一种能效优先的分布式压缩感知频谱检测与功率分配方法
【技术领域】
[0001 ] 本发明属于信息与通信工程技术领域，涉及认知无线网络（Cognitive Radio Network, CRN)中基于能量有效性的宽带压缩频谱检测与资源分配，特别是一种能效优先的 分布式压缩感知频谱检测与功率分配方法。
【背景技术】
[0002] 认知无线电（Cognitive Radio，CR)亦称为感知无线电，它可在不影响主用户 (Primary Users，PUs)通信的前提下，智能地利用大量空闲频谱以满足次用户（Secondary Users，SUs)即认知用户(Cognitive Users，CUs)的可靠通信，从而提高无线频谱的利用率， 实现频谱资源共享。认知用户能够实时感知无线通信系统周围的网络环境，通过对环境的 理解、主动学习来动态地调整网络参数以适应外部环境的变化。
[0003] 认知无线电具备极高的频谱使用效率，允许在时间、频率以及空间上进行多维信 道复用，它通过机会通信方式提高频谱利用率，充分利用有限的频谱资源，实现动态频谱共 享。CR技术将大大降低由于频段和带宽的限制对无线技术发展的束缚，代表着无线通信技 术的新发展，并已作为B4G和物联网标准中的关键技术之一。
[0004] 在追求高频谱利用率、高传输效率的同时，CR对能量有效性、提高系统抗干扰性能 等方面提出了更高的要求。绿色CR网络逐渐成为未来CR网络的研究方向之一。在绿色CR网 络中，利用压缩感知(Compressive Sensing，CS)对CR节点感知数据进行观测与稀疏重构， 可以降低节点能耗，实现基于能量有效性的自适应频谱检测。
[0005] 构造绿色节能的CR网络是未来CR的发展趋势。在绿色CR网络中，必须考虑在CR节 点能量有效的前提下，利用CR节点进行协作感知以提高感知准确度。同时，针对授权主用户 信号在空频域的稀疏性特点，通过分布式压缩感知方法实现感知信号的稀疏重构与宽带压 缩频谱检测，同时对所选择的最佳协作认知节点进行功率分配，在满足一定重构均方误差 与检测概率要求下实现能效优先的CR宽带频谱检测与最佳协作节点功率分配。
【发明内容】
[0006] 本发明的目的是针对现有技术的不足，即能耗问题已成为制约认知无线电（CR)技 术发展与应用的重要因素。多个认知用户通过分布式压缩感知(Distributed Compressive Sensing, DCS)虽可提高系统的检测性能和频谱有效性，但同时将增加认知无线网络(CRN) 的网络能耗。针对此问题，本发明提供认知无线网络中一种能效优先的分布式压缩感知频 谱检测与功率分配方法。
[0007] 本发明方法利用分布式压缩感知子空间追踪或分布式压缩感知稀疏度自适应匹 配追踪进行认知用户感知信号稀疏重构，根据信道能量累积进行频谱检测。同时，通过构造 重构与检测阶段的加权能耗函数，综合考虑了重构均方误差、检测概率、用户功率分配比以 及认知链路频带利用率等约束条件，数值求解该优化问题得到在不同的重构能耗权值和稀 疏度情况下的系统最小加权能耗。在低重构能耗权值与低稀疏度的情况下，本发明方案的 系统加权能耗较小。当认知用户满足近似等功率分配时的系统加权能耗可达最小值。此外， 检测性能和认知链路频带利用率均与系统加权能耗存在着折衷关系。本发明有效折衷了认 知无线网络的能量有效性与频谱有效性。
[0008] 本发明解决其技术问题所采取的技术方案包括以下步骤：
[0009] 步骤1、利用分布式压缩感知-子空间追踪(0丨81：1'；[131^6(1(]〇1]^)代88；[￥6 36118；[1^-Subspace Pursuit，DCS_SP)或分布式压缩感知-稀疏度自适应匹配追踪（Distributed Compressive Sensing-Sparsity Adaptive Matching Pursuit，DCS_SAMP)进行认知用户 感知信号稀疏重构。
[0010]在认知无线电（CR)中，由于主用户（HJ)信道可用带宽很宽，mi信仅占用了部分 信道，因此可以根据PU信号在频域上的稀疏性，利用分布式压缩感知(DCS)理论对认知用户 (SU)感知信号进行压缩重构。在本发明描述的场景中，J个SU对PU频谱占用情况进行本地感 知，并对感知信号进行分布式压缩采样，通过选择最佳协作认知用户，利用其报告信道向认 知基站(Cognitive Base Station,CBS)汇报本地感知信息，CBS基于分布式压缩感知-子空 间追踪(DCS-SP)或分布式压缩感知-稀疏度自适应匹配追踪(DCS-SAMP)进行感知信号稀疏 重构与宽带频谱检测，并进行最佳协作用户功率分配。
[0011] 在本发明中，考虑不同的SU节点感知信道多径传播引起的频率选择性衰落，感知 信号在傅里叶基上是稀疏的。第j个认知用户的联合稀疏模型(Joint Sparsity Model-2, JSM-2)可表示为：
[0012] χ^=ΨΘ^, I |0j| |〇 = K,je{l,2,··· ,J} (1)
[0013] 在联合稀疏模型中，每个信号都共享稀疏基Ψ，该联合稀疏模型下的信号都是Ψ 下任意K个基向量的不同线性组合。每个信号映射到该基中非零系数的位置都是一样的，稀 疏度均为K，只是系数~的值不同。JSM-2模型中所有信号共享稀疏基，主要应用于认知无线 电系统中多个SU接收同一发射信号(PU信号)情况。当JSM-2模型应用于认知无线电协作压 缩频谱感知时，多个SU协作检测PU信号，由于感知信号在感知信道中传输可能遇到各种衰 落，但信道噪声不会改变信号稀疏度。每个认知用户接收的信号幅值不同，但PU在频域的位 置是相同的。
[0014] 所述的DCS-SP感知信号的重构，具体包括如下步骤：
[0015] 1-1.初始化。迭代次数1 = 1，第j个认知用户剩余量#=乃，：V/，索引值
[0016] 集合Λ -te/HU = 0，迭代索引值集合Λ- < =0，支撑集合Λ>0 ;
[0017] 卜2.选择原子。假设当前为第1次迭代，{1,2,·.,, J}，
[0018] stepl:对多用户进行原子信息融合，其中θρ表示Θ」的第η个列向量。
[0020] 其中，supp( ·)表示获取向量的支撑索引集合，Max(a，k)为返回a中k个较大绝对 值对应的下标。
[0021] Step2:更新支撑集合。
[0023] Step3:计算频域稀疏向量，其中表示伪逆运算。
[0025] Step4:更新各用户迭代索引值集合。
[0027] Step5:更新频域稀疏向量，其中，a| ω表示a中由Ω内元素指定位置上的元素。式 (6)是将对应位置上的稀疏值赋给稀疏向量。
[0029] Step6:更新余量。
[0031] 卜3若|r； - ^ Q，停止迭代;否则转到步骤卜2。
[0032] 1-4输出第j个认知用户的重构稀疏向量Xl,2,…J) 〇
[0033] 所述的DCS-SAMP感知信号的重构，具体包括两个阶段:稀疏度估计和感知信号重 构；
[0034] 所述的稀疏度估计具体包括如下步骤：
[0035] 1)初始化。初始稀疏度Κο = 1，初始化稀疏度估计步长step=l，支撑集F= Φ，残差 rj = yj；
[0036]
，其中supp( ·)表示获取向量的支撑索引集 合，max