超密集网络中宽带频谱快速感知研究

周雄

为满足超密集网络中基站对宽带频谱资源的实时感知要求，提出了一种宽带频谱感知算法。本方法根据信号结构，通过保护边带获得噪声功率水平，据此迭代获得平均信号功率，从而得到信号与噪声的最佳判决门限，感知空闲频谱。本方法运算复杂度低，适用于已知信号结构下的宽带频谱感知。仿真结果表明，该算法有较好的性能且能适应较低信噪比的条件。

超密集网络 宽带频谱感知 快速感知

1 引言

超密集网络通过提高接入点密度，提高了区域频谱效率，是5G通信的重要发展方向。在超密集网络中，基站与认知无线电的结合将提升站点的即插即用能力[1]，提供高速率、低耗能的通信服务。

频谱感知作为认知无线电技术的核心功能，受到了广泛的关注，主要的频谱检测方法有：能量检测[2-3]、匹配滤波检测[4]、特征检测[5]以及波形检测[6]等。然而对于超密集网络，同一资源可能被多个相邻站点使用，感知信号复杂。感知基站通常处于邻居站点有效覆盖范围之外，信噪比条件较差，为保证负载的实时通信，须在较短感知周期内完成感知。对于宽带频谱感知方法，目前的研究成果主要是最优化频谱检测方法[7]，但是其感知周期长、复杂度高、可操作性低，其判决门限获取方法复杂，在超密集网络中不可行。在自组织网络中，由于感知信息难以相互共享，多个感知节点联合检测方法[8]难以在此适用。当前对于超密集网络中需要的，快速、准确、低复杂度的宽带频谱感知技术仍需进一步研究。

本文提出了一种宽带频谱检测技术，通过前端采样的子频带信息，利用保护边带的噪声信息，估计噪声功率与信噪比，从而获得最佳判决门限。在一个符号周期内，只需一次FFT运算，快速有效地得到感知带宽内各子频段的使用情况。本文方法利用保护边带的噪声信息，获得了最佳判决门限，复杂度低、可行性高、实时性能好，适合超密集网络中实际需要的宽带频谱感知。

2 系统模型

2.1 无线感知环境

在自组织的超密集网络中，各基站之间竞争共存，其配置参数一般各不相同，具体如图1所示。为满足用户的需求，保证网络中频谱资源能够被各个基站最优化地分配使用，每一个基站都必须实时掌握自己覆盖范围内的可用频谱资源信息，从而选择最佳频谱使用策略。所以，网络中的每一个基站都需要对宽带频谱中各个子频带进行感知，需要实时地、高效地感知出宽带频谱内每一个频点的使用情况。并且通常感知基站不在邻居节点覆盖范围内，信噪比条件较差，因此感知方法还需在低信噪比条件下有较好的性能。

对于频分复用的无线通信方式，其频谱都包含一个特定的工作频段和相应的保护频带。工作频段会被划分为多个通信子频带，每个子频带会占据一定带宽，保护频带则没有被任何用户使用。例如在LTE宽带通信中，频带宽达20MHz，等间隔划分为110个资源块，每个资源块包含12个子载波。此外，有宽达数十兆赫兹的保护频带。

2.2 感知信号

在LTE系统中，频谱资源的分配是以资源块为单位的。以一个资源块为单位进行分析，既能满足频谱感知精细度的要求，又能避免信号畸变对OFDM信号正交性破坏带来的影响。综上所述，感知需求就是正确感知每一单位频率资源的使用情况。

在自组织超密集网络中，各站点可自由加入或退出频移资源共享系统的，在感知周期内，站点之间缺乏协调机制。所以，基站接收到的信号往往来自多个基站，令接收信号xmi（t）代表来自编号为m的邻居节点第i段频谱时域检测信号，则：

其中smi（t）表示发送信号，vmi（t）表示时域噪声，M表示邻居基站个数，H0代表没有信号，H1代表有信号。令I表示感知宽带内的频谱单元总数，αi，m为相应信道增益，那么总的宽带范围的接收信号就为：

