一种认知自组织网络中分布式协作频谱感知方法与流程

本发明涉及无线通信技术中的认知无线电领域，具体讲是一种实现认知自组织网络中分布式协作频谱感知的新方法。

背景技术：

目前，随着无线通信业务种类的快速增长，对无线频谱资源的需求也呈指数增长，使得未来无线通信的频谱资源“匮乏”问题日益突出。认知无线电技术在保证授权用户服务质量的条件下以“伺机接入”的方式利用授权用户的空闲频段，极大提高了频谱的使用效率，是解决“频谱匮乏”问题的有效方法，具有重要的实际意义和广阔的应用前景。频谱感知技术被用来有效检测当前授权用户的工作状态，以寻求频谱机会和避免对授权用户或主用户(Primary User，PU)的干扰。因此，有效的频谱感知技术是认知无线网络正常工作的前提和基础。

由于单个认知用户或次级用户(Secondary User，SU)的频谱感知性能极易受到无线信道中阴影、衰落、隐藏终端和暴露终端等因素的影响而恶化，人们提出了许多协作频谱感知(cooperative spectrum sensing，CSS)的方法来克服这些问题。

从是否存在融合中心的角度来看，目前CSS方法主要包括以下两类：

集中式CSS：在集中式CSS方法中，每个SU用户首先进行本地频谱感知，然后将感知结果上传给融合中心，融合中心将各个SU用户的感知结果通过“与”“或”融合等方法进行数据融合后，做出PU用户是否存在的判决。目前，集中式CSS方法的研究日趋成熟。该方法能较容易地实现全网信息的获取和全网感知性能的优化；但是由于过分依赖融合中心等网络基础设施等不足，容易因单节点感知失败使得整个感知系统性能受到严重影响，网络扩展性不足和性能不够稳健。

分布式CSS：在分布式CSS方法中，每个SU用户首先进行本地频谱感知，然后每个SU用户与邻居节点进行信息交互、融合和迭代，最终每个SU用户独立做出PU用户存在与否的判决。这种分布式CSS方法不依赖于融合中心等基础设施，网络稳健性和扩展性都较好，鉴于此优势，近年来无中心、自适应的认知自组织网络逐渐引起学术界和工业界的广泛兴趣，关于分布式CSS方法的设计也开始受到研发人员的密切关注。

目前的分布式CSS方法仅仅考虑网络规模较小的场景，并且假设所有用户都参与协作， 然后，当网络规模不断扩大，SU数目不断上升时，所有SU都参加协作将会带来巨大的感知开销，并且所处不同空间位置的SU用户会经历不同路径损耗、多径衰落、阴影效应等因素影响的信道环境，检测可靠性也存在很大差异。因此，如何有效发掘利用这些差异，在减少网络开销的条件下，实现稳健的、可靠的协作频谱感知是一个具有重要理论意义和实用价值的课题。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种认知自组织网络中分布式协作频谱感知方法，用于实现在减少网络开销的条件下，实现稳健的、可靠的协作频谱感知。

为实现上述目的及其他相关目的，本发明提供一种认知自组织网络中分布式协作频谱感知方法，该方法包括以下步骤：

4)根据全网收敛获得错检概率，计算不同信噪比情况下，错检概率最小时的动态阈值T；

5)将所述动态阈值T应用于K节点协作的情况下，计算出最优协作节点数；

6)根据最优协作节点数，采用梯度收敛算法，寻找K个节点进行协作频谱感知，判断授权用户是否存在；如果不存在，则进行动态频谱接入。

优选地，步骤2)中计算出最优协作节点数的目标函数J(K)＝(1-ω)P(K)_cd+ω(1-ψ(K))；其中，J(K)为算法性能和复杂度的加权函数，其中ω(0<ω<1)为计算复杂度和系统性能之间的加权系数，当ω<0.5,表示性能更重要，当ω>0.5表示运算速度更重要。P(K)_cd表示正确判决的概率。ψ(K)表示节点使用率，1-ψ(K)表示K个SU用户协作频谱感知的资源效率。随着K的变化，J(K)函数随之发生变化，当J(K)达到最大值时的协作节点数K即最优协作节点数；P(K)_cd表示正确判决的概率，P(K)_cd＝P(H₀)(1-P(K)_f)+P(H₁)(1-P(K)_m)，其中P(H₁)表示主用户存在概率，P(H₀)表示主用户空闲概率，P(K)_f表示虚警概率，P(K)_m表示误警概率。

优选地，所述步骤3)的具体步骤如下：每个认知节点独立感知频段上的授权用户能量；每个认知节点都建立与其协作节点间的双向通信信道，用于交换初始检测能量，并剔除邻居节点中与平均值偏差最大的节点；整个迭代过程一直持续到所有认知节点的能量都收敛到一个平均值G；将收敛到的平均值G和预先获得的动态阈值T进行比较，判定信道是否空闲获得授权用户是否存在。

本发明应用梯度算法的最新进展，实现了在网络感知开销极大减少的条件下，全分布式、稳健的、可靠的分布式协作频谱感知。通过设计最优代价函数，计算最优协作节点数，并按 照最优协作节点数目选择节点进行分布式协作算法，得到感知结果，并广播至全网用户。本发明不需要知道认知用户接收信噪比的先验信息，不需要任何中心控制器，大幅度降低了感知开销，获得了与全网梯度协作方案相近的检测性能。

