一种基于用户集合势估计的认知无线电合作频谱感知方法技术

本发明专利技术涉及认知无线电频谱感知技术领域，公开了用于认知无线电合作频谱感知的方法，即基于用户集合势估计和加权增益合并机制，提出了一种有效的、易实现的合作频谱感知方法。首先，采用估计算法估计用户的集合势，确定最终参与生成GTS的最优用户个数；其次，基于用户选择机制改善加权增益合并合作频谱感知的感知性能。基于用户集合势估计的合作频谱感知方法，可以减少合作感知对先验信息的依赖，且可以有效地解决低信噪比条件下授权频段是否被占用难以区分的问题，很大程度地提高了合作频谱感知的性能。

【技术实现步骤摘要】

本专利技术属于认知无线电(CognitiveRadio,CR)领域，尤其涉及认知无线电合作频谱感知技术。
技术介绍
认知无线电致力于解决传统的固定频谱授权分配方式所导致的频谱资源短缺和频谱浪费的问题，能够实现次级用户SU(secondaryuser)在已授权频段LFB(licensedfrequencybands)上以低优先级机会性地动态接入。频谱感知技术作为认知无线电的基本前提受到广泛研究，其目的在于准确、快速地对LFB的实时占用状态做出判决，以便于SU在尽可能少地对PU(primaryuser)产生干扰和影响的情况下，伺机接入授权频段。早期经典的单用户频谱感知方案包括：能量检测(energydetection,ED)方案、匹配滤波器检测(MatchedFilterbasedSpectrumSensing,MFSS)方案、循环平稳特征检测(CyclostationaryFeaturebasedSpectrumSensing,CFSS)方案等。匹配滤波器检测和循环平稳检测在不同程度上需预知PU信号结构和信道信息等先验知识，这样的算法实现条件在实际情况中难以满足。ED方案由于仅需预知噪声功率，结构简单、易实现、成本低，因而得到广泛研究。然而，基于ED的单用户频谱感知方案性能严重不足，且容易受周围环境因素(噪声功率不确定度、隐终端效应等)的影响，因而具有较大的感知性能缺陷和应用局限性。近年来，多用户合作频谱感知方案因相对于单用户频谱感知方案的性能优势而受到广泛关注。合作频谱感知广泛采用数据软融合(softdatafusion,SDF)方案，由认知无线电网络中的融合中心(fusioncenter,FC)收集各个合作用户发送过来的感知数据生成全局检测统计量(globalteststatistic,GTS)，并完成最终判决。传统的SDF方式的合作频谱感知一般采用所有合作用户的全部数据进行融合。然而，在实际感知场景中，由于环境、信道等因素的影响，参与合作的各个SU的本地感知数据可能存在较大差异，使得各个SU接收的PU信号存在不均衡性，体现不同的感知能力。如果能在所有的合作用户中将具有较好感知能力的用户筛选出来，利用他们的频谱观测数据进行融合，则会获得更好的合作感知性能。据此，本专利技术针对传统的SDF全部用户参与合作的机制，提出了一种基于用户集合势估计的合作频谱感知方法。
技术实现思路
本专利技术针对传统合作频谱感知方法需要先验信息，并且在低信噪比情况下频谱感知性能不足的问题，提出了基于用户集合势估计的合作频谱感知方案。在合作频谱感知算法的实施过程中，先利用用户集合势估计算法估计出感知性能较好的合作用户集合的集合势，即信道条件较好的合作用户个数K^，再计算协方差矩阵的特征值和特征向量，从中筛选出K^个较大特征值及其对应的特征向量，由其参与生成GTS并做出最终判决。理论分析和实验结果表明，该合作频谱感知方案不需要任何先验信息，并且可以有效地提高合作频谱感知的检测性能。具体地，本专利技术提出一种基于用户集合势估计的认识无线电合作频谱感知方法，包括：各个合作用户SU的接收机在感知时间内对接收信号进行采样并报告至FC，FC由此获得采样矩阵Y；根据采样矩阵计算采样信号协方差矩阵Ry，计算协方差矩阵Ry的特征值并获得对应的特征向量；估计由信道条件较好的合作用户所构成的用户集合的集合势，并由此选择特征向量，利用用户集合势选择向量对特征向量进行选择得到最优特征向量集合，根据加权增益合并方式生成全局检测统计量T并进行最终判决。