主用户活动检测与跟踪算法研究范文

本站小编为你精心准备了主用户活动检测与跟踪算法研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《华中师范大学学报》2015年第四期

认知无线电（CognitiveRadio，CR）技术被认为是提高频谱利用率的一种有效方法，它可以解决无线通信业务快速增长与授权频谱利用率低的矛盾．在CR网络中，认知用户（或称为次用户：SecondaryUsers，SUs）可以使用授权用户空闲的频谱，但是要求对授权用户（或称为主用户：Prima－ryUsers，PUs）的干扰必须控制在能够容忍的范围内．这样，就需要SUs检测无线频谱，对频谱的状态作出判决，从而自适应地选择可使用的频谱．频谱使用模型能够通过PUs的活动特性得到反映，PUs活动的建模和参数估计能够促使SUs更加有效地使用频谱．目前，普遍采用的PUs活动模型是ON／OFF交替模型，其工作（busy）和空闲（idle）周期时间服从指数分布．该模型参数估计的重要性体现在，若能够获得比较准确的ON／OFF平均周期，则可以计算出合理的检测周期，从而同时满足所要求的PUs干扰比和SUs数据传输效率．而且，很多频谱检测技术需要知道PUs的统计先验信息．在文献［4］中，一种联合优化频谱检测和传输周期的理论模型被提出，用以最大化频谱效率．但是，模型中的ON和OFF平均周期假设为固定和已知的．另外，相当多的研究采用了这种固定的频谱使用模型来优化频谱检测，在没有通过实际检测和估计的基础上，就假设SUs掌握了这些统计信息．Kim等人使用了ON／OFF频谱使用模型，并且提出一种基于滑动时间窗（STWB）的估计方法来处理历史检测信息以便获得PUs的活动方式．然而，他们假设SUs已经获得一组PUs使用频谱的OFF周期样本，但是并没有介绍如何获得这些样本，另外频谱检测时采用的检测周期是多少没有作出说明，更主要的是没有涉及样本数量如何保证检测精度．同时，也有很多PU活动检测只是检测短时间PU的状态，如Wang等人提出一种基于信任传播机制的集成快速PU活动状态检测框架，Chang等采用一种新颖的任务循环方式来检测PU用户的活动，只使用短时间内PU的状态数据，Warit等提出2阶和微分加权序列协作能量自适应检测方法来发现PU用户的活动状况．

由于检测周期与频谱使用模型密切关联，而且二者也是确保频谱检测和共享的重要因素，因此检测PUs活动模型的参数将是一个非常重要的研究内容，需要进一步深入研究．另外，在PUs活动的建模和估计过程中，若将SUs的移动性考虑进去，则CR网络不再是一种完全静止的拓扑结构，那么将面临更多的挑战．很多估计技术需要相对多的容量来存储历史检测数据，对于存储容量有限的单个节点而言，存储长时间的检测数据并作出实时估计是比较困难的．对于移动CRadhoc网络而言，将会面临更多的挑战，如检测的信息如何在网络中及时传递，如何控制信息传递导致的开销．同时，由于单个用户的处理能力有限，如存储容量，所以必须设计合理的机制来保存频谱检测信息．为了解决上述分析的问题，针对移动CRadhoc网络，本文提出一种基于MLE和MSE的PUs活动参数的检测与估计算法，该算法能够跟踪PUs活动规律的变化．假设有一个PU发射器，CR网络中的SUs都是移动的，使用精细检测来获得PU的ON／OFF周期样本，采用最大似然估计算法来估计ON／OFF的周期平均值，利用加权平均技术来计算最终的周期平均值．为了停止精细检测并快速跟踪PU活动的变化，利用均方误差设计了精细检测停止和重新启动的规则．

