一种面向物联网环境的频谱分层协同认知方法与流程

1.本发明涉及通信技术领域，特别是一种面向物联网环境的频谱分层协同认知方法。


背景技术：

2.频带是一种宝贵的资源，目前的无线系统的特点是静态频谱分配、固定的无线电功能和有限的移动设备之间的网络协调，导致大量的无线电频谱未被使用。这些方法可以归纳为两种实现途径，一种是将感知频段划分成多个窄带，然后对各个窄带进行判决，这种方法感知时间过长。另一种途径是针对宽带采样后的信号，估计各个主用户信号子频带的频率边缘，从而得到频谱空穴。这里主要关注宽带频谱感知任务，只需借助少量的窄带bpfs。认知无线电网络的目的是了解周围环境的变化，为了保证主用户的正常通信不受干扰，次用户需要定期感知频谱空洞，并且可靠地检测主用户信号的存在状态。如何可靠快速地发现空闲频谱并利用机会则是频谱感知技术的关键。小波变换是可以表征信号的局部规律性，但小波协同检测的频谱不规则边缘具有不准确性。在以往软融合和硬融合独立融合机制下基础上又提出了软硬联合融合机制，结合改进的双阈值能量检测算法可以更加准确地发现频谱空洞。


技术实现要素：

3.本发明所要解决的技术问题是克服现有技术的不足而提供一种面向物联网环境的频谱分层协同认知方法，利用多抽头谱估计的方法得到接收信号的功率谱，利用多尺度小波积变换确定子频带边缘,并利用采用过半数准则和改进的等增益比合并准则结合确定频谱空洞机制确定频谱空洞。
4.本发明为解决上述技术问题采用以下技术方案：
5.根据本发明提出的一种面向物联网环境的频谱分层协同认知方法，包括以下步骤：
6.步骤一、采集一个连续宽带频谱内的时域信号x(t)，对x(t)进行n点等间隔采样得到离散时间序列x(n')，对离散时间序列x(n')采用多抽头谱估计的方法得到x(t)的功率谱，以得到整个频谱的频带；其中，n'表示离散时间，n'为采样点数；
7.步骤二、对多抽头谱估计的方法得到的x(t)的功率谱执行多尺度小波积变换，利用多尺度小波积变换后得到的式子一阶导数模极大值确定各个子频带的频率边缘f
n
，利用f
n
作为分界点划分整个频谱以得到划分的子信道；
8.步骤三、协同的次用户sus对利用f
n
划分的子信道进行感知，并将本地感知结果和时域信号能量的检测统计量发给融合中心fc；
9.步骤四、融合中心采用硬判决机制根据步骤三中的本地感知结果对频谱的使用情况进行初步判决，进一步根据时域信号能量检测统计量采用软判决的机制进行判决。
10.作为本发明所述的一种面向物联网环境的频谱分层协同认知方法进一步优化方
案，步骤一，采用多抽头谱估计的方法得到x(t)的功率谱；具体如下：
11.步骤1
‑
1、对宽带范围内接收的x(t)进行n'点等间隔采样，得到离散时间序列x(n
′
)；
12.步骤1
‑
2、采用多抽头谱估计的方法得到接收信号的频谱x
k
(f)；
[0013][0014]
其中，为slepian正交序列，m为虚数单位，f为频率；
[0015]
步骤1
‑
3、利用x(t)的频谱x
k
(f)得到x(t)的功率谱s
x
(f)；
[0016][0017]
其中，ρ
k
表示第k阶特征谱的特征值，k为可控制多抽头谱估计方差的自由度。
[0018]
作为本发明所述的一种面向物联网环境的频谱分层协同认知方法进一步优化方案，步骤二中确定各个子频带的频率边缘f
n
的方法具体如下：
[0019]
步骤2
‑
1、采用多组不同的比例因子s，s＝s1,s2,s3…
s
j
,第j个尺度下的比例因子s
j
＝2
j
，j≥j≥1，j为尺度的总个数；求出第n个位置处第j个尺度的小波变换得的频率边缘其中f∈(f0,f
n
)；f0为连续宽带频谱的起始频率，f
n
为连续宽带频谱的截止频率，v
j
为第j个尺度下张成的函数子空间，n＝1，2，3
…
n，其中，n为在整个连续频谱内所有|v
j
s
x
(f)|的局部极大值的个数；
[0020]
步骤2
‑
2、将多尺度小波积得出的多组不同频率边缘进行记录，记录中n相同j不同时利用max{v
j
s
x
(f)}得出的相同值出现的次数q；若q/j大于等于p，50％≤p＜100％，则认定第n个位置的频率边缘为中n相同j不同时利用max{v
j
s
x
(f)}得出的所有值中相同值出现次数最多的那个值记为f
n
。
[0021]
作为本发明所述的一种面向物联网环境的频谱分层协同认知方法进一步优化方案，步骤三具体如下：协同次用户sus对根据f
n
划分的子信道进行感知，将本地感知结果及时域信号能量的检测统计量发给融合中心fc，将某一段待检测频段内第g个次用户的时域信号能量检测统计量记为y
