CN108055666B - 信息素驱动的分布式协同宽带频谱感知方法 - Google Patents
信息素驱动的分布式协同宽带频谱感知方法 Download PDFInfo
- Publication number
- CN108055666B CN108055666B CN201711282963.5A CN201711282963A CN108055666B CN 108055666 B CN108055666 B CN 108055666B CN 201711282963 A CN201711282963 A CN 201711282963A CN 108055666 B CN108055666 B CN 108055666B
- Authority
- CN
- China
- Prior art keywords
- channel
- node
- sensing
- fusion
- pheromone
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Complex Calculations (AREA)
Abstract
本发明***息素驱动的分布式协同宽带频谱感知方法。该方法是利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道,其中宽带信号中含有PU信息,PU信息被随机分割到窄带信号的信道;用一个CU感知一个节点,对某一节点的每个信道的窄带信号采用能量检测,得到该节点每个信道的判决统计量和判决结果;利用CU感知不同节点对应序号的信道两两交互感知信息,根据融合规则调整信息素,直至得到最终融合判决结果。本发明采用多节点协同频谱感知,克服了单个节点由于受到信道衰落等各种因素的影响而得到的感知结果不一定准确的缺陷。
Description
技术领域
本发明属于认知无线电频谱感知领域,具体涉及一种信息素驱动的分布式协同宽带频谱感知方法。
背景技术
频谱感知技术是认知无线电(Cognitive Radio,CR)的一项关键技术。频谱资源随着发展变得越来越稀缺,而“独占式”固分配政策是造成频谱资源短缺的主要原因。作为一种能显著提高频谱的重复利用率,减少频谱浪费的技术,CR得到了长足的发展。CR按感知节点数可以分为单节点感知和多节点感知。
单节点的频谱感知方法,由于受到信道衰落等各种因素的影响,频谱感知结果并不一定准确,因此需要多节点协同感知进一步提高对频谱空穴检测的准确性。多节点协同感知通过利用周围其它认知用户(CognitiveUser,CU)的感知信息进行协同感知,可以应对无线环境的阴影和多径等因素的影响,解决了单个CU的本地频谱检测不准确的难题。协同感知可以分为集中式感知和分布式感知。
集中式协同感知过程包括感知、报告以及融合三个独立的阶段:感知阶段,即CU对某一感兴趣的频段进行本地感知;报告阶段,即CU上传本地感知信息;融合阶段,融合中心(Fusion Center,FC)融合各CU的本地感知信息,做出判决后将结果发送给各CU。
分布式协同感知是指各CU间进行检测信息的交互,然后独立做出主用户(PrimaryUser,PU)是否存在的最终判决,由于缺少了FC,因此对单个CU的数据处理能力要求较高。根据采用的信息交互方式不同,分布式协同感知又分为中继转发方式和对等交互方式。由于中继转发方式设计的***不易控制,而对等交互方式的易于拓扑,所以基于后一种方式的研究比较集中。
基于平均共识的分布式协同感知算法被提出,虽然该算法的性能较好,但是实现前需要网络拓扑的先验信息,且参与协同的CU数目将被发送给网络中的所有节点,因此,网络整体的能量损耗较大。为了降低基于共识的频谱感知算法的能量损耗和算法复杂度,基于梯度的分布式协同感知算法被提出。该算法无需网络的先验信息,且复杂度较低。
以上算法都默认所有CU均参与协同,但实际环境中不同CU的检测性能肯定有差异。为了使得不同环境下各CU之间的信息差距逐渐缩小,最后收敛于一致,引入了集中式协同感知中的CU选择机制。根据在低信噪比(Signal-to-noise Ratio,SNR)下,CU的感知结果不准确影响协同感知算法性能。利用SNR比较的方法被提出,用于筛选可靠CU参与协同。徐盼通过计算各CU的SNR与最大SNR之间的差值,然后与判决阈值比较,从中选择差值高于阈值的CU。岳文静等人以能量统计参量的均值和方差的比值作为CU可信度参数,在PU存在和不存在条件下,分别设定可信度参数的范围,仅允许在该范围内的CU参与协同。
以上提出的CU选择机制均能有效滤除不可靠的CU,保证了协同感知的性能不受影响,提高了协同感知算法的性能。受蚁群行为和现象的启发,本发明将信息素概念引入频谱协作感知的过程,设计了单节点每个信道的信息素更新方法。针对宽带信号,先利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道,再对每个信道的窄带信号采用能量检测,得到该节点每个信道的判决统计量和判决结果,让不同节点对应序号的信道两两交互感知的信息,并根据融合规则来调整信息素。
