認(rèn)知無(wú)線電合作頻譜感知算法研究

包志強(qiáng)，史園園

（西安郵電大學(xué)通信與信息工程學(xué)院，陜西西安710061）

認(rèn)知無(wú)線電合作頻譜感知算法研究

包志強(qiáng)，史園園

（西安郵電大學(xué)通信與信息工程學(xué)院，陜西西安710061）

頻譜感知是實(shí)現(xiàn)認(rèn)知無(wú)線電功能的前提條件，也是認(rèn)知無(wú)線電領(lǐng)域的一個(gè)研究熱點(diǎn)。近年來(lái)人們提出了很多頻譜感知的方法，尤其是合作頻譜感知算法日益受到人們的關(guān)注。綜述了合作頻譜感知技術(shù)的最新研究進(jìn)展，從簡(jiǎn)單的線性信息融合算法到復(fù)雜的非線性感知算法，以及多天線合作感知等算法，通過(guò)仿真比較各種方法的檢測(cè)性能，并展望未來(lái)頻譜感知所面臨的挑戰(zhàn)和發(fā)展趨勢(shì)。

認(rèn)知無(wú)線電；合作頻譜感知；信息融合；檢測(cè)性能

0 引言

近年來(lái)合作頻譜感知得到了廣泛而深入的研究。本文主要研究?jī)?nèi)容從4個(gè)方面進(jìn)行。

第一，硬判決合作感知算法［1，2］這樣可以有效地解決單用戶隱藏終端問(wèn)題；但是該方法容易受到信道衰落的影響。文獻(xiàn)［3－7］利用加權(quán)的思想，為各個(gè)認(rèn)知用戶的檢測(cè)結(jié)果附加權(quán)重，這樣就能夠有效地避免信道環(huán)境對(duì)最終結(jié)果的影響。

第二，基于RMT隨機(jī)矩陣?yán)碚摚擃愃惴ㄗ罹叽硇缘?種頻譜感知算法，分別是MED算法［8］、基于最大與最小特征值之比［9，10］和MMED算法［11］，這些算法不同之處就在于檢測(cè)統(tǒng)計(jì)量的構(gòu)造不同，MED算法克服了門限固定的缺點(diǎn)，但是受到噪聲不確定性的影響。基于最大最小特征值之比的算法有效地克服了噪聲不確定性的影響，門限總是固定不變的。MMED算法克服了上述2種算法的缺點(diǎn)，不僅具有感知性能更好以及對(duì)噪聲不敏感等優(yōu)點(diǎn)，而且在認(rèn)知用戶較少、樣本較小的情況下，也可以獲得較好的檢測(cè)性能。

第三，使用D－S融合規(guī)則來(lái)對(duì)各自感知節(jié)點(diǎn)的感知信息進(jìn)行融合，如文獻(xiàn)［12］和文獻(xiàn)［13］的算法，改進(jìn)多節(jié)點(diǎn)算法合并規(guī)則中未考慮單節(jié)點(diǎn)感知可信度或需要知道單節(jié)點(diǎn)的先驗(yàn)信息的缺點(diǎn)。

第四，基于模糊理論如文獻(xiàn)［14］，多天線的合作頻譜感知算法如文獻(xiàn)［15］，頻譜感知算法中的節(jié)能問(wèn)題如文獻(xiàn)［16－18］。

1 信息融合算法

1.1 硬判決融合算法

硬判決算法是信息融合算法中最簡(jiǎn)單、最基礎(chǔ)的算法。最典型的硬判決融合方法就是“與”、“或”、“K of N”算法。硬判決算法解決了單用戶頻譜感知中的隱藏終端及靈敏度過(guò)高的問(wèn)題。然而此方法只能適合信道條件好的環(huán)境中。