附图说明

图1显示为本发明基于梯度的分布式协作频谱感知最优协作节点数计算流程示意图。

图2显示为本发明最优协作节点数目协作流程图。

图3显示为本发明认知自组织网的结构。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅附图所示。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

基于以上阐述，基于SU用户信道环境很难得到保证，全网收敛开销大，我们提出一种基于梯度算法分布式认知自组织网络中最优协作节点数计算算法，整个方案的系统流程图请参阅图1。

在大规模认知自组网中，节点信噪比变化较大，因此不适宜使用固定阈值，必须选取基于信噪比的动态阈值。

在总共N个认知节点的网络中，进行梯度算法，在每个协作认知节点上进行判决，计算出每个协作认知节点的漏检概率、总误检概率，可以发现一个N节点的网络，其总误检概率Pe随判定阈值非线性变化，且存在最优判定阈值，使得错检概率最小。当节点信噪比不同时，最优判定阈值不同，且最优判定阈值随着信噪比增大而非线性减小。原因是随着信噪比增大，噪声功率相对降低，授权用户存在性可以再更低的能量阈值下判定。可以求得对于每个认知节点不同的信噪比下，错检概率函数最低时对应的能量阈值，此为最优门限(最优阈值)，表示为T。

通过拟合，可以求出最优门限随信噪比变化公式，此公式反映了保持错检概率最低时不 同信噪比下的门限值。此最优门限T应用于K节点协作的情况下，以保证K节点协作的准确性。

在协作频谱感知中，正确判决的概率可以表示为：

P(K)_cd＝P(H₀)(1-P(K)_f)+P(H₁)(1-P(K)_m) (1)

其中，P(K)_f和P(K)_m分别表示虚警概率和误检概率。需要通过分布式协作频谱感知算法得到。

在认知自组网中，综合考虑系统的响应速度和功耗，协作频谱感知资源效率可表示为：

1-ψ(K)＝1-K/N＝(N-K)/N (2)

其中，ψ(K)表示网络中节点使用率，N-K表示所节省的资源，由此可知，在N个节点的认知自组网中，仅需要K个节点，则可满足性能和运算速度要求。

根据上述分析，可构建认知自组网中关于计算最优协作节点数的目标效率函数J(K)：

J(K)＝(1-ω)P(K)_cd+ω(1-ψ(K)) (3)

由上式可知，J(K)为算法性能和复杂度的加权函数，其中ω(0<ω<1)为计算复杂度和系统性能之间的加权系数，当ω<0.5,表示性能更重要，当ω>0.5表示运算速度更重要。P(K)_cd表示正确判决的概率。ψ(K)表示节点使用率，1-ψ(K)表示K个SU用户协作频谱感知的资源效率。随着K的变化，J(K)函数随之发生变化，当J(K)达到最大值时的协作节点数K即最优协作节点数。P(K)_cd表示正确判决的概率，P(K)_cd＝P(H₀)(1-P(K)_f)+P(H₁)(1-P(K)_m)。其中，cd、f、m均为下标代表。

得到最优动态门限后，以及计算出最佳协作节点数后，即可进行部分梯度算法ψ-GBCS算法，求解授权用户存在性，其中ψ为节点使用率。基于梯度的K节点协作频谱感知算法流程如图2所示。

每个认知节点独立感知频段上的授权用户能量；

每个认知节点都建立与其协作节点间的双向通信信道，用于交换初始检测能量，并剔除邻居节点中与平均值偏差最大的节点；

整个迭代过程一直持续到所有认知节点的能量都收敛到一个平均值G；

将收敛值和预先设定好的阈值进行比较，若收敛值G大于阈值T，则信道忙，否则判定信道空闲。

本发明可能的应用范围包括无线通信技术中的认知无线电领域。

本发明解决了由于信道环境不同和网络规模增大带来的协作频谱感知准确性低和开销大的问题。

本发明的技术关键点如下：

1、根据全网收敛获得错检概率，计算不同信噪比情况下，错检概率最小时的动态阈值，不在有统一的判定阈值。

2、将动态阈值应用于K节点协作的情况下，保证了K节点协作的准确性。

3、K节点协作频谱感知算法，能够极大降低能耗，提高感知效率。

下面结合图的具体实施例，进一步阐述本发明。

图3所示为认知系统和授权用户系统并存情况下的场景描述。认知系统包括一个认知基站和N＝100个认知用户，其中基站是主控节点，负责收集各认知用户的频谱感知信息和系统内的信道状态信息，然后以此为依据进行动态自适应的子载波分配。认知用户根据计算出的最优协作节点数K，寻找K个节点进行协作频谱感知，判断授权用户是否存在，如果不存在，则进行动态频谱接入。

错检概率Pe。

(1)优化阈值。P(SNR)_e表示基于信噪比变化的错检概率函数

(2)求解目标函数。${\mathrm{\&lambda;}}_{opt}\&DoubleRightArrow;P{\left(K\right)}_{cd}\&DoubleRightArrow;J\left(K\right)$

(3)优化合作节点数。K_opt＝arg max_k J(K)

(4)选取K_opt个认知节点，g_j(1)表示第j个节点在时刻1时候的能量值

(5)进行梯度收敛。为邻居节点i与认知节点j的能量梯度，g_j(t+1)表示第j个节点在时刻t+1时候的能量值

(6)重复6直到g_j收敛到G

(7)授权用户存在性H＝(H1|G>λ_opt)+(H0|G<λ_opt)

(8)将结果广播到全网。感知结束。

综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。