无线传感器网络分布式频谱检测研究

党月芳，徐启建，张 杰

(1.国防信息学院，武汉 430009;2.中国电子设备系统工程公司研究所，北京 400071)

0 引言

随着无线通信技术的迅猛发展，各种无线通信设备的广泛使用，使得有限的频谱资源日趋紧张。有效分配频谱资源、监视频谱使用情况和识别干扰信号是无线电磁频谱监测与管理的主要任务。在军事领域，战场电磁环境复杂多变，各种用频设备同时工作，如何保证我方通信顺利进行、破坏敌方干扰和获取敌方信息是打赢信息化战争所面临的重要问题。传统的频谱监测立足于大区制监测网，固定监测站间距离一般为几十公里，对于监测盲区配置移动监测站和便携式监测站进行辅助监测。近年来，小功耗短距离无线通信业务迅速发展，造成频谱环境进一步密集和复杂，传统的频谱监测技术逐渐难以满足现实需求。

无线传感器网络具有节点部署迅速、无人值守和自组织等优点，已经成为世界上许多国家的政府、军事部门、学术界和工业界的广泛关注的焦点。“新一代宽带无线移动通信网”国家科技重大专项将短距离无线互联与无线传感器网络研发和产业化列为研究项目之一。国家4G重大专项将“传感器网络电磁频谱监测关键技术研究”列为研究项目。基于无线传感器网络的分布式频谱检测能有效克服传统的单节点检测的检测结果不确定性、多径和阴影等影响，具有更高的检测精度。认知能力可以视为传感器网络的一般特征［1］，文献［2］指出基于无线传感器网络架构的频谱监测系统具有传统设备无法比拟的优势。文献［3］详细分析了多传感器检测具有的优点。总的来讲，基于无线传感器网络的分布式频谱能增加检测系统的生存能力，降低检测设备成本，提高检测信息精确度，改善检测性能。William A.Lintz和John C.McEachen对由随即分布的无线传感器节点组成的检测与接收阵列进行了研究［4］。文献［5］研究了衰落信道下认知传感器网络的频谱检测方法。文献［6］研究了认知无线电网络高能效协作频谱感知技术，为基于无线传感器网络的分布式频谱检测提供了借鉴。

在无线传感器网络电磁频谱检测系统中，首先由本地传感器节点检测其观测区域内的信号，经本地判决后将判决结果发送到融合中心。融合中心根据各个传感器发送来的信息通过一定的融合算法进行数据融合，最后得到一个全局判决的结果，并将结果发送给用户。本地传感器节点的检测性能和融合中心的融合算法是影响检测系统性能的两个主要方面。

1 检测系统的设计要求

无线传感器网络大规模布设、能量受限、节点廉价简单和易受攻击等自身特点必然会对基于无线传感器网络的频谱检测系统提出要求。

(1)能量高效

传感器节点更换电池不易，通常要求能工作1－2年或以上，因此对基于传感器网络的检测系统的能量利用率提出了较高要求。

(2)较高的通信效率

无线传感器网络节点将本地检测结果向融合中心传递过程中，必然会占用一部分带宽，在设计检测系统时要求在保证检测精度的前提下，尽可能提高频带利用率。

(3)低时延

很多应用场合都对检测的实时性提出了要求，传感器网络节点数目众多，如何协调各节点工作快速得到检测结果是系统设计需要考虑的问题之一。

(4)较低的计算复杂度

传感器节点简单，处理能力和存储能力有限，限制了检测技术的算法复杂度。

(5)鲁棒性强

传感器网络通常工作在恶劣的环境中，当节点失效或受到攻击时，要求系统具备一定的鲁棒性，以降低系统检测性能所受到的影响。

2 检测系统结构

关于无线传感器网络分布式检测系统结构的分类并不统一，但大致分为并行结构、串行结构和层次型结构(或树形结构)，如图1所示。其中并行结构又分为有融合中心的并行结构和无融合中心的并行结构，有融合中心的并行结构是目前研究的较多的一种结构。