本发明提出将信息素概念与分布式协同感知相结合,充分发挥了信息素概念自身的优势,有效提升了分布式协同感知算法的性能,最终达到弥补单节点感知能力不足,提高空闲信道检测准确性的目的。
发明内容
本发明的目的是通过引入信息素概念达到提高分布式协作频谱感知方法的干扰检测和空闲信道判决的准确性,提供一种信息素驱动的分布式协同宽带频谱感知方法。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤(1)、利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道,其中宽带信号中含有PU信息,PU信息被随机分割到窄带信号的信道;
步骤(2)、用一个CU感知一个节点,对某一节点的每个信道的窄带信号采用能量检测,得到该节点每个信道的判决统计量和判决结果;
步骤(3)、利用CU感知不同节点对应序号的信道两两交互感知信息,根据融合规则调整信息素,直至得到最终融合判决结果。
该发明与现有技术相比,具有以下显著优点:
(1)本发明采用多节点协同频谱感知,克服了单个节点由于受到信道衰落等各种因素的影响而得到的感知结果不一定准确的缺陷。
(2)由于多节点协同感知的信号范围比单节点广,因此,多节点协同感知结果不仅能反应该节点周围局部的频谱状态,还能反应其他集群节点处或整个集群网络的频谱环境。此外,多节点分布式协同感知所检测的频谱空穴是该区域内均可用的频谱空穴,是真正意义上的频谱空穴。
(3)本发明将信息素概念引入频谱协作感知的过程,设计了单节点每个信道的信息素更新方法。针对宽带信号,先利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道,再对每个信道的窄带信号采用能量检测,得到该节点每个信道的判决统计量和判决结果,让不同节点对应序号的信道两两交互感知的信息,并根据融合规则来调整信息素,最终达到弥补单节点感知能力不足,提高空闲信道检测准确性。
说明书附图
图1为本发明的滤波器组原理图;
图2为本发明的分布式协同频谱感知的原理图。
具体实施方式
下面进一步详细说明本发明的实施步骤。
如图1、2所示,一种基于信息素驱动的分布式协同频谱感知方法,具体包括如下步骤:
步骤(1)、利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道,其中宽带信号中含有PU信息,PU信息被随机分割到窄带信号的信道。假设输入信号为x(n),原型滤波器响应为h(n),总的子信道数为D。将x(n)通过滤波器组,得到D路子信道的输出为yp(m)。
yp(m)的具体产生方法如下:
其中,xp(m)=x(mD-p)为第p路子信道的输入信号,hp(m)=h(mD+p)为第p路子信道的滤波器响应,yp(m)表示第p路子信道所有的输出信号。
步骤(2)、用一个CU感知一个节点,对某一节点的每个信道的窄带信号采用能量检测,得到该节点每个信道的判决统计量和判决结果。
假如CU感知第l个节点的第p个子信道的信息为(Tp,l,Dp,l),再结合公式(2)获取信息素,其中Tp,l和Dp,l分别为CU感知第l个节点第p个子信道的判决统计量和判决结果。
τp,l=f(Tp,l,γp,l) (2)
所述的信息(Tp,l,Dp,l)的获取步骤具体如下:
能量法的检测统计量如下:
假设H0和H1分别表示PU不存在和存在的情况。
在假设H0下,由于接收信号只有噪声信号,故xp,l(m)服从均值为0,方差为的复高斯分布。则xl(m)也服从复高斯分布,其实部和虚部都服从均值为零,方差为的复高斯分布。其中,G表示滤波器组的处理增益,L为原型滤波器的长度。
在假设H1下,由于接收信号中加入了PU信号,故xp,l(m)服从均值为0,方差为的复高斯分布。则xl(m)也服从复高斯分布,其实部和虚部均服从均值为零,方差为的复高斯分布。根据卡方分布的定义可知:Tp,l服从自由度为的中心卡方分布,式(3)可表示为如下形式:
当样本点数足够多时,根据中心极限定理可知,检测统计量Tp,l近似符合高斯分布:
则可推得虚警概率为:
由式(6)可知检测门限为:
本发明设计的判决结果如下:
其中Dp,l表示CU感知第l个节点的第p个子信道的判决结果。
步骤(3)、利用CU感知不同节点对应序号的信道两两交互感知信息,根据融合规则调整信息素,直至得到最终融合判决结果,具体如下:
3.1参数初始化:令迭代次数Nc=0,设置最大迭代次数Nmax,设计信息素为τp,l=f(Tp,l,γp,l)。令j=1,l=K。
3.2循环次数Nc=Nc+1;
3.3如果j≠l,则进行融合判决结果的累加,最后令j=j+1;否则,直接令j=j+1;
3.4如果j>K,则令l=l-1;否则,跳转至步骤3.3;
3.5如果l<0,则进行信息素更新;否则跳转至步骤3.3;
3.6如果Nc≤Nmax,则跳转至步骤3.2;直到Nc>Nmax结束循环;循环结束后根据判决规则输出最终融合判决结果。
CU感知第l个与第j个不同节点的相同信道并交互感知的信息,得到融合判决结果基于以下条件:为了减少相同节点间交互感知的概率,令l的取值从1开始逐个递增,j的取值从K开始逐个递减。
