频谱干扰（精选5篇）
频谱干扰 篇1
无线通信技术具有组网灵活、建设周期短、组网成本较低等优势, 是实现电网企业大量终端设备接入的重要技术[1]。目前我国电网企业应用较多的无线通信技术主要有230MHz数传电台、多载波无线信息本地环路 (Mc Wi LL) 、时分-长期演进 (TD-LTE) 等技术。考虑到无线通信系统传输业务种类较多, 从传输速率、实时性、可靠性和安全性角度可将所承载的电力业务分为三类。 (1) 基础数据业务:包括用电信息采集、配电自动化、负荷控制。该类业务具有带宽要求低、接入业务量大等特点。其中配电自动化 (三遥) 和负荷控制业务对实时性、安全性、可靠性要求高。 (2) 扩展业务:包括分布式电源接入 (10k V) 、电动汽车充换电桩、图像采集。该类业务具有采集频率低、扩展性强等特点。其中分布式电源接入 (10k V) 、电动汽车充换电桩业务安全性、可靠性要求高。 (3) 宽带业务:包括输电线路监测、视频监控和移动办公业务。该类业务具有带宽需求大 (单点平均速率通常为512kbit/s以上) , 业务点分散等特点, 其中移动办公对安全性要求高。
无线电磁波是无线信息的传输载体, 我国无线电频率资源由工业和信息化部无线电管理局进行管理, 根据国无管[1991]5号文件规定, 目前仅有223MHz~235MHz (简称230MHz) 频段之间的40个离散频点共计1M带宽授权给电力企业传输负荷监控业务。建设电力无线专网通信系统, 需采用TD-LTE技术中的频谱感知和频谱聚合技术对授权频谱进行虚拟频谱聚合, 以达到提升离散频谱资源使用效率的目的。
频谱共享技术介绍
TD-LTE230MHz电力无线通信系统采用TD-LTE技术在230MHz频段传输电力业务信息, 目前该系统已在浙江海盐供电公司、江苏扬州供电公司等单位应用, 其关键技术主要包括正交频分复用多址 (OFDMA) 技术、干扰协调技术、自适应重传技术、频谱感知技术、离散频谱聚合技术等, 其中频谱聚合技术可使得TD-LTE230MHz系统采用电力外其他行业的空闲频段进行业务传输。载波聚合是在频谱决策的基础上, 通过频率的组合或裁剪实现频谱资源的充分利用, 可以灵活控制和分配频谱、时间、功率、空间等资源, 其最有效的技术手段是正交频分复用 (OFDM) 技术。载波聚合技术可以灵活地在正交的子载波族中进行选择, 尽可能多的使用“频谱空穴”, 避开信道状况变差的子信道, 使得整个系统受到的干扰达到最小, 同时降低系统对外的干扰, 大大提高系统性能, 是目前公认的比较容易实现载波聚合的方法。
考虑到空闲频谱资源可能随时会被其他行业占用, 不同行业的无线通信系统将存在同频干扰问题, 影响无线通信系统正常工作。本文基于认知无线电 (Cognitive Radio, CR) 技术研究频谱共享技术, 通过研究无线频谱的干扰温度, 分析无线频谱聚合使用后对其他系统的频谱干扰问题, 以提升无线通信系统对空闲频谱的使用效率。
无线频谱共享方案
为便于区分授权用户和认知用户, 通常将认知用户称为二级接入用户、未授权用户、从用户、动态接入用户等, 授权用户一般称为主用户。为保证主用户接收到的干扰低于可以忍受的本底噪声水平 (一般称为干扰温度) , 需要实时测量主用户各频段的干扰温度, 干扰温度定义为:
式中:PI (fc, B) 表示频点为fc、带宽为B赫兹频段内的平均干扰水平;k为Boltzmann常数, 其值为1.38×10-23J/K。从干扰温度的定义可以看出, 干扰温度反映了授权系统所接收的平均干扰水平。为了不影响授权用户的工作, 认知用户的发射功率应不超过干扰温度限 (Interference Temperature Limit, ITL) 。基于干扰温度的概念, 根据主系统和认知系统的交互信息种类, 提出三种分布式频谱共享算法, 以控制认知用户在未授权频谱的占用方式, 由于授权系统和认知系统为不同行业的应用系统, 假定授权系统与认知系统间不存在信息交互, 即认知系统完全根据各个频点的实时干扰温度选择是否放弃对该频点的使用。为对周围环境的无线干扰情况进行测量, 假定认知系统在工作环境中部署测量站点 (Measurement Point, MP) 用以实时监测干扰温度, 当监测到某个频点的干扰温度超过干扰温度限时, 测量站点将发送控制信息到认知系统, 关闭干扰频点, 以降低该频点的干扰温度。
为了防止各工作频点的干扰温度超出干扰温度限, 需要采取迭代方式逐步剔除超过干扰温度限的频点上面的终端用户, 并且所有用户需要同时更新发射功率。发射功率更新过程, 每个用户仅负责调整自己的发射功率, 无需解调其他用户的传输信息, 将其他用户的发射信号仅作为干扰进行处理。干扰温度测量工作由测量站点负责完成, 并且依据认知用户的状况发布各个子载波的干扰温度信息。测量站点与用户之间的交互信息仅包括信道状态信息和用户剔除信息。根据上述思路, 提出第一种降低干扰温度的认知用户删除方案, 方案一具体步骤如下:
(1) 每个用户为可用子载波分配相等的发射功率。
(2) 测量站点测量所有子载波的干扰温度, 并为超过干扰温度限的子载波剔除用户。按照各个用户到测量站点的发射功率进行排序, 首先选择发射功率最大的用户进行剔除, 再选择发射功率次大的用户进行剔除, 依次类推, 直到该子载波的干扰温度低于预先设定的干扰温度限。当无需删除用户后, 测量站点将各用户的剔除信息发布到认知用户。
(3) 所有认知用户接收剔除控制信息。如果用户放弃某些子载波, 转步骤 (4) ;如果不需要放弃, 则采用注水算法[2]调整各子载波的发射功率。如果当前分配结果与上次结果相同, 转步骤 (5) , 否则转步骤 (2) 。
(4) 每个认知用户为可用子载波分配相等的功率, 并将各子载波的干扰温度反馈到相应发射机, 认知用户采用注水算法分配功率, 转步骤 (2) 。
(5) 迭代过程结束, 认知系统的用户终端开始发送数据。
上述方案的主要缺点是测量站点需要知道所有认知用户的信道状态信息。由于测量站点接收的是所有用户的叠加信号, 将浪费时隙资源以得到每个用户的子载波状态信息。
为增强算法的实用性, 提出第二种方案用以简化测量站点与认知系统的交互信息。简化方案中的测量站点不需要知道认知用户的信道信息, 这将有助于降低测量站点的设计复杂度。方案二不需要认知用户将信道状态信息实时反馈到测量站点, 但测量站点需知道周围环境中认知用户的个数。方案二具体步骤如下:
初始过程中, 每个认知用户可以使用全部频点进行发射, 但是在发射数据之前, 需要通知测量站点。除步骤 (2) 以外, 其他步骤与方案一类似。在步骤 (2) 中, 由于缺少必要的环境信息, 假定所有认知用户对测量站点贡献的干扰均相等, 测量站点将会对超过干扰温度限的子载波上面的用户进行随机剔除。
