一種噪聲未知的新型空間頻譜分布協(xié)作感知算法

吳　名　 宋鐵成　 沈連豐　 胡　靜

(東南大學(xué)移動(dòng)通信國(guó)家重點(diǎn)實(shí)驗(yàn)室, 南京 210096)

一種噪聲未知的新型空間頻譜分布協(xié)作感知算法

吳名 宋鐵成 沈連豐 胡靜

(東南大學(xué)移動(dòng)通信國(guó)家重點(diǎn)實(shí)驗(yàn)室, 南京 210096)

摘要:為了獲得占用頻段、主用戶發(fā)射功率、位置和本地噪聲等全局信息,給出了一種主用戶全局功率譜模型,提出了一種噪聲未知的新型空間頻譜分布協(xié)作感知算法.利用變分貝葉斯推斷理論,估計(jì)出模型系數(shù)向量和本地噪聲向量,以求得全局信息.仿真結(jié)果表明,所提算法在較高信噪比下具有較高的估計(jì)精度和收斂穩(wěn)定性.該算法性能雖弱于噪聲已知算法的性能,但相比基于非負(fù)最小二乘準(zhǔn)則的算法具有更好的均方誤差性能.

關(guān)鍵詞:認(rèn)知無(wú)線電;空間頻譜分布;協(xié)作頻譜感知;變分貝葉斯推斷;稀疏性

目前,認(rèn)知無(wú)線網(wǎng)絡(luò)主要采用協(xié)作頻譜感知技術(shù)，即利用從用戶采樣的分集特性來(lái)增強(qiáng)感知的性能，從而有效地復(fù)用空閑頻譜,解決頻譜利用效率低下這一現(xiàn)存困境[1-3].但是,鑒于主/從用戶間距較大、從用戶發(fā)射信號(hào)較小、存在建筑物阻擋等原因，從用戶通信僅會(huì)在部分區(qū)域中對(duì)主用戶通信產(chǎn)生有害干擾.此外,由于主/從用戶存在移動(dòng)性,主用戶所受干擾的區(qū)域范圍也隨著時(shí)間不斷變化.如何感知主用戶占用頻段、發(fā)射功率及其所處位置等空間頻譜分布信息,成為實(shí)現(xiàn)認(rèn)知網(wǎng)絡(luò)動(dòng)態(tài)全局頻譜共享的首要問題.文獻(xiàn)[4-5]指出，主/從用戶位置的差異會(huì)導(dǎo)致不同的路徑損耗，從而產(chǎn)生較大的動(dòng)態(tài)頻譜復(fù)用機(jī)會(huì)；文獻(xiàn)[6]為體現(xiàn)由移動(dòng)性引起的頻譜接入機(jī)會(huì)，構(gòu)建了相應(yīng)的信道可用性模型；文獻(xiàn)[7]構(gòu)建了接近真實(shí)的移動(dòng)性模型,并設(shè)計(jì)了相應(yīng)的感知節(jié)點(diǎn)選擇方法;文獻(xiàn)[8]擴(kuò)展出新的空時(shí)頻譜感知模型,并定義了相應(yīng)的性能評(píng)價(jià)指標(biāo);文獻(xiàn)[9]利用新出現(xiàn)的變分貝葉斯推斷技術(shù),設(shè)計(jì)了一種噪聲已知的新型空間頻譜分布協(xié)作感知算法,得到主用戶信號(hào)的占用頻段、功率和所處位置等3種空間頻譜分布信息.本文在文獻(xiàn)[9]的基礎(chǔ)上,進(jìn)一步將本地噪聲納入全局功率譜模型進(jìn)行統(tǒng)一建模,并設(shè)計(jì)了相應(yīng)的空間頻譜分布協(xié)作感知算法.

1系統(tǒng)建模

(1)

在僅考慮單個(gè)用戶且無(wú)噪聲的情況下,假設(shè)信道hsr(τ;t)和信號(hào)us(t)都是平穩(wěn)的,且hsr(τ;t)在相干時(shí)間內(nèi)保持不變,則接收信號(hào)yr(t)的自相關(guān)函數(shù)Rr(m)可以表示為

(2)

式中,Rs(m)為主用戶s信號(hào)的自相關(guān)函數(shù);Rhsr(τ;m)為信道hsr(τ;t) 的自相關(guān)函數(shù);αsr為信道增益;m為延遲時(shí)間.

