认知无线电频谱感知技术综述*

郭文祥，余志勇，逄 晨，孙亚民

0 引 言

随着社会信息化进程的加快，无线网络和移动通信的业务需求量不断增大，电磁频谱资源需求急剧增加。然而，现有的频谱资源及其分配模式不能满足用频需求，一定程度上制约了无线通信技术的发展。相关研究表明，电磁频谱资源的利用呈现严重的不均衡性，公共频段十分拥挤，而授权频段的频谱利用率仅为15%～85%[1]。可见，这是人为性的频谱匮乏问题。在有限的频谱资源条件下，提高利用率是解决资源和需求矛盾的关键所在。在此背景下，认知无线电技术应运而生。它是一种智能的频谱共享技术，可以感知频域、时域和空域等周围无线电频谱环境，通过对环境的理解、主动学习等措施，自动搜寻并利用已授权频段的空闲频谱而不影响其他授权用户，从而实现不可再生频谱资源的再利用[2]。

频谱感知是认知无线电的核心技术，是保证高效分配频谱资源的先决条件。频谱感知是在不干扰授权用户的前提下，实时监测可用频段并进行相关分析，从而发现频谱空穴[3]。频谱感知技术必须要保证良好的检测性能，一旦检测概率偏低，就会对授权用户正常的通信造成干扰，而虚警概率偏高则会导致认知用户无法正常接入空闲频谱，降低频谱的利用率。经过几十年的研究，频谱感知技术已有很多理论成果，但不难发现，在低信噪比环境下，频谱感知性能还有待进一步提高。

电磁环境日益恶劣，干扰增多，信噪比下降，提升低信噪比条件下的感知性能尤为重要。针对低信噪比条件，综述前辈们的研究成果，重点对比分析检测性能，最后指出发展趋势和挑战。

1 低信噪比下的频谱感知

最初，频谱感知算法都是基于单节点进行的[4-8]。由于单节点无法突破物理局限，低信噪比条件下感知性能迅速衰弱，各类联合频谱感知算法[9-12]相继被提出，克服了单节点频谱感知的物理局限。

1.1 单节点频谱感知

单节点频谱感知即单个用户独立判决，不涉及复杂的系统结构和数据融合问题，相对简单。文献[13-15]采用经典的能量检测算法，实时估计信号幅值并计算能量，通过与判决门限做比较，判决授权用户存在与否。它的复杂度低、检测速度快，但当信噪比低于-20 dB时，检测概率仅为0.2，且受噪声不确定性影响较大，难以适用于低信噪比电磁环境。文献[16-17]采用匹配滤波检测算法，利用相干检测原理，使接收的信号信噪比最大化，提高了检测概率，但先验知识和严格的相位同步条件使其实用性不高。文献[18]提出了基于小波变换的频谱感知算法，将主信号与噪声分离，仿真显示，在信噪比低至-25 dB的环境中，漏检概率低于0.1，表明检测性能足够好，但采用的是特定的2FSK信号进行仿真，说服力不强，不一定适用于低信噪比环境。文献[19]提出了LMS算法，当信噪比低至-25 dB时，检测概率能达到0.8，但算法局限于小样本数据。为解决适用性问题，文献[20]基于功率谱和Rayleigh熵理论，提出了功率谱最大最小值之差频谱感知算法。针对未知信号，当信噪比高-12 dB时，检测概率能达到0.9以上且鲁棒性高，但当信噪比低至-20 dB时，检测概率仅为0.05。文献[21-23]提出了基于特征矢量的频谱感知算法，感知性能较ED算法有所提高，但涉及矩阵特征值分解运算，导致复杂度高，感知速度偏慢。文献[24]提出了子空间投影的频谱感知算法，根据信号子空间和噪声子空间投影差异，实现了快速频谱感知，但在低至-20 dB的信噪比条件下，检测可靠度不高。此外，学者们还提出了许多方法以适应各类场景感知性能需求。文献[25]采用VLL-LMS算法，提高了算法收敛速度；文献[26]采用基于拟合优度的频谱检测技术，在高采样点、低虚警概率条件下的检测概率较为良好；文献[27]提出了谱分段对消算法，克服了噪声不确定度影响，且能使用于平坦慢衰落信道，在-12 dB信噪比条件下，检测概率能达到0.7，但这些新算法在-25 dB甚至更低的信噪比条件下，还不能实现快速、准确、可靠的实用性频谱感知。