1.2 線性加權(quán)算法

常見的線性加權(quán)的方法主要是：均值加權(quán)和信噪比加權(quán)。

1.2.1 基于均值加權(quán)算法

均值加權(quán)算法類似于“K of N”原則算法，當(dāng)有N個(gè)認(rèn)知用戶參與合作時(shí)，加權(quán)因子wi＝1/N，i＝1，2，3，...，N。認(rèn)知用戶將檢測(cè)到的信息傳送到融合中心，融合中心根據(jù)所傳信息進(jìn)行加權(quán)并作出最終判決，與“K of N”算法不同之處在于，均值加權(quán)中，認(rèn)知用戶傳遞的是檢測(cè)到的全部信息，而不是判決結(jié)果。因此這樣就能夠使得融合中心能夠做出更準(zhǔn)確的判決。

1.2.2 基于信噪比加權(quán)算法

實(shí)際的通信環(huán)境中，各個(gè)認(rèn)知用戶所處的地理環(huán)境不同，主用戶的信號(hào)經(jīng)過(guò)衰落并且混合著噪聲到達(dá)各認(rèn)知用戶的接收端，由于無(wú)線環(huán)境的復(fù)雜及人為噪聲的影響，認(rèn)知用戶介紹到的信號(hào)的信噪比是不同的，利用各認(rèn)知用戶的信噪比構(gòu)造其加權(quán)因子，就是信噪比加權(quán)的合作感知算法。

首先，各個(gè)認(rèn)知用戶的權(quán)重因子由下式所確定：

式中，γi是第i個(gè)認(rèn)知用戶的信噪比是N個(gè)用戶總的信噪比，則wi為第i個(gè)用戶的權(quán)重。然后，將權(quán)重分配給相應(yīng)的用戶，生成新的檢驗(yàn)統(tǒng)計(jì)量Y＝

1.3 基于信任度加權(quán)算法

此算法首先定義一個(gè)模糊型指數(shù)信任度函數(shù)bij（表示第i個(gè)用戶被第j個(gè)用戶信任的程度），對(duì)兩認(rèn)知用戶間的信任度進(jìn)行量化處理，并通過(guò)信任度矩陣度量各認(rèn)知用戶測(cè)得的數(shù)據(jù)的綜合信任度，以合理分配測(cè)得數(shù)據(jù)在融合工程中所占權(quán)重本文將信任度函數(shù)bij定義為滿足模糊性的指數(shù)函數(shù)形式，即設(shè)：

式中，γi，γj分別表示第i個(gè)用戶和第j個(gè)用戶的信噪比，用上述式子表示即充分利用了模糊理論中隸屬度函數(shù)范圍確定的優(yōu)點(diǎn)，又避免了數(shù)據(jù)之間相互信任程度的絕對(duì)化，更符合實(shí)際環(huán)境，便于具體實(shí)施，從而使結(jié)果更加準(zhǔn)確。權(quán)重因子表示為：

由上式可知，權(quán)值計(jì)算的基本單位是信號(hào)的指數(shù)形式，其值隨著自變量的增大而逐漸減小，即隨著信任度的減小而逐漸減小，與漏檢概率隨著信噪比的減小而逐漸減小的特性相類似，具有很好的擬合性。

1.4 基于信噪比選擇加權(quán)合作算法

合作頻譜感知過(guò)程中伴隨著巨大的系統(tǒng)資源的消耗，若限制參與合作的認(rèn)知用戶數(shù)目，就能夠減小系統(tǒng)資源的消耗。設(shè)置信噪比門限，使信噪比大于門限的認(rèn)知用戶參與合作，小于門限的用戶不參與合作。該算法首先要找出最大的信噪比＝（），然后設(shè)置目標(biāo)信噪比＝η，其中，η是信噪比門限，將第i個(gè)認(rèn)知用戶的信噪比與目標(biāo)信噪比進(jìn)行對(duì)比，當(dāng)γi＞γth時(shí)，則參與融合，對(duì)于則不參與合作，從整體上減小了資源的消耗，這個(gè)也是頻譜感知未來(lái)研究的方向之一。硬判決融合規(guī)則性能比較如圖1所示。

