CN104243063A - 一种基于遗传算法的并行合作频谱感知的方法 - Google Patents
一种基于遗传算法的并行合作频谱感知的方法 Download PDFInfo
- Publication number
- CN104243063A CN104243063A CN201410431708.2A CN201410431708A CN104243063A CN 104243063 A CN104243063 A CN 104243063A CN 201410431708 A CN201410431708 A CN 201410431708A CN 104243063 A CN104243063 A CN 104243063A
- Authority
- CN
- China
- Prior art keywords
- channel
- perception
- individuality
- cognitive user
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于认知无线电频谱感知技术领域,具体涉及一种基于遗传算法的并行合作频谱感知的方法。本发明包括:初始群体的产生;个体修正;计算适应度函数;选取适应性最强的个体;变异;生存竞争;优胜者交叉;随机产生个体;个体修正;最适应个体直接进入下一代;截止。本发明能够充分考虑不同认知用户对不同异构信道感知性能的差异性、***有效吞吐量以及感知时长,最优的确定感知策略,即确定感知任务分配和感知时长,相比随机感知方法,能够获得更大的***有效吞吐量。
Description
技术领域
本发明属于认知无线电频谱感知技术领域,具体涉及一种基于遗传算法的并行合作频谱感知的方法。
背景技术
随着人们对无线通信需求的迅速增长,频谱资源紧缺的问题日益严重。传统的固定频谱分配策略已经不能满足人们对频谱日益增长的需要。认知无线电技术改变以往固定的频谱分配方式,使非授权用户可以在不影响授权用户的情况下灵活使用频谱,为解决频谱资源紧缺的问题提供了一种有效的解决方案,是未来通信发展的必然趋势。
认知无线电实现的关键和前提是有效的频谱感知技术。合作频谱感知技术是目前广泛采用的频谱感知方法,能够有效地解决由于信道衰落和阴影效应导致的单节点感知结果不准确的问题。对于具有多个子信道的频谱感知,为了减少感知时长,往往需要多个认知用户同时检测不同的子信道,达到在一个检测周期获得多个子信道占用情况的目的,即并行合作频谱感知技术。在并行频谱感知技术中,最重要的问题是确定感知策略,即哪些认知用户在何时检测哪些子信道以及感知时长的确定,以达到最大的***吞吐量。针对该问题,Sheng Li Xie,Yi Liu,Yan Zhang,Rong Yu,"A parallel cooperative spectrum sensing in cognitive radionetworks,"IEEE Transactions on Vehicular Technology,vol.59,pp.4079-4092,2010一文提出一种并行合作频谱感知策略,该策略能够最优的选择参加频谱感知的认知用户数及判决门限值,但没有考虑不同用户对不同子信道感知性能的差异。Behzad Shahrasbi,Nazanin Rahnavard,"Cooperative parallel spectrum sensing in cognitive radio networks using bipartite matching,"inMilitary communications conference,2011-MILCOM 2011,2011,pp.19-24一文将并行合作频谱感知问题等效成一个二分图求最优匹配的问题,利用匈牙利算法得到最优的频谱感知策略,但是该策略仅考虑一个子信道仅由一个用户感知的情况,由于信道衰落和阴影效应的影响,单个用户的感知结果可能并不准确。