一种基于特征值一致估计的合作频谱感知方法与流程

本发明属于无线通信技术领域，涉及认知无线电技术中的频谱感知和估计理论中的高维特征值估计，具体涉及一种基于特征值一致估计的合作频谱感知方法。

背景技术：

随着无线通信业务的快速发展和无线通信设备的广泛应用，移动数据流量呈现爆发性增长。在现今频谱资源紧缺的情况下，传统的宏蜂窝网络对网络容量的扩充有限，新的无线网络架构的革新成为支撑网络容量的必然趋势。密集异构网络通过在宏蜂窝覆盖范围内密集部署低功率小蜂窝基站，一方面可以实现多层增强覆盖和边缘用户性能改善，提升系统容量，另一方面，通过减小小区半径，增加小蜂窝数量，提高了频谱资源的空间复用率。由于小蜂窝的密集部署，小蜂窝与小蜂窝之间以及小蜂窝与宏蜂窝之间的频率复用会带来复杂的干扰问题。将认知无线电技术与小蜂窝技术相结合是解决密集异构环境中复杂干扰问题的有效途径，具体实现方法为，将宏蜂窝用户作为授权用户，对宏蜂窝之外增强覆盖的小蜂窝网络采用认知无线电技术(简称认知网络)，在不对宏蜂窝用户的通信造成干扰的前提下，智能重用宏基站的授权频谱资源，有效解决密集异构网络中的跨层干扰问题，实现宏蜂窝和认知网络之间的共存。

认知无线电技术对授权频谱的机会式频谱接入以及空闲频谱的再利用是通过频谱感知实现的。传统的频谱感知方法包括循环平稳特征感知、匹配滤波器感知、能量感知以及基于协方差矩阵特征值的感知。这些频谱感知算法均为单用户频谱感知，在实际的通信环境中由于阴影和多径衰落的影响会造成感知性能的下降，而合作频谱感知算法通过利用多个感知用户合作产生的空间分集有效的缓解了这些消极影响。合作频谱感知根据判决机制的不同分为硬判决和软判决，硬判决要求每个感知用户做出本地判决并将判决结果报告给数据融合中心，再由数据融合中心得到最终的判决结果；软判决机制中每个感知用户将原始感知样本数据或者本地的判决统计量报告给融合中心从而实现更准确的感知。软判决中，当所有感知用户的样本数据发送到融合中心，并由融合中心基于样本数据组成的接收样本矩阵进行判决的方法为基于随机矩阵的合作频谱感知方法，其中接收样本矩阵的行数为合作感知用户的数目，称为数据矩阵维数，列数为每个感知用户的样本数。

传统的基于随机矩阵的合作频谱感知算法均假设样本数远大于矩阵维数，在这种传统渐进假设下，样本协方差矩阵是统计协方差矩阵的最优估计。然而在密集异构网络中，小蜂窝的密集部署使得数据矩阵维数与样本数在同一数量级，根据高维估计理论，在数据矩阵维数与样本数同时趋于无穷且两者的比值趋于常数的广义渐进假设下，样本协方差矩阵不能提供对统计协方差矩阵的良好估计，样本协方差矩阵的特征值分布更加分散，最大特征值被过高估计，最小特征值被过低估计，样本特征值不再是统计协方差矩阵的特征值的一致估计。统计协方差矩阵的估计是频谱感知算法推导的关键过程，估计性能的降低直接影响了频谱感知的性能。目前针对高维数据的感知方法相对较少，已有的基于协方差矩阵收缩估计器的最大最小特征值频谱感知算法(OAS-MME，Estimated Covariance Matrix Maximum–Minimum Eigenvalue Detection Based on Oracle Approximating Shrinkage Estimator)通过利用收缩估计器估计统计协方差矩阵提高了频谱感知的性能，但是直接对高维协方差矩阵的估计未能充分利用发送信号的空间结构，频谱感知性能有待进一步提高。

技术实现要素：

为了解决频谱感知方法中高维统计协方差矩阵相关未知参量的估计问题，本发明将特征值的高维估计与频谱感知相结合，得到了一种基于特征值一致估计的合作频谱感知(CEE-CSS，Consistent-Estimated Eigenvalues Based Cooperative Spectrum Sensing)方法。方法利用了发送信号空间结构，并利用广义渐进假设下特征值的一致估计器对特征值进行估计，具有很好的感知性能。本发明可应用于密集异构网络中小蜂窝与宏蜂窝同频部署时，多个认知小蜂窝合作感知宏蜂窝中的授权用户是否存在，从而有效的避免层间干扰，实现宏蜂窝和认知网络的共存。

