高效混合式协同检测方法研究

赵振宇,徐玉清,沈晓强,朱小文

(总装工程兵科研一所,江苏无锡214035)

0 引言

随着无线电的发展,频谱资源变得越来越紧张,但频谱利用效率并不高[1]。为了提高频谱利用效率,人们提出了认知无线电技术[2],它需要不断地对频谱或者信号进行检测,从而得到可用的频谱信息。但单个检测节点由于受到多径、阴影效应的影响,检测性能不高,为了提高检测性能,可以采用多个协同检测节点从不同位置来检测频谱,那么如何将协同节点的检测结果进行融合,从而快速得到准确的最终结果是很值得研究的。最简单的方法是将这些检测结果进行“与”操作(AND准则)或者“或”操作(OR准则)[3,4],但这样融合的协同检测性能也较低,一种好的方法是采用D-S证据理论[5]进行融合,但其计算复杂度随着融合数目的增加而成指数增长,为了降低运算量,该文在融合之前先利用模糊C均值算法[6]对协同节点进行聚类,各聚类内部采用OR准则进行融合,再将各聚类融合结果利用D-S证据理论进行融合,最后建立博弈概率分布[7],得出最终协同检测结果。仿真结果表明,在可控计算复杂度的情况下,该方法的检测性能得到明显提高。

1 模糊C均值算法对协同节点聚类

式中,b＞1是一个可以控制聚类结果的模糊程度常数,这里取b=2。

在不同的隶属度定义方法下最小化式(1)的损失函数,就得到不同的模糊聚类方法。对于模糊C均值算法,要求每个节点对于各个聚类的隶属度之和为 1,即：

用迭代方法求解式(3)和式(4),就是模糊C均值算法[6]。

用模糊C均值算法对协同节点聚类的具体步骤如下：

第1步,依据协同节点分布的拓扑结构设定聚类数目c。

第3步,重复下面的运算,直到各节点的隶属度值稳定：

①用当前的聚类中心按式(4);计算隶属度函数;②用当前的隶属度函数按式(3)更新计算各聚类中心。

当算法收敛时,就得到了各类的聚类中心和各个节点对于各类的隶属度值,从而完成模糊聚类划分。

2 D-S证据理论融合各聚类检测结果

令H0表示不存在某信号,H1表示存在某信号,则判断某信号是否存在的识别框架 Ω[5]由2个元素组成：H0和 H1,即 Ω={H0,H1}。各聚类权重因子的设置依据各聚类所处环境信息,例如,当某聚类节点处于开阔的空旷地时,即认为该聚类的检测结果比较准确,其权重因子就设置得较大些。当某聚类节点处于障碍物的阴影下时,即认为该聚类的检测结果不理想,其权重因子就设置得较小些。

依据各聚类融合结果和权重因子算出各聚类的mass函数[5]mzi(H0)和 mzi(H1),令 mzi(Ω)为第 i个聚类对检测结果不确定度的mass函数,即其为不能确定有无某信号存在的概率,则

得到各个聚类的 mzi(H0)、mzi(H1)和mzi(Ω)后,下面利用D-S证据理论算法将它们融合,从而得到最终的判决结果,具体实现如下。

假定有3个聚类{E1,E2,E3},则先任选2个聚类进行合并,比如前2个,然后将合并结果再和第3个聚类合并。如果多于3个聚类时,以此类推下去。

应用D-S证据理论融合信息源mass函数的方法对{E1,E2}进行融合,可得：

其中,I(2)是{E1,E2}融合的结果。接着再将聚类E3和I(2)用上述方法融合,得到3个聚类的最终融合结果为：

3 建立博弈概率分布

在D-S证据理论融合结果中,即可依据mI(3)(H0)和mI(3)(H1)作出某信号是否存在的判决,但为了进一步反映融合结果的概率分布,依据非充分推理原理建立博弈概率分布Bet(P(A)),然后根据最大概率原则作出既反映信任度又反映不确定度的决策。此处可得：

式中,Pon和Poff分别表示被检测信号是否存在的先验概率,且Pon+Poff=1。在定义了博弈概率分布后,最大概率决策规则表示为：整个过程的基本框图如图1所示。

图1 基于模糊聚类和证据理论融合的协同检测方法实现框图

4 仿真结果分析

仿真场景：基于matlab软件仿真平台,在1 km2内随机分布多个协同检测节点,被检测信号的先验概率 Pon和 Poff均为 0.5,检测平均次数为20 000次,每个检测节点的接收信噪比在-14～-20 dB之间随机分布。

图2是采用模糊C均值算法将30个协同节点聚为3类的结果,它是基于距离信息聚类的,图中还显示出了每个聚类的中心;图3是在图2聚类的基础上,给出了几种融合准则的检测性能比较曲线。由图3可以看出,与OR准则和AND准则相比,基于模糊聚类和D-S证据理论融合的协同检测方法的检测性能有很大提高,而且在虚警概率为10%时,检测概率能达到90%以上,这满足IEEE 802.22标准里规定的与动态频率选择相关的检测参数要求[8]。另外可看出,在D-S证据理论融合之前,采用OR准则对聚类内检测结果进行融合比AND准则的检测性能好,所以该文采用OR准则对聚类内检测结果进行融合。

图2 用模糊C均值算法将30个协同节点聚为3类的结果

图3 基于图2的不同融合准则的检测性能比较

5 结束语

针对多个节点协同检测频谱问题,该文提出了一种基于模糊聚类和D-S证据理论的协同检测方法,具有良好的检测性能。该方法不仅可以有效解决认知无线电中的频谱检测问题,还可以推广到其他协同检测领域中,具有较强的适应性。

[1]Federal Communications Commission.Spectrum Policy Task Force Report[R]∥ET Docket No.02-135,Nov.2002.

[2]IIIJ M,MAGUIRE G Q.Cognitive radio：Making software radios more personal[J].IEEE Personal Communications,1999,6(4)：13-18.

[3]MISHRAS M,SAHAI A,BRODERSON R W.Cooperative sensing among cognitive radios[C]∥Proceedings of IEEE International Conference on Communication,2006(4)：1658-1663.

[4]BARLATM.Signal Detection and Estimation(2nd edition)[M].Boston,MA：Artech House,Inc,2005.

[5]韩崇昭,朱洪艳,段战胜,等.多源信息融合[M].北京：清华大学出版社,2006：82-90.

[6]边肇祺,张学工.模式识别(第2版)[M].北京：清华大学出版社,2000：273-283.

[7]俞建.博弈论与非线性分析(第2版)[M].北京：科学出版社,2008.

[8]GHOSHM,GADDAM V,TURKENICH G,et al.Spectrum Sensing Prototype for Sensing ATSC and WirelessMicrophone Signals[C]∥Cognitive Radio Oriented Wireless Networks and Communications,2008.3rd International Conference on.May 15-17,2008：1-7.