基于多进程D-S证据理论的合作频谱感知方法

摘要

本发明基于多进程D-S证据理论的合作频谱感知方法，通过双门限检测方案的两个门限值找出不确定的信息，认知用户再根据D-S证据理论处理不确定信息，最后由簇头节点收集簇内认知用户的感知结果并传给融合中心，融合中心通过多进程D-S证据理论进行融合并判断，这样除去过时感知信息对融合中心正确判断频谱状态的影响，保证判断结果的正确性，同时缩短了判断时间提高了频谱的利用效率。

主权项

1.基于多进程D-S证据理论的合作频谱感知方法，其特征在于，包括以下步骤：（1）、生成多进程D-S证据理论合作频谱感知的帧结构：将第(i-1)个认知用户SU_i-1的感知结果作为报告与第i,i＝1,2,…N个认知用户SU_i的感知组成新的频谱感知字段，新频谱感知字段的数据传输周期不变，每个认知用户的感知和报告的周期相同均为T，则N个认知用户完成感知和报告的周期为(N+1)T，新频谱感知字段和数据接收、传输字段构成多进程D-S证据理论合作频谱感知的帧结构；（2）、认知用户根据D-S证据理论计算不确定信息的信度函数：（2.1）、计算第i个认知用户接受到的能量表达式为：$x_{E_i}=\underset{t=1}{\overset{2v}{\Sigma }}{\left|y_i\left(t\right)\right|}^2$其中,v为时间带宽，y_i(t)为第i个认知用户接收到的信号，其表达式为：$y_i\left(t\right)=\left\{\begin{array}{c}{h}_i{s}_i\left(t\right)+n_i\left(t\right)H_1\\ n_i\left(t\right)H_0\end{array}\right.$其中，h_i为信道衰落系数，s_i(t)为主用户信号，n_i(t)为加性高斯白噪声,H₀为主用户信号不存在，H₁为主用户信号存在；根据中心极限定理，当v足够大时，为高斯随机变量，其均值和方差的为：主用户信号不存在时的均值μ_0i和方差$\left\{\begin{array}{c}{\mu }_{0i}=N_{0}v\\ {\sigma }_{0i}^2=N_0^{2}v\end{array};\right.$主用户信号存在时的均值μ_1i和方差$\left\{\begin{array}{c}{\mu }_{1i}=N_{0}v(\mathrm{SNR}+1)\\ {\sigma }_{1i}^2=N_0^{2}v(2\mathrm{SNR}+1)\end{array};\right.$其中，N₀为独立复高斯随机变量的单边功率谱密度,SNR为信噪比；（2.2）、通过双门限检测方案找出不确定信息：计算双门限检测方案的门限值λ₀和λ₁；在h_i确定条件下，第i个认知用户的虚警概率Q_f,i：$Q_{f,i}=P\{x_{E_i}>{\lambda }_1|H_0\}=\frac{\Gamma (v,{\lambda }_1/2)}{\Gamma \left(v\right)}$其中，Γ(ν)为完全伽玛函数；Γ(ν,λ₁/2)为非完全伽玛函数；Γ(ν,λ₁/2)=Γ(ν)-Γ(ν)·P(ν,λ₁/2)；$P(v,{\lambda }_1/2)=\frac{1}{\Gamma \left(v\right)}\underset{0}{\overset{{\lambda }_1/2}{\int }}{t}^{v-1}·e^{-t}\mathrm{dt};$其中P(ν,λ₁/2)表示的是低阶非完全伽玛函数；由此我们可以得到λ₁=2P^-1(ν,1-Q_f,i)；λ₀=c·λ₁式中c为常数，可根据实际需要确定该值；根据λ₀和λ₁找出不确定信息；第i个认知用户接受到的能量值为H₀，为H₁，为不确定信息；（2.3）、通过D-S证据理论计算不确定信息的信度函数：根据D-S证据理论，通过双门限计算第i个感知用户的信度函数m_i(H₀)和m_i(H₁)，$\begin{array}{c}{m}_i\left(H_0\right)=P\{x_{E_i}<{\lambda }_0|H_0\}+P\{{\lambda }_0<x_{E_i}<{\lambda }_1\left|H_0\right\}\\ =\underset{-\infty }{\overset{{\lambda }_1}{\int }}\frac{1}{\sqrt{2\pi }{\sigma }_{0i}}\exp [-{(x-{\mu }_{0i})}^2/{\sigma }_{0i}^2]\mathrm{dx}\end{array};$$\begin{array}{c}{m}_i\left(H_1\right)=P\{x_{E_i}<{\lambda }_1|H_1\}+P\{{\lambda }_0<x_{E_i}<{\lambda }_1\left|H_1\right\}\\ =\underset{{\lambda }_0}{\overset{+\infty }{\int }}\frac{1}{\sqrt{2\pi }{\sigma }_{1i}}\exp [-{(x-{\mu }_{1i})}^2/{\sigma }_{1i}^2]\mathrm{dx}\end{array};$（2.4）、簇头节点收集簇内认知用户的感知结果并传给融合中心：将步骤（2.3）中计算得到的信度函数传给簇头节点CH_h(h＝1,2…,M)作为最终感知结果R_Ch传给融合中心；（3）、融合中心基于多进程D-S证据理论的合作频谱感知方法进行融合并判决：（3.1）、来自簇头节点的新感知结果到达融合中心后，融合中心便开启一个新的D-S进程；（3.2）、开启的D-S进程对融合数据进行计算并作出判决：（3.2.1）、定义基本概率指派函数m：基本概率指派为2^Ω到[0,1]的函数m，m满足：$\left\{\begin{array}{c}m\left(\Phi \right)=0\\ \underset{A\subseteq \Omega }{\Sigma }m\left(A\right)=1\end{array}\right.$式中m(A)表示的是A的可信度，也叫做证据，Ω表示一个互斥且完整的假设集，称为识别域，分别定义了信度函数bel和似然函数pl，对于所有$\left\{\begin{array}{c}\mathrm{bel}\left(A\right)=\underset{B\subseteq A}{\Sigma }m\left(B\right)\\ \mathrm{pl}\left(A\right)=\underset{A\cap B\ne \phi }{\Sigma }m\left(B\right)\end{array}\right.$因此[bel(A),pl(A)]就表示了m的不确定区间；（3.2.2）、根据多进程D-S证据理论的融合法则，对任意K个基本概率指派函数进行正交和，构成新的基本概率指派函数m_K(A_K)，K属于[1,M]，M是网络中簇的个数：$\begin{array}{c}{m}_K\left(A_K\right)=m_1\left(A_1\right)\oplus m_2{A}_2\oplus ···m_M\left(A_M\right)\\ =\frac{\underset{A_1\cap A_2\cap ···A_M=A}{\Sigma }{m}_1\left(A_1\right)m_2\left(A_2\right)···m_M\left(A_M\right)}{\underset{A_1\cap A_2\cap ···A_M\ne A}{\Sigma }{m}_1\left(A_1\right)m_2\left(A_2\right)···m_M\left(A_M\right)}\end{array}$（3.2.3）、对融合后的基本概率指派函数计算：融合中心接收到K个感知结果，对应K个D-S证据理论进程的最终结果(K)和(K)为：$m_{H_0}\left(K\right)=\frac{\underset{A_1\cap A_2\cap ···A_M=H_0}{\Sigma }\underset{K=1}{\overset{M}{\Pi }}{m}_K\left(A_K\right)}{1-\underset{A_1\cap A_2\cap ···A_M=\Theta }{\Sigma }\underset{K=1}{\overset{M}{\Pi }}{m}_K\left(A_K\right)}$$m_{H_1}\left(K\right)=\frac{\underset{A_1\cap A_2\cap ···A_M=H_1}{\Sigma }\underset{K=1}{\overset{M}{\Pi }}{m}_K\left(A_K\right)}{1-\underset{A_1\cap A_2\cap ···A_M=\Theta }{\Sigma }\underset{K=1}{\overset{M}{\Pi }}{m}_K\left(A_K\right)}$其中，Θ表示空集；（3.2.4）、将最终的融合结果进行比较作出判断，判断准则为：$H_0:m_{H_0}\left(K\right)>m_{H_1}\left(K\right)$$H_1:m_{H_1}\left(K\right)\ge m_{H_0}\left(K\right)$