3 宽带频谱感知方法

超密集网络中，通常感知信号是来自多个站点信号的叠加，这会使得感知信号特征被破坏。对于某一频段，选择能量感知来判断是否被占用是一种简单的方法。对于本文讨论的场景中全体子频带的感知，因为空口信号的结构是已知的，因此可以确定保护带的位置，保护带不会被任何站点所使用。因此，可以利用这一先验知识，获得噪声功率的电平值，通过迭代运算，计算出平均信号功率，从而得到最佳判决门限。对所有子载波是否被占用进行最终判决，具体流程如图2所示：

下文中，详细分析了从前端采样获得的时域信号，并推导出最佳判决门限，详细叙述了迭代获取平均信号功率的方法，估计出信噪比参数，完成了宽带频谱的感知。

3.1 宽带采样信号分析

对于感知节点而言，若有任意一个邻居节点正在使用某一子频段，则感知基站应避免使用该子频段，令xi（t）为子频段i的总感知信号，则有：

令Ei（x）表示子频段i对应的时域感知信号能量，ωi表示某频点或者该资源块所对应的频率范围的中心频率，△ω表示对应频率单元的频谱宽度，Tsense为感知周期，F（ω）为感知信号的傅立叶变换。则由帕塞瓦尔定理可知：

可令Tsense=N×Tsample，其中Tsample为基站的信号采样周期，N则为感知周期内的采样点数。令为感知信号N点离散傅立叶变换值，于是感知能量估计值为：

其中，服从卡方分布[9]，但是当N足够大时（一般只需N≥20，在实际通信系统中很容易满足），可以认为渐进的服从正态分布，其统计特征模型如下：

其中Ps为信号功率，δ2v为噪声功率。当选择一个判决门限γ之后，相应的虚警率与检测率分别可表示为：

若是采用FFT运算进行功率谱估计，则在一个感知周期内就可以得到整个宽带内所有子频带信号的能量。如果能够确定合理的判决门限γ，便可判断每一个子频带的使用情况，确定感知向量。FFT快速运算即可满足感知算法的实时性要求。

3.2 判决门限的选择

综上所述，该方法所得的感知结果主要与判决门限的选择有关。从公式（6）可以看出，当接收信号在H0和H1情况下，二者分布的方差不相等，所以判决门限不能简单地视为二者期望的平均值。为找到综合考虑虚警率和漏检率的最佳判决门限γoptimal，记d1=γoptimal-Nδv，d2=Nδ2v+NPS-γoptimal分别为判决门限与H0、H1情况下能量期望的距离。在方差较大的H1时，其期望与判决门限距离应该较远，以平衡虚警率和漏检率，如图3所示。于是借助切比雪夫不等式：

根据公式（10）：

由此可得最佳判决门限γoptimal为：

γoptimal

从上述表达式可以看出最佳判决门限主要取决于信噪比和噪声功率。在实际系统中，需要估计这两个参数，以求得最佳判决门限。

3.3 参数估计

通过上面的分析，实现宽带频谱感知需要估计噪声功率和信噪比。通过对宽带采样信号的分析，可通过FFT运算，获得宽带中所有子频段及其保护频带的功率谱信息。那么在高斯信道条件下，可以对该感知周期内的信噪比与平均高斯噪声功率进行估计。

通常保护边带只包含了噪声信息，基站的发送信号经过成型滤波后，旁瓣衰减很快，泄漏到保护带的能量较小，可以认为是噪声的一部分。利用保护频带内的平均功率，可以估计噪声功率δv2 ，其中ω'代表边带频率，B为保护边带宽度，△ω为信号子频带宽度。噪声功率的公式为：

在高斯信道中，估计出噪声功率之后，可求得信号总功率为：

其中，Ps_sum为有用信号总功率，Psum为感知带宽内感知信号总功率。令lused为实际被占用的子频带数目，Ps为子频带上发射信号的平均功率。虽然邻居节点的覆盖半径有可能不一样，但是考虑到功率自适应调整，在各个小区边缘用户服务质量相同的情况下，可以认为不同节点的发送信号传输到其覆盖边缘时的功率基本相等，则Ps_sum为：

