认知无线电网络中的分布式协作感知算法

其中： x（ t1 ） 和 s（ t1 ） 分别表示主用户发射的信号和 S1 发射的
基金项目： 国家自然科学基金资助项目（ 60975041 ）
作者简介： 张鲁华（ 1978-） ， 男， 山东德州人， 实验师， 主要研究方向为通信与接口及嵌入式系统的教学与开发（ lhzhang1381 @ 126． com ） ； 陈忠 （ 1986-） ， OFDM、 MIMO 等． 男， 博士， 主要研究方向为通信中的认知无线电 、
Abstract ： This paper discussed optimal distributed cooperative spectrum sensing in cognitive radio networks． It first introduced DF and SR protocols including the system model， detection probability and probability of false alarm． And the conventional AF， proposed a novel optimal distributed cooperative spectrum sensing （ ODCSS ） algorithm which was based on the observation energy and the signal to noise ratio （ SNR） ． It analyzed all the protocols． The extensive simulations show that the ODCSS algorithm outperforms the other protocols and can be utilized by the practical system． Key words： cognitive radio networks； distributed detection； spectrum sensing； amplify and forward （ AF ） ； decoding and forward（ DF） ； select relaying（ SR）
解码前传（ DF） 和选择中继（ SR） 的分布式协作方案， 包括模型、 检测概率和虚警概率。 提出了 于放大前传（ AF） 、 一种新的分布式协作感知算法， 该算法将原始统计量和信噪比发送给协作用户， 减少信道噪声对最后决策结果 的影响。运用似然比准则推导出了最优的加权系数， 以及决策函数。 对几种协作方案的中断概率进行理论推 导， 并用数值仿真的方法验证了算法在中断概率上的性能。仿真结果表明， 提出的方法在检测概率和中断概率 但该方法需要协作用户间无损耗的传输， 这也给实际的应用提出了很大的挑战。 上远优于其他分布式协作方案， 关键词： 认知无线电网络； 分布式检测； 频谱感知； 放大前传； 解码前传； 选择中继 中图分类号： TN929 文献标志码： A 文章编号： 1001-3695 （ 2011 ） 10-3849-03 3695． 2011． 10． 066 doi： 10． 3969 / j． issn． 1001-
y1 （ t2 ） = gh21 y2 （ t1 ） + θh p1 x（ t2 ） + w1 （ t2 ） （ 2）
增益门限， 在进行中断转发之前， 对增益进行预判决， 如果当前 则用户继续传输， 否则采用中继。 这就是选 增益小于该门限， 择中继（ selection relaying） ， 该协议的缺点是门限的选择需要精 确计算得出。
［8 ， 9 ］
， 通常采
和分布式协作检测
［6 ～ 9 ］
两种方式实现。
集中式认知无线电网络包括一定数量的次用户和一个用于数 每个次用户通过公共控制 据融合的决策中心。在这个网络中， 信道将检测信息发送到决策中心， 再由决策中心对所有检测信 息进行融合并作出最终的判决 。在分布式网络中， 协作用户间 相互共享感知信息， 在合作或者竞争的基础上独自作出最终的 判决。协作协议一般分为放大前传（ AF ） 、 解码前传（ DF） 和选 择中继（ SR） 。但是， 这些协议的性能都比较低， 如何设计能够 满足实际需要的高性能协议仍有待深入研究。针对上述问题， 本文提出了在两用户场景下最优的协议， 通过似然比函数， 推导 出了检验统计量以及要共享的信息， 极大地提高了检测性能。
Distributed cooperative spectrum sensing in cognitive radio networks
ZHANG Luhua1 ，CHEN Zhong2
（ 1 ． Engineering Training Center of Yantai University，Yantai Shandong 264005 ， China； 2 ． Dept． of Automation，Tsinghua University，Beijing 100084 ，China）
