基于HMM模型的多点协作频谱感知方法与流程

本发明涉及认知无线电网络中的频谱预测领域。更具体地说，本发明涉及一种认知无线电网络中基于hmm预测模型的多点协作频谱感知方法。

背景技术：

随着信息时代的到来，无线频谱已成为现代社会不可或缺的宝贵资源。它目前主要由国家统一分配授权使用，一个频段一般只能供一个无线通信系统独立使用，这种静态的无线频谱管理方式，简单而有效的避免了不同无线通信系统间的相互干扰。但是在这些已分配的授权频段与非授权频段中存在着频谱资源利用的不平衡性：一方面，授权频段占用了整个频谱资源的很大一部分，但其中不少频段处于空闲状态；另一方面，开放使用的非授权频段占整个频谱资源的很少一部分，但在该频段上的用户很多，业务量也很大，无线电频段已基本趋于饱和。于是在无线和移动通信迅速发展的今天，频谱资源贫乏的问题也显得日益严重。因此，寻求一种更有效的频谱管理方式，充分利用各地区、各时间段的空闲频段，缓解不断增长的频谱的需求矛盾，成为人们关注的问题。为了解决上述问题，基本思路就是尽量提高的利用率。于是，认知无线电的概念应运而生。其基本思想是：具有认知功能的无线通信设备可以按照某种“伺机(opportunisticway)”的方式接入授权的频段内，并动态地利用频谱。这种在空域、时域和频域中出现的未被利用的频谱资源被称为“频谱空穴”。认知无线电的核心思想就是使无线通信设备具有发现“频谱空穴”并合理利用这些频谱空穴的能力。认知无线电(cr，cognitiveradio)技术的兴起和发展为解决无线频谱资源紧缺的问题提供了全新的途径。它通过允许认知用户自适应地感知授权频段在时间和空间上的频谱空穴，机会式地利用空穴进行信号传输，达到提高频谱的利用率的目的。cr还使得无线通信系统可不经授权地使用传输特性更好、带宽更宽的频段，有利于平衡通信的成本和性能；同时，宽带无线通信系统通常所具有大动态范围的业务流量特性，正适合于在较宽的动态可用频段内进行机会式传输。因此，引入认知机制不仅是提高未来无线通信系统频谱利用问题的有效途径，也是技术和应用上的迫切需求。

频谱感知作为认知无线电的主要一环，其目的是发现在时域、频域、空域上的频谱空穴，以便供认知用户以机会方式利用频谱。次用户是指未经授权使用只有授权用户才能使用的频谱的用户，主用户则是获得授权使用频谱的用户。为了不对主用户造成干扰，认知用户在利用频谱空穴进行通信的过程中，需要能够快速感知主用户的再次出现，及时进行频谱切换，腾出信道给主用户使用，或者继续使用原来频段，但需要通过调整传输功率或者改变调制方式来避免对主用户的干扰。这就需要认知无线电系统具有频谱检测功能，能够实时地连续侦听频谱，以提高检测的可靠性。

就目前来看，人们在这方面取得了很大的进展，各种感知方法层出不穷。单用户感知设计复杂度低，采用技术成熟，易于实现。但其性能会随着无线环境中多径和阴影衰落引起的接收信号强度的减弱而降低，而且基于检测的频谱感知算法，必然需要一定的时间进行频谱状态的检测，即存在检测时延。因此，如何降低或消除检测时延的影响，实现频谱状态的可靠预测，提高感知性能具有重要的研究意义。另外，由于在传统的认知无线电网络中，数据包传输具有随机性和零散性，频谱状态转换频繁还有“隐蔽终端”等大量问题的出现。申请人此前申请的发明专利(申请号为201610235479.6)在一定程度上解决了延迟的问题，但仍存在干扰、精度不高的缺陷。因此，目前亟需一种可靠性高、精度高、对主用户干扰小的频谱感知方法。

技术实现要素：

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种基于hmm模型的多点协作频谱感知方法，其在认知无线电网络中引入多节点协作频谱感知和隐马尔可夫模型对频谱的预测作用，进行下一时隙的频谱状态预测，从而提高频谱预测的可靠性。