图1 无线传感器网络分布式检测系统结构

2.1 并行结构

有融合中心的并行结构，如图1(a)所示，分散在监测区域的传感器节点感知信号，经本地判决后独立地将判决结果发送到融合中心，融合中心将数据融合处理后发送给用户。融合中心一般不具备检测功能，只负责进行数据的融合处理和发送。由于融合中心对数据进行了融合，使得通信开销减小，但同时使得部分数据丢失，检测性能受到影响，当节点数目增加时检测性能相应提高。

无融合中心的并行结构，如图1(b)所示，节点将监测数据经本地判决后直接发送给用户，由于用户接受到的是全部检测数据，使得检测性能得到保证，但是同时节点的通信开销相应增加，用户要处理的数据量也大幅增加，对用户的数据处理能力提出较高要求。在收集和处理信息的过程中采用无融合中心的并行结构是不合适的，因为各节点单独传送数据会浪费通信带宽同时消耗整个网络的大量能量。多个节点同时传送数据会增加数据链路层的调度难度，造成频繁的冲突碰撞，降低通信效率。

2.2 串行结构

串行结构如图1(c)所示，第一个节点将监测到的数据经本地处理后，发送给第二个节点，后续节点不仅要接收前一个节点发送过来的数据，还要与本地监测的数据进行融合后发送到下一个节点。最后由与用户最近的节点将最终处理的数据发送给用户。串行结构采用短距离多跳通信，较并行结构在节能性方面更具优势。但随着节点数目的增加，网络时延相应增加。在部分节点失效情况下容易导致通信中断，网络鲁棒性较差。文献［7］研究了考虑距离对信号强度影响的串行分布式检测，建立分单元串行分布式检测系统模型，通过将无线传感器网络进行单元划分，形成独立的小型检测区域，并在每个独立的检测区域内进行基于最短路径算法的串行分布式检测，这种方法可以有效的减少检测距离对检测性能的影响，同时还能达到节约能耗的目的。

2.3 层次型结构

层次型结构如图1(d)所示，网络被划分为多个区域，各区域选举出一个簇头节点，检测节点将本地判决结果发送到本区域的簇头节点进行融合处理，再由簇头节点将处理后的数据发送到融合中心。分区域处理能最大限度地节省网络整体能量消耗，但由于簇头节点既要与本区域传感器节点通信，又要与融合中心通信，使得簇头节点的能量消耗很快。为此文献［8］提出了一种随即轮换簇头的低功耗自适应分簇协议LEACH(Low Energy Adaptive Clustering Hierarchy)。在该协议中，各传感器节点在不同的时隙自选举出簇头，继而其他非簇头节点通过计算与各簇头传输能耗是否最小来选择所属簇头。采用该协议能有效避免个别节点由于能量迅速消耗失效。

三种结构的优缺点的对比分析见表1。

表1 无线传感器网络分布式频谱检测系统结构对比

3 节点本地检测方法

传感器节点具有能量有限、计算和处理能力有限及通信能力有限等特点，因此在设计传感器节点检测方法的时候需要尽量减少能耗和降低计算复杂度。目前主要的检测方法有匹配滤波法、能量检测法、循环谱特征法和小波法。

3.1 匹配滤波法

匹配滤波是指通过频谱滤波器进行信号检测的技术［9］。它能提供最大的瞬时信噪比，不需要高斯假设，也不需要白噪声的限制，但要求背景噪声是广义平稳过程，且需要知道被测信号的先验知识。匹配滤波法一般用于被测目标信号的先验知识已知的确知信号的检测。

3.2 能量检测法

能量检测［10］是指在一定频段内检测能量的积累，如果积累后的能量高于设定的门限则说明目标信号存在，否则说明目标信号不存在。能量检测法不需要被测信号的先验知识，属于非相关检测，但其检测速度慢，检测性能极大的依赖门限值的设定。文献［11］利用蒙特卡罗仿真方法构建理想高斯白噪声背景下的能量检测模型，并对比分析噪声不确定情况下的检测性能，发现在背景噪声不确定的情况下检测性能明显降低。文献［12］对经典的能量检测法进行了改进。