圖1 硬判決融合規(guī)則性能比較

圖1參數(shù)設(shè)置為：7個(gè)認(rèn)知用戶參與合作，采樣點(diǎn)數(shù)為1 000，單個(gè)認(rèn)知用戶的虛警概率為0.1。從圖1中可以看出，“與”規(guī)則在信噪比小于－6 dB時(shí)檢測(cè)概率小于99.9％，容易對(duì)授權(quán)用戶產(chǎn)生干擾；而“或”規(guī)則在授權(quán)用戶不存在時(shí)也有一半概率判定授權(quán)用戶存在，造成大量空閑頻段的浪費(fèi)；“K of N”算法既滿足虛警概率的要求，在－9 dB時(shí)檢測(cè)概率為99.9％，滿足要求，性能優(yōu)于前兩者。

圖2參數(shù)設(shè)置為：認(rèn)知用戶接收到的信號(hào)信道環(huán)境相同，即認(rèn)知用戶的信噪比是相同的，認(rèn)知用戶數(shù)N＝12，單用戶采用能量檢測(cè)算法且虛警概率為Pf＝0.1，抽樣數(shù)為1 000；從圖2中明顯看出均值加權(quán)性能明顯優(yōu)于“K of N”算法，這是因?yàn)椤癒 of N”算法中融合中心僅得到了認(rèn)知用戶的二元判決信息，而在均值加權(quán)算法中融合中心得到了認(rèn)知用戶檢測(cè)到的全部信息。

圖2 均值加權(quán)和“K of N”原則仿真性能對(duì)比

圖3認(rèn)知用戶數(shù)目N＝7，采樣點(diǎn)數(shù)為600。從圖3可以看出，在不同的信噪比的條件下，采用信噪比加權(quán)的融合算法比采用均值加權(quán)的融合算法，檢測(cè)性能好。

圖3 均值加權(quán)與信噪比加權(quán)性能比較

從圖4可以看出，基于信任度加權(quán)算法的漏檢概率明顯低于其余2種算法，因?yàn)槁z概率與檢測(cè)概率之和等于1，因此漏檢概率越小說(shuō)明檢測(cè)概率越大，系統(tǒng)的檢測(cè)性能越好。圖5的參數(shù)設(shè)置為：認(rèn)知用戶數(shù)為10，其余條件不變。從圖5中可以看出選擇信噪比加權(quán)算法的檢測(cè)性能與信噪比加權(quán)的算法性能基本相同，同時(shí)2個(gè)的性能優(yōu)于均值加權(quán)算法。信噪比加權(quán)有10個(gè)認(rèn)知用戶參與合作，信噪比選擇只有7個(gè)認(rèn)知用戶參與合作，因此后者將節(jié)省大約30％的系統(tǒng)能量。因此，信噪比選擇合作算法既能夠節(jié)省資源，檢測(cè)性能也沒有下降。

圖4 信任度加權(quán)、信噪比加權(quán)和均值加權(quán)的性能對(duì)比圖

圖5 均值加權(quán)、信噪比加權(quán)、信噪比選擇加權(quán)性能比較

2 非線性合作感知算法研究

所列舉的非線性合作頻譜感知算法主要針對(duì)接收信號(hào)協(xié)方差矩陣特性，將其特征值最為判決門限的合作頻譜感知算法，不同的算法對(duì)應(yīng)不同的判決門限。

2.1 最大特征值檢測(cè)理論（MED）

MED算法利用隨機(jī)矩陣?yán)碚撝杏嘘P(guān)隨機(jī)矩陣最大特征值概率分布特性理論，獲得了采樣協(xié)方差的最大特征值的概率分布函數(shù)。

概率密度分布函數(shù)的表達(dá)式極為復(fù)雜，沒有一個(gè)緊湊的表達(dá)式，其一階累積Tracy－Widom分布函數(shù)表示為：

式中，q（u）是下面微分方程的解：

根據(jù)該分布函數(shù)求出判決門限隨虛警概率變化的表達(dá)式，該算法克服了判決門限不固定的缺點(diǎn)。但是，MED算法同樣存在當(dāng)認(rèn)知節(jié)點(diǎn)數(shù)和采樣次數(shù)較小時(shí)，感知性能惡化的缺點(diǎn)；由于該分布函數(shù)只是近似表達(dá)式，當(dāng)采樣數(shù)較小時(shí)理論門限與統(tǒng)計(jì)門限誤差較大，這會(huì)影響MED算法的確切性和可靠性。其中，MED算法的檢驗(yàn)統(tǒng)計(jì)量為：

