CN102638802A - 一种分层协作联合频谱感知算法 - Google Patents

Abstract

本发明涉及认知无线电通信领域。本发明提供一种基于狄利克雷过程的多层分布式联合频谱感知方法来实现动态频谱感知，通过对多个分层中心的次用户采集的感知数据进行融合，寻找出最优的感知信息。采用的狄利克雷过程实现数据自动分组，贝叶斯模型估计出每个组内一个共享的超参数以及相应的发散概率，采用标准Viterbi算法获得超参数，并将该超参数与判决门限值进行比较来获得最终频谱判决结果，来确定信道是否可用。设计充分考虑了压缩感知数据的空间分集信息，减少了单个次用户对压缩感知数据的不确定性，从而归一化均方误差性能较好，该算法能有效挖掘各分层中心压缩感知数据信息，获得更高正确检测概率和较小虚警概率，提高频谱感知性能。

Description

一种分层协作联合频谱感知算法

技术领域

本发明涉及认知无线电通信领域，特指主次用户频谱感知的实现。

背景技术

随着无线通信技术的飞速发展，频谱资源变得越来越紧张。传统的无线网络采用固定的频谱分配政策，即通过专门机构调节并分配给特定的运营商和服务供应商。而结果表明利用这种分配来进行通信频谱使用效率却非常低下，频谱短缺很大程度上是由于低效率的固定频谱分配机制，由此研究人员提出了认知无线电技术，其基本思想是：在不对拥有频谱的主用户PU(Primary User)产生有害干扰的前提下，次用户SU(Secondary User)通过择机的方式接人暂时空闲的主用户频段，以提高频谱利用效率。频谱感知是认知无线***最为关键的技术之一，目前各个国家都在开展研究，频谱感知的主要任务是快速识别出信道占用状况，确定哪些频段为空闲频段，从而将其赋给次用户进行通信。目前频谱感知目前需要对以下几个主要的挑战：一是接收端要正确恢复信息，采样过程必须满足奈奎斯特定律，而目前采样速率有限的数模转换器是对于高频信号较难实现，且采样开销也很大；其次，传统的联合频谱感知算法通信开销很大，稳定性差，并且空间分布的SU很难同步进行频谱感知操作，同时进行数据融合容易产生错误，PU分布在空间的的各个位置并且发射功率有限，不同的位置SU可能具有不同的频谱检测结果。为了解决这些问题，提出了一种新型分层协作联合频谱感知算法。

发明内容

本发明的目的是提供一种分层协作联合频谱感知算法来实现动态频谱感知，提高频谱感知的性能。

本发明技术方案如下：该算法具体包含如下步骤：

步骤1，对基于分层结构的CRN（Cognitive Radio Network）建模，单个分层中心占据较大的空间，由SU和PU共同占据。当需要进行频谱感知时，由分层控制中心发出指示信号，所有的分层中心内成员进行同步的频谱感知操作。此过程中，单个分层中心使用基于压缩感知的分层贝叶斯模型来获得共享的超参数，从而实现联合频谱感知。当分层中心内成员采集感知数据后，进行能够分布式计算并将计算结果广播给分层控制中心进行频谱感知得到初步的频谱感知结果。

步骤2，通过数据融合中心将单个分层中心的联合频谱感知算法得到的数据进行融合，完成多个分层中心进行联合频谱感知，由于不同分层中心的压缩感知数据在统计意义上可能不相关，获得的超参数可能并不理想，可以采用狄利克雷过程实现压缩感知数据的自动分组，并且在每一组内挖掘共享的超参数。

步骤3，通过使用HMM（Hidden Markov Model）；来进一步描述隐藏子载波与压缩感知数据之间的关系，引入时间相关性来选择最终的超参数，提高频谱判决结果的精确度，具体实现过程：

单个分层中心采用压缩感知技术来获得感知数据，时域感知数据可以表示为：

                                  (1)

其中，

为时域感知数据，

为测量矩阵，

基础功能函数变换矩阵，

为噪声数据，且服从均值为0，精度为

的高斯分布。在参数和已知的情况下，观察值

的似然函数可以表示为：

                (2)

