跳频信号,为了实现对目标信号的快速侦察截获,研究快速准确的信号检测和参数测量方法成为必要。根据认知电台的信号特征,采用宽开接收和数字信道化接收体制,所有信道同时采用功率谱附加能量检测的方法检测信号的有无。然后利用短时傅里叶变换、校时算法、补零法则和Welch修正平均周期图等处理方法提取信号特征参数。最后针对仿真信号和实际电台信号进行了无线电信号检测和多维特征参数提取的仿真实验,信号驻留时间估计误差的数量级在驻留时间为毫秒量级时为10-7;信噪比估计误差为3 d B。

关键词：认知无线电,信号检测,特征参数提取

参考文献

[1]熊俊俏.STFT算法在短波差分跳频信号检测中的应用[J].电讯技术,2010(8):52-56.

[2]齐昶,王斌,颜羡卿.短波环境下跳频信号检测[J].雷达科学技术,2011(4):335-340.

[3]张珊,吴瑛,陈秋华.短波新倒下跳频信号检测[J].计算机应用与软件,2011(2):211-214.

[4]钱怡,武传华.跳频信号检测和参数估计技术研究[J].空间电子技术,2007(02):14-18.

[5]冯文江,郭瑜,胡志远.认知无线电中的频谱感知技术[J].重庆大学学报,2007(11):46-49.

[6]方志,贾峰.复杂电磁环境下跳频信号检测及拼接算法[J].无线电工程,2010,40(8):13-15.

[7]张建立,张海瑛.跳频信号侦听技术和实现方法[J].无线电通信技术,1998,24(1):1-2.

[8]张海瑛,袁超伟.一种实用的通信信号信噪比盲估计方法[J].无线电通信技术,2007,33(2):49-51.

[9]司春丽,刘娟,认知无线电中的频谱感知技术研究与应用[J].清远职业技术学院学报,2010(6):49-51.

[10]陈超,徐长纯,王玥,梁保卫.一种改进的信噪比估计算法[J].无线电工程,2012,42(2):62-64.

[11]徐健,吴占分.影响跳频信号截获概率的因素分析[J].无线电通信技术,2007,33(1):38-39.

认知无线电检测篇5

近年来,随着无线电技术在移动通信、电视、广播、卫星通信以及一些其他领域的广泛应用,频谱资源已经成为了一项稀缺资源。与此同时,由于固定的频谱分配政策,频谱利用率并不高,一些频谱资源被浪费了。根据美国联邦通信委员会(FCC)的报告,授权频段的频谱利用率在15%～85%之间[1]。因此,认知无线电被提出以解决这个问题,并提高对空闲频谱的利用率。认知无线电的关键思想就是在授权用户不使用频谱时,可以让认知用户(未授权用户)机会的接入该频谱,从而使认知无线电系统最大化地利用空闲频谱。

认知无线电系统可以解决频谱资源短缺的问题,然而,一个问题是认知用户不能对授权用户造成干扰。也就是说,认知用户必须感知所使用的频谱以确保授权用户不在使用它。当授权用户使用该频谱时,认知用户必须快速检测到并转移至其它频段。因此我们可以看到,认知用户应该具有频谱感知的能力,这是认知无线电的一项关键技术,也是接下来频谱分析和决策的基础。

总的来说,本地频谱感知有以下几种方法:匹配滤波器法、循环谱检测法和能量检测法[2]。匹配滤波器检测需要授权用户的先验信息,循环谱检测需要很大的计算量并且它的检测时间略长,而能量检测由于它的易于实现和良好的通用性而被广泛利用。对于能量检测来说,认知用户只需要利用一个带宽为W采样时间为T的带通滤波器来计算接收信号的能量。然而,当信道条件较差并且噪声功率变化时,能量检测的性能会严重降低。

为了解决由于衰落信道对本地能量检测性能的不利影响,协作频谱感知被提出来,它是利用若干认知用户的检测结果,依据某种准则,做出一个全局判决。这种方法降低了单个认知用户检测结果的影响,目的是在整个认知网络中达到最好的检测性能。

首先为CR中的协作频谱感知建立了一个基于簇的网络模型。还提出了“簇内检测”和“簇间检测”并给出了具体的流程。此外,为了提高本地频谱检测的性能,还对自适应双门限检测进行了分析和研究。与此同时,针对所提出的网络模型,还对其信息的量化方式和融合准则进行了研究。最后,通过仿真验证了这个CR网络模型的检测性能。

1 协作频谱感知网络模型

基于簇的频谱感知在文献[4,5]中已经被提出,在本文中,基于簇的协作频谱检测网络模型如图1所示。首先,若干认知用户(可能是地理位置较近的)由某种准则组成一个簇,而所有的簇共同构成整个网络。在每个簇中,我们可以选择一个簇头节点,这些簇头节点进行通信并得出全局判决结果。