由于认知用户与测量站点属于同一系统, 认知用户很容易将其子载波的信道容量反馈到测量站点以提升认知系统的传输容量, 为了保护授权用户传输效率同时兼顾认知系统容量, 提出第三种降低子载波干扰温度的方案。方案三具体步骤如下:
方案三的操作步骤与方案一类似, 仅在步骤 (1) 、步骤 (3) 中的用户信道信息和删除用户信息有所区别, 具体差异如下:步骤 (1) , 每个认知用户需将每个子载波的信道容量发送到测量站点;步骤 (3) , 对于干扰温度超过干扰温度限的子载波, 每次剔除具有最低信道容量的认知用户, 然后所有认知用户在允许的子载波上面重新分配功率。
仿真分析
考虑一个基于正交频分复用技术和认知无线电技术的电力无线通信系统, 共有5个终端用户在实验区域内发射数据, 区域模型为文献[3]规定的模型。每个认知用户发射装置的位置随机产生, 而接收装置则随机分布于以发射机为中心的的区域。假定测量站点位于原点位置, 每个子载波带宽为BW=20k Hz, 并且认知系统可用子载波数量为64个。多径信道建模为4径瑞利信道, 每条径的功率幅度均服从瑞利分布, 且功率幅度相互独立。无线通信系统的发射功率大尺度衰落模型按照传输距离的四次方进行建模。
每个认知用户的发射功率规定为10m W, 每个子载波带宽内的噪声功率为Pnoise=BW·N0=2×10-14W, N0为噪声功率谱密度。图1给出认知无线电系统总容量随干扰温度限的变化曲线, 横坐标中的ITL表示干扰温度限, k为Boltzmann常数, BW为子载波带宽。图1表明, 方案一依据测量站点和从用户之间的精确信息剔除用户, 其传输容量明显高于另外两种方案。当干扰温度限较小时, 需删除较多用户才能满足干扰温度的限制条件。当干扰温度限升高时, 由于需剔除的用户数减少, 三种方案的容量均会提高。
图2给出认知系统容量与认知用户发射功率之间的关系, 横坐标表示认知用户的发射功率。三种方案之间的性能差异与图1展示的规律相同。当发射功率变大时, 由于需要剔除较多的用户, 方案二和方案三的系统容量将会明显下降, 但方案一的性能下降不多, 这表明方案一能够很好的降低信道干扰。图2还表明认知系统的传输容量随着认知用户发射功率的增加有可能变小, 这表明需要将认知系统发射功率设定为合适范围才能保证系统具有较高的频谱效率。
结束语
本文研究适用于电力专用频谱资源的频谱共享技术, 分析频谱聚合后各频点干扰温度对授权用户的影响, 提出基于干扰温度限的终端用户删除方法以降低授权系统的同频干扰。考虑到测量站点与认知用户之间的交互信息难易程度, 提出三种迭代算法以消除同频干扰。仿真结果表明, 三种方案的性能与干扰温度限、用户发射功率有关。由于第一种方案基于认知用户间的精确信道状态信息进行设计, 认知系统容量明显优于另外两种算法, 这表明认知系统容量与认知系统感知到的环境信息有关, 该结论对于设计具有频谱聚合功能的电力无线通信系统具有重要参考意义。
参考文献
[1]刘海峰, 刘宗歧.用电信息采集系统深化应用研究[J].供用电, 2012, 29 (6) :40-42.
[2]Simon Haykin.Cognitive Radio:Brain-Empowered Wireless Communications[J].IEEE J.Sel.Areas Commun, 2005, 23 (2) :201-220.
[3]佟学俭, 罗涛.OFDM移动通信技术原理与应用[M].北京:人民邮电出版社, 2003.
[4]Yiping Xing, Mathur C.N., Haleem M.A., et al.Dynamic Spectrum Access with QoS and Interference Temperature Constraints[J].IEEE Trans.Mobile Computing, 2007, 6 (4) :423-433.
频谱干扰 篇2
在现代和未来的战争中, 固定频谱分配方案容易被侦察和干扰, 乃至被硬摧毁, 目前采用的各种抗截获技术和措施, 如跳频通信、捷变雷达、自适应天线、自适应跳频、智能天线、纠错编码和交织编码等, 已不乏侦察手段。另外, 在军事无线电领域, 战场电磁环境复杂多变, 背景噪声、自然干扰以及人为干扰尤其严重, 信号发送密集而频繁。与此同时, 战场越来越多的用户对频谱资源有着强烈的需求, 由于向频谱高端进行分配和发展又受到射频技术、微电子集成电路技术和器件价格的限制, 使得战场频谱资源显得稀有和缺乏。针对瞬息万变、稍纵即逝的战场电磁形势, 如何在恶劣的电磁环境中回避干扰进行可靠的工作, 解决战场频谱短缺和战场电磁环境恶劣的问题, 同时提高无线电系统容量、战场频谱管理效率、无线电系统抗干扰能力、保密性及可靠性、增强无线电系统互联互通能力, 已成为各国研究的重点。认知频谱决策应运而生, 且因其诸多的无可替代的优势, 必将在未来战争无线电领域扮演重要的角色, 使军用无线电发生革命性的变化。
在未来军事无线网络中, 准确描述信道可用性的模型是认知频谱决策首要任务之一。目前很多研究将信道的可用性用两种状态的离散时间马尔科夫模型来建模, 或假设信道空闲和被常规用户的占用时长都服从指数分布[1,2,3], 这两种模型都表征了信道空闲或占用时长分布的无记忆特性。通过对一些无线网络的信道使用情况进行统计分析, 证明信道处于占用和空闲的时长并不能用简单的指数分布来描述[2,3]。文献[4]提到了基于AR模型的频谱预测模型, 用来预测下一时刻的频谱可用性。文献[5-6]分别提出了用AR模型和隐马尔可夫链模型, 即根据当前感知到的信号功率判定当前是否有用户占用信道。以上这些模型的不足之处在于没有考虑无线网中用户占用信道统计规律随时间的变化, 算法仅考虑了指数分布情况, 无法在频谱空穴服从非指数分布的情况下, 对频谱空穴的持续时长做出估计。
无论军用还是民用无线网络, 其时变链路模型都包括两个尺度上的时变性。一方面由于用户随机占用信道而造成的无线信道可用性的时变性, 称为小尺度上的时变性;另一方面是由于用户在不同时段内占用信道的统计规律性变化, 造成无线信道可用时长和间隔的统计规律随时间改变, 称之为大尺度上的时变性。本文用一个马尔可夫链来描述无线信道的状态变化, 将链路在每个状态上当前已持续时间模型对应为一个马尔可夫链, 利用较短时间内的历史认知信息来计算链路在各个状态上的停留时间的实时分布。同时, 利用无线网络用户网络行为的长相关性, 即利用过去具有相似分布的数据来更新当前模型, 来描述大时间尺度上的时变性。利用该模型和两个尺度上的历史信息来学习和更新模型参数, 从而更快地跟踪频谱空穴分布变化, 预测频谱空穴的剩余时长, 为频谱决策提供依据。
雷达在工作过程中, 也不可避免地会受到各种有意或者无意的电子干扰, 这些干扰会在一定程度上影响雷达的工作性能, 在干扰严重的情况下, 可能会使雷达工作失效。因此, 研究内容也能够应用于雷达系统中, 使得雷达能够实时感知干扰信号的频率, 而采用相关技术避开干扰频点, 提高雷达的认知能力[7], 达到雷达抗干扰的目的。