为了实现根据本发明的这些目的和其它优点，提供了一种基于hmm模型的多点协作频谱感知方法，包括以下步骤：

步骤一、认知无线电网络中包含多个主用户和多个次用户，对主用户的频谱进行隐马尔可夫模型建模，根据频谱感知得到的各次用户各时隙的观测值，对隐马尔可夫模型的参数进行训练，递归计算各次用户下一时隙的频谱状态为“忙”或“闲”的预测概率，概率高的频谱状态为下一时隙频谱状态预测结果；

步骤二、统计所有次用户下一时隙的感知频谱状态为“忙”或“闲”的次数，如果“忙”的比例大于预设阈值，则判定下一时隙的频谱状态为“忙”，否则为“闲”，输出频谱状态结果，并将结果返回至频谱感知数据融合中心。

优选的是，所述的基于hmm模型的多点协作频谱感知方法，步骤二中预设阈值为2/3或1/2。

优选的是，所述的基于hmm模型的多点协作频谱感知方法，步骤一具体包括：

s1.对主用户的频谱进行隐马尔可夫模型建模，得到λ＝{π,a,b}，其中，π为频谱状态为“忙”或“闲”的初始状态概率，a为状态转移概率矩阵，b为发射概率矩阵；

s2.采用能量检测算法进行频谱感知，得到每一个次用户t时隙的观测值序列oi＝{oit∈v|t＝1,2,…,t}，观测值序列的状态空间v＝{0,1}，0表示次用户判决该时隙频谱状态为“闲”，1表示次用户判决该时隙频谱状态为“忙”；

s3.将观测值序列作为训练序列，运行baum-welch算法进行参数π、a、b的训练，得到估计的参数

s4.根据历史感知结果序列o＝{o1,o2,…,ot,…,ot}和估计的参数递归计算下一时隙频谱状态为“忙”或“闲”的预测概率

s5.如果成立，则该次用户判断户下一时隙的频谱状态为“忙”，否则为“闲”。

优选的是，所述的基于hmm模型的多点协作频谱感知方法，s1中，状态转移概率矩阵a为a＝{aij}(k+1)×(k+1)，aij＝p{qt+1＝sj|qt＝si}表示当前时刻t时频谱状态为si于下一时刻t+1时转移到sj的转移概率，其中k为编码块大小；隐马尔可夫模型λ＝{π,a,b}的隐藏状态空间为s＝{0,1,…,k}，其中0表示主用户信道处于“闲”状态，1～k均为“忙”状态；得到状态转移概率矩阵a和发射概率矩阵b分别为：

其中，α为状态0转换为状态1的概率，β为状态k转换为状态0的概率，k为正整数，虚警概率pf和漏检概率pm的计算如下：

其中，n为一个时隙内的采样样本数，检测阈值为τ，为伽马函数，和分别为下不完全伽马函数和上不完全伽马函数。

优选的是，所述的基于hmm模型的多点协作频谱感知方法，s3中，利用观测值序列o＝{ot∈v|t＝1,2,…,t}作为训练序列，并进行参数的迭代估计，得到第r次迭代的参数如下：

其中γt(i)表示在已知隐马尔可夫模型和观测值序列o＝{ot∈v|t＝1,2,…,t}的情况下，t时刻信道频谱状态为si的概率；ξt(i,j)表示时刻t时信道状态si在下一时刻t+1转到状态sj的期望转移概率；

因此得到γt(i)和和ξt(i,j)的表达式如下：

其中αt(i)＝p(o1o2…ot,qt＝si|λ),1≤t≤t-1为前向变量，即在给定的隐马尔可夫模型λ下，时刻t的状态为si且部分序列为o1o2…ot的概率；相应地，βt(i)＝p(ot+1ot+2…ot,qt＝si|λ),1≤t≤t-1为后向变量；αt(i)和βt(i)的计算分别由前向算法和后向算法得到；