1系统模型

假设一个PU发射器工作于一个授权信道，并以ON／OFF模型来使用该信道．ON／OFF周期服从指数分布，各自的真实均值分别是α和β，当PU的活动规律发生改变时，α和β也将随之改变．同时假设使用一个公共控制信道（CCC）来传输检测信息［16］．在CRadhoc网络中，所有CR用户都是移动的．CRadhoc网络如图1所示，定义PU的传输覆盖范围为Ap，即图中白色的区域．当SU移动到Ap区域时，就可以通过频谱检测来获得ON和OFF的周期样本，一旦到达该区域的边界，SU将广播自己获得的检测信息，附近的SUs接收到该信息并进行广播，定义广播信息的区域为As，接收到新检测信息的SUs将更新估计的ON／OFF周期均值．假设在网络中η个SUs已经广播了它们的检测均值和样本数量，其中第i个SU发送的数据组表示为｛珔αi，珋βi，Ni，Mi｝，i＝1，…，η，其中珔αi和珋βi分别表示估计的ON和OFF周期均值，Ni和Mi则表示ON和OFF的周期样本数量．考虑到单个SU的存储能力和处理能力，假设一个SU最多只存储ηs个SUs发送的数据．检测广播信息包包含的信息为：包时间戳，检测标志位（即检测精度达到要求后的停止标志位：stopmarkbit），ON周期估计值α，OFF周期估计值β，完成检测的SUs的数量η（≤ηs），η组｛珔αi，珋βi，Ni，Mi｝，ON周期样本数量，对应的ON周期样本值，OFF周期样本数量，对应的OFF周期样本值．设置包时间戳的目的是避免重复广播和广播环路，根据η组｛珔αi，珋βi，Ni，Mi｝来估计α和β，检测状态标志位为1时，标识检测精度达到要求．由于有的SUs检测获得的ON／OFF周期样本数量可能很少，在这种情况下，为了提高估计的精度，允许直接发送周期样本，下一个SU接收到这些周期样本后可以将周期样本与自身检测的周期样本合并，然后作出估计，以提高检测精度。

2主用户活动检测模型

2．1检测周期和类型根据文献［4］，信道使用为ON／OFF模型时，PUs使用信道的概率。另外，对于SUs而言，错失频谱利用机会的比率TL定义为：在PUs处于空闲状态时间内，SUs没有检测到该状态而失去传输数据的平均时间比值．对于PUs而言，定义最大可容忍干扰时间比TP为：在PUs使用频谱的时间内，SUs依然使用该频谱而造成对PUs的干扰，此时PUs在时间上能够容忍干扰的最大平均时间比值。在以往的文献中［4，6］，只有一个检测周期用于PUs的空闲和工作状态中．从式（4）中可以发现，PUs容忍的干扰比可以得到控制，但是却不能够很好地保证当PUs空闲时所要求的错失数据传输的比率．因此，在本网络中，当PU处于工作状态时，如果存在多个授权信道需要检测，则可调度tq来检测这些信道，该研究内容将在后续的研究中加以考虑．检测周期Tons和Toffs将根据获得的检测信息来计算．若频谱检测时Tons和Toffs小于由式（3～6）计算出的检测周期，则属于精细检测，若等于则属于常规检测．首先，如果SU没有附近PU的活动信息，或是PU活动规律发生变化，则SU执行精细检测，且Tons和Toffs相等，取比较小的固定值，为Tmins，这样可以在一定程度上保证获得的第一组α和β的估计均值误差较小．若当前α和β的精度达不到要求，就依然执行精细检测，且将按式（6～9）计算的Tons和Toffs乘以一个因子γ，γ∈0．5，（）1．一旦α和β的精度达到要求，则SUs将执行常规检测来进行数据传输和接收，此时γ＝1．

2．2单用户估计当SUi检测频谱时，SUi将使用接收到的广播信息来计算Tons和Toffs，若检测标志位状态为0，则执行精细检测．在这种情况下，若SUi没有数据要传输，则Toffs中的时间tt可以不被用于传输或接收数据，而是处于静默状态．直观上，ON和OFF的周期样本数量与PU真实的α和β、SU的速度以及在区域Ap内的穿越距离有关系．若ON和OFF的周期样本数量太少，则频谱检测后，SU将不使用MLE算法来估计均值，直接将ON和OFF周期样本加入到广播信息包的尾部，并进行广播．

2．3多用户估计假设个SUs完成检测并获得相应的估计值．通常情况下，可以直接采用算术平均方法来计算最后的均值，本文称之为“非加权平均”，计算方法如同式（7）和（8）．然而，由于不同的SUs获得的样本数量可能不同，因此引入了和样本数量相关的加权平均算法来计算最后的均值α和β。可以看出，使用该方法相当于分配一个权值给每个SU计算的均值，该权值和样本数量成正比．另外，由于PU活动的时变性以及SU有限的存储空间，前面假设了SU只能存储最多ηs组｛珔αi，珋βi，Ni，Mi｝数据．这样，当广播包中已经存储有ηs组检测信息时，一旦当前SU完成检测，则最早的数据组将会被丢弃．

2．4精细检测停止当一组SUs执行完精细检测后，均值α和β将会收敛到真实均值α和β附近，则精细检测将停止．这实际上意味着，随着珔αi、珋βi估计均值的增多，其均方误差（MSE）会随之降低．因此，设置一个MSE门限Em来停止精细检测。

2．5精细检测重启由于PU对频谱的使用是动态时变的，PU活动的变化将表现在α和β的变化上，这就需要发现这种变化并及时地对活动参数进行重新估计．当α和β发生变化时，由于SUs依然按精细检测停止时的估计均值计算检测周期，则MSE值也将随之变化．因此，通过MSE的变化可以重新启动精细检测，但是由于MSE的变化比较缓慢［17］，这样发现PU活动规律的变化就需要比较长的时间．具体来说，一旦精细检测停止，估计值α和β将不再改变，直到发现PU活动变化后，才重新启动精细检测．在这种情况下，当一个SU进入区域Ap，该SU执行常规检测．同时，σon（t－1）和σoff（t－1）能够根据组｛珔αi，珋βi，Ni，Mi｝计算得出．当SU运行出区域Ap时，将本次检测到的数据放进信息包中．如果＝ηs，将丢弃保存的第一组数据｛珔α1，珋β1，N1，M1｝，并且将刚刚接收到的信息作为最新的数据组．这样，可以计算出σon（t）和σoff（t），进一步，sσon（t）和sσoff（t）也可以随之计算出来．如果sσon（t）或sσoff（t）大于门限值STH，则重新启动精细检测．

2．6算法复杂度分析本文提出的PU活动检测算法主要用到了MLE和MSE计算，其中MLE用于单SU周期均值的计算，从式（7）和（8）可知，对于SUi而言，珔αi与珋βi的计算复杂度与获得的ON和OFF周期样本数量Ni和Mi有关，其复杂度为O（n）．当SUi接收到多个SUs的检测周期估计值时，根据式（9）和（10）可知，计算均值α和β的复杂度都为O（n）＋O（n）．在采用MSE判决精细检测停止时，根据式（11）可知，均方误差值的计算复杂度为O（n）＋O（1）．而利用MSE重启精细检测时，根据式（13）可知算法复杂度仅为O（1）．由此可知，本文提出的PU活动检测算法的复杂度为线性阶O（n），属较低范围，因此算法运行速度将比较快．

3仿真实验

3．1仿真模型为了评价提出的主用户活动检测算法的性能，建立了一个仿真网络．设置一个PU工作于一个授权信道．假设PU的二维位置坐标为（2000m，2000m），其传输范围半径为800m，检测信息广播范围半径为1200m．SUs移动速度均匀分布于3～20m／s，移动方向同样均匀分布于［0，2π）．根据IEEE802．22规定，在使用能量检测时，一个检测周期中的观测时间ts应低于2ms［18］．因此，设置ts＝2ms，并且最短的精细检测周期Tmins设为10ms．另外，TL和TP为0．04．