虽然单节点的频谱感知算法很多，但感知性能提升无法突破物理局限瓶颈。究其原因，主要有3个。第一，由于是单节点，对数据的采集和处理能力有限，尤其对于高速传输的数据，处理速度下降很快，无法满足实时检测需求；第二，在复杂电磁环境下，信道的衰落、阴影效应等不可控因素较多，一旦该节点受到影响，感知性能会迅速下降；第三，无法解决局部区域内的隐蔽终端问题，即感知用户节点不在授权用户信号覆盖范围内，判决结果一直是频谱处于空闲状态，会对授权用户的正常通信产生干扰。在此背景下，协作频谱感知被提出，有效克服了单节点物理局限，提高了频谱感知性能，能更好地适用于更低的信噪比环境。

1.2 协作频谱感知

协作频谱感知在单节点频谱感知基础上发展而来，利用空间分集技术，克服单节点存在的物理弊端，提高感知性能。下面从协作频谱感知系统结构和信息融合原则上，综述协作频谱感知的相关研究。

在系统结构上，学者们相继提出了分布式协作频谱感知、集中式协作频谱感知和中继式协作频谱感知。图1为分布式协作频谱感知模型。感知节点没有优先级差异，相互组网将感知信息与周围的感知节点交换，各个感知节点独立判决授权用户存在与否。文献[28]应用分布式模型，降低了虚警概率和漏检概率，但会导致算法复杂度提升、计算量加大，且要求硬件处理信号能力更强。

图1 分布式协作频谱感知模型

集中式在提高感知性能的同时，通过信息融合原则降低硬件条件，图2为集中式协作频谱感知模型。集中式在分布式的基础上加入信息融合中心（Fusion Center，FC），感知节点间无须相互交换感知信息，而是将判决结果发送到FC。FC根据判决原则对所有信息进行融合判决，降低了系统的硬件需求。文献[29]对动态双门限协作方案的优化即属于基于集中式模型。它的仿真结果表明，总错误概率在-10 dB信噪比环境中低于0.1，而在常规的低信噪比环境中能满足需求。

图2 集中式协作频谱感知模型

中继式主要针对信道衰落和阴影问题。集中式和分布式结构一旦受到干扰，感知信息就不能正常传输，协作性被破坏。图3为中继式协作频谱感知模型。当感知节点不能正常交换信息时，中继式寻找其他能提供中继服务需求的节点代替，提高了系统协作性能的可靠性，保证了各个感知节点良好的感知性能。文献[30]提出了一种基于最佳中继的协作频谱感知方案，获得了明显的空间分集增益，提高了检测概率，且随着协作用户的增多，性能提升越明显。

图3 中继式协作频谱感知模型

基于协作模式的频谱感知技术利用各节点的感知信息，有效提高了感知性能。如何高效融合处理各节点的感知信息，是协作频谱感知的关键技术。根据融合信息的不同，融合原则可以分为决策融合和数据融合两类。

决策融合原则。在协作感知提出阶段，采用的是决策融合原则（硬判决）。单个感知节点的输出非0即1，FC对所有0/1数据实施K out of N准则，即假设有N个感知节点，如果有K个及以上的感知节点输出为1，则融合中心做出全局判决，该授权频段暂不可用；否则，该授权频段可用。在此基础上衍生出了OR准则、AND准则及Majority准则，基本原理类似。文献[29]对表决融合原则的投票门限n进行优化，基于全局错误概率值最小原则，使得频谱感知性能达到最优。

数据融合原则。在复杂电磁环境下，硬判决原则会出现一些不确定性问题，并不能完全反映节点得到的信息。于是，数据融合原则（软判决）被提出。软判决即感知节点并不对检测到的信号直接输出判决结果，而是将预处理数据（检验统计量）传送给FC或者其他感知节点，然后由FC对所有数据进行处理分析并做出判决。应用最为广泛的3种融合方式包括等增益合并（Equal Gain Combining，EGC）、选择合并（Selective Combining，SC）和最大比合并（Maximal Ratio Combining，MRC）。它们的基本原理都是对单个感知节点的数据进行加权处理，差别在于权重不同。最新的研究则是采用量化软判决原则，如将感知节点的硬判决结果转换为对应的概率值，并经FC输出判决结果。通过对比发现，判决更为可靠，即使在低信噪比下，判决结果也更为准确。