文章Wang Zaili,Feng Zhiyong,Zhang Ping,"An IterativeHungarian Algorithm Based Coordinated Spectrum Sensing Strategy,"IEEE CommunicationsLetters,vol.15,pp.49-51,2011和文章Zai Li Wang,Zhi Yong Feng,Di Zhang,Jian Tao Xue,PingZhang,"Optimized strategies for coordinated spectrum sensing in Cognitive Radio Networks,"in2011Sixth International ICST Conference on Cognitive Radio Oriented Wireless Networks andCommunications(CROWNCOM),2011,pp.96-100分别提出了使用迭代匈牙利算法和迭代Kuhn-Munkres(KM)算法进行并行频谱感知的策略,但是这两种策略只考虑检测的准确性,而没有考虑***吞吐量的问题。且以上文献均没有考虑到感知时长选取的问题。感知时长的设定是频谱感知的重要问题,感知时长的长短直接决定着感知的准确性和***的吞吐量。针对这个问题,文章Liang Y C,Zeng Y H,Peh E C Y,et al."Sensing-Throughput Tradeoff forCognitive Radio Networks,"Wireless Communications,IEEE Transactions on,2008,7(4):1326-1337详细分析了感知时长和吞吐量之间的权衡问题,但文献只针对单信道进行讨论,对于多个异构信道的情况并不适用。文章Beibei W,Liu K J R,Clancy T C."Evolutionarycooperative spectrum sensing game:how to collaborate?"Communications,IEEE Transactions on,2010,58(3):890-900利用博弈论对各节点的感知时长和参加感知的概率进行优化,但该方法感知对象是一个宽带中的若干个子频带,其中各子带的占用情况和带宽均相同,属于同构信道,对于各信道占用情况和带宽可能均不相同的异构信道的感知并不适用。另外,该方法假设各节点对各信道感知的信噪比均相同,由于各节点位置和自身特性的不同,该假设并不符合现实场景。
发明内容
本发明的目的是提出一种克服现有并行合作频谱感知方法在多个异构信道的感知中没有考虑吞吐量和感知时长的不足,通过合理的选取感知节点、分配感知任务以及设定感知时长,达到使***有效吞吐量最大的目的的基于遗传算法的基于遗传算法的并行合作频谱感知的方法。
本发明的目的是这样实现的:
(1)初始群体的产生:算法首先产生一个个体数为L的种群,L取4j,其中j为正整数,每一个个体代表一种感知方案,采用整数编码,将感知信道分配矢量X和感知时长等级k连接得到染色体;
(2)个体修正:当信道感知的认知用户大于Nco_max时,则置多余的SU对应的基因值为0,即该SU不感知信道;
(3)计算适应度函数:适应度函数定义为***有效吞吐量Rsum(X,k),由公式(6)计算得出;
(4)选取适应性最强的个体:在当前种群中选取适应性最强的个体,作为步骤(5)的父代;
(5)变异:由于最适应个体的基因是最优良的,选用最适应个体作为变异的父代,变异产生L/4个变异子代,直接进入下一代,变异概率为Pl;
(6)生存竞争:L个个体两两组成一组,进行生存竞争,得到L/2个优胜个体;
(7)优胜者交叉:由生存竞争产生的L/2个优胜个体以交叉概率Pc两两进行双点交叉后,产生L/2个子代,直接进入下一代;
(8)随机产生个体:为了避免遗传算法早熟的问题,每次进化时产生L/4个个体,加入下一代;
(9)个体修正:对不满足要求的个体进行修正;
(10)最适应个体直接进入下一代:计算当前种群的适应度,用步骤(4)中选取的最优个体,替换当前群体中的最差个体,直接进入下一代,保证种群能够稳定地进化;
(11)截止:当两个截止条件满足其一时,进化停止,得到最优个体,获得最优感知任务分配及感知时长,截止条件一是达到最大进化代数W,二是最优个体和最差个体之间适应度差异足够小,即小于最优个体适应度的V倍的时候,如果不满足截止条件,则跳到步骤(4)进行下一次进化。
***模型为:
在一个由一个融合中心和N个认知用户构成的集中式认知无线电网络中,感知对象包括M个异构信道;每一个子信道具有不同的带宽,不同的传输速率,不同的使用概率;分别用H0和H1指示信道空闲和被主用户占用两种状态;认知用户在每一个时隙T内分为感知时隙Ts和传输时隙Tr两部分,T=Ts+Tr;在每个时隙T内,Ts和Tr可在一定范围内变化;为便于各节点同步及减少传输开销,Ts只能在K个离散值之中选取,各离散值由小到大排列,记为Ts(k),其中k=1,2,...,K;每个认知用户在一个感知时隙Ts(k)内仅感知一个子信道,而每个信道可由多个认知用户合作感知以提高准确性,合作时采用OR准则;