当迭代得到的参数满足收敛条件时，结束迭代，得到参数

优选的是，所述的基于hmm模型的多点协作频谱感知方法，s4中，递归计算的方法如下：

其中，的初始值为

本发明至少包括以下有益效果：

第一、本发明能够克服传统认知无线电网络中频谱状态转换频繁、频谱空洞不易于感知以及现有频谱感知可靠性较低和“隐蔽终端”外加减少对主用户的干扰等问题的特点，利用隐马尔可夫模型对主用户信道频谱状态进行建模分析；

第二、本发明在频谱预测过程中，相对于传统的基于hmm的频谱预测算法，引入了相应的多点协作感知的融合，进而提高频谱预测的可靠性和快速性以及大大降低了对主用户的干扰；

第三、相对于此前申请的专利，本专利很好的解决了“隐蔽终端”问题外加减少对主用户的干扰等特点而且更加快速的预测下一时隙的频谱状态。相比较其它应用hmm模型来预测状态的事例，本专利并非完全应用hmm来确定下一时隙的状态，而是结合了最后的融合法则来预测判断下一时隙的频谱状态，很好的减少了误判和对主用户的干扰。有利于维持正常的通信环境，对现有的主用户不造成大范围的影响。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明的流程图；

图2为本发明的认知无线电网络模型；

图3为本发明步骤3)的流程示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

图2示出了认知无线电(以下简述为cr)网络模型，一个cr模型包括n个主用户信道和m个次用户，不同的文献中对cr终端的称谓不同，有cr用户、次用户、非授权用户等多种方式，本发明中统一称之为次用户，同样，经购买或授权而拥有某段频谱使用权的用户，称谓有授权用户、主用户，本发明中同一称之为主用户，其中，每个主用户信道由一个主用户基站和l个主用户接收节点构成一个主用户子网络。在每个主用户子网络中，数据包以数据块的形式到达主用户基站，且到达过程服从poisson分布泊松分布，平均速率为v。当编码块大小为k时，主用户基站累积k个数据包后进行随机线性网络编码再广播给各个主用户接收节点。次用户通过频谱感知算法感知主用户信道并利用空闲频谱传输数据。假设各信道时间同步，一个主用户数据包传输的时间为一个时隙。实验对200个时隙进行感知，每个时隙采样20个样本。

一种基于hmm模型的多点协作频谱感知方法，如图1所示，包括以下步骤：

1)初始化hmm参数模型λ＝{π,a,b}：隐马尔可夫模型(hmm)是一种统计模型，用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析。包括隐含状态(未知，待求解)、观测序列(已知，可观测，下述)、隐含状态的初始概率(已知，计算机初始值)、隐含状态的状态转换概率(未知，下述训练得到)，隐含状态表现为观测序列的观测值概率(未知，下述训练得到)。对主用户的频谱进行隐马尔可夫模型建模，得到λ＝{π,a,b}，其中，π为频谱状态为“忙”或“闲”的初始状态概率，a为状态转移概率矩阵，用状态转移矩阵表示，b为发射概率矩阵；

状态转移概率矩阵a为a＝{aij}(k+1)×(k+1)，aij＝p{qt+1＝sj|qt＝si}表示当前时刻t时频谱状态为si于下一时刻t+1时转移到sj的转移概率，其中k为编码块大小，k为状态量，最后计算的数字有k时当1处理，即“忙”状态；hmm参数模型λ＝{π,a,b}的隐藏状态空间为s＝{0,1,…,k}，其中0表示主用户信道处于“闲”状态，1～k均为“忙”状态；得到状态转移概率矩阵a和发射概率矩阵b分别为：

其中，α为状态0转换为状态1的概率，β为状态k转换为状态0的概率，k为正整数，虚警概率pf和漏检概率pm的计算如下：

其中，n为一个时隙内的采样样本数，检测阈值为τ，为伽马函数，和分别为下不完全伽马函数和上不完全伽马函数。

2)频谱感知的方式有多种，例如匹配滤波器检测、能量检测、循环平稳特征检测等，本方案中采用能量检测算法进行频谱感知，得到每一个次用户t时隙的观测值序列oi＝{oit∈v|t＝1,2,…,t}，观测值序列的状态空间v＝{0,1}，0表示次用户判决该时隙频谱状态为“闲”，1表示次用户判决该时隙频谱状态为“忙”；

