一種基於特徵值一致估計的合作頻譜感知方法與流程
2023-10-24 11:09:02
本發明屬於無線通信技術領域，涉及認知無線電技術中的頻譜感知和估計理論中的高維特徵值估計，具體涉及一種基於特徵值一致估計的合作頻譜感知方法。
背景技術：
隨著無線通信業務的快速發展和無線通信設備的廣泛應用，移動數據流量呈現爆發性增長。在現今頻譜資源緊缺的情況下，傳統的宏蜂窩網絡對網絡容量的擴充有限，新的無線網絡架構的革新成為支撐網絡容量的必然趨勢。密集異構網絡通過在宏蜂窩覆蓋範圍內密集部署低功率小蜂窩基站，一方面可以實現多層增強覆蓋和邊緣用戶性能改善，提升系統容量，另一方面，通過減小小區半徑，增加小蜂窩數量，提高了頻譜資源的空間復用率。由於小蜂窩的密集部署，小蜂窩與小蜂窩之間以及小蜂窩與宏蜂窩之間的頻率復用會帶來複雜的幹擾問題。將認知無線電技術與小蜂窩技術相結合是解決密集異構環境中複雜幹擾問題的有效途徑，具體實現方法為，將宏蜂窩用戶作為授權用戶，對宏蜂窩之外增強覆蓋的小蜂窩網絡採用認知無線電技術(簡稱認知網絡)，在不對宏蜂窩用戶的通信造成幹擾的前提下，智能重用宏基站的授權頻譜資源，有效解決密集異構網絡中的跨層幹擾問題，實現宏蜂窩和認知網絡之間的共存。
認知無線電技術對授權頻譜的機會式頻譜接入以及空閒頻譜的再利用是通過頻譜感知實現的。傳統的頻譜感知方法包括循環平穩特徵感知、匹配濾波器感知、能量感知以及基於協方差矩陣特徵值的感知。這些頻譜感知算法均為單用戶頻譜感知，在實際的通信環境中由於陰影和多徑衰落的影響會造成感知性能的下降，而合作頻譜感知算法通過利用多個感知用戶合作產生的空間分集有效的緩解了這些消極影響。合作頻譜感知根據判決機制的不同分為硬判決和軟判決，硬判決要求每個感知用戶做出本地判決並將判決結果報告給數據融合中心，再由數據融合中心得到最終的判決結果；軟判決機制中每個感知用戶將原始感知樣本數據或者本地的判決統計量報告給融合中心從而實現更準確的感知。軟判決中，當所有感知用戶的樣本數據發送到融合中心，並由融合中心基於樣本數據組成的接收樣本矩陣進行判決的方法為基於隨機矩陣的合作頻譜感知方法，其中接收樣本矩陣的行數為合作感知用戶的數目，稱為數據矩陣維數，列數為每個感知用戶的樣本數。
傳統的基於隨機矩陣的合作頻譜感知算法均假設樣本數遠大於矩陣維數，在這種傳統漸進假設下，樣本協方差矩陣是統計協方差矩陣的最優估計。然而在密集異構網絡中，小蜂窩的密集部署使得數據矩陣維數與樣本數在同一數量級，根據高維估計理論，在數據矩陣維數與樣本數同時趨於無窮且兩者的比值趨於常數的廣義漸進假設下，樣本協方差矩陣不能提供對統計協方差矩陣的良好估計，樣本協方差矩陣的特徵值分布更加分散，最大特徵值被過高估計，最小特徵值被過低估計，樣本特徵值不再是統計協方差矩陣的特徵值的一致估計。統計協方差矩陣的估計是頻譜感知算法推導的關鍵過程，估計性能的降低直接影響了頻譜感知的性能。目前針對高維數據的感知方法相對較少，已有的基於協方差矩陣收縮估計器的最大最小特徵值頻譜感知算法(OAS-MME，Estimated Covariance Matrix Maximum–Minimum Eigenvalue Detection Based on Oracle Approximating Shrinkage Estimator)通過利用收縮估計器估計統計協方差矩陣提高了頻譜感知的性能，但是直接對高維協方差矩陣的估計未能充分利用發送信號的空間結構，頻譜感知性能有待進一步提高。
技術實現要素：
為了解決頻譜感知方法中高維統計協方差矩陣相關未知參量的估計問題，本發明將特徵值的高維估計與頻譜感知相結合，得到了一種基於特徵值一致估計的合作頻譜感知(CEE-CSS，Consistent-Estimated Eigenvalues Based Cooperative Spectrum Sensing)方法。方法利用了發送信號空間結構，並利用廣義漸進假設下特徵值的一致估計器對特徵值進行估計，具有很好的感知性能。本發明可應用於密集異構網絡中小蜂窩與宏蜂窩同頻部署時，多個認知小蜂窩合作感知宏蜂窩中的授權用戶是否存在，從而有效的避免層間幹擾，實現宏蜂窩和認知網絡的共存。
為了達到上述技術效果，本發明的一種基於特徵值一致估計的合作頻譜感知方法的具體實現步驟為：
步驟1：宏基站發送授權用戶信號。
步驟2：低功率小蜂窩基站接收信號並進行連續採樣。
步驟3：低功率小蜂窩基站將感知數據發送給數據融合中心，在數據融合中心組成接收樣本矩陣。
步驟4：數據融合中心根據接收樣本矩陣得到判決統計量。
步驟5：數據融合中心將判決統計量與判決門限進行比較判斷授權用戶是否存在。
本發明的優點在於：
(1)考慮了發送信號的空間結構特性，與直接對協方差矩陣進行估計相比提高了頻譜感知的性能；
(2)利用數據高維(密集小蜂窩部署)的情況下特徵值的一致估計器對特徵值進行估計，一致估計器的良好估計保證了頻譜感知的性能；
(3)不需已知發送信號和噪聲的功率以及信道增益等先驗信息，判決統計量僅與樣本協方差矩陣的特徵值有關，適用於實際場景。
附圖說明
圖1：本發明實施例的認知小蜂窩網絡拓撲圖；
圖2：本發明實施例提供的基於特徵值一致估計的合作頻譜感知方法流程圖；
圖3：本發明中算法感知性能與特徵值分離條件之間關係的ROC曲線圖(慢衰落瑞利信道，信噪比SNR＝-10dB,合作小蜂窩數M＝16)(坐標圖)；
圖4：本發明中算法感知性能與信道相關係數之間關係的Pd-SNR曲線圖(快衰落瑞利信道，虛警概率Pf＝0.1，合作小蜂窩數M＝16，樣本N＝50)(坐標圖)；
圖5：本發明與OAS-MME算法的感知性能對比圖(慢衰落瑞利信道，虛警概率Pf＝0.1，合作小蜂窩數M＝16)(坐標圖)。
具體實施方式
下面將結合附圖和實施例對本發明作進一步的詳細說明。
本發明在於提供一種基於特徵值一致估計的合作頻譜感知方法實現密集異構網絡中宏蜂窩與同頻小蜂窩之間的共存。
本發明實施例的認知小蜂窩網絡拓撲如圖1所示，宏蜂窩網絡用戶為授權用戶，使用已分配的授權頻譜資源。宏蜂窩網絡覆蓋範圍內部署多個密集的低功率小蜂窩節點，小蜂窩基站將接收的信號進行採樣並發送給數據融合中心(FC，Fusion Center)。數據融合中心基於接收樣本矩陣得到判決統計量，通過與門限比較判決授權用戶是否存在。在感知到授權用戶不工作時小蜂窩可以利用已授權的頻譜資源，與此同時，認知小蜂窩仍需要進行頻譜感知，一旦感知到授權用戶的再次出現則及時退出對頻譜的使用以避免對宏蜂窩的授權用戶造成幹擾。
實施例：
參見圖2，本發明實施例提供了一種基於特徵值一致估計的合作頻譜感知方法，包括：授權用戶信號發送和接收100：宏基站發送授權用戶信號，本發明假設授權信號服從零均值功率為的高斯分布。
信號接收和採樣200：信號經過平穩衰落信道後由M個小蜂窩基站進行接收，假設接收機端噪聲為加性高斯白噪聲，噪聲之間相互獨立且有相同的功率σ2，M個小蜂窩基站對接收信號進行連續採樣分別得到N個樣本數據。用H0和H1分別代表授權用戶未出現和出現兩種情況，頻譜感知的二元假設模型表示為：
其中，x[n]＝[x1[n]，x2[n]，…，xM[n]]T(n＝0，1，…，N-1)為在採樣時刻n由M個接收機採樣得到的M維樣本矢量。w[n]代表均值為零，協方差矩陣為σ2IM的獨立同分布循環對稱復高斯噪聲，表示為h為覆信道增益矢量，在感知時間內假設信道增益為常數。s[n]為授權信號的第n個樣本，假設服從均值為零，方差為的高斯分布。
感知樣本數據發送給數據融合中心300：小蜂窩基站將感知樣本數據發送給數據融合中心，在數據融合中心組成M×N維的接收樣本矩陣X＝[x[0]，x[1]，…，x[N-1]]。
得到判決統計量400：數據融合中心根據判決統計量的表達式計算判決統計量，本發明的判決統計量的推導是根據奈曼皮爾遜準則，即在虛警概率為定值時使得檢測概率最大。根據建立的感知模型，接收樣本矩陣的對數似然函數之差為
L(X)＝ln p(X|H1)-ln p(X|H0) (2)
H0情況下的對數似然函數含有未知參數σ2，在本實施例中具體表示為式(3)
H1情況下的對數似然函數含有未知參數h和σ2，在本實施例中具體表示為式(4)
利用矩陣行列式的計算公式以及Woodbury矩陣求逆等式可以得到
將式(5)和式(6)代入對數似然函數的表達式(4)中並化簡：
由於在實際場景中信道增益以及信號和噪聲的功率是未知的，因此需要對這些未知參量進行估計，估計後的對數似然函數之差L(X)的表達式重寫為
其中，為H1情況下對信道增益的估計，和為H1情況下對信號和噪聲功率的估計，為H0情況下對噪聲功率的估計。
已知第m個真實特徵值γm的一致估計器的表達式為
其中Km為第m個真實特徵值的重數，集合為樣本協方差矩陣的第k個特徵值。關於的方程的M個有序實數解為
在本發明的信號模型中，當授權用戶不存在時統計協方差矩陣有M重特徵值σ2，因此未知參數σ2的一致估計器為：
利用代替σ2可以得到H0情況下的對數似然函數
當授權用戶存在時，統計協方差矩陣有M-1重最小特徵值γ1＝σ2和1重最大特徵值利用最大樣本特徵值的特徵向量估計真實的最大特徵值γ2的特徵向量可以得到含有未知參量估計量的對數似然函數表達式進一步化簡為：
當γ1＝σ2和兩個特徵值滿足特徵值分離條件時，特徵值一致估計器對特徵值的估計性能會更好。此時要求N/M＞ξM成立，根據所建立的感知模型，ξM表示為式(13)
其中，為下式的解
將式(13)和式(14)代入N/M＞ξM中得到特徵值分離條件成立的表達式為：
其中，表示信噪比。
將γ1＝σ2種代入式(9)中，可以得到H1情況下式(12)中未知參數的估計量的表達式(16)，且當最大特徵值和最小特徵值滿足式(15)中的分離條件時可以提供更好的估計。
將式(11)和式(12)代入式(8)中並進行化簡得到本發明算法的判決統計量：
判決授權用戶是否存在500：數據融合中心將判決統計量TCEE-CSS與門限值γ比較來判斷授權用戶是否出現，當判決統計量TCEE-CSS大於門限γ時判決授權用戶出現，否則授權用戶未出現，感知用戶可利用該授權頻譜資源，表示為
結果表示：
在本部分通過仿真驗證本發明算法的感知性能，仿真中發送信號服從均值為零的復高斯分布且信號的功率未知；授權信號發送端和M個小蜂窩基站接收端的傳輸信道為平穩瑞利衰落信道，信道增益是未知的；小蜂窩基站接收機的噪聲假設為相同且未知的。根據3GPPRelease 12中對小蜂窩增強技術的評估模型，仿真中設定一個宏蜂窩範圍內覆蓋16個小蜂窩基站，且樣本數的取值與小蜂窩數量在相同的數量級。
圖2表示特徵值分離條件對本發明算法的感知性能的影響。考慮信道為慢衰落瑞利信道，在感知時間內信道增益為常數，信噪比SNR＝10log10p取值為-10dB。在這種情況下，根據式(14)可知，當N大於32時滿足特徵值分離條件。比較圖2所示的不同樣本數對應的接收機操作特性曲線(ROC，Receiver Operation Characteristic)，當虛警概率(Pf，Probability of False Alarm)取值為0.1時，N＝35和N＝50所對應的檢測概率(Pd，Probability of Detection)均高於0.9，而當N＝16時，Pd＝0.5，感知性能最差。因此，當特徵值分離條件滿足時，估計器可以提供更準確的估計，頻譜感知算法的感知性能也更好。
圖3表示信道的相關性對本發明算法的感知性能的影響。考慮信道為快衰落瑞利信道，例如在窄帶通信中信號的符號周期大於信道相干時間時的信道模型，此時信道增益在感知時間內是隨機的，且由於小蜂窩基站的近距離部署使得信道之間具有相關性。通過相關矩陣建模信道之間的空間相關性，利用相關係數表徵信道間相關性的大小。仿真中固定虛警概率Pf＝0.1，小蜂窩數M＝16，樣本數N＝50，用符號c表示相關係數的取值，當c分別為0.5，0.75，和0.95時通過5000次蒙特卡洛仿真得到了三條Pd-SNR曲線圖。從圖3可以看出，本發明算法的感知性能均隨著信噪比的增加而變好，並且信道的相關係數越大時，感知性能越好。例如當Pd＝0.9時，相對於c＝0.5，c＝0.75時算法的感知性能有高於3.5dB的性能增益，而c＝0.95時算法的性能增益高於7dB。因此，在密集異構網絡中，當進行合作感知的小蜂窩基站距離越近時，信道之間的相關性越大，授權信號存在時不同小蜂窩基站的樣本之間的相關性也越大，本發明算法的感知性能越好。
圖4比較了本發明算法CEE-CSS與已有的高維頻譜感知算法OAS-MME的感知性能。仿真中固定虛警概率Pf＝0.1，小蜂窩數M＝16，通過5000次蒙特卡洛仿真得到了兩種感知算法的Pd-SNR曲線圖。從圖4可以看出，CEE-CSS相對於OAS-MME能夠提供更好的感知性能。例如當Pd＝0.9時，相對於OAS-MME，CEE-CSS在N＝50和N＝100時分別大約有1dB和0.5dB的性能增益。由對比結果可知，本發明算法通過考慮發送信號的空間結構，對特徵值進行估計，與針對統計協方差矩陣進行估計的OAS-MME算法相比具有更好的感知性能。
本發明提出了一種基於特徵值一致估計的合作頻譜感知算法，該方法應用於密集異構網絡中通過多個認知小蜂窩合作感知宏蜂窩授權用戶是否存在來實現宏蜂窩和認知網絡之間的共存。該算法考慮了發送信號的空間結構並利用了高維時特徵值的一致估計器，具有良好的感知性能。