设各节点使用能量检测方法进行频谱感知,信号为复PSK信号,噪声为循环对称复高斯噪声;由于每个用户所处的位置不同,不同认知用户处不同信道的信噪比也不同,设已知各认知用户处各信道的信噪比Υ=[γmn]M×N,其中γmn表示第n个认知用户处第m个信道的信噪比;每个认知用户的虚警概率保持一致,设其中n=1,2,…,N,m=1,2,…,M;则第n个认知用户对第m个信道的检测概率Pd mn(Ts(k))可由下式得出
其中,erfc为互补误差函数,fs为采样频率;
设X=[xn]N为分配向量,其中,xn代表第n个SU感知的信道序号,xn=0,1,2,...,M,为0时表示该SU不感知任何信道;则信道m的检测概率PD m(X,Ts(k))和虚警概率PF m(X)可表示为
设为信道m在信道空闲时所能达到的信道速率;当主用户不存在时,且认知用户能够正常的感知到空闲的频谱,该信道能够达到的平均吞吐量为
设信道m空闲的概率为则该信道所能达到的平均吞吐量的近似值为
定义***有效吞吐量Rsum(X,k)为检测概率大于检测概率要求的信道的吞吐量的总和,表达式如下:
此外,为了充分的利用频谱,设***所允许的最大虚警概率为则每个信道允许的最大认知用户数Nco_max为
本发明的有益效果在于:
本发明能够充分考虑不同认知用户对不同异构信道感知性能的差异性、***有效吞吐量以及感知时长,最优的确定感知策略,即确定感知任务分配和感知时长,相比随机感知方法,能够获得更大的***有效吞吐量。
附图说明
图1染色体结构;
图2***有效吞吐量随认知用户数变化图;
图3感知时长随认知用户数变化图;
图4***有效吞吐量随检测概率要求变化图;
图5感知时长随检测概率要求变化图。
具体实施方式
下面结合附图对本发明作进一步描述:
本发明的***模型如下:
在一个由一个融合中心和N个认知用户构成的集中式认知无线电网络中,感知对象包括M个异构信道。每一个子信道具有不同的带宽,不同的传输速率,不同的使用概率。分别用H0和H1指示信道空闲和被主用户占用两种状态。认知用户在每一个时隙T内分为感知时隙Ts和传输时隙Tr两部分,T=Ts+Tr。在每个时隙T内,Ts和Tr可在一定范围内变化。为便于各节点同步及减少传输开销,Ts只能在K个离散值之中选取,各离散值由小到大排列,记为Ts(k),其中k=1,2,...,K。每个认知用户在一个感知时隙Ts(k)内仅感知一个子信道,而每个信道可由多个认知用户合作感知以提高准确性,合作时采用OR准则。
设各节点使用能量检测方法进行频谱感知,信号为复PSK信号,噪声为循环对称复高斯噪声。由于每个用户所处的位置不同,不同认知用户处不同信道的信噪比也不同,设已知各认知用户处各信道的信噪比Υ=[γmn]M×N,其中γmn表示第n个认知用户处第m个信道的信噪比。每个认知用户的虚警概率保持一致,设其中n=1,2,…,N,m=1,2,…,M。则第n个认知用户对第m个信道的检测概率Pd mn(Ts(k))可由下式得出
其中,erfc为互补误差函数,fs为采样频率。
设X=[xn]N为分配向量,其中,xn代表第n个SU感知的信道序号,xn=0,1,2,...,M,为0时表示该SU不感知任何信道。则信道m的检测概率PD m(X,Ts(k))和虚警概率PF m(X)可表示为
设为信道m在信道空闲时所能达到的信道速率。当主用户不存在时,且认知用户能够正常的感知到空闲的频谱,该信道能够达到的平均吞吐量为
设信道m空闲的概率为则该信道所能达到的平均吞吐量的近似值为
定义***有效吞吐量Rsum(X,k)为检测概率大于检测概率要求的信道的吞吐量的总和,表达式如下:
此外,为了充分的利用频谱,设***所允许的最大虚警概率为则每个信道允许的最大认知用户数Nco_max为
在以上***模型的基础上,本发明的目的是这样实现的:
步骤1:初始群体的产生:算法首先随机产生一个个体数为L的种群,为了便于之后的竞争、交叉和变异等策略,L取4j,其中j为正整数。每一个个体代表一种感知方案,采用整数编码,将感知信道分配矢量X和感知时长等级k连接得到染色体。
步骤2:个体修正:当某一个信道感知的认知用户大于Nco_max时,则随机置多余的SU对应的基因值为0,即该SU不感知信道。
步骤3:计算适应度函数:适应度函数定义为***有效吞吐量Rsum(X,k),由公式(6)计算得出;
步骤4:选取适应性最强的个体:在当前种群中选取适应性最强的个体,作为步骤(5)的父代;