3.3 循环谱特征法

循环谱特征法基于已调信号具有周期性、而噪声不具有循环平稳特性的原理，通过分析频谱自相关函数探测被测信号的特征。循环谱特征法的优势在于能抵抗噪声不确定性的影响，在低信噪比情况下也具有良好的检测性能，但其算法较为复杂，在采样数据有限时，检测效果较差。为此文献［13］提出了一种将Chair－Varshney数据融合准则的思想应用于循环频谱检测的改进算法，使用多个循环频率处的循环谱进行联合检测，以改进其在低信噪比下的检测性能。文献［14］利用改进SSCA(strip spectral correlation algorithm)算法计算接收信号的循环谱，减少算法的计算量，选择非零循环频率处的循环谱抵抗干扰和噪声，结合对称性搜索策略进行频谱感知。文献［15］提出一种基于循环谱能量的自适应判决门限频谱检测算法，融合能量检测与循环平稳特征检测的机理，以信号的循环谱能量为检测统计量，加权合并虚警率与检测率，准确估计循环谱特征值，构建了具有噪声自适应能力的频谱检测判决门限。

3.4 小波检测法

针对宽频段下的信号检测，文献［16］分析了小波检测法，由于无线网络中频谱密度的不规则性，因此可以通过小波变换来分析信号的特征。但不同主信号的检测需要不同的小波分组进行放大检测，当检测多个信号时系统变得较为复杂。

以上四种本地检测方法的适用条件和优缺点的对比分析见表2。

表2 无线传感器网络本地节点频谱检测方法对比

4 检测融合算法

通过对无线传感器网络分布式检测系统结构的分析可知，由无线传感器节点直接传送本地判决信息到用户带来了三个方面的问题，一是带宽和能量的浪费，二是通信效率的降低，三是加大了用户端信息处理的复杂度。为了避免上述问题，无线传感器网络在收集数据的时候需要使用数据融合技术。通过对采集的数据进行融合处理，能有效降低信息冗余度，虽然带来了部分信息的丢失，但在保证检测性能的前提下节省了能量和带宽，更加适合无线传感器网络实际运用。

4.1 基于贝叶斯准则的融合

基于贝叶斯准则的融合要求达到的目标是使系统检测误判的风险最小。Chair和Varsheny基于贝叶斯准则提出了分布式检测的最优融合准则［17］，该准则的检测统计量为各个本地判决结果的加权和，权值为检测概率和虚警概率的函数。中心节点的最优的判决准则是似然比检测［13］。

针对全局最优化问题，文献［18］采用 PBPO(person by person optimization)方法，固定其他检测器判决准则，优化某一个局部检测传感器的判决准则。当局部观测统计独立时，局部判决和融合准则均为似然比检测(LRT，likelihood ratio test)形式。当所有局部检测器判决准则和局部检测传感器观测分布均相同，最优融合准则退化为N/K准则。

基于贝叶斯准则的融合需要知道被测目标信号的先验知识和各个传感器的虚警概率和漏检概率，而在实际应用中，这些统计量很难求得。为此文献［19］给出一种分布式融合结构的自适应融合算法，可以基于未知概率与局部决策的联合概率之间的解析关系在线自适应学习先验概率、虚警概率及漏检概率，从而利用融合算法解决决策融合问题。文献［20］给出了分布式贝叶斯并联融合检测系统的模型，并采用穷举法与遗传算法相结合的方法，寻找系统的全局最优解。通过仿真试验证明了该方法可以快速有效地找到最优融合规则和传感器门限，使系统具有最小的贝叶斯风险。

