一种基于用户集合势估计的认知无线电合作频谱感知方法
【技术领域】
[0001] 本发明属于认知无线电(Cognitive Radio,CR)领域，尤其涉及认知无线电合作频 谱感知技术。
【背景技术】
[0002] 认知无线电致力于解决传统的固定频谱授权分配方式所导致的频谱资源短缺和 频谱浪费的问题，能够实现次级用户SU(secondary user)在已授权频段LFB( licensed frequency bands)上以低优先级机会性地动态接入。频谱感知技术作为认知无线电的基本 前提受到广泛研究，其目的在于准确、快速地对LFB的实时占用状态做出判决，以便于SU在 尽可能少地对PU(primary user)产生干扰和影响的情况下，伺机接入授权频段。
[0003] 早期经典的单用户频谱感知方案包括:能量检测（energy detection，ED)方案、匹 配滤波器检测(Matched Filter based Spectrum Sensing,MFSS)方案、循环平稳特征检测 (Cyclostationary Feature based Spectrum Sensing，CFSS)方案等。匹配滤波器检测和 循环平稳检测在不同程度上需预知PU信号结构和信道信息等先验知识，这样的算法实现条 件在实际情况中难以满足。ED方案由于仅需预知噪声功率，结构简单、易实现、成本低，因而 得到广泛研究。然而，基于ED的单用户频谱感知方案性能严重不足，且容易受周围环境因素 (噪声功率不确定度、隐终端效应等)的影响，因而具有较大的感知性能缺陷和应用局限性。
[0004] 近年来，多用户合作频谱感知方案因相对于单用户频谱感知方案的性能优势而受 到广泛关注。合作频谱感知广泛采用数据软融合(soft data fusion,SDF)方案，由认知无 线电网络中的融合中心（fusion center，FC)收集各个合作用户发送过来的感知数据生成 全局检测统计量(global test statistic，GTS)，并完成最终判决。
[0005] 传统的SDF方式的合作频谱感知一般采用所有合作用户的全部数据进行融合。然 而，在实际感知场景中，由于环境、信道等因素的影响，参与合作的各个SU的本地感知数据 可能存在较大差异，使得各个SU接收的PU信号存在不均衡性，体现不同的感知能力。如果能 在所有的合作用户中将具有较好感知能力的用户筛选出来，利用他们的频谱观测数据进行 融合，则会获得更好的合作感知性能。据此，本发明针对传统的SDF全部用户参与合作的机 制，提出了一种基于用户集合势估计的合作频谱感知方法。
【发明内容】
[0006] 本发明针对传统合作频谱感知方法需要先验信息，并且在低信噪比情况下频谱感 知性能不足的问题，提出了基于用户集合势估计的合作频谱感知方案。在合作频谱感知算 法的实施过程中，先利用用户集合势估计算法估计出感知性能较好的合作用户集合的集合 势，即信道条件较好的合作用户个数K'再计算协方差矩阵的特征值和特征向量，从中筛选 出IT个较大特征值及其对应的特征向量，由其参与生成GTS并做出最终判决。理论分析和实 验结果表明，该合作频谱感知方案不需要任何先验信息，并且可以有效地提高合作频谱感 知的检测性能。
[0007] 具体地，本发明提出一种基于用户集合势估计的认识无线电合作频谱感知方法， 包括:各个合作用户SU的接收机在感知时间内对接收信号进行采样并报告至FC，FC由此获 得采样矩阵Y;根据采样矩阵计算采样信号协方差矩阵R y，计算协方差矩阵Ry的特征值并获 得对应的特征向量;估计由信道条件较好的合作用户所构成的用户集合的集合势，并由此 选择特征向量，利用用户集合势选择向量对特征向量进行选择得到最优特征向量集合，根 据加权增益合并方式生成全局检测统计量T并进行最终判决。
[0008] 本发明其中一个实施例包括:获得特征向量具体为:根据采样矩阵Y和不同的估计 算法方案对用户集合势K进行估计，获得估计值为A ;将接收机采样协方差矩阵的特征值 按降序排列，根据f值生成数据选择向量，即从数据选择向量中选择前f个较大特征值及 其对应的特征向量
作为最优特征向量。
[0009] 本发明其中一个实施例包括:根据加权增益合并方式生成全局检测统计量T(即 GTS);进一步包括，根据公式
将最优特征向量与接收机采样矩阵进行合 并，并计算平均值;根据公式
计算加权增益合并能量值，并将其作为全局 检测统计量T。
[0010] 本发明其中一个实施例包括:根据期望的虚警概率确定判决门限，将生成的全局 检测统计量t(即gts)与判决门限进行比较，并根据公式做出最终判决， 即当T大于等于Y时，判决为i^，表示判决PU信号存在;反之，当T小于Y时，判决为$，表 不判决PU彳目号不存在。
