感知无线电（通用7篇）
感知无线电 篇1
0 引言
近年来合作频谱感知得到了广泛而深入的研究。本文主要研究内容从4个方面进行。
第一,硬判决合作感知算法[1,2]这样可以有效地解决单用户隐藏终端问题; 但是该方法容易受到信道衰落的影响。文献[3 - 7]利用加权的思想,为各个认知用户的检测结果附加权重,这样就能够有效地避免信道环境对最终结果的影响。
第二,基于RMT随机矩阵理论,该类算法最具代表性的3种频谱感知算法,分别是MED算法[8]、基于最大与最小特征值之比[9,10]和MMED算法[11],这些算法不同之处就在于检测统计量的构造不同,MED算法克服了门限固定的缺点,但是受到噪声不确定性的影响。基于最大最小特征值之比的算法有效地克服了噪声不确定性的影响,门限总是固定不变的。MMED算法克服了上述2种算法的缺点,不仅具有感知性能更好以及对噪声不敏感等优点,而且在认知用户较少、样本较小的情况下,也可以获得较好的检测性能。
第三,使用D-S融合规则来对各自感知节点的感知信息进行融合,如文献[12]和文献[13]的算法,改进多节点算法合并规则中未考虑单节点感知可信度或需要知道单节点的先验信息的缺点。
第四,基于模糊理论如文献 [14],多天线的合作频谱感知算法如文献[15],频谱感知算法中的节能问题如文献[16 - 18]。
1 信息融合算法
1. 1 硬判决融合算法
硬判决算法是信息融合算法中最简单、最基础的算法。最典型的 硬判决融 合方法就 是“与”、“或”、“K of N”算法。硬判决算法解决了单用户频谱感知中的隐藏终端及灵敏度过高的问题。然而此方法只能适合信道条件好的环境中。
1. 2 线性加权算法
常见的线性加权的方法主要是: 均值加权和信噪比加权。
1. 2. 1 基于均值加权算法
均值加权算法类似于“K of N”原则算法,当有N个认知用户参与合作时,加权因子wi= 1 / N,i = 1,2,3,. . . ,N。认知用户将检测到的信息传送到融合中心,融合中心根据所传信息进行加权并作出最终判决,与“K of N”算法不同之处在于,均值加权中,认知用户传递的是检测到的全部信息,而不是判决结果。因此这样就能够使得融合中心能够做出更准确的判决。
1. 2. 2 基于信噪比加权算法
实际的通信环境中,各个认知用户所处的地理环境不同,主用户的信号经过衰落并且混合着噪声到达各认知用户的接收端,由于无线环境的复杂及人为噪声的影响,认知用户介绍到的信号的信噪比是不同的,利用各认知用户的信噪比构造其加权因子,就是信噪比加权的合作感知算法。
首先,各个认知用户的权重因子由下式所确定:
式中,γi是第i个认知用户的信噪比,是N个用户总的信噪比,则wi为第i个用户的权重。然后,将权重分配给相应的用户,生成新的检验统计量,在融合中心处将检验统计量与门限进行比较,作出主用户是否存在的判决。
1. 3 基于信任度加权算法
此算法首先定义一个模糊型指数信任度函数bij( 表示第i个用户被第j个用户信任的程度) ,对两认知用户间的信任度进行量化处理,并通过信任度矩阵度量各认知用户测得的数据的综合信任度,以合理分配测得数据在融合工程中所占权重本文将信任度函数bij定义为满足模糊性的指数函数形式,即设:
式中,γi,γj分别表示第i个用户和第j个用户的信噪比,用上述式子表示即充分利用了模糊理论中隶属度函数范围确定的优点,又避免了数据之间相互信任程度的绝对化,更符合实际环境,便于具体实施,从而使结果更加准确。权重因子表示为:
由上式可知,权值计算的基本单位是信号的指数形式,其值随着自变量的增大而逐渐减小,即随着信任度的减小而逐渐减小,与漏检概率随着信噪比的减小而逐渐减小的特性相类似,具有很好的拟合性。
1. 4 基于信噪比选择加权合作算法
合作频谱感知过程中伴随着巨大的系统资源的消耗,若限制参与合作的认知用户数目,就能够减小系统资源的消耗。设置信噪比门限,使信噪比大于门限的认知用户参与合作,小于门限的用户不参与合作。该算法首 先要找出 最大的信 噪比,然后设置目标信噪比,其中,η是信噪比门限,将第i个认知用户的信噪比与目标信噪比进行对比,当时,则参与融合,对于则不参与合作,从整体上减小了资源的消耗,这个也是频谱感知未来研究的方向之一。硬判决融合规则性能比较如图1所示。
图1参数设置为: 7个认知用户参与合作,采样点数为1 000,单个认知用户的虚警概率为0. 1。从图1中可以看出,“与”规则在信噪比小于 - 6 d B时检测概率小于99. 9% ,容易对授权用户产生干扰; 而“或”规则在授权用户不存在时也有一半概率判定授权用户存在,造成大量空闲频段的浪费; “K of N”算法既满足虚警概率的要求,在 - 9 d B时检测概率为99. 9% ,满足要求,性能优于前两者。
图2参数设置为: 认知用户接收到的信号信道环境相同,即认知用户的信噪比是相同的,认知用户数N = 12,单用户采用能量检测算法且虚警概率为Pf= 0. 1,抽样数为1 000; 从图2中明显看出均值加权性能明显优于“K of N”算法,这是因为“K of N”算法中融合中心仅得到了认知用户的二元判决信息,而在均值加权算法中融合中心得到了认知用户检测到的全部信息。
图3认知用户数目N = 7,采样点数为600。从图3可以看出,在不同的信噪比的条件下,采用信噪比加权的融合算法比采用均值加权的融合算法,检测性能好。
从图4可以看出,基于信任度加权算法的漏检概率明显低于其余2种算法,因为漏检概率与检测概率之和等于1,因此漏检概率越小说明检测概率越大,系统的检测性能越好。图5的参数设置为: 认知用户数为10,其余条件不变。从图5中可以看出选择信噪比加权算法的检测性能与信噪比加权的算法性能基本相同,同时2个的性能优于均值加权算法。信噪比加权有10个认知用户参与合作,信噪比选择只有7个认知用户参与合作,因此后者将节省大约30% 的系统能量。因此,信噪比选择合作算法既能够节省资源,检测性能也没有下降。
2 非线性合作感知算法研究
所列举的非线性合作频谱感知算法主要针对接收信号协方差矩阵特性,将其特征值最为判决门限的合作频谱感知算法,不同的算法对应不同的判决门限。
2. 1 最大特征值检测理论( MED)
MED算法利用随机矩阵理论中有关随机矩阵最大特征值概率分布特性理论,获得了采样协方差的最大特征值的概率分布函数。
概率密度分布函数的表达式极为复杂,没有一个紧凑的表达式,其一阶累积Tracy-Widom分布函数表示为:
式中,q( u) 是下面微分方程的解:
根据该分布函数求出判决门限随虚警概率变化的表达式,该算法克服了判决门限不固定的缺点。但是,MED算法同样存在当认知节点数和采样次数较小时,感知性能恶化的缺点; 由于该分布函数只是近似表达式,当采样数较小时理论门限与统计门限误差较大,这会影响MED算法的确切性和可靠性。其中,MED算法的检验统计量为:
式中,K为认知用户个数,N为采样次数,由式子可以看出MED算法的判决门限与噪声功率有关,因此会受到噪声不确定性的影响。
2. 2 最大最小特征值检测算法( MME)
该算法采用RMT理论对多个认知用户接收信号的采样协方差矩阵特征值分布特性进行分析,利用RMT中的极限渐进谱理论求出该协方差矩阵的最大和最小特征值的极限值,并将这2个极限的比值作为频谱检测的判决门限。基于极限理论可以得到如下表达式:
检验统计量为:
若时,则判断主用户信号存在,否则判定不存在。
该算法无需任何主用户发射机信号的先验知识,而且克服了MED算法判决门限受噪声不确定性的影响。但是,由于该方法采用最大特征值和最小特征值的极限最为判决门限,造成不同感知情况下的判决门限始终不变,使其无法根据当前实际情况实时改变判决门限,这势必会大大影响系统的感知性能及其可靠性。
2. 3 MMED 检测算法
针对上述基于RMT理论的频谱感知算法的缺点,如参考文献[11]提出了一种新的合作感知算法( Maximum-Minimum Eigenvalue Detection,MMED) 该算法对多认知用户采样协方差矩阵的最小特征值的概率分布特性进行研究,并获得了比采样协方差矩阵最大特征值概率分布更精确的最小特征值概率密度函数。根据该最小特征值的概率密度函数求得更精确的判决门限。最小特征值的概率密度函数服从二阶Tracy-Widom概率分布:
检验统计量为:
MMED算法的检验统计量只与采样次数N和认知用户数K以及二阶Tracy-Widom分布函数的反函数有关,与噪声无关。
最小特征值分布函数比最大特征值分布函数更加精确,因而使得MMED算法在认知节点较少、采样样本较小的情况下,亦能获得较好的感知性能。MMED算法无需主用户的任何先验知识及噪声功率等信息,并且其算法的复杂度几乎与MED算法和最大最小特征值之比算法相同。与基于最大特征值的频谱感知算法相比,MMED算法不仅具有感知性能更好以及对噪声不敏感等优点,而且在认知用户较少、样本较小的情况下,也可以获得较好的检测性能。
图6参数设置为: 认知用户数为20,采样点数为3 000,MED-0d B和MED-3d B分别表示MED算法在噪声不确定性值为0 d B和3 d B时的检测性能。从仿真曲线可以看出MMED算法和最大与最小特征值比值的算法的ROC曲线不随噪声的波动而发生变化,而MED算法的检测性能对噪声比较敏感。当没有噪声波动时MED算法的漏检概率最低,其检测性能也最优,但当存在噪声波动且虚警概率增加到约0. 55% 时,MMED算法的性能最好。
图7参数设置为: 认知用户数为20,虚警概率为0. 05,其他参数保持不变。从仿真结果可以看出随着采样数的增加,3种算法的检测概率均有所增加,而且噪声对MMED算法和最大最小特征值之比算法的检测性能基本没有影响。当噪声不确定性为0 d B时,MED算法的检测性能最优,当噪声确定性为3 d B时,MED算法的检测性能最差,而且随着采样点数的增加,其检测性能增加不明显。
3 基于 D-S 理论的合作感知算法研究
D-S证据理论作为一种不确定的推理算法,是Dempster于1967年最初提出的[19],后由它的学生Shafer对证据理论做出了进一步的研究,经过多年的发展已经可以形成由不知道引起的不确定性的较完整的理论体系。
在认知无线电系统中,由于信道的随机性,造成了认知节点对主用户信息感知的不确定性,使用DS融合规则来对各自感知节点的感知信息进行融合,如文献[20]提出的算法,改进了单节点算法中需要先验信息的缺点,该算法分为2个步骤进行判决,一是感知节点处的本地感知,二是中心控制融合节点的综合判决。融合中心采用D-S融合规则对各节点的感知信息进行融合,并根据一定的决策规则作出是否存在主用户信号的最终判决。D-S证据融合规则为:
式中,反映了各个证据之间的冲突程度,系数1 /( 1 - K) 称为归一化因子。本算法的本地检测的结果对于假设H 0和H12种不同证据的支持程度即基本信任度分配函数设为mi( H0)和mi( H1) 及感知节点对整个感知结果不确定信任度函数mi( T) ,其中,mi( H0) + mi( H1) + mi( T) =1。融合中心收到来自各个节点的感知结果{ mi( H0) 、mi( H1) 、mi( T) } 之后根据式( 11) 得到感知的综合信任度{ m( H0) 、m( H1) 、m( T) } ,根据决策规则:
图8参数设置为: 3个认知用户,信噪比分别为: - 10 d B、- 12 d B、- 14 d B。从图8可以看出在不同信噪比条件下,采用D-S理论进行合并比其他2种合并在检测性能上均有大幅度提高。由上面2种情况可以得出结论,基于D-S证据理论的协作频谱感知算法与原有的频谱感知算法相比,其感知性能有了很大的提高。基于D-S理论的协作频谱感知不需要知道各个感知节点的信噪比、虚警概率,只需知道各个认知节点的感知结果就可以计算本次感知的信任度,融合中心传输结果时,只需要传送2个变量,节省开销。因此,D-S理论的频谱感知算法具有很高的利用价值。
4 基于模糊理论的合作频谱感知算法
实际感知应用中,由于参与协作的感知的认知用户会受到一些不利因素的影响,如信道衰落、噪声不确定性及相邻节点阴影相关性等,导致融合中心最终结果的不确定性会很大,因此采用简单的融合方式不能充分反映用户的所有观测信息。而在实际环境中,针对D-S证据理论方法的缺点,文献[11]是基于模糊理论的合作频谱感知算法。模糊积分是可测函数关于模糊测度的积分,在融合中心采用模糊积分,本地检测算法采用能量算法,得到每个认知用户的检测统计量Yi,根据检测统计量构造可测函数fi( H0) 和fi( H1) ,其中,fi( H0) 表示第i个认知用户根据检验统计量得到本地检测结果为H0的隶属度,同时fi( H1) 表示第i个认知用户根据检验统计量得到本地检测结果为H1的隶属度。由于检验统计量服从高斯分布,则选择正态形隶属函数进行可能性计算,其中a为调整因子。
模糊积分的可测函数表达式为:
式中,a为调整因子取值为9,检验统计量Yi的出现率为99.7%,也就是表示几乎所有的Yi都能够分配到合理的隶属度,u0和u1,σ20和σ21分别为均值与方差。
对基于模糊积分的协作频谱感知算法所需的模糊测度多分类器数据融合的方法求解模糊测度。混淆矩阵和模糊测度表达式为:
各个认知用户将各自本地检测为有无主用户信号的隶属度传输到融合中心,融合中心将其与求得的模糊测度进行模糊积分处理,得到最终隶属度值,然后根据隶属度最大原则判决机制作出最终判决。
模糊积分表达式为:
式中,( c) ∫( . ) fdμ是对( . ) 的模糊积分,μ是模糊测度值,X是给定的集合,x是集合内的元素,f是定义在X上的可测函数值。
图9为不同信噪比下检测性能比较。
图9参数设置为: 在AWGN信道下,参与协作的认知用户本地感知用能量检测算法,取采样点数为300,主用户信号服从高斯分布,噪声也服从告诉分布。由图9可以看出,各融合方式的检测概率都随着信噪比的增加而增加,同时,在低信噪比的情况下,基于模糊积分协作频谱感知算法的检测概率相较于其他的检测算法都是最优的。但是当信噪比高于某一值后,各频谱感知算法的检测概率几乎都趋于1。可见,本方法可以有效地提高低信噪比情况下的检测概率,可以将此方法应用于低信噪比环境下的合作频谱感知中。
图10参数设置为: 设信噪比均为 - 10 d B,由图可以看出,在相同信噪比条件下,基于模糊积分融合算法的检测概率高于“AND”和“OR”融合算法。由上述仿真结果可以得出,基于模糊积分的融合算法比硬判决的融合算法的性能好。
5 合作频谱感知算法未来研究方向及展望
上述的合作感知算法如AND和OR的融合策略的感知算法。这些关于频谱感知都是基于单输入单输入的情况。未来的移动通信必然会引入多天线技术,甚至可能在用户终端内置天线来获得更高的数据速率和更好的通信性能,这是移动通信发展的必然趋势。对多天线感知无线电的研究也不仅仅局限于提高检测性能,而是将重点放在提高感知网络的容量和吞吐量上。
节能问题一直是社会热点,然而频谱感知也不例外,在未来的研究中也会将通信开销问题作为重点研究方向。文献[16 - 18]所述的算法,指出了合作感知中通信开销的问题。该算法计算每个认知用户的信任度,对于信任度小于预先设定的信任度阈值的认知用户,不发送结果到融合中心。这样就使得占用信道的用户数明显减小,从而降低系统开销,并且检测性能也不会受到影响。未来频谱感知研究将重点放在节能、快速、准确的方向上。
浅析感知无线电与无线技术标准化 篇2
(一) 短期影响
1. 异构网络与SON
随着新型无线电技术的大量涌现, 多种无线接入技术保持共存的现象将会在一个相当长的时间内存在, 在此情况下, 协调异构网络中各要素, 整合资源提高无线网络的使用效率已经成为业界的一个共识。同时, 无线技术的不断发展, 无线网络技术也日趋复杂, 只有减低了网络建设和运营商的CAPEX与OPEX, 无线网络才能进入标准化, 为此, 无线网络的自组织 (Self Organization Network, SON) 也将标准化提上了议事日程。
3G PP RAN已将LTE-A的Study Item的研究范围扩展至异构网络, 并且将重点集中于Macro Cell与Femto Cell两者的配合, 以便达到合理分配用户业务、均衡不同层次的网络负载, 提升系统整体性能的目的。在以往的研究和标准化进展中发现, 层次化CPC的概念能较好的适用于此类场景, 不排除相关企业将在后续讨论中逐渐推广这一概念。同时, 在其他标准化组织中关于Femto Cell和跨网络Interworking的讨论中, 也有一些类似的技术思路被提出与讨论。不久的时间里, LTE系统将开始全球部署, 但同时成熟的2G和3G系统也仍将长期存在, 以支持大量的既有用户, 同时, 先进的地区可能会构思4G网络, 无线网络将逐渐进入更多模式同时共存的时代。在某一个运营商的网络上, 可能同时存在GSM/UMTS/LTE/WLAN或者CDMA1x/EV-DO/LTE/WLAN等多种无线接入技术。在此背景下, 感知无线电技术对异构网络协同和自组织自配置的价值将显现, 尤其对于同时拥有多种无线网络的运营商, 基于感知无线电技术支撑的异构网协同与SON将成为今后的技术热点。
2. 短距离通信
基于IEEE 802.15系列的UWB超宽带技术曾经得到学术和网络界的高度关注, 但因为UWB技术超宽带的调制方式对其它无线通信技术的潜在干扰使高速UWB技术的发展已经趋于停滞。UWB系统的潜在干扰问题一直存在, 并且无法完全确信共存场景下的干扰规避效果。在此情况下, 学术界和产业界希望借助感知无线电技术实现UWB系统与其他无线通信系统共享频谱资源。通过引入感知无线电技术, 可使短距离通信技术能与其它无线通信提供更好的共享频谱, 实现更高的传输速率, 从而促进短距离通信技术的发展, 扩展其应用领域与商业化空间。
(二) 长期影响
无线电频谱资源是无线通信的基础性资源, 目前无线电频谱的不足已经成为制约移动通信发展的关键问题, 3GHz以下可用于移动通信的频谱资源已经基本分配殆尽, 寻找新的频谱资源已经相当困难, 这很可能将最终制约新型移动通信技术的发展。目前频谱分配机制主要采用Command-and-Control模式, 即由监管机构将频谱资源指配给频谱使用者, 同时对频谱上提供的业务, 需要遵守的约束条件 (如干扰参数等) 进行规定, 频谱使用者只要能够遵守频谱分配时约定的义务, 就在实质上完全占有了此段频谱资源, 排除了其它用户使用该段频谱资源的可能性。此种情况造成已经分配的频谱资源的利用率很低, 据统计1GHz以下已分配的频谱资源中, 平均利用率有6%～10%。所以, 无线频谱资源的使用呈现了总体紧张、局部宽松的矛盾局面。为解决这一矛盾, 需要从技术和监管模式两个层面进行工作。感知无线电技术的设计初衷就是为解决这一矛盾提供技术手段。通过频谱共享, 允许不同网络运营实体、不同的无线接入技术共享同一段频谱资源, 从而提高频谱的整体利用效率。具体的共享模式包括协作 (Cooperative) 共享和非协作 (Noncooperative) 共享两种方式。根据目前的技术实现水平, 不论是协作模式还是非协作模式, 由感知网络辅助进行的集中式控制具有相对更好的可实现性。所以, 在上述各标准化组织的讨论中, 基于CPC的集中式控制模式已经逐渐成为感知网络架构的首要选项。
二、总结与建议
感知无线电技术经过多年发展, 已成为业界研究的热点, 其技术研究内容与方向也不断得到丰富和完善。随着学术研究的推进和无线技术标准化的发展, 感知无线电技术已经进入标准化的前沿。短期影响有以下几点。一是广域无线网络:基于感知无线电的技术概念与思路, 更好地实现异构网络的联合无线资源管理与自组织自配置。二是短距离无线通信:基于对频谱使用状态的感知, 促使短距离无线通信技术与其他无线技术更好地共享频谱, 实现更高的传输速率。长期影响有以下三点。一是技术影响:实现频谱共享, 包括协作式共享与非协作式共享。二是对商业模式的影响:推动产生频谱二级市场, 降低无线通信市场进入门槛, 促进竞争。三是对监管政策的影响:促进监管政策向更加开放、更加市场化的方向转变, 同时给干扰、安全、权利义务定义等问题带来新的挑战。
摘要：感知无线电的研究视角从无线链路的底层功能扩展到更高层次的协议和网络设计, 感知无线网络 (Cogni-tiveW irelessNetwork) 已成为感知无线电未来研究和产业化方向的共识。在感知无线网络的框架内, 无线网络将根据其与周边多维环境 (网络、协议、应用等) 交互信息的情况, 调整网络特性, 实现最优的系统性能。
关键词：感知无线电,异构网络,协作共享
参考文献
[1]Mitola J, Maguire G Q.Cognitive Radio:MakingSoftwareRadioMore Personal[J].IEEE Pers.Commun, 1999, 6 (4) ;13-18.
感知无线电 篇3
近年来,随着无线通讯技术的快速发展,各种无线应用的需求相应地迅猛增长,频谱资源紧缺的情况也随之出现。然而“频谱紧缺”只是种形象的说法,频谱的“紧缺”只是固定频谱管理政策导致频谱资源得不到充分利用。某些频段如移动通信网的频带处于超负荷工作中,而如业余无线电及电视频段等诸频段未得到充分的使用,另外,在不同的时间和空间段,频谱的利用率也有相当大的差异。认知无线(CR)电技术,作为一种开创性的频谱共享技术应运而生。它是对授权的频谱进行“二次利用”,即让无线电设备具有寻找可用信道的功能,从而提高频谱利用率。从频谱使用权来说,认知无线电用户的优先级别低于该频段上已有业务的授权用户[1]。
认知无线电的核心部分是频谱感知。一般而言,由于受到障碍物遮蔽的影响,单节点本地检测不可避免地出现隐终端现象,从而造成对授权用户接收机的潜在干扰。由于用户空间位置的差异性,所有CR用户均被相同障碍物遮挡的概率明显小于单个CR用户节点被遮挡的概率,这样可有效地克服该隐终端干扰问题。因此将各用户节点间的合作引入到CR网络中的频谱检测是十分必要的,该网络的整体检测性能通常用系统检测概率Pd、系统漏检概率以Pm及系统虚警概率Pf来表示[2]。文献[3,4,5]列出了几种合作频谱检测方法,但都是默认所有的CR用户基于同样的信噪比(SNR)和相同的检测概率,而没有考虑不同CR节点的可靠性差异。显然实际情况并非如此,不同的CR用户处在不同的外部环境中,因此将会导致各个认知用户的信噪比有所不同,从而影响不同认知节点的可靠性不同,这样将会对合作检测的融合产生很大的影响。
本文首先介绍了单节点的能量检测,然后介绍了传统的合作频谱感知算法,并指出这种算法所存在的弊端。当所有的用户都参与合作时,由于不同CR节点SNR的差异性,有的节点的SNR会非常低,这时如果仍将此节点放在融合中心合作,将拉低整体的检测性能,甚至出现合作后的检测性能低于单个节点的检测性能。鉴于此,提出了选择那些具有较高SNR的CR节点方法,称之为最优合作检测算法,在这里,如何选取这些点是问题的核心。
1 频谱感知技术
1.1 本地频谱感知
在本地频谱感知中,各个认知用户独立的感知和决策授权用户的工作状态。那么在能量检测的情况下,能量检测算法的实现流程图如图1所示。
其中y(t)的基本假设模型是:
undefined
式中,y(t)是认知用户接收到的信号,x(t)为授权用户发射的信号,n(t)为加性高斯白噪声(AWGN),h是信道增益,H0表示频段未被占用,表明了目前这一确定频段没有授权用户出现,H1表明目前这一确定频段上存在授权用户。
当认知用户在AWGN信道环境下时,信道增益h是个确定值。所以在AWGN信道下,第i个授权用户的检测概率Pd,i、虚警概率Pf,i和漏检概率Pm,i分别为:
undefined
式中,λi是能量检测的门限值;γi是信噪比(SNR);Γ(.,.)和Γ(·)分别是完整和不完整Gamma函数;Qm(·)是广义的Marcum Q函数;m为时间带宽积,即m=TW,其中T为时间,W为传输信号的带宽。
由式(2)-(3)可以看出认知用户的检测性能与信噪比直接相关,因此不同的衰落环境下得CR用户的信噪比必然不同,势必将造成检测性能的很大区别。
1.2 传统合作频谱感知
目前实现合作频谱检测主要采用分布式多用户合作检测和协作分集式合作检测,本文主要讨论分布式多用户合作检测。
传统的合作检测算法通常是假定所有CR用户均参与合作。在分布式多用户合作检测中,每个CR用户独立地进行频谱感知,如图2所示,各个CR用户将本地检测信息上报给CR基站(或称为融合中心),由CR基站进行本地检测信息的数据融合处理后作出最终的频谱决策,判定该频谱是否存在授权用户,并广播该判决结果。
本文得到基于本地能量检测中虚警概率与检测概率的对应关系表达式[3]如下:
undefined
在信息融合中心,汇总后的检测信息根据一定的决策判决规则,将对授权用户是否出现做出最终的判定。最常见的决策判决规则有OR规则、AND规则,两者都是K-out-of-N准则的特殊形式[6]。在OR规则中,只要有一个CR用户判决授权用户存在,则最终判决授权用户存在。AND规则与OR规则恰恰相反,当且仅当所有CR用户都报告授权用户出现时才最终判决授权用户出现。K-out-of-N规则是指当参与合作的N个CR用户中有K(0
OR规则:
undefined
undefined
K/N规则:
undefined
式中Pdi、Pfi分别对应于式(8)-(9),表示第i个CR用户节点独立检测概率和虚警概率。
由式(5)-(6)可看出,检测概率与认知节点接收端的SNR是密切相关的。仿真如图3所示。
由图3可看出在低SNR下CR用户的检测性能受到很大影响,出现严重的漏检或虚警。根据传统的合作检测,所有认知用户均参加合作检测。那么当所有CR用户都处在低的SNR下,来分析传统合作频谱检测的性能。假设所有用户具有相同的低SNR(-25dB),传统合作频谱检测与单节点的能量检测ROC曲线比较如图4所示。
由图4可看出在低SNR下传统的合作检测性能与单节点的能量检测差不多,都存在较大的漏检概率和虚警概率,并没有得到改善。
在实际的环境中,每个用户所处的环境有较大的差异,导致每个用户的SNR都不同,这时所有用户都参与合作的检测性能甚至会低于单个高SNR认知用户的检测性能。所以当CR用户处在恶劣的环境时,传统合作频谱检测对检测性能的提升几乎没有帮助。
2 基于最优合作的频谱感知算法
2.1 参与合作的CR用户选择
由上述的分析可看出,全部用户都参与合作的传统频谱检测算法有着很大的弊端。由图3可知,不同的SNR对次级用户检测的可靠性不同,为了提高检测性能,应该将认知用户的SNR考虑进去,所以提出在融合中心只需要选取一定数量的、具有较高接收信号信噪比的本地用户参与合作检测,即最优合作检测[7]。其核心问题是融合中心如何选择这些可靠性更高的节点。
本文认为所有的CR节点都是有SNR估计功能的,SNR估计作为无线通信中的一种通用技术,如今已经可以通过多种方法实现。所以与传统的合作频谱检测算法相比除了发送本地的判决结果外,还需要将CR节点的SNR信息发送到融合中心。
在信息融合中心,节点选择算法[8]的流程如图5所示。
这里的阈值λ是根据SNR的差预先设定的,可通过仿真找出λ的最优值。
按照图5的节点选择算法,若所有的CR节点的SNR波动幅度非常小时,这时采用传统的检测算法,所有的认知用户都参与合作;若有一个CR节点的SNR远高于其它节点时,这时仅需要单独的进行单节点的本地能量检测;若存在部分较高的SNR节点时,采用这些较高的SNR合作检测要比传统的合作检测有更高的性能。
参考图2,CR1节点离授权用户最近,而且没有遮挡物,可判断它的SNR最高,一次分别为CR2、CR3、CR4、CR5。这里设定他们的SNR分别为:-17dB、-18 dB、-21 dB、-23 dB、-25 dB。设定阈值λ=1,根据节点选择算法,本文选择了-17dB和-18dB作为最优合作的用户。仿真如图6所示。
由图6可见最优合作检测相较于其它检测算法的优越性,提高了检测的性能,降低了虚警概率。
2.2 阈值的选择
根据2.1节将选取不同的λ值,并基于AND规则下最优合作检测ROC曲线性能。其中的SNR是根据2.1节来设定,得到如图7所示的ROC曲线。
从图7可看出当λ=1时的ROC曲线最好,因而,得出在所列的λ各种值中,λ的最优值为1。
3 结束语
合作频谱感知算法是认知无线电的一项关键技术。本文介绍了本地的能量检测算法、传统的合作频谱检测算法,并根据传统的合作频谱检测算法提出了最优合作的频谱检测算法。实验验证,通过对合作用户的数量进行优化后,由于参与合作的CR用户数量很少,合作信令开销大幅降低,同时由于选取信噪比较好的CR用户参与合作,合作检测性能较之传统的合作检测有了明显的提高[9]。
另外,本文采用的节点选择算法,仍有一定的问题。当总的CR用户个数较多(N>500)时,这种算法的复杂度较高,对于融合中心判决时间更长,不利于总体的检测性能,因此基于较多用户数量的节点选择算法还需进一步的研究。
摘要：在认知无线电网络中,认知无线电用户需要准确、实时地检测到授权用户的存在以及闲置的频带。认知无线电中的合作频谱感知类比于无线传感网络中的分布式决策,即每一个传感器做出本地判决并将这些判决结果汇报给融合中心,再根据某种融合准则做出最终的判决。融合准则主要分为OR规则和AND规则。传统合作频谱感知是指所有的认知用户都参与合作。文中通过分析传统合作频谱检测的不足之处,提出只选择具有较高信噪比的认知用户参与合作。从仿真结果看出,此方法的检测性能较之传统的合作检测算法有了很大的提高。
关键词：认知无线电,传统合作频谱感知,融合准则,最优用户合作
参考文献
[1]郭彩丽,冯春燕,曾志民.认知无线电网络技术及应用[M].北京:电子工业出版社,2010:38,51-57.
[2]Ganesan G,Ye L.Cooperative Spectrum Sensing in Cognitive Ra-dio,Part I:Two User Networks[C].IEEE transactions on wirelesscommunications,Jun.2007,6:2204-2213.
[3]Peh E,Liang YC,Optimization for Cooperative Sensing in CognitiveRadio Network[C].Wireless Communications and Networking Con-ference,WCNC 2007,IEEE,2007:27-32.
[4]Ganesan G,Ye L.Cooperative spectrum sensing in cognitive radio net-works[C]//Proc.IEEE DySPAN 2005,Nov.2005:137-143.
[5]P QH,Zeng K,Wang JA.Distributed Spectrum Sensing Schemebased on Credibility and Evi2 dence Theory in Cognitive Radio Con-text[C]//Proceedings of the IEEE 17th International Symposiumon Personal,Indoor and Mobile Radio Communications.IEEE,2006:1-5.
[6]Mishra S M,Sahai A,Broderson R W.Cooperative sensing amongcognitive radios[C].Proc.IEEE International Conference on Comu-nications(ICC)2006,Istanbul,Turkey,Jun.2006:1-6
[7]Kadhim D J,Gong S M,Liu W.Optimization of Cooperation SensingSpectrum Performance[C].2009 International Conference on Com-munications and Mobile Computing,2009:78-82.
[8]Chen Y F.Analysis of secondary user selection in collaborative spec-trum sensing[C]//Communications and Networking in China,Chi-na,COM2009.Fourth International Conference.2009:1-5.
感知无线电 篇4
频谱感知(检测)是DSA的首要工作,其核心是确定所需频段成为“频谱空洞”是否处于空闲状态,从而实现DSA。协作频谱感知指多个认知用户(Secondary User,SU)协作感知PU信道,一般可减小个体感知所带来的影响,如多径衰落、阴影等。与个体感知相比,协作感知提高了感知增益,但同时也带来了开销。
机会频谱接入(Opportunistic Spectrum Access,OSA)自2006年在Dy SPAN会议上明确提出后,受到了国内外学者的广泛关注[2]。Zhao Q等人针对OSA理论框架,提出了部分可观测马尔可夫决策过程(Partially Observable Markov Decision Process,POMDP)[3],指导SU选择长期累积回报较大的信道。由于OSA系统中的频谱环境总是随时间而变化,需要不断与环境进行交互学习,而OSA无法实时获得信道环境的先验知识和动态模型。强化学习作为一种无模型、无监督的在线学习算法,是解决上述问题的有效途径,近年来已经成为解决OSA问题的主流方法,得到了广泛应用。下面从CR网络频谱感知和强化学习入手,回顾近年来国内外的发展现状。
1频谱感知
1.1频谱感知的基本方法
频谱感知的基本方法,即个体感知方法,描述了如何感知、采样和处理PU信号来估计PU信道是否繁忙或空闲。主要有3种方法:能量检测算法[4],重点检测发射机信号能量,算法相对简单,易实施。循环平稳特征检测算法[5],通过周期性地检测接收到的PU信号,确定PU的存在,能够区分噪声和有用信号。压缩感知,适用于对复杂硬件要求不高的宽带频谱感知。
此外,PU发射端检测的匹配滤波器检测算法是检测PU信号的先验信息,能获得较高的信噪比和处理增益[6]。PU接收端检测主要有2种方法:本振泄露功率检测和干扰温度的检测。本振泄露功率检测是检测PU接收机的泄露功率,根据泄露信号的有无,可知接收机是否工作。干扰温度是通过SU检测自己将对PU接收机产生多大的干扰,称为干扰温度。只要干扰温度小于上限,SU就可使用这个频段。
1.2协作频谱感知
由于多径衰落和阴影等因素的影响,接收的PU信号信噪比非常低,频谱感知成为一项艰巨的任务。协作频谱感知将会使频谱感知性能得到改进。通过协作,SU可以共享它们的感知信息,从而得到一个比个体感知更准确的决策。协作感知可分为3种:集中式、分布式和中继辅助式[7,8,9]。集中式协作感知中,融合中心是一个在控制和组织协作中起着核心作用的实体。分布式协作感知和集中式协作感知的主要区别是,前者不依赖于集中式融合中心决定最终感知结果。当感知信道或报告信道不理想的情况下,适用中继辅助协作感知。中继辅助方式减小了不理想信道的负面影响,从而提高了全局感知性能。
2强化学习
强化学习是指在t时刻,智能体通过动作a,探索当前的环境状态s,并根据环境的反馈信息,即时奖励r,不断改进行为,最终获得最优策略。同时,环境从当前状态转移到下一状态,如此进行直至完成所有状态空间的探索。
2.1单智能体强化学习
强化学习过程一般可用POMDP模型来描述。可定义为一个五元组POMDP={S,A,P,R,γ},γ∈[0,1]为累积奖励的折扣因子。
根据是否需要对状态转移概率进行建模,POMDP模型下的强化学习有基于模型和无模型2类算法。基于模型的算法主要是对状态转移函数进行建模,然后利用动态规划法计算POMDP序列下的最优策略。一般可定义值函数,Vπ:S→R,表示期望累积折扣奖励,评价策略π,值函数Vπ表示为:
上式中,t为釆样时间,E表示累积奖励的期望。值函数用一种递归的方式表示,从而表达成贝尔曼方程:
最优策略下的值函数V*(s),通过贝尔曼最优方程进行计算
无模型算法以最基础的Q学习为代表[10],无需对环境的状态转移概率建模。在无模型Q学习中,定义值函数为Qπ(s,a),从状态—动作对来映射Q值,最终获得最优Q函数Q*(s,a),贝尔曼最优方程为:
Q学习通过下面的迭代过程,逼近贝尔曼最优方程。通过计算当前的Q(s,a),逼近最优值Q*(s,a),其学习条件已由Watkins等人提出并完善[10]。
近年来,OSA强化学习取得了一定成果,文献[11]研究了动态信道选择中强化学习的好处和频谱行为的复杂度。通过使用Lempel-Ziv复杂度的概念,得到PU行为的特征,探讨了在什么时候强化学习算法提高动态信道选择的性能问题。文献[12]研究了OSA中的强化学习算法和评价标准、认知无线电的学习和决策问题。对OSA中提出的2种强化学习算法(UGB和WD算法)进行了比较,并引入2个矩阵评估强化学习算法的性能。
2.2多智能体强化学习
多智能体强化学习(Multi-Agent Reinforcement Learning,MARL)一般可分为2类:集中式和分布式。
2.2.1集中式
集中式是对单智能体的直接扩展,多智能体作为一个超智能体,将MARL分为基于传统POMDP的联合动作学习(Joint Action Learning,JAL)与基于随机博弈(Stochastic Game,SG)2类。
(1)JAL。JAL完全采用Q学习等传统强化学习算法,更新公式不变。JAL算法由于会导致更严重的维数灾问题,实际中往往无法实施。
(2)SG。和JAL不同的是,SG由于获得了个体奖励,可将智能体i累积奖励最大化。根据博弈理论,当个体收益最大化而不是智能体整体收益最大化时,可能无法获得全局最优策略。