由式(2)可知,自相關(guān)函數(shù)Rr(m)對(duì)應(yīng)的接收信號(hào)功率譜為

Pr(f)=αsrPs(f)

(3)

進(jìn)一步假設(shè)網(wǎng)絡(luò)中存在Ns個(gè)主用戶，且每個(gè)從用戶接收機(jī)都受本地噪聲影響，信道hsr(τ;t)與信號(hào)us(t)不相關(guān)，則從用戶r的接收功率譜可表示為

(4)

頻譜感知技術(shù)僅需要知道功率譜的粗略情況，故可利用如圖1所示的基擴(kuò)展模型[10]來(lái)近似主用戶信號(hào)功率譜，即主用戶信號(hào)功率譜可由帶寬為B的Nb個(gè)不重疊單位矩形函數(shù)γv(f) 來(lái)表示，其具體表達(dá)式為

(5)

式中,θsv為模型系數(shù);γv(f)為第v(v=1,2,…,Nb)個(gè)單位矩形函數(shù).由于γv(f)相互不重疊,故可利用其將信號(hào)功率譜分為Nb個(gè)頻段.

圖1　信號(hào)功率譜的基擴(kuò)展模型

將式(5)代入式(4)可得

Pr(f)≈ ∑Nps=1∑Nbv=1αsrγv(f)θsv+σ2r=ΓTr(f)θ+σ2r

(6)

式中,θ={θ11,θ12,…,θNpNb}T為模型系數(shù)向量;Γr(f)={α1rγ1(f),α1rγ2(f),…,αNprγNb(f)}T.

由式(6)可知,當(dāng)信道增益αsr已知時(shí),可通過θ中非零元素所對(duì)應(yīng)的v來(lái)確定主用戶占用頻段，并根據(jù)非零值大小來(lái)確定相應(yīng)的發(fā)射功率.

(7)

Ψ=Γθ+Kσ+ε

(8)

由于本地噪聲未知,因此需將本地噪聲向量σ和模型系數(shù)向量θ合并構(gòu)成統(tǒng)一向量θ′,以便進(jìn)行統(tǒng)一建模,即對(duì)式(8)進(jìn)行如下變形:

Ψ=Γθ+Kσ+ε=?！洇取?ε

(9)

式中,Γ′=[ΓK],θ′=[θσ]T.

由此可知，本文可利用所提空間頻譜分布協(xié)作感知算法來(lái)估計(jì)統(tǒng)一向量θ′，從而獲得主用戶占用頻段、發(fā)射功率及其所處位置，并初步估計(jì)出本地噪聲.

2空間頻譜分布協(xié)作感知算法

變分貝葉斯推斷技術(shù)是一種泛函近似方法，通過利用觀測(cè)到的數(shù)據(jù)，獲取統(tǒng)計(jì)模型中不可觀測(cè)變量的近似后驗(yàn)概率[12-13].本文擬利用該技術(shù)設(shè)計(jì)出一種新型空間頻譜分布協(xié)作感知算法,通過求解統(tǒng)一向量θ′的最優(yōu)值,獲得主用戶所使用的頻段、功率及其所處位置,并初步估計(jì)出本地噪聲.

首先,由式(9)可知,全局功率譜模型的聯(lián)合概率密度函數(shù)可表示為

(10)

(11)

由此可知,共軛先驗(yàn)p(θ′)為高斯分布,而共軛先驗(yàn)p(β)為伽馬分布,故

(12)

(13)

式中,χ′為統(tǒng)一向量θ′的誤差精度參數(shù)向量;a0,b0為超參數(shù).