[0011] 本发明所提出的基于用户集合势估计的能量合并合作频谱感知方法，优势主要体 现在两个方面：（1)将较大特征值及其对应的特征向量筛选出来，降低了个别数据存在较大 感知误差的可能性；（2)较大的特征值及对应的特征向量所携带的感知信息更利于区分授 权频段是否被占用，从而有利于感知性能的提高。能量合并对于认知无线电合作频谱感知 具有非常实际的应用意义。最常见的等增益合并(Equal Gain Combining，EGC)将所有合作 用户（参与合作的SU)的本地感知能量以等系数方式合并，等价于多用户的能量感知，能够 减小单个SU对感知结果造成的不利影响;本发明提出的将较大特征值对应的特征向量与所 有SU的本地感知数据进行合并，这些特征向量携带较好的感知信息，对合并值进行平方运 算有利于将其优势扩大，从而提高感知性能；当考虑理想情况下知晓精确的信号协方差矩 阵时，利用其较大特征值对应的特征向量进行能量合并能够破除历史数据对感知结果的影 响，从而大幅提尚感知性能。
【附图说明】
[0012] 图1用户集合势估计感知算法系统框图；
[0013] 图2用户集合势估计方法流程图；
[0014] 图3各个算法用户集合势估计性能；
[0015] 图4加权增益合并感知方法流程图；
[0016] 图5用户集合势估计算法性能比较；
[0017] 图6不同采样次数下用户集合势估计算法性能。
【具体实施方式】
[0018] 在实际感知环境中，每个参与合作感知的SU的信道条件各异。一般地，接收信号协 方差矩阵Rs的前K个特征值有可能远大于后(M-K)个特征值(接收信号协方差矩阵共有M个 特征值），即人1 2人2 2…2知〉〉知+1 2…2 Xm，其中较大的特征值表不其相应的SU用户信道 条件较好，能够接收到较强的PU信号，因此，在这个意义下，参与合作感知的M个SU可以分为 信道条件较好的用户集合和信道条件较恶劣的用户集合。考虑先采用AIC(Akaike Information Criterion)、MDL(Minimum Description Length)、GAIC(Gerschgorin Akaike Information Criterion)、GMDL(Gerschgorin Minimum Description Length)、 BIC(Bayesian Information Criterion)、GBIC(Generalized Bayesian Information Criterion)、EEF(Exponentially Embedded Families)、GEEF(Gerschgorin Exponentially Embedded Families)、SPEEF(Sampled Power Exponentially Embedded Families)等经典的源信号数目估计算法，估计出信道条件较好的合作感知用户集合中的 用户个数K，即用户集合势，然后再筛选出前K个较大特征值对应的特征向量，将其对接收信 号矩阵进行加权合并，从而生成最终的全局检测统计量T。
[0019]本发明为解决上述的合作用户筛选和GTS生成的技术问题，基于实际情况和理想 情况提出两种实现方法：
[0020]在理想情况下，可认为感知时间内的信号采样次数无穷大，采样协方差矩阵Ry为 无限采样次数下的精确值，先计算其特征值及对应的特征向量，再估计出M个SU的用户集合 势选择向量，利用该向量对特征向量进行选择得到最优特征向量集合，最后根据加权增益 合并WGC(weighted gain combining)方式生成全局检测统计量T参与最终判决。具体过程 如下：
[0021 ] (a)接收机在感知时间内采样获得M个SU的采样矩阵Y;
[0022] (b)根据采样矩阵获得采样信号协方差矩阵Ry，计算其特征值，以集合表示为入= [入i，X 2,…，AM}，将特征值按降序排列得到义=_|^，/1^，…，4 j，其中序号{上，j2,…，」m}是 对序号{1，2,…，M}的重新排序；
[0023] (c)根据采样矩阵Y，利用集合势估计算法对用户集合势K进行估计，其估计值为
[0024] (d)根据估计值f计算数据选择向量y:
[0025] r /V 取对应特征值位置集合6。根据特征值位置集合6调用公式//(0 = j u e 0可得出选择向 量y的第i个选择元素，由此构建选择向量y。其中，^为较大特征值的下标集合，计算y即计 算能够把0相应位置的特征向量筛选出来的选择向量。
[0026] (e)理想条件下采样协方差矩阵Ry的特征向量形成的对角矩阵集合为巾={ n i， …，以}，其中&呀(只n )0 = 12,…M)，其中，仏为特征向量，利用选择向量11 对特征向量的对角矩阵集合巾进行选择，根据公式：
[0028] 得到较大特征值对应的特征向量V作为最优特征向量。即从巾的M个特征向量中将 y(i) = i位置的f个特征向量筛选出来作为最优特征向量，其中^为Ry按降序排列的特 征值所对应的特征向量，上为特征值降序排列时的下标。
[0029] (f)将上式中的矩阵作为最优加权矩阵以生成最优用户集合势估计0USCE (optimal user set cardinality estimation)的全局检测统计量Tousce:
[0031