针对协作博弈,一般退而求其次,引入纳什均衡协调智能体间的行为,以确保学习收敛到纳什均衡点。但当智能体个数增加导致均衡解求解复杂时,同样面临着维数灾问题。
2.2.2分布式
分布式更关注自身的行为,每个智能体采用各自的Q学习,不考虑整体智能体的转移概率,不需要强调均衡解,这是与集中式中SG的最大区别。采用Q学习更新公式。当存在多个均衡解,且均衡解非最优时,分布式也容易陷入局部最优,需要改进学习算法,使其收敛至最优。
此外,协作Q学习是上述方法的改进。文献[1]提出了基于专业性指标的协作Q学习,通过利用其他智能体的经验和知识,一个学习智能体可更快地学习。在这里,使用2种智能体的学习模式:智能体个体学习模式和协作学习模式。首先,所有的智能体先是个体学习模式。当每个智能体都运行了一定数量的个体学习模式后,所有智能体都切换到协作学习模式。这里所提出的协作学习算法,称为加权策略共享,在该算法中,每个智能体测量它同伴的专业性指标,对它们的知识分配一个权值,并相应地向它们学习。此外,还研究了噪声对协作强化学习算法的影响,并检验了协作智能体当中一个智能体的Q统计表被随机改变时对所提出算法的影响。
3结语
CR实际是一种频谱共享技术,它实现的前提是要求SU能够快速、准确地感知到频谱空洞。认知无线电网络协作通信会同时带来增益和开销。与个体感知比较,协作感知对提高感知精度是有益的。协作在一定程度上减小了多径衰落和阴影的影响,提高了系统的抗路径损耗。此外,协作增加了感知时间和数据吞吐量。因此,感知性能和网络吞吐量之间需要一个折中。
引入人工智能中的强化学习理论,可解决OSA智能体的信道选择等问题。然而随着智能体的数量增加,状态空间呈指数增长,这可能导致算法变得过于复杂。集中式与分布式容易陷入局部最优,需要改进学习算法。OSA技术尚不成熟,还有很多问题值得探索和研究。将人工智能、机器学习等引入到认知无线电网络中,实现智能化的资源调度、配置和管理,对认知无线电网络的发展具有积极作用。
参考文献
[1]EMRE M,GUR G,BAYHAN S,et al.Cooperative Q:energy-efficient channel access based on cooperative reinforcement learning[J]Workshop Proceedings of IEEE International Conference on Communication,2015(6):2799-2805.
[2]CHOI K W,HOSSAIN E.Opportunistic access to spectrum holes between packet bursts:a learning-based approach[J].IEEETransactions on Wireless Communications,2011(8):2497-2509.
[3]ZHAO Q,SADLER B M.A survey of dynamic spectrum access[J].IEEE Signal Processing Magazine,2007(3):79-89.
[4]Ning Han,Sung Hwan Shon,Jae Hak Chung,et al.Spectral correlation based signal detection method for spectrum sensing in IEEE802.22 WRAN systems[A].The 8th International Conference on Advanced Communication Technology[C].2012.
[5]HAYKIN S.Cognitive radio:brain-empowered wireless communications[J].IEEE Journal on Selected Areas in Communications2005(2):201-220.
[6]WILD B,RAMCHANDRAN K.Detecting primary receivers for Cognitive Radio applications[A].1st IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks[C].2005.
[7]GANESAN G,LI Y G.Cooperative spectrum sensing in cognitive radio-Part I:two user networks[J].IEEE Trans.Wireless Commun,2007(6):2204-2213.
[8]AKYILDIZ I F,LO B F,BALAKRISHNAN R.Cooperative spectrum sensing in cognitive radio networks:A survey[J].Journal Physical Communication archive,2011(1):40-62.
[9]BELLMAN R.Dynamic programming[M].Princeton:Princeton University Press,1957.
[10]WATKINS C J C H,DAYAN P.Q-learning[J].Machine Learning,1992(3):279-292.
[11]MATIGNON L,LAURENT G J,FORT-PIAT N L.Independent reinforcement learners in cooperative Markov games:a survey regarding coordination problems[J].The Knowledge Engineering Review,2012(27):1-31.
感知无线电 篇5
感知无线电是一种具备智能感知和智能代理功能的信息传输技术,通过借鉴和运用现代软件技术原理而获得了进一步的丰富和发展,现已成为传统无线电技术的一种智能延伸。与传统的盲预先定义的协议不同,就是认知无线电技术的本质:信息资源的分配在传输过程中即能实现有效识别,并且形成最优信息传播,这是两者在设计方案上的最大区别。同时,随着该技术的日趋成熟,也已逐渐成为现代无线电研究的主要领域。
2 无线电技术的发展趋势
自1980年以来,世界各国的无线通信技术均已获得了飞速发展,而且该种势头也仍在继续。与此同时,以互联网+技术为根本导向的网络通信在信息整合和对接方面促成了无线电通信的质的飞跃,并且随着便携式微机、掌上电脑以及智能手机等的普及,也随即开辟了无线电领域发展的新纪元。因此,把无线通信、计算机和因特网三者结合起来能在提供更为便捷优质的通讯服务基础上,通过升级的接入,实现无线电资源的综合优化配置,这也将是无线通信的未来发展趋势。
与以模拟话音通讯方式为基本特色的传统第一代通信模式不同,第二代通信系统是以GSM、以及IS-95 CDMA为主要传输载体,在当今无线电通信,尤其是移动通信方面主导着整个资源市场。而在目前有限的无线电资源市场中,用户数量正急剧增加,因此,需要一种更为科学的接入方式以及无线电资源分配方式,以提高信息传输和利用效率。这种方式便是第二代无线电传输中的数字化语音,能在多址接入的情况下,将模拟信号有效转化为数字信号,并在合理分址的同时,通过科学分配资源,最大化同时接入用户数量。即使在这种情况下,人们从GSM处得到的服务也是极其有限的,14.4 Kbps的电路交换话音业务已是该系统所能配置的最大值。在GPPS和EDGE的作用下可达到的分组交换数据业务是144 Kbps和384 Kbps。IS-95提供的接入更加优质,其速率可不断地变化,当其在最快时可分别达到9.6 Kbps和14.4 Kbps。综上分析可以看出,随着人们对知识以及信息需求的增长,第二代移动通信已经无法为其提供技术发展支持。
在此背景推动下,第三代移动通信应运而生。其作用表现是能够更加方便人们的生产生活,提供更加优质快捷的服务速度,(室内可达2 Mbps、步行可达384 Kbps、车速可达144 Kbps)。而且比特速率随着开发服务对象的不同而得不同数值,对高中低端的业务也各具现实适用性,FDD、TDD两种模式在该系统中可以相互协作,联手构建更趋全面的服务。目前,IMT-2000一共有5种标准,其中3个主流标准分别是欧洲的WCDMA、北美的CDMA2000以及中国的TD-SCDMA标准[1]。
3G系统的最低传输速率是2 Mbps。当其处于快速运动的条件下,也能够实现144 Kbps的数据速率。其后研发的升级式优化技术更是可以提供高达10 Mbps左右的传输速率。即便如此,高效的传输速率以及高可信性依然是无线通信技术设定的追求目标,研究学界则始终围绕该目标研发和设计下一代系统。
根据香农信息理论,无线通信传输速率越快,无线通信系统对频谱资源的要求也将呈现递增,从而导致了可使用频谱资源的利用率将日渐落低,这成为了无线电发展的困惑与局限。另外,已被分配使用的频谱资源在时间和空间上并不能再得到完全使用。因此,研究者提出采用感知无线电(CR)技术,其主要原理就是从时间和空间的角度出发,使频谱资源能够得到尽量充分的使用。如图1所示,于是研究者即提出了一种新的研究思路,就是从发现“频谱空洞”,并合理利用所发现的“空洞”的能力作为出发点,来寻求适当的解决办法。
