CN104038296A - 一种认知无线电网络的协作频谱检测方法 - Google Patents

Abstract

本发明公开了一种认知无线电网络的协作频谱检测方法，每个认知终端根据其接收信号y_i(t)感知主用户是否存在，得到感知结果f_i，根据认知终端的信噪比计算每个认知终端的信任度加权系数值w_i，再根据信任度加权系数值w_i对感知结果f_i进行加权，得到感知判决值F，当F≥0，主用户存在，进行认知信号识别，否则主用户不存在，不作任何操作；在认知信号识别中，每个认知终端根据其接收信号y_i(t)，得到识别结果，根据识别结果计算每个信号类型的似然函数值，其中最大似然函数值对应的信号类型即为主用户的信号类型。本发明将协作感知与认知信号识别相结合，减少协作频谱检测的复杂度，提高检测的有效性，并引入信任度加权系数值和最大似然估计算法，来提高协作频谱检测的性能。

Description

一种认知无线电网络的协作频谱检测方法

技术领域

本发明属于认知无线电网络技术领域，更为具体地讲，涉及一种认知无线电网络的协作频谱检测方法。

背景技术

研究表明，在当前的频谱授权政策下，很多授权频段上的频谱使用很稀疏，这引起了频谱资源的巨大浪费。由Mitola最初提出的认知无线电技术成为解决授权用户与非授权用户间的频谱利用率问题的一种有效方式。授权用户也称主用户，是相应授权频段的合法使用者。非授权用户，也称认知用户，采用机会频谱接入的方式来使用授权频谱。认知用户在不干扰主用户和邻近用户的情况下进行检测或使用授权频谱。因此，认知终端必须对周围环境进行持续的检测，具备感知主用户信号是否存在的能力。认知网络中心根据感知的频谱状态相应改变网络的参数来实现频谱的有效利用。实际通信环境下，认知无线电的商业与军事应用都较难获得信号的先验信息，认知信号识别技术成为区分接收信号类型的一种方法。一个理想的认知网络应该既可以进行盲检测又能实现信号类型的正确识别。所以，频谱感知和认知信号识别成为认知网络的两个关键技术。

能量检测、匹配滤波器检测与循环平稳特征值检测是单个认知终端频谱感知技术的三种基本方法。匹配滤波器检测和循环平稳特征值检测方法都需要主用户信号的先验信息。能量检测方法具有实现简单而且不需要任何主用户信号的先验信息的优点。在很多情景下，由于缺乏主用户信号的先验信息，能量检测作为最优选择方法进行感知。然而，受到多径衰落、阴影效应、隐藏终端的影响，单认知用户在很多情况下很难做出正确的判决。

图1是认知无电线协作感知模型示意图。如图1所示，为了提高频谱感知的可靠性，提出了协作频谱感知的方法，如“与”准则，“或”准则，“最优融合”准则等。在此基础上，出现了很多基于“软判决”的方法，如双门限和D-S证据理论在频谱感知技术中已得到广泛的应用。

认知信号识别是提高频谱利用率另一种技术。在军事和公共安全领域，认知终端在恶劣环境中容易受到敌对攻击和恶意干扰。信号调制识别是认知信号识别的很重要的一个方面，可以实现在无先验信息情况下信号类型识别。信号调制识别有两个方法：基于概率值的识别与基于特征值的识别。基于特征值的识别方法容易实现并可以达到较好的识别效果，得到广泛的应用。基于特征值的识别方法采用信号的统计值、高阶累计量、小波变换、循环平稳特征、星座图、零交织、随机变化等方法来区分不同类型的调制信号类型。

发明内容

本发明的目的在于克服现有技术的不足，提供一种认知无线电网络的协作频谱检测方法，将协作感知与认知信号识别相结合，减少协作频谱检测的复杂度，提高检测的有效性。

为实现上述发明目的，本发明认知无线电网络的协作频谱检测方法，其特征在于包括：

S1：第i个认知终端根据其接收信号y_i(t)感知主用户是否存在，其中i的取值范围为i＝1,2,...,N，N表示认知终端的数量，当主用户存在，记录感知结果f_i＝1，否则记录感知结果f_i＝-1；

计算认知终端的信任度加权系数值：

$w_i=\frac{{\mathrm{\γ}}_i}{\underset{i^{\′}=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\γ}}_{i^{\′}}}$

其中，γ_i为第i个认知终端的信噪比；

进行主用户是否存在的最终感知，计算感知判决值：

$F=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i{f}_i$

当F≥0，主用户存在，进入步骤S2进行信号识别，否则主用户不存在，不作任何操作；

S2：设置可能的信号类型Q_r，r的取值范围为r＝1,2,...,Z，Z表示信号类型数量，每个信号类型Q_r的出现概率相同；对每个认知终端的接收信号进行单认知信号识别，当得到的识别类型为Q_r时，即记识别结果u_i＝r；分别计算每个信号类型的似然函数值：

$p\left(d\right|Q_r)={\left(\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_n^2}\right)}^{N/2}\exp [-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\left(u_{i}r\right)}^2}{2{\mathrm{\σ}}_n^2}]$

其中，d表示所有认知终端的识别结果，表示AWGN信道中噪声的方差，exp表示e为底的指数函数；

得到的Z个似然函数值中最大值所对应的信号类型即为主用户的信号类型。

本发明认知无线电网络的协作频谱检测方法，每个认知终端根据其接收信号y_i(t)感知主用户是否存在，得到感知结果f_i，根据认知终端的信噪比计算每个认知终端的信任度加权系数值w_i，再根据信任度加权系数值w_i对感知结果f_i进行加权，得到感知判决值F，当F≥0，主用户存在，进行认知信号识别，否则主用户不存在，不作任何操作；在认知信号识别中，每个认知终端根据其接收信号y_i(t)，得到识别结果，根据识别结果计算每个信号类型的似然函数值，其中最大似然函数值对应的信号类型即为主用户的信号类型。

本发明在认知信号识别前先通过协作感知判断主用户是否存在，当主用户存在时，才进行认知信号识别，可以减少协作频谱检测的复杂度，提高检测的有效性。并且通过在协作感知中引入信任度加权系数值来提高感知准确率，在认知信号识别中采用最大似然估计算法来提高认知信号的识别准确率，从而提高认知无线电网张中协作频谱检测的性能，提供更加准确的检测结果。

附图说明

图1是认知无电线协作感知模型示意图；

图2是本发明认知无线电网络的协作频谱检测方法使用的系统模型。

图3是协作感知的具体实施方式示意图；

图4是双门限能量检测的示意图；

图5是认知信号识别示意图；

图6是单信号认知识别的流程示意图；

图7是本发明协作感知方法在不同数量认知终端下的工作特征曲线；

图8是本发明协作感知方法与对比算法的ROC曲线对比图；

图9是本发明单认知信号识别方法对四类信号的正确识别概率曲线图；

图10是不同数量认知终端在不同噪声方差条件下的错误识别率曲线图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图2是本发明认知无线电网络的协作频谱检测方法使用的系统模型。如图2所示，本发明认知无线电网络的协作频谱检测方法使用的系统模型包括两个主要模块：协作感知模块和认知信号识别模块。各认知终端得到本地感知结果后送入协作感知模块，协作感知模块判断主用户存在(判断结果为H₁)后，由认知信号识别模块进行认知信号识别。下面对两部分进行详细说明：

1)协作感知

S1.1：各认知终端进行分别感知：第i个认知终端根据其接收信号y_i(t)感知主用户是否存在，其中i的取值范围为i＝1,2,...,N，N表示认知终端的数量，当主用户存在，记录判决结果f_i＝1，记为H₁，否则记录判决结果f_i＝-1，记为H₀。

假定无线信道中只存在高斯信号，接收信号表示为：

H₀：y_i(t)＝n_i(t) (1)

H₁：y_i(t)A_i(t)·s_i(t)+n_i(t)

其中，A_i为信号增益，s_i(t)为主用户传送的信号，n_i(t)表示随机高斯白噪声。

图3是协作感知的具体实施方式示意图。如图3所示，本实施例中，采用双门限能量检测方法和D-S理论规则判决方法结合的方式得到各认知终端的感知结果，再通过基于信任度加权系数值的决策策略得到最终的感知结果。首先进行双门限能量检测。能量检测是各种频谱感知方法中简单而快速的方法，并应用于无主用户先验信息的检测。

接收信号的能量表示为：

$Y_e\left(i\right)=\underset{t=1}{\overset{2v}{\mathrm{\Σ}}}{\left|y_i\left(t\right)\right|}^2---\left(2\right)$

Y_e(i)可以用高斯分布来近似表示：

$H_0:Y_e\left(i\right)~N(2v{\mathrm{\δ}}_i^2,4v{\mathrm{\δ}}_i^4)$ (3)

$H_1:Y_e\left(i\right)~N(2v{\mathrm{\δ}}_i^2+{\left|A\left(i\right)\right|}^2{E}_s,4v{\mathrm{\δ}}_i^4+2{\left|A\left(i\right)\right|}^2{E}_s{\mathrm{\δ}}_i^2)$

其中，ν＝TW表示时间带宽积，T为信号持续时间，W为信号带宽，E_s为主用户信号能量，为随机高斯噪声n_i(t)的方差。

图4是双门限能量检测的示意图。如图4所示，预设置两个能量阈值η₀和η₁，η₁＞η₀，当Y_e(i)＜η₀，则判断主用户不存在，即f_i＝-1，当Y_e(i)≥η₁，则判断主用户存在，即f_i＝1，当η₀≤Y_e(i)＜η₁，无法直接确定感知结果，采用D-S证据理论规则判决方法进行判决。

D-S证据理论作为一种不确定推理方法，可以满足比贝叶斯概率更弱的条件，具备表达“不确定”和“不知道”的能力，在医学诊断、目标识别、军事指挥等方面得到了广泛的应用。因此，D-S证据理论很适合应用于双门限检测的不确定区域。下面对D-S证据理论进行简单说明：

D-S证据理论中Ω表示一个互斥完整假设集，称为识别域。基本概率指派m为一个从2^Ω到[0,1]的函数，满足：

$\left\{\begin{array}{c}m\left(\mathrm{\φ}\right)=0\\ \underset{A=\mathrm{\Ω}}{\mathrm{\Σ}}m\left(A\right)=1\end{array}\right.---\left(4\right)$

定义信任函数(bel(A))和似真函数(pl(A))来分别表示对某一假设的信任度和不否认程度：

$\mathrm{bel}\left(A\right)=\underset{B\⊆A}{\mathrm{\Σ}}m\left(B\right)$ (5)

$\mathrm{pl}\left(A\right)=\underset{A\∩B\≠\mathrm{\φ}}{\mathrm{\Σ}}m\left(B\right)$

m₁和m₂为Ω的两个相互独立的基本概率指派，可用D-S证据理论合并规则得到一个新的概率指派，表示为，

$m\left(A\right)=m_1\left(A_1\right)\⊕m_2\left(A_2\right)=\frac{\underset{A_1\∩A_2=A}{\mathrm{\Σ}}{m}_1\left(A_1\right)m_2\left(A_2\right)}{\underset{A_1\∩A_2\≠A}{\mathrm{\Σ}}{m}_1\left(A_1\right)m_2\left(A_2\right)}---\left(6\right)$

D-S证据理论的详细介绍可以参见：Glenn Shafer.A mathematical theory ofevidence.Peinceton,NJ:Princeton University Press,1976.

在本发明的应用场景中，可得到接收信号的概率指派为：

$\begin{array}{c}{m}_i\left(H_0\right)=P\{Y_e\left(i\right)<{\mathrm{\&eta;}}_0|H_0\}+P\{{\mathrm{\&eta;}}_0<Y_e\left(i\right)<{\mathrm{\&eta;}}_1\left|H_0\right\}\\ =\underset{-\&infin;}{\overset{{\mathrm{\&eta;}}_0}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{0i}}\exp (-{(x-u_{0i})}^2/{{\mathrm{\&sigma;}}_{0i}}^2)\mathrm{dx}+\underset{{\mathrm{\&eta;}}_0}{\overset{{\mathrm{\&eta;}}_1}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{0i}}\exp (-{(x-u_{0i})}^2/{{\mathrm{\&sigma;}}_{0i}}^2)\mathrm{dx}\\ =\underset{-\&infin;}{\overset{{\mathrm{\&eta;}}_1}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{0i}}\exp (-{(x-u_{0i})}^2/{{\mathrm{\&sigma;}}_{0i}}^2)\mathrm{dx}\end{array}$

$\begin{array}{c}{m}_i\left(H_1\right)=P\{Y_e\left(i\right)<{\mathrm{\&eta;}}_1|H_1\}+P\{{\mathrm{\&eta;}}_0<Y_e\left(i\right)<{\mathrm{\&eta;}}_1\left|H_1\right\}\\ =\underset{{\mathrm{\&eta;}}_1}{\overset{+\&infin;}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{1i}}\exp (-{(x-u_{1i})}^2/{{\mathrm{\&sigma;}}_{1i}}^2)\mathrm{dx}+\underset{{\mathrm{\&eta;}}_0}{\overset{{\mathrm{\&eta;}}_1}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{1i}}\exp (-{(x-u_{1i})}^2/{{\mathrm{\&sigma;}}_{1i}}^2)\mathrm{dx}\\ =\underset{{\mathrm{\&eta;}}_0}{\overset{+\&infin;}{\&Integral;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{1i}}\exp (-{(x-u_{1i})}^2/{{\mathrm{\&sigma;}}_{1i}}^2)\mathrm{dx}\end{array}$

其中，u_0i、σ_0i ²分别表示主用户不存在情况下接收信号Y_e(i)的均值和方差,u_1i,σ_1i ²分别表示主用户存在情况下接收信号Y_e(i)的均值和方差。在实际应用中，这两组数据可以经过统计得到。

记进入D-S理论规则判决的认知终端数量为K，由各个认知终端的接收信号概率指派得到融合结果：

$m(A=H_0)=\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;\&cap;A_K=H_0}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{K}{\mathrm{\&Pi;}}}{m}_n\left(A_n\right)}{1-\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;\&cap;A_K\&NotEqual;H_0}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{K}{\mathrm{\&Pi;}}}{m}_n\left(A_n\right)}---\left(9\right)$

$m(A=H_1)=\frac{\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;\&cap;A_K=H_1}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{K}{\mathrm{\&Pi;}}}{m}_n\left(A_n\right)}{1-\underset{A_1\&cap;A_2\&cap;\&CenterDot;\&CenterDot;\&CenterDot;\&cap;A_K\&NotEqual;H_1}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{K}{\mathrm{\&Pi;}}}{m}_n\left(A_n\right)}---\left(10\right)$

最终判断表达式可以表示为：

$m\left(H_1\right)\begin{array}{c}{H}_1\\ \&GreaterEqual;\\ <\\ H_0\end{array}m\left(H_0\right)---\left(11\right)$

即，当m(H₁)≥m(H₀)时，主用户存在，所有进入D-S理论规则判决的认知终端的感知结果f_i＝1，否则主用户不存在，所有进入D-S理论规则判决的认知终端的感知结果f_i＝-1。

S2.2：判决策略

在本发明中，对各个认知终端的感知结果采用信任度加权系数值和“拔河”准则进行信息的融合与判决。实际通信中，主用户信号会受不同的信道状态影响，不同的认知终端接收到的信号有不同的信噪比，信息融合时不同的信噪比有不同的信任度。本发明引入了一个基于不同认知终端信号比的信任度加权系数值w_i，定义为：

$w_i=\frac{{\mathrm{\&gamma;}}_i}{\underset{i^{\&prime;}=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_{i^{\&prime;}}}---\left(12\right)$

其中，γ_i为第i个认知终端的信噪比。

“拔河”准则将每个认知终端按照感知结果分成两队，判“1”的组成一队，判“-1”的组成另一队。结合式(12)得到的每个认知终端的信任度系数加权系数，两队中最终加权和较大的一队判决为获胜，可表示为，

$F=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_i{f}_i---\left(13\right)$

当F≥0，判“1”的一队获胜，判决主用户存在，接着对主用户信号进行信号识别，否则最终判决主用户不存在，不作任何操作，直接进行认知通信。

本判决策略并没有像传统方法中把每个认知终端的感知结果直接进行融合，而是考虑到了不同信噪比有不同的信任度贡献，用信任度加权系数值加权做出最终判决。

2)认知信号识别

如果检测到主用户信号存在，则开始执行认知信号识别。图5是认知信号识别示意图。如图5所示，本发明中认知信号识别包括两个步骤：单认知信号识别和全局决策。

S2.1：单认知信号识别

设置可能的信号类型Q_r，r的取值范围为r＝1,2,...,Z，Z表示信号类型数量，每个信号类型Q_r的出现概率相同；对每个认知用户的接收信号进行单认知信号识别，当得到的识别类型为Q_r时，即记识别结果u_i＝r。

本实施例中，设置认知环境中存在四种信号：ASK信号、FSK信号、PSK信号、QAM信号，可分别表示为：

$S_{\mathrm{ASK}}\left(t\right)=\left[\underset{k}{\mathrm{\&Sigma;}}{a}_{k}g(t-k{T}_s)\right]\cos \left(2\mathrm{\&pi;}{f}_{c}t\right)---\left(14\right)$

$S_{\mathrm{FSK}}\left(t\right)={\mathrm{AR}}_e[\underset{k}{\mathrm{\&Sigma;}}{e}^{j2\mathrm{\&pi;}{f}_c+f_{k}t}g(t-{\mathrm{kT}}_s)---\left(15\right)$

其中， $f_k[p-\frac{M-1}{2}]\mathrm{\&Delta;f},p=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,M-1;$

$S_{\mathrm{PSK}}\left(t\right)={\mathrm{AR}}_e[\underset{k}{\mathrm{\&Sigma;}}{m}_k{e}^{j2\mathrm{\&pi;}{f}_c+f_{k}t}g(t-{\mathrm{kT}}_s)---\left(16\right)$

其中， $m_k=\left[e^{j\frac{M-1}{2}}\right];$

$S_{\mathrm{QAM}}\left(t\right)={\mathrm{AR}}_e[\underset{k}{\mathrm{\&Sigma;}}{m}_k{e}^{j2\mathrm{\&pi;}{f}_c+f_{k}t}g(t-{\mathrm{kT}}_s)---\left(17\right)$

其中，m_k＝a_k+jb_k,a_k,b_k＝2p-M+1,p＝0,1,...M-1。j为虚数标识，A为幅度因子，f_k和m_k表示符号率，f_c为载波频率，k表示符号数，T_s表示符号间距，M表示调制阶数，Δf为频率间距，g(t)表示T_s时间段的单位脉冲。

图6是单信号认知识别的流程示意图。如图6所示，本实施例中，单信号认知识别包括以下步骤：

S2.1.1：小波变换

对第i个认知终端的接收信号y_i(t)进行小波变换，得到变换结果Y_i(ω)，如下式所示：

$Y_i\left(\mathrm{\&omega;}\right)=\mathrm{CWTF}(a,b)=\underset{R}{\&Integral;}{y}_i\left(t\right){\mathrm{\&psi;}}_{a,b}\left(t\right)\mathrm{dt}---\left(18\right)$

其中，CWTf(a,b)表示小波变换，ψ_a,b(t)表示小波基，a、b分别为缩放因子和平移因子，R为实数域。本实施例中，小波基采用Daubechies5的小波基 ${\mathrm{\&psi;}}_{a,b}\left(t\right)=\frac{1}{\sqrt{\left|a\right|}}\mathrm{\&psi;}\left(\frac{t-b}{a}\right),$ ψ(·)表示小波母函数。

S2.1.2：分数傅里叶变换

对小波变换结果Y_i(ω)进行分数傅里叶变换，得到变换结果f_i(u)：

$f_i\left(u\right)=\underset{-\&infin;}{\overset{+\&infin;}{\&Integral;}}{K}_p(u,\mathrm{\&omega;})Y_i\left(\mathrm{\&omega;}\right)\mathrm{d\&omega;}---\left(19\right)$

其中，K_p(u,ω)表示分数傅里叶变换的核函数，如下式所示：

$K_p(u,\mathrm{\&omega;})=\left\{\begin{array}{c}{A}_{\mathrm{\&alpha;}}\exp \left[\mathrm{j\&pi;}(u^2\cot \mathrm{\&alpha;}-2\mathrm{u\&omega;}\csc \mathrm{\&alpha;}+{\mathrm{\&omega;}}^2\cot \mathrm{\&alpha;})\right],\mathrm{\&alpha;}\&NotEqual;\mathrm{n\&pi;}\\ \mathrm{\&delta;}(u-\mathrm{\&omega;}),\mathrm{\&alpha;}=2\mathrm{n\&pi;}\\ \mathrm{\&delta;}(u+\mathrm{\&omega;}),\mathrm{\&alpha;}=2(n+1)\mathrm{\&pi;}\end{array}\right.---\left(20\right)$

其中，，α＝pπ/2，sgn(·)是符号函数，δ(·)为脉冲函数，p表示分数傅里叶变换的阶次。在实际应用中，核函数也可以根据需要进行选择。

S2.1.3：信号分类

将分数傅里叶变换的结果f_i(u)进行归一化处理，预先根据信号类型设定分类阈值，将归一化处理后的值与分类阈值比较，判定信号类型。同时可以根据判定的复杂度情况反向改善阈值的设定，让阈值设定更合理。通信环境好的时候阈值可以设定低一些，通信环境恶劣时阈值设定高一些，从而提高识别概率。当得到的识别类型为Q_r时，即记识别结果u_i＝r。

本实施例中单认知信号识别的具体过程可以参见Jian Liu,Qiang Luo,“Anovel modulation classification algorithm based on Daubechies5 wavelet andFractional Fourier transform in cognitive radio,”IEEE International Conference onCommunication Technology,pp115-120,2012.

S2.2：全局决策

受到不同信道影响，单认知信号识别很可能得到错误的识别结果。因此，本发明提出了一个分布式的场景进行全局决策，每个认知终端的识别结果u_i采用最大似然估计方法得到全局决策结果U。对最大似然估计的原理进行简单说明：

假设(0,T)上有Z中可能的结果：Q₁,Q₂,...,Q_Z，相应的判决域也分为并满足

则有：

$P\left(Q_r\right|d)=\frac{P\left(Q_r\right)}{P\left(d\right)}P\left(d\right|Q_r)---\left(21\right)$

其中，d表示当前事件，即所有认知终端的识别结果，r的取值范围为r＝1,2,...,Z。当P(Q_r|d)的值最大时，取对应的Q_r为最终判决结果。即 $P\left(Q_r\right|d)=\frac{P\left(Q_r\right)}{P\left(x\right)}P\left(d\right|Q_r)=\max$ 时，判决Q_r成立。

假定每种假设出现的概率相同即：

P(Q₁)＝P(Q₂)＝...＝P(Q_M)＝P(＝1M) (22)

那么当P(d|Q_r)最大时，P(Q_r|d)即最大。

本发明中，假定信道为AWGN信道，即高斯噪声Z即为信号类型的数量。

每种信号类型的似然函数为：

$p\left(d\right|Q_r)={\left(\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_n^2}\right)}^{N/2}\exp [-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{(u_i-r)}^2}{2{\mathrm{\&sigma;}}_n^2}]---\left(23\right)$

其中，exp表示e为底的指数函数。得到的Z个似然函数值中最大值所对应的信号类型即为主用户的信号类型。由于本发明只需要比较似然函数值的大小，因此在实际应用中，不需要得到高斯白噪声的方差即可进行比较。

为了说明本发明的效果，对本发明所提出的认知无线电网络的协作频谱检测方法进行了实验仿真验证。假定认知环境中至多存在一个授权用户信号，仿真中设置了四个信号类型：2ASK、2FSK、BPSK、16QAM。仿真条件：信号符号率40Kb/s，采样频率800KHz，载频100KHz。仿真分为了两个部分：协作感知仿真的认知信号识别仿真。

1)协作感知仿真

协作感知中，假设只有一个认知处理中心，并且不参与感知。本仿真中，采用双门限能量检测和D-S证据理论判决方法结合的方式得到每个认知终端的感知结果，再根据信任度加权系数值和拔河准则获得最终感知结果。

在AWGN信道下，采用不同数量的认知终端对本发明的协作感知方法进行仿真，认知终端数量分别为：信噪比为-2dB、-4dB、-5dB、-6dB、-7dB的五认知终端，-2dB、-5dB、-6dB的三认知终端与信噪比为-4dB的单认知终端。图7是本发明协作感知方法在不同数量认知终端下的工作特征曲线。如图7所示，在认知终端数达到五个时，本发明的协作感知方法的感知性能(即检测的正确概率)已经可以达到较为理想的水平。

采用五个信噪比为-2dB、-4dB、-5dB、-6dB、-7dB的认知终端，采用本发明协作感知方法和三种对比算法进行对比仿真，三种对比算法分别为D-S证据理论规则、“与”规则、“或”规则。图8是本发明协作感知方法与对比算法的ROC曲线对比图。如图8所示，本发明协作感知方法的感知性能明显优于其他三种对比算法。

2)认知信号识别

在认知环境中设置主用户，即认知环境中存在主用户信号，对接收到的信号进行认知信号识别。

图9是本发明单认知信号识别方法对四类信号的正确识别概率曲线图。如图9所示，在在-10dB信噪比情况下，几种信号的正确识别率都可以达到较为良好的水平。可见本发明中使用的小波变换和分数傅里叶变换结合的单认知信号识别方法可以达到很好的识别效果。

混淆矩阵也可以用来直观的表示识别效果，主对角线上的数值代表信号的正确识别率。表1是在信噪比为-5dB情况下各个信号的正确识别率。

信号类型	2ASK	2FSK	BPSK	16QAM
					2ASK	98.9％	0	0	0
2FSK	0	82.3％％	0.3％	5.4％
					BPSK	0	2.5％	97.1％	0.4％
16QAM	1.4％	3.6％	2.7％	94.2％

表1

根据所有认知终端的单认知信号识别结果，采用全局决策得到最终识别结果。图10是不同数量认知终端在不同噪声方差条件下的错误识别率曲线图。如图10所示，本发明提出的分布式判决方法，认知终端数量越多，错误识别率越小。表2是信噪比为-2dB、-4dB、-5dB、-6dB、-7dB的五个认知终端在高斯噪声标准差σ＝0.125的情况下信号的识别概率。

信号类型	2ASK	2FSK	BPSK	16QAM
					2ASK	99.3％	0	0	0
2FSK	2.1％	88.7％	0.2％	1.7％
					BPSK	0.1％	0	98.6％	0.6％
16QAM	0	0.3％	1.2％	98.2％

表2

通过以上仿真可以看出，本发明认知无线电网络的协作频谱检测方法可以较为准确地检测主用户的存在和信号类型。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种认知无线电网络的协作频谱检测方法，其特征在于，包括以下步骤：

S1：第i个认知终端根据其接收信号y_i(t)感知主用户是否存在，其中i的取值范围为i＝1,2,...,N，N表示认知终端的数量，当主用户存在，记录感知结果f_i＝1，否则记录感知结果f_i＝-1；

计算认知终端的信任度加权系数值：

$w_i=\frac{{\mathrm{\&gamma;}}_i}{\underset{i^{\&prime;}=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_{i^{\&prime;}}}$

其中，γ_i为第i个认知终端的信噪比；

进行主用户是否存在的最终感知，计算感知判决值：

$F=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_i{f}_i$

当F≥0，主用户存在，进入步骤S2进行信号识别，否则主用户不存在，不作任何操作；

S2：设置可能的信号类型Q_r，m的取值范围为r＝1,2,...,Z，Z表示信号类型数量，每个信号类型Q_r的出现概率相同；对每个认知终端的接收信号进行单认知信号识别，当得到的识别类型为Q_r时，即记识别结果u_i＝r；分别计算每个信号类型的似然函数值：

$p\left(d\right|Q_r)={\left(\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_n^2}\right)}^{N/2}\exp [-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{\left(u_{i}r\right)}^2}{2{\mathrm{\&sigma;}}_n^2}]$

其中，d表示所有认知终端的识别结果，表示AWGN信道中噪声的方差，exp表示e为底的指数函数；

得到的Z个似然函数值中最大值所对应的信号类型即为主用户的信号类型。

2.根据权利要求1所述的协作频谱检测方法，其特征在于，所述步骤S1中感知主用户是否存在的方法为：

计算接收信号y_i(t)的能量Y_e(i)，采用双门限能量检测进行主用户感知：预设置两个能量阈值η₀和η₁，η₁＞η₀，当Y_e(i)＜η₀，则感知结果f_i＝-1，当Y_e(i)≥η₁，则感知结果f_i＝1，当η₀≤Y_e(i)＜η₁，进入D-S证据理论规则判决；D-S证据理论规则判决方法为：分别计算Y_e(i)的概率指派m_i(H₀)和m_i(H₁)，H₀表示主用户不存在，H₁表示主用户存在，将所有进入D-S理论规则判决的认知终端的概率指派进行融合，得到融合结果m(H₀)和m(H₁)，当m(H₁)≥m(H₀)时，主用户存在，所有进入D-S理论规则判决的认知终端的感知结果f_i＝1，否则主用户不存在，所有进入D-S理论规则判决的认知终端的感知结果f_i＝-1。

3.根据权利要求1所述的协作频谱检测方法，其特征在于，所述步骤S2中单认知信号识别的方法为：

对第i个认知终端的接收信号y_i(t)进行小波变换，得到变换结果Y_i(ω)，对Y_i(ω)进行分数傅里叶变换，得到变换结果f_i(u)，将分数傅里叶变换的结果f_i(u)进行归一化处理，预先根据信号类型设定分类阈值，将归一化处理后的值与分类阈值比较，判定信号类型。