为了达到上述技术效果，本发明的一种基于特征值一致估计的合作频谱感知方法的具体实现步骤为：

步骤1：宏基站发送授权用户信号。

步骤2：低功率小蜂窝基站接收信号并进行连续采样。

步骤3：低功率小蜂窝基站将感知数据发送给数据融合中心，在数据融合中心组成接收样本矩阵。

步骤4：数据融合中心根据接收样本矩阵得到判决统计量。

步骤5：数据融合中心将判决统计量与判决门限进行比较判断授权用户是否存在。

本发明的优点在于：

(1)考虑了发送信号的空间结构特性，与直接对协方差矩阵进行估计相比提高了频谱感知的性能；

(2)利用数据高维(密集小蜂窝部署)的情况下特征值的一致估计器对特征值进行估计，一致估计器的良好估计保证了频谱感知的性能；

(3)不需已知发送信号和噪声的功率以及信道增益等先验信息，判决统计量仅与样本协方差矩阵的特征值有关，适用于实际场景。

附图说明

图1：本发明实施例的认知小蜂窝网络拓扑图；

图2：本发明实施例提供的基于特征值一致估计的合作频谱感知方法流程图；

图3：本发明中算法感知性能与特征值分离条件之间关系的ROC曲线图(慢衰落瑞利信道，信噪比SNR＝-10dB,合作小蜂窝数M＝16)(坐标图)；

图4：本发明中算法感知性能与信道相关系数之间关系的P_d-SNR曲线图(快衰落瑞利信道，虚警概率P_f＝0.1，合作小蜂窝数M＝16，样本N＝50)(坐标图)；

图5：本发明与OAS-MME算法的感知性能对比图(慢衰落瑞利信道，虚警概率P_f＝0.1，合作小蜂窝数M＝16)(坐标图)。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明在于提供一种基于特征值一致估计的合作频谱感知方法实现密集异构网络中宏蜂窝与同频小蜂窝之间的共存。

本发明实施例的认知小蜂窝网络拓扑如图1所示，宏蜂窝网络用户为授权用户，使用已分配的授权频谱资源。宏蜂窝网络覆盖范围内部署多个密集的低功率小蜂窝节点，小蜂窝基站将接收的信号进行采样并发送给数据融合中心(FC，Fusion Center)。数据融合中心基于接收样本矩阵得到判决统计量，通过与门限比较判决授权用户是否存在。在感知到授权用户不工作时小蜂窝可以利用已授权的频谱资源，与此同时，认知小蜂窝仍需要进行频谱感知，一旦感知到授权用户的再次出现则及时退出对频谱的使用以避免对宏蜂窝的授权用户造成干扰。

实施例：

参见图2，本发明实施例提供了一种基于特征值一致估计的合作频谱感知方法，包括：授权用户信号发送和接收100：宏基站发送授权用户信号，本发明假设授权信号服从零均值功率为的高斯分布。

信号接收和采样200：信号经过平稳衰落信道后由M个小蜂窝基站进行接收，假设接收机端噪声为加性高斯白噪声，噪声之间相互独立且有相同的功率σ²，M个小蜂窝基站对接收信号进行连续采样分别得到N个样本数据。用H₀和H₁分别代表授权用户未出现和出现两种情况，频谱感知的二元假设模型表示为：

其中，x[n]＝[x₁[n]，x₂[n]，…，x_M[n]]^T(n＝0，1，…，N-1)为在采样时刻n由M个接收机采样得到的M维样本矢量。w[n]代表均值为零，协方差矩阵为σ²I_M的独立同分布循环对称复高斯噪声，表示为h为复信道增益矢量，在感知时间内假设信道增益为常数。s[n]为授权信号的第n个样本，假设服从均值为零，方差为的高斯分布。

感知样本数据发送给数据融合中心300：小蜂窝基站将感知样本数据发送给数据融合中心，在数据融合中心组成M×N维的接收样本矩阵X＝[x[0]，x[1]，…，x[N-1]]。

得到判决统计量400：数据融合中心根据判决统计量的表达式计算判决统计量，本发明的判决统计量的推导是根据奈曼皮尔逊准则，即在虚警概率为定值时使得检测概率最大。根据建立的感知模型，接收样本矩阵的对数似然函数之差为

L(X)＝ln p(X|H₁)-ln p(X|H₀) (2)

H₀情况下的对数似然函数含有未知参数σ²，在本实施例中具体表示为式(3)

H₁情况下的对数似然函数含有未知参数h和σ²，在本实施例中具体表示为式(4)

利用矩阵行列式的计算公式以及Woodbury矩阵求逆等式可以得到

将式(5)和式(6)代入对数似然函数的表达式(4)中并化简：

由于在实际场景中信道增益以及信号和噪声的功率是未知的，因此需要对这些未知参量进行估计，估计后的对数似然函数之差L(X)的表达式重写为

其中，为H₁情况下对信道增益的估计，和为H1情况下对信号和噪声功率的估计，为H₀情况下对噪声功率的估计。

已知第m个真实特征值γ_m的一致估计器的表达式为

其中K_m为第m个真实特征值的重数，集合为样本协方差矩阵的第k个特征值。关于的方程的M个有序实数解为

在本发明的信号模型中，当授权用户不存在时统计协方差矩阵有M重特征值σ²，因此未知参数σ²的一致估计器为：

利用代替σ²可以得到H₀情况下的对数似然函数

当授权用户存在时，统计协方差矩阵有M-1重最小特征值γ₁＝σ²和1重最大特征值利用最大样本特征值的特征向量估计真实的最大特征值γ₂的特征向量可以得到含有未知参量估计量的对数似然函数表达式进一步化简为：

