基于分集接收的卫星认知通信动态频谱感知策略

肖楠，梁俊，张衡阳，刘玉磊，王轶



基于分集接收的卫星认知通信动态频谱感知策略

肖楠，梁俊，张衡阳，刘玉磊，王轶

(空军工程大学信息与导航学院，陕西西安，710077)

针对基于固定判决门限的频谱感知策略无法适应信道衰落变化导致频谱感知效率下降的问题，结合卫星网络中待检测信号能量较低的特点，提出一种Nakagami-信道环境下基于分集接收的动态频谱感知策略。该策略利用改进的模糊聚类算法动态获得频谱最佳判决门限，使得判决门限能够根据信道衰落变化自适应调整；在此基础上利用MRC(maximum ratio combining)与EGC(equal grain combining) 2种分集方式增大认知用户的接收信噪比，以减小弱信号环境对能量检测算法频谱检测性能的影响。仿真结果表明：该策略能够有效提高低信噪比环境下的频谱感知性能。

卫星网络；认知无线电；频谱感知；分集接收；动态判决门限

认知无线电技术是缓解可用频谱资源紧张与已分配频谱利用率低下之间矛盾的一种有效手段。随着认知无线电技术在地面网络中的深入研究与发展，其在卫星通信网中的应用逐渐得到空间研究者的关注，成为一个新的研究领域与热点[1]。文献[2−4]分析了认知无线电技术在卫星通信网络中的应用场景和关键问题，指出认知无线电技术在卫星领域的应用能够有效提升卫星通信系统效能，更好地引导卫星通信异构网络融合发展和智能化演进。频谱感知机制是认知无线电的关键技术之一。在已有频谱检测方法中，基于能量检测的频谱感知策略具有计算简单、易于实现等优点，被广泛应用于认知无线电频谱感知中。文献[5]指出判决门限的选取是影响能量检测法频谱感知性能的关键因素；文献[6−10]分别分析了不同信道衰落环境下采用等增益合并与选择合并技术提高频谱检测性能的基本方法，但未对检测性能进行详细分析且判决门限的选取是根据虚警概率预先设定的，无法适应信道衰落环境变化；文献[11]提出了一种基于循环统计量的频谱空穴检测方案，通过构造频谱空穴检测的二元假设检验模型，推导了相应的检验统计量，提高了频谱检测性能；文献[12]提出了一种基于加窗粒子群优化的卫星网络的上行链路信道检测门限与功率分配联合优化策略，提高据传输量；文献[13]提出了一种基于判决分析的判决门限选取策略，简化了判决门限选择过程并实现了判决门限的动态调整，但是仿真结果表明该方法在接收信噪比为10 dB时性能已经严重下降。在卫星网络中应用认知无线电技术时，由于信号空间传播损耗大且卫星通信天线的指向性，导致认知用户接收到来自授权用户的信号功率很小，认知用户需要检测强度微弱、类型未知的授权用户电磁信号，这种弱信号环境使得认知用户很难直接对频谱占用状态做出准确判断；另一方面，已有基于能量检测的频谱感知策略中判决门限往往是预先设定且不随环境改变的，而由于信道存在衰落、阴影遮蔽效应，认知用户所接收到的待检测信号强度也在不断变化，传统基于固定门限的频谱感知策略无法根据网络环境变化动态调整判决门限，从而导致频谱检测效率的降低[14]。针对上述问题，本文作者提出了一种基于分集接收的卫星认知通信动态频谱感知策略，该策略将动态门限选取与分集接收技术有机结合起来，从而提高低信噪比以及信道衰落动态变化条件下的频谱感知性能。仿真结果验证了该策略的正确性与有效性。

1 系统模型

参考文献[1]中所描述的基于认知无线电的卫星网络模型。假设地面无线网络为认知网络，静止轨道(geostationary orbit，GEO)卫星通信网为授权网络。地面无线通信终端作为认知用户通过一定的频谱感知策略发现授权用户网络中空闲的频谱资源，从而实现对授权用户网络频谱的“机会式”共享，如图1所示。

图1 卫星认知通信网络模型

上述场景中主要存在2种类型的干扰：卫星信号发射对认知用户接收的干扰(干扰链路1)和认知用户信号发射对卫星地面接收的干扰(干扰链路2)。实际上，由于认知用户接收通常并不对准卫星且GEO卫星轨道高度高达35 786 km，因此，卫星对认知用户信号接收的影响基本可以忽略；而卫星地面用户则有可能处在认知用户的有效通信范围内，因此为了避免认知用户信号发射会对授权用户接收的影响，认知用户需要感知授权用户信道占用状态。

假设认知用户接收到的信号为()，则()包含未知的授权用户信号()与信道噪声()，当采用能量检测法对频谱进行检测时，检测概率d(probability of detection)和虚警概率f(probability of false alarm)是评价频谱感知算法性能的2个重要指标，根据文献[15]，d和f分别表示为：