2 研究方向及挑战

在-15 dB的信噪比环境下，现有的频谱感知算法的性能基本满足一般应用，但当环境的信噪比进一步降低时，感知性能将无法保证，少数算法的检测概率也能满足要求，但在检测速度、复杂度和鲁棒性上需要进行折中处理。例如，在现代化战场上，电磁环境异常复杂，动态性和强触发性对频谱感知的计算能力提出了更高要求，多元性的信号导致待检测频段信噪比很低。因此，更低信噪比下的频谱感知问题亟待解决。

认知无线电本质是智能动态共享频谱资源，在频谱感知中实现智能性。提高更低信噪比下的频谱感知性能，是未来的发展趋势。SVM（Support Vector Machine）以其优越的学习能力和泛化性能力，在人工智能领域应用十分广泛。已有少数研究将SVM应用于频谱感知，却没有充分挖掘其智能性。分析SVM原理可以发现，它不能保证类内离散度最小，会导致检测准确率降低。拟将Fisher类内离散度最小思想应用到SVM中，能同时保证类间分类间隔最大且类内离散度最小。如何充分挖掘SVM的智能性和融合Fisher类内离散度最小思想，提高更低信噪比下的频谱感知性能还有待进一步研究。

3 结 语

以上内容综述了认知无线电频谱感知技术相关研究的发展，重点分析和总结了低信噪比条件下各感知算法的性能。此外，针对现有频谱感知算法在更低信噪比电磁环境中存在的问题，指出了未来可能的发展方向和存在的挑战。

[1] 金燕君,朱琦,郑宝玉.认知无线电中动态双门限协作频谱感知性能的优化方案[J].信号处理,2015(03):319-327.JIN Yan-jun,ZHU Qi,ZHENG Bao-Yu.Optimization Scheme of Dynamic Two-threshold Cooperative Spectrum Sensing in Cognitive Radio[J].Signal Processing,2015(03):319-327.

[2] 黄标,李景春.认知无线电及频谱管理[M].北京:人民邮电出版社,2014.HUANG Biao,LI Jing-chun.Cognitive Radio and Spectrum Management[M].Beijing:Posts&Telecom Press,2014.

[3] 周小飞,张宏纲.认知无线电原理及应用[M].北京:北京邮电大学出版社,2007.ZHOU Xiao-fei,ZHANG Hong-gang.Application and Principle of Congnitive Radio[M].Beijing:Beijing University of Posts and Telecommunications Press,2007.

[4] Hoven N K.On the Feasibility of Cognitive Radio[D].Berkeley:University of California,2005.

[5] Wang H,Yang E H,Zhao Z,et al.Spectrum Cognitive Radio Using Goodness of Fit Testing[J].IEEE Transactions on Wireless Communications,2009,8(11):5427-5430.

[6] 叶迎晖,卢光跃.采用相关系数和拟合优度的频谱盲检测[J].信号处理,2016,32(11):1363-1368.YE Ying-hui,LU Guang-yue.Employing Correlation Coefficient and Goodness of Fit for Blind Spectrum Sensing[J].Journal of Signal Processing,2016,32(11):1363-1368.

[7] 王颖喜,卢光跃.基于最大最小特征值之差的频谱感知技术研究[J].电子与信息学报,2010,32(11):2572-2574.WANG Ying-xi,LU Guang-yue.DMM Based Spectrum Sensing Method for cognitive radio systems[J].Journal of Electric and Information,2010,32(11):2572-2574.

[8] Smitha K G,Vinod A P.A Multi-Resolution Faster Filter Bank for Spectrum Sensing in Military Radio Receivers[J].Very Large Scale Integration(VLSI)Systems,2012,20(07):1323-1327.

[11] 卢光跃,弥寅,包志强.特征值极限分布的改进合作频谱感知[J].信号处理,2014,30(03):261-267.LU Guang-yue,MI Yan,BAO Zhi-qiang.Improved Cooperative Spectrum Sensing on Limiting Eigenvalue Distribution[J].Signal Processing Journal,2014,30(03):261-267.

[12] 弥寅,卢光跃.基于特征值极限分布的合作频谱感知算法[J].通信学报,2015,36(01):84-89.MI Yan,LU Guang-yue.Cooperative Spectrum Sensing on Limiting Eigenvalue Distribution[J].Journal on Communicati on,2015,36(01):84-89.

[13] Lopez B M,Casadevall F.Improved Energy Detection Spectrum Sensing for Cognitive Radio[J].IET Communicatio ns,2012,6(08):785-796.

[14] Taruna S,Bhumika P.Simulation of Cognitive Radio Using Periodogram[J].IJERT,2013,9(02):2278-0181.