其中，

为次用户

的压缩感知数据的点数。

根据压缩感知过程，单个分层中心采用多任务的分层贝叶斯结构来构建模型，假设参数

均服从均值为零的高斯分布，用

代表

的第k个元素，可得到：

                   (3)

其中，

为超参数。根据压缩感知过程中无线频谱稀疏特性，若假设

服从伽马分布（Gamma distribution），

也具有稀疏特性, 以a和b作为参量可得：

             (4)

当得到压缩感知数据

以及超参数后，得到

的后验概率为：

  (5)

其中，M为无线频谱中的子载波数，矩阵

；由公式（5）知道，首先利用分层中心内N个成员的压缩感知数据来确定超参数

，为获得

的后验概率，分层中心内N个成员的压缩感知数据的最大似然函数为：

     （6）

若

用下式表示：

  （7）

其中，E 为单位阵，，

为

中不包含

的第k个列向量（即

）的部分；将公式（7）代入到公式（6）中，得到：

  （8）

其中：

                         （9） 

对

的

求偏导数，极值点为偏导数为0的点；则可以获取，即：

   （10） 

则有：

 

       （11）

利用公式（10）和

可以不断地更新超参数

，若

则表明该频点可以被SU使用；单个分层中心感知的数据通过融合中心进行联合频谱感知，采用基于狄利克雷过程DP(Dirichlet Process) 的分层贝叶斯模型来实现压缩感知数据的分组，并且在每一组内挖掘共享的超参数，DP可以看做是以精度

和基础分布为参数的分布函数，在多分层中心的联合频谱感知情况下，不同的分层中心可能具有不同的超参数

,

(C为CRN 中分层中心的数目)；假设

独立同分布且服从G分布，并且G是DP 的一个实现，当一个分层中心获得其它分层中心的超参数信息

时，就会更新基础分布G₀ ，即：

 

      （12）

其中，

为脉冲函数，若用

表示分层中心超参数集合

中不同取值的子集合的个数，表明经过DP来实现，新的超参数

更倾向于选择具有较大成员数的超参数。

在数据融合中心，若用

表示超参数，

表示第K个超参数，

表示分布G在点处的概率， 且

， J是超参数的可能取值数目，且

，基于DP的分层贝叶斯模型中，数据融合中心对应于

的最大似然函数可进一步表示为：

                           (13)

记

表示为第j个分层中心取第k个

为最大超参数时的概率分布，则：

     (14)

若

用下式表示：

        (15)

其中为

中不包含的第n个列向量（即

）的部分, 

。的行列式和逆矩阵可以进一步表示为：

                      （16）

                       （17）

其中，

表示第K个分层中心第n个超参数，则公式（14）可以进一步表示为：

  （18）

其中，

、

以及

 被分别定义为：

             （19）

同理，为了超参数

，对公式（18）的似然函数

对

求偏导，并将导数值设定为零来获得更新值，若

，那么：

       （20）

否则，

                                       （21）

在公式（21）中，

表示子载波n未被PU以及其它SU占用；针对基于DP的分层贝叶斯模型，通过迭代算法实现最终判决；通过初始化参数

以及基向量

，不断更新权值系数

、

。选择的超参数使得

在每次迭代过程中的增量最大化，当算法的迭代次数大于设定的上界或者增量小于指定的门限，终止迭代算法，否则一直不断更新参数，直到迭代算法停止。

由于子载波的状态在时间上是相关的，只有少数的子载波状态在相邻的频谱感知过程中发生转变，因此，采用HMM模型来得到最终的频谱判决结果；假设状态转移概率

以及

可由SU进行统计得出，则可以利用先前的压缩感知数据来提高频谱判决结果的精确度，分层中心任意时刻选择任一超参数

的概率可以计算得出，并将具有最大概率的超参数作为最终判决频谱状态的依据，即：

 

