基于SNR比较的协作频谱感知研究

胡 峰，郑紫微，熊 欧

(宁波大学通信技术研究所，浙江宁波 315211)

0 引言

如今，频谱资源的匮乏制约着无线通信的发展。近年来，认知无线电技术［1］一经提出就受到了广泛关注。认知无线电是一种智能无线电系统，寻找频谱空穴［2］并动态式接入空闲频谱来实现对频谱利资源的二次利用，从而达到高频谱利用率。频谱感知［3－4］是认知无线电的关键技术之一。然而，由于实际场景中受到多径衰落、阴影效应等问题的影响，仅靠单用户的检测结果并不能保证检测结果的可靠性和准确性，检测效果并不理想。为了减少改善这个情况，提出了协作频谱检测，综合多个用户的检测结果以协作方式能提高频谱感知的整体检测性能。

目前一些文献提出的协作频谱感知方案［5－7］中，均假设各认知用户具有相同的信噪比(SNR)，经历了相同的独立同分布衰落，并没有过多考虑认知用户之间空间位置等信息的不同所带来的可靠性差异。在实际环境中，认知用户的信噪比不同，其本地检测的可靠性也不尽相同。尤其当某些节点处于较低信噪比环境时，其本地检测结果可靠性不高，影响了数据融合中心的判决。所以，筛选一些具有较优信噪比的CR用户(认知用户)参加频谱感知是很有必要的。基于此基础，提出了一种基于信噪比的协作频谱感知算法。仿真结果表明，该算法能有效提高检测性能，并减少参与协作感知的节点数量。

1 频谱感知

1.1 能量检测模型

能量检测是频谱检测最基本的方法［8］。能量检测实现简单，算法复杂度低，不需要知道信号的先验知识，所以被广泛的使用。判决方法是先设定一个门限，通过能量检测器与设定的门限相比较，超过判决门限，就认为该频段内有主用户(PU)存在。假定接受信号有以下表达式:

式中，是被检测的信号，是加性高斯噪声，从式(1)得知，当信号为零，该频段内LU不存在。能量检测器可以写为:

式中，n是抽样序列向量维数。

接收到的主信号y(t)首先经过带通滤波器，过滤掉噪声后，再经过平方运算，并在观测时间T内进行积分，最终得到信号的能量统计值Y，如图1所示［9－10］。将Y与预先设定的门限进行比较，若大于门限值，则表示PU存在。若小于门限值，则表示PU不存在，信道空闲。这样的判断可以通过以下假设检验来实现。

传统频谱感知通常采用二元假设模型:

性能检测可以通过2个概率来衡量:检测概率PD和虚警概率PFA。PD是指在检测频段内出现PU被正确检测到的概率。

PFA是指在检测频段内LU没有出现，能量检测器认为PU存在的概率。

图1 能量检测算法实现流程图统

在AWGN信道下检测概率和虚警概率分别为:

式中，λE为门限值，γ为信噪比(SNR)，Γ(x)与Γ(x，y)分别为完整和不完整的Gamma函数，Q(x)为广义Marcum函数。

1.2 协作频谱感知

频谱检测在实际场景中的性能常常被多径衰落、阴影效应和接收机的不确定性问题所制约。为了减少这些问题的影响，提出了协作频谱感知，通过利用空间分集来有效提高性能，从而减少这些问题的影响。协同检测方法主要分为集中式频谱检测方法、分布式频谱检测方法和中继辅助协作频谱检测方法

其中，集中式频谱检测方法是将每个CR用户获得检测数据直接传送到融合中心，由融合中心经过处理后得出结论。此方法具有数据全面、信息无丢失以及最终判决结论置信度高等优点，所以采取集中式频谱检测方法，频谱感知模型如图2所示。

图2 频谱感知模型

具体过程为:首先数据融合中心(FC)选择一个频段，并且控制所有协作CR用户(假设有N个CR用户)各自进行本地感知;其次，所有的CR用户通过控制信道上传它们的感知数据;最后，FC汇集所有接收到的本地感知信息，决策PU是否存在，并且将感知结果分发到协作CR用户。

当二进制的本地检测结果上报给FC时，运用线性融合规则来获取协作决策是很方便的。常用的融合有3种:“与”、“或”和“多数”规则。其中“或”规则使用最广泛。令ui为CR用户i的本地决策，u为FC 做出的协作决策，ui，u∈{0，1}，“1”和“0”分别表示 PU的存在状态(H1)和不存在状态(H0)。

“与”规则指的是对任意，如果ui都为1，FC就判决u=1，此时的检测概率和虚警概率分别为:

“或”规则是对任意，只要有ui为1，FC就判决u=1。此时的检测概率和虚警概率分别为:

“多数”规则需要至少一半的CR用户报告1，FC才会判决=1。

2 基于SNR比较的协作频谱感知

在实际的无线电网络环境中，由于各CR节点的分布位置是随机分布的，它们处于不同的信噪比环境，这就导致它们具有不同的信噪比，因此各个节点本地检测结果的可靠性也不同。这里先考虑2种特殊情况:

①参加协作的CR用户都具有较低的SNR值，尤其当它们处于深度衰落环境时，这将对协作检测的性能产生影响，这时候CR用户协作检测对提高检测性能几乎没帮助，甚至会降低检测性能［11］;

②参加协作的CR用户都具有较高的SNR值，那么这时候它们单独检测的性能要好于协作检测的性能［11］。

但是以上2种情况不符合实际认知网络环境的一般情况。在实际认知网络环境中，各CR用户具有优劣各异的SNR，并且具有较低SNR值的CR用户会影响检测的性能。所以，有必要对参加频谱检测的CR用户进行筛选，选出具有较高SNR值的CR用户参与协作检测。假设各CR节点具有估计自身SNR值的能力，SNR估计是无线通信领域中一种通用技术。

在现有的协作频谱感知算法［11，12］的基础上，提出一种改进的基于SNR比较的协作感知算法，算法流程图如图3所示。

图3 算法流程图

①各CR用户通过能量检测算法以及SNR估计，将本地判决结果和自身SNR值γi发送到数据融合中心;

②数据融合中心对收到的CR用户的SNR值求和再取均值 γ－;

③ 各CR用户自身的SNR值γi依次与均值 γ－相减，得到的差值与最佳信噪比阀值λ相比较，差值大于最佳阀值，舍去;否则，采用。以选取较优CR用户参与协作检测。

本文算法中的最佳信噪比阀值λ这样确定:假设认知无线网络中有N个CR节点。

①设定λ为所有CR节点中最大的SNR与所有CR节点的SNR的差值，这样初始信噪比阀值就有N个值;

②分别对在这N个初始信噪比阀值时进行协作频谱感知仿真，获得CR节点在不同初始阀值下的协作频谱感知的ROC曲线(工作特征曲线)，每个初始阀值都有一条ROC曲线相对应;

③比较这N条不同的ROC曲线，观察在虚警概率相同的情况下，检测概率大小。检测概率越大表明其协作检测的性能越好，据此选择协作检测最好的ROC曲线对应的初始阀值作为最佳信噪比阀值λ。

3 计算机仿真结果与分析

仿真过程:假设现在网络中有5个CR用户，且各CR用户接收机与数据融合中心之间的传输信道是理想的，同时认定CR用户接收信号的信噪比服从正态分布。每个CR用户均采用能量检测方法获得一个本地检测结果，并通过SNR估计获得自身的SNR值，然后每个CR用户再将它们各自的本地检测结果和SNR值一起发送到融合中心，再在融合中心进行SNR比较和筛选，选取具有较优SNR值得CR用户参与协作检测，最后融合中心将检测结果反馈给CR用户。这样一个基于SNR比较的协作频谱感知过程就完成了。

基于上述过程，设定CR用户接受信号的SNR分别为－17 dB、－19 dB、－20 dB、－22 dB和－25 dB。

单用户在不同SNR下的本地能量检测性能的ROC比较如图4所示，可以看出CR用户具有不同SNR时会具有不同检测性能，CR用户的SNR越高，其检测性能相对就越好，所以CR用户接收端的SNR大小对用户本身的检测性能是有影响的。

本文算法与现有算法的ROC比较如图5所示，可以看出所研究的基于信噪比的协作频谱感知算法相比现有的算法，具有更好的检测性能。所以所提出的算法是可行并有效的，可以提高检测效率。

CR用户在不同阀值时的检测性能ROC比较如图6所示。

图4 单用户不同SNR下的本地检测性能的ROC比较

图5 本文算法与现有算法及其他检测方法的ROC比较

图6 CR用户在不同阀值时的检测性能ROC比较

用来确定最佳信噪比阀值。本实验选取的5个用户仍然是SNR分别是－17 dB、－19 dB、－20 dB、－22 dB和－25dB的CR用户，仍然采用OR融合规则(“或”融合规则)。由图6可见，在阀值等于2时，检测性能最好，在其他阀值时，检测性能依次降低，所有最佳SNR阀值是2。根据所提出的算法可以确定，当最佳SNR阀值选为2时，采用的是2个CR用户协作的模型。

4 结束语

在研究了认知无线电频谱感知相关内容的基础上，综合考虑实际情况中认知用户存在差异性的因素，提出了基于信噪比的协作频谱感知算法。仿真结果表明:通过设定最佳信噪比阀值，选取具有较优SNR值的CR用户参与协作频谱检测，可以有效地降低虚警概率，提高检测效率。本文研究的算法相比现有的算法，具有更好的检测性能。此外在提高检测性能的同时，减少了参与协作的CR用户数目，节约了检测时间。

［1］潘军.认知无线电系统关键技术研究［D］.北京:北京邮电大学，2011.

［2］NIU Ying-tao，YAO Fu-qiang，CHEN Jiang-zhong，et al.A Novel Dynamic Spectrum Hole Sensing［J］.Future Networks，2010，ICFN10，2010:108 －184.

［3］丁汉青.认知无线电频谱感知技术研究［D］.西安:西安电子科技大学，2011.

［4］SHEN Bin.An Optimal Soft Fusion Scheme for Cooperative Spectrum Sensing in Cognitive Radio Network［J］.ETRI Journal，2009，31(3):263 －270.

［5］CHEN Wen-bin，YANG Chi-kai，HUANG Yuan-hao.Energy Saving Cooperative Spectrum Sensing Processor for Cognitive Radio System［J］.Circuits and Systems I:Reqular Papers，IEEE，2011，58(4):711 －723.

［6］XIE Sheng-li，LIU Yi，ZHANG Yan.A Parallel Cooperative Spectrum Sensing with Energy Detection in Cognitive Radio Networks［J］.Vehicular Technology，IEEE，2010，59(8):4079－4092.

［7］WEI Zhang，RANJAN K M.Cooperative Spectrum Sensing Optimization in Cognitive Radio Networks［C］∥USA:IEEE，2008:21 －28.

［8］温志刚.认知无线电频谱检测理论与实践［D］.北京:北京邮电大学，2011.

［9］BIAN Li，ZHU Qi.Cooperative Spectrum Sensing Algorithm Based on Data Fusion［J］.Journal of Nanjing University of Posts and Telecommunications(Natural Science)，2009，29(2):73 －78.

［10］YANG Ming-ji，WU Qiong，SHI Jia-qing，el at.Cooperative Spectrum Sensing Algorithm in SNR Comprision［J］.Journal of Harbin University of Science And Technology，2013，18(2):105 －108.

［11］CHEN Shou-kun，LI Li，WANG Pei，et al.Cooperative Spectrum Sensing based on Threshold Control and SNR Selection［J］.Communications Technology，2011，44(3):4 －6.

［12］ZHENG Yi，XIE Xian-zhong，YANG Li-li.Cooperative Spectrum Sensing based on SNR Comparison for Cognitive Radio［J］.Telecommunication Engineering，2009，49(8):13－17.