收稿日期： 2011-03-11 ； 修回日期： 2011-04-15
。
典型的 AF 协议时隙结构如图 2 所示。整个 AF 协作过程 S1 发射， S2 监听； t2 内， S2 发射， S1 监听 包括两个时间段： t1 内， S2 接收到的信号为 并作出判决。在 t1 内，
y2 （ t1 ） = θh p2 x（ t1 ） + h12 s（ t1 ） + w2 （ t1 ） （ 1）
{
N（ 0 ， 1） N（ 0 ， 1 + γi ）
H0 H1
（ 9）
其中： γ i 为 S i 接收信号的信噪比。对接收信号进行能量检测， 则 S1 和 S2 的累积能量服从分布
Yi = | yi | 2 =
则用户 S1 在门限 λ 下的虚警概率和漏警概率分别为
P f = ψ（ λ ， 1， 1） ， P d = ψ（ λ ， 1 + P1 ， 1 + P2 ）
认知无线电技术被认为是解决目前无线频谱资源利用率不 足以及频谱稀缺的最佳方案， 其中一个重要挑战是实时准确地 检测主用户是否存在的频谱感知技术
［1 ］
1
AF 、 DF 和 SR 协议
分布式协作检测中， 考虑一个如图 1 所示的认知无线电网
。当前成熟的频谱感知
匹配滤波器、 小波检测、 循环平稳检测以及 技术包括能量检测、 协方差检测， 这些技术可以运用在单用户及多用户场景中。 无线信道中的多种衰落对频谱感知提出了极大的挑战， 如 果主用户信号被深度衰落或者阻挡， 那么次用户所接收到的信 号将会很弱甚至无法正确检测 。为了解决这个问题， 在多用户 认知无线电网络中， 引入了空间分集， 即协作检测 用集中式协作检测
· 3850·
计 算 机 应 用 研 究
第 28 卷
i， j∈ ｛ 1 ， 2 ｝ 分别表示 P 和 s i 、 s i 和 s j 之间的信道 信号； h pi 和 h ij ， 增益； w2 （ t1 ） 为 S2 的接收机噪声； θ = 1 和 θ = 0 分别表示主用 户存在和不存在。 S1 接收到的信号为 第二阶段结束时，
L（ Y） = Pr（ Y | H1 ） Pr（ Y | H0 ） （ 11 ）
i 采用硬判决规则， 即当 L （ Y ） 大于门限 η 时， 判 H 1， 否则
判 H 0， 其中 η 表示由给定虚警概率决定的判决门限 。由 Y i 的 L（ Y） 可简化为 独立性可知，
其中： g 表示中继放大倍数； w1 （ t2 ） 为 S1 的接收机噪声； 在信道 h21 = h12 。从 y1 （ t2 ） 中去掉 s （ t1 ） 后， S1 接收到的信号 互易时， 可以表示为
y1 （ t） = θ［h p1 x（ t2 ） + gh21 w2 （ t1） ］ + w1 （ t2 ） + gh21 y2 （ t1 ） = θx（ t） + w（ t） （ 3）
第 28 卷第 10 期 2011 年 10 月
计 算 机 应 用 研 究 Application Research of Computers
Vol． 28 No． 10 Oct． 2011
认知无线电网络中的分布式协作感知算法
1 张鲁华 ， 陈
*
忠
2
（ 1． 烟台大学 工程实训中心，山东 烟台 264005 ； 2． 清华大学 自动化系，北京 100084 ） 摘 要： 针对认知无线电中频谱感知的问题， 讨论了分布式协作感知场景下最优的感知算法。 介绍了经典的基
［2 ～ 5 ］ ［2 ～ 9 ］
S1 和 S2 为次用户， 络， 其中 P 为主用户， 并且 S1 处于 P 的可检 测边缘。S1 和 S2 实时独立监测 P 是否存在， 并将监测结果报 S1 接收到主用户的信号非 告给公共接收机 S。在这个网络中， 常弱， 使得它很难正确检测出 P。如果 S1 存在阴影衰落或者多 径效应， 其检测性能会更差。 所以， 本文在两个次用户之间引 入了协作感知。 次用户 S2 因为离主用户 P 更近， 所以把它作 为 S1 的中继。 1. 1 基于 AF 的协作感知算法 在 AF 协议中， 中继节点将接收信号进行放大后传输给其 7］ AF 可以达到完全协作分集 。 最近， 指出， 在 他节点。文献［ 分布式网络中， 具有 AF 协议的协作检测已经在研究
H0 H1
（ 10 ）
其中： E（ x） 表示参数为 x 的指数分布。假设 S1 和 S2 的距离足 Y i 是相互独立的。 够地远， 在给定的假设 H i 下， Bayes 最小错误率、 Pearson 等准则都 最小风险和 Neyman可以等价于似然比检测， 区别在于门限不同。 因此， 本文采用 并推导出最优的决策函数 。 似然比作为检测函数， Y1 ， Y2 ］ ， 建立二维随机变量 Y = ［ 则似然比可以表示为