4.2 基于纽曼-皮尔逊准则的融合

基于纽曼-皮尔逊准则(N-P准则)的融合要达到的目标是限定融合中心的虚警概率一定的前提下，通过确定局部判决准则和融合总想的融合准则，使融合中心检测概率最大。文献［21］在确定的N/K决策融合规则下，基于N-P准则，给出了传感器网络决策融合系统的优化目标-传感器的决策阈值，对牛顿-拉斐森算法(N-R算法)和离散迭代梯度算法(DIG算法)进行了改进，提出了基于人工免疫策略算法(AIS算法)的传感器决策阈值优化方法。该算法克服了N-R算法和DIG算法收敛性受初值的影响大且传感器节点数目较多时算法过于复杂的缺点。文献［22］研究了一种纽曼-皮尔逊准则下的门限自适应分布式检测系统的融合算法。算法可根据观测数据，自动在线调整门限，使得局部传感器检测达到最佳，从而提高系统的检测性能。

4.3 基于支持向量机的融合

前文所述的检测算法要求传感器节点对观测数据进行似然比检测，然后将判决结果发送到数据融合中心进行融合。似然比检测要求测量信号和噪声的先验概率，而融合中心需要知道信道的传输特性、环境的噪声特性及节点的检测性能。这些信息的获取对于无线传感器网络来说代价过高，不适合实际应用。

支持向量机基于统计学理论，其基本思想是在样本空间或特征空间，构造出最优超平面，使得超平面与不同类样本集之间的距离最大。基于支持向量机的融合通过训练一部分数据，将接收到的各个传感器本地判决结果进行分类。文献［7］提出基于支持向量机(SVM，support vector machine)的分布式并行检测，该方法要求传感器节点将测量结果放大转发至数据中心，数据中心利用训练好的支持向量机对接收到的信号进行判决。

基于支持向量机的融合算法虽然克服了判决门限的设定对先验知识的依赖，但是要获得较高的检测性能需要系统训练大量的数据，因而使得传感器节点的能量消耗很快，且检测时延增加。

4.4 基于分区思想的融合

在设计数据中心融合算法时，通常假设各传感器节点局部检测统计独立，且检测环境相同。然而在实际应用中，当传感器网络规模较大时，节点地理位置相距较远时会导致对目标信号的检测结果相差较大，且远距离传输判决结果容易受到无线信道中的干扰的影响。为此，有必要在处理数据时进行分区融合。

文献［7］研究了分单元串行分布式检测方法，将一个覆盖区域较大的无线传感器网络划分成为多个检测单元。通过计算单元内有可能产生的最大信号衰减值来确定单元的大小。该算法较并行分布式检测能在很大程度上节省能量和通信开销，但串行系统结构的弱点也是显而易见的，一旦一个或几个节点失效或受到攻击，系统检测性能将大大降低。

分区域融合的算法可以与传感器网络的分簇路由算法相结合进行设计，充分发挥分布式检测的优势。文献［23］在分析 LEACH(low-energy adaptive clustering hierarchy)分簇路由算法，GAF(geographical adaptive fidelity)分簇路由算法，以及DAEA(data aggregation-exact and approximate)分簇路由算法在相关检测中的应用基础上，对分层路由下的贝叶斯准则下最优融合算法、Chair-Varsheny检测融合算法、最大比合并检测融合算法(MRC，maximum ratio combine)和等增益合并检测融合算法(EGC，equal gain combine)进行了改进，并对改进后的各算法进行了对比分析。

4.5 基于噪声估计的融合

传统的分布式检测通常假设融合中心接受到的数据为可靠数据，没有考虑信道噪声和衰减造成的影响，在实际应用中，这种影响造成的系统检测性能下降不容忽视。于是出现了将通信中的信息损失和干扰考虑进最终检测融合算法中的一些研究［24］。考虑到信息在传输过程中所受影响的检测算法称为对信道敏感性检测融合算法(channel-aware decision fusion)。

文献［25］提出一种基于估计噪声的加权协同频谱感知方法，不同认知用户分别通过估计被测频段相邻保护(过渡)频带的噪声特性，近似作为授权用户频带内的噪声特性，以此估计噪声作为信任度进行加权协同数据融合。

