一种基于瑞利商的加权协作频谱感知方法

摘要

本发明提供一种认知无线电系统频谱感知方法，所述方法是基于瑞利商的加权协作频谱感知方法，该方法通过给每个认知用户在每个采样时刻都分配一个合适的权重系数，使得认知无线电中所有感知用户的采样信息都能得到充分的利用，从而提高频谱感知的检测性能。在相同的仿真条件下，对于同一虚警概率，基于瑞利商的协作频谱感知算法要比最大比合并、等增益合并的检测概率都要高，最大比合并跟等增益合并比较接近；对于给定的信噪比，基于瑞利商的协作频谱感知算法要比最大比合并、等增益合并的检测概率都要高并随着参与协作；检测的天线个数的增加，基于瑞利商的协作频谱感知算法的检测性能也大幅提升。

主权项

一种认知无线电系统频谱感知方法，其特征在于，所述方法是基于瑞利商的加权协作频谱感知方法，该方法通过给每个认知用户在每个采样时刻都分配一个合适的权重系数，使得认知无线电中所有感知用户的采样信息都能得到充分的利用，从而提高频谱感知的检测性能；所述方法包括以下步骤：1)假设认知无线电网络中有M个认知用户用来进行协作频谱感知检测，每个认知用户在一个检测时隙中的采样个数为N，每个认知节点连续检测接收信号序列；2)每个认知节点在本地检测中对接收到的采样信号运用能量检测法，在每个采样点，经过本地检测的信号能量组成一个M×1维的列向量，即：y(k)＝[|x₁(k)|²,|x₂(k)|²…|x_M(k)|²]^T，|x_i(k)|²表示在第i(i＝1,2…M)个认知用户在第k(k＝1,2…N)个采样点接收信号的能量；3)融合中心将每个认知用户传送来的信息量与权重因子相乘，得到在第k个采样点上的能量加权和y_c(k)，将N个采样点的y_c(k)相加得到全局检测量y_c：$y_c=\underset{k=1}{\overset{N}{\Sigma }}{y}_c\left(k\right)$其中,$y_c\left(k\right)=\underset{i=1}{\overset{M}{\Sigma }}{\omega }_i\left(k\right){\left|x_i\left(k\right)\right|}^2={\left[W\left(k\right)\right]}^{T}y\left(k\right),$W(k)＝[ω₁(k),ω₂(k),...,ω_M(k)]^T，ω_i(k)是第i个认知用户在第k个采样点的权重因子；4)假设在融合中心统计检测量的判决门限为r_c，如果检测量y_c大于判决门限r_c，主用户信号存在；反之，主用户信号不存在；其中，所述r_c的计算方法如下：1)在一定噪声方差条件下，需要寻找最优的权重系数W(k)，使得y_c(k)最大：$y_c\left(k\right)={\left[y\left(k\right)\right]}^{T}y\left(k\right)=\sqrt{{\left[y\left(k\right)\right]}^{T}y\left(k\right)y\left(k\right){\left[y\left(k\right)\right]}^{\prime }W\left(k\right)}=\sqrt{\frac{{\left[y\left(k\right)\right]}^{T}y\left(k\right){\left[y\left(k\right)\right]}^{\prime }W\left(k\right)}{{\left[y\left(k\right)\right]}^{T}W\left(k\right)}}$其中||W(k)||²＝1，[W(k)]^T表示W(k)的转置矩阵，[y(k)]'表示y(k)的共轭转置矩阵；从上式可以看出，等号右边根号下表达式为瑞利商；由瑞利商的性质可以得到，使得y_c(k)取得最大值的权重系数W(k)就是y(k)[y(k)]'矩阵的最大特征值对应的特征向量；2)当主用户不存在时，接收信号只包含噪声，则可以得出主用户信号不存在时y_c(k)的均值为：$\overline{y_c\left(k\right)}={\sigma }^{T}W\left(k\right)$其中$\sigma ={[{\sigma }_1^2,{\sigma }_2^2,...,{\sigma }_M^2]}^T$为噪声方差；在主用户信号不存在时y_c(k)的方差为：$\begin{array}{c}\mathrm{Var}\left(y_c\left(k\right)\right|H_0)={\left[W\left(k\right)\right]}^{T}E\left[(y\left(k\right)-{\overline{y\left(k\right)}}_{H_0}){(y\left(k\right)-{\overline{y\left(k\right)}}_{H_0})}^T{H}_0\right]W\left(k\right)\\ =\underset{i=1}{\overset{M}{\Sigma }}{\left({{2\sigma }_i}^4\left(k\right)\right){\omega }_i\left(k\right)}^2\\ ={\left[y\left(k\right)\right]}^T{\Sigma }_{H_0}\left(k\right)W\left(k\right)\end{array}$根据高斯分布的统计特性得到虚警概率P_f为：$P_f=Q\left[\frac{r_c-{\mathrm{N\sigma }}^{T}W\left(k\right)}{\sqrt{{\left[W\left(k\right)\right]}^T{\Sigma }_{H_0}\left(k\right)W\left(k\right)}}\right]$其中Q(·)是普通的MarcumQ函数；3)可得判决门限r_c的表达式为$r_c={\mathrm{N\sigma }}^{T}W\left(k\right)+Q^{-1}\left(P_f\right)\sqrt{{\left[W\left(k\right)\right]}^T{\Sigma }_{H_0}\left(k\right)W\left(k\right)}.$