1 基于预测的马尔可夫链路建模
假定由若干个常规用户和若干个认知用户组成无线网络。可用频谱分为n个相互正交的信道。在不干涉常规用户的条件下, 认知用户智能地利用时变的空闲频谱工作。每个认知用户都具有收发功能, 但某一时刻只能工作在某一信道上, 认知用户可以在很宽的频谱范围内进行频谱感知, 周期性检测信道上是否有常规用户占用或出现, 并且总能正确感知信道状态。如果检测到常规用户占用信道, 则迅速切换到新的频段上工作。
马尔可夫过程是指系统可划分成若干个可数状态的随机过程, 是有记忆的随机过程。一个马尔可夫链X (n) 连续地从一个状态转移到另一个状态, 系统在任一状态上停留的时间是一个随机变量, 也就是说考虑一个系统存在状态0, 1, 2, …, N, 当系统进入状态i时有:
(1) 系统从状态i转移到下一个状态j的概率为pij, i≠j;
(2) 如果下一个状态为j, 那么系统在状态i上的时间服从分布STij。
图1为马尔可夫过程{Z (t) , t≥0}, X (n) 则是马尔可夫链Z (t) 的嵌入式马尔可夫链。图中ts表示当前时刻, tN-1表示系统本次进入当前状态的时刻, tN表示系统将要发生状态转移离开当前状态的时刻, Ti为状态持续时间, Ut为驻留时间, Vt为剩余时间。
在无线电环境下, 根据认知用户感知的链路状态值, 将链路划分为若干个可数状态{Sk, k=1, 2, …, N}, 链路不断地从一个状态转移到另一个状态, 构成一个马尔可夫链X (n) 。但是由于信道处于某个状态的时间长度是一个不确定的随机变量, 因此可以用一个马尔可夫过程Z (t) 来描述认知无线时变链路的状态变化过程。
设链路的当前状态为Si, 下一个进入的状态是Sj, 系统在Si状态下的时间服从分布STij。令Ti表示马尔可夫过程的状态时间, Hi (t) 是随机变量Ti的分布函数, 则有
只要合理划分系统状态和提取模型参数Pij及STij, 就可以实现频谱预测。
2 基于预测的频谱决策算法
2.1 模型参数的求取
在无线网络中, 为了降低被截获概率和提高抗干扰能力, 认知用户只能使用当前未被常规用户占用的频段, 当认知用户感知到常规用户出现或者干扰出现时, 必须退出该频段, 即认知用户应能在时变链路中实时感知频谱和决策。本文将基于无线电环境下的链路时变模型, 重点研究基于预测机制的频谱决策算法。分别用1和0来表示常规用户占用/未占用信道两种状态。当链路处于0状态时, 嵌入马尔可夫链X (n) 的下一个状态只能是1;当链路处于1状态时, 嵌入马尔可夫链X (n) 的下一个状态只能是0。即
以下主要讨论STij参数的提取。由于常规用户出现和占用时长的随机性, 链路处于任一状态的时间Ti都是一个随机变量。因为链路只有两个状态, STij只有两种情况:ST01和ST10。ST01表示链路处于0状态, 下一状态为1时的时间时长分布;ST10表示链路处于1状态, 下一状态为0时的时间时长分布。也就是说, ST01是频谱空穴时长的分布;ST10是链路上常规用户占用时长的分布。
由于认知用户周期性地感知链路状态, 可以把链路处于某个状态的年龄Ut按照频谱感知间隔离散化。设Ut=mTs, (0≤m≤N, N为有限自然数) , 表示链路处于当前状态的年龄为mTs, Ts为感知间隔, 并假定为常数。这样, Ut可以模型化为一个马尔可夫链, 其状态空间为{0, 1, 2, …, N}, N可以根据实际需要选取。当Ut=0时, 表示链路处在马尔可夫链Z (t) 的另一状态。设qij是马尔可夫链Ut状态转移矩阵的第i行j列。Ut的状态转移如图2。
下面以马尔可夫过程Z (t) 处于状态0 (链路未被常规用户占用) 时为例, 阐述ST01提取过程 (ST10提取过程与之类似) 。由上面的离散化过程, 将ST01改写为ST01 (m) , m为正整数。设时间Ts的密度函数为f01 (m) , 那么, 由图2可有f01 (1) =q01q10、f01 (2) =q01q12q20和f01 (3) =q01q12q23q30。
从而经推导有
由于马尔可夫过程Z (t) 只有两个状态, 所以q01=1, 式 (3) 可以简化为
由于
因此就将求ST01 (m) 问题转化为求quv的问题。
为了不对常规用户产生干扰, 频谱感知间隔应远小于信道处于0或1状态的时间均值。由于感知到的数据序列将是一个连续的0和1交替的二进制序列, 因此采用状态树来保存和维护链路的历史状态信息和各次分段信息。随着感知信息的不断到来, 树结构深度不断增加, 频度信息也不断积累。这些信息的积累过程, 也是状态时间分布的学习过程。
如果常规用户占用频谱的时长有一个稳定分布, 那么上述模型经过训练后, 尽管频度信息仍然不断增加, ql-1, l和ql, 0仍会收敛到一个稳定的值, 此时将获得一个稳定的模型参数。研究表明:大部分常规用户在各个时段内使用频谱的方式并不相同, 而且, 各个时段的通话时长分布也不相同[7]。在这种情况下, 不但信道的可用性是时变的, 而且常规用户占用信道的统计规律也是时变的。此时过时的数据将会在状态树中积累, 状态树中参数将会退化为开始时间到当前时间的平均分布。因此, 当常规用户占用信道的统计规律随时间改变时, 模型必须有自适应更新的能力, 实时跟踪常规用户使用共享频谱的分布变化。解决这一问题的方法是定时清零, 对具有相对统计规律的军用无线电系统, 可根据实际应用情况将定时清零时间间隔设置较长, 而对于复杂多变的战场无线环境, 可将定时清零时间间隔设置较短以解决历史认知信号与实际信号出现的偏差。
研究发现, 当前常规无线网络的信道占用特性具有明显的长相关性, 在较大时间尺度上则具有明显的周期性。设该周期为Tp, M (t) 为模型在时刻t的参数。在一个周期的每个更新时段开始时刻执行以下操作:
式中λ为权重。
应用蒙特卡罗方法可以求得转移概率, 得到马尔可夫链的状态时间分布, 从而可以获得马尔可夫链Z (t) 的所有参数。
2.2 频谱决策算法
在获得马尔可夫链Z (t) 的所有参数, 尤其信道的状态时间分布和转移概率后, 下一步则是研究在常规用户或干扰出现时如何进行频谱决策。如果频谱空穴随机地分配给各个认知用户, 而不考虑用户的特定服务请求和各个信道上频谱空穴的分布规律, 必然会导致不必要频谱转移, 降低无线网络的性能。以往的研究者往往利用单步预测或者均值匹配的方法为用户请求分配信道[4,5]。用户会话请求时间往往长于感知间隔, 单步预测只能预测下一感知时刻的状态, 无法根据不同的会话请求时长为用户提供合适的频谱。作者提出的基于马尔科夫链的频谱决策算法 (Spectrum decision algorithm based on markov link, SDAML) 利用二维时变链路模型得出的频谱空穴时长实时分布和频谱空穴当前持续时间, 计算频谱空穴还将持续指定时长的概率, 为频谱决策提供依据。从而该算法能够在不同频谱空穴分布条件下进行多步预测。