      （22）

公式（22）是标准的Viterbi递归算法；

表示前t次的压缩感知数据对应的最佳超参数序列的概率，该超参数序列以

作为最终的超参数。

当遍历每个可能的超参数

以后，得到一个具有最大概率的路径，且t时刻的超参数对应为

；利用t时刻的超参数和预先设置的门限值，得到二进制频谱判决结果，即：

，那么

，否则

，其中，

以及

。

当基于DP分层联合协作频谱感知算法得出频谱判决后，利用相邻分层中心的频谱分配记录来识别哪些子载波是被PU或者SU占用；因为被SU临时占用的子载波是可以被其它SU 通过协商或者竞争来共享，所以需要对频谱判决结果进行识别。

本发明的显著效果在于：提供一种采用基于狄利克雷过程的多层分布式联合频谱感知方法来实现动态频谱感知，通过挖掘多个SU采集的感知数据的信息，有效提高频谱感知的性能。在多任务协作的频谱感知算法中，随着协作的SU数量的增多，获得的信噪比会成比例的增加，即在同样的频谱感知性能下，可以有效减小单个SU的频谱感知开销。

附图说明

图1多层结构模型框图

      图2归一化MSE性能比较

      图3检测概率和虚警概率比较。

具体实施方式

下面结合附图对本发明做进一步详细说明。

如图1为多层结构模型框图，设计中采用多层结构来实现感知数据的融合，分层中心通过压缩感知和相应算法得到超参数，通过数据融合中心进行融合最终获得频谱感知结果。

实施过程中，假设所有SU都停止发送信息，确保采样数据只是与PU有关；并且PU有足够大发射功率，以便所有的SU检测到PU的存在，这样所有的SU便可以共享同一稀疏频谱，具有共同的超参数。假设CRN中有30个分层中心，且每个分层中心内有若干个SU，无线频谱中子载波数M＝600且被均匀划分，主用户数i为40个（每个PU仅分配一个固定的子载波）。在这30个分层中心中，每2个分层中心为一组且具有共同的稀疏频谱。因此，若干个分层中心可以共享同一超参数，而所有的分层中心却不适合分享同一超参数。高斯白噪声的精度设置为

, 以及

，设

 ，以及。通过仿真使用归一化的MSE（Mean Square Error）来衡量恢复误差性能，通过对比正确检测概率P_d和虚警概率P_f仿真得出频谱感知算法的性能。

如图2为归一化MSE性能比较，是基于DP分层联合协作频谱感知算法进行归一化MSE性能仿真，从图2可知，基于DP分层联合协作频谱感知算法与MT-CS(Multi-Task Compressive Sensing)算法因为充分考虑了压缩感知数据的空间分集信息，减少了单个SU对压缩感知数据的不确定性，从而归一化MSE性能比BCS（Bayesian Compressive Sensing）算法好。

如图3为检测概率和虚警概率比较，压缩感知的观察值点数为50时基于DP分层联合协作频谱感知算法与BCS算法、MT-CS 算法相比，具有较高的检测概率和较小的虚警概率，其频谱感知性能更好，有效地降低了频谱感知的***开销。

Claims (2)

1.一种分层协作联合频谱感知算法，其特征在于：该算法具体包括如下步骤：

步骤1，分层结构的CRN（Cognitive Radio Network）的建模，单个分层中心占据一个区域空间，由SU和PU共同占据；

当需要进行频谱感知时，有分层控制中心发出指示信号，所有的分层中心内成员进行同步的频谱感知操作；

步骤2，通过数据融合中心将单个分层中心的联合频谱感知算法得到的数据进行融合，完成多个分层中心进行联合频谱感知，采用基于狄利克雷DP(Dirichlet Process) 的分层贝叶斯模型来实现压缩感知数据的自动分组，在多分层中心的联合频谱感知情况下，不同的分层中心可能具有不同的超参数                                                

，

 (M为子载波的个数，C为CRN 中分层中心的数目)，通过DP过程和贝叶斯模型进行估计，在每一组内挖掘共享的超参数；

步骤3，通过使用HMM（Hidden Markov Model）来进一步描述隐藏子载波与压缩感知数据之间的关系，引入时间相关性来选择最终的超参数，提高频谱判决结果的精确度。