3．2仿真结果与分析为了观察提出的检测算法精度和收敛能力，在网络中Ap范围内逐次产生50个SUs，且位置和速度是随机的，这样不同的SUs获得的ON／OFF周期样本数量将不同．假设α＝0．4s，β＝0．5s．最开始，由于不知道PU的活动信息，因此第一个进入Ap范围的SU使用精细检测来感知频谱，且检测周期为Tmins．后续的SUs继续执行精细检测，但是检测周期将分别采用Tons×γ和Toffs×γ，其中γ＝0．7．从图2可以看出，第一个SU完成检测后，ON的平均值低于0．46s，当超过5个SUs检测后，和真实的α相比，估计值α开始围绕α波动，且幅度低于5％．另外，还可以看出加权平均值波动幅度要低于非加权方法．当多个SUs完成频谱检测后，获得的估计均值α和β的精度必然会提高，但是SUs并不知道真实的均值α和β，因此将通过均方误差（MSE）来判断精度是否达到要求．为了比较这方面的性能，可以利用真实均值来评价提出的方法，将采用相对误差来作出比较，即α－α／α．根据图3所示，随着检测SUs的增多，MSE降低了，而且当SUs的数量达到20左右时，MSE基本上变化不大．而相对误差也是随着SUs的增加而降低，相比MSE收敛更快，但是波动比较大，这样将不利于判断精细检测结果是否该停止，而且最大的问题是要使用真实均值，这在现实中是不可能的．PU活动变化的跟踪是PU活动检测的重要研究内容之一，PU活动统计特征发生变化就意味着α和β会发生改变．当精细检测结束后，将执行常规检测，而且利用的是估计均值α和β．一旦α和β变化后，就需要在短时间内发现这种变化，并启动精细检测，从而避免对PU的长时间干扰．在文献中，提到一种基于滑动时间窗（STWB）的方法来估计均值，其原理是利用时间窗内最新的部分检测周期样本来作出估计，避免使用早先获得的周期样本，从而保证估计的均值能够尽可能地跟踪PU用户的最新活动特征．在此，将STWB方法与本文提出的精细检测重启方法作出比较，将本文提出的方法称为Scheme1，STWB方法称为Scheme2．假设共有100个SUs执行频谱检测，最开始设置α＝0．4s，β＝0．5s，在第50个SU完成频谱检测后，α变为0．5s．根据图4可以发现，本文提出的方法的收敛速度明显比STW方法要快，这是因为采用Scheme1时第51个SU完成频谱检测后就能根据MSE的相对变化量Sσon发现PU活动发生了变化，从而立即重新启动精细检测．而在Scheme2中，则是利用滑动时间窗方法逐次替换α＝0．4s时的检测周期样本，在这个过程中PU活动变化之前的周期样本依然对当前活动特征的估计产生着影响，所以虽然最后也完成了收敛跟踪，但是速度较慢．对α和β估计的最终目的是获得合理的检测周期，从而将SUs对PUs的干扰时间控制在一定范围内，同时减少错失的传输数据时间，也就是说要控制TP和TL在预先设定的门限之下．在使用本文提出的方法来估计α和β且达到MSE要求后，后续的SUs将采用常规检测来进行数据的接收或传输．从图5中可以发现，在获得α和β后，经过很短的时间，TP和TL就低于门限值0．04之下．由于在CRadhoc网络中，SUs完成频谱检测后需要将检测信息在As范围内进行广播，这必然会带来网络消耗．很明显，不同的MSE精度所需要的检测SUs数量会不同．门限值Em越小，精度越高，则需要更多的SUs执行频谱检测，从而带来更多的网络开销．因此，在仿真中，将设置不同Em值，网络开销则通过平均广播数据量来反映．由于在广播时，广播的数据量和网络中的SUs数量也有关系，所以在网络中随机产生不同数量的SUs．从图6中可以发现，对于一定数量的SUs，在检测结果的MSE小于门限值Em时，Em值越小则广播的数据量越大．而对于相同的Em值，不同的SUs数量，网络开销也不同，网络中的SUs越多，由于需要接力广播的次数增加，所以总的广播数据量也相应增加．最主要的是，完成要求精度的频谱检测总的广播数据量只有几个Kbit／s．因此，这样的网络开销还是比较小的．

4结束语

本文针对CRadhoc网络提出了一种基于MLE和MSE的PU活动检测算法，用于估计ON／OFF平均周期．在执行频谱感知时采用了精细检测和常规检测，SUs执行精细检测以估计与跟踪PU的活动，而常规检测则用于检测参数精度满足要求后的数据接收与传输．对于单个SU获得的周期样本，采用了最大似然估计方法来计算周期均值，采用加权平均来计算最终的ON／OFF平均周期．另外，利用了均方误差来停止精细检测，同时利用均方误差的相对变化来跟踪PU活动的变化．仿真结果表明，提出的估计与跟踪算法能够实现对频谱使用模型参数的估计，同时还能够快速有效地跟踪PU活动的变化，其PU活动跟踪性能优于STWB方法．

作者：姚文贵 单位：湖北职业技术学院