事实上,基于簇的网络模型对于认知网络的路由选择也是有益处的。此外,它还可以充分地利用信道资源。这里,我们并不考虑簇是如何组成的,也不考虑簇头节点是如何选择和轮换的。我们只关心“簇内检测”和“簇间检测”的性能。因此,接下来,首先讨论整个协作频谱感知的流程。

整个检测流程可以分为两个部分:簇内检测和簇间检测。假设有N个认知用户,被分为M个簇。每一个簇有Nj个认知用户,其中,j=1,2,…,M。

1.1 簇内检测

在这个部分,同一个簇内的认知用户进行协作检测,并产生一个判决结果Cj来代表第j个簇,具体的步骤如下所示:

第一步:同一个簇内的认知用户利用双自适应门限能量检测法进行本地频谱检测,得到初始判决或者量化信息。

第二步:具有高信噪比的认知用户,向低信噪比的认知用户发送辅助信息。

第三步:认知用户将自己得到的初始信息与其它用户发送的辅助信息相结合,得到本地最终的判决结果Bjk, k=1,2,…,Nj。

第四步:所有的认知用户将它们的最终本地判决结果发送至簇头节点,得到簇判决Cj。

1.2 簇间检测

在这个部分,只有簇头节点间进行通信。考虑到不同国家的政策,基于簇的网络模型并没有设立一个判决中心。而无中心的自组织网络更加受欢迎,更有吸引力。因此这里我们也采用这种方式,让簇头节点通过结合自身和收到的簇判决信息,自己做出最终的判决。

总体上,整个协作频谱检测的流程已经列出,流程图如图2所示。

2 理论分析

首先,认知用户利用双自适应门限法进行本地频谱检测,许多文献已经证明,这比传统的能量检测和固定门限的能量检测效果更好。在本文中,双自适应门限的形式如图3所示。

λ $_{j k}^{L}$ 是低自适应门限,λ $_{j k}^{Η}$ 是高自适应门限,j=1,2,...,M是簇的标号,k=1,2,...,Nj是第j个簇内认知用户的标号。 $λ_{j k}^{0} = \underset{λ_{j k}}{\arg} \min (Ρ_{e})$ 是最优门限值,它可以使错误概率Pe最小化,它由公式(1)定义[6]:

$\begin{array}{l} Ρ_{e} = Ρ (Η_{0}) Ρ_{f a} + Ρ (Η_{1}) (1 - Ρ_{d}) = \\ Ρ (Η_{0}) Ρ {Y_{j k} \geq λ_{j k}^{0} | Η_{0}} + Ρ (Η_{1}) * Ρ {Y_{j k} \leq λ_{j k}^{0} | Η_{1}} = \\ Ρ (Η_{0}) \frac{Γ (u, λ_{j k}^{0} / 2)}{Γ (u)} + Ρ (Η_{1}) [1 - Q_{u} (\sqrt{2 γ_{j k}}, \sqrt{λ_{j k}^{0}})] (1) \end{array}$

${\begin{matrix} λ_{j k}^{L} = λ_{j k}^{0} - Δ \\ λ_{j k}^{Η} = λ_{j k}^{0} + Δ \end{matrix}$

(2)

P(H0)和P(H1)分别是授权用户不出现和出现的先验概率,Γ(a)是伽马函数,Γ(a,b)是不完全伽马函数,Γ(a,b)是广义Marcum Q函数,u=TW是带宽时延积,Δ门限常数,通常依赖于SNR γjk。因此,初始判决准则由式(3)给出,Ajk是第j个簇中,第k个认知用户的初始判决,ωjk则是量化信息。

${\begin{matrix} A_{j k} = 1, & i f & Y_{j k} \geq λ_{j k}^{Η} \\ A_{j k} = 0, & i f & Y_{j k} \leq λ_{j k}^{L} \\ A_{j k} = ω_{j k}, & i f & o t h e r w i s e \end{matrix}$

(3)

接下来我们在双门限间进行q-bit量化,这样我们能够得到l=2q个区间,本文中,令q=2,因此,区间划分由式(4)给出。

${\begin{matrix} Δ_{j k}^{1} = 2 d = [λ_{j k}^{L}, λ_{j k}^{L} + 2 d) \\ Δ_{j k}^{2} = d = [λ_{j k}^{0} - d, λ_{j k}^{0}) \\ Δ_{j k}^{3} = d = [λ_{j k}^{0}, λ_{j k}^{0} + d) \\ Δ_{j k}^{4} = 2 d = [λ_{j k}^{0} + d, λ_{j k}^{Η}) \end{matrix}$

(4)

根据极大似然准则[3],我们可以计算量化信息:

$ω_{0} = \lg \frac{Ρ (Η_{1})}{Ρ (Η_{0})}$ (4)

$\begin{array}{l} ω_{j k}^{t} = \lg \frac{Ρ (Y_{j k} \in Δ_{j k}^{t} | Η_{1})}{Ρ (Y_{j k} \in Δ_{j k}^{t} | Η_{0})} = \\ \lg \frac{Ρ (Δ_{j k}^{t L} \leq Y_{j k} \leq Δ_{j k}^{t Η} | Η_{1})}{Ρ (Δ_{j k}^{t L} \leq Y_{j k} \leq Δ_{j k}^{t Η} | Η_{0})} = \\ \lg \frac{Q (\sqrt{2 γ_{j k}}, \sqrt{Δ_{j k}^{t L}}) - Q (\sqrt{2 γ_{j k}}, \sqrt{Δ_{j k}^{t Η}})}{Γ (u, \frac{Δ_{j k}^{t L}}{2}) / Γ (u) - Γ (u, \frac{Δ_{j k}^{t Η}}{2}) / Γ (u)} (5) \end{array}$

$\begin{array}{l} ω_{j k}^{b} = \lg \frac{Ρ (Y_{j k} = b | Η_{1})}{Ρ (Y_{j k} = b | Η_{0})} = \\ {\begin{matrix} \lg \frac{Ρ (Y_{j k} \geq λ_{j k}^{Η} | Η_{1})}{Ρ (Y_{j k} \geq λ_{j k}^{Η} | Η_{0})} & i f & b = 1 \\ \lg \frac{Ρ (Y_{j k} \leq λ_{j k}^{L} | Η_{1})}{Ρ (Y_{j k} \leq λ_{j k}^{L} | Η_{0})} & i f & b = 0 \end{matrix} = \\ {\begin{matrix} \lg \frac{Q (\sqrt{2 γ_{j k}}, \sqrt{λ_{j k}^{Η}})}{Γ (u, \frac{λ_{j k}^{Η}}{2}) / Γ (u)} & i f & b = 1 \\ \lg \frac{1 - Q (\sqrt{2 γ_{j k}}, \sqrt{λ_{j k}^{L}})}{1 - Γ (u, \frac{λ_{j k}^{L}}{2}) / Γ (u)} & i f & b = 0 \end{matrix} (6) \end{array}$

本地最终判决准则为:

${\begin{matrix} B_{j k} = 1, & i f & ω_{0} + \sum_{t = 1}^{4} \sum_{k = 1}^{Ν_{j}} ω_{j k}^{t} + \sum_{b = 0}^{1} \sum_{k = 1}^{Ν_{j}} ω_{j k}^{b} \geq 0 \\ B_{j k} = 0, & i f & ω_{0} + \sum_{t = 1}^{4} \sum_{k = 1}^{Ν_{j}} ω_{j k}^{t} + \sum_{b = 0}^{1} \sum_{k = 1}^{Ν_{j}} ω_{j k}^{b} < 0 \end{matrix}$

(7)

簇判决的准则是:

${\begin{matrix} C_{j} = 1, i f & \sum_{k = 1}^{Ν_{j}} B_{j k} \geq Ν_{j} / 2 \\ C_{j} = 0, i f & \sum_{k = 1}^{Ν_{j}} B_{j k} < Ν_{j} / 2 \end{matrix}$

(8)

最后,整个网络的判决准则由式(9)给出:

${\begin{cases} D = 1, i f \sum_{j = 1}^{Μ} C_{j} \geq Μ / 2 \\ D = 0, i f \sum_{j = 1}^{Μ} C_{j} < Μ / 2 \end{cases}$

(9)

3 仿真结果

在这一节中,我们将在Matlab平台下进行仿真,来验证本文中提出方案的性能。首先,我们假设有4个簇,每个簇有6个认知用户,先验概率P(H0)=P(H1)=0.5。在簇A中,前5个认知用户的SNR是-4.9 dB,-2.1 dB,1.2 dB,4.1 dB,6.8 dB,最后一个认知用户的SNR由-2到8 dB间变化。在其它的簇中,认知用户的SNR从-2到8 dB间随机选取。

图4表示的是最优门限值λ $_{j k}^{0}$ 和SNR之间的关系,从中我们可以看出,对于不同的SNR,我们总能够通过某种搜索算法,找到最优的门限值。

图5 给出了本地频谱检测的性能。在这里,我们针对单自适应门限和双自适应门限以及是否利用辅助信息进行了对比。从仿真结果中可以看出,当SNR较低时,双自适应门限比单自适应门限性能好,利用辅助信息比不利用辅助信息性能好。当SNR足够高时,是否利用辅助信息,对于检测性能影响较小,都有很好的表现。

