一种基于分层狄利克雷过程的智能频谱感知方法

摘要

本发明涉及一种基于分层狄利克雷过程的分布式协作频谱感知方法。具体为：利用感知数据的统计特性，首先对次要用户的感知数据进行自动分组，然后在每个分组内进行数据融合，从而挖掘出网络中的异构频谱；此外，针对该频谱感知方法的实施，提出了一种简洁高效的分布式信息交换方案，即簇内信息交换和簇间信息交换，并给出了所需交换的最简洁信息。

主权项

基于分层狄利克雷过程的智能频谱感知方法，其特征在于具体步骤如下：(1)数据获得：将无线电网络中用户分为主要用户和次要用户，所有次要用户组成一个基于分簇的网络拓扑结构，根据通信能力的强弱，选出簇头，采用分层狄利克雷过程作为非参数贝叶斯学习模型，将具有共同稀疏频谱状态的感知数据分到同一组中，实现自动感知数据的分组；使每个簇头向簇内所有将执行同步频谱数据采样的节点广播感知要求；所述采样的节点为同簇内所有次要用户；(2)簇内数据融合：将所有簇内节点的广播感知结果作为一个本地的临时的融合结果，簇头收集各个SU的信道状态参数以及本地的临时的融合结果；簇头通过广播临时的融合结果至相邻簇头以实现簇间的信息交换；并且现有的簇头与其他簇头共享所述广播感知信息；(3)簇间的数据融合：簇头间交换他们的本地融合结果，为汇合成一个最佳的、异构的频谱感知决定；(4)通过分布式信息交换协议，重复数次步骤(2)和(3)，通过多轮的分布感知信息交换，融合结果将会收敛到一个稳定的值，从而可以得到对信道状态参数的估计值；在每一次循环中，分别完成对每个簇j(j＝1,2,...,J)的以下操作；首先，从其他簇中收集频谱感知信息及其之前的信道状态分配结果，即获取$\{S\left(j\right),\underset{j\in S\left(j\right)}{\Sigma }{m}_{jk},({a^{\prime }}_k,{b^{\prime }}_k)|k=1,2,...,K\};$对中间的过渡分布抽样，其中β～Dir(m_·1,m_·2,...,m_·K,γ)      (13)a'_k,b'_k是观察值所服从分布的参数；为实现簇内信息共享，对簇j中的每一个观察值X^ji,i＝1,2,...,N_j，顺序执行以下四个子步骤；第一步，减少并且将X^ji从缓存的信道状态数据中移除，替以当前的信道状态分配z_ji＝k：其中表示簇j中，信道状态分配为z_ji的观察值数目，表示从集合中减去本观察值；第二步，对K个已经存在的信道状态，计算：$f_k\left(X^{ji}\right)=\frac{{\mathrm{\alpha \beta }}_k+n_{jk}}{\alpha +N_j-1}·p(X^{ji};{a^{\prime }}_k,{b^{\prime }}_k),k=1,2,...,K---\left(15\right)$其中p(X^ji；a'_k,b'_k)是式(9)中的似然函数；$\begin{array}{c}p\left(X;a_k,b_k\right)=\int p\left(X/\lambda \right)p\left(\lambda \right)d\lambda \\ =\underset{k=W_{L}T/\pi }{\overset{W_{H}T/\pi }{\Pi }}Lo\max \left(X\left(k\right);b_k,a_k\right)\\ =\underset{k=W_{L}T/\pi }{\overset{W_{H}T/\pi }{\Pi }}CG\left(X\left(k\right);\kappa =1,a_k,b_k\right)\end{array}---\left(9\right);$同时确定新状态K+1的概率$f_{K+1}\left(X^{ji}\right)=\frac{{\mathrm{\alpha \beta }}_{\tilde{k}}}{\alpha +N_j-1}·p(X^{ji};{a^{\prime }}_{K+1},{b^{\prime }}_{K+1}),$其中${\beta }_{\tilde{k}}=\underset{k=K+1}{\overset{\infty }{\Sigma }}{\beta }_k;$第三步，抽样以获得新的状态类型z_ji，其中，$z_{ji}~\underset{k=1}{\overset{K}{\Sigma }}{f}_k\left(X^{ji}\right)\delta (z_{ji},k)+f_{K+1}\left(X^{ji}\right)\delta (z_{ji},K+1)---\left(16\right)$最后，增加并将X^ji作为新的状态类型z_ji＝k加入缓存的信道状态统计值：$({a^{\prime }}_k,{b^{\prime }}_k)\leftarrow ({a^{\prime }}_k,{b^{\prime }}_k)\oplus X^{ji}---\left(17\right)$在完成簇内信息共享后，接着执行对辅助变量m的抽样，对簇j中的每一个信道状态k＝1,2,...,K，令m_jk＝0,n＝0；对簇j中的观察值X^ji，先确定一种状态k，循环n＝0,1,...,n_jk‑1，根据以下分布对x抽样：$x~Ber\left(\frac{{\mathrm{\alpha \beta }}_k}{n+{\mathrm{\alpha \beta }}_k}\right)---\left(18\right)$逐个增加n，如x＝1则对m_jk加1；为了实现簇间信息共享，需要压缩封装其中S(j)是所收到的相邻簇的序号信息的集合，包括簇j，即j∈S(j)；在达到预设的循环次数的上界后就可以用参数(a'_k,b'_k),k＝1,2,...,K更新每个信道的伽马分布的参数λ^ji；之后根据式(8)来估算接收信号的功率，即(1/λ_k)，它可以直接反映信道状态；$(1/{\lambda }_k)|{\left\{X\left(k\right)\right\}}_n=E[(1/{\lambda }_k)\left|{\left\{X\left(k\right)\right\}}_n\right]=\frac{{b^{\prime }}_k}{{a^{\prime }}_k-1}---\left(8\right)$其中代表X(k)的n个观测值的均值，(1/λ_k)表示信道状态参数的贝叶斯估计；最后的二进制信道状态(即可用或禁用)的确定是通过将贝叶斯估计结果(1/λ_k)与门限值比较来获得；具体为以下判决分支结构；若(1/λ_k)＜门限，则判断PU关机；否则判断PU开机；(1/λ_k)和门限值都为向量，需要对每个信道单独比较(1/λ_k)和门限值。