由于χ′也是未知的,故可將其作為待估參數(shù),則模型的聯(lián)合概率密度函數(shù)可擴(kuò)展為

(14)

(15)

由此可推斷出p(θ′),p(β)和p(χ′)的近似函數(shù)q(θ′),q(β)和q(χ′)分別為高斯分布、伽馬分布和伽馬分布,即

(16)

(17)

(18)

其次,q(β)的最優(yōu)值q*(β)的計(jì)算公式為

lnq*(β)=Eθ′,χ′[lnp(Ψ,θ′,β,χ′)]+C=

(19)

式(19)為伽馬分布的對(duì)數(shù)形式,故

(20)

(21)

lnq*(χ'n)= Eθ',β,{χ'iχ'i∈χ',χ'i≠χ'n}[lnp(Ψ,θ',β,χ')]+C=

(22)

式(22)為伽馬分布的對(duì)數(shù)形式,故

(23)

(24)

q(θ′)的最優(yōu)值q*(θ′)的計(jì)算公式為

lnq*(θ′)=Eβ,χ′[lnp(Ψ,θ′,β,χ′)]+C=

(25)

(26)

(27)

由式(26)和(27)可知，求解q(θ′)的最優(yōu)值依賴于近似后驗(yàn)q(β)和q(χ′) 的取值.因此，需利用迭代算法對(duì)q(θ′)的最優(yōu)值進(jìn)行求解，即指定某近似后驗(yàn)，保持其他近似后驗(yàn)為前次最優(yōu)值，從而求得該近似后驗(yàn)的本次最優(yōu)值.通過反復(fù)的迭代運(yùn)算，最終獲得近似后驗(yàn)q(θ′)的最優(yōu)值.

綜上所述,可利用向量θ中非零元素對(duì)應(yīng)的信道增益αsr獲得主用戶的近似位置坐標(biāo),根據(jù)非零元素對(duì)應(yīng)的v來(lái)確認(rèn)主用戶的占用頻段，并按照非零元素值大小來(lái)確定相應(yīng)的發(fā)射功率.同時(shí),可利用本地噪聲向量σ得到每個(gè)從用戶的本地噪聲.

3仿真結(jié)果及分析

本文利用Matlab軟件構(gòu)建了仿真平臺(tái),并將仿真環(huán)境分為以下2種:① 高斯近似仿真環(huán)境,即將式(8)中的ε近似簡(jiǎn)化為加性高斯白噪聲;② 真實(shí)仿真環(huán)境,即未對(duì)ε進(jìn)行近似簡(jiǎn)化.本文所提算法是基于ε符合高斯分布的假設(shè)推導(dǎo)出來(lái)的,需在這2種仿真環(huán)境下對(duì)比該算法的性能,以驗(yàn)證其有效性.

圖2　均方誤差曲線

(a) 真實(shí)仿真環(huán)境

(b) 高斯近似仿真環(huán)境

圖4　噪聲已知算法與本文算法的估計(jì)性能比較

最后,選擇基于非負(fù)最小二乘(NNLS)準(zhǔn)則的算法與本文算法進(jìn)行均方誤差性能對(duì)比.NNLS準(zhǔn)則具體為

(28)

圖5　基于NNLS準(zhǔn)則的算法與本文算法的均方誤差性能比較

4結(jié)語(yǔ)

本文考慮了本地噪聲未知的情況,將本地噪聲納入全局功率譜模型進(jìn)行統(tǒng)一建模，并在此基礎(chǔ)上設(shè)計(jì)出噪聲未知的空間頻譜分布協(xié)作感知算法，以求得主用戶占用頻段、發(fā)射功率及其所處位置，初步估計(jì)出本地噪聲.本文對(duì)2種仿真環(huán)境下的算法性能進(jìn)行了對(duì)比,驗(yàn)證了所提算法的有效性,并分析其收斂穩(wěn)定性.同時(shí),證明了所提算法性能雖弱于噪聲已知算法的性能,但相比基于非負(fù)最小二乘準(zhǔn)則的算法具有更好的均方誤差性能.

參考文獻(xiàn) (References)

[1]Goldsmith A, Jafar S A, Maric I, et al. Breaking spectrum gridlock with cognitive radios: An information theoretic perspective[J].ProceedingsoftheIEEE, 2009, 97(5): 894-914. DOI: 10.1109/JPROC.2009.2015717.

[2]Lu L, Zhou X W, Onunkwo U, et al. Ten years of research in spectrum sensing and sharing in cognitive radio[J].EURASIPJournalonWirelessCommunications, 2012, 2012: 28.

[3]Zeng Y H, Liang Y C, Hoang A T, et al. A review on spectrum sensing for cognitive radio: Challenges and solutions[J].EURASIPJournalonAdvancesinSignalProcessing, 2010, 2010(1): 381465. DOI:10.1155/2010/381465.

[4]Nishimori K, Taranto R D, Yomo H, et al. Spatial opportunity for cognitive radio systems with heterogeneous path loss conditions[C]//IEEEVehicularTechnologyConference. Dublin,Ireland, 2007: 2631-2635.

[5]Riihijarvi J, Mahonen P. Exploiting spatial statistics of primary and secondary users towards improved cognitive radio networks[C]//IEEE3rdInternationalConferenceonCognitiveRadioOrientedWirelessNetworksandCommunications. Singapore, 2008: 1-7.

[6]Min A W, Kim K H, Singh J P, et al. Opportunistic spectrum access for mobile cognitive radios[C]//2011ProceedingsofIEEEINFOCOMConference. Shanghai, China, 2011: 2993-3001.

[7]Caso G, Nardis L D, Holland O, et al. Impact of spatio-temporal correlation in cooperative spectrum sensing for mobile cognitive radio networks[C]//Proceedingsofthe10thInternationalSymposiumonWirelessCommunicationSystems. Ilmenau, Germany, 2013: 1-5.

[8]Paura L, Savoia R. Mobility-aware sensing enabled capacity in cognitive radio networks[C]//2013IEEEInternationalWorkshoponMeasurementsandNetworkingProceedings. Naples,Italy, 2013: 179-183.

[9]吳名,宋鐵成,胡靜,等.一種基于變分貝葉斯推斷的新型全局頻譜協(xié)作感知算法[J].通信學(xué)報(bào),2016,37(2):115-123.

Wu Ming, Song Tiecheng, Hu Jing, et al. A novel cooperative global spectrum sensing algorithm based on variational Bayesian inference[J].JournalofChinaInstituteofCommunications, 2016, 37(2): 115-123.(in Chinese)

[10]Giannakis G B, Tepedelenlioglu C. Basis expansion models and diversity techniques for blind identification and equalization of time-varying channels[J].ProceedingsoftheIEEE, 1998, 86(10): 1969-1986. DOI:10.1109/5.720248.

[11]Cevher V, Duarte M F, Baraniuk R G. Distributed target localization via spatial sparsity[C]//EuropeanConferenceonSignalProcessing. Lausanne, Switzerland, 2008: 1-5.

[12]Girolami M. A variational method for learning sparse and overcomplete representations[J].NeuralComputation, 2011, 13(11): 2517-2532. DOI:10.1162/089976601753196003.

[13]Wipf D P, Owen J P, Attias H T, et al. Robust Bayesian estimation of the location, orientation, and time course of multiple correlated neural sources using MEG[J].NeuroImage, 2010, 49(1): 641-655. DOI:10.1016/j.neuroimage.2009.06.083.

Novel cooperative sensing algorithm for spatial spectrum distribution with unknown noises

Wu Ming Song Tiecheng Shen Lianfeng Hu Jing

(National Mobile Communications Research Laboratory, Southeast University, Nanjing 210096, China)

Abstract:In order to obtain the global information including occupied frequency bands, transmitting powers of the primary users (PUs), locations and local noises, a model for the global power spectral density (PSD) of the PUs is constructed, and a novel cooperative sensing algorithm for spatial spectrum distribution with unknown noises is also proposed. By utilizing variational Bayesian inference (VBI) theory, the model coefficient vector and the local noise vector are estimated to obtain the global information. The simulation results show that the proposed algorithm has high accuracy and convergence stability with the high signal noise ratio (SNR). Though the performance of this algorithm is worse than that of the algorithm with known noises, but its mean square error (MSE) performance is better than that of the algorithm based on the non-negativity least square (NNLS) criterion.

Key words:cognitive radio; spatial spectrum distribution; cooperative spectrum sensing; variational Bayesian inference; sparsity

DOI:10.3969/j.issn.1001-0505.2016.02.001

收稿日期:2015-09-15.

作者簡(jiǎn)介:吳名(1981—),男,博士生;宋鐵成(聯(lián)系人),男,博士,教授,博士生導(dǎo)師,songtc@seu.edu.cn.

基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(61201248,61271207,61372104).

中圖分類號(hào):TN914

文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1001-0505(2016)02-0231-06

引用本文: 吳名,宋鐵成,沈連豐,等.一種噪聲未知的新型空間頻譜分布協(xié)作感知算法[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,46(2):231-236. DOI:10.3969/j.issn.1001-0505.2016.02.001.