本专利技术其中一个实施例包括：获得特征向量具体为：根据采样矩阵Y和不同的估计算法方案对用户集合势K进行估计，获得估计值为将接收机采样协方差矩阵的特征值按降序排列，根据值生成数据选择向量，即从数据选择向量中选择前个较大特征值及其对应的特征向量作为最优特征向量。本专利技术其中一个实施例包括：根据加权增益合并方式生成全局检测统计量T(即GTS)；进一步包括，根据公式将最优特征向量与接收机采样矩阵进行合并，并计算平均值；根据公式计算加权增益合并能量值，并将其作为全局检测统计量T。本专利技术其中一个实施例包括：根据期望的虚警概率确定判决门限，将生成的全局检测统计量T(即GTS)与判决门限进行比较，并根据公式T≥γ⇒true,H^1false,H0]]>做出最终判决，即当T大于等于γ时，判决为表示判决PU信号存在；反之，当T小于γ时，判决为表示判决PU信号不存在。本专利技术所提出的基于用户集合势估计的能量合并合作频谱感知方法，优势主要体现在两个方面：(1)将较大特征值及其对应的特征向量筛选出来，降低了个别数据存在较大感知误差的可能性；(2)较大的特征值及对应的特征向量所携带的感知信息更利于区分授权频段是否被占用，从而有利于感知性能的提高。能量合并对于认知无线电合作频谱感知具有非常实际的应用意义。最常见的等增益合并(EqualGainCombining,EGC)将所有合作用户(参与合作的SU)的本地感知能量以等系数方式合并，等价于多用户的能量感知，能够减小单个SU对感知结果造成的不利影响；本专利技术提出的将较大特征值对应的特征向量与所有SU的本地感知数据进行合并，这些特征向量携带较好的感知信息，对合并值进行平方运算有利于将其优势扩大，从而提高感知性能；当考虑理想情况下知晓精确的信号协方差矩阵时，利用其较大特征值对应的特征向量进行能量合并能够破除历史数据对感知结果的影响，从而大幅提高感知性能。附图说明图1用户集合势估计感知算法系统框图；图2用户集合势估计方法流程图；图3各个算法用户集合势估计性能；图4加权增益合并感知方法流程图；图5用户集合势估计算法性能比较；图6不同采样次数下用户集合势估计算法性能。具体实施方式在实际感知环境中，每个参与合作感知的SU的信道条件各异。一般地，接收信号协方差矩阵Rs的前K个特征值有可能远大于后(M-K)个特征值(接收信号协方差矩阵共有M个特征值)，即λ1≥λ2≥…≥λK＞＞λK+1≥…≥λM，其中较大的特征值表示其相应的SU用户信道条件较好，能够接收到较强的PU信号，因此，在这个意义下，参与合作感知的M个SU可以分为信道条件较好的用户集合和信道条件较恶劣的用户集合。考虑先采用AIC(AkaikeInformationCriterion)、MDL(MinimumDescriptionLength)、GAIC(GerschgorinAkaikeI本文档来自技高网...

【技术保护点】
一种基于用户集合势估计的认识无线电合作频谱感知方法，其特征在于，多个合作用户接收机在感知时间内采样并上报融合中心FC，FC获得采样矩阵Y；根据采样矩阵获得采样信号协方差矩阵Ry，计算协方差矩阵Ry的特征值并获得对应的特征向量；估计合作用户的集合势并由此生成用户集合势选择向量，利用该向量对特征向量进行选择，得到最优特征向量集合；根据加权增益合并方式生成全局检测统计量GTS，并根据GTS进行最终判决。

【技术特征摘要】
1.一种基于用户集合势估计的认识无线电合作频谱感知方法，其特征在于，多个合作
用户接收机在感知时间内采样并上报融合中心FC，FC获得采样矩阵Y；根据采样矩阵获得采
样信号协方差矩阵Ry，计算协方差矩阵Ry的特征值并获得对应的特征向量；估计合作用户的
集合势并由此生成用户集合势选择向量，利用该向量对特征向量进行选择...

【专利技术属性】
技术研发人员：申滨，高凯，黄晓舸，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50