图6给出了协作频谱检测的性能表现。通常,协作检测的方式有“或”准则、“与”准则等等,因此,这里我们把本文中基于簇的方案,与这些准则进行对比。结果表明,我们的方案的检测性能优于那几种准则,尤其是在低信噪比的时候。

4 结论

把基于簇的网络模型应用于认知无线电系统的协作频谱检测中。首先,为了充分利用信道资源,我们让同一个簇中,高信噪比的认知用户向低信噪比的认知用户发送经过量化的辅助信息。通过仿真结果我们可以看出,这种方式的本地频谱检测能得到更好的性能。

接下来,我们让认知用户向簇头节点报告,并做出簇判决。最后,簇头节点间进行通信,并为协作频谱检测做出全局判决。仿真结果证明,利用这种方法,认知网络能够获得更好的检测性能。

摘要：认知无线电(CR)被提出来是为了解决频谱资源短缺和低频谱利用率的问题。它允许认知用户在授权用户空闲的时候机会地接入未占用的频谱。因此,快速而又准确地检测授权用户信号是认知无线电系统的基础。为了提高认知无线电网络协作频谱检测的性能,利用了最优化的本地频谱检测,并结合了基于簇的网络模型。首先,将认知用户分为若干个簇,并选出簇头节点。在同一个簇中的认知用户,共同做出一个簇判决。之后,各个簇头节点进行通信做出全局判决。此外,信噪比(SNR)高的认知用户,向信噪比低的认知用户发送辅助信息,以帮助它们利用自适应双门限法,更加准确地完成本地频谱检测。通过仿真可以发现,本地频谱检测和全局频谱检测的性能都得到了提高。

关键词：认知无线电,协作频谱检测,双自适应门限,簇,辅助信息

参考文献

[1] FCC. Notice of proposed rule making and order. ET Docket No 03-222, 2003

[2] Sahai A, Hoven N, Tandra R. Some fundamental limits in cognitive radio, allerton conf. on commun. Control and computing, 2004: 1—3

[3] Chair Z, Varshney P K. Optimal data fusion in multiple sensordetection systems. IEEE Trans Aerospace lectron Syst, Jan.22 1986;98—101

[4] Jookwan L, Youngmin K, Sunghwan S, et al. Weighted-cooperative spectrum sensing scheme using clustering in cognitive radio systems. In: Proc International Conference on Advanced Communication Technology, ICACT’08, Gangwon-Do, South Korea, Feb 2008;1: 786—790

[5] Sun Chunhua, Zhang Wei, Letaief B. Cluster-based cooperative spectrum sensing in cognitive radio systems. In: Proc IEEE International Conference on Communications, ICC’07, Glasgow, UK, June 2007:2511—2515

认知无线电检测篇6

认知无线电系统能检测到主用户的空闲频段并利用该空闲频段进行通信, 从而能提高频谱资源的利用率[1]。由于主用户拥有对该频谱资源的优先使用权, 因此, 认知无线电系统的目标是在满足对主用户保护的前提下, 尽可能的提高认知用户的吞吐量, 从而尽可能的提高频谱资源的利用率。

频谱检测是认知无线电系统的关键技术。频谱检测越准确, 认知用户就能更好的检测到出空闲频段, 从而提高频谱利用率。提高频谱检测准确性可以通过增加频谱检测时间实现, 但增加频谱检测时间会减少认知用户用于数据传输的时间。因此, 在周期性的频谱检测中, 检测时长和传输时长的折中越来越受到关注。

文献[2-4]研究了单信道下的检测时长和传输时长的折中问题。文献[2]首先研究了认知无线电系统中检测时长和传输时长折中的问题, 研究结果表明可以求得一个最佳的检测时间使得认知用户的吞吐量最大。文献[3]研究了时变信道下的频谱检测与数据传输方案设计, 认知用户根据信道状态的变化制定相应的检测策略, 在满足对主用户保护的条件下最大化用户的吞吐量。文献[4]研究了协作式频谱检测时长与传输时长折中的问题, 在满足一定的检测概率的条件下求解最优的检测时长。

文献[5-7]研究了在多信道下的检测-传输方案的优化问题。文献[5]研究了在多个可用信道情况下怎样选择最合适的信道并得到最优检测时长, 从而最大化认知用户吞吐量。文献[6]利用了信道的信道状态信息 (Channel State Information, CSI) 来选择检测信道以及最优检测时长。文献[7]中, 认知用户能在一个时隙内检测多个信道, 直到获得空闲信道, 然后停止检测, 开始数据传输。