式中，K為認(rèn)知用戶個(gè)數(shù)，N為采樣次數(shù)，由式子可以看出MED算法的判決門限與噪聲功率有關(guān)，因此會(huì)受到噪聲不確定性的影響。

2.2 最大最小特征值檢測(cè)算法（MME）

該算法采用RMT理論對(duì)多個(gè)認(rèn)知用戶接收信號(hào)的采樣協(xié)方差矩陣特征值分布特性進(jìn)行分析，利用RMT中的極限漸進(jìn)譜理論求出該協(xié)方差矩陣的最大和最小特征值的極限值，并將這2個(gè)極限的比值作為頻譜檢測(cè)的判決門限?；跇O限理論可以得到如下表達(dá)式：

若TMME＝λmax/λmin＞γMME時(shí)，則判斷主用戶信號(hào)存在，否則判定不存在。

該算法無(wú)需任何主用戶發(fā)射機(jī)信號(hào)的先驗(yàn)知識(shí)，而且克服了MED算法判決門限受噪聲不確定性的影響。但是，由于該方法采用最大特征值和最小特征值的極限最為判決門限，造成不同感知情況下的判決門限始終不變，使其無(wú)法根據(jù)當(dāng)前實(shí)際情況實(shí)時(shí)改變判決門限，這勢(shì)必會(huì)大大影響系統(tǒng)的感知性能及其可靠性。

2.3 MMED檢測(cè)算法

針對(duì)上述基于RMT理論的頻譜感知算法的缺點(diǎn)，如參考文獻(xiàn)［11］提出了一種新的合作感知算法（Maximum－Minimum Eigenvalue Detection，MMED）該算法對(duì)多認(rèn)知用戶采樣協(xié)方差矩陣的最小特征值的概率分布特性進(jìn)行研究，并獲得了比采樣協(xié)方差矩陣最大特征值概率分布更精確的最小特征值概率密度函數(shù)。根據(jù)該最小特征值的概率密度函數(shù)求得更精確的判決門限。最小特征值的概率密度函數(shù)服從二階Tracy－Widom概率分布：

MMED算法的檢驗(yàn)統(tǒng)計(jì)量只與采樣次數(shù)N和認(rèn)知用戶數(shù)K以及二階Tracy－Widom分布函數(shù)的反函數(shù)有關(guān)，與噪聲無(wú)關(guān)。

最小特征值分布函數(shù)比最大特征值分布函數(shù)更加精確，因而使得MMED算法在認(rèn)知節(jié)點(diǎn)較少、采樣樣本較小的情況下，亦能獲得較好的感知性能。MMED算法無(wú)需主用戶的任何先驗(yàn)知識(shí)及噪聲功率等信息，并且其算法的復(fù)雜度幾乎與MED算法和最大最小特征值之比算法相同。與基于最大特征值的頻譜感知算法相比，MMED算法不僅具有感知性能更好以及對(duì)噪聲不敏感等優(yōu)點(diǎn)，而且在認(rèn)知用戶較少、樣本較小的情況下，也可以獲得較好的檢測(cè)性能。

圖6參數(shù)設(shè)置為：認(rèn)知用戶數(shù)為20，采樣點(diǎn)數(shù)為3 000，MED－0dB和MED－3dB分別表示MED算法在噪聲不確定性值為0 dB和3 dB時(shí)的檢測(cè)性能。從仿真曲線可以看出MMED算法和最大與最小特征值比值的算法的ROC曲線不隨噪聲的波動(dòng)而發(fā)生變化，而MED算法的檢測(cè)性能對(duì)噪聲比較敏感。當(dāng)沒有噪聲波動(dòng)時(shí)MED算法的漏檢概率最低，其檢測(cè)性能也最優(yōu)，但當(dāng)存在噪聲波動(dòng)且虛警概率增加到約0.55％時(shí)，MMED算法的性能最好。