步骤5:变异:由于最适应个体的基因是最优良的,因此本发明选用最适应个体作为变异的父代,变异产生L/4个变异子代,直接进入下一代,变异概率为Pl;
步骤6:生存竞争:L个个体两两组成一组,进行生存竞争,得到L/2个优胜个体;
步骤7:优胜者交叉:由生存竞争产生的L/2个优胜个体以交叉概率Pc随机两两进行双点交叉后,产生L/2个子代,直接进入下一代。
步骤8:随机产生个体:为了避免遗传算法早熟的问题,每次进化时随机产生L/4个个体,加入下一代。
步骤9:个体修正:对不满足要求的个体进行修正;
步骤10:最适应个体直接进入下一代:计算当前种群的适应度,用步骤(4)中选取的最优个体,替换当前群体中的最差个体,直接进入下一代,保证种群能够稳定地进化;
步骤11:截止条件:当两个截止条件满足其一时,进化停止,得到最优个体,获得最优分配矢量X和感知时长等级k。截止条件一是达到最大进化代数W,二是最优个体和最差个体之间适应度差异足够小,即小于最优个体适应度的V倍的时候。如果不满足截止条件,则跳到步骤(4)进行下一次进化。
在一个由一个融合中心和N个认知用户构成的集中式认知无线电网络中,感知对象包括M个异构信道。每一个子信道具有不同的带宽,不同的传输速率,不同的使用概率。分别用H0和H1指示信道空闲和被主用户占用两种状态。认知用户在每一个时隙T内分为感知时隙Ts和传输时隙Tr两部分,T=Ts+Tr。在每个时隙T内,Ts和Tr可在一定范围内变化。为便于各节点同步及减少传输开销,Ts只能在K个离散值之中选取,各离散值由小到大排列,记为Ts(k),其中k=1,2,...,K。每个认知用户在一个感知时隙Ts(k)内仅感知一个子信道,而每个信道可由多个认知用户合作感知以提高准确性,合作时采用OR准则。
设各节点使用能量检测方法进行频谱感知,信号为复PSK信号,噪声为循环对称复高斯(circularly symmetric complex Gaussian,CSCG)噪声。由于每个用户所处的位置不同,不同认知用户处不同信道的信噪比也不同,设已知各认知用户处各信道的信噪比Υ=[γmn]M×N,其中γmn表示第n个认知用户处第m个信道的信噪比。每个认知用户的虚警概率保持一致,设其中n=1,2,…,N,m=1,2,…,M。则第n个认知用户对第m个信道的检测概率Pd mn(Ts(k))可由下式得出
其中,erfc为互补误差函数,fs为采样频率。
设X=[xn]N为分配向量,其中,xn代表第n个SU感知的信道序号,xn=0,1,2,...,M,为0时表示该SU不感知任何信道。由于当信道由多个认知用户合作感知时采用OR准则,因此信道m的检测概率PD m(X,Ts(k))和虚警概率PF m(X)为
设和分别为信道m在信道空闲和被主用户占用时所能达到的信道速率。当主用户不存在时,且认知用户能够正常的感知到空闲的频谱,即没有发生虚警时,该信道能够达到的平均吞吐量为
当主用户存在时,且认知用户没有感知到主用户的存在,即发生漏检时,信道能够达到的平均吞吐量为
设信道m空闲的概率为则该信道所能达到的总的吞吐量为
为了达到保护主用户正常通信的目的,往往都比较接近于1,而为了获得更多的频谱利用机会,一般都比较接近于零。另一方面,当主用户存在时,由于受到主用户的干扰,漏检时所能达到的吞吐量一般都比较低,小于主用户不存在时的吞吐量,即经以上分析可知,应有因此,在公式(9)中,可将后一项忽略,由此得到平均吞吐量的近似值为
为了有效的保护主用户的正常通信,只有对检测该路大于检测概率要求的信道,才能供认知网络传输使用,这些满足信道的所能达到的吞吐量的总和定义为***有效吞吐量Rsum(X,k),表达式如下
有公式(6)可见,***有效吞吐量主要取决于两个因素,一是分配矢量X,二是感知时长等级k。如何合理的选取分配矢量X和感知时长等级k,使***有效吞吐量最大,是本发明要解决的主要问题。
此外,为了充分的利用频谱,各信道的虚警概率不能太大。设***所允许的最大虚警概率为由于信道由多个认知用户共同感知时使用OR准则,因此,根据和各认知用户的虚警概率可以得到每个信道允许的最大认知用户数Nco_max为
其中,表示向下取整。
本发明在以上***模型的基础上,通过遗传算法中个体的生存竞争、优者交叉、最适应个体变异、个体修正及“父子混合选择”策略(也称为精英策略),进行进化,最终得到最适应个体。具体实施方案如下:
步骤1:初始群体的产生:算法首先随机产生一个个体数为L的种群,为了便于之后的竞争、交叉和变异等策略,L取4j,其中j为正整数。每一个个体代表一种感知方案,包括感知任务分配,即哪些节点感知哪些信道,以及感知时长的确定。本发明采用整数编码,将感知信道分配矢量X和感知时长等级k连接得到染色体,染色体结构如图1所示。其中,xn代表第n个SU感知的信道序号,0≤xn≤M,为0时表示该SU不感知任何信道,k表示感知时长等级,1≤k≤K。
步骤2:个体修正:在遗传算法操作的过程中,会产生一些个体不满足每个信道允许的最大认知用户数Nco_max的限制,因此,需要对这些不符合要求的个体进行修正。修正方法如下:当某一个信道感知的认知用户大于Nco_max时,则随机置多余的SU对应的基因值为0,即该SU不感知信道。
步骤3:计算适应度函数:适应度函数定义为***有效吞吐量Rsum(X,k),由公式(6)计算得出;
步骤4:选取适应性最强的个体:在当前种群中选取适应性最强的个体,作为步骤(5)的父代;
步骤5:变异:由于最适应个体的基因是最优良的,因此本发明选用最适应个体作为变异的父代,变异产生L/4个变异子代,直接进入下一代,变异概率为Pl;
步骤6:生存竞争:L个个体两两组成一组,进行生存竞争,得到L/2个优胜个体;
步骤7:优胜者交叉:由生存竞争产生的L/2个优胜个体以交叉概率Pc随机两两进行双点交叉后,产生L/2个子代,直接进入下一代。
步骤8:随机产生个体:为了避免遗传算法早熟的问题,每次进化时随机产生L/4个个体,加入下一代。
步骤9:个体修正:对不满足要求的个体进行修正;
步骤10:最适应个体直接进入下一代:计算当前种群的适应度,用步骤(4)中选取的最优个体,替换当前群体中的最差个体,直接进入下一代,保证种群能够稳定地进化;
步骤11:截止条件:当两个截止条件满足其一时,进化停止,得到最优个体,获得最优分配矢量X和感知时长等级k。截止条件一是达到最大进化代数W,二是最优个体和最差个体之间适应度差异足够小,即小于最优个体适应度的V倍的时候。如果不满足截止条件,则跳到步骤(4)进行下一次进化。
仿真分析
本发明使用Matlab软件对基于遗传算法的并行合作频谱感知策略进行仿真分析。设感知的异构信道数M=10,时隙T=200ms,感知时长Ts可以在K=10个离散值之间选取,由小到大排列,最小值Ts(1)=3ms,最大值Ts(K)=30ms,各值之间间隔3ms。各认知用户处各信道的信噪比γmn服从均值为-5dB的指数分布。每个认知用户的虚警概率***所允许的最大虚警概率为采样频率fs为10 000Hz。各信道空闲时所能达到的信道速率在0.1~10Mbps之间随机选取。各信道的空闲概率在0~1中随机变化。蒙特卡洛仿真次数为10000次。交叉概率Pc=0.5,变异概率为Pl=0.1,种群规模L=60,最大进化代数为W=100,截止条件二中V=0.001。
图2为本发明方法和随机感知方法在不同认知用户数时所能获得的***有效吞吐量比较。***要求的检测概率取0.95。由图2可以看出,本发明所提出的基于遗传算法的并行合作频谱感知方法较随机感知方法能够获得较高的***有效吞吐量,且***有效吞吐量随着认知用户数的增加而增加。这是由于当认知用户数增加时,本发明方法能够选择最优的感知任务分配和感知时长,从而增加***有效吞吐量。
图3为本发明方法和随机感知方法在不同认知用户数时的感知时长变化曲线。由图3可以看出,随着认知用户数的增多,本发明所提出的方法更够选择更多更优秀的感知节点感知信道,达到检测概率的要求,从而使感知时长缩短,***有效吞吐量增高。
图4为本发明方法***有效吞吐量随检测概率要求变化图。由图4可见,随着的提高,***需要分配更多的节点和更长的感知时长进行频谱感知,因此,***有效吞吐量随着的提高和降低。
图5为本发明方法感知时长受检测概率要求变化图。由图5可见,随着的提高,***需要分配更长的感知时长进行频谱感知,因此,感知时长随着的提高和增加。
基于以上对本发明的分析讨论可知,本发明所提出的基于遗传算法的并行合作频谱感知策略,能够充分考虑不同认知用户对不同异构信道感知性能的差异性、***有效吞吐量以及感知时长,最优的确定感知策略,即确定感知任务分配和感知时长,相比随机感知方法,能够获得更大的***有效吞吐量。
Claims (2)
1.一种基于遗传算法的并行合作频谱感知的方法,其特征在于:
(1)初始群体的产生:算法首先产生一个个体数为L的种群,L取4j,其中j为正整数,每一个个体代表一种感知方案,采用整数编码,将感知信道分配矢量X和感知时长等级k连接得到染色体;
(2)个体修正:当信道感知的认知用户大于Nco_max时,则置多余的SU对应的基因值为0,即该SU不感知信道;
