趙知?jiǎng)?，胡偉?/p>

(杭州電子科技大學(xué) 通信工程學(xué)院，浙江 杭州 310018)

認(rèn)知無線電CR(Cognitive Radio)[1]允許認(rèn)知用戶SU(Secondary User)利用授權(quán)主用戶PU(Primary User)的空閑頻段進(jìn)行通信，可以提高頻譜利用率，而頻譜感知是認(rèn)知無線電的關(guān)鍵技術(shù)之一。目前，頻譜感知方法主要有循環(huán)平穩(wěn)特征檢測(cè)、匹配濾波器檢測(cè)和能量檢測(cè)ED(Energy Detection)等方法。但是這些經(jīng)典頻譜感知方法都有各自特定的應(yīng)用場(chǎng)合和缺陷[2]，例如需要預(yù)先知道PU的先驗(yàn)信息，對(duì)噪聲的不確定性敏感等。

針對(duì)上述缺陷，利用隨機(jī)矩陣?yán)碚揜MT(Random Matrix Theory)的頻譜感知技術(shù)引起國(guó)內(nèi)外學(xué)者的關(guān)注，迅速成為當(dāng)前的研究熱點(diǎn)，提出了多種基于RMT的頻譜感知算法。參考文獻(xiàn)[3]提出了最大最小特征值MME(Maximum Minimum Eigenvalue)算法，參考文獻(xiàn)[4]提出了最大最小特征值之差DMM(Difference between Maximum and Minimum eigenvalue)算法，DMM比MME具有更好的檢測(cè)性能。但在協(xié)作用戶較少的情況下，DMM性能有待提高，對(duì)此，本文提出了改進(jìn)的DMM算法，對(duì)感知信號(hào)進(jìn)行拆分重組，增加協(xié)作用戶的邏輯個(gè)數(shù)，提高了DMM算法在較少協(xié)作用戶情況下的性能。

1 理論基礎(chǔ)

考慮多徑衰落信道下的頻譜感知，h(n)代表了發(fā)射機(jī)與接收機(jī)之間的信道衰落函數(shù)，則SU采樣信號(hào)x(n)=h(n)s+w(n)=s(n)+w(n)，s代表 PU 發(fā)射信號(hào)，s(n)代表發(fā)射信號(hào)經(jīng)過信道衰減后接收到的信號(hào)，w(n)是加性高