基于次用户节点选择的双阈值能量检测方法与流程

本发明涉及一种基于次用户节点选择的双阈值能量检测方法，属于频谱感知技术领域。

背景技术：

频谱感知技术作为认知无线电技术中的关键部分，实现了对主用户通信不影响的前提下，在次用户接入之前对特定的空间和时间中的频谱资源空闲情况的有效检测。根据感知用户数可以分为单节点频谱感知和多节点协作频谱感知。由于实际环境中存在多径衰落、阴影衰落和隐终端等问题，单节点的频谱感知方法并不能准确的判断出频谱资源的占用或是空闲状态。多节点协作频谱感知方法则是解决上述问题的有效方法。在认知无线电网络中，参与协作感知的各次用户先进行独立的频谱感知，然后将各自的本地感知结果发送到融合中心，融合中心根据不同的判决算法来得到最终的判决结果。根据上传的数据类型，判决算法主要分为软融合判决和硬融合判决。硬融合判决指各次用户上传的感知结果为0或者1，软融合判决指各次用户上传的信息是检测统计量。通常协作频谱感知会随着参与协作频谱感知的次用户数量的增加，感知性能也会更好，但在次用户数量增加的同时，系统的感知开销也会越来越大。所以如何寻找一个最佳的次用户数量来保证感知结果是一个重要的研究方向。

常见的频谱感知方法主要有匹配滤波器检测、能量检测和循环平稳特征检测等。能量检测由于其不需要主用户的先验信息，以及计算复杂度较低的特性而得到广泛使用。然而该技术容易受到噪声、信道不确定性等影响，所以现在一般都会结合协作频谱感知来减少环境因素的影响。同时能量检测门限值的设定也是一个重要的因素，门限值过大，次用户检测时会漏检很大一部分主用户信号，门限值过小，则会降低频谱利用率。

技术实现要素：

本发明主要是针对协作频谱感知中所有次用户都参与感知的情况下感知开销较高以及实际系统环境中噪声不确定性的问题，提出了一种基于次用户节点选择的双阈值能量检测方法，该方法通过选择出具有高信噪比、低相关性的一组次用户进行频谱感知，很好的代替了全部次用户参与频谱感知的感知结果，由于减少了一部分次用户，感知开销大大降低，同时在双阈值能量检测算法中引入了噪声不确定性，保证了较高的能量检测感知性能。

为了实现上述发明目的，本发明采用的技术方案为：一种基于次用户节点选择的双阈值能量检测方法，其特征在于，包括如下步骤：

1)在认知无线电网络中建立频谱感知的系统模型，根据主用户和次用户的距离筛选出一组具有高信噪比的次用户；

2)根据次用户和次用户之间的距离筛选出具有低相关性的一组次用户；

3)结合双阈值能量检测算法，对筛选得到的一组次用户进行协作频谱感知。

步骤2)中，低相关性次用户筛选方式如下：

其中，crela(i,j)表示第i个次用户和第j个次用户的相关性，y是第i个次用户和第j个次用户之间的距离，c(y)表示距离为y的两个次用户之间的相关性函数，0、1分别表示不相关、高度相关，τ是相关性门限值。

步骤1)中，第i个次用户从主用户处收到的主用户信号功率pi表示为：

其中，di是第i个次用户和主用户间的距离，pr是第i个次用户自主用户处接收到的信号功率，β表示多径衰落时的不变衰落因子，α是路径损耗因子；

由此，第i个次用户处收到的信噪比可表示为：

其中，pi是由式(1)得到的第i个次用户处收到的主用户信号功率，σ²是第i个次用户处的噪声方差；通过式(2)选择具有高信噪比的次用户，记筛选过后的次用户数量为k1。

更具体地，步骤2)中，随机选择筛选得到的k1个次用户中的一个次用户sut作为目标次用户，其他次用户与sut进行相关性比较，筛选出包含sut在内的一组低相关性的次用户；两个次用户之间的相关性函数c(y)表示为：

c(y)＝e^-xy(3)

其中，y是两个次用户之间的距离，x是环境因子；由式(3)，两个次用户之间的相关性函数c(y)取值为[0,1]，0、1分别对应不相关、完全相关；第i个次用户和第j个次用户的相关性crela(i,j)量化为：

式(4)中，y是第i个次用户和第j个次用户之间的距离，i,j∈{1,2,…,k1}，τ是相关性门限值,0、1分别表示不相关、高度相关。

步骤3)中，每一个次用户的检测统计量ti被定义为：

xi(t)是第i个次用户处接收到的主用户的信号,t为时刻；n为样本数量；

引入噪声不确定性ρ，确定真实噪声的范围如下：

其中，表示本地(即某个次用户处，以下同)真实噪声功率，即本地高斯白噪声功率(即噪声方差)和其他不确定噪声的功率之和；ρ表示噪声不确定性，是本地真实噪声功率和本地高斯白噪声功率的比值；中n指“noise”的缩写，具体指代每个次用户处的噪声方差。