以上的研究并没有考虑到认知用户可以利用多个空闲的信道同时通信, 以提高认知用户的吞吐量。认知用户可以采用信道聚合的方式同时在多个空闲信道上通信[8,9]。为此, 本文研究了在多个可用信道存在的条件下, 怎样设计最优的检测-传输方案, 以最大化认知用户的吞吐量。本文分别设计了CSI不可获取和CSI可获取情况下的最优检测-传输方案设计。在CSI不可获取时, 认知用户需要在每一时隙开始时, 就决定检测信道以及相应的检测时长。而在CSI可获取情况下, 在每个信道检测完成之后, 认知用户可以根据已知的检测结果以及CSI来调整接下来的检测-传输策略。

1 系统模型

考虑一个认知用户有M个可用信道[1, ⋯, i, ⋯, M], 认知用户的时隙结构如图1所示。

认知用户时隙长为Tf, 在每时隙开始时, 认知用户可以从M个信道中, 选择N个信道进行频谱检测, 检测时长分别为[T1, ⋯, Ti, ⋯, TN], 且各信道带宽均为W。同时由于用户环境以及硬件条件的限制, 设定认知用户在每一时隙的检测信道数N≤Nmax, Nmax为一常数。在每一时隙, 信道i (1≤i≤M) 空闲 (即没被主用户占用) 的概率为θi, 且各时隙之间以及各信道之间也是相互独立的, 为不失一般性, M个可用信道的空闲概率满足θ1≥θ2≥⋯≥θM。与文献[7]类似, 设定信道的信噪比 (Signal-to-Noise Ratio, SNR) γ在各信道以及各时隙独立同分布, 且概率密度函数 (Probability Density Function, PDF) 为h (γ) 。在每一时隙, 各信道的γ是固定的, 然后在下一时隙的开始会根据h (γ) 变化。本文中, 信道建模为瑞利衰落信道, 则:

式中Γ为常数。

在频谱检测完成后, 认知用户会对多个可用的空闲信道进行信道聚合 (Channel Aggregation, CA) , 从而在多个可用信道上进行数据传输。认知用户的吞吐量为多个空闲信道的吞吐量之和。值得注意的是, 由于对多个空闲信道进行了信道聚合, 因此在任何一个信道上的频谱检测中发生漏检, 都会造成数据传输的冲突, 从而认知用户在该时隙的吞吐量为0。

认知用户的优化目标为怎样选择检测信道以及设定各信道的检测时长, 从而最大化认知用户的吞吐量。

2 检测-传输方案设计

基于上一节的系统模型和优化目标, 本节对最优的检测-传输方案进行建模和求解。在认知无线电的频谱检测算法中, 能量检测算法不需要主用户信号的先验信息, 且该算法复杂度低, 简单易行, 在认知无线电的频谱检测中被广泛使用。因此本文的检测-传输方案研究也同样基于能量检测。能量检测算法的虚警概率Pf可以表示为:

式中:Q (⋅) 是高斯Q函数;fs是能量检测算法的采样频率;γp是认知用户所接收到的主用户信号的SNR, Pd是检测概率;Ts是检测时长。为了保护主用户系统, 能量检测算法的检测概率必须满足, 其中为系统设定的检测概率门限。因此, 本文中检测概率设定为

本节首先研究在CSI不能获取的情况下, 怎样设计最优的检测-传输策略。然后, 在CSI可获取的情况下, 设计自适应的检测-传输方案, 以提高认知用户的吞吐量。

2.1 固定检测时长方案

在第一种检测-传输方案设计中, 假定各信道的检测时间相同, 即T1=T2=⋯=TN=Ts。在每一时隙开始时, 认知用户需要决定选择哪些主用户信道进行检测。对于认知用户而言, γ在各信道以及各时隙独立同分布, 因此如果检测信道个数为N, 则最优的检测信道集合为选择空闲概率最大的N个信道:[1, ⋯, i, ⋯, N], 1≤N≤Nmax。在频谱检测完成之后, 认知用户会同时使用多个空闲的信道进行通信。认知用户的吞吐量为多个空闲信道的吞吐量之和。此外, 由于在任一信道的频谱检测中发生漏检错误都会造成数据传输的冲突, 因此, 可以得到认知用户在信道i上获得的吞吐量期望值为:

式中是在其余检测信道上不会出现漏检的概率。

在检测信道数为N的情况下, 最大化吞吐量的检测-传输方案可建模为:

求解上式, 可以得到在检测信道数为N的情况下的最优检测时长T (N) s, 以及相应的最大吞吐量R (N) max。由于N可以在1到Nmax中选择, 则可以求出不同检测信道数对应的最大吞吐量, 以及相应的最优检测时长。最后可以求得最优的检测信道数为:

相应的最优检测时长和检测概率。这样就求得了固定检测时长下的最优检测-传输方案, 其可获得的最优吞吐量记为

2.2 可变检测时长方案

上一小节考虑了各信道检测时长相同情况下的最优方案设计, 在该条件下, 各信道上的虚警概率Pf是相同的。而实际上, 由于在每一时隙中, 各信道的空闲概率是不同的, 因此, 相同的虚警概率会对造成不同的吞吐量损失, 空闲概率θi越大, 则损失的传输机会就越多, 因此, 适当的调整检测时长的分配, 增大在空闲概率高的信道i上的检测时长Ti, 可以减小该信道上的虚警概率Pf (i) , 从而提高认知用户的吞吐量。

与上一小节类似, 在检测信道数为N时, 最优的检测信道集合为选择空闲概率最大的N个信道[1, ⋯, i, ⋯, N], 其中1≤N≤Nmax。定义各信道的检测时长向量为Ts (N) =[T1, ⋯, Ti, ⋯, TN], 与式 (3) 相似, 可得到认知用户在信道i上获得的吞吐量期望值为:

从而在检测信道数为N的情况下, 可变检测时长下的检测-传输方案可建模为:

通过求解上式, 可以得到最优的Ts (N) *=[T1*, ⋯, Ti*, ⋯, TN*], 最优检测概率Pd (N) *, 以及相应的最大吞吐量Rmax (N) 。可变检测时长下的最优检测-传输方案其吞吐量会优于固定检测时长条件下所获得的吞吐量, 只有当θ1=⋯=θi=⋯=θN时, 即各信道空闲概率相同时, 可变检测时长下的最优检测-传输方案中, 会得到T1*=⋯=Ti*=⋯=TN*, 从而等同于固定检测时长下的最优检测-传输方案。

与求解固定时长最优检测方案类似, 通过式 (5) , 可求得最优的检测信道数, 并求得相应的最优检测时长向量和最优检测概率。这样便获得了可变检测时长下的最优检测-传输方案, 并可计算出对应的最优吞吐量

2.3 自适应检测-传输方案

之前的两种检测-传输方案都是在每一时隙开始前就已经确定了所要检测的信道以及相应的检测时长。而实际上, 由于检测结果以及信道状态的不确定, 这种方式并不能达到最优。如果在每一个信道检测完成之后, 可以获取该信道的CSI, 也就获取了当前时隙该信道的SNR, 则可以在多信道频谱检测的过程中, 根据已有的检测结果以及空闲信道的CSI来调整接下来的检测-传输策略, 这便是自适应检测-传输方案。在自适应检测-传输方案下, 在每次频谱检测之后, 如果该信道空闲, 认知用户会在检测完成之后立即通过信道反馈获得CSI。

自适应检测-传输方案主要步骤如下:

下面将详细推导和讲述整个方案的执行过程。在每一时隙开始时, 认知用户首先选择空闲概率最大的信道进行检测, 与可变检测时长的检测-传输方案类似, 认知用户先获得在检测信道数为N时的最优检测-传输方案:

然后可以求得最优检测信道数为:

从而得到相应的最优检测时长, T1*即是第一次频谱检测的检测时长。认知用户随即在信道1上用T1*时长进行频谱检测, 若检测结果为空闲, 则可通过反馈获得第一个信道的γ1。与之前的检测-传输方案不同, 在每一次检测之后, 认知用户需要根据已有的检测信息和信道信息, 去调整检测-传输方案。假定在第i次检测之后 (1≤i≤Nmax) , 认知用户在各信道所耗费的检测时长为, 获得检测结果。sj=1表示信道i空闲, 否则sj=0。同时, 如果sj=1, 则认知用户也会获得相应的信道状态γj。认知用户需要在第i次检测之后判断是否需要继续在第i+1个信道上进行检测, 以及相应的最优检测时长。当然, 如果i=Nmax, 则检测终止, 开始数据传输。

首先计算在检测信道数N=i时的吞吐量, 也就是用户不再继续检测而直接开始数据传输所得获得的吞吐量。在N=i时, 在检测结果为空闲的信道上成功进行数据传输的概率为:

其中Pf, k是在信道k上频谱检测的虚警概率, 可由式 (2) 得到。这里可以计算出吞吐量为:

如果认知用户继续选择信道进行检测, 则, 这种情况下成功进行数据传输的概率为:

定义, 则相应的最优检测-传输方案可建模为:

很显然, 在自适应检测-传输方案的设计中, 不断利用获取的检测信息以及CSI来调整检测-传输方案, 从而能获得更好的性能。

3 仿真结果与分析

对提出的三种认知用户检测-传输方案进行仿真, 并进行性能分析。仿真参数如下:Tf=0.005s, 信道数M=9且空闲概率为[0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1], 各信道带宽为W=50k Hz。瑞利衰落信道模型h (γ) 中参数Γ=10, 检测概率门限Pˉd=0.9, 能量检测的采样频率fs=500k Hz。