3)将观测值序列作为训练序列，运行baum-welch算法进行参数π、a、b的训练，得到估计的参数使用前向算法来计算在某个特定的hmm下一个可观察状态序列的概率，然后据此找到最可能的模型。前向后向算法首先对于hmm的参数进行一个初始的估计，但这个很可能是一个错误的猜测，然后通过对于给定的数据评估这些参数的的有效性并减少它们所引起的错误来更新hmm参数，使得和给定的训练数据的误差变小，对于每一个状态，前向后向算法既计算到达此状态的“前向”概率，又计算生成此模型最终状态的“后向”概率，这些概率都可以通过递归进行高效计算；

利用观测值序列o＝{ot∈v|t＝1,2,…,t}作为训练序列，并进行参数的迭代估计，得到第r次迭代的参数如下：

其中γt(i)表示在已知隐马尔可夫模型和观测值序列o＝{ot∈v|t＝1,2,…,t}的情况下，t时刻信道频谱状态为si的概率；ξt(i,j)表示时刻t时信道状态si在下一时刻t+1转到状态sj的期望转移概率；

因此得到γt(i)和和ξt(i,j)的表达式如下：

其中αt(i)＝p(o1o2…ot,qt＝si|λ),1≤t≤t-1为前向变量，即在给定的隐马尔可夫模型λ下，时刻t的状态为si且部分序列为o1o2…ot的概率；相应地，βt(i)＝p(ot+1ot+2…ot,qt＝si|λ),1≤t≤t-1为后向变量；αt(i)和βt(i)的计算分别由前向算法和后向算法得到；

当迭代得到的参数满足收敛条件时，结束迭代，得到参数

4)根据历史感知结果序列o＝{o1,o2,…,ot,…,ot}和估计的参数递归计算下一时隙频谱状态为“忙”或“闲”的预测概率

递归计算的方法如下：

其中，的初始值为

5)如果成立，则该次用户判断户下一时隙的频谱状态为“忙”，否则为“闲”。

6)统计所有次用户下一时隙的感知频谱状态为“忙”或“闲”的次数，如果“忙”的比例大于预设阈值(优选为2/3或1/2)，则判定下一时隙的频谱状态为“忙”，否则为“闲”，输出频谱状态结果，并将结果返回至频谱感知数据融合中心，此时的数据将作为下一个时隙的训练数据。

假设系统中存在4个授权用户，它们对频谱的利用服从泊松分布，而且其对频谱的占用率不低于50％，频谱状态周期为20ms，信道环境为高斯白噪声，数据调制方式为qpsk调制，采用网络编码ofdm调制，按照泊松分布参数的设置分别产生连续占用和不连续占用频谱的概率分布，依照该方法产生各自的频谱模式。其它方式的频谱感知采用能量累积方法，频谱周期为100ms，感知时间为25ms，其它为发送数据时间，基于hmm模型的频谱感知方法多节点的融合判断采用2/3和1/2来仿真，将2个算法进行对比较。1、初始化hmm参数模型λ＝{π,a,b}。2、非授权的次用户侦听频谱信息，得到观察数据oi＝{oit∈v|t＝1,2,…,t}，针对观察数据采用前向baum-welch算法进行参数π、a、b的训练，得到估计的参数使得似然比最大。3、根据历史感知结果序列o＝{o1,o2,…,ot,…,ot}和估计的参数递归计算下一时隙频谱状态为“忙”或“闲”的预测概率4、根据计算出来的闲和忙的概率，在进行融合准则(此时融合准则设置一个门限w)的计算，得到预测后的下一时刻的状态。5、根据仿真结果，得到hmm方式感知频谱采用2/3来判断闲和忙的误码率要比采用1/2的高，误码性能好，但是二者都比频谱的能量累积方法判断频谱闲和忙的误码性能高，判断出该方法比普通方法的可靠性要高。6、根据仿真结果，得到hmm方式感知频谱采用2/3来判断闲和忙的虚警概率要比采用1/2的高而二者比普通方法的漏警概率低，从而可以判断改方法对主用户的干扰进一步的减小并且系统的吞吐率也提高，减小了检测时间。

这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。