频谱感知的实现(备稿)

集中辨识频谱空洞方法的比较

频谱感知技术是指认知用户通过各种信号检测和处理手段来获取无线网络中的频谱使用信息。从无线网络的功能分层角度看，频谱感知技术主要涉及物理层和链路层，其中物理层主要关注各种具体的本地检测算法，而链路层主要关注用户间的协作以及对感知机制的控制与优化。因此，目前频谱感知技术的研究大多数集中在本地感知、协作感知和感知机制优化3个方面。

1 本地感知技术

1.1 主要检测算法

本地频谱感知是指单个认知用户独立执行某种检测算法来感知频谱使用情况，其检测性能通常由虚警概率以及漏检概率进行衡量。比较典型的感知算法包括：

能量检测算法，其主要原理是在特定频段上，测量某段观测时间内接收信号的总能量，然后与某一设定门限比较来判决主信号是否存在。由于该算法复杂度较低，实施简单，同时不需要任何先验信息，因此被认为是CR系统中最通用的感知算法。

匹配滤波器检测算法，是在确知主用户信号先验信息（如调制类型，脉冲整形，帧格式）情况下的最佳检测算法。该算法的优势在于能使检测信噪比最大化，在相同性能限定下较能量检测所需的采样点个数少，因此处理时间更短。

循环平稳特征检测算法，其原理是通过分析循环自相关函数或者二维频谱相关函数的方法得到信号频谱相关统计特性，利用其呈现的周期性来区分主信号与噪声。该算法在很低的信噪比下仍具有很好的检测性能，而且针对各种信号类型独特的统计特征进行循环谱分析，可以克服恶意干扰信号，大大提高检测的性能和效率。

协方差矩阵检测算法，利用主信号的相关性建立信号样本协方差矩阵，并以计算矩阵最大、最小特征值比率的方法做出判决。文献[1]提出基于过采样接收信号或多路接收天线的盲感知算法。通过对接收信号矩阵的线性预测和奇异值分解(QR)得到信号统计值的比率来判定是否有主用户信号。

以上这些算法都是对主用户发射端信号的直接检测，基本都是从经典的信号检测理论中

移植过来的。此外，近期一些文献从主用户接收端的角度提出了本振泄露功率检测和基于干扰温度的检测。有些文献对经典算法进行了改进，如文献[2]提出了一种基于能量检测-循环特征检测结合的两级感知算法。文献[3]研究了基于频偏补偿的匹配滤波器检测、联合前向和参数匹配的能量检测、多分辨率频谱检测和基于小波变换频谱检测等。表2归纳了文献中提及较多的一些感知算法，并对其优缺点进行了比较。

单用户本地感知主要面临以下挑战：首先，对感知设备提出了较高的硬件要求，如高速高分辨率的数模转换器、高速的信号处理器、宽带射频(RF)单元、单/双链路结构等等，以达到所需的检测速度和灵敏度；其次，由于多径衰落、阴影和本地干扰等因素的影响，单用户本地频谱检测往往不能获得满意的性能。再次，如何检测基于扩频技术的主用户信号也是个难点问题。

Ghasemi将频谱感知的主要难点问题归结于3种不确定性：信道不确定性，即在阴影、衰落信道中，认知用户很难从噪声背景下区分出经历深衰落的主信号；噪声不确定性，主要是能量检测的性能会因为噪声估计的偏差受到严重影响；聚合干扰不确定性，当网络中存在多个认知用户时，单个认知用户的发射可能不会干扰主用户，但是多个用户同时发射可能会超过主用户的干扰温度门限（最大干扰的容忍程度）。

基于以上分析，下一步的主要研究方向包括：针对衰落、阴影等恶劣的信道环境，研究能量检测、循环特征检测等算法的改进或者进一步探讨更为新颖的感知算法；针对正交频分复用技术(OFDM)频谱池系统的多带检测算法；将传统的时域、频域、空域的三维信号检测进行拓展，并研究包括角度、编码等维度的多维频谱感知算法。

2 协作感知技术

为了克服本地检测的弊端，进一步提高检测性能，协作感知得到了广泛而深入的研究。通过不同次用户间的交互与协作，不仅仅能降低各认知用户的检测灵敏度需求，大幅度提高认知用户的捷变能力，还能有效缓解“隐藏终端”问题以及噪声不确定性等问题。