假设信道i上的频谱空穴持续时长为Ti, 认知用户的会话时长请求为Tire, qn, n为该次会话请求的序号, n=0, 1, 2…。Ti和Tire, qn都是随机变量, 单位为频谱感知间隔。假定该频谱空穴在认知用户发起接入请求时已持续时间为Tdi, 该认知用户选择信道i发送数据在接下来的Tire, qn时间内不会发生频谱转移的概率为
根据式 (7) , 可得
定义 , N为网络中总会话需求次数, n不同, i可能不同。PQOS的意义是在认知用户1次工作过程中不发生频谱转移的概率。如果能够准确地预知每个认知用户未来的每次会话需求, 就可以得到一个最优化的分配方案来最大化PQOS。但是这种预测是不可能的, 而且会话需求也不可能同时产生。考虑到pi, n与频谱空穴的当前年龄Tdi及会话请求时间Tire, qn有关, 因此没有必要如均值匹配算法[1] (Average matching algorithm, AMA) 那样为用户本次会话提供一个均值与本次会话时长请求最接近的信道, 而是选择pi, n最大的信道供用户接入。因此有频谱决策策略:
式中M为总信道数, Dn为系统给会话请求n提供的接入频谱。
3 算法性能仿真与分析
本节利用计算机仿真的方法验证论文提出的频谱决策算法在不同类型的频谱空穴时长分布下的性能。实验给出均匀分布情况下的仿真数据图。假设可用信道数为10, 认知用户会话请求间隔服从均值为10的指数分布, 会话请求时长服从不同均值的高斯分布。图3中可以看出在均匀分布下, 随机接入算法[8] (Random access algorithm, RAA) 和均值匹配算法的频谱转移概率PQOS均高于论文提出的算法, 偏离理想值较大。因为考虑到了频谱空穴时长分布的记忆效应和利用二维链路的时变模型, 该算法还能够准确地预测频谱空穴的剩余时间。
图4为瑞利分布情况下频谱转移概率PQOS仿真图, 由图4可以看出在非指数分布条件下, 随机接入算法频谱转移概率PQOS均高于论文提出的算法, 均值匹配算法和论文提出的算法频谱转移概率PQOS相当。因此, 算法即使在非指数分布条件下仍能够准确地预测频谱空穴剩余时间。
频谱更新时间仿真如下。在有着大量用户的网络中, 每个工作日各个时段常规用户占用信道的统计特性非常相似[1]。因此, 算法利用较大时间尺度上的历史数据更新模型中的数据来取代定时清零。首先学习一个周期内各个时段的常规用户占用规律, 在其后的各个周期内, 定时用学习好的数据更新当前模型。
图5为频谱空穴的时长分布, 图5中光滑曲线表示频谱空穴均值的实际变化曲线, 不规则抖动曲线是二维时变链路模型得出的频谱空穴实时分布均值。均值周期性变化的情况下采用式 (6) 的更新方式, 每个周期模型进行30次更新得出的实时分布均值与实际分布均值变化的比较, 用于仿真实验的常规用户占用信道统计规律有严格周期性, 取λ=0, 实际上可以根据常规用户占用信道统计规律在每个周期内的相似程度取不同的λ。可以看出, 使用二维时变链路模型能够很好的跟踪常规用户占用信道统计规律的变化。
4 结束语
仿真实验表明, 频谱决策算法即使在非指数分布的条件下也具有较好的性能。该频谱决策算法能在各种不同状态时长分布以及时变分布条件下给出频谱空穴时长分布规律, 具有很好的预测性能。该方法同样可以应用于雷达抗干扰设计中, 提高雷达的认知能力。
参考文献
[1]Lei G, Shoufeng D, Wanbin T, et al.Anti-intermittence source routing protocol in distributed cognitive radio network[C]//2008International conference on wireless communications, Networking and mobile computing.WiCOM, Dalian, China:[s.n.], 2008:177-183.
[2]Yarkan S, Arslan H.Binary time series approach to spectrum prediction for cognitive radio[C]//2007IEEE 66th Vehicular technology conference.VTC 2007-Fall, Baltimore, MD, United States:[s.n.], 2007:1563-1567.
[3]Jo D O, Park J H, Cho D H.QoS provisioning spectrum management based on intelligent matching and reservation for cognitive radio system[C]//2nd International conference on cognitive radio oriented wireless networks and communications.Crowncom, Orlando, FL, United States:[s.n.], 2007:530-534.
[4]Su H, Zhang X.Cross-layer based opportunistic MAC protocols for QoS provisionings over cognitive radio wireless networks[J].IEEE Journal on selected areas in communications, 2008, 26 (1) :118-129.
[5]Wen Z, Luo T, Xiang W, et al.Autoregressive spectrum hole prediction model for cognitive radio systems[C]//ICC 2008-2008IEEE International conference on communications workshops.Beijing, China:[s.n.], 2008:154-157.
[6]Akbar I A, Tranter W H.Dynamic spectrum allocation in cognitive radio using hidden markov models:Poisson distributed case[C]//2007IEEE Southeastcon.Richmond, VA, United States:[s.n.], 2007:196-201.
[7]黎湘, 范梅梅.认知雷达及其关键技术研究进展[J].电子学报, 2012, 40 (9) :1863-1870.
