基于数据筛选算法的协作频谱检测系统

王海艳，杨春雨，郭 敏

(1.吉林省军区通信站，长春130011;2.吉林大学通信工程学院，长春130012)

0 引 言

作为认知无线电通信的关键技术之一，频谱检测技术［1-7］被广泛应用于无线局域网络(WLAN:Wireless Local Area Networks)、无线区域网络(WRAN:Wireless Regional Area Network)、超宽带无线电(UWB:Ultra Wideband)、无线网格网络(Mesh)以及多入多出(MIMO:Multiple-Input Multiple-Output)系统等多种技术。在频谱检测系统中，可靠检测概率需达到90%［8］以上，但由于阴影、衰落以及噪声的不确定性等因素的影响，单节点检测具有很大的局限性，而协作频谱检测不但能降低对认知设备的要求，而且减弱了多径衰落对接收信号的影响，因此更能满足频谱检测要求的可靠性和有效性。目前，协作频谱检测系统面临各种技术难题，如隐藏终端问题、检测时延问题、能量阈值的设置和恶意节点的检测等，这些问题与系统的检测性能密切相关。笔者选择隐藏终端问题作为相关研究的切入点进行研究。

由于传输信道中存在很多不利于无线信号传输的因素，例如，高大建筑物、山脉和树林等，因此，无线信号在传输过程中时常会经历不同程度的衰减，甚至产生畸变。当检测环境中存在严重衰落或阴影效应时，某些认知用户会接收到较弱信号或接收不到信号，很容易做出主用户信号不存在的判决并接入相应频段，从而对主用户造成有害干扰，这就是隐藏终端问题。可见，隐藏终端问题严重影响频谱检测系统的可靠性，其相关研究具有重要意义。

1 数据筛选算法

笔者提出一种数据筛选算法以实现从众多检测数据中选择出少数可信度较高的认知用户代替所有认知用户参与协作检测。由于UWB技术已经可以实现认知用户的高分辨率定位，因此，假设:认知用户与主用户之间的距离值Di(i为认知用户的编号)为已知，认知用户数目足够多(≥10)且认知用户之间可以进行双向通信，认知用户均匀分布在主用户附近。

在不存在严重干扰的无线信道中，认知用户i接收信号的衰落幅度与Di之间存在正相关关系，而且，当存在严重的隐藏终端问题时，认知用户的接收能量较小，为此，笔者提出图1所示的数据筛选算法。图1中，Dmax、Dmin、Emax和Emin分别表示所有认知用户对应的距离值与能量值的最大值和最小值。图1中的大矩形区域被(Dmax+Dmin)/2和(Emax+Emin)/2等分为 A、B、C、D 4个小矩形区域，其中，A区域表示距离较近且检测能量较大的认知用户集合，该区域在某种程度上可视为主用户信号在较为理想的信道中正常传输的情况;B区域表示距离较远且检测能量较小的认知用户集合，具体包括信道条件一般的认知用户以及存在隐藏终端问题的认知用户;C区域表示距离较近但检测能量较小的认知用户集合，该区域对应距离较近但存在严重隐藏终端问题的认知用户;D区域表示距离较远但检测能量较大的认知用户集合，该区域对应认知用户存在的可能性几乎为零。显然，A区域对应认知用户的检测信息更能如实反映主用户信号的存在状态且不受隐藏终端问题的影响，因此，选用A区域对应的认知用户作为最佳信息集合参与判决融合。

图1 数据筛选算法示意图Fig.1 The schematic diagram of data screening algorithm

2 协作频谱检测系统

基于数据筛选算法的协作频谱检测系统流程图如图2所示。首先，主用户信号通过叠加有高斯噪声的无线衰落信道到达认知用户;并对每个认知用户的接收信号依次进行模数转换、平方求和，得到对应的能量值Ei;根据Di和Ei间的关系，对所有认知用户进行数据筛选生成最佳信息集合并传送至信息融合中心;最后，信息融合中心通过权值合并的方式对筛选后的信息进行融合判决。笔者将对系统中的重要环节进行详细描述。

图2 基于数据筛选算法的协作频谱检测系统框图Fig.2 The diagram of cooperative spectrum detection system based on data screening algorithm

2.1 二元检测模型及能量值计算

在图2中，总数为M的认知用户(Ci(i=1，2，…，M)表示第i个认知用户)同时检测主用户信号的存在状态，H0表示主用户信号未出现在相应频段，H1表示主用户信号出现在相应频段。主用户信号的存在与否，与该频段被占用与否是相互对应的，因此，二元检测模型将频谱检测问题转换为信号处理问题，即频谱检测过程中只需判断接收信号中是否存在主用户信号。第k个时段的二元检测模型可以表示为

其中xi(k)为第i个认知用户的接收信号，k=1，2，…，N表示采样点数，由时间带宽乘积确定，s(k)为主用户信号，vi(k)为均值为零的加性高斯白噪声，即，方差向量记作表示主用户信号在传输过程中受到的噪声影响。不失一般性，假设{vi(k)}与s(k)相互独立，且各认知用户接收信号的信噪比相互独立。信道增益hi表示主用户信号的衰减系数，且每个检测周期内hi值保持不变。

第i个认知用户接收信号的能量值为

2.2 权值合并及融合判决

在图2中，μi(i=1，2，…，L，L为数据筛选后剩余节点的数量)表示数据筛选后剩余节点的能量值，根据中心极限定理可知，当样本点个数N足够大(实际取值大于等于10)时，检测统计量{μi}近似服从正态分布，即 μi～N［Eμi，Var(μi)］，均值 Eμi和方差 Var(μi)的表达式分别为

其中ηi为第i个认知用户的本地信噪比，Es为每个检测周期内N个样本序列的能量值。

为实现多个认知用户的协作检测，需要将检测统计量{μi}通过叠加有信道噪声{ni}的控制信道传送到融合中心，融合中心的接收信号为

在融合中心处，{yi}与权值变量w的乘积即为检测系统的全局统计变量

其中w为最优权值向量，表达式为

记pf为恒虚警概率准则下的虚警概率，则判决阈值γc和协作频谱检测方案的检测概率Pd分别为

其中

其中δ为第i个认知用户对应的信道噪声的方差，g为信道增益幅度平方矩阵的转置

3 实验结果与分析

基于线性加权的3种频谱检测算法的性能比较曲线如图3所示。由图3可知，最优权值合并算法［9，10］的检测概率相对基于信噪比(SNR:Signal to Noise Ratio)比较算法有显著提高，这是因为最优权值合并算法采用的权值向量(又称最优权值向量)更能如实反映各认知用户的可信度。笔者所提算法成功地将最优权值合并算法及数据筛选算法融合到同一个频谱检测系统中，检测概率相对最优权值合并算法又有了很大提升。

数据筛选技术对检测性能的影响如表1所示。表1为图3提供了理论支持:改进算法提高了融合信息的质量，系统检测概率理应有所提高。

随着UWB定位技术的不断发展，当定位技术发展较为成熟时，检测时延的总体变化趋势是缩短的，系统的实时性也会得到改善。

理论分析与实验仿真结果表明，笔者所提算法的检测概率相对最优权值合并算法以及基于信噪比比较算法均有显著提升，而且所提算法在实时性方面还有很大发展空间。此外，UWB定位技术与CR频谱检测技术的结合应用有助于精简感知信息，提高判决信息质量，从而改善UWB-CR系统的频谱检测性能。因此，数据筛选算法在促进UWB系统和CR系统的相互融合方面具有重要意义。

图3 基于线性加权的算法检测性能比较曲线Fig.3 The contrast curves of detection performance based on linear weighting algorithm

表1 UWB定位技术和数据筛选算法对检测系统的影响Tab.1 The influence of UWB positioning technology and data screening algorithm to detection system

4 结语

笔者将数据筛选算法融入到线性权值合并算法中，并提出了对应的协作频谱检测系统框图。针对所提算法，笔者进行了与两种传统的线性合并算法的对比分析，仿真结果表明，笔者所提算法明显提高了系统的检测概率，而且随着定位技术的不断发展，频谱检测系统的实时性也会得以改善。

［1］马志垚，陈巍，曹志刚.认知无线电网络中基于检测概率的主用户定位算法［J］.北京邮电大学学报，2009，32(2):14-19.MA Zhiyao.CHEN Wei，CAO Zhigang.Analysis on Detection Probability Based Primary User Localization Algorithm in Cognitive Radio Networks［J］.Journal of Beijing University of Posts and Telecommunications，2009，32(2):14-19.

［2］HAYKIN S.Cognitive Radio:Brain-Empowered Wireless Communications［J］.IEEE JSAC，2005，23(2):201-220.

［3］LIANG Z，FENG S，ZHAO D，et al.Delay Performance Analysis for Supporting Real-Time Traffic in a Cognitive Radio Sensor Network ［J］.IEEE Transactions on Wireless Communications，2011，10(1):325-335.

［4］CHRISTOPHER CLEMENT J，KISHORE V KRISHNAN.Cognitive Radio:Spectrum Sensing Problems in Signal Processing［J］.International Journal of Computer Applications，2012，40(16):37-40.

［5］LI Q，LI Z.A Novel Sequential Spectrum Sensing Method in Cognitive Radio Using Suprathreshold Stochastic Resonance［J］.IEEE Transactions on Vehicular Technology，2014，63(4):1717-1725.

［6］LIN Youen，LIU Kunhsing，HSIEH HUNGYUN.On Using Interference-Aware Spectrum Sensing for Dynamic Spectrum Accessin Cognitive Radio Networks［J］.IEEE Transactions on Mobile Computing，2013，12(3):461-474.

［7］TREEUMNUK，POPESCU D C.Enhanced Spectrum Utilisation in Dynamic Cognitive Radios with Adaptive Sensing［J］.Signal Processing，IET，2014，8(4):339-346.

［8］FCC.Spectrum Policy Task Force Report［R］.Washington:Report of the Spectrum Efficiency Working Group，2002.

［9］郑轶，谢显中，杨黎丽.基于SNR比较的认知无线电协作频谱检测技术［J］.电讯技术，2009，49(8):13-16.ZHENG Yi，XIE Xianzhong，YANG Lili.Cooperative Spectrum Sensing Based on SNR Comparison for Cognitive Radio［J］.Telecommunication Engineering，2009，49(8):13-16.

［10］ZHI Quan，CUI Shuguang，ALI H SAYED.Optimal Linear Cooperation for Spectrum Sensing in Cognitive Radio Networks［J］.IEEE Journal of Selected Topics in Signal Processing，2008，2(1):28-40.