一种基于审查的最优量化协作频谱感知方法

摘要

一种基于审查的最优量化协作频谱感知方法，是一种特别用于认知无线电系统中基于多节点协作的频谱感知实现方法。该方法将审查机制与本地最优量化相结合来实现协作频谱感知，融合中心应采用的是最大后验概率融合准则，以此来减少发往融合中心的平均感知比特数，从而有效地节约了传输带宽。首先由本地感知节点计算检测统计量，基于最优量化求取分割值，然后基于审查机制对统计量X进行量化，中间有一个不发送比特的区间，除了不发送区间外，分别给其它各个区间分配一个量化器输出值，最后融合中心基于最大后验概率融合准则对接收到的量化数据进行融合，最终给出是否有主用户存在的判决。

主权项

1.一种基于审查的最优量化协作频谱感知方法，其特征在于该方法将审查机制与本地最优量化相结合来实现协作频谱感知，该方法包括以下步骤：a.本地感知节点计算检测统计量：将接收到的信号通过一个带宽为W的带通滤波器，取出所需要频段的信号，然后通过一个平方律检测器完成平方运算，之后通过积分器在某一时间段T内进行积分，最后得到检测统计量X；b.基于审查机制对统计量X进行量化：X为实空间，它被分割为q+1个不相互重叠的区间Δ_i，其中：i＝1，2，...，q+1，q+1是量化级，由于多了一个不发送比特的区间，所以量化级数为2ⁿ+1，n为量化的比特数，除了不发送区间外，分别给其它各个区间Δ_i分配一个量化器输出值w_i；c.最优量化分割值的求取：定义标准偏差为其中E₁和E₀分别是主用户存在H₁和主用户不存在H₀的期望，Q为量化器输出，V₀是H₀的方差，这个标准偏差反映的是H₁和H₀的统计距离，对于实空间的分割域Δ_i，可以得到在H₀和H₁状态下，这些概率是已知的，并分别用p₀(i)和p₁(i)来表示，那么标准偏差为对于观测空间已知的分割区间Δ_i，为了最大化上式，w_i取为而与之对应的标准偏差为D(Δ)＝i(Δ)-1，其中则最优的分隔方法为：寻找区域Δ_i以及与之相对应的w_i，使得标准偏差取最大值。令检测统计量在H₀情况下的分布函数为F₀(X)，在已知信噪比的H₁情况下的分布函数为F₁(X)，则则最优的量化区间为使得i(Δ)最大化的Δ_i的取值，这样可以获得最优量化分割值c_i；d.融合中心基于改进的最大后验概率融合准则对接收到的量化数据进行融合，最终给出是否有主用户存在的判决：令数字1到q表示融合中心接收到各个认知用户发送来的量化信息，对于不发送的感知用户，融合中心认为它的状态为空(Φ)，那么本地的决策信息可以表示为：其中j表示第j个本地感知用户，j＝1，2，...，N，N为本地感知用户数，Φ为空状态。最大后验概率准则是根据已有的数据，选择最有可能产生该数据的假设，在多个传感器目标检测中就是取两个概率中较大者所对应的假设。本地的决策信息有1，2，...，q，Φ，其中Φ表示状态为空，感知用户落入不发送区间，不参与本次中心融合，又各本地感知节点彼此相互独立同分布，则融合中心的检测概率可以由各本地决策概率的乘积得到，同理，融合中心的虚警概率也可以由各本地决策概率乘积得到，即：$P(u_1,u_2,...,u_N|H_1)=\underset{Q_k}{\Pi }\underset{k=1}{\overset{q}{\Pi }}P(u_j=k|H_1)·\underset{Q_{\Phi }}{\Pi }P(u_j=\Phi |H_1)$$P(u_1,u_2,...,u_N|H_0)=\underset{Q_k}{\Pi }\underset{k=1}{\overset{q}{\Pi }}P(u_j=k|H_0)·\underset{Q_{\Phi }}{\Pi }P(u_j=\Phi |H_0)$其中Q_k是所有满足u_j＝k的感知节点的集合，即落入量化区间u_j＝k的集合，Q_Φ是所有满足u_j＝Φ的感知节点的集合，即落入不发送区间的集合，且满足Q₁+Q₂+…+Q_q+Q_Φ＝N；P(u₁，u₂，...，u_N|H₁)是主用户存在情况下的所有感知节点的联合概率，P(u₁，u₂，...，u_N|H₀)是主用户不存在情况下的所有感知节点的联合概率，P(u_j＝k|H₁)是主用户存在时落入量化区间u_j＝k的概率，P(u_j＝φ|H₁)是主用户存在时落入量化区间u_j＝Φ的概率，P(u_j＝k|H₀)是主用户不存在时落入量化区间u_j＝k的概率，P(u_j＝φ|H₀)是主用户不存在时落入量化区间u_j＝Φ的概率，融合中心可以通过统计各个感知节点发送来的落入不同量化区间或者落入不发送区间的判决信息得到Q₁，Q₂，...，Q_q，Q_Φ，并通过循环迭代的方法得到各种量化区间的概率，P(H₁)是主用户存在的先验概率，P(H₀)是主用户不存在的先验概率。对于这种具有量化和审查相结合的方法，基于最大后验概率融合准则，主用户是否存在的判决准则可以转化为比较和的大小：若前者大于后者，主用户存在的概率大于主用户不存在的概率，则判为主用户存在；若前者小于后者，主用户不存在的概率大于主用户存在的概率，则判为主用户不存在。