g
，根据第g个次用户的时域信号能量检测统计量y
g
和确定的第一阈值λ
l
、第二阈值λ
h
比较大小，第一阈值λ
l
小于第二阈值λ
h
；对频谱的使用情况进行独立的判决：
[0022]
情况a)、第g个次用户的时域信号能量的检测统计量y
g
＞λ
h
时，第g个次用户判定主用户存在，并将第g个次用户的本地感知结果和第g个次用户的时域信号能量的检测统计量发给融合中心；
[0023]
情况b)、第g个次用户的时域信号能量的检测统计量y
g
＜λ
l
时，第g个次用户判定主用户存在，并将第g个次用户的本地感知结果和第g个次用户的时域信号能量的检测统计量发给融合中心；
[0024]
情况c)、第g个次用户的时域信号能量的检测统计量λ
l
＜y
g
＜λ
h
时，第g个次用户感知失败，第g个次用户的本地感知结果不发给融合中心，但第g个次用户的时域信号能量的检测统计量发给融合中心。
[0025]
作为本发明所述的一种面向物联网环境的频谱分层协同认知方法进一步优化方案，步骤四具体如下：
[0026]
步骤4
‑
1、融合中心收到各个次用户的本地感知结果之后，首先采用过半数准则判决被检测频谱上主用户是否存在，若存在则感知完成；若不存在融合中心将采用改进的等增益合并egc算法进行下一步判断；
[0027]
步骤4
‑
2、数据融合中心收到各个次用户上传的时域信号能量的检测统计量后记为y
t
，通过y
t
和固定阈值λ
egc
确定新的门限值λ
new
，比较y
t
和新确定的门限值λ
new
；
[0028]
步骤b1)确定新的门限值λ
new
；
[0029]
确定新的门限值λ
new
方法如下：
[0030]
利用噪声方差引出噪声不确定系数ρ；
[0031][0032]
w
(g)
为第g个次用户时域信号能量检测量的权值系数，g表示次用户的总数；
[0033]
λ
new
的取值具体为：
[0034]
λ
new
＝ρλ
egc 当y
t
≥λ
egc
且ρ＜1
[0035]
λ
new
＝λ
egc
/ρ 当y
t
≥λ
egc
且ρ≥1
[0036]
λ
new
＝ρλ
egc 当y
t
＜λ
egc
且ρ＜1
[0037]
λ
new
＝λ
egc
/ρ 当y
t
<λ
egc
且ρ≥1
[0038]
即
[0039]
λ
new
＝min[(λ
egc
/ρ)，(ρλ
egc
)] 当y
t
≥λ
egc
[0040]
λ
new
＝max[(λ
egc
/ρ)，(ρλ
egc
)] 当y
t
＜λ
egc
[0041]
步骤b2)
[0042]
①
当y
t
＞λ
new
，融合中心判定主用户存在；
[0043]
②
当y
t
＜λ
new
，
[0044]
考虑到snr的影响，根据信道中snr高低的不同，对应分配第g个次用户的权值系数ω
g
；
[0045][0046]
snr
g
为第g个次用户信道中的信噪比；
[0047]
进而求所有次用户的时域信号能量的检测统计量的平均值
[0048][0049]
融合中心判决主用户不存在。
[0050]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0051]
(1)本方法可以快速的把整个连续宽带划分为待检测多个子频带；
[0052]
(2)本方法通过软硬联合双重判决机制提高了确定空闲频谱的准确性。
附图说明
[0053]
图1为多抽头谱估计得到的功率谱利用多尺度小波积变换得到频率边缘进而将整个连续宽带划分为多个待检测子频带的步骤图。
[0054]
图2为协作感知和数据融合架构图。
[0055]
图3为一种面向物联网环境的频谱分层协同认知方法流程图。
具体实施方式
[0056]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
[0057]
本发明公开了一种面向物联网环境的频谱分层协同认知方法，采集一个连续宽带频谱内的时域信号，按照如图1所示的流程快速确定整个频谱子频带的频率边缘并将整个频谱划分为多个子频带。
[0058]
如图2所示是协作感知和数据融合架构图，次用户对划分的子频带用改进的双阈值检测算法进行本地感知，每个次用户将本地感知结果发送给融合中心，融合中心根据软硬联合判决机制判断子频带是否空闲。
[0059]
如图3所示为一种面向物联网环境的频谱分层协同认知方法的完整流程图，该方法包括以下步骤：
[0060]
步骤301：确定一段知道起始和截止频率的宽带频谱，采集频谱内主用户的时域信号，采集一个连续宽带频谱内的时域信号，对连续信号进行n