圖6 漏檢概率隨著虛警概率的變化曲線

圖7參數(shù)設(shè)置為：認(rèn)知用戶數(shù)為20，虛警概率為0.05，其他參數(shù)保持不變。從仿真結(jié)果可以看出隨著采樣數(shù)的增加，3種算法的檢測(cè)概率均有所增加，而且噪聲對(duì)MMED算法和最大最小特征值之比算法的檢測(cè)性能基本沒有影響。當(dāng)噪聲不確定性為0 dB時(shí)，MED算法的檢測(cè)性能最優(yōu)，當(dāng)噪聲確定性為3 dB時(shí)，MED算法的檢測(cè)性能最差，而且隨著采樣點(diǎn)數(shù)的增加，其檢測(cè)性能增加不明顯。

圖7 檢測(cè)概率隨采樣次數(shù)變化曲線

3 基于D－S理論的合作感知算法研究

D－S證據(jù)理論作為一種不確定的推理算法，是Dempster于1967年最初提出的［19］，后由它的學(xué)生Shafer對(duì)證據(jù)理論做出了進(jìn)一步的研究，經(jīng)過(guò)多年的發(fā)展已經(jīng)可以形成由不知道引起的不確定性的較完整的理論體系。

在認(rèn)知無(wú)線電系統(tǒng)中，由于信道的隨機(jī)性，造成了認(rèn)知節(jié)點(diǎn)對(duì)主用戶信息感知的不確定性，使用DS融合規(guī)則來(lái)對(duì)各自感知節(jié)點(diǎn)的感知信息進(jìn)行融合，如文獻(xiàn)［20］提出的算法，改進(jìn)了單節(jié)點(diǎn)算法中需要先驗(yàn)信息的缺點(diǎn)，該算法分為2個(gè)步驟進(jìn)行判決，一是感知節(jié)點(diǎn)處的本地感知，二是中心控制融合節(jié)點(diǎn)的綜合判決。融合中心采用D－S融合規(guī)則對(duì)各節(jié)點(diǎn)的感知信息進(jìn)行融合，并根據(jù)一定的決策規(guī)則作出是否存在主用戶信號(hào)的最終判決。D－S證據(jù)融合規(guī)則為：

式中，K＝∑m1（Ai）m2（Bj）反映了各個(gè)證據(jù)之間

Ai∩Bj＝A的沖突程度，系數(shù)1/（1－K）稱為歸一化因子。本算法的本地檢測(cè)的結(jié)果對(duì)于假設(shè)H 0和H12種不同證據(jù)的支持程度即基本信任度分配函數(shù)設(shè)為mi（H0）和mi（H1）及感知節(jié)點(diǎn)對(duì)整個(gè)感知結(jié)果不確定信任度函數(shù)mi（T），其中，mi（H0）＋mi（H1）＋mi（T）＝1。融合中心收到來(lái)自各個(gè)節(jié)點(diǎn)的感知結(jié)果{mi（H0）、mi（H1）、mi（T）}之后根據(jù)式（11）得到感知的綜合信任度{m（H0）、m（H1）、m（T）}，根據(jù)決策規(guī)則：

圖8參數(shù)設(shè)置為：3個(gè)認(rèn)知用戶，信噪比分別為：－10 dB、－12 dB、－14 dB。從圖8可以看出在不同信噪比條件下，采用D－S理論進(jìn)行合并比其他2種合并在檢測(cè)性能上均有大幅度提高。由上面2種情況可以得出結(jié)論，基于D－S證據(jù)理論的協(xié)作頻譜感知算法與原有的頻譜感知算法相比，其感知性能有了很大的提高。基于D－S理論的協(xié)作頻譜感知不需要知道各個(gè)感知節(jié)點(diǎn)的信噪比、虛警概率，只需知道各個(gè)認(rèn)知節(jié)點(diǎn)的感知結(jié)果就可以計(jì)算本次感知的信任度，融合中心傳輸結(jié)果時(shí)，只需要傳送2個(gè)變量，節(jié)省開銷。因此，D－S理論的頻譜感知算法具有很高的利用價(jià)值。