式中：为判决门限；(·,·)为非完全Gamma函数且，；Q(·,·)为广义Marcum Q函数；为信号的带宽时延积。由式(1)和(2)可知：f仅由参数和决定，与信噪比和信道衰落影响等无关，而d则由信噪比与判决门限共同决定。根据文献[16]，在Nakagami-信道下认知用户接收信号信噪比的概率密度函数为

相应地频谱漏检概率m(probability of miss detection)可以表示为。针对式(4)中=∞的问题，为了便于计算，引入截断误差的概念。假设式(4)中=时的截断误差为||，则根据函数的单调递减特性可得：

由式(6)可得d满足一定精度要求时的最小，从而简化式(4)的计算。假设认知用户对频谱准确检测的概率为rd(probability of right detection)，则rd可以表示为

式中：(0)与(1)分别为频谱空闲与被占用状态出现概率的平均值，且(0)+(1)=1。

2 动态判决门限

对于认知用户而言，虽然频谱状态是未知的，但是任一频谱却只能有空闲和被占用2种状态，因此，最佳判决门限的选取的实质就是确定使得频谱状态的判决结果可信度尽可能高。由于待判决信号究竟属于何种状态具有一定的模糊性，即对于认知用户终端而言信号在未进行判决之前属于2种状态的概率相等，因此，本文引入模糊聚类算法。模糊聚类算法通过设定聚类数目和模糊度常数，并初始化各个聚类中心，每个样本按一定的模糊隶属度隶属于某一聚类中心，然后逐步循环进行迭代，最终完成模糊聚类划分。假设统计周期内认知用户接收到某一频谱上的信噪比SN={γ，=0，1，2，…，}为个样本组成的集合；为预定类别的数目，本文取=2；m为每个聚类的中心；为第个样本对于第个聚类的隶属度函数。用隶属度函数定义的聚类损失函数可以写为

其中：为可以控制聚类结果模糊程度的常数，≥1。若→1，则算法等价于确定性聚类算法；若→∞，则算法将得到完全模糊的解从而失去分类的意义，因此通常取=2。在不同隶属度函数下最小化聚类损失函数f就可以得到不同的模糊聚类方法，其中最具有代表性的是模糊C均值(fuzzy C-means，FCM)聚类算法。研究表明，对于很难分类的变量，FCM也能够得到比较满意的聚类效果。假设所有样本对各类的隶属度总和为，即

在式(9)条件下求解f的最小值，令f分别对m和求偏导数为0，可得必要条件：

=1，2，…，；=1，2，…，(11)

初始聚类中心的选取对于FCM算法的聚类效果与收敛速度有较大影响。本文选取的初始聚类中心1和2分别可以表示如下：

式中：1和2分别为不同集合中元素的数量。利用式(12)得到的初始聚类中心，通过迭代，最终可以获得最优聚类中心和模糊聚类1和2。假设1表示被占用频谱的聚类，2表示空闲频谱的聚类，此时判决门限可以取

为了评估该判决方法的有效性，本文定义频谱判决效率：

式中：T为1聚类样本总数；s为实际信号数；c和r分别为被正确和错误判决为信号的数量；c/s为频谱正确检测概率；c/s为信号的误检概率。可见：当r=0且c=s时，判决效率取最大值1。

聚类分析属于一种学习或训练方法，其性能与训练样本有较大关系，在实际通信中，认知用户可以通过与认知基站或其他认知用户之间的少量信息交互获得较为准确的训练样本，之后每个认知用户依据该样本独立进行频谱判决门限的设定。

3 基于分集接收的频谱感知策略

分集技术可以充分利用信号和信道的性质，将接收到的多径信号的能量按一定规则合并起来，从而提高接收信号的信噪比，达到抗衰落的目的。常见的分集接收合并技术主要有选择合并(selection combining，SC)、最大比合并(maximum ratio combining，MRC)和等增益合并(equal gain combining，EGC) 3种，其中SC方式虽然易于实现但是由于其并未在同一时刻使用所有可用支路，不能实现接收信号信噪比的最大化，不利于弱信号强度环境下频谱检测，因此，本文重点考虑MRC与EGC 2种分集接收方式。

3.1 基于MRC的频谱检测策略

假设认知用户可以接收来自卫星的条独立同分布支路的不同信号，则接收总信号，其中h表示第条支路信号的加权系数。因此，对于1假设而言，认知用户的接收信号y()可以表示为，其中，。n()表示第条支路的噪声信号且n()~(0，0)，0表示噪声功率密度，则每条支路的瞬时信噪比，即。认知用户所接收噪声总功率密度，总信噪比，可以进一步表示为