图2比较了在不同的最大信道检测数Nmax下, 三种检测-传输方案的性能, 主用户信道强度设定为γp=-20d B。可以看到, 可变检测时长方案要优于固定检测时长方案, 这和之前的理论分析是吻合的, 这是因为在可变检测时长方案中, 空闲概率高的信道能够获得比空闲概率低的信道更长的检测时间, 从而减小了传输机会的损失, 提高了认知用户的吞吐量。另一方面, 自适应检测-传输方案的性能始终是最好的, 此外, 随着Nmax的增大, 自适应检测-传输方案的性能提升更为明显, 这是因为随着已检测信道的增加, 认知用户获得的检测结果和信道状态等先验信息增多, 从而认知用户能更好的调整检测-传输策略, 从而更好的提升认知用户性能。

图3比较了在不同的主用户信号SNRγp下, 三种检测-传输方案的性能, 最大检测信道数设为Nmax=4。相比于主用户SNR较高的时候, 在主用户SNR较低的时候, 可变检测时长方案相比于固定检测时长方案有更为明显的性能提升。这是因为在主用户SNR较低时, 虚警概率Pf所带来的性能损失会更多, 而可变检测时长方案能在降低空闲概率高的信道上的虚警概率和增大空闲概率低的信道上的虚警概率上做到很好的折中, 从而提高认知用户的吞吐量。而不管主用户信号的γp怎样变化, 自适应检测-传输方案均能明显的提升认知用户的吞吐量。

4 结语

在多个空闲信道上, 认知用户可以采用信道聚合的方式同时进行通信。从最大化认知用户吞吐量的角度出发, 本文分别研究了CSI不可获取和CSI可获取情况下的最优检测-传输方案设计, 并综合分析了各信道频谱检测的虚警, 漏检以及检测时长对认知用户吞吐量的影响。在CSI不可获取时, 本文分别在固定检测时长和可变检测时长两种情况下设计了相应的检测-传输方案。而在CSI可获取情况下, 提出了自适应检测-传输方案, 该方案在每个信道检测完成之后, 认知用户可以根据已知的检测结果以及CSI信息来不断调整检测-传输策略。仿真结果显示, 该自适应检测-传输方案能有效的提高认知用户的吞吐量。

参考文献

[1]MITOLA J.Cognitive radios:making software radios more per-sonal[J].IEEE Personal Communications, 1999, 6(4) :13-18.

[2]LIANG Y C, ZENG Y, PEH E C Y, et al.Sensing-throughput tradeoff for cognitive radio networks[J].IEEE Transaction on Wireless Communications, 2008, 7(4) :1326-1337.

[3]HE H, LI G Y, LI S.Adaptive spectrum sensing for time-vary-ing channel in cognitive radios[J].IEEE Wireless Communica-tions Letters, 2013, 2(1) :1-4.

[4]PEH E C Y, LIANG Y C, GUAN Y L.Optimization of cooper-ative sensing in cognitive radio networks:a sensing-throughput tradeoff view[J].IEEE Transactions on Vehicular Technology, 2009, 58(9) :5294-5299.

[5]ZHOU X, LI Y, KWON Y H, et al.Detection timing and channel selection for periodic spectrum sensing in cognitive radio[C]//Proceedings of IEEE Global Telecommunications Conference.New Orleans, LO, USA:IEEE, 2008:302-306.

[6]HOANG A T, LIANG Y C, ZENG Y H.Adaptive joint sched-uling of spectrum sensing and data transmission in cognitive ra-dio networks[J].IEEE Transactions on Communications, 2010, 58(1) :235-246.

[7]JIANG H, LAI L F, FAN R F, et al.Optimal selection of channel sensing order in Cognitive Radio[J].IEEE Transac-tions on Wireless Communications, 2009, 8(1) :297-307.

[8]SU H, ZHANG X.The cognitive radio based multi-channel MAC protocols for wireless ad hoc networks[C]//Proceedings of IEEE Global Telecommunications Conference.Washington, DC, USA:IEEE, 2007:4857-4861.

认知无线电技术浅论篇7

认知无线电是可以感知外界通信环境的智能通信系统。认知无线电系统通过学习, 不断地感知外界的环境变化, 并通过自适应的调整其自身内部的通信机理来达到对环境变化的适应。这样的自适应调整, 一方面是为了改进系统的稳定性, 另一方面是为了提高频谱资源的利用率。认知无线电可以在提高无线频谱使用效率、改善无线通信系统性能等方面发挥重要作用, 并且随着人工智能和信号处理技术的不断发展, 认知无线电将会使得无线通信系统更加智能化, 将对人类社会未来的通信发展产生不可估量的影响。