图2~3分别测量了无线电的动态频谱接入。在如今的科技前提下,有效地解决当前频谱利用效率低下和频谱资源有限的方法,就是动态频谱接入技术。人们发现了一个绝佳的动态频谱接入发展前景,美国国防部高等研究计划局(DARPAs)将动态频谱接入技术作为在研究下一代通信网中的智能无线电技术(也叫感知无线)中的候选技术。下一代通信网,即动态频谱接入网或感知无线网,将利用网络科技为无线通信提供更加优质的服务。而频谱感测就是利用无线通信探测用户对外界无线环境的感知,以此来确定“频谱空洞”。“频谱空洞”就是那些已被人们利用的,但在闲暇时刻未获使用或者说用户在使用但是能够检测到低功率信号的频段。在此频带上,存在着2种状态:低功率的噪声或低功率的授权用户信号,因此形成了一定的“频谱空洞”,这为感知无线电系统通信提供了潜在可能的频谱资源。待感测的频段可分为3种:黑空频谱、灰空频谱和白空频谱。
3 感知无线电中的频谱感测技术
3.1 频谱感知的基本方法
相干感测,也可称为匹配滤波器感测。匹配滤波器感测方案是最优的授权用户信号,感测方法的前提就是知道授权用户信号的结构特征,如导频、前导或同步消息等。相干感测能为人们提供性能更佳的服务,优点是可以检测到精确的频谱结果,但也存在显著劣势,不但必须检测出用户的先验知识,还必须实现多种信号的相互协作,因此投资成本将远超出预算。能量传感器,可针对感兴趣的频率测量一定观察期间接收到的信号总能量,如果能量低于某一阈值,定义空白的频谱,因而可以使用频谱感知用户通信。与相干传感相比,能量传感器需要更多的时间以达到同样效果,但是其所呈现的成本低的特点,使其成为易于实现频谱的认知无线网络传感技术。总体而言,以上2种光谱传感技术方法都有着成熟的理论基础,性能分析更趋理想。而光滑的环流特征传感器实现的复杂度较高,但是传感器性能更好。能量传感器的功能劣势就是不能从授权用户信号辨别接收功率或者说该方法的检测结果缺乏可信度。授权用户信号载频和调制类型或循环前缀,以及一些其他研究特性,比如使用信号给出了自相关函数和周期固定光谱相关性属性,即可区分信号功率和噪声功率,从而突破能量传感器的瓶颈。周期图法是使用傅里叶变换得到信号的功率谱密度,算法可以利用快速傅里叶变换,在实现上具备便捷优势。为了更好地设计量化和管理干扰,前提基础条件就是频谱感知的过程中存在诸多人为以外的因素需要考虑,比如噪音等都可以使检测结果受到一定的影响,从而降低了可信度。随即,研究再度提出干扰温度的概念,从而使频谱感知接入的机会获得显著改善。研究中,通过功率谱估计可确定干扰温度限制。只要干扰温度变动能够可控在限制范围内,感知用户的访问造成干扰,对于授权用户处于可容忍状况,用户便可以实现频谱共享,如图4所示。
综合图4和文献[2]研究可知,基于授权用户信号感测的频谱感知目的在于避开授权用户或尽量降低对授权用户的干扰,而基于干扰温度模型的频谱感知则试图与授权用户同时并存于同一个频段。
3.2 协作与数据融合频谱感知
由于缺乏有效的交流,各用户之间信息隔绝不畅;而且只有在低噪音的条件下,感知用户才能实现频谱感测。感测环境通常包括多径大尺度衰落的可视距线路和隐藏站点,但是为了获得用户的信赖,就必须提供最为精确的检测信息,因此调整用户之间的关系,推动和促进用户合作则已成为现实发展必要。针对这一情况,研究提出一种更为合理精确的频谱检测的方法,那就是协同感测。协同频谱感知就是合理分配各种信息,并对信息进行综合整理,从而大大增强频谱检测的效果。协同感测具有众多优点:可以尽量减少各种突发因素,消除多径衰落和阴影的影响,即使在大尺度阴影衰落的环境下,也可以获得较好的感测性能。频谱感知性能主要由感知范围、感测时间、感测概率、虚警概率等相互关联的技术指标来评测衡定,协同频谱感知可利用空间分集增益改善上述指标,解决单节点感知中设计固存的多径衰落、阴影衰落和隐藏终端等弊端不足,同时也可降低对单个节点感知灵敏度的要求,从而减少运行实现成本。中心式和分布式是实现频谱感知的2种基本方式。具体给出如下概述:
1)中心式感知。中心单元收集各节点的感知信息,负责识别可用频谱,并将频谱可用信息广播给各感知节点或直接控制感知节点的通信参数。
2)分布式感知。感知节点彼此之间共享感知信息,但独立判断各自的可用频谱。与中心式感知相比,分布式感知的优点是不需要基础结构网络,部署更趋灵活高效[3]。
无论中心式还是分布式感知,就协同频谱感知的研究内容而言,重点包含以下2个方面:
1)感知节点感知信息的合并处理,即考虑信息融合问题。
2)感知信息传递过程的合作,即考虑中继传输问题。
摘要：在无线电技术飞速发展的今天,通信技术以互联网为载体已促进了经济转型和快速增长。无线频谱传输的需求正在逐日的增加,因此,加大无线通信系统的研究力度是非常必要的。科学研究者想要对频谱资源进行有效规划以及利用,必须从提升核心技术的角度出发,建立并逐步发展综合通信系统的分布和共享频谱。也就是说,整个系统高效地实现频谱的最优分配是无线通信技术发展的不竭动力。因此,本文从认知无线电技术的定义入手,探讨了认知无线电技术中的频谱感知技术,有效利用频谱资源则可对未来无线电技术提供一定的有益参考。
关键词：无线电,频谱感测,感知
参考文献
[1]刘晓贞.基于合作中继的频谱感知技术研究[D].烟台:烟台大学,2010.
[2]陈星.感知无线电物理层关键技术研究[D].北京:北京邮电大学,2008.
[3]虞贵才.感知无线电系统中的频谱感测技术研究[D].北京:北京邮电大学,2010.
[4]韩维佳.认知无线电中频谱感知策略的研究[D].西安:西安电子科技大学,2012.
感知无线电 篇6
关键词：认知无线电网络,协作频谱感知,协作路由,中继节点
一、引言
协作通信可以减小无线信道衰落, 通过允许节点相互协作, 提高了无线网络的可靠性, 已经成为认知无线电网络的重要方法[1]。利用无线通信的广播特性, 协作通信中的节点帮助对方进行信息传播。在协作传输策略中, 邻近节点用作中继节点, 通过独立衰落信道, 和发射机、接收器协作, 将数据包复制多份传送给接收节点。
协作频谱感知指多个认知用户 (SU) 协作感知主用户 (PU) 信道, 一般可减小个体感知所带来问题的影响, 如多径衰落, 阴影等[2]。以前的工作已经表明, 与个体感知相比, 协作感知提高了感知增益, 但同时它也带来了开销。
协作路由作为一种新的路由技术[3], 可以节省网络中节点的能耗, 延长网络的生存期, 并对增强网络服务质量, 提高网络的吞吐量和可靠性方面都大有作为。
协作无线通信的研究具有重要意义。本文将以协作通信为主线, 从认知无线电网络协作频谱感知, 协作路由和协作路由中继节点的选择入手, 回顾近年来国内外的发展现状。
二、协作频谱感知
(一) 协作频谱感知的基本方法。协作频谱感知的基本方法, 即个体感知方法, 描述了如何感知, 采样和处理PU信号来估计PU信道是否繁忙或空闲。主要有三个技术:能量检测, 重点检测发射机信号能量;循环平稳特征检测, 通过周期性地检查接收到的PU信号, 确定PU的存在。压缩感知, 适用于对复杂硬件要求不高的宽带频谱感知。
每个SU的行为和结果, 可归纳分为六种情况, 分别是:
1.SU空闲。由于没有数据包发送, 吞吐量为0。
2.SU正确传输。PU信道空闲, SU在信道上正确传输。
3.SU所有数据包丢失。这种情况是前一例的特殊情况, PU信道空闲, SU所有数据包在传输过程中丢失。
4.SU空闲。SU检测到PU, SU保持空闲, 吞吐量为0。
5.虚警。PU信道空闲, 但由于错误地感知到一个PU, SU决定留在空闲状态, 吞吐量为0。
6.误检。PU出现, SU不能感知到PU, 导致和PU碰撞, 所有数据包下降, 吞吐量为0。
表1为频谱感知和接入结果。PU实际信道状态, 1为PU信道空闲, 0为PU出现;SU感知, 1为PU信道空闲, 0为PU出现。
(二) 协作频谱感知。协作感知可分为三种:集中式、分布式和中继辅助式[4]。
1.集中式。集中式协作感知中, 融合中心是一个在控制和组织协作中起着核心作用的实体。集中式协作感知过程包括三个步骤。一是融合中心选择被感知的授权频段, 并发送一个要求邻居SU协作的请求。二是回应该请求的协作SU独立地感知PU信道, 之后报告感知结果。三是当所有的感知结果到达融合中心, 融合中心使用一些决策融合准则融合协作数据, 如AND, OR和K/N, 最终感知结果分别返送给每个协作SU。
2.分制式。分布式协作感知和集中式协作感知的主要区别是, 前者不依赖于集中式融合中心决定最终感知结果。分布式协作感知的步骤为, 每个SU将其感知结果传播到邻居SU, 基于每个SU自己的决策融合准则, 并综合考虑个体感知的结果和接收到的数据, 得出一个PU状态的最终结果。每个SU重复以上步骤, 通过几次迭代, 直到收敛到一个PU信道状态一致的决策。
3.中继辅助式。当感知信道或报告信道不理想情况下, 适用中继辅助协作感知。中继辅助方式减小了不理想信道的负面影响, 从而提高了全局感知性能。
三、协作路由
路由协议分为主动式路由、按需式路由和混合式路由[3]。按需式路由可分为动态源路由 (DSR) 、按需距离矢量路由 (AODV) 和多信道路由 (MCRP) 。各种协作路由, 可依据选择准则的不同对它们进行分类。
(一) 基于节能的协作路由。高效节能的协作路由算法分为两类。在第一类中, 目标是最大限度地减少端到端传输的总能量消耗。在大多数的协作路由算法中, 节能是通过最大限度地减少发射机和中继节点的发射功率。第二类中, 算法的目标是延长网络的生命周期, 网络寿命的定义是到第一个节点死亡的时间。第一类别或二类提出的所有节能算法, 显示了在不同网络条件和约束下的高效节能。第一类中的算法只集中在最小化从源节点到目标节点的总能量消耗。然而, 始终使用最小消耗路径的路由可能会导致节点间不平衡的能量分布。