针对次用户的双阈值能量检测算法的上、下两个阈值设定如下：

其中，pf,req是所允许的最大的虚警概率值；q^-1(·)是高斯q函数的反函数；n为样本数量；ρ表示噪声不确定性，是本地(即某个次用户处)真实噪声功率和本地高斯白噪声功率的比值；表示噪声方差；λ0为下阈值；λ1为上阈值；

每个次用户的感知结果将根据以下判决规则确定：

其中，di表示本地判决的结果，nd表示结果落在模糊区域，不作判决；0表示主用户不存在，1表示主用户存在；本地判决结果发送到融合中心。

步骤(3)中，根据正态累积分布函数，非协作情况下主用户的检测概率pd,2th和虚警概率pf,2th分别定义如下：

协作情况下主用户的检测概率qd,2th和虚警概率qf,2th分别定义如下：

其中，m为参与协作的次用户数量；p(ti>λρ|h1)表示实际环境中主用户存在，且正确地判断出主用户存在的概率；p(ti>λρ|h0)表示实际环境中没有主用户，但错误地判断为主用户存在的概率；q为高斯函数；h1表示主用户存在的情形；h0表示主用户不存在的情形；μ0和分别表示h0假设下的均值和方差，μ1和分别表示h1假设下的均值和方差；表示噪声方差，表示主用户信号方差。本发明所提出的一种基于次用户节点选择的双阈值能量检测方法，主要包括以下两个方面的内容：

1)首先根据主用户和次用户之间的距离，以及考虑多径衰落等环境因素的情况下，筛选出具有高信噪比的次用户。每一个次用户处的信噪比为：pi是各次用户处收到的主用户的信号功率，σ²是噪声方差。γi与预定的噪声门限值1db进行比较，大于该门限值表现为具有高信噪比。记筛选过后的次用户数量为k1。

然后根据次用户与次用户之间的距离，筛选出具有低相关性的一组次用户。在第一阶段选择的基础上，随机选择k1个次用户中的一个sut作为目标次用户，其余次用户依次与他进行相关性检测，筛选出包括sut在内的一组低相关性的次用户，记筛选过后的次用户数量为k2。两个次用户之间的相关性量化为：

其中，y是第i个次用户和第j个次用户之间的距离，i,j∈{1,2,…,k1}，c(y)是距离为y时的相关性，τ是预定的相关性阈值，0和1分别表示两个次用户不相关和高度相关。

2)对筛选过后的k2个次用户应用双阈值能量检测算法进行协作频谱感知，在实际环境中，通信系统中包含各种各样的干扰(如噪声干扰，环境衰落等因素，噪声方差的微小变化)，会导致主用户检测结果的不确定性。因此我们引入噪声不确定性ρ，将真实噪声功率确定在以下范围：表示本地的真实噪声功率，即本地高斯白噪声和其他不确定噪声的功率之和，ρ是真实噪声与高斯白噪声的比值。然后可得双阈值能量检测算法的下、上阈值分别设定为：和λ1＝λρ，其中λ是根据neyman-pearson预设的能量检测阈值。最后根据正态累积分布函数，协作情况下主用户的检测概率和虚警概率定义分别如下：

其中，pd,2th和pf,2th分别为非协作情况下主用户的检测和虚警概率，m为参与协作的次用户数量。

相对于现有技术，本发明的有益效果为：本发明充分利用次用户节点选择技术和协作频谱感知技术，在所有参与协作频谱感知的次用户中，筛选出一组高信噪比、低相关性的次用户，该组次用户能很好的代替全部次用户得到协作频谱感知的结果，由于参与频谱感知的次用户数量减少，所以感知开销大大降低，同时结合引入噪声不确定性的双阈值能量检测算法，能够保证噪声环境中频谱感知结果的准确性。

附图说明

图1为本发明的系统模型示意图；

图2为双阈值能量检测示意图。

具体实施方式

下面结合实例对本发明作进一步详细描述。

本发明所述的基于次用户节点选择的双阈值能量检测方法具体包括以下内容：

1)首先进行次用户节点的选择：系统模型图如图1所示。第一步根据主用户和次用户的距离，以及考虑多径衰落的情况下，选择具有高信噪比的次用户。因为从主用户处得到高信噪比的次用户能够接收到更强的主用户信号，所以能够比其他次用户以更准确的方式确定主用户的存在和离开。假定主用户和各个次用户之间的距离都是已知的。各次用户(第i个次用户)从主用户处收到的主用户信号功率pi表示为：

其中，di是第i个次用户和主用户间的距离，pr是第i个次用户自主用户处接收到的主用户信号功率，β表示多径衰落时的不变衰落因子，α是路径损耗因子。由此可得，每一个次用户(第i个次用户)处收到的信噪比可表示为：