4.6 基于反馈的融合

前文所述的都是无反馈的数据融合，在无反馈的数据融合系统中，信息都是单向传输的，传感器节点将观测数据局部判决后发送给数据融合中心，融合中心将数据进行融合处理后，将得到的判决结果发送给用户。控制系统中的反馈环节能有效提高系统整体性能，在分布式检测中，也可以采用有反馈的融合机制，文献［26］研究了在不提高单个检测器检测性能的前提下，通过采用反馈技术提高系统整体性能的方法，运用新的理论提高单个检测器性能，从而达到提高系统整体性能的目的。

采用基于反馈的融合算法的系统可大致分为由融合中心反馈到局部传感器的系统和融合中心反馈到自身的系统。

反馈到各局部检测传感器的系统由传感器节点根据本地观测进行初步判决后将结果发送给融合中心，融合中心根据发送来的信息进行处理，将处理结果再反馈给各传感器节点，节点根据整体结果进行调整，使系统整体性能达到最优。该方法可以克服因各局部检测传感器所处环境不同而带来的检测误差，但是这类反馈系统相对于无反馈系统来说需要更大的带宽。

反馈到融合中心自身的系统由于只能对各局部检测传感器的处理结论进行二次处理，对背景噪声稳定的系统检测性能改善不大。但这类方法不用进行融合中心和本地传感器之间的通信，不占用额外的带宽，其优势在于可以根据反馈信息判定各局部检测传感器的工作情况是否正常，通过剔除工作不正常的局部检测器，并适当调整系统判决参数，一定程度上也可以提高系统的检测性能。

4.7 基于安全性考虑的融合

无线传感器网络应用中的安全问题是一个亟待解决的问题，尤其是在军事领域，节点容易受到敌方干扰和破坏，将安全性考虑进检测系统是十分必要的。

Ruiliang Chen提出了一种加权的序贯检测方案(WSPRT，weighted sequential probablity ratio test)，该方案在一种平行融合网络中实行，其中每个节点同时也可以作为一个信息融合中心，该准则适用于存在拜占庭失效的恶意节点时的检测［27］。

文献［28］考虑网络安全因素对分布式检测性能的影响，对基于序贯概率比准则的分布式检测方法进行了改进，给出一种改进的加权序贯概率比检测(WSPRT，weight SPRT)方法。该方法以信誉度的大小来衡量节点的可信程度，并将信誉度函数的加权因子作为信息融合的依据，从而降低了受不安全因素影响做出错误决策的风险，改善了分布式检测的性能。

文献［29］提出了一种审核检测融合判决规则的算法，即增加了对未发送检测报告的节点的状态进行考虑的三元判决融合方式。与只考虑频谱感知信息“0”、“1”状态的常规的二元检测融合规则相比，在不增加通信量的基础上，审核检测融合判决规则能获得更好的检测性能，通过仿真证明即使在节点数很少的情况下，频谱感知的检测性能也有显著的提高。

4.8 基于软判决的融合

传感器节点本地判决后，将判决结果以一个bit形式发送到融合中心的融合方式称为“硬判决”，以多位数据方式发送到融合中心进行融合的方式称为“软判决”。硬判决因为只发送一位数据，是最节省带宽和能量的方式，处理较简单，但传输的信息量有限，因此出现了基于软判决的融合方式。基于软判决的融合方式，通信和能量开销相较于硬判决都有所增加，但能有效改善系统检测性能。

文献［30］提出了感知结果量化编码融合的方式，通过对感知结果分段量化、编码，达到了带宽限制、功率消耗与感知精度之间的折中，减少了通信开销，而检测性能相比使用能量融合方法的情形损失较小，且要好于使用硬判决融合方法的情形。文献［31］在传感器网络虚拟MIMO思想的启发下，将分布式正交空时码首次引入到分布式检测问题中，提出一种基于分布式空时码传输体制辅助的分布式检测算法，系统通过引入空间分集资源来改造本地传感器节点和汇聚节点之间的无线衰落信道，对抗了信道的衰落特性，在保证不明显增加本地传感器节点复杂度的基础上，显著提高了无线链路的分集增益从而进一步提高了整个分布式检测性能。