(3)计算适应度函数:适应度函数定义为***有效吞吐量Rsum(X,k);
(4)选取适应性最强的个体:在当前种群中选取适应性最强的个体,作为步骤(5)的父代;
(5)变异:由于最适应个体的基因是最优良的,选用最适应个体作为变异的父代,变异产生L/4个变异子代,直接进入下一代,变异概率为Pl;
(6)生存竞争:L个个体两两组成一组,进行生存竞争,得到L/2个优胜个体;
(7)优胜者交叉:由生存竞争产生的L/2个优胜个体以交叉概率Pc两两进行双点交叉后,产生L/2个子代,直接进入下一代;
(8)随机产生个体:为了避免遗传算法早熟的问题,每次进化时产生L/4个个体,加入下一代;
(9)个体修正:对不满足要求的个体进行修正;
(10)最适应个体直接进入下一代:计算当前种群的适应度,用步骤(4)中选取的最优个体,替换当前群体中的最差个体,直接进入下一代,保证种群能够稳定地进化;
(11)截止:当两个截止条件满足其一时,进化停止,得到最优个体,获得最优感知任务分配及感知时长,截止条件一是达到最大进化代数W,二是最优个体和最差个体之间适应度差异足够小,即小于最优个体适应度的V倍的时候,如果不满足截止条件,则跳到步骤(4)进行下一次进化。
2.根据权利要求1所述的一种基于遗传算法的并行合作频谱感知的方法,其特征在于:所述的***模型为:
在一个由一个融合中心和N个认知用户构成的集中式认知无线电网络中,感知对象包括M个异构信道;每一个子信道具有不同的带宽,不同的传输速率,不同的使用概率;分别用H0和H1指示信道空闲和被主用户占用两种状态;认知用户在每一个时隙T内分为感知时隙Ts和传输时隙Tr两部分,T=Ts+Tr;在每个时隙T内,Ts和Tr可在一定范围内变化;为便于各节点同步及减少传输开销,Ts只能在K个离散值之中选取,各离散值由小到大排列,记为Ts(k),其中k=1,2,...,K;每个认知用户在一个感知时隙Ts(k)内仅感知一个子信道,而每个信道可由多个认知用户合作感知以提高准确性,合作时采用OR准则;
设各节点使用能量检测方法进行频谱感知,信号为复PSK信号,噪声为循环对称复高斯噪声;由于每个用户所处的位置不同,不同认知用户处不同信道的信噪比也不同,设已知各认知用户处各信道的信噪比Υ=[γmn]M×N,其中γmn表示第n个认知用户处第m个信道的信噪比;每个认知用户的虚警概率保持一致,设其中n=1,2,…,N,m=1,2,…,M;则第n个认知用户对第m个信道的检测概率可由下式得出
其中,erfc为互补误差函数,fs为采样频率;
设X=[xn]N为分配向量,其中,xn代表第n个SU感知的信道序号,xn=0,1,2,...,M,为0时表示该SU不感知任何信道;则信道m的检测概率PD m(X,Ts(k))和虚警概率PF m(X)可表示为
设为信道m在信道空闲时所能达到的信道速率;当主用户不存在时,且认知用户能够正常的感知到空闲的频谱,该信道能够达到的平均吞吐量为
设信道m空闲的概率为则该信道所能达到的平均吞吐量的近似值为
定义***有效吞吐量Rsum(X,k)为检测概率大于检测概率要求的信道的吞吐量的总和,表达式如下:
此外,为了充分的利用频谱,设***所允许的最大虚警概率为则每个信道允许的最大认知用户数Nco_max为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410431708.2A CN104243063B (zh) | 2014-08-28 | 2014-08-28 | 一种基于遗传算法的并行合作频谱感知的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410431708.2A CN104243063B (zh) | 2014-08-28 | 2014-08-28 | 一种基于遗传算法的并行合作频谱感知的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104243063A true CN104243063A (zh) | 2014-12-24 |
CN104243063B CN104243063B (zh) | 2017-01-11 |
Family