频谱干扰 篇3
关键词：干扰诊断,多级频率搬移,希尔伯特-黄变换,模态混叠
0 引言
由于信息技术的不断发展,电磁环境越来越复杂,这使得电磁兼容性(Electromagnetic compatibility,即EMC)问题越来越突出。为了保障正常的通信,有效地利用有限的频谱资源,建立有效的干扰协调机制显得尤为重要[1]。
为了给干扰协调提供科学、准确的技术依据,就需掌握干扰信号特征,包括基本参数和频谱特性参数。信号的干扰是非常复杂的,可能是平稳信号或非平稳信号,频域上也可能非常相近。传统的方法主要是从信号的频率、频率误差、射频电平、发射带宽和调制度等方面来测量信号的特征[1]。这些方法大都只适用于平稳信号,并且对平稳信号的分析能力还是有限的,特别是频率相近的干扰[2]。因此,本文从分析系统间电磁兼容性干扰场景出发,根据受干扰台站提供的干扰信号样本,采用希尔伯特-黄变换[3](Hilbert-Huang Transform,HHT)对干扰信号进行细化分析,获得详细的干扰信号的时频特征和边际谱。
1 希尔伯特-黄变换概述
为了尽可能多的从接收到的信号分析出干扰信号特征,采用具有自适应性能的时-频分辨率的HHT分析技术。HHT主要由两个大步骤组成[3]。第一步:经验模态分解(Empirical Mode Decomposition,EMD)筛分过程,用于把数据序列分解为有限的本征模函数(Intrinsic Mode Functions,IMF)分量;第二步:希尔伯特谱分析(Hilbert Spectral Analysis,HSA),对分解得到的每个IMF分量作Hilbert变换,从而得到时-频平面上的能量分布谱图(Hilbert谱),即得到瞬时频率和能量。
1.1 EMD筛分过程
筛分过程基于下面的假设:(1)信号样本至少有一个极大值和一个极小值;(2)极值间的时间间隔为特征时间尺度;(3)如果信号数据没有极值点只有拐点,可通过对信号数据进行一次或几次微分来获得极值点,再通过积分获得分解结果。
首先,我们要找到信号的本征模态(IMF)。IMF分量是按照以下流程得到的:
1)信号数据x(t)的所有极值点,将所有的局部最大值用三次样条插值函数形成数据的上包络,同理,将所有的局部最小值用三次样条插值函数形成数据的下包络,上下包络应覆盖所有的数据点,其均值记作m1,从原数据序列中减去m1得到第一个分量h1:
x(t)-m1=h1
2)判断hi是否是真实IMF分量。这里有个停止判别量
SD表示连续两个筛分结果的标准差,若SD在0.2到0.3之间,即可断定hi为真实IMF分量。否则执行第三步。
3)为了去除叠加波和使波形更加对称,得到真实的IMF分量,需要进行多次筛分。在下一次筛分的过程中,把hi,k-1看作待处理数据,即
4)满足条件2),则得到IMF分量。
然后,执行筛分过程算法:
其中,为分解出来的IMF分量,为残余信号;x(t)为原始信号。
1.2 希尔伯特谱分析
为了对分解出来的各个IMF分量进行时-频分析,需要用到HSA。HSA得出两个结论,一是信号经过EMD后的瞬时频谱,二是信号的边际谱。
对IMF分量ci进行Hilbert变换:这样,由ci(t)和组成一个解析信号zi(t),
由(1)中的第三式,可得瞬时频率[3]:
我们利用解析信号与瞬时频率,重写信号x(t)
一个信号可以用时间、幅值、频率构成的三维谱图来描述,其中幅值用时频平面中的等高线表示。这种幅值的时频分布便称为Hilbert幅值谱,简称Hilbert谱,记为H(ω,t)。对Hilbert谱中的时间变量积分,便得到Hilbert边际谱[3],定义为:
边际谱表示各个频率分量对信号总的幅值(或能量)贡献的大小。它是在概率的意义上表示各频率分量在整个信号样本的能量累积[3]。
2 模态交叠以及解决方法
2.1 有效EMD的条件
在某些情况下,使用EMD,得出的信号会出现模态混叠现象。模态混叠将会对信号的后续分解产生影响,使这些信号不能反映真实的物理过程[4]。因此,这里需要给出模态混叠产生的条件,即有效EMD条件。以含有两个信号分量的信号为例
有效EMD的条件为:
2.2 模态混叠解决方法
系统间的无线电干扰主要包括,同频干扰、邻频干扰和互调干扰。其特点是干扰频率与被干扰频率很接近。直接使用EMD,很可能会产生模态混叠现象。为了在干扰分析中使用EMD,我们必须对信号做一些变换处理,使之能够达到EMD条件,这种方法就是频率搬移法[4]。频率搬移法的主要思想是,若(2)式中f2f1>0.5,则寻找一个频率f0使得
经换算,f0取值范围为:
若经过一次搬移,还不能得到单频信号,我们将再次对产生混叠信号部分进行频率搬移,然后进行再次EMD。下面,我们将在matlab中,采用二级频率搬移,以互调干扰为例,验证此法。
3 基于HHT的无线电互调干扰诊断
基于上述方法,进行互调干扰分解诊断。我们采用的信号(图1)为:含有f1为452MHz和f2为451MHz两个频率的信号进入非线性器件后,产生频率fi1,fi2为453MHz和450MHz的三阶互调干扰信号。信号样本时间长度T=10-6s,采样频率为1024。
4 直接使用EMD
直接采用EMD的分解情况如图2。图2(左)是EMD的结果。可以看出,直接EMD得到的前五个分量都存在严重的模态混叠,第6、7个是单频信号,但是频率太低,不是真实的IMF分量。所以直接使用EMD不能只分解出信号的干扰分量。
下面计算此信号的FFT频谱和Hilbert边际谱(图2右),可以得出:
1)存在严重模态混叠情况下,得到错误信号分量,这在实际分析过程中,若不注意,会导致错误分析结果。
3)从FFT频谱图中,可得出该信号能量主要集中在440MHz到460MHz之间,其中信号最强的两个频率为449.6MHz和453.6MHz。
根据FFT频谱分析,可设置f1=453.1MHz,f0=448MHz,则根据(4)式取f0=448MHz,搬移频率后进行EMD和HHT谱分析。
4.1 第一次频率搬移
频率搬移后,输入信号频率大幅减小,我们在信号样本许可的情况下,降低采样率为256。下面是EMD分解信号:
由图3-A1得出,C1还是出现了模态交叠现象,含有至少两个频率分量,主要集中在信号时间0.3到0.7之间。而C2和C3已经被成功分解出来,r4是分解到最后的信号残量。
图3-A2是HHT的时频分布图。可以看出,信号分解出的四条频率的信号,但是分解出来的信号存在模态叠加,就出现了时频谱有交叉的现象,这种现象在信号时间段内的中间部分表现的尤为突出;这表明信号时域的中间部分存在的多个本征模态混叠在一起。
从搬移后的边际谱(图3-A3)分析,已分解出的C2和C3频率分别是1.98和2.97MHz。对比FFT频谱,则完全不能分析出信号频率分量。这可以明显看出HHT在频率相近的信号干扰下的分解能力。
对于出现模态混叠的C1,是混叠了4MHz和5MHz的两个信号。在我们上次频率搬移时,这两个信号没有满足EMD的条件。因此,为了完全分解出信号,我们可以从分解的信号中提取出来,再次进行频率搬移。
4.2 第二次频率搬移
选择f0'=3.5MHz,搬移后频率为0.5和1.5MHz,我们将加长采样时间T'=10-5s,采用EMD分解为图7所示分量。由于第一次搬移后频率降低,原有信号样本不足以反映信号特征,因此我们在条件允许的情况下,增加了采样时间。从图3-B1中可以发现信号完全分解为两个单频的IMF。从时频图(图3-B2)看,两条IMF完全分开,不存在混叠,而且时频图平稳。计算边际谱(图3-B3)后,此次分解出来的两个信号频率为:0.5445和1.488MHz。
按照搬移过程回溯还原信号,得到分解出来的信号频率为:
5 结论
本文采用HHT来处理系统间电磁兼容性干扰。用频率搬移的办法来解决干扰信号在分解过程中出现的模态混叠现象。对受互调干扰的信号进行试验,结果表明,只要需找合适的频率搬移量,使得搬移后的频率分量满足EMD分解条件,就能够非常准确的分解出信号中的干扰分量。在仿真试验过程中,本文针对干扰信号的具体特点,提出多级频率搬移方法,解决干扰信号频率十分相近时模态混叠的问题。
参考文献
[1]翁木云,张其星等.频谱管理与监测[M].北京:电子工业出版社,2009.