′
点等间隔采样，采用多抽头谱估计的方法得到接收信号的功率谱。
[0061]
步骤302：由于接收信号功率谱的小波变换一阶导数局部模极大值表征了接收信号功率谱的奇异性，对多抽头谱估计得到的接收信号功率谱执行多尺度小波积变换，利用多尺度小波积变换后式子一阶导数模极大值和多抽头谱估计联合确定频率边缘。把连续的宽带频谱划分为多个子频带。
[0062]
步骤303：所有次用户对划分后的子频带进行本地感知，通过改进后的能量检测方法判定子频带是否被主用户占据，用协同次用户sus对划分的子频带用双阈值能量检测进行本地感知，将本地判决结果及时域信号能量的检测统计量通过报告信道发送到给融合中心(fc)，将某一段待检测频段内第g个次时域信号能量的检测统计量检记为y
g
，根据检测统计量对频谱的使用情况进行独立的判决：
[0063]
情况a)、第g个次用户的时域信号能量的检测统计量y
g
＞λ
h
时，第g个次用户判定主用户存在，判决结果用m
g
＝1表示，并将第g个次用户的本地感知结果和第g个次用户的时域信号能量的检测统计量发给融合中心；
[0064]
情况b)、第g个次用户的时域信号能量的检测统计量y
g
＜λ
l
时，第g个次用户判定主用户存在，判决结果用mg＝0表示，并将第g个次用户的本地感知结果和第g个次用户的时域信号能量的检测统计量发给融合中心；
[0065]
情况c)、第g个次用户的时域信号能量的检测统计量λ
l
＜y
g
＜λ
h
时，第g个次用户感知失败，第g个次用户的本地感知结果不发给融合中心，但第g个次用户的时域信号能量的
检测统计量发给融合中心。
[0066]
步骤304：融合中心先用硬判决机制对频谱的使用情况进行初步判决，然后采用软判决机制进行补漏判决，采用过半数准则和改进的等增益比合并结合确定频谱空洞；判决步骤包括：
[0067]
步骤a)、融合中心收到各个节点的感知结果之后，首先采用过半数准则进行判决。对于上报的结果进行求和统计：m
sum
＝∑m
g
≥j/2，就认为被检测频谱主用户存在h1感知完成；m
sum
＝∑m
g
≤j/2，融合中心将采用改进的等增益合并(egc)算法进行下一步判断。
[0068]
步骤b)、数据融合中心收到各个感知节点上传的感知统计量后得到判决统计量y
t
，通过判决统计量y
t
和固定阈值λ
egc
确定新的门限值λ
new
，比较y
t
和新确定的门限值λ
new
；
[0069]
步骤b1)确定新的门限值λ
new
；
[0070]
确定新的门限值λ
new
方法如下：
[0071]
利用噪声方差引出噪声不确定系数ρ；
[0072][0073]
w(g)
为第g个次用户时域信号能量检测量的权值系数,g表示次用户的总数；
[0074]
λ
new
的取值具体为：
[0075]
λ
new
＝ρλ
egc
当y
t
≥λ
egc
且ρ＜1
[0076]
λ
new
＝λ
egc
/ρ当y
t
≥λ
egc
且ρ≥1
[0077]
λ
new
＝ρλ
egc
当y
t
＜λ
egc
且ρ＜1
[0078]
λ
new
＝λ
egc
/ρ当y
t
＜λ
egc
且ρ≥1
[0079]
即
[0080]
λ
new
＝min[(λ
egc
/ρ),(ρλ
egc
)]当y
t
≥λ
egc
[0081]
λ
new
＝max[(λ
egc
/ρ),(ρλ
egc
)]当y
t
＜λ
egc
[0082]
步骤b2)
[0083]
①
当y
t
＞λ
new
，融合中心判定主用户存在；
[0084]
②
当y
t
＜λ
new
,
[0085]
考虑到snr的影响，根据信道中snr高低的不同，对应分配第g个次用户的权值系数ω
g
；
[0086][0087]
snr
g
为第g个次用户信道中的信噪比；
[0088]
进而求所有次用户的时域信号能量的检测统计量的平均值
[0089][0090]
融合中心判决主用户不存在。
[0091]
由于主用户信号的突然变化，感知节点接收到的主用户信号强度可能在某一检测时刻突然降低到很小强度。在这种情况下，egc进行权重加和之后得到的判决统计量也会低于门限值，于是就会得到主用户不存在的错误判断。为了避免这种错误检测情况的发生，采用的改进的能量检测算法，因为当前感知周期与所有感知周期具有一定的相关性，从而可以提高融合中心的检测性能，而且这种改进也不会增加算法的复杂度。
[0092]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。