(二) 基于服务质量 (QoS) 的协作路由。基于QoS的协作路由算法由下列参数描述:吞吐量, 丢包率和中断概率。除了高效能量, Qo S也是衡量网络性能的一个重要标准。在一些关键应用, 如安全、火灾探测和健康监测, QoS是需关注的一个重要指标。协作路由中QoS的目标是找到一个满足给定约束的网络路径, 同时优化资源的利用。基于QoS的协作路由算法分为三类:基于吞吐量的协作路由算法, 最大化网络吞吐量。丢包率, 丢包率定义为成功传递到目的地的发送数据包的百分比, 是QoS的一个参数。中断协作路由算法, 考虑协作路由的中断概率。中断时发生时, 目标节点无法检测到来自源节点的信号。
(三) 基于最小碰撞的协作路由。多源节点和多目的节点 (即多个流) 的协作路由的主要挑战是数据包碰撞, 利用协作路由可减少碰撞概率。该算法计算每个协作链路的成本函数, 然后应用最短路径发现最小碰撞概率的路径。通过结合协作传输, 功率分配, 路由选择, 实现最小碰撞协作路由。
(四) 集中式和分布式协作路由。在集中式协作路由协议中, 中心节点收集信息, 以检查潜在的协作链路和中继节点。该信息包括拓扑结构和衰落信息, 有助于协作路由的决策。例如, 中心节点收集协作链路的成本函数和信道特性, 在收集的信息基础上, 中心控制器选择路由。
在协作应用于非协作路径的路由算法中, 中心控制器收集有关节点位置的信息和每个链路的成本函数, 并选择最好的非协作路径。
在某些无线网络的实际应用中 (如自组织网络) , 不可能有一个中央节点, 路由需要以分布式的方式构造。在分布式协作路由协议中, 每个节点从相邻节点处得知网络状态 (如本地的拓扑状态和单跳连接的链路成本函数) 。每个节点在它自己的本地数据库中存储信息, 每个节点都可作为待选的中继节点和下一个节点。
对于路由, 中继节点的选择和资源分配, 实现分布式协作路由算法的主要挑战是有需要的信息, 节点通过发送和更新到邻居节点的信息来处理这个挑战。
(五) 协作路由中继节点的选择。选择合适的中继节点是协作路由的关键问题[5,6]。在具有多个中继节点可供选择的情况下, 还需要解决如何选择一个最佳的中继节点的问题。由于无线信道的传输衰耗与传输距离为指数关系, 在源和目的之间加入中继后, 使收发设备间的传输距离缩短, 可在发送功率不变的情况下, 提高接收信号功率, 改善传输质量。
在蜂窝系统的传输中, 也可以利用终端作为中继来扩大基站覆盖范围。当中继节点位于基站和用户的中间时, 效果最好;而当中继随机分布时, 选择离基站和用户的中间点最近的用户作为中继时, 虽然性能有所降低, 但仍然能在同样的服务质量要求下明显扩大基站的覆盖区域, 并且覆盖区域内的用户越多, 性能改善越大。
四、结语
认知无线电网络协作通信会同时带来增益和开销。与个体感知比较, 协作感知对提高感知精度是有益的。协作在一定程度上减小了多径衰落和阴影的影响, 提高了系统的抗路径损耗。此外, 协作增加了感知时间和数据吞吐量。因此, 感知性能和网络吞吐量之间需要一个折衷。节能是无线网络的一个关键因素, 由于发射机和协作伙伴之间的通信, 给协作带来额外的能量消耗。通过减少审查的报告信息, 能量消耗和感知性能达到平衡, 从而减少感知能源损耗。
协作路由比没有协作的路由, 可更好地利用节点的能量储备, 能够在更短路径上分发大量的数据包到达目的地。当节点能够调整其发射功率时, 这些结果可得到进一步的改善。此外, 网络连接度会影响协作路由的性能。在一个松散连接的网络中, 协作会致使更多的数据包到达目的地, 但却增加了节点的平均能耗。当网络拓扑是紧密相连的, 协作得到更多的路径选择, 能够更好地利用可用的能源。
将人工智能、机器学习等引入到认知无线电网络协作频谱感知与路由算法中, 实现智能化的资源调度、配置和管理, 对认知无线电网络的发展具有积极作用。
参考文献
[1]Laneman J, Tse D, Wornell G W.Cooperative diversity in wireless networks:Efficient protocols and outage behavior[J].IEEE Trans.Inf.Theory, 2004, 50 (12) :3062~3080
[2]S.Haykin.Cognitive radio:brain-empowered wireless communications[J].IEEE Journal on Selected Areas in Communications, 2005, 23 (2) :201~220
[3]Fatemeh Mansourkiaie, Mohamed H Ahmed.Cooperative Routing in Wireless Networks:A Comprehensive Survey[J].IEEE Communications Surveys and Tutorials, 2015, 17 (2) :604~626
[4]I.F.Akyildiz, B.F.Lo, R.Balakrishnan.Cooperative spectrum sensing in cognitive radio networks:A survey[J].Journal Physical Communication archive, 2011, 4 (1) :40~62
[5]J.L.Rebelatto, B.F.Uchoa-Filho, Y.Li, et al.Multiuser cooperative diversity through network coding based on classical coding theory[J].IEEE Transactions on Signal Processing, 2012, 60 (2) :916~926
感知无线电 篇7
随着无线通信技术的飞速发展,无线频谱资源紧张的矛盾日益加剧,认知无线电技术(Cognitive Radio)[1]的出现是解决以上矛盾的有效方法之一。在认知无线电技术中次用户(Sencondary User)必须有效地检测现有频段中主用户(Primary User)的存在与否和在次用户占用此频段过程中一旦检测有主用户存在必须立刻让出此频段,改为使用其他没有检测到主用户的频段。因此频谱检测技术是认知无线电中的关键技术之一。频谱感知技术面临的主要挑战主要有以下几个因素。首先,主用户的信噪比(SNR)可能是很低的。其次,多径衰落和时间的无线信道色散使频谱感知更加困难。此外,噪声的不确定性同样对系统检测性能带来很大的影响。现有的频谱感知技术主要有:匹配滤波检测(MF)[2]、循环平稳特征[3](cyclostationary feature detection)、能量检测(ED)[4]以及合作检测[5]等。匹配滤波检测方法能使接收机的信噪比最高,是最优的检测方法。但它需要知道PU发射机信号的先验知识,这一要求在实际情况下是很难满足的。循环平稳特征感知是一种高效的检测方法,但是该方法计算复杂度较高、系统计算时间长[6],而且和能量感知算法一样受噪声功率不确定性影响,感知器存在“SNR wall”[7]现象,但能量感知在噪声确定的情况下,是一种快速有效的盲检测算法[8]。PCA感知算法无需知道主用户的先验信息,而且能够将噪声和信号区分开来,具有很好的感知性能而且不受噪声不确定影响[9],但接收端所需信号样本数量往往较大造成检测时间较长[4]。本文提出一种基于能量和协方差检验的联合频谱感知方法。该方法首先利用双门限的能量检测,若能量落在双门限两端,则直接进行判决,若能量落在双门限的混淆区域,则对信号进行PCA感知。该二次感知算法作为一种盲感知算法,弥补了单次感知算法的不足同时感知性能也得到了提高。
1系统模型
单节点对频谱空穴的检测是一个二元检测问题,检测模型为
式(1)中x(n)是检测阶段接收到的信号的样本值,s(n)是来自于主用户的样本值,w(n)是接收到的加性高斯白噪声(AWGN)且方差为σ2w。H0表示次用户(Secondary User)只接收到噪声,没有主用户(Primary User)的信号。H1表示SU接收到的信号既有来自于PU发射机的信号又有噪声信号。
2感知算法
2.1能量感知
能量检测作为目前对未知确定性信号的最有效检测算法[4],通过计算在时间带宽积内的信号能量,与预先设定的门限进行比较,得到检测结果。由式(1)的信号模型可以得到判决统计量Y。
式(2)中χ22TW和χ22TW(2γ)分别表示中心和非中心卡方分布,每个具有2TW个自由度,同时2γ是一个非中心参量,γ表示瞬时信噪比。为了简单起见,假设时间带宽积TW为整数,用m来表示。那么,检测统计量的概率密度函数(probability density funtion,PDF)为
式(3)中,Γ(.)表示完整的Gamma函数,Iv()为v阶第一类修正贝塞尔函数。
对于给定瞬时信噪比γ和判决门限值λ,在高斯白噪声(AWGN)信道下,认知用户的虚警概率Pf和检测概率Pd分别可以写为
其中Γ(·)是Gamma函数,γ是接收样本的信噪比,Qm(.,.)为广义Marcum Q函数。
能量检测通常依照给定的虚警概率Pf求得判决门限为