ID=52230498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410431708.2A Active CN104243063B (zh) | 2014-08-28 | 2014-08-28 | 一种基于遗传算法的并行合作频谱感知的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104243063B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187144A (zh) * | 2015-10-27 | 2015-12-23 | 哈尔滨工业大学 | 空天地一体化网络中能够剔除恶意移动终端的协作式频谱感知方法 |
CN105792218A (zh) * | 2016-02-25 | 2016-07-20 | 中山大学 | 具有射频能量收集能力的认知无线电网络的优化方法 |
CN108092727A (zh) * | 2017-12-04 | 2018-05-29 | 黑龙江八农垦大学 | 基于迭代km算法的跨层异构多信道频谱感知方法 |
CN111698690A (zh) * | 2020-06-10 | 2020-09-22 | 赣南师范大学 | 基于改进小生境遗传的认知无线网络频谱分配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080102849A1 (en) * | 2006-10-25 | 2008-05-01 | James Neel | Beacon aided low complexity distributed autonomous dynamic frequency selection |
EP2566273A1 (en) * | 2011-09-02 | 2013-03-06 | Université Libre de Bruxelles | Method for dynamically determining sensing time in cognitive radio network |
CN103117820A (zh) * | 2013-01-23 | 2013-05-22 | 南通大学 | 基于可信度的加权协作频谱检测方法 |
US20140064114A1 (en) * | 2012-08-30 | 2014-03-06 | National Tsing Hua University | Active sensing method based on spectral correlation for cognitive radio systems |
CN103997743A (zh) * | 2014-05-07 | 2014-08-20 | 西安交通大学 | 一种认知无线电***中基于有效容量的资源分配方法 |
-
2014
- 2014-08-28 CN CN201410431708.2A patent/CN104243063B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080102849A1 (en) * | 2006-10-25 | 2008-05-01 | James Neel | Beacon aided low complexity distributed autonomous dynamic frequency selection |
EP2566273A1 (en) * | 2011-09-02 | 2013-03-06 | Université Libre de Bruxelles | Method for dynamically determining sensing time in cognitive radio network |
US20140064114A1 (en) * | 2012-08-30 | 2014-03-06 | National Tsing Hua University | Active sensing method based on spectral correlation for cognitive radio systems |
CN103117820A (zh) * | 2013-01-23 | 2013-05-22 | 南通大学 | 基于可信度的加权协作频谱检测方法 |
CN103997743A (zh) * | 2014-05-07 | 2014-08-20 | 西安交通大学 | 一种认知无线电***中基于有效容量的资源分配方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187144A (zh) * | 2015-10-27 | 2015-12-23 | 哈尔滨工业大学 | 空天地一体化网络中能够剔除恶意移动终端的协作式频谱感知方法 |
CN105187144B (zh) * | 2015-10-27 | 2017-10-03 | 哈尔滨工业大学 | 空天地一体化网络中能够剔除恶意移动终端的协作式频谱感知方法 |
CN105792218A (zh) * | 2016-02-25 | 2016-07-20 | 中山大学 | 具有射频能量收集能力的认知无线电网络的优化方法 |
CN105792218B (zh) * | 2016-02-25 | 2019-01-25 | 中山大学 | 具有射频能量收集能力的认知无线电网络的优化方法 |
CN108092727A (zh) * | 2017-12-04 | 2018-05-29 | 黑龙江八农垦大学 | 基于迭代km算法的跨层异构多信道频谱感知方法 |
CN111698690A (zh) * | 2020-06-10 | 2020-09-22 | 赣南师范大学 | 基于改进小生境遗传的认知无线网络频谱分配方法 |
CN111698690B (zh) * | 2020-06-10 | 2023-07-18 | 赣南师范大学 | 基于改进小生境遗传的认知无线网络频谱分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104243063B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104243063A (zh) | 一种基于遗传算法的并行合作频谱感知的方法 | |
CN103746756B (zh) | 认知无线电网络基于模仿主用户攻击的干扰估计方法 | |
CN104038296B (zh) | 一种认知无线电网络的协作频谱检测方法 | |
CN103338082A (zh) | 一种基于“k秩”准则的双门限协作频谱感知方法 | |
CN103220052A (zh) | 一种认知无线电中检测频谱空洞的方法 | |
CN104022796B (zh) | 一种基于非连续频段的跳频序列产生方法及结构 | |
CN107623554A (zh) | 一种基于信任值的协作频谱感知方法、认知无线网络 | |
CN102118201A (zh) | 一种基于协方差矩阵分解的盲频谱感知方法 | |
CN101815305B (zh) | 基于可信度的协同频谱感知方法 | |
CN102573076B (zh) | Lte***中上行无线资源分配方法及装置 | |
CN105101383B (zh) | 基于频谱共享能效最大的功率分配方法 | |
CN101729164A (zh) | 无线资源分配方法和认知无线电用户设备 | |
CN106330256B (zh) | 一种基于无线电的跳频方法 | |
Swetha et al. | Analysis of spectrum sensing based on energy detection method in cognitive radio networks | |
CN110461006A (zh) | 降低wlan干扰方法、装置及终端设备 | |
CN103763086A (zh) | 一种基于滤波器组的多用户多信道协作频谱感知方法 | |
CN103780323B (zh) | 一种基于信号聚合特性的认知无线电宽带频谱感知方法 | |
CN105429913A (zh) | 基于特征值的多电平检测与识别方法 | |
CN105007585B (zh) | 基于中断概率能效最大的功率分配方法 | |
CN102547795B (zh) | 自适应频谱感知调度方法 | |
CN108540257B (zh) | 分布式智能干扰***用的定位置式干扰资源调度优化方法 | |
CN103237310B (zh) | 一种认知无线电并行合作频谱感知方法 | |
CN105743594B (zh) | 一种认知无线电***中基于用户间协作的主用户仿冒攻击检测方法 | |
CN103686701A (zh) | 在认知型无线电网络中提高用户安全性的方法 | |
CN103402268A (zh) | 一种基于改进的弦距离的下行mu_comp调度算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |