基于分簇加权的认知无线电协作检测算法

李 涛

（驻哈尔滨地区舰船配套代表室，黑龙江 哈尔滨 150001）

基于分簇加权的认知无线电协作检测算法

李 涛

（驻哈尔滨地区舰船配套代表室，黑龙江 哈尔滨 150001）

协作检测是认知无线电技术（Cognitive Radio）的重要组成部分，通过多认知用户协作可以提高信道衰落或者阴影效应而带来的低检测性能。传统的协作检测由于认知用户过多并且个别用户信道状况较差，因而检测性能较低。并且各用户在中心决策中都占有相同的比重，忽略了单用户的检测性能。介绍了一种采用加权系数的多簇协作检测算法，根据认知用户的信噪比配以不同的权重，以使检测概率达到最大；通过将认知用户分簇，并选择簇内信道特性最好的用户向决策中心传送信息，有效地提高了最终决策的准确度。仿真结果表明，本文算法具有较好的检测性能，与传统算法相比，能够提高检测概率和减小虚警概率。

认知无线电；协作检测；多簇检测；簇内加权

0 引言

认知无线电是一种智能无线通信系统，可以提高无线电通信频谱的利用率［1］。具有认知功能的无线通信设备能与外界环境交互信息，有目的地实时改变操作参数，在有限信号空间中以最优的方式有效地传送信息，可达到在任何时间地点实现高度可靠通信及有效利用频谱资源的目的［2－4］。认知无线电的一个基本认知周期要经历4个基本过程［5］：频谱感知、信道估计与预测、发射功率控制和频谱管理。

近年来，研究人员已经提出了较多的频谱感知的方法，主要可以分为4种类型：能量检测（Energy Detection）［5，6］、相关检测（Coherent Detection）［7］、循环平稳特征检测（Cyclostationary Feature Detection）［8］和协作检测［9］。当信道衰落较大并伴随阴影效应时，前3种算法性能都较低，而协作检测算法通过多个认知用户相互协作，提高了整体检测的性能。现在很多检测模型都采用具有中心决策的传统协作检测算法［10－12］，该算法虽然简单，但是个别用户的低性能检测会影响整体的决策效果，并且由于决策中心采用的报告数很多，因此信道利用率较低，结构也较为复杂。本文将协作用户分成多簇，每个簇内分别进行加权检测，并通过信道特性最好的簇头将检测结果报告给中心，决策中心通过准确性较好的少数报告进行最终决策；本文算法解决了传统算法的不足之处，并在检测性能上有了显著的提高。近年又出现了采用其他理论的检测方法［13－15］。

1 分簇加权协作检测算法模型

传统的检测算法，各检测用户对决策中心的贡献都是相同的，算法比较简单。但实际中，各用户到认知用户的信道特性并不是一样的，对于信噪比较好的用户，其检测结果的准确性必然要好于其他用户，而对于信噪比低的用户，其检测性能也较差；因此传统的检测算法将各用户一概而论常常导致系统整体检测性能较低，从而认知用户不能够准确利用空闲频谱。针对这种情况，可以对簇内各用户检测结果进行加权，在保证一定虚警概率的同时，提高检测概率。分簇检测模型如图1所示。

图1 分簇检测模型

2 算法性能分析

假设N个用户被分为M个簇，第i个簇内有Ni个认知用户，每个用户采用能量检测法。则第k个采样时隙，频谱感知可表示为：

式中，L为授权信号的时宽乘积。根据中心极限定理，如果采样数L足够大，观测量ui，j渐进服从高斯分布，均值和方差为：

第i簇的簇头对收到的观测向量yi=｛yi，j｜j=1，2，．．．，Ni｝T进行加权，最后得到总的决策信息为：

式中，wi=［wi，1，wi，2，．．．，wi，Ni］T为该簇的权向量且‖wi‖=1。权向量可以从全局角度来表现个别用户对最终决策的贡献。如果一个用户的信噪比较高，它应被分配较大的权向量，而对于经历深衰落或阴影效应的用户则应减小它们的权向量，以减少它对最终决策的负面效应。加权检测模型如图2所示。

图2 加权检测模型

因此，yi，c的均值和方差可以表示为：

式中，

如果该簇簇头的决策门限为γi，可以得到该簇簇内检测的虚警概率和检测概率为：

式中，Q（.）是Q函数。可以看出检测概率极大程度上依靠权向量和检测门限，而对与给定的虚警概率，门限又可以由权向量来求得。因此，需要在给定的虚警概率下，选择合适的权向量，使检测概率达到最大。权向量的优化表达式为：

对于上述优化方程，可以采用拉格朗日极值定理求解。拉格朗日算子函数为：

式中，λ0和λ1为待定系数，通过∂Lag/∂wi=0可以求得最优权向量，能够得到：

将式（15）带入式（11）可以得到该簇的检测概率Pd，i。因此模型总的虚警概率和检测概率为：

3 仿真结果分析

本文通过计算机仿真进一步对提出的协作检测算法进行性能评估，仿真中采用Monte Carlo方法，通过独立的仿真500次获得最终的统计结果。仿真参数和参数值如表1所示。

表1 仿真参数及参数值

这里假设信道服从瑞利分布，信道噪声服从均值为0的高斯分布，并且均为单位方差。

仿真中将本文算法和传统算法，以及采用多簇检测但簇内采用传统方法（非加权）的3种算法进行了比较。7个不同信噪比用户的加权系数如图3所示，其中实线代表用户的SNR由左边的纵坐标表示，虚线代表用户所分配的加权系数，由右边的纵坐标表示。能够看出本文的簇内加权算法可以为信噪比高的用户分配较大的权重，增加其决策中的分量；而对于信噪比低的用户则分配较小的权重，以减小它对决策所带来的负面效应，提高了簇内的整体检测性能。

图3 不同信噪比用户加权系数

3种算法检测概率随虚警概率的变化曲线如图4所示。可以看出在同一虚警概率下，采用多簇算法能够有效地提高系统的检测概率，这是因为每个簇内的簇头是该簇中到决策中心信噪比最好的用户，因此决策中心收到的报告误码率很小，所以提高了检测的准确度。对于采用簇内加权的算法，根据各认知用户信噪比分配其在决策中所占的权重，减小了检测性能差的用户给最终决策带来的负面效应，因此进一步提高了检测概率。

图4 检测概率随虚警概率变化曲线

在原仿真参数的基础上增加了认知用户的个数和簇数，反映虚警概率随认知用户数N的变化如图5所示。可以看出当检测概率Pd=0．5以及簇数M=4时，本文算法的虚警概率要小于另外2种。认知用户数的增加会提高虚警概率，降低认知无线电的信道利用率。本文算法通过对用户进行分簇，避免了个别用户检测性能差而带来的信道利用率低的问题。并且采用了加权措施，使得每簇内在固定检测概率下能够获得较低的虚警概率，因此本文算法的信道利用率及检测精度要好于传统算法。

图5 虚警概率随认知用户数的变化曲线

4 结束语

基于传统的协作检测算法，通过将协作的认知用户分簇，并在簇内对各认知用户的检测结果进行加权，减少了由于个别用户信道特性差、检测性能低而对最终决策产生的负面效应，有效地提高了整体检测性能。仿真结果表明，本文算法的虚警概率和检测概率要优于传统方法。本文算法不仅能够提高认知用户对信道的使用效率，还能够减少对授权用户的干扰。

［1］ MITOLA J.Cognitive Radio：Making Software Radios More Personal［J］.IEEE Personal Communication，1999，6（4）：13－18.

［2］ HAYKIN S.Cognitive Radio：Brain-empowered Wireless Communications［J］.IEEE Journal on Selected Areas in Communications，2005，23（2）：201－220.

［3］ KRENIK W，BATRA A.Cognitive Radio Techniques for Wide Area Networks［M］.Design Automation Conference，California，USA，2005：409－412.

［4］ 李晓丽，郑文秀.基于时频点集特征提取方法的宽带频谱感知［J］.无线电通信技术，2014，40（4）：33－36.

［5］ Natasha Devroye，Patrick Mitran，Vahid Tarokh.Limits on Communications in a Cognitive Radio Channel［J］.IEEE Communications Magazine，2006（6）：44－49.

［6］ 黄 浩，吴利民.基于能量和协方差的两步频谱感知［J］.无线电通信技术，2014，40（6）：29－32.

［7］ QUAN Zhi，CUI Shuguang，ALIH.Sayed，Optimal Linear Cooperation for Spectrum Sensing in Cognitive Radio Net-works［J］.IEEE Journal of Selected Topics in Signal Pro-cessing，2008，2（1）：28－40.

［8］ KAY SM.Fundamentals of Statistical Signal Processing：Detection Theory［M］.Englewood Cliffs，NJ：Prentice-Hall，1988.

［9］ CABRIC D，TKACHENKO A，BRODERSEN RW.Experi-mental Study of Spectrum Sensing Based on Energy De-tection and Network Cooperation［C］∥ACM 1st Int. Workshop on Technology and Policy for Accessing Spec-trum（TAPAS），2006.

［10］ PEH Edward，LIANGYingchang，Optimization for Cooper-ative Sensing in Cognitive Radio Networks［C］∥WC-NC2007，2007：27－32.

［11］ 胡 峰，郑紫微，熊 欧.基于SNR比较的协作频谱感知研究［J］.无线电通信技术，2014，40（4）：77－80.

［12］ 陈万培，施 鹏，陈晓龙，等.衰落信道下基于簇的协作频谱感知分析［J］.无线电工程，2012，42（7）：16－19.

［13］ SUN Chunhua，ZHANG Wei，LETAIEF K B.Cooperative Spectrum Sensing for Cogintive Radios under Bandwidth Constraints［C］∥WCNC2007，2007：1－5.

［14］ 张梦阳，孙学斌，李 斌，等.基于非负矩阵分解的频谱感知技术研究［J］.无线电工程，2013，43（11）：1－3，7.

［15］ 刘龙飞，孙学斌，周 正.一种基于极限学习机的频谱感知方法［J］.无线电工程，2015，45（3）：25－29.

［16］ CHAIR Z，VARSHNEY P K.Optimal Data Fusion in Mul-tiple Sensor Detection Systems［J］.IEEE Transactions on Aerospace and Electronic Systems，1986，AES－22（1）：98－101.

Multi-Cluster Cooperative Detection Algorithm for Cognitive Radio Based on Weight

LI TAO
（Depute Office of Ship Outfit in Harbin Area，Harbin Heilongjiang 150001，China）

Cooperative detection is an important part in cognitive radio.Through the cooperation of some cognitive users，the performance ofweak detection can improve in the case of channel fading and shadow effect.Traditional cooperative detection sometimes is weak because of toomany detection users and individual user’s bad channel.Moreover，each user has the same proportion in the decision of the center，and the detection performance of the singleuser is often ignored.Amulticluster cooperative detection algorithm based on weighing is proposed.Through giving cognitive users differentweights according to their SNR，the detection probability can reach the maximum.And through dividing the uses into clusters and choosing theuserwith the best channel characteristic to report to the decision centre，the precision of final decision can be improved effectively.Simulations show that our algorithm has a better detection performance，increases the detection probability，and decreases the alarm probability comparing with the traditional algorithm.

cognitive radio；cooperative detection；multi-cluster detection；weighing in cluster

TN911.23

A

1003－3106（2015）09－0041－04

10.3969/j.issn.1003－3106.2015.09.11

李 涛.基于分簇加权的认知无线电协作检测算法［J］.无线电工程，2015，45（9）：41－44.

李 涛男，（1972—），博士，船舶与海洋结构物设计制造专业。主要研究方向：通信计算机。

2015-05-15

国家自然科学基金资助项目（61201143）。