圖8 4種算法在3種不同信噪比下的性能曲線

4 基于模糊理論的合作頻譜感知算法

實(shí)際感知應(yīng)用中，由于參與協(xié)作的感知的認(rèn)知用戶會(huì)受到一些不利因素的影響，如信道衰落、噪聲不確定性及相鄰節(jié)點(diǎn)陰影相關(guān)性等，導(dǎo)致融合中心最終結(jié)果的不確定性會(huì)很大，因此采用簡(jiǎn)單的融合方式不能充分反映用戶的所有觀測(cè)信息。而在實(shí)際環(huán)境中，針對(duì)D－S證據(jù)理論方法的缺點(diǎn)，文獻(xiàn)［11］是基于模糊理論的合作頻譜感知算法。模糊積分是可測(cè)函數(shù)關(guān)于模糊測(cè)度的積分，在融合中心采用模糊積分，本地檢測(cè)算法采用能量算法，得到每個(gè)認(rèn)知用戶的檢測(cè)統(tǒng)計(jì)量Yi，根據(jù)檢測(cè)統(tǒng)計(jì)量構(gòu)造可測(cè)函數(shù)fi（H0）和fi（H1），其中，fi（H0）表示第i個(gè)認(rèn)知用戶根據(jù)檢驗(yàn)統(tǒng)計(jì)量得到本地檢測(cè)結(jié)果為H0的隸屬度，同時(shí)fi（H1）表示第i個(gè)認(rèn)知用戶根據(jù)檢驗(yàn)統(tǒng)計(jì)量得到本地檢測(cè)結(jié)果為H1的隸屬度。由于檢驗(yàn)統(tǒng)計(jì)量服從高斯分布，則選擇正態(tài)形隸屬函數(shù)進(jìn)行可能性計(jì)算，其中a為調(diào)整因子。模糊積分的可測(cè)函數(shù)表達(dá)式為：

式中，a為調(diào)整因子取值為9，檢驗(yàn)統(tǒng)計(jì)量Yi的出現(xiàn)率為99.7％，也就是表示幾乎所有的Yi都能夠分配到合理的隸屬度，u0和u1，σ20和σ21分別為均值與方差。

對(duì)基于模糊積分的協(xié)作頻譜感知算法所需的模糊測(cè)度多分類器數(shù)據(jù)融合的方法求解模糊測(cè)度。混淆矩陣和模糊測(cè)度表達(dá)式為：

各個(gè)認(rèn)知用戶將各自本地檢測(cè)為有無(wú)主用戶信號(hào)的隸屬度傳輸?shù)饺诤现行?，融合中心將其與求得的模糊測(cè)度進(jìn)行模糊積分處理，得到最終隸屬度值，然后根據(jù)隸屬度最大原則判決機(jī)制作出最終判決。

模糊積分表達(dá)式為：

式中，（c）∫（.）f dμ是對(duì)（.）的模糊積分，μ是模糊測(cè)度值，X是給定的集合，x是集合內(nèi)的元素，f是定義在X上的可測(cè)函數(shù)值。

圖9為不同信噪比下檢測(cè)性能比較。

圖9 不同信噪比下檢測(cè)性能比較

圖9參數(shù)設(shè)置為：在AWGN信道下，參與協(xié)作的認(rèn)知用戶本地感知用能量檢測(cè)算法，取采樣點(diǎn)數(shù)為300，主用戶信號(hào)服從高斯分布，噪聲也服從告訴分布。由圖9可以看出，各融合方式的檢測(cè)概率都隨著信噪比的增加而增加，同時(shí)，在低信噪比的情況下，基于模糊積分協(xié)作頻譜感知算法的檢測(cè)概率相較于其他的檢測(cè)算法都是最優(yōu)的。但是當(dāng)信噪比高于某一值后，各頻譜感知算法的檢測(cè)概率幾乎都趨于1?？梢姡痉椒梢杂行У靥岣叩托旁氡惹闆r下的檢測(cè)概率，可以將此方法應(yīng)用于低信噪比環(huán)境下的合作頻譜感知中。

圖10參數(shù)設(shè)置為：設(shè)信噪比均為－10 dB，由圖可以看出，在相同信噪比條件下，基于模糊積分融合算法的檢測(cè)概率高于“AND”和“OR”融合算法。由上述仿真結(jié)果可以得出，基于模糊積分的融合算法比硬判決的融合算法的性能好。

圖10 信噪比相同時(shí)的檢測(cè)概率比較

5 合作頻譜感知算法未來(lái)研究方向及展望

上述的合作感知算法如AND和OR的融合策略的感知算法。這些關(guān)于頻譜感知都是基于單輸入單輸入的情況。未來(lái)的移動(dòng)通信必然會(huì)引入多天線技術(shù)，甚至可能在用戶終端內(nèi)置天線來(lái)獲得更高的數(shù)據(jù)速率和更好的通信性能，這是移動(dòng)通信發(fā)展的必然趨勢(shì)。對(duì)多天線感知無(wú)線電的研究也不僅僅局限于提高檢測(cè)性能，而是將重點(diǎn)放在提高感知網(wǎng)絡(luò)的容量和吞吐量上。

節(jié)能問(wèn)題一直是社會(huì)熱點(diǎn)，然而頻譜感知也不例外，在未來(lái)的研究中也會(huì)將通信開銷問(wèn)題作為重點(diǎn)研究方向。文獻(xiàn)［16－18］所述的算法，指出了合作感知中通信開銷的問(wèn)題。該算法計(jì)算每個(gè)認(rèn)知用戶的信任度，對(duì)于信任度小于預(yù)先設(shè)定的信任度閾值的認(rèn)知用戶，不發(fā)送結(jié)果到融合中心。這樣就使得占用信道的用戶數(shù)明顯減小，從而降低系統(tǒng)開銷，并且檢測(cè)性能也不會(huì)受到影響。未來(lái)頻譜感知研究將重點(diǎn)放在節(jié)能、快速、準(zhǔn)確的方向上。

［1］趙寶柱，邢志強(qiáng)，劉序明，等.基于最優(yōu)計(jì)數(shù)準(zhǔn)則的合作頻譜感知算法［J］.傳感器與微系統(tǒng)：2012，31（2）：48－51.

［2］卞荔，朱琦.基于數(shù)據(jù)融合的協(xié)作頻譜感知算法［J］.南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，29（2）：73－78.

［3］楊鐵軍，司春麗.基于信任度加權(quán)的合作頻譜感知算法［J］.計(jì)算機(jī)應(yīng)用研究，2012，29（8）：3124－3127.

［4］段鵬，何明一，薛敏彪.基于信噪比軟信息的協(xié)同頻譜感知算法［J］.信號(hào)處理，2011，27（2）：183－188.

［5］余峰，宋春林，談彩萍，等.基于信譽(yù)度的頻譜感知數(shù)據(jù)融合算法［J］.通信技術(shù)，2012，45（5）：12－14.

［6］劉斌，楊俊安.基于數(shù)據(jù)融合的加權(quán)合作頻譜感知技術(shù)［J］.電子技術(shù)應(yīng)用，2008（12）：117－119，123.

［7］段鵬，何明一，薛敏彪.基于信噪比軟信息的協(xié)同頻譜感知算法［J］.信號(hào)處理，2011，27（2）：183－188.

［8］曹開田，楊震.一種新型的基于最大特征值的合作頻譜感知算法［J］.電子與信息學(xué)報(bào)，2011，33（6）：1367－1372.

［9］曹開田，楊震，基于隨機(jī)矩陣?yán)碚摰腄ET合作頻譜感知算法［J］.電子與信息學(xué)報(bào)，2010，32（1）：129－134.

［10］曹開田，楊震，基于最小特征值的合作頻譜感知新算法［J］.儀器儀表學(xué)報(bào)，2011，32（4）：736－741.

［11］曹開田，王尚.基于RMT的合作頻譜感知新算法及其性能分析［J］.計(jì)算機(jī)應(yīng)用研究，2011，28（7）：2640－2642，2646.

［12］肖淑艷，孫茜，衡芹，等.基于D－S理論的認(rèn)知無(wú)線電頻譜感知算法［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47（33）：91－93.

［13］王苗苗，李世銀，肖淑艷，等.基于改進(jìn)D－S證據(jù)理論的認(rèn)知無(wú)線電頻譜感知算法［J］.電訊技術(shù)，2012，52（8）：1303－1307.

［14］Liu Wei－dong Liu，Lv Tie－jun，XIA Jin－h(huán)uan，et al.An Optimal Cooperative Spectrum Sensing Scheme Based on Fuzzy Integral Theory in Cognitive Radio Networks［C］∥Personal，Indoor and Mobile Radio Communications，2009 IEEE 20th International Symposium on Digital Object Identifier：1019－1023.

［15］楊黎，王曉湘，趙堃.多天線感知無(wú)線電中的協(xié)作頻譜感知算法［J］.電子與信息學(xué)報(bào)，2009，31（10）：2338－2342.

［16］Chen H，Wu W，Xie L.Cooperative Spectrum Sensing Scheme with Light Communication Overhead in Cognitive Radio Networks［C］∥Proc.Of IEEE PIMRC 2010，2010：1539－1543.

［17］Yao J，Leung K，Li V O K.A Random Censoring Scheme for Cooperative Spectrum Sensing［C］∥Proc.of IEEE GLOBECOM 2011，2011：1－5.

［18］Zhang Nan－nan，Chen Hui－fang，Xie Lei.A Communication－overhead－aware Cooperative Spectrum Sensing Scheme in Cognitive Radio Networks［C］∥Proc.of IEEE GLOBECOM 2012：351－356.

［19］Dempster A P.Upper and Lower Probabilities Induced by a Multivalued Mapping［J］.The Annals of Mathematical Statistics，1967，38（2）：325－339.

［20］Zhang Shi－bing，Yang Jiao－jiao，Guo Li－li.Eigenvaluebased Cooperative Spectrum Sensing algorithm［C］∥2012 Second International Conference on Instrumentation ＆Measurement，Computer，Communication and Control，2012：375－378.

Review of Cooperative Spectrum Sensing Algorithm for Cognitive Radio

BAO Zhi－qiang，SHIYuan－yuan
（School of Communication and Information Engineering，Xi’an University of Posts and Telecommunications，Xi’an Shaanxi710061，China）

Spectrum sensing is a prerequisite for the realization of cognitive radio function，and also a hot research topic in cognitive radio field.In recent years，lots of methods have been proposed for spectrum sensing，especially the cooperative spectrum sensing algorithms，which are attracting more and more attention.This paper summarizes the latest research progress in cooperative spectrum sensing technology，such as simple linear weighted sensingmethods，nonlinear weighted algorithms and cooperative sensing algorithms with multiple antennas.The detection performance of variousmethods is compared through simulations，and the challenges for the future spectrum sensing are given.

cognitive radio；cooperative sensing；information fusion；detection performance

TN92

A

1003－3114（2015）04－24－7

10.3969/j.issn.1003－3114.2015.04.06

包志強(qiáng)，史園園.認(rèn)知無(wú)線電合作頻譜感知算法研究［J］.無(wú)線電通信技術(shù)，2015，41（4）：24－30.

2015－03－02

國(guó)家自然科學(xué)基金項(xiàng)目（61271276）；陜西省自然科學(xué)基金項(xiàng)目（2012JQ8011）；陜西省教育廳自然科學(xué)研究項(xiàng)目（11JK0925）

包志強(qiáng)（1978—），男，副教授，博士，主要研究方向：陣列信號(hào)處理和頻譜感知技術(shù)。史園園（1988—），女，碩士研究生，主要研究方向：認(rèn)知無(wú)線電頻譜感知技術(shù)研究。