CU感知第l个与第j个不同节点的相同信道时,定义相关函数分别为Rp,l和Rp,j。
融合判决结果为Dp,l和Dp,j的可能性分别表示为Pp,l和Pp,j。
其中θ>0为常数。
所述的融合判决结果的累加具体操作如下:
当Pp,l>Pp,j时,融合判决结果为Dp,l,将用于融合判决结果的累加;
当Pp,j>Pp,l时,融合判决结果为Dp,j,将用于融合判决结果的累加。
所述的信息素更新具体操作如下:
当Dp,l=Dp,j时,重置τp,l=τp,l(1+α×Rp,l×Dp,l×Dp,j),且令τp,l=τp,j;其中α是信息素的释放因子,用于调整信息素释放的速度。
当Dp,l≠Dp,j时,重置τp,l=τp,l(1+α×Rp,l×Dp,l×Dp,j),且令τp,l=τp,j。
最终融合判决结果具体操作如下:
CT0p、CT1p表示CU感知所有节点的第p个信道中PU不存在与存在的判决结果的累加值。
CT0p=CT0p+Dp,- (13)
CT1p=CT1p+Dp,+ (14)
其中,Dp,-和Dp,+分别表示CU感知所有节点的第p个信道的融合判决结果分别为1和-1的累计总数,可通过公式(8)可知。
最终融合判决结果的判决规则为:
当CT0p>CT1p时,第p个信道的最终融合判决结果为PU不存在;当CT1p>CT0p时,第p个信道的最终融合判决结果为PU存在。
通过以上的频谱感知算法,可以使得整个认知用户网络的检测概率提高,漏检与虚警概率降低。
Claims (1)
1.信息素驱动的分布式协同宽带频谱感知方法,其特征在于该方法包括以下步骤:
步骤(1)、利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道,其中宽带信号中含有PU信息,PU信息被随机分割到窄带信号的信道;
步骤(2)、用一个CU感知一个节点,对某一节点的每个信道的窄带信号采用能量检测,得到该节点每个信道的判决统计量和判决结果;
步骤(3)、利用CU感知不同节点对应序号的信道两两交互感知信息,根据融合规则调整信息素,直至得到最终融合判决结果;
步骤(1)具体是假设输入信号为x(n),原型滤波器响应为h(n),总的子信道数为D;将x(n)通过滤波器组,得到D路子信道的输出为yp(m);
yp(m)的具体产生方法如下:
其中,xp(m)=x(mD-p)为第p路子信道的输入信号,hp(m)=h(mD+p)为第p路子信道的滤波器响应,yp(m)表示第p路子信道所有的输出信号;
步骤(2)具体是假定CU感知第l个节点的第p个子信道的信息为(Tp,l,Dp,l),再结合公式(2)获取信息素,其中Tp,l和Dp,l分别为CU感知第l个节点第p个子信道的判决统计量和判决结果;
τp,l=f(Tp,l,γp,l) (2)
所述的信息(Tp,l,Dp,l)的获取步骤具体如下:
能量法的检测统计量如下:
假设xl(m)是CU感知第l个节点的接收信号,
假设H0和H1分别表示PU不存在和存在的情况;
在假设H0下,由于接收信号只有噪声信号,故xp,l(m)服从均值为0,方差为的复高斯分布;则xl(m)也服从复高斯分布,其实部和虚部都服从均值为零,方差为的复高斯分布;其中,G表示滤波器组的处理增益,L为原型滤波器的长度;
在假设H1下,由于接收信号中加入了PU信号,故xp,l(m)服从均值为0,方差为的复高斯分布;则xl(m)也服从复高斯分布,其实部和虚部均服从均值为零,方差为的复高斯分布;根据卡方分布的定义可知:Tp,l服从自由度为的中心卡方分布,式(3)可表示为如下形式:
当样本点数足够多时,根据中心极限定理可知,检测统计量Tp,l近似符合高斯分布:
则可推得虚警概率为:
由式(6)可知检测门限为:
判决结果如下:
其中Dp,l表示CU感知第l个节点的第p个子信道的判决结果;
步骤(3)具体是:
3.1参数初始化:令迭代次数Nc=0,j=1,l=K,设置最大迭代次数Nmax,信息素为τp,l=f(Tp,l,γp,l);
3.2循环次数Nc=Nc+1;
3.3如果j≠l,则进行融合判决结果的累加,最后令j=j+1;否则,直接令j=j+1;
3.4如果j>K,则令l=l-1;否则,跳转至步骤3.3;
3.5如果l<0,则进行信息素更新;否则跳转至步骤3.3;
3.6如果Nc≤Nmax,则跳转至步骤3.2;直到Nc>Nmax结束循环;循环结束后根据判决规则输出最终融合判决结果;
步骤(3)CU感知第l个与第j个不同节点的相同信道并交互感知的信息,得到融合判决结果基于以下条件:为了减少相同节点间交互感知的概率,令l的取值从1开始逐个递增,j的取值从K开始逐个递减;
CU感知第l个与第j个不同节点的相同信道时,定义相关函数分别为Rp,l和Rp,j;
融合判决结果为Dp,l和Dp,j的可能性分别表示为Pp,l和Pp,j;
其中θ>0为常数;
步骤(3)所述的融合判决结果的累加具体操作如下:
当Pp,l>Pp,j时,融合判决结果为Dp,l,将用于融合判决结果的累加;
当Pp,j>Pp,l时,融合判决结果为Dp,j,将用于融合判决结果的累加;
步骤(3)所述的信息素更新具体操作如下:
当Dp,l=Dp,j时,重置τp,l=τp,l(1+α×Rp,l×Dp,l×Dp,j),且令τp,l=τp,j;其中α是信息素的释放因子,用于调整信息素释放的速度;
当Dp,l≠Dp,j时,重置τp,l=τp,l(1+α×Rp,l×Dp,l×Dp,j),且令τp,l=τp,j;
步骤(3)根据判决规则获得最终融合判决结果的具体操作如下:
CT0p、CT1p表示CU感知所有节点的第p个信道中PU不存在与存在的判决结果的累加值;
CT0p=CT0p+Dp,- (13)
CT1p=CT1p+Dp,+ (14)
其中,Dp,-和Dp,+分别表示CU感知所有节点的第p个信道的融合判决结果分别为1和-1的累计总数,可通过公式(8)可知;
最终融合判决结果的判决规则为:
当CT0p>CT1p时,第p个信道的最终融合判决结果为PU不存在;
当CT1p>CT0p时,第p个信道的最终融合判决结果为PU存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711282963.5A CN108055666B (zh) | 2017-12-07 | 2017-12-07 | 信息素驱动的分布式协同宽带频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711282963.5A CN108055666B (zh) | 2017-12-07 | 2017-12-07 | 信息素驱动的分布式协同宽带频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108055666A CN108055666A (zh) | 2018-05-18 |
CN108055666B true CN108055666B (zh) | 2020-02-28 |
Family
ID=62122783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711282963.5A Active CN108055666B (zh) | 2017-12-07 | 2017-12-07 | 信息素驱动的分布式协同宽带频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108055666B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281734A (zh) * | 2013-04-25 | 2013-09-04 | 西安电子科技大学 | 一种分布式认知无线网络中主动频谱切换的方法 |
CN104683989A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于多信道同步协作频谱感知的宽带认知网络通信方法 |
CN104702355A (zh) * | 2015-02-26 | 2015-06-10 | 西安电子科技大学 | 一种大小尺度衰落信道下宽带协作频谱感知方法 |
CN104869060A (zh) * | 2015-05-18 | 2015-08-26 | 南京邮电大学 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
CN106385670A (zh) * | 2016-09-18 | 2017-02-08 | 广东工业大学 | 移动Sink节点对感知节点的数据收集的方法及*** |
-
2017
- 2017-12-07 CN CN201711282963.5A patent/CN108055666B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281734A (zh) * | 2013-04-25 | 2013-09-04 | 西安电子科技大学 | 一种分布式认知无线网络中主动频谱切换的方法 |
CN104702355A (zh) * | 2015-02-26 | 2015-06-10 | 西安电子科技大学 | 一种大小尺度衰落信道下宽带协作频谱感知方法 |
CN104683989A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于多信道同步协作频谱感知的宽带认知网络通信方法 |
CN104869060A (zh) * | 2015-05-18 | 2015-08-26 | 南京邮电大学 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
CN106385670A (zh) * | 2016-09-18 | 2017-02-08 | 广东工业大学 | 移动Sink节点对感知节点的数据收集的方法及*** |
Non-Patent Citations (3)
Title |
---|
Message-Passing Algorithms for Coordinated Spectrum Sensing in Cognitive Radio Networks;Sang Hyun Lee 等;《IEEE》;20131231;全文 * |
