基于能量有效的多任务贝叶斯压缩感知宽带频谱检测方法

摘要

本发明公开了一种基于能量有效的多任务贝叶斯压缩感知宽带频谱检测方法。本发明方法针对认知无线网络中主用户信号在空频域的稀疏性，基于贝叶斯压缩感知的信号重构通过层次化贝叶斯分析分级先验模型获得稀疏信号估计。利用多认知用户感知信号的时空相关性实现在多用户多任务传输条件下的稀疏信号重构与宽带压缩频谱检测。认知基站通过基于期望最大化算法和相关向量机模型进行多任务贝叶斯压缩感知参数估计。在满足一定检测性能和贝叶斯压缩感知重构均方误差的条件下，实现节点感知能耗最小化。本发明方法有效保障了多节点多任务宽带频谱检测的节点能量有效性。

主权项

基于能量有效的多任务贝叶斯压缩感知宽带频谱检测方法，其特征在于，该方法的具体步骤是：步骤(1)认知用户本地频谱感知：根据主用户PU在授权频谱上接入行为的不同，主用户PU的信号在空频域具有稀疏性，认知用户SU的感知参数随着主用户PU接入的变化而变化；认知用户SU通过低速采样获取观测数据进行本地频谱感知，并通过报告信道向认知基站CBS报告本地感知信息，认知基站利用贝叶斯压缩感知方法重构主用户PU宽带信道上的功率谱，实现在主用户PU宽带信道上的频谱检测；其具体方法是：主用户发射机PUT与主用户接收机PUR利用授权频谱进行通信，K个认知用户SU对主用户PU频谱占用情况进行本地感知，并选择最佳认知用户SU，利用最佳认知用户SU的报告信道向认知基站CBS汇报本地感知信息，认知基站CBS基于多任务贝叶斯压缩感知BCS进行信息融合与感知信号稀疏重构，然后根据信道能量累积进行在主用户PU宽带信道上的频谱检测；在t时刻，第k个认知用户SU进行本地频谱感知信号为$x_{{\mathrm{CR}}_k}\left(t\right)=\left\{\begin{array}{cc}{h}_k{x}_{\mathrm{PUT}}\left(t\right)+n_k\left(t\right),& H_1\\ n_k\left(t\right),& H_0\end{array}\right.;$其中，h_k表示第k个认知用户SU的感知信道增益，x_PUT(t)表示在_t时刻主用户发射机PUT的发射信号，n_k(t)表示感知信道的加性高斯白噪声，H₁和H₀分别表示主用户发射机PUT存在和不存在的两种假设；步骤(2)认知基站对感知信号进行统一观测：记L组长度为N的原始信号{x_i}_{i＝1,2,…,L}，把这些信号映射到L组M_i×1维的观测向量{y_i}_{i＝1,2,…,L}，映射的观测矩阵为其中R为实数集合；原始信号{x_i}_{i＝1,2,…,L}在变换基Ψ上稀疏表示为{s_i}_{i＝1,2,…,L}，则y_i＝Φ_ix_i+E_i＝Φ_iΨ_is_i+E_i＝Θ_is_i+E_i,i＝1,2,…,L其中Θ_i表示第i个重构任务压缩感知矩阵，每一个由观测向量y_i恢复得到信号x_i的过程称为第i个重构任务；步骤(3)通过观测向量采用贝叶斯压缩感知方法进行感知参数估计；所述的贝叶斯压缩感知方法为期望最大化方法或相关向量机模型方法；步骤(4)认知基站基于贝叶斯压缩感知BCS进行稀疏重构和宽带频谱检测：在获得稀疏重构估计向量s＝{s_i}_{i＝1,2,…,L}后，得到原始多任务信号x的估计值x^*＝ψs；当节点感知信道为瑞利衰落信道时，宽带压缩频谱检测的判决门限λ为对于重构信号x^*，归一化重构均方误差MSE为：$\mathrm{MSE}=10\lg \left[E\left(\frac{{\left|\right|x^{*}-x\left|\right|}_2^2}{{\left|\right|x\left|\right|}_2^2}\right)\right]\left(\mathrm{dB}\right)$认知基站进行宽带压缩频谱检测得到平均检测概率Pr_d为：${\mathrm{Pr}}_d=\mathrm{Pr}(Y>\lambda |H_1)=e^{-\frac{\lambda }{2}}\underset{p=0}{\overset{u-2}{\Sigma }}\frac{1}{p!}{\left(\frac{\lambda }{2}\right)}^p+{\left(\frac{1+\gamma }{\gamma }\right)}^{u-1}[e^{-\frac{\lambda }{2(1+\lambda )}}-e\underset{p=0}{\overset{u-2}{\Sigma }}\frac{1}{p!}{\left(\frac{\mathrm{\lambda \gamma }}{2(1+\gamma )}\right)}^p]$其中Pr表示概率，Y表示判决统计量，u为时间带宽积，γ为重构信号接收信噪比；认知基站进行宽带频谱检测时的平均能耗为：$\bar{E}({\beta }_i,N)=[{{\beta }_1}^2({\left|h_1\right|}^2{\sigma }_{\mathrm{PUT}}^2+{\sigma }_{{\mathrm{CR}}_1}^2)+{\beta }_i^2({\left|h_i\right|}^2{\sigma }_{\mathrm{PUT}}^2+{\sigma }_{\mathrm{CRi}}^2)]{\mathrm{NT}}_S/2$其中，β₁和β_i分别为第1个和第i个认知用户SU的放大转发增益，N为贝叶斯压缩感知BCS重构的采样点数，T_s为采样间隔，为主用户发射机PUT的发射功率，和分别为第1个和第i个认知用户SU的发射功率；通过数值计算求解能耗优化问题得到平均感知能耗、平均检测概率、归一化重构均方误差MSE之间的关系，该优化问题为：$\begin{array}{cc}\underset{{\beta }_i,N}{\min }& \bar{E}({\beta }_i,N)\end{array}$$\begin{array}{cc}s.t.& {\mathrm{Pr}}_d\ge \overline{{\mathrm{Pr}}_d}\end{array};$$\mathrm{MSE}\le \overline{\mathrm{MSE}}$其中，平均感知能耗的目标函数约束条件均由上式给出，和分别表示宽带压缩频谱检测的检测概率阈值和归一化重构均方误差MSE阈值；所述的约束条件包括平均检测概率Pr_d和归一化重构均方误差MSE。