[2]程军圣,于德介,杨宇.基于EMD的信号瞬时特征的小波分析方法[J].地震工程与工程振动,2004,(2).
[3]N.E.Huang,Z.Shen,S.R.Long,et al.The empirical mode decomposition and the Hilbert spectrum for non-linear and non-stationary time series analysis.Proc.Roy.Soc.,London.A.1998,454,903-995
频谱干扰 篇4
1.故障排查
某用户报修近期某地方卫视节目包无法收看。通过现场查看, 某地方卫视节目包传输的8个频道图像均显示黑屏。由于当地以前出现过空中信号干扰, 所以用TRILITHIC860DSPi频谱仪排查。通过测试用户终端盒, 发现导频信号正常65DB/62DB, 测试某地方卫视包对应频点419M, 发现电平信号也正常67DB, 但MER测试显示为20DB-UNLOCK状态, 由于MER无法锁定导致该地方卫视节目包均无法收看。
(1) 故障处理思路。
网内419M没有MER可能原因有两种:其一, 网内有源、无源设备或接头器件故障。其二, 空中同频信号干扰。由于故障地空中环境复杂, 且曾出现过空中信号干扰, 所以应先按照第二种原因排查。
(2) 故障处理过程。
(1) 仪器准备。TRILITH-IC860DSPi频谱仪、自制直径0.5米铜丝环形天线1根、网络各种接头及常用维修工具。
(2) 将自制直径0.5米环形天线接入TRILITHIC860DSPi频谱仪测试口, 在故障出现地区进行开路全频谱和单频点两种模式测试。空中信号全频谱测试显示, 很多频点均有空中信号, 最高处为67.2DB, 最低处50DB, 证明此处空中环境复杂 (见图1) 。空中信号419M单频点测试显示, 频点内有空中信号, 频点为419.93, 电平为71.6DB, 真好坐落在419M中心频点带宽内, 产生同频干扰, 证明空中干扰信号已耦合窜入网络内 (见图2) 。
(3) 确定故障产生原因后, 检查网络整体屏蔽性能和网内提高信号测试, 确定网络薄弱环节。首先在HFC网络光机端检查光工作站屏蔽性能正常, 将原有信号提高5～6DB (导频为88DB/99DB) , 测试419MER为38.2DB, 证明光工作站输出信号在线性范围内, 没有超过光工作站输出MAX值, 光工作站端OK。其次在楼栋放大器输入端测试导频信号正常, 但419M-MER确为20DB-UNLOCK, 通过检查输入端进线过流器件, 发现线路中1个过流器件其中1个接头为-9AL转F头, 有松动迹象, 随即更换为-9AL针头;接头拧紧到位, 测试放大端输入和输出端419M-MER为37.3DB, 楼栋放大器端OK。最后在用户门头测试419M-MER为36.2DB, 但在用户终端盒端测试MER仍为20DB-UNLOCK, 通过在用户家中线路排查发现, 用户自接1个不规范对接头, 随即更换为-5涨压头和双阴后, 用户终端盒测试MER为36DB, 故障排除, 用户正常收看某地方卫视节目包。
2.故障处理总结
(1) 通过TRILITHIC860DSPi频谱仪可快速检测网络内外的信号频谱, 排查时可结合应用测试, 方便快捷, 为故障快速诊断提供用力的帮助。
(2) 空中信号干扰强的地区, 必须做好从光工作站至用户终端网络所有设备和线路的屏蔽检查, 提高网络整体屏蔽性能。
(3) 空中信号干扰强的地区, 可提高光工作站或楼栋放大器的输出信号电平, 起到对空中信号覆盖作用, 但必须保持设备工作在线性范围内。
(4) 通过1个故障放眼全网, HFC网络的设备和电缆屏蔽性能都有MAX值, -9AL电缆也有使用寿命, 如果空中信号超出设备和电缆屏蔽性能MAX值, 该如何应对?随着三网融合的到来, 网络技术的进步, 网络的“光进铜退”是必然的趋势, 光纤到楼栋、光纤到户是未来的选择。
摘要：随着HFC网络升级, 频道资源拓展, 空中无线同频干扰问题不断出现, 在运维过程中较难排查。文章结合工作实践, 提出使用TRILITHIC (创立斯科) 860DSPi频谱仪对空中无线信号干扰频段快速定位, 并通过网内测试快速找到薄弱环节, 排查工作取得了较好效果。
频谱干扰 篇5
随着移动通信技术的迅速发展，用户对数据传输速率以及频带宽度的需求越来越大。与此同时，无线频谱资源紧缺的问题也日益严重，许多被授权的频段并未得到充分利用。长期演进LTE(Long term evolution)系统采用OFDM为关键技术，有效地提高了3GPP(The 3rd Generation Partnership Project)的系统服务质量[1]。并且认知无线电技术CR(Cognitive Radio)的使用能够有效地改善频谱资源不足的局面[2]。认知用户通过动态地感知当前频段，在不影响授权用户正常通信前提下接入空闲频段进行通信[2]。
OFDM技术不仅能更加灵活地动态分配可利用频谱，而且可以依据各个子载波上的衰落情况动态地调整各个子信道上所采用的调制解调方式、编码方式等，这些使得OFDM技术成为下一代移动通信系统首选的关键技术之一。为了使用户业务的数据速率更高，可以通过频谱聚合SA(Spectrum Aggregation)技术来增大用户接入的带宽，同时也避免了零散频谱的浪费。其中，SA技术中的DOFDM(Discontiguous Orthogonal Frequenc Division Multiplexing)技术具有很好的频谱兼容性，可以为高服务质量Qo S(Quality of Service)需求用户提供更大的带宽[3]。
鉴于上述的移动通信现状，本文针对认知无线电环境下通过OFDM技术传输的多认知用户不同频带需求的不断提高，同时在认知过程中出现的干扰现象及开销时间较大的情况，综合考虑上述技术因素，提出了一种新的基于避免干扰分组频谱分配算法CR-OFDM系统模型和与之相适应的系统帧结构。
1 系统模型及相应帧结构
1.1 系统模型
图1为本文提出的CR-OFDM系统模型。在该模型中，假设系统带宽为B，认知用户数为K,OFDM系统中子载波数为N。在OFDM传输系统中，某一时刻的子载波资源被授权用户占用，但是授权用户传输信息过程中并不会完全占用所有的子载波，N个子载波必定存在一定的频谱空洞。该系统模型中，CR模块依据频谱感知算法对当前子载波信息以及网络中获得的频谱信息进行感知。
感知子载波信息经过判决单元，可将频谱资源分为:白洞(可以被认知用户完全利用)、灰洞(可以被认知用户选择性地利用)、黑洞(授权用户占用，不可以被认知用户利用)。将判决结果和认知用户所需带宽的反馈信息同时经过频谱分配算法，合理地对可用频谱资源分配给K个认知用户。