其中，pi是由式(1)得到的第i个次用户处收到的主用户信号功率，σ²是噪声方差。通过(2)式选择出具有高信噪比的次用户，本发明中信噪比的门限值设定为1db，γi大于1db则表现为具有高信噪比。记筛选过后的次用户数量为k1。

然后第二步根据次用户与次用户的距离，筛选出一组具有低相关性的次用户。由于次用户之间的空间相关性，所有距离较近的次用户将经历几乎相同的衰落效应，这一类的次用户会表现出相近的感知结果，并且协作感知性能会降低。因此该阶段随机选择k1个次用户中的一个次用户sut作为目标次用户，其他次用户与sut进行相关性比较，筛选出包含sut在内的一组低相关性的次用户。两个次用户间的相关性函数可表示为：

c(y)＝e^-xy(3)

其中，y是两个次用户间的距离，x是环境因子。由(3)式，两个次用户间的相关性函数c(y)取值为[0,1]，分别对应不相关(0)和完全相关(1)。则第i个次用户和第j个次用户的相关性crela(i,j)可以量化为：

其中，y就是第i个次用户和第j个次用户之间的距离，i,j∈{1,2,…,k1}，τ是一个固定的相关性门限值，本发明中设置为0.4。式(4)中，0、1分别表示不相关、高度相关。不失一般性，假设第1个次用户为目标次用户，之后的次用户依次和第1个次用户进行相关性比较，最终筛选出包含第1个次用户在内的一组次用户(即筛选后次用户数量为k2)。

2)本发明中考虑的系统模型包含一个主用户，一个融合中心，以及m个次用户。每个次用户进行频谱感知的二元假设模型如下：

其中，xi(t)是第i个次用户处接收到的主用户的信号，s(t)是主用户发送的信号，ni(t)是具有均值为0、方差为的加性高斯白噪声，hi是第i个次用户和主用户之间感知信道的增益。h0和h1分别对应于主用户不存在和存在的情况。t表示时刻。

每一个次用户的检测统计量ti被定义为：

其中n是样本(即m个次用户中随机选择的部分次用户)数量。该检测统计量服从正态高斯分布，如下：

其中，μ0和分别表示h0假设下的均值和方差，μ1和分别表示h1假设下的均值和方差。表示噪声方差，表示主用户信号方差。

经过本地检测后，每一个次用户都将得到一个二元判决结果，这个结果会被发送到融合中心作进一步判决。融合中心处的判决方式采用“或”判决方式，该方式能显著提高主用户的检测概率。

根据neyman-pearson定理，单阈值能量检测算法的阈值λ设定如下：

其中，pf,req是所允许的最大的虚警概率值，通常设置为0.1。q^-1(·)是高斯q函数的反函数，它的互补累积分布函数定义如下：

其中，z为反常积分的下限，u为被积函数的积分变量。

根据(8)式，阈值λ是关于采样速率和噪声方差的函数，如果噪声方差不变，则λ也是不变的。但在实际情况下，通信系统中包含各样的如环境衰落、噪声干扰等因素，噪声方差的微小变化会对λ产生较大的影响，进而影响主用户检测结果的准确性。为了使方法更加接近实际环境，引入噪声不确定性ρ，并确定真实噪声的范围如下：

其中，表示本地真实噪声功率，即本地高斯白噪声功率和其他不确定噪声的功率之和；ρ表示噪声不确定性，是本地真实噪声功率和本地高斯白噪声功率的比值。根据(6)式和(10)式，可得次用户本地检测时的上下两个阈值(λ0为下阈值；λ1为上阈值)设定分别如下：

改进的双阈值能量检测系统模型如图2所示。此时每个次用户的感知结果将根据以下判决规则确定：

其中，di表示本地判决的结果，nd表示结果落在模糊区域，不作判决。在m个次用户中，假设有k个本地判决结果为nd，则该k个次用户发送检测统计量到融合中心，其余m-k个次用户则发送具体的0或1判决结果(0表示主用户不存在，1表示主用户存在)。对于已经筛选过的次用户，此时考虑需要发送的检测统计量较之前减少，大大减少了感知开销。

根据正态累积分布函数，非协作情况下主用户的检测概率pd,2th和虚警概率pf,2th分别定义如下：

则协作情况下主用户的检测概率qd,2th和虚警概率qf,2th分别定义如下：

其中，p(ti>λρ|h1)表示实际环境中主用户存在，且正确地判断出主用户存在的概率；p(ti>λρ|h0)表示实际环境中没有主用户，但错误地判断为主用户存在的概率。q为高斯函数。μ0表示h0假设下的均值；μ1表示h1假设下的均值；表示h0假设下的方差；表示h1假设下的方差；表示噪声方差，表示主用户信号方差。

以上显示和描述了本发明的基本结构、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的结构，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。