協作感知門限自適應優化_風聞

​

在頻譜感知過程中，採用協作感知的方式對空間內多個節點的感知結果進行融合，可以消除路徑陰影和深度衰落情況的影響，有效提高結果的準確性和可靠性。基於加權融合的協作判決準則，為了保證融合結果的檢測概率和虛警概率達到標準，需要使每個節點的感知結果均達到相應的標準。因此作者提出通過對每個感知節點設定合適的感知門限進行優化。首先對各感知節點的進行分析，可以得到每個節點在檢測概率和虛警概率一定的條件下，感知門限與節點權值的關係，其次通過遺傳算法對權值的優化實現權值優化——感知門限優化的自適應優化過程。最後通過仿真驗證該方法可以高效準確地實現感知門限的自適應優化，從而保證了協作頻譜感知的實際性能。

頻譜感知是指在一定的空間範圍內感知在不同頻段的信道內是否存在主用户信號，由此可以發現當前時間、空間中是否存在未被利用或者未被完全利用的無線電“頻譜空洞”。頻譜感知技術是保護授權的主用户不被幹擾的重要保證，也是未被授權的次級用户可以充分利用頻譜資源完成通信的前提。

頻譜感知最常用的手段是能量檢測，但能量檢測存在虛警率高、判決門限值固定等問題，因此一些相關文獻提出基於自適應門限改進的增強型自適應頻譜感知算法，但是卻忽略了單節點感知的準確性易受到較多因素影響，因此協作頻譜感知技術被提出（圖1）。感知節點2（CR2）接收到的信號受到障礙物影響較大，感知結果的可信度較差，感知節點3、6、8（CR3、CR6、CR8）也受到一定影響，而感知節點1、4（CR1、CR4）則幾乎沒有受到障礙物的影響，因此協作感知基於空間內多個節點的感知結果融合消除路徑陰影和深度衰落情況的影響，提高感知結果的準確性。但是協作感知的難點在於感知結果的信息融合準則的選取，最開始使用的是“與”準則、“或”準則，後來又有文獻提出了基於D-S證據理論的感知準則等方法，褚御芝等人對基於決策融合和數據融合的5種融合準則算法進行了研究並比較了它們的頻譜檢測性能，本文使用加權融合準則，其優點是實時準確性很高，缺點是隨着時間變化，且最優化權值組合需要發生相應的變化，對於權值的動態變化難以實現。

圖1協作頻譜感知應用環境

Fig.1Applicationenvironmentdiagramofcollaborativespectrumsensing

為了實現更好的頻譜感知效果，需要實現檢測概率和虛警概率的權衡，因此要更準確的尋找到最優權值組合。陳凱等在其工作中提出基於屬性改進的加權改進，李玲遠等則是使用信噪比作為加權依據，但由於無線電信號的接收不光受噪聲影響，影響權值不準確，Quan等則是基於檢測概率進行加權組合，其結果的準確性易受干擾，虛警概率較大，劉斌等基於數據融合分析權值組合，然而這一方法對於數據量的要求過大，實現困難，因此Chen等又提出基於迭代算法尋找最優數據的自適應協同感知融合規則。

黃唐森等提到認知用户可以根據對環境的監督學習來自適應的調整檢測閾值提升低信噪比下的感知性能，而Thilina等提出了一種基於機器學習技術的認知無線電網絡協同頻譜感知算法以模式分類的方式確定信道是否可用。因此本文將通過頻譜分割技術得到的主用户的實時佔用情況，與各感知節點的實時感知結果作為訓練數據，參照Hei等[13]的工作應用遺傳算法實現對各感知節點結果的融合判決，計算進化過程中的個體適應度，得到各感知節點的感知結果與信道狀態的映射關係，即各節點感知結果在決策中所佔的權值。當獲得各節點權值，便可以得知各感知節點的當前感知性能，從而可以相應的實現感知門限的優化。

1系統模型

設在一個有着M個感知節點的認知無線電網絡中，在感知信道i的主用户佔用狀態時，各節點檢測時間內的採樣點數為，即採樣頻率為fs，各節點的檢測時間為τ，建立感知系統模型如下。

1.1 各感知節點模型感知節點j接受到的無線電信號可以表示為，如式（1）所示，即感知節點j在感知信道i時的第n次採樣的信號。

假設情形表示接收到的信號僅存在噪聲信號，主用户不存在，假設情形表示噪聲信號與主用户信號均存在，主用户存在。

設節點j的判決統計量如式（2）所示：

參照羅麗平等在其研究中設定的信號環境，設無線電噪聲信號s（n）為圓對稱復高斯（CSCG）噪聲信號，主用户信號為複雜相移鍵控（PSK）調製信號。因此有，。因此在主用户不存在的情形，，當N取較大值，由根據中心極限定理可得的均值，方差。

又因為設感知節點j接收的信道i的信噪比為，因此在主用户存在的情形，，其均值，方差。

綜上所述有

1.2 協作感知模型如圖2（a），在傳統的加權協作感知中，通常設每個感知節點的權值為，參照劉祥等研究方法計算基於能量檢測的判決統計量T為總的統計量，如式（4）所示，設總的判決門限為λ，兩者比較進行判決。

在本文中採用加權協作感知的方式（圖2（b）），各感知節點j分別設定自己的感知門限為，在得到各感知節點原本的統計量後，可以得到基於加權協作感知的各節點統計量如式（5）所示。

圖2加權協作感知流程圖

Fig.2Flowchartofweightedcollaborativesensing

然後再將式（5）所示的統計量與各節點感知門限λj進行比較，獲得各節點感知結果，再將各節點感知結果進行加權融合進行判決。

因此，各感知節點的虛警概率和檢測概率如式（6）和式（7）所示：

其中為標準高斯函數的互補分佈函數，又因為

所以有

同理由式（7）可得

由於為減函數，又因為頻譜感知中要求虛警概率越小越好，檢測概率越大越好，因此可以得到一箇中間點，既儘可能地使虛警概率達到更低，檢測概率更高。

圖3感知門限與額定概率的關係曲線

Fig.3Relationshipsbetweensensingthresholdanddefinedprobability

圖3（a）為信噪比為10dB時感知門限與虛警概率和檢測概率之間的關係曲線，可以看到在檢測概率達到足夠高的標準值時感知門限為，虛警概率達到足夠低的標準值時感知門限為，且>。因此為了保證檢測概率和虛警概率同時達到標準，感知門限值取和的中間值即可；圖3（b）為信噪比為-10dB時感知門限與虛警概率和檢測概率之間的關係曲線，可以看到在檢測概率達到足夠高的標準值時的感知門限與虛警概率達到足夠低的標準值時的感知門限的關係為<。又因為頻譜感知的主要目的是在不影響主用户使用的前提下儘可能的發現頻譜空洞從而提高頻譜利用率，因此應主要保證檢測概率達到標準，感知門限值取。設信噪比為時=，則感知門限的取值如式（11）所示：

又因為加權協作感知的融合判決結果的檢測概率和虛警概率如式（12）所示：

因此當限定每個節點的檢測概率和虛警概率均達到標準值，則可以保證協作感知全局檢測概率和虛警概率均能達到標準，而根據式（9）和式（10），此時各節點感知門限僅與各節點權值有關。

2基於遺傳算法的感知門限優化

在加權協作感知中，為了得到最優權值組合，可以使用遺傳算法進行搜索，遺傳算法是一種通過模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程來解決最優化的搜索啓發式算法，可以直接對結構對象進行操作，不存在求導和函數連續性的限定，具有內在的隱並行性和更好的全局尋優能力；並且概率化的尋優方法能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。

本文根據公式推導，發現了檢測概率和虛警概率一定時感知門限值和權值的關係如式（9）和式（10）所示，因此為了實現感知門限的準確優化可以建立如圖4所示的自適應優化流程。