2.根据权利要求1所述的一种分层协作联合频谱感知算法，其特征在于：所述的步骤3中提高频谱判决结果的精确度具体特征为：单个分层中心使用基于压缩感知的分层贝叶斯模型来获得共享的超参数，从而实现联合频谱感知；

当分层中心内成员采集感知数据后，进行能够分布式计算并将计算结果广播给分层控制中心；

经过若干次信息交换，提出的频谱感知算法将趋近一个固定值并得到初步的频谱感知结果，其过程为：

                                  (1)

其中，为时域感知数据，

为测量矩阵，

基础功能函数变换矩阵，

为噪声数据，且服从均值为0 精度为

的高斯分布；

若

为次用户

的压缩感知数据的点数，在参数

和

已知的情况下，观察值

的似然函数可以表示为：

             (2)

根据压缩感知过程，单个分层中心采用多任务的分层贝叶斯结构来构建模型，假设参数

均服从均值为零高斯分布，用代表

的第k个元素，可得到：

              (3)

其中，

为超参数；

根据压缩感知过程中无线频谱稀疏特性，若假设

服从伽马分布（Gamma distribution），则

也具有稀疏特性，若以a和b作为参量，可得：

        (4)

当得到压缩感知数据

以及超参数

后，得到的后验概率为：

  (5)

其中，M为无线频谱中的子载波数，矩阵A =

；由公式（5）中可知，首先利用分层中心内N个成员的压缩感知数据来确定超参数

，为获得的后验概率，分层中心内N个成员的压缩感知数据的最大似然函数为：

     （6）

若

用下式表示：

  （7）

其中，E 为单位阵，，

为

中不包含

的第k个列向量（即

）的部分；

公式（7）代入到公式（6）中，得到：

  （8）

其中：

                         （9） 

通过对

的

进行偏导数，极值点为偏导数为0得点；

这样来获取

，即：

   （10） 

则有：

 

       （11）

利用公式（10）和

可以不断地更新超参数，k=1,2,…..M ；若

则表明该频点可以被SU使用；当通过数据融合中心将单个分层中心的联合频谱感知算法得到的数据进行融合，完成多个分层中心进行联合频谱感知，由于不同分层中心的压缩感知数据在统计意义上可能不相关，获得的超参数可能并不理想，通过基于狄利克雷过程能够实现压缩感知数据的自动分组，通过贝叶斯模型在每一组内挖掘共享的超参数；

把DP看做是以精度

和基础分布

为参数的分布函数，假设{

, i=1,2,…C }独立同分布且服从G分布，并且G是DP 的一个实现；

当一个分层中心获得其它分层中心的超参数信息

时，就会更新基础分布G₀ ，即：

      （12）

其中，

为脉冲函数，若用

表示分层中心超参数集合

中不同取值的子集合的个数，表明经过DP来实现，新的超参数更倾向于选择具有较大成员数

的超参数；

在数据融合中心，若用

表示超参数，表示第K个超参数，

表示分布G 在点

处的概率， 且， J是超参数的可能取值数目，且

；

基于DP 的分层贝叶斯模型中，数据融合中心对应于

的最大似然函数可进一步表示为：

                           (13)

记

表示为第j个分层中心取第k个

为最大超参数时的概率分布，则：

     (14)

若

用下式表示：

        (15)

其中为

中不包含的第n个列向量（即

）的部分, 

；

 

的行列式和逆矩阵可以进一步表示为：

                      （16）

                       （17）

其中，

表示第K个分层中心第n个超参数，则公式（14）可以进一步表示为：

  （18）

其中，

、

以及

 被分别定义为：

             （19）

同理，为了超参数

，对公式（18）的似然函数

对

求偏导，并将导数值设定为零来获得更新值，若

，那么：

       （20）

否则，

                              （21）

在公式（21）中，

表示子载波n未被PU以及其它SU占用；针对基于DP的分层贝叶斯模型，通过迭代算法实现最终判决；

通过初始化参数

以及基向量

，不断更新权值系数

、；

选择的超参数

使得

在每次迭代过程中的增量最大化，当算法的迭代次数大于设定的上界或者增量小于指定的门限，终止迭代算法，否则一直不断更新参数，直到迭代算法停止。

Images