一种自适应双门限频谱感知新算法*

何庆,罗钧

(贵州大学 大数据与信息工程学院，贵州 贵阳　550025)



指挥控制与通信

一种自适应双门限频谱感知新算法*

何庆,罗钧

(贵州大学 大数据与信息工程学院，贵州 贵阳550025)

摘要：为提高在低信噪比条件下系统协作频谱感知性能，提出了一种基于采样值和本地感知结果可靠性的频谱感知算法。选取较高可信度的采样值和较高可信度的本地感知结果将其判决直接发送融合中心，融合中心根据本地感知结果加权融合判决。仿真表明，改进算法较传统基于信噪比加权融合算法具有更强的抗噪性能，适合感知需要。

关键词：无线网络; 频谱感知; 自适应；双门限；信噪比；信任度系数

0引言

随着互联网的快速发展，可用频谱资源越来越少,尤其表现为授权频段利用率低[1]，为了能满足各行业用户对频谱资源的需求，认知无线电技术成为解决该问题的关键技术[2-3]。频谱感知技术是认知无线电技术关键技术之一[4]，为了能够适应在各种恶劣环境对空闲频谱资源进行及时、高效的利用，在传统能量感知算法(spectrum sensing based on energy detection，SSDED)基础上先后提出了各种协作频谱感知(cooperative spectrum sensing，CSS)技术[5-14]，该技术是利用单用户本地频谱感知结果的合作，能有效避免采用单一认知用户(secondary user，SU)频谱感知结果偶然性的影响，提高系统频谱感知性能。文献[5]提出一种基于声誉的可信双门限硬判决融合算法，采用优先取可信度高的认知用户参与融合判决的方法。文献[7]提出了一种基于感知信任度的加权协作感知算法，通过可信度较高信噪比的节点参与协作感知。文献[8]提出一种基于分簇的协作感知算法，将所有认知节点分成若干个簇，选择其中到主用户最近的认知用户充当簇头负责收集簇内其他SU的本地感知结果并发送融合中心进行最后的融合判决。上述加权融合算法较传统融合算法有一定改善，但是由于没有考虑采样值可信度和能量统计量和信噪比的关系，当噪声功率远远大于正常信号功率时，直接用信噪比过滤或者加权协作判决是不可取的。故本文提出一种基于差分能量和SNR过滤组成新信任度系数，通过信任度系数选取可靠性较高的N个认知用户参与传统双门限之间能量检测，同时本文通过利用该信任度作为融合判决加权系数参与融合判决。最后，通过仿真结果显示，本算法较传统协作频谱感知算法能够有效提高系统感知能。

1系统模型

本文假设检测模型由Q个认知用户、一个主用户和一个融合中心组成，即：Q个认知用户、一个主用户随机分配在随机分布有加性高斯白噪声的信道中。首先，认知用户参与能量检测并将检测本地结果(信噪比、能量统计量)发送融合中心；其次，融合中心根据本地结果计算信任度函数，并根据信任度系数分簇筛选出较高可信度的N个认知用户,其中N可以根据公式(1)知道，N由检测概率Pd、虚报概率Pf和信噪比γ确定[7]；最后，融合中心通过剩下的认知用户参与协同频谱检测。

N=2[Q-1(Pf)-Q-1(Pd)]2/γ2.

(1)

1.1能量检测模型

1.1.1检测模型基本思想

首先，将认知用户接收到的信号x(t)通过带宽为w理想带通滤波器得到输出信号y(t)，假设冲击响应为f(t), 则，输出信号可表示为：y(t)=x(t)f(t)；其次，输出信号y(t)平方运算后在时间T内进行积分得到积分器输出信号Y(t)；最后，通过比较输出信号Y(t)与判决门限值λ得到本地检测结果，如图1所示。

1.1.2检测模型基本算法

通过对信号y(t)进行n次采样后得到y(k)， 能量统计量(energy statistics，ES)Yi可表示为

(2)

当n满足式(1)时(根据信噪比和检测概率大小，动态调整n的大小)，将统计量Yi与两判决门限比较得到本地感知结果i。

(3)

式中：λh，λl分别表示高低门限值，x为待定判决值。

能量统计量Yi服从卡方分布：

(4)

(5)

(6)

(7)

2自适应双门限频谱感知新算法

2.1感知基本思想

在认知节点感知过程中，在低信噪比环境下能量检测为了满足感知要求(N满足式(1))，若存在许多低可信度的节点参与本地感知时，该类节点将对整个感知系统性能产生影响。因此，本文首先通过选取Δy较高的信号值参与传统SSDED得到高低门限值两边n个认知节点本地频谱感知值；其次，计算双门限之间认知节点新信任度系数wi，选取较高wi的n-N认知节点参加传统协作频谱感知OR判决。感知具体过程如下:

(1) 选取较高Δy的信号值参与传统SSDED，得到本地感知结果j，并将本地感知结果发送融合中心；

(2) 计算双门限之间认知节点信任度系数wi；

(3) 融合中心选择较高信任度n-N个认知节点；

(4) 计算所有认知节点的信任度权重系数xi；

2.2计算新信任度系数

在复杂环境下能量感知过程中，由于受到噪声等外界因素的影响，导致双门限之间认知节点参与能量检测算法得到本地感知结果可靠性各不相同，本文提取双门限之间可靠性较高的认知节点参与协作频谱感知。由于传统加权融合算法[5-14]只考虑到了系统受SNR的影响，并未考虑到当噪声功率远大于平均信号功率时，若只根据SNR加权融合是不够准确的，故本文提出通过差分信噪比ΔSNRi、差分能量统计量ΔYi、采样信号偏移量Δyi联合选取可信度高的本地感知结果，并提出一种新的加权系数Wi和本地感知结果参与协同判决。

定义1差分信噪比(ΔSNRi)：信噪比从大到小顺序排列后，相邻认知节点之间信噪比之差。可表示为

ΔSNRi=SNRi-SNRi-1.

(8)

图2　感知流程图Fig.2　Flowchart of sensing

定义2 差分能量统计量(ΔYi)：当前认知节点能量统计量(Yi)与认知节点平均能量统计量差值。可以表示为

(9)

定义3采样信号偏移量(Δyi)：当前认知节点信号接收值(y(i))与以前所有信号接收值均值之差。

(10)

定义4信任度系数(Wi)：前差分信噪比和差分能量统计量占所有差分信任和差分统计量之间的比值。可以表示为

(11)

2.3融合判决

由于处于不同环境下认知节点的判决结论可靠性各不相同，本文提出通过权重系数Xi，可以根据式(12)计算得到。为改善单认知用户感知判决由于受外界环境影响引起判决可靠性差的问题，本文采用传统OR协作判决准则对本地多个认知节点本地感知结果进行融合，进而提高系统感知性能。

(12)

式中：Xi为每个认知节点的信噪比和能量统计量的平均值；N表示参加感知的总认知节点数。

(13)

式中：N为认知节点本地判决结果总个数。

3仿真与性能分析

本文改进算法和传统算法性能对比仿真中，假设在 AWGN信道环境中，用户信噪比分别为(0～-20 dB)。主用户信号为窄带信号和噪声是标准高斯白噪声功率等于1，采样点数数为1 000，感知用户数100。系统检测概率和虚报概率分别用Pd和Pf表示,本地判决结果能准确传送至融合中心。基于以上假设通过实验仿真对比分析传统算法和改进算法感知性能。

如图3所示，该图表示系统在虚报概率随机分布在0～1，信噪比为-10 dB下对传统基于信噪比加权分簇协作感知算法、传统能量感知算法和改进算法的检测概率随虚报概率变化仿真分析。由图3可知：在相同的虚报概率下，通过用传统检测算法和本文改进算法的检测概率比较仿真可以看到：本文提出的基于差分能量统计量和信噪比过滤的频谱感算法有更好的检测性能，并且随着虚报概率的减小，本文的改进算法的检测性能较传统检测性能好。当虚报概率为0.1时，本文改进算法检测性能较传统协作频谱检测算法的检测性能提高32%左右，较传统分簇信噪比加权协同检测算法的检测性能提高4.6%，并且该算法的检测性能随虚报概率的减小检测概率比传统频谱检测算法的检测性能更优。因此，本文提出通过差分信噪比和能量统计量过滤的频谱检测算法，在较低信噪比环境下可靠性较传统检测算法更好。

图3　3种算法的检测概率随虚报概率变化曲线图Fig.3　Pd changes graph with Pfof three algorithms

如图4所示，该图表示系统在信噪比随机分布在0～-20 dB，虚报概率为0.01下对本文改进算法与传统能量检测感知算法、传统分簇信噪比加权协作感知算法的检测概率随信噪比变化仿真分析。如图4可知，在相同低信噪比下本文改进算法检测性能优于传统2种感知算法，改进算法较传统能量检测算法提高3.5倍，较传统分簇协作感知算法提高0.32倍。综上所述，本文改进算法检测性能优于传统感知算法检测性能。

图4　3种算法的检测概率随信噪比变化曲线图Fig.4　Pd changes graph with SNR of three algorithms

4结束语

本文提出的一种自适应双门限频谱感知新算法，通过差分信噪比、信号偏移量和差分能量构成新信任度系数选取可信度认知节点参与融合中心协作感知，同时提出一种新的融合信任度参数加权融合判决。通过实验仿真显示：本文改进算法根据不同的信噪比、信号偏移量和差分能量选取可靠性高的认知节点参与系统感知提高系统感知性能。总之，本文改进算法在较低信噪比环境下牺牲较少感知时间下检测性能较传统能量检测算法、分簇加权协频谱感知算法可靠性更高、鲁棒性更好、性能更优。

参考文献：

[1]AKYILDIZ I, LEE W, VLTRAN M, et al. Next Generation/Dynamic Spectrum Access/Cognitive Radio Wireless Networks: A Survey[J].Computer Networks, 2006,50(13):2127-2159.

[2]李映雪.认知无线电中的频谱感知技术研究[D].北京:北京邮电大学,2013.