无线传感器网络分布式频谱检测融合算法依据应用场景的不同而不同，有不同的分类方法，大致分类如图2所示。

5 发展趋势

随着无线传感器网络的深入研究和广泛应用，依托无线传感器网络的分布式信号检测研究将有很大的研究空间。目前的研究大多基于一定的假设条件，离实际运用还有一定的距离，要使得无线传感器网络能投入实际运用，还需要解决许多的新问题。

(1)传感器节点检测性能的进一步提升

传统的频谱检测方法为进一步提高检测精度，一般不考虑能耗的制约。在无线传感器网络中，传感器节点自身的特点必然要求检测方法的设计要充分考虑能耗、计算复杂度及通信带宽的限制。如何从传感器特点出发设计本地检测方法是亟待解决的问题之一。

(2)自适应融合算法的研究

当融合中心的判决门限固定时，检测系统的计算复杂度固然简单，并保证了较快的检测速度，但检测性能极大依赖于检测门限的设定，只适用于检测系统处于比较稳定的环境条件。因而有必要寻求自适应的融合算法，使得判决门限自适应的随着检测背景的变化而改变，提高系统的自适应能力。

图2 无线传感器网络分布式频谱检测融合算法分类

(3)多种检测方法的结合

目前的研究习惯于将本地检测与融合中心的融合分开考虑，在假设本地检测结果可靠的情况下进行融合中心的融合算法设计，这与实际情况并不符合。应当在设计融合中心融合算法的时候充分考虑本地节点检测性能的影响，将部分节点检测效果不可靠、节点受到恶意攻击等情况考虑进来。另一方面，基于一种频谱检测融合方法的研究很普遍，而各个融合方法考虑的出发点不同，具有不同的优点，如何从实际情况出发，将几种方法结合使用，发挥各自的优点，是进一步发展的重点。

(4)其他领域技术的借鉴

无线传感器网络分布式频谱检测结合了分布式计算技术、信息处理技术、频谱感知技术、无线通信技术和信息安全技术等多学科的技术，认知无线电、ad-hoc网络技术及数据融合技术的发展对传感器网络分布式检测研究具有宝贵的借鉴意义和启发作用，在研究中应当广泛了解其他领域相关技术的发展状况，综合传感器网络自身的特点加以利用。

(5)动态大规模传感器网络的分布式频谱检测

目前的传感器网络分布式检测研究多基于简单几个或十几个传感器组成的网络进行研究，针对大规模传感器网络的研究还比较少见。随着网络的扩大，计算复杂度势必然上升。在军事领域，战场环境复杂多变，随着传感器节点的失效或被恶意节点攻击，网络结构动态变化明显，要拓展无线传感器网络在军事领域的应用必须突破这一难题。

5 结语

在对基于无线传感器网络的分布式频谱检测系统结构进行分析的基础上，对传感器节点本地检测方法和数据中心融合算法的研究进展进行了综述，比较了各本地检测方法的优缺点，并对主要的融合算法从不同角度进行了分类。基于无线传感器网络的分布式频谱检测具有巨大的应用价值，但受现阶段技术发展的制约，检测性能受到一定程度的影响，其研究与应用还需要其中一些关键技术的改善和突破。

［1］LEON REZNIK，GREGORY VON PLESS，TAYEB AL KARIM.Distributed Neural Networks for Signal Change Detection:On the Way to Cognition in Sensor Networks［J］.IEEE Sensors Journal，2011，11(3):791-798.

［2］王金奎.分布式频谱传感器网络设计［J］.中国科技纵横，2011，32(16):112-113.

［3］高青.多传感器数据融合算法研究［D］.西安:西安电子科技大学，2008.

［4］WILLIAM A LINTZ，JOHN C MCEACHEN.A Method for Emphasizing Signal Detection in Wireless Sensor Network Radio Frequency Array Operation［C］.Proceedings of the 42nd Hawaii International Conference on System Sciences，2009.

［5］胡富平，王殊，刘威，等.衰落信道下认知传感器网络频谱检测方法研究［J］.计算机工程与科学，2010，32(3):7-10.

［6］彭涛，郭晨，王文博.认知无线电网络高能效协作频谱感知技术［J］.北京邮电大学学报，2010，33(4):93-99.