圖4基於遺傳算法的感知門限優化流程

Fig.4Optimizationprocessofsensingthresholdwithgeneticalgorithm

首先，限定頻譜感知的檢測概率和虛警概率均應達到標準值，初始化感知門限將各感知節點感知到的結果和利用頻譜分割技術採集到的實際信道狀態作為訓練數據，利用遺傳算法找到最優的權值組合，其次，根據公式（9）和（10）得到各節點對應權值狀態下的和，最後，通過信噪比進行判斷，得到每個感知節點當前信噪比條件下的最優門限值。

當感知門限發生變化，感知結果也隨之變化，因此訓練數據更新，再次利用遺傳算法得到最優權值組合，並繼而再次優化感知門限，實現感知門限——感知結果——權值組合的循環優化過程，最終感知門限可以趨於穩定的最優值。同時，隨着時間的推移，當各節點信噪比發生變化時，該感知系統也可以相應的實現自適應的優化調整。

3實驗仿真與分析

本實驗仿真針對常見的社區WIFI信號佔用信道情況進行仿真，通過在實驗室環境下模擬社區內樓宇間信號遮擋情況進行實驗數據採集。當設置感知節點數M為10，感知節點單次檢測時間內的採樣點數N為100，限定檢測概率為，虛警概率為時，由式（9）和（10）可以得到使=的信噪比為-8.2dB。

初始化各感知節點在融合判決中的權值相等，均為0.1，因此可以得到相應的初始化感知門限，可以得到相應的感知結果，採集1000次數據用於遺傳算法對權值優化的訓練。

在仿真實驗中，由於系統中共有10個感知節點，因此設置遺傳算法的屬性個數為10，即每條染色體的長度為10；每個節點採集數據數為1000條，因此設置遺傳算法的種羣內個體數目為1000；設置最大迭代次數為500次，染色體發生交叉的概率為0.2，發生變異的概率為0.2，將融合結果的準確率作為遺傳算法的適應度。最終，通過導入數據進行仿真，可以得到遺傳算法尋找最優解的過程中適應度與迭代次數的關係如圖5所示。

圖5遺傳適應度與迭代次數的關係曲線

Fig.5Relationshipsbetweengeneticfitnessandnumberofiterations

根據自適應優化結構，利用得到的優化權值組合再次優化感知門限，得到感知結果再次帶入遺傳算法進行優化，最終得到自適應優化結果為各節點權值的優化曲線（圖6），圖7則是各節點感知門限值的優化曲線。

圖6各節點權值的優化曲線

Fig.6Optimizationcurvesofweightsofeachnode

圖7各節點感知門限值的優化曲線

Fig.7Optimizationcurvesofsensingthresholdsofeachnode

由圖6和圖7可以看到，權值和感知門限均在約27次以後趨於穩定，因此最終可以獲得當前環境各節點的最優感知門限值和加權融合的最優權值組合。

圖8檢測準確率的優化曲線

Fig.8Optimizationcurveofdetectionaccuracy

隨着感知門限值的優化，協作感知的融合判決結果與實際信道狀態比較的檢測準確率如圖8所示，可以看到檢測準確率在大約27次後趨於穩定值並符合檢測概率的性能標準，與感知門限和權值的優化結果一致。

4結論

對加權協作感知中的各節點感知門限進行優化，通過查找相關文獻及公式推導，找到了在限定檢測概率和虛警概率且信噪比已知的情況下，感知節點的感知門限值和權值之間的關係，又利用遺傳算法尋找到最優的權值組合，繼而可以再次優化感知門限，實現了感知門限——感知結果——權值組合的自適應優化過程，保證了在複雜條件下協作感知結果的準確性和可靠性。實驗仿真結果充分證明了該優化過程的實際優化效果，優化速度快，且優化結果穩定，對於信噪比隨時間的變化適應性強。同時由於本文的優化方式不改變硬件結構，僅在MAC層從感知過程中加入一個自適應優化流程，所以該方法在協作頻譜感知的相關應用中有着較高的實用價值。

參考文獻（略）

作者：孫昊祥，陳長興，遲文升，凌雲飛

※ ※ ※

創新體系工程基礎理論和方法

推動系統工程理論再發展