最后将认知用户需要传输的数据信息流送入OFDM系统中，在发送端，K个并行的数据流经过调制后得到的N个符号进行IFFT变换，获得时域信号。时域信号再加上循环保护间隔，上变频之后发送出去。当信号通过衰落信道后，接收端处理的过程与发送端相反。
1.2 系统帧结构
根据系统模型，并且充分考虑感知信息及频谱聚合的可能性，提出与系统模型对应
的CR-OFDM帧结构，如图2所示。
帧结构是在子载波数为1024个的前提下提出的，最大多径时延为200 ns，帧长5 ms[4]。参照IEEE802.22.2标准[5]及文献[6]，确定了帧结构中数据传输检测时间和传输时间的比值为1/21。此帧可分为四个部分:前导序列、信息域(包括感知域、载波聚合域、速率域、长度域、校验域和补充比特域)、数据域以及FCS(Frame Check Sequence)校验域。
(1)前导序列:4个OFDM符号实现帧检测、帧同步和信道估计等功能[7]。
(2)感知域:7个bit用于表示感知到的所有子载波的个数。
(3)频谱聚合域:14个bit用于表示所使用的子载波的起始编号和终止编号，采用1024个子载波，均匀分布在编号为0的子载波两侧(不包含0)，则子载波编号范围为[-512,512]，起始子载波和终止子载波均用7个bit表示(包含1bit的正负位)。对频谱空洞进行分类处理:从时间上分为连续和非连续频谱;空间上分为规则和不规则频谱。对于规则连续的频谱可以采用传统的频谱分配方法分配，对于不规则非连续频谱，则采用DOFDM技术处理。
(4)速率域:4个bit LTE-A背景下，调制方式分为下行数据调制和上行数据调制。下行数据的调制主要采用QPSK、16-QAM和64-QAM这3种方式，上行调制主要采用π/2位移BPSK、QPSK、8-PSK和16-QAM。
(5)长度域:16个bit用于表示数据域中所承载的总的有效比特数目。
(6)校验域:1个bit用于对速率域和长度域进行奇偶校验和错误检错。
(7)补充比特域:4个bit当信息域中有效比特不能被其他域全部填满时，需要补充比特以保证帧中的帧信息域能够占用全部的有效比特。
(8)数据域用于表示帧中可以承载的有效数据的比特数目。
(9)FCS:4个bit用于检验帧中的数据是否正确。
2 CR模块中频谱感知分配算法
基于第1节所提出的系统模型及帧结构，充分考虑CR系统可能会出现误判，对授权用户造成干扰的情形，在频谱感知为白空及灰空的前提下，通过对图论着色模型[8]的分析以及对现有算法的研究，综合考虑到分配过程中频谱效益性和干扰频谱等方面差异性，提出一种基于避免干扰的分组频谱分配算法。
2.1 频谱感知分配模型
频谱分配模型矩阵描述为:
(1)干扰矩阵C={ci,k,j|ci,k,j∈{0,1}}I×I×J,ci,k,j=1表示用户i和用户k在使用频带j时产生干扰，ci,k,j=0表示用户i与用户k同时使用频带j时不存在干扰，可以同时使用。
(2)分配矩阵A={li,j|li,j∈{0,1}}I×J,li,j=1表示频带j被分配给用户i使用，I为用户数，J为总频带数。用无干扰的频谱分配矩阵表示最终的分配结果，因此A必须满足无干扰条件:
(3)效益矩阵B={bi,j}I×J,bi,j表征了用户i使用频带j所带来的效益权重。若将可用矩阵与效益矩阵相结合，可得出有效的频谱效益LB={li,j.bi,j}I×J。
(4)优先级矩阵W=(wi)，表示认知用户接入频谱先后顺序的优先级矩阵，wi表示用户i的优先级等级。
(5)发射功率矩阵CRP=(pi),pi表示用户i的发射功率，它是介于0和最大发射功率之间的。
把上述频谱分配抽象为一个图G=(U,Ec,LB)的着色。其中U是图G的顶点集，表示共享频谱的认知用户，LB表示顶点可选颜色集合和权重，Ec是边集，由干扰约束集合C决定，当且仅当ci,k,j=1时，两个不同的顶点(用户)u,v∈U之间有一条颜色为j(频带j)的边。于是满足无干扰条件的有效频谱分配对应的着色条件可以描述为:当两个不同顶点间存在j色边的时候这两个顶点不能同时着j色。
2.2 避免干扰的分组频谱分配算法
认知用户共享频谱应保证不对授权用户的传输造成干扰。在分配过程中应保证用户在各子信道上的传输功率总和不超过授权用户可以忍受的干扰功率门限Psafe。
其中，B为带宽，估算功率谱S^(f)可以通过WOSA(Weighted Overlapped Segment Averaging)[9]得出。
若认知用户的最大发射功率为Pmax，则同时使用信道进行传输的认知用户发射功率与Psafe的关系可用下式表示:
其中Gjip表示i用户使用信道j传输时对授权用户的增益，同时每个认知用户i的传输功率Pij需满足:
只有同时满足式(3)、式(4)的认知用户才参与频谱的分配，不满足的用户则退出分配过程。
本文算法具体步骤如下:
(1)初始化系统，按频谱基准将认知用户划分为M个小组。
(2)查找各小组内用户的权重(效益(label)或优先级)，并找到权重最大的认知用户。
(3)考察各小组内目前排序为第一的认知用户的传输功率以及与组内其他已分配到频谱的用户的传输功率是否满足式(3)、式(4)的限制，若满足，则进行下一步;否则不满足限制条件的小组用户退出分配过程。
(4)若各小组内剩余一个优先级最高的用户，则各小组将频谱分配给该用户(n)，若不唯一，则比较几个用户的已获得频谱数，若已获得频谱数不同，则将频谱分配给已获得频谱数较少的用户，若相同，则随机选择一个用户(n)进行频谱分配。
(5)拓扑图的更新:各小组删除用户n以及其他与n产生干扰的用户。
(6)判断图G是否为空，若是，则结束本次分配;否则返回第2步。如此循环分配，直到图为空，结束分配。
3 仿真分析
仿真设定带宽为10 MHz，发射功率为0.5 W，符号率为25 Mbps的多用户CR-OFDM下行链路。无线信道为6径，最大多径时延为10 us，最大多普勒频移为30 Hz的频率选择性衰落信道。物理层采用QPSK调制解调，同时对于LTE-A系统的仿真设定为单输入单输出。主用户最大干扰功率Psafe=70 m W;初始分配矩阵L:随机产生的0,1二元矩阵;效益矩阵B按照6个等级均匀分布，3025,4537.5,6050,9075,12 100,13 600(单位bit/period);干扰矩阵C:三维矩阵，在每一维内为随机产生的0,1二元对称矩阵;优先级矩阵为随机生成的0到10之间的实数矩阵，表示各个认知用户接入频谱的优先顺序;发射功率矩阵为随机生成的介于0到40的正数。
假设各个认知用户的发射功率都介于0和最大发射功率之间，对授权用户是否造成干扰的关键在于使用同一频谱的认知用户的发射功率之和是否超过授权用户所能忍受的干扰功率门限，因此定义了功率差和认知用户对授权用户的干扰率。