为求得信号平均功率Ps，采用如下迭代方法估计lused，然后代入公式（13）中求解可得Ps。迭代算法步骤如下：

其中，[·]运算代表四舍五入取整，q为迭代次数。在上述迭代运算中，

是对lused进行的估计值，当时，用对lused进行估计则包含了部分只有噪声的子载波；反之，则有部分有信号子载波未被包含。令Pextra表示相应误差所对应的多余或者遗漏的功率值，可表示为：

可写为：

于是，求解使用子频带使用数量估计值为：

从公式（18）可以看出，有如下性质：

从公式（19）可以看出，经过多次迭代运算之后，会使得收敛于lused，并且该方法对初始门限γ0的取值不敏感，仿真结果也表明了这一点。的迭代运算结果趋近实际的子频带使用数量lused，从而求得信号平均功率与信噪比如下：

4 仿真结果

在进行仿真时，采用OFDM调制方式的LTE宽带通信系统。在20MHz带宽的LTE系统中，包含110个资源块，每一个资源库包含12个正交子载波[10]。主要仿真结果如图4、图5所示。给出了漏检率与虚警率仿真曲线，分别同公式（7）、公式（8）中的理论曲线进行对比。

图4与图5分别表示漏检率与虚警率。从仿真结果来看，仿真曲线与理论曲线基本契合，且在较低信噪比条件下，依然能够获得较低的漏检率与虚警率，从而保证频谱感知效率。并且，在对lused进行估计时，γ0取值从功率归一化取值范围为0.3至0.8，均可以在10次迭代计算以内收敛。然而在公式（6）中，将卡方分布近似成正态分布，存在一定误差，这也是造成仿真曲线与理论曲线存在误差的主要因素。

5 结束语

本文提出了一种快速宽带频谱感知方法，该方法能够在高斯信道下，准确地估计出感知信号信噪比与平均噪声功率，求得最佳判决门限。进而在一个感知周期内分别感知宽带频谱内每一个资源块或频点的使用情况，运算复杂度较低，有非常强的实时性，针对采用OFDM的LTE宽带系统有良好的性能。通过仿真验证可知，在较低信噪比条件时，其仍具有较低的虚警率与漏检率，仿真结果曲线与理论曲线有很好的一致性。

参考文献：

[1] Lee J， Yoon J， Song H， et al. Traffic pattern-based opportunistic spectrum access of cognitive femto base stations for decentralized cross-tier interference management[A]. Ubiquitous and Future Networks （ICUFN）， 2014 Sixth International Conf. on. IEEE， 2014： 352-356.

[2] Kay S M. Fundamentals of Statistical Signal Processing： Detection Theory[M]. Englewood Cliff， NJ： Prentice-Hall， 1988： 248-299.

[3] Wang C C， Wang D S， Chen S Y， et al. A wide range and high conversion gain power detector for frequency shift sensing applications[A]. Circuits and Systems （MWSCAS）， 2015 IEEE 58th International Midwest Symposium on IEEE， 2015： 1-4.

[4] Poor H V. An Introduction to Signal Detection and Estimation[M]. New York： Springer-Verlag， 1998： 50-150.

[5] Enserink S， Cochran D. A cyclostationary feature detector[J]. Signals Systems and Computers， 1994（2）： 806-810.

[6] Axell E， Leus G， Larsson E G， et al. Spectrum sensing for cognitive radio： State-of-the-art and recent advances[J]. Signal Processing Magazine， IEEE， 2012，29（3）： 101-116.

[7] Sun H， Nallanathan A， Wang C X， et al. Wideband spectrum sensing for cognitive radio networks： a survey[J]. Wireless Communications， IEEE， 2013，20（2）： 74-81.

[8] Sun H， Chiu W Y， Jiang J， et al. Wideband spectrum sensing with sub-Nyquist sampling in cognitive radios[J]. IEEE Transactions on Signal Processing， 2012，60（11）： 6068-6073.

[9] MacKenzie A B， Reed J H， Athanas P， et al. Cognitive radio and networking research at Virginia Tech[J]. Proceedings of the IEEE， 2009，97（4）： 660-688.

[10] Sesia S， Toufik I， Baker M. LTE： the UMTS long term evolution[M]. New York： John Wiley & Sons， 2009.