当γ₁＝σ²和两个特征值满足特征值分离条件时，特征值一致估计器对特征值的估计性能会更好。此时要求N/M＞ξ_M成立，根据所建立的感知模型，ξ_M表示为式(13)

其中，为下式的解

将式(13)和式(14)代入N/M＞ξ_M中得到特征值分离条件成立的表达式为：

其中，表示信噪比。

将γ₁＝σ²种代入式(9)中，可以得到H₁情况下式(12)中未知参数的估计量的表达式(16)，且当最大特征值和最小特征值满足式(15)中的分离条件时可以提供更好的估计。

将式(11)和式(12)代入式(8)中并进行化简得到本发明算法的判决统计量：

判决授权用户是否存在500：数据融合中心将判决统计量T_CEE-CSS与门限值γ比较来判断授权用户是否出现，当判决统计量T_CEE-CSS大于门限γ时判决授权用户出现，否则授权用户未出现，感知用户可利用该授权频谱资源，表示为

结果表示：

在本部分通过仿真验证本发明算法的感知性能，仿真中发送信号服从均值为零的复高斯分布且信号的功率未知；授权信号发送端和M个小蜂窝基站接收端的传输信道为平稳瑞利衰落信道，信道增益是未知的；小蜂窝基站接收机的噪声假设为相同且未知的。根据3GPPRelease 12中对小蜂窝增强技术的评估模型，仿真中设定一个宏蜂窝范围内覆盖16个小蜂窝基站，且样本数的取值与小蜂窝数量在相同的数量级。

图2表示特征值分离条件对本发明算法的感知性能的影响。考虑信道为慢衰落瑞利信道，在感知时间内信道增益为常数，信噪比SNR＝10log₁₀p取值为-10dB。在这种情况下，根据式(14)可知，当N大于32时满足特征值分离条件。比较图2所示的不同样本数对应的接收机操作特性曲线(ROC，Receiver Operation Characteristic)，当虚警概率(P_f，Probability of False Alarm)取值为0.1时，N＝35和N＝50所对应的检测概率(P_d，Probability of Detection)均高于0.9，而当N＝16时，P_d＝0.5，感知性能最差。因此，当特征值分离条件满足时，估计器可以提供更准确的估计，频谱感知算法的感知性能也更好。

图3表示信道的相关性对本发明算法的感知性能的影响。考虑信道为快衰落瑞利信道，例如在窄带通信中信号的符号周期大于信道相干时间时的信道模型，此时信道增益在感知时间内是随机的，且由于小蜂窝基站的近距离部署使得信道之间具有相关性。通过相关矩阵建模信道之间的空间相关性，利用相关系数表征信道间相关性的大小。仿真中固定虚警概率P_f＝0.1，小蜂窝数M＝16，样本数N＝50，用符号c表示相关系数的取值，当c分别为0.5，0.75，和0.95时通过5000次蒙特卡洛仿真得到了三条P_d-SNR曲线图。从图3可以看出，本发明算法的感知性能均随着信噪比的增加而变好，并且信道的相关系数越大时，感知性能越好。例如当P_d＝0.9时，相对于c＝0.5，c＝0.75时算法的感知性能有高于3.5dB的性能增益，而c＝0.95时算法的性能增益高于7dB。因此，在密集异构网络中，当进行合作感知的小蜂窝基站距离越近时，信道之间的相关性越大，授权信号存在时不同小蜂窝基站的样本之间的相关性也越大，本发明算法的感知性能越好。

图4比较了本发明算法CEE-CSS与已有的高维频谱感知算法OAS-MME的感知性能。仿真中固定虚警概率P_f＝0.1，小蜂窝数M＝16，通过5000次蒙特卡洛仿真得到了两种感知算法的P_d-SNR曲线图。从图4可以看出，CEE-CSS相对于OAS-MME能够提供更好的感知性能。例如当P_d＝0.9时，相对于OAS-MME，CEE-CSS在N＝50和N＝100时分别大约有1dB和0.5dB的性能增益。由对比结果可知，本发明算法通过考虑发送信号的空间结构，对特征值进行估计，与针对统计协方差矩阵进行估计的OAS-MME算法相比具有更好的感知性能。

本发明提出了一种基于特征值一致估计的合作频谱感知算法，该方法应用于密集异构网络中通过多个认知小蜂窝合作感知宏蜂窝授权用户是否存在来实现宏蜂窝和认知网络之间的共存。该算法考虑了发送信号的空间结构并利用了高维时特征值的一致估计器，具有良好的感知性能。