2.2 PCA感知
接收信号采样协方差矩阵包含了信号在信道中产生的衰落和延时的变化。PCA感知算法是利用接收信号采样协方差的最大特征向量来代表信号的特征,无需知道主用户的先验信息,而且能够将噪声和信号区分开来,并得到很好的检测性能[9]。由式(1)的感知模型中首先将接收到得信号S(n)取N个时延采样数据,这些数据组成N维的向量。
由(1)式的信号模型可以得到
信号及噪声的时延统计协方差矩阵为
因为w(n)是WGN,我们可以得到:RW=σ2wIN,IN是N×N单位矩阵。首先我将得到的进行特征值分解得到{λ1,λ2,…,λN},对应的特征向量为{φ1,φ2,…,φN},假设λ1≥λ2≥…≥λN。
由于在实际应用中,可供利用的采样值是有限的。假设接收信号在检测周期内是随机平稳过程,可以用时间自相关近似代替统计自相关。将接收到的连续样本值分为m段每段有Ns个数据,定义第m段的协方差估计值Rx,m^为Rx,m^=1Ns∑i=Ns+Ns(m-1)i=1+Ns(m-1)xix*i(15)
则可定义相似度即检测统计量为
当Ti,j>γPCA时可认为H1成立,其中γPCA为检测门限。检测门限γPCA由相应的虚警概率Pf确定。
2.3二次感知算法
由于能量算法具有以下特点:1)感知算法简单,感知时间短,在AWGN信道中SNR较高时感知节点仅需较少的样本值就可以具有较高的检测概率。2)低信噪比或扩频通信情况下,信号淹没在噪声中,能量检测急剧恶化不能有效判决主用户是否存在;3)能量检测只是计算信号的能量,不能区分信号、噪声和干扰,因此无法有效判决。
PCA检测充分利用了信道的多径,克服了认知用户接收机的过采样等不利信息,对接收信号进行延时相关运算,得出了协方差矩阵然后对矩阵进行奇异值分解得到最大特征矢量来作为主用户信号特征的方法来判断主用户信号存在与否的算法。PCA感知算法相比较循环平稳检测有较低的算法复杂度,而且在噪声不确定性情况下同样可以保持较高的检测概率。鉴于上述两种方法的特点,本文将两者结合起来,提出了一种基于双门限的能量-
该方法首先用能量检测进行初检利用公式(8)由不同的虚警概率Pf确定双门限,对能量落在门限两端的信号, 则直接判决,对于能量落在之间的信号, 采用PCA感知算法。
上述判决方法中,双门限的取值非常重要, 高门限将影响感知概率Pd, 取值越大则Pd将会变小。低门限将影响检测概率, 取值越小Pd越大, 但会增加算法的复杂度。由于频谱感知中感知速度和可靠性是衡量算法的重要标准。需要综合考虑检测概率, 算法感知时间和虚警概率, 选择合适的双门限值。
3 仿真结果及性能分析
在Matlab仿真中, 假设在加性高斯白噪声(AWGN)环境下σ
从图2中可以看出,能量检测算法检测性能随着信噪比的降低而降低,但随着采样点数的增加而提高,当采样点数超过一定点数时性能提升并不十分明显。但信噪比较低时,检测概率随着采样点数的提高,变化较慢。因此,无法通过增加采样点数来提高低信噪比的信号检测质量。
图3给出了能量感知算法和PCA感知算法在不同信噪比下得到的ROC曲线。其中在PCA检测中,虚警概率Pf=10%,Ns=105,N=64,作为对比能量感知采用相同条件。图中可以看出当SNR<-8 dB时PCA感知算法要明显优于能量感知算法。
在考虑噪声不确定的影响时,噪声方差的估计值可表示为
η～(10-b/10,10b/10),其中
由式(6)、式(17)可得在噪声不确定情况下, 能量检测的判决门限需要通过不确定度进行修正
图3中ED-1 dB和PCA-1 dB 表示噪声不确定性为 1 dB情况下的能量感知算法和PCA感知算法,图中可以看出噪声不确定性对能量感知算法有比较大的影响,而对于PCA感知算法则几乎没有影响。
图4所示为AWGN 环境下,三种感知方法的性能曲线。其中SNR=-5 dB,对于虚警概率不妨设Pf.l=0.3,Pf.h=0.05,由式(18)确定混淆区域的判决门限的下限γL和上限γH。经过能量感知算法进行初检后, 当能量感知统计量γL<Y<γH时采用PCA感知方法,设虚警概率Pf=0.05, 由式(16)得到PCA感知门限γPCA, 然后通过PCA感知进行判决。本文采用多次仿真实验,并对结果求平均。图5给出了不同感知方案下感知概率随SNR的变化情况,从图中可以看出:(1)二次感知方案较传统的ED感知有了明显的改善,当SNR>-18 dB时感知概率高出15%,但在低信噪比时感知性能没有得到提高。(2)由于本方案中采用PCA感知算法所以对噪声不确定因素的影响有所改善要小些。(3)对于文中仿真所采用的窄带信号,PCA感知性能始终比能量感知好但这不是在任何情况下都成立的,当信号样本间的相关性很弱时,能量检测将占优,对于完全独立的信号,PCA 感知算法将失效。
4 结论
频谱检测技术是认知无线电的关键技术之一,论文在分析了现有频谱感知算法面临的问题的基础上,提出了一种基于能量感知和PCA感知的二次感知方法,该方法不需要知道主用户信号的先验知识和噪声方差信息,克服了单次感知方法的不足,同时考虑了实际应用中样本数有限的问题,充分利用了能量感知算法和PCA 感知算法在算法复杂度和感知性能上的优势,进行双门限下的二次感知。仿真结果表明,这种二次感知方法一方面在算法复杂度和感知性能方面得到了均衡。另一方面, 该算法是一种盲检测算法,无需知道主用户的先验信息。因此, 二次感知算法完全弥补了单次感知算法的不足, 具有较高的检测精度,是一种快速精准的盲频谱感知算法。
摘要：在认知无线电(Cognitive Radio)系统中准确快速地频谱感知是有效通信的前提。如何均衡感知性能与感知时间是频谱感知技术面临的难题之一。现有的一次检测算法在这方面各有利弊。结合能量感知和PCA(Principal Component Analysis)感知的优势提出一种二次频谱感知的算法。首先利用双门限的能量感知算法进行初检。然后使用PCA感知算法对能量感知算法中检测值落于中间混淆区域的情况进行二次判决,以实现空闲频谱快速准确的感知。最后对该感知算法和其他传统感知算法的性能进行了仿真分析。仿真结果表明二次频谱感知算法提高了认知系统的频谱感知性能同时缩短了感知时间。
关键词：认知无线电,频谱感知,能量检测(E-D),PCA二次感知
参考文献
[1] Mitola III J, Maguire Jr G. Cognitive radio: making software radios more personal. Personal Communications, IEEE,1999;6(4):13—18
[2] Sahai A,Hoven N,Tandra R.Some fundamental limits in cognitive ra-dio.Allcrton Conf on Commun,Control and Computing 2004,October 2004
[3] Gardner W A.Spectral correlation of modulated signals:Part II-digi-talmodulation.In:IEEE Transactions on Communications,1987;35(6):595—601
[4] Yucek T,Arslan H.A survey of spectrum sensing algorithms for cog-nitive radio applications.In:IEEE Communications Surveys&Tutori-als,2009;11(1);116—130
[5] Unnikrishnan J,Veeravalli V.Cooperative sensing for primary detec-tion in cognitive radio.IEEE Journal on Selected Areas in Signal Pro-cessing,2008;2(1):18—27
[6] Cabric D,Mishra M,Brodersen W.Implementation issues in spectrumsensing for cognitive radios.In:Proceedings of 36th Asilomar Confer-ence on Signals Systems and Computers,2004;1:772—776
[7] Cabric D,Tkachenko A,Brodersen R.Spectrum sensing measure-men-ts of pilot,energy,and collaborative detection.Military Communica-tions Conference,2006;MILCOM 2006:1—7
[8] Cabric D,Tkachenko A,Brodersen R.Spectrum sensing measure-men-ts of pilot energy and collaborative detection.Military CommunicationsConference,2006,MILCOM 2006.2006:1—7
[9] Zhang P, Qiu R,Guo N. Demonstration of spectrum sensing with blindly learned feature. Communications Letters, IEEE,2011