式中G为功率差，从式中可以看到，功率差即为使用同一频谱的认知用户的发射功率之和与授权用户所能忍受的干扰功率门限的差值。若功率差为非正数，则λ(代表整个信道对授权用户造成干扰的平均值)也为负数，表示认知用户未对授权用户造成干扰;反之，则表示对授权用户造成一定的干扰，而干扰的程度则由λ的大小决定。
图3为对当前子载波频谱被授权用户占用情况的仿真，图中分别用0、0.5、1分别表示当前频带白空、灰空、黑空状态。由此得出，频带状态处于0和0.5的频谱资源可以被认知用户通过本文算法合理有效地分配。
在图3频谱空洞检测的基础上，将本文算法与文献[10]的联合准则最优分配频谱分配算法、文献[11]算法以及文献[12]的基于用户等待时间的改进CSGC算法分别在分配时间开销和对授权用户干扰率两方面进行比较。假设图G的拓扑结构随机生成，每次循环分配的执行时间周期t均为1个单位时间。其中图4和图5是分配时间开销的比较;图6和图7为对授权用户干扰率仿真。
由图4和图5看出，本文算法的分配时间开销明显小于改进算法和干扰避免算法，这是由于本文算法能使多个小组同时进行分配，从而大大缩短分配的时间开销，而改进算法是在CS-GC算法的基础上增加了代表用户等待时间长短的用户等级矩阵，在进行分配时优先分配等级高的节点，因此分配过程中是对最优的顶点—颜色对依次进行分配，所以分配时间开销会随着客用频谱数以及用户数的变化而变化。并且与联合准则最优分配算法相比较，本文算法接近于最优分配的时间开销，这样保证了算法在优化频谱分配的同时，缩短了频谱分配时间。
由图6和图7可看到，本文算法对授权用户的干扰率整体小于其他三种算法的干扰率，而且本文的干扰率均为负值，未对授权用户造成干扰;改进算法以及分组算法的干扰率随着可用频谱数和用户数的变化而变化，对授权用户造成了不同程度的干扰，而联合准则算法存在轻微的用户间干扰。
在最小化误比特率的条件下对所提出的系统模型和帧结构进行仿真分析。在不同的信噪比下，分别比较CR-OFDM系统与单输入单输出的LTE-A系统的误码率和误包率，如图8和图9所示。
图8的仿真结果表明，当信道传输条件和调制方式相同时，在传输速率一定的情况下，加入CR机制的系统误码率在不同信噪比环境中均低于未加入CR机制系统的误码率。这表明，本文提出的系统模型在合理利用未被使用的授权频段的情况下，可以较好地满足了传输过程中误码率要求。与理论上业务误码率的要求相比较，加入CR的系统在信噪比低情况下，可以较好地满足用户需求，随着信噪比的增大，本系统的误码率逐渐偏向于理论值，这证明，该系统可以较好地服务于认知用户的需求。
图9的仿真结果表明，本文的帧结构与单输入单输出的LTE-A系统帧结构相比较，随着信噪比的增大，本文的帧结构误包率逐渐下降，并且在不同信噪比下的误包率均满足了认知用户的需求。
4 结语
本文将认知无线电的频谱感知分配算法运用到OFDM系统中，提出了一种新的CR-OFDM系统模型和与之相适应的帧结构。提出的模型与现有的模型相比较，增加了频谱空洞感知分配功能，并将CR中频谱分配算法应用到OFDM的子载波分配上，其优势有:在综合判决认知用户带宽需求情况下，提出避免干扰的分组频谱分配算法可以有效地避免授权用户与认知用户间的干扰，从而有效地对可用的频谱资源进行合理分配。对应的帧结构增加了对当前频带状况的认知功能，并且采用了频谱聚合技术，对采用认知无线电技术时可使用的频谱空洞的大小没有限制，扩大了频谱空洞的使用范围，提高了频谱利用率。
本文在通过对当前频谱空洞的判决前提下利用避免干扰的分组频谱分配算法对可用的频带进行合理分配，下一步将加入对OFDM系统中资源的调度及分配算法研究，以更好地优化系统的资源利用情况。
参考文献
[1]Chaiman Lim,Taesang Yoo,Bruno Clerckx,et al.Recent trend of multiuser MIMO in LTE-advanced[J].IEEE Communications Magazine,2013,51(3):127-135.
[2]Chen Peipei,Zhang Qinyu,Wang Ye.Qo S based resource allocation for OFDM-based Cognitive Radio Systems with mixed services[C]//Wireless Communications Networking and Mobile Computing(Wi COM),6th International Conference on,IEEE,2010,9:1-5.
[3]Wang Wei,Zhang Zhaoyang,Huang Aiping.Spectrum aggregation:o-verview and challenges[J].Network Protocols and Algorithms,2010,2(1):184-196.
[4]蔡思东.通信系统的OFDM/OFDMA帧结构:中国,101855880A[P].2010-10-06.
[5]IEEE802.22.2.International Telecommunication Union[S].2012-09-28.
[6]张国翊,徐键,杨俊权,等.协同无线网络中感知传输时间分配与功率控制的联合优化[J].北京邮电大学学报,2012,35(3):1-5.
[7]李建东,陈东,李维英,等.认知无线电的OFDM帧结构及其副载波分配方法:中国,1889403A[P].2006-06-01.
[8]Wang W,Liu X.List-Coloring based channel allocation for open-spectrum wireless network[C]//The 62ndIEEE vehicular technology conference(VTC).2005,Dallas:[s.n.],2005:690-694.
[9]Jérme Antoni,Johan Schoukens.Optimal settings for measuring frequency response functions with weighted overlapped segment averaging[J].Instrumentation and Measurement,IEEE Transactions,2009,58(9):3276-3287.
[10]刘玉涛,蒋梦雄,徐聪,等.认知无线电中的联合准则频谱分配算法[J],西安电子科技大学学报,2012,39(2):45-50.
[11]章坚武,赵琪,邹婧媛.干扰避免的认知无线电图着色频谱分配算法[J].科技通报,2010,26(2):240-244.