［7］尹莉萍.无线传感器网络分布式检测的研究［D］.大连:大连海事大学，2009.

［8］WENDI RABINER HEINZELMAN，ANANTHA CHANDRAKASAN，HARI BALAKRISHNAN.Energy-Efficient Communication Protocol for Wireless Microsensor Networks［C］.Proceedings of 33rd Hawaii International Conference on System Sciences，2000.

［9］TANDRA R，SAHAI A.Fundamental Limits on Detection in Low SNR Under Noise Uncertainty［C］.Proc IEEE Int Conf Wireless Networks，Commun and Mobile Computing，Maui，2005:464-469.

［10］DIGHAM F，ALOUINI M，SIMON M.On the Energy Detection of Unknown Signals Over Fading Channels［C］.Proc IEEE Int Conf Commun，Seattle，Washington，2003:3575-3579.

［11］潘建国，翟旭平.基于能量检测的频谱感知方法［J］.上海大学学报(自然科学版)，2009，15(1):54-59.

［12］CHEN Y F.Improved Energy Detector for Random Signals in Gaussian noise［J］.IEEE Communications，2010，9(2):558-563.

［13］张瑜.认知无线电中基于循环谱的信号检测识别［D］.哈尔滨:哈尔滨工业大学，2010.

［14］高玉龙，陈艳平，管修挚，等.基于循环谱对称性的频谱感知算法［J］.通信学报，2011，32(11):21-26.

［15］张昊晔，包志华，张士兵.基于循环谱能量的自适应频谱检测算法［J］.通信学报，2011，32(11):95-103.

［16］TIAN Z，GIANNAKIS G B.A Wavelet Approach to Wideband Spectrum Sensing for Cognitive Radios［A］.Crowncom 2006，Mykonos，Greece，2006.

［17］CHAIR Z，VARSHNEY P.Optimal Data Fusion in Multiple Sensor Detection Systems［J］.IEEE Trans.on AES，1986，22(1):98-101.

［18］HOBALLAH L，VARSHNEY P.Distributed Bayesian Signal Detection［J］.IEEE Trans.on IT.1989，35(8):995-1000.

［19］杨露菁，邹岗，李启元.多传感器分布式融合检测自适应算法［J］.探测与控制学报，2006，28(5):28-30.

［20］王尚斌，赵俊渭，李金明，等.分布式贝叶斯数据融合系统的遗传算法优化［J］.计算机仿真，2007，24(4):183-185.

［21］袁晓光.传感器网络决策融合研究［D］.西安:西安电子科技大学，2010.

［22］李勇，汪立新，相威.基于门限自适应的分布式检测融合算法［J］.计算机仿真，2009，26(1):343-345.

［23］沈大威.无线传感器网络分布式检测研究与应用［D］.成都:电子科技大学，2008.

［24］BLUM R.Necessary CONditions for Optimum Distributed Sensor Detectors Under the Ney-Pearson Criterion［J］.IEEE Trans.on IT.1996，42(3):990-994.

［25］冯文江，宋麟，蒋卫恒.基于噪声估计的加权协同频谱感知技术［J］.计算机工程与应用，2011，47(9):121-123.

［26］甄小英.无线传感器网络分布式检测［D］.西安:西安电子科技大学，2010.

［27］RUILIANG CHEN，JUNG-MIN PARK，KAIGUI BIAN.Robust Distributed Spectrum Sensing in Cognitive Radio Networks［R］.Technical Report TR-ECE-06-07，Dept.of Electrical and Computer Engineering，2006.

［28］赵丹.认知无线电系统中频谱感知技术的研究［D］.南京:南京邮电大学，2008.

［29］王文忠.认知无线电联合频谱感知技术的研究［D］.北京:北京邮电大学，2008.

［30］孟涛.认知无线电中的频谱感知技术研究［D］.南京:南京理工大学，2010.

［31］徐薇.无线传感器网络中分布式检测的相关问题研究［D］.北京:北京交通大学，2009.