2. 认知无线电目前的研究现状

认知无线电 (Cognitive Radio) 这个术语首先是Joseph Mitola在软件无线电概念的基础上提出的。1999年Mitola在他的博士论文中描述了一个认知无线电系统, 认知无线电的目的在于提高频谱利用率。但这不仅是个技术问题, 由于要从根本上改变过去的无线电资源分配状态, 因此要想实现认知无线电, 除技术开发之外, 还必须有政府法规上的支持。总的来说, 认知无线电是一个智能的无线通信系统, 目前对它的研究主要集中在物理层和媒体访问控制 (MAC) 层。认知无线电能感知周围无线环境, 通过对环境的理解, 主动学习以实现在特定的无线操作参数上 (如功率、载波调制和编码等方案) 实时改变和调整内部状态, 适应外部无线环境的变化, 达到通信系统性能最优化的目的。认知无线电具有在不影响其他授权用户的前提下智能地利用大量空闲频谱并且随时随地提高可靠性的通信潜能。信号处理, 人工智能、软件无线电、频率捷变、功率控制等技术的迅猛发展, 为认知无线电实现上述特殊性能提供了条件。

3. 认知无线电的基本功能

一般来说认知无线电系统必须具备以下基本功能:

1) 对无线环境的场景分析, 包括空间电磁环境中干扰温度的估计和频谱空穴的检测。

2) 信道状态估计及其容量预测, 主要有信道状态信息的估计、信道容量的预测。

3) 功率控制和动态频谱管理。

4. 认知无线电语言

认知无线电通过在无线域建模来扩展软件无线电的功能, 通过无线知识描述语言 (RKRL) 来加强个人服务的灵活性。RKRL描述的内容包括了无线方式、设备、软件模块、传输、网络、用户需求和根据用户的需求而自动配置的应用方式。RKRL语言可以在软件无线电平台上实现, 这样的平台将无线节点从仅仅执行事先确定好的协议转变成无线域的智能代理, 实现了原先固定功能和通信模式的系统转变成为智能通信系统的变革。

5. 认知协议

认知协议是认知无线电的核心, 它是认知无线电具有“认知”能力的重要保证。认知无线电的一个重要特征是能对其周围的电磁环境进行自动感知, 找到所谓的“频谱空穴”。这种感知信息交换可以通过认知协议来实现, 其基本思路是:通信双方在通信空闲时自主对其周围的电磁频谱进行探测感知, 对感知到的“频谱空穴”进行统计分析, 并根据“频谱空穴”带宽、干扰电平大小等进行优先级排序, 建立实时“频谱空穴”数据库。

6. 认知循环

通信发起方要进行通信时, 首先根据事先约定的链路建立协议, 把“频谱空穴”数据库 (或其部分) 连同位置、天线特性等信息发送到被叫方;被叫方在对其周围电磁环境进行探测感知的过程中, 要对新出现的信号进行频谱分析、信号识别、参数测量、接收解调和协议分析 (这些功能都属于电子侦察范畴) , 以判定该信号是不是发给自己的链路建立信号。一旦判定是链路建立信号, 则根据所接收的对方“频谱空穴”数据库, 以及己方的“频谱空穴”数据库进行通信频率、发射电平、通信体制、调制参数的确定, 并连同己方的“频谱空穴”数据库通过回执协议发送给呼叫方;呼叫方接收到回执后, 就在回执约定的通信频率上建立通信。如果呼叫方在规定的时间内接收不到回执, 则选择新的“频谱空穴”发送链路建立呼叫信号, 直到接收到呼叫回执为止。上述过程就是基于电子侦察原理的认知无线电认知循环过程,

7. 认知无线电礼仪

认知无线电能进行有序地工作是因为它有一整套来规范行为的无线电礼仪规则, 这是一组由射频频段、空中接口、协议、空时模型以及为缓解频谱使用紧张而制订的高层协商规则所组成的规范模式。

8. 无线认知网络

随着认知无线电的发展和深入研究, Motorola及Virginia Tech等公司提出了无线认知网络的概念, 他们认为无线认知网络是一种具有认知能力的网络, 能够感知网络当前的状况, 并根据当前的状况来计划、决定并行动, 也就是说可以自我配置来响应和动态自适应操作和环境的改变。

9. 结束语

虽然认知无线电技术的发展刚刚起步, 但是, 放眼未来, 它极具潜力。认知无线电可以在提高无线频谱使用效率、改善无线通信系统性能等方面发挥重要作用, 并且随着人工智能和信号处理技术的不断发展, 认知无线电将会使无线通信系统更加智能化, 对人类社会未来的通信发展产生不可估量的影响。

参考文献

[1]田峰等.无线区域网和认知无线电技术[J].中兴通讯技术, 2006, (10) .

[2]杨小牛.从软件无线电到认知无线电, 走向终极无线电——无线通信发展展望[J].中国电子科学研究院学报, 2008, (2) .

【认知无线电检测】推荐阅读：

认知无线电网络05-22

认知无线电台05-25