一种优化的物联网多频段协作频谱感知方法与流程

本发明涉及一种优化的物联网多频段协作频谱感知方法，属于无线电信息传输技术领域。

背景技术：

近年来，物联网(iot)中出现了大量的无线设备、车辆和家用电器，需要通过无线频段进行连接和交互。频谱资源不能满足日益增长的无线业务和用户需求。然而，由于静态和固定的分配策略，频谱资源没有得到充分利用。认知无线电(cr)是解决频谱紧急情况的一种有效技术，在物联网中有着广泛的应用。频谱感知作为认知无线电的关键技术之一，可以检测通信中的频谱空穴，从而有效地提高无线网络尤其是功率物联网中频谱的利用率。

频谱感知是指不断检测授权频段，判断频段是否被主用户占用，得到检测频段的使用情况。频谱感知就是为了找出频谱空穴，确保认知用户在不影响主用户正常通信的情况下使用空闲频段。随着认知无线电技术的不断演进，感知的方法也在不断改善。目前常用的感知技术可分为主用户发射端检测和主用户接收端检测。

发射端检测法提出较早，该技术发展较成熟、设计复杂度低、易实现，但是当无线环境中多径效应和阴影衰落较严重时，接收信号强度的降低将影响检测性能。感知模型可以表示成一个二元假设问题:h0表示在检测频段上主用户信号不存在的假设，h1表示在检测频段上主用户信号存在的假设。假定检测得到的统计量为yc，判决门限为λ，则判决准则为：h0:yc＜λ或h1:yc＞λ。频谱检测技术的检测性能常用四个概念来表示：检测概率pd、虚警概率pf、漏检概率pm和空闲概率pn。其中，检测概率和虚警概率在实际应用中常被用作检测性能的重要指标，接收机工作特性(receiveroperatingcharacteristic，roc)也由这两个概率表示。检测概率当然越高越好，但是它同时也代表了认知用户对授权用户的干扰程度，检测概率越高，干扰越大。虚警概率则代表了频谱的利用率，虚警概率越低，频谱利用率越高。

基于发射端检测的单用户感知技术又可分为能量检测、循环平稳滤波检测和匹配滤波检测。能量检测是应用最广泛的频谱感知方法，是一种非相干检测方法。能量检测首先对接收到的信号进行时域采样，经过fft运算后求取模值平方，累加平均后与判决门限进行比较。能量检测无需事前得知主用户信号的特征，是一种相对简单、易于实现的检测手段。由于在实际的认知无线电系统中，检测频段上的主用户信息通常都是未知的，能量检测由于适用于任何形式的信号检测而被广泛使用。同时，这种方法易受干扰的影响，当有不明信号干扰存在时，该方法容易做出错误判决导致检测性能降低。当信噪比较低时，噪声对最终的检测结果也会造成严重影响。能量检测采用非相干检测，因此对信噪比较低的微弱信号的检测性能较差。它通过能量检测得到的统计量和对噪声功率估值的比较来判定频段是否被占用，当信噪比较低时，实际噪声功率偏差易造成误判，导致最终检测性能的降低。

循环平稳滤波检测主要利用主用户信号的循环平稳特征，在非时变的平稳噪声环境下将信号和噪声分开。通过对信号的自相关特性的研究容易得到信号均值、自相关函数等随周期变化的特性，由于噪声不具备该特性，因此我们可以利用这种统计特性将信号和噪声分开，这种统计特性也称为循环平稳特性。循环平稳滤波检测的优点是可以分辨出噪声和信号，检测性能较高。同时，该方法的缺点也很明显，只能检测特定类型的信号，即只能检测具有循环平稳特性的信号，并且该方法检测时间长，计算复杂度较高。

匹配滤波检测则是需要预先知道主用户信号的结构特征，如脉冲波形、调制方式、数据包格式等，在接收端加上与主用户信号特征一致的滤波器，使得接收处信号的信噪比最大。匹配滤波检测是一种相干检测方法，具备匹配滤波器的功能，能够获得比能量检测或循环平稳滤波检测更高的检测性能。但是，它的缺点同样突出，认知用户需要事前知道主用户信号的先验信息，如果信息不准确，检测性能将会受到极大影响。由于它是一种相干检测方法，因此对相位同步有较高的要求。一个滤波器只能匹配检测对应的信号，当需要检测多种信号时，认知用户端需要大量的匹配滤波器，成本和复杂度都较高。

由认知用户是单用户还是多用户又可以将感知技术分为单用户感知和多用户协作感知。发射端检测和接收端检测均为单用户感知技术，然而实际通信场景中，很多因素诸如阴影衰落、多径衰落等都对频谱感知的性能产生影响。单用户的检测性能受到这些不利因素制约导致整个系统检测性能降低。协作频谱感知可有效降低这些不利因素产生的影响。协作频谱感知就是利用分集产生协作增益，进而提升整个系统的检测性能。目前的协作频谱感知技术研究多集中在利用空间分集，即分布在不同位置的认知用户进行协作感知。协作频谱感知在提高系统检测性能的同时，也产生了较高的复杂度及额外开销。

对于存在融合中心的协作频谱感知系统，融合中心将对得到的各感知数据进行融合判决。常用的硬判决融合准则有“或”、“与”、多数准则，还有最大后验概率融合准则、贝叶斯融合检测准则等。针对实际应用中的协作频谱感知，前人做了许多的工作。协作频谱感知技术还可以利用多个频段之间的协作，即将检测频段划分成多个子频段，每个子频段分别进行频谱感知，子频段之间协作感知的结果作为认知用户在该频段上的检测结果。

技术实现要素：

本发明的目的在于提供一种优化的物联网多频段协作频谱感知方法，利用实际环境中噪声的不确定性进行双阈值协作频谱感知，可有效提高频谱感知的性能。

为达到上述目的，本发明采用的技术方案如下：

本发明实施例提供一种优化的物联网多频段协作频谱感知方法，包括：

将被检测频段分为k个子频段；

对每个子频段统计能量感知统计量；

对每个子频段的能量感知统计量采用双阈值进行判定；

根据每个子频段的双阈值判定结果，向融合中心发送频谱感知结果，包括：

如果有超过设定个数的子频段的判定结果为主用户信号存在限，则认知用户判定检测频段主用户信号存在，向融合中心发送主用户信号存在的感知结果；

如果所有子频段的判定结果为主用户信号不存在，则判定检测频段主用户信号不存在，向融合中心发送主用户信号不存在的感知结果；

其余情形下，将所有子频段的能量感知统计量发送到融合中心进行融合；

融合中心根据融合结果给出判决结果。

进一步的，所述对每个子频段统计能量感知统计量，包括：

其中，xi,j为第i个认知用户检测第j个子频段的能量感知统计量，m为采样点数，xi,j(k)表示第i个认知用户检测第j个子频段在第k时刻接收到的信号。

进一步的，所述认知用户检测时接收到的信号计算如下：

其中，si,j(k)表示经无线信道衰减、延时及损耗后的主用户信号，ni,j(k)表示接收到的噪声信号，h0表示主用户信号不存在，h1表示主用户信号存在，l表示认知用户个数。

进一步的，所述双阈值确定为：

其中，λ1,i为第i个认知用户的最小门限，λ2,i为第i个认知用户的最大门限，q^-1(·)为高斯互补积分函数q(·)的反函数，m为采样点数，pf,i为误警概率，表示标准噪声功率，β为噪声不确定量。

进一步的，所述对每个子频段的能量感知统计量采用双阈值进行判定，包括：

如果检测的能量感知统计量大于最大门限λ2,i，则判定为主用户信号存在；

如果检测的能量感知统计量小于最小门限λ1,i，则判定为主用户信号不存在；

如果检测的能量感知统计量位于最大门限和最小门限之间，则不直接进行判决。

进一步的，设定如果有超过k/2个子频段的判定结果为主用户信号存在，则认知用户判定检测频段主用户信号存在。

进一步的，所述将所有子频段的能量感知统计量发送到融合中心进行融合，包括：

将所有的子频段检测能量感知统计量进行等增益融合；或者将所有大于最小门限的子频段检测能量感统计量进行等增益融合。

进一步的，所述融合中心采用基于最小总误差概率准则的软判决最优门限作为判决门限。

进一步的，所述基于最小总误差概率准则的软判决最优门限为：

其中，λopt为软判决最优门限，μ0和σ0分别为主用户不存在的均值和方差，μ1和σ1分别为主用户存在的均值和方差，p0为主用户不存在的概率，p1为主用户存在的概率。

本发明所达到的有益效果为：

本发明中融合中心对各认知用户的感知数据采用最大比合并，融合中心的判决门限采用基于最小误差概率准则下的软判决协作频谱感知最优门限，实现了基于双阈值和最优判决门限能量检测的协作频谱感知，软件仿真及实际频谱感知环境测试均表明检测性能得到了提升。

本发明中认知用户进行本地检测时将检测频段细分为几个子频段，每个子频段分别采用双阈值检测，各子频段检测结果融合后作为认知用户的本地感知结果发送到融合中心，再进行最终融合判决，多频段协同频谱感知可以有效地提高物联网中的感知性能，结果表明该方法具有较高的检测概率。

附图说明

图1为本发明中本地双阈值判决准则示意图；

图2为本发明中本地双阈值判决流程图；

图3为本发明中融合中心软判决方法流程图；

图4为本发明中检测频段被划分成k个子频段示意图；

图5为本发明中本地多频段协作频谱感知示意图；

图6为本发明中本地多频段协作频谱感知流程图；

图7为本发明实施例中本地全融合时两种方法的roc曲线图；

图8为本发明实施例中不同k值下mcsdo方法的roc曲线图；

图9为本发明实施例中不同协作感知方法下的roc曲线图。

具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明实施例提供一种优化的物联网多频段协作频谱感知方法，具体实施过程如下：

一、频谱感知建模

将物联网中单个节点能量检测的频谱感知，建模为一个二元假设问题：

其中，xi(k)表示第i个认知用户在第k时刻接收到的信号；si(k)表示经无线信道衰减、延时及损耗后的主用户信号；ni(k)表示接收到的噪声信号。h0表示主用户信号不存在，h1表示主用户信号存在，ni(k)和si(k)相互独立，l表示认知用户个数。

二、单节点频谱感知

基于单节点能量感知统计量的分析，计算单节点频谱感知的检测概率和误警概率，并得到优化的能量检测频谱感知判决门限。能量感知不需要预先知道主用户的任何信息且实现简单、复杂度低从而被广泛应用。

认知用户将感知时间内感知的信号能量与预先设定的判决门限进行比较，得到本地的感知结果。

能量感知统计量为：

其中，m为采样点数，xi为第i个认知用户在感知时间内所接收到的信号能量。当m足够大时，由中心极限定理可知，xi可近似为高斯分布：

其中，表示噪声功率，αi表示第i个认知用户的信噪比。将检测统计量xi与预先设置的判决门限λ进行比较，可以得到能量感知的检测概率pd,i和误警概率pf,i为：

其中，q(·)为高斯互补积分函数。

给定虚警概率，可求得判决门限为：

其中，q^-1(·)为q(·)的反函数。

三、基于双阈值和最优判决门限能量检测的协作频谱感知

本发明实施例提出了基于双阈值和最优判决门限能量检测的协作频谱感知方法，即csdo方法，并得到较高的检测概率和较低的误警概率。具体如下：

在实际的无线环境中，接收端的噪声不仅包含高斯白噪声，还包含了其他干扰噪声。虽然这些噪声混合之后的噪声功率随位置和时间随机变动，但接收端的噪声功率总体上是在一定范围内变动的。噪声功率的变动程度，称之为噪声的不确定度。由式(6)可见，本地判决门限直接和噪声功率有关，噪声功率动态变化时，将直接影响本地检测性能。具体表现为，没有主用户信号存在时，由于噪声功率的动态增大，可能会大于预设的门限，造成误判，即虚警概率升高；有主用户信号存在时，由于噪声功率的动态减小，可能小于预设的门限，即检测概率降低。当噪声的不确定度增大时，噪声功率对主用户信号的检测性能影响更大。因此，为降低噪声不确定度对检测性能的影响，利用噪声功率处于一个范围内，本地检测采用双门限检测。

定义噪声不确定区间，即：

其中，表示实际噪声功率，表示标准噪声功率，β为噪声不确定量，假设β的上边界为c(单位：db)，即系统存在的最大噪声不确定度，且10lgβ在[-c,c]上均匀分布。

根据噪声不确定性模型和能量检测固定虚警概率，检测双门限可以表示为：

硬判决是指认知用户通过检测统计量与预设单门限相比，判定主用户信号存在或不存在。

软判决是指认知用户的检测统计量处于预设双门限之间时，并不直接进行判决，而是将各检测统计量进行融合处理，最后再进行判决。

本发明实施例中，本地双门限判决准则如图1所示，当检测统计量位于不确定区域外时，直接采取硬判决，当检测统计量大于λ2，本地判为h1；当检测统计量小于λ1时，本地判为h0。当检测统计量位于不确定区域时，本地无法直接作出判决，因为无法辨别出此时的统计量是受主用户信号影响还是噪声波动的影响，因此，对这部分统计量的处理将直接影响到整体检测性能。本发明实施例中，选择将检测统计量发送到融合中心。

本地判决准则为：

其中，yi为第i个认知用户本地判决结果。

其中，yi为第i个认知用户本地判决结果。本地判决准则流程图如图2所示。

融合中心对这n个认知用户的检测统计量进行软判决，可看做对这n个用户进行一次单门限的软判决协作频谱感知。对需要进行软判决的n个检测统计量yi进行合并，如下式所示。

其中，wi为加权因子。

由式(3)可得yc在主用户不存在和主用户存在时的均值和方差：μ0、σ0、μ1、σ1。

基于最小总误差概率准则的软判决最优门限，可得总的误差概率pe最小：

pe＝p0pf+p1pm(12)

pm＝1-pd(13)

其中，p0为主用户不存在的概率，p1为主用户存在的概率，pm为漏检概率，则基于最小总误差概率准则的软判决最优门限λopt为：

将上述基于最小总误差概率准则的软判决最优门限用做融合中心软判决时的门限，提出csdo算法(cooperativespectrumsensingalgorithmbasedondouble-thresholdandoptimaldecisionthresholdenergydetection，基于双门限和最优判决门限能量检测的协作频谱感知算法)。为充分利用各认知用户的信息，本发明实施例中，融合中心将检测统计量进行最大比合并。融合中心软判决算法流程图如图3所示：

定义认知用户本地检测概率pd,i，本地虚警概率pf,i，本地漏检概率pm,i，本地空闲概率pn,i为：

pd,i＝p(xi＞λ2,i|h1)(15)

pf,i＝p(xi＞λ2,i|h0)(16)

pm,i＝p(xi＜λ1,i|h1)(17)

pn,i＝p(xi＜λ1,i|h0)(18)

得到系统的检测概率pd,csdo和虚警概率pf,csdo分别为：

四、基于双阈值和最优判决门限能量检测的多频段协作频谱感知

在csdo方法的基础上，提出基于双阈值和最优判决门限能量检测的多频段协作频谱感知方法，即mcsdo方法，并得到更高的检测概率和更低的误警概率。具体如下：

在各认知用户进行本地检测时，将被检测频段分为k个子频段如图4所示，各子频段分别进行基于噪声不确定度的双阈值能量检测，得到各子频段的检测结果，用xi,j表示第i个认知用户检测第j个子频段的能量感知统计量，计算方式与第二部分xi的计算方式相同。各子频段互不重叠，认知用户对各子频段分别进行双阈值能量检测，得到硬判决结果或检测能量感知统计量，对各子频段得到的硬判决结果，进行多频段联合判决，如图5所示。当检测能量感知统计量处于双阈值之间时，则与csdo方法相同，将检测的能量感知统计量发送到融合中心，由融合中心对这个认知用户的能量感知统计量进行软判决。在csdo方法的基础上，引入多频段协作感知，即基于双阈值和最优判决门限能量检测的多频段协作频谱感知。

对认知用户本地检测的多频段协作频谱感知得到的k个结果，采用以下准则：认知用户只对硬判决结果进行联合判决，联合判决采用“多数”判决准则。本地多频段协作频谱感知的流程图如图6所示：认知用户对各子频段分别进行双阈值能量检测，得到各子频段的检测能量感知统计量和硬判决结果；对各子频段得到的硬判决结果，有超过k/2个子频段的结果为信号检测统计量大于最大门限λ2时，认知用户判定检测频段主用户信号存在，向融合中心发送h1；当所有子频段的结果为信号检测统计量小于最小门限λ1时，即均判定主用户信号不存在时，向融合中心发送h0；除上述二种情况之外，其余情形下，认知用户需要对所有子频段的统计量进行融合，进而发送到融合中心，进行最终判决。

因为各子频段均属于同一认知用户，所以认为同一认知用户的所有子频段的信噪比相同，因此本发明对子频段信息融合时均采用等增益融合，提出以下两种本地融合方案：(1)将所有的子频段检测统计量进行等增益融合，称为认知用户本地全融合；(2)将所有大于λ1的子频段检测统计量进行等增益融合，称为认知用户本地部分融合。

实施例

本实施例中测得各认知用户的信噪比分别为：-1.39db、-0.95db、-1.29db，平均信噪比为-1.2db。整个多频段协作感知系统重复检测10000次。

当子频段数k为4，认知用户本地对检测统计量进行全融合时，本发明中所提的mcsdo方法对比csdo方法的接收机工作特性roc曲线(receiveroperatingcharacteristic)如图7所示。可以看出，mcsdo方法在实际应用中比csdo方法性能优越。如当虚警概率pf＝16.47％时，mcsdo方法的检测概率pd＝75.68％，csdo方法的检测概率pd＝51.12％，mcsdo方法的检测概率比csdo方法的检测概率高出了24.56％，在usrp上验证了认知用户本地对检测统计量进行全融合时mcsdo方法的优越性。这是因为多频段协作频谱感知的引入，使得认知用户本地的检测性能提高，即更低的虚警概率和更高的检测概率。

当子频段数k变化，本地采用全融合时，mcsdo方法的roc曲线如图8所示。当子频段数k降为1时，mcsdo方法即退化成csdo方法。由图8可以看出，随着子频段数k的不断增加，系统的检测性能也在不断提高。但是子频段数增加同时意味着认知用户本地的计算负载增加，感知时间增长，系统的吞吐量下降，因此实际应用中应根据要求选择合理的子频段数。

当子频段数k为4，认知用户本地对检测统计量进行部分融合时，mcsdo方法对比csdo方法的roc曲线如图9所示。可以看出，本地采用部分融合时，mcsdo方法的检测性能仍然优于csdo方法。如当虚警概率pf＝16.47％时，mcsdo方法采用部分融合时的检测概率pd＝96.3％，mcsdo方法采用全融合时的检测概率pd＝75.68％，csdo方法的检测概率pd＝51.12％。对比三者可以看出，无论在本地对检测统计量采用全融合还是部分融合，mcsdo方法的性能都明显优于csdo方法，其中，采用部分融合时的检测性能比采用全融合时的检测性能更加优越。这是因为部分融合时充分利用了各子频段双门限检测后的结果，提高了硬判决结果h1和软判决信息在融合中心最终判决中的影响，降低了硬判决结果h0对整体检测性能的影响。采用全融合时，只有超过一半的子频段判定主用户信号存在时，才会对最终的检测性能有所提高。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。