LI Ying-xue. Research on Spectrum Sensing Technology in Cognitive Radio[D].Beijing:Beijing University of Posts and Telecommunications,2013.

[3]WANG Hai-tao, CHEN Hui. Research Status and Development Trends of Cognitive Radio Technology [J].IEEE Networking and Mobile Computing, 2009, 9(24):1-4.

[4]WANG Shu-bin, ZHOU Zheng, Kwak Kyungsup. Two Pulse Designs for Ultra Wideband-Cognitive Radio by Using Multiple Modified Transform Domain Communication System[J].Applied MatheMatics & Information Sciences, 2012, 6(3):619-628.

[5]张亮.基于声誉的可信协作频谱感知技术研究[D].西安:西安邮电大学,2014.ZHANG Liang. Trusted Cooperative Spectrum Sensing Technology Research Based on Reputation[D].Xi’an: Xi’an University of Posts & Telecommunications, 2014.

[6]郭晨，彭涛，王文博，等.认知无线电网络中合作频谱感知机制的优化[J]．电子与信息学报,2009,31(7): 1525-1530.

GUO Chen,PENG Tao,WANG Wen-bo, et al.Optimization of Cooperative Spectrum Sensing Mechanisms in Cognitive Radio Networks[J]. Journal of Electronics & Information Technology,2009,31(7): 1525-1530.

[7]李玲远，杨爽.基于信噪比加权的协作频谱感知技术[J]. 华中师范大学学报:自然科学版，2010,44(4)：577-579.

LI Ling-yuan, YANG Shuang.SNR-Based Weighted Cooperative Spectrum Sensing Technique[J].Journal of Central China Normal University:Natural Sciences ed, 2010,44(4): 577-579.

[8]YOUNIS O. FAHMY S. Distributed Clustering in Ad Hoc Sensor Networks：A Hybrid Energy-Efficient Approach[C]∥Proceedings of IEEE INFOCOM Hong Kong：IEEE，2004：629-640．

[9]Rania Mokhtar, ALI B M. Distributed Cooperative Spectrum in Cognitive Radio Networks with Adaptive Detection Threshold[C]∥ Proceedings of the Asia Pacific Advanced Network. Hanoi: APAN，2010:1-10.

[10]GANESAN G, LI Y. Cooperative Spectrum Sensing in Cognitive Radio, Part I: Two User Networks[J]. Wireless Communications, IEEE Transactions on,2007,6(6):2204-2213.

[11]Tevfik Yucek, Huseyin Arslan. A Survey of Spectrum Algorithms for Cognitive Radio Applications[J].IEEE Communications Surveys & Tutorials, 2009, 11(1): 116-130.

[12]WANG Bei-bei, LIU K J R, CLANCY T C. Evolutionary Cooperative Spectrum Sensing Game: How to Collaborate?[J]. IEEE Communications, 2010, 58(3): 890-900.

[13]Srinivas Nallagonda, Sanjay Dhar Roy, Sumit Kundu. Cooperative Spectrum Sensing with Censoring of Cognitive Radios and Improved Energy Detector Under LRT Fusion[C].2012:493-498.

[14]吕守涛,刘健,陈红宇.基于双门限和证据理论的合作频谱感知算法[J].计算机工程与应用, 2014,50(12):211-215.

LÜ Shou-tao,LIU Jian,CHEN Hong-yu,et al.Cooperative Spectrum Sensing Algorithm Based on Double Threshold and D-S Theory[J].Computer Engineering and Applications,2014,50(12):211-215.

[15]DIGHAM F F, ALOUINI M S, SIMON M K.On the Energy Detection of Unknown Signals over Fading Channels[C]∥ Proceedings of 38Lh IEEE International Conference on Communications. Anchorage:[s.n.],2003:3575-3579.

A New Adaptive Algorithm on Double-Threshold Spectrum Sensing

HE Qing，LUO Jun

(Guizhou University,College of Big Date and Information Engineering, Guizhou Guiyang 550025, China)

Abstract:In order to improve the performance of the cooperative spectrum sensing of the system at low SNR, a spectrum sensing algorithm based on the reliability of the sample values and results of local sensing is presented. Local sensing result and sample values of the higher reliability is selected to send them directly to fusion center, fusion center verdicts the weighted fusion according to the local sensing results and trust factor. Simulation results show that the improved method has a better performance than the conventional one.

Key words:wireless network；spectrum sensing；adaptive；double threshold；SNR；trust factor

*收稿日期：2015-06-26；修回日期：2015-09-08

基金项目：认知无限网络智能频谱资源管理机制研究(黔科合J字(2012)2171)；认知无限网络频谱资源管理机制研究(贵大人基合字(2010)010)

作者简介：何庆(1982-)，男,贵州都匀人。副教授，博士，主要研究方向为认知无线网络。 E-mail：1257903555@qq.com

通信地址：550025贵州省贵阳市花溪区花溪大道南段贵州大学大数据与信息工程学院研究生科

doi:10.3969/j.issn.1009-086x.2016.03.011

中图分类号：TN92；TP391.1

文献标志码：A

文章编号：1009-086X(2016)-03-0066-05