根据协作网络结构和协作策略选择不同，协作感知方案可分两类：

（1）集中式协作感知

这种方案中，通常有一个中心基站（或接入点）和多个参与协作的认知用户（也称认知节点），并且需要专用控制信道将各用户本地感知信息传送到中心点进行融合处理以及最终判决。

目前大部分文献研究的都是该类型的协作感知。Cabric等人于2004年开始这方面研究，指出集中式协作感知可以减小多径衰落信道的影响，改善检测性能，并分析了节点数、门限值等参数的选取以及阴影相关性对协作的影响[4]。随后，Ghasemi更加详细讨论了在独立同分布(I.I.D.)瑞利衰落信道和对数正态分布阴影信道条件下，基于能量检测和硬融合的协作感知方案的检测性能及其对频谱利用率、检测灵敏度、检测时间带宽积、噪声不确定性抵抗能力的影响。文献[5]还从聚合干扰的角度，进一步分析了协作感知对于聚合干扰分布的影响，并在给定干扰概率情况下，给出了单用户感知灵敏度和协作半径之间的权衡。

（2）分布式协作感知

分布式协作感知中，各协作节点彼此可以交互和共享感知信息，并分别对各自感兴趣的频谱做最终判决。该方案最大的好处是简化了认知网络结构，因而减小了开销成本。

2.2信息融合问题

现有的大多数协作感知方案都需要进行信息融合，其整体的检测性能除了受各节点检测性能的影响外，还与所采用的融合算法直接相关。依据交互信息的不同，融合算法可以分为数据融合和决策融合两大类。

2.2.1 数据融合算法

在数据融合算法中，各个协作节点不做出任何决策，而是将检测数据完整地或压缩处理后发送到信息融合中心，按照某种融合规则做出最终判决。典型的算法例如：最简单的等增益合并(EGC)是将各节点的检测数据等权重合并，再与设定的门限值比较做出最终判决；最大似然比合并(MRC)是通过信道估计，根据信噪比设定权重值进行合并再做出判决；选择合并(SC)则是根据情况，选择某个信噪比最大节点数据进行判决。文献[6]根据Neyman-Pearson 准则，在给定虚警概率下，通过最大化检测概率得到最优的加权融合准则。相比Neyman-Pearson准则，Baysian准则以最小化错误概率为目标，更适宜于对虚警概率和漏检概率都有要求的应用环境。文献[7]系统研究了数据融合算法，通过偏转系数最大化和错误概率最小化获得最优的权重向量。

数据融合传送的是检测信息，因而要求控制信道的带宽比较宽，传送开销也比较大。对于强调频谱效率的CR系统来说，为了追求协作增益而付出巨大的协作带宽代价，显得有些得不偿失。

2.2.2 决策融合算法

各个协作节点独立地处理观测数据并做出决策，发送其决策结果至信息融合中心进行最终判决，这种算法称为决策融合算法。依据各节点决策的权重是否相同，可将其分为决策硬融合和决策软融合。

决策硬融合算法中，N个协作节点以1 bit形式传送其本地决策到信息融合中心，融合中心同等地对待各个节点决策，并根据一定的融合准则做出最终判决。最典型的硬融合准则是K/N准则[12]，即N个协作用户中至少有K个用户上报决策1（即主用户存在）时，基站最终判定信道已被占用，OR准则（K=1）与AND准则（K=N）都是K/N准则的特殊形式。不同的K值对应不同的协作增益，其最优取值应根据具体的信道条件来确定。

除了K/N准则外，文献[8]提出一种基于双门限能量检测的协作感知方法，用到了“n比例”逻辑准则，将决策为1的节点数与决策为0的节点数之间的比值与门限进行比较做出最终判决。

决策软融合算法是根据不同信道条件下各节点检测结果的置信度不同，将检测信息进行决策加权或者其他形式的处理后再进行融合。此算法实现了检测性能和传送开销之间的折中。

2.3 有待解决的问题

(1) 协作感知的性能与协作用户数量、各用户门限值的确定及位置分布情况等因素密切