[15] Vishakha S,Manwinder S.On the Performance of Detection based Spectrum Sensing for Cognitive Radio[J].IJECT,2011,9(03):2230-7109.

[16] Gholamipour A H,Gorcin A,Celebi H,et al.Reconfigurable Filter Implementation of a Matched-filter Based Spectrum Sensor for Cognitive Radio Systems[C].International Symposium on Circuits and Systems,2011:2457-2460.

[17] Sharkasi Y F,McLernon D,Ghogho M.Robust Spectrum Sensing in the Presence of Carrier Frequency Offset and Phase Noise for Cognitive Radio[C].Wireless Telecommunications Symposium,2012:1-5.

[18] 张浩晔,包志华.基于循环平稳特征的频谱检测[J].通信技术,2010,43(09):41-44.ZHANG Hao-ye,BAO Zhi-hua.Spectrum Sensing Based on Cyclostationary Characteristic[J].Communication Technology,2010,43(09):41-44.

[19] 王凡,卢光跃.利用LMS的频谱感知算法[J].信号处理,2016,32(05):543-548.WANG Fan,LU Guang-yue.Spectrum Sensing method Using LMS[J].Journal of Signal Processing,2016,32(05):543-548.

[20] 赵知劲,吕曦.利用功率谱最大最小值的得频谱感知算法[J].信号处理,2017,33(02):152-157.ZHAO Zhi-jin,LV Xi.The Spectrum Sensing Algorithm Using the Maximum Value and Minimum Value of the Power Spectral Density[J].Journal of Signal Processing,2017,33(02):152-157.

[21] Zhang P,Qiu R.Spectrum Sensing Based on Blind Learned Signal Feature[M].Mathematics,2011.

[22] Zhang P,Qiu R,Guo N.Demonstration of Spectrum Sensing with Blindly Learned Features[J].Communications Letters,2011,15(05):548-550.

[23] Hou S,Qiu R C.Spectrum Sensing for Cognitive Radio Using Kernel-based Learning[M].Computer Science,2012.

[24] 孙宇,卢光跃,弥寅.子空间投影的频谱感知算法研究[J].信号处理,2015,31(04):483-489.SUN Yu,LU Guang-yue,MI Yin.Research of Spectrum Sensing Method Based on Subspace Projection[J].Journal of Signal Processing,2015,31(04):483-489.

[25] LI Yan,Wang Xi-nan.A Modified VS LMS Algorithm[C].The 9th International Conference on Advanced Communication Technology,2007:615-618.

[26] 卢光跃,叶迎晖,孙宇等.克服噪声不确定度的拟合优度检验频谱感知算法[J].电讯技术,2016,56(01):26-31.LU Guang-yue,YE Ying-hui,SUN Yu,et al.A Novel Anti-noise-uncertainty Spectrum Sensing Method Using Goodness of Fit Test[J].Telecommunication Engineering,2016,56(01):26-31.

[27] 齐佩汉,司江勃.基于功率谱分段对消频谱感知算法研究及性能分析[J].电子与信息学报,2014(04):769-774.QI Pei-han,SI Jiang-bo.Research and Performance Analysis of Spectrum Sensing Algorithm Based on the Power Spectral Density Segment Cancellation[J].Journal of Electronics &Information Technology,2014(04):769-774.

[28] 叶迎晖,卢光跃.基于相关系数的多天线协作频谱盲检测[J].电视技术,2016,40(04):65-68.YE Ying-hui,LU Guang-yue.Cooperative Spectrum Sensing Based on Correlation Coefficient in Multiantenne Cognitive Radio[J].Video Engineering,2016,40(04):65-68.

[29] 金燕君,朱琦,郑宝玉.认知无线电中动态双门限协作频谱感知性能的优化方案[J].信号处理,2015(03):319-327.JIN Yan-jun,ZHU Qi,ZHENG Bao-Yu.Optimization Scheme of Dynamic Two-threshold Cooperative Spectrum Sensing in Cognitive Radio[J].Signal Processing,2015(03):319-327.

[30] 朱佳,郑宝玉,邹玉龙.基于最佳中继选择的协作频谱感知方案研究[J].电子学报,2010,38(01):92-98.ZHOU Jia,ZHEN Bao-yu,ZOU Yu-long.Cooperative Spectrum Sensing in Multi-user Cognitive Radio Networks with Best Relay Selection[J].Actaelectronica Sinica,2010,38(01):92-98.