Multi-Channel Coordinated Spectrum Sensing Strategy in Multiple Antennae Based Cognitive Radio Networks;Wang Yong-feng , Li Ou;《IEEE》;20141231;全文 * |
基于蚁群算法的Storm 集群资源感知任务调度;刘梦青,王少辉;《计算机技术与发展》;20170930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108055666A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102571241B (zh) | 一种改进的双门限协作频谱感知方法 | |
Thilina et al. | Machine learning techniques for cooperative spectrum sensing in cognitive radio networks | |
Wei et al. | Energy-efficient distributed spectrum sensing for wireless cognitive radio networks | |
CN104579523B (zh) | 认知无线网络频谱感知和接入决策联合的优化方法 | |
US8315519B2 (en) | Systems and methods for transmitting signals in communication networks | |
CN105959988B (zh) | 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法 | |
CN110649982B (zh) | 基于次用户节点选择的双阈值能量检测方法 | |
CN108390735B (zh) | 一种信息素驱动的分布式协同宽带频谱感知方法 | |
Biswas et al. | Sum throughput maximization in a cognitive multiple access channel with cooperative spectrum sensing and energy harvesting | |
Sahu et al. | Improved adaptive cooperative spectrum sensing in cognitive radio networks | |
Giri Prasad et al. | Group based multi-channel synchronized spectrum sensing in cognitive radio network with 5G | |
CN105246082A (zh) | 一种基于能量检测的感知信息融合方法 | |
CN114126021A (zh) | 一种基于深度强化学习的绿色认知无线电的功率分配方法 | |
CN111741520B (zh) | 一种基于粒子群的认知水声通信***功率分配方法 | |
CN107911825B (zh) | 一种基于双门限能量检测的用户选择协作频谱感知方法 | |
CN108055666B (zh) | 信息素驱动的分布式协同宽带频谱感知方法 | |
Babu et al. | Design of Clustering Techniques in Cognitive Radio Sensor Networks. | |
CN108322276B (zh) | 一种基于d-s证据理论的频谱感知准确率提升技术 | |
Prema et al. | Performance of energy aware cooperative spectrum sensing algorithms in cognitive wireless sensor network | |
CN106998571B (zh) | Ad Hoc对等网络无中心分布式快速共识方法 | |
CN116248208A (zh) | 一种基于协同感知动态频谱切换的干扰规避方法及*** | |
CN112087275B (zh) | 基于生灭过程和粘性隐马尔可夫模型的合作频谱感知方法 | |
Sun et al. | Selection of sensing nodes in cognitive radio system based on correlation of sensing information | |
CN112702710A (zh) | 低占空比网络中基于链路相关性的机会路由优化方法 | |
CN107801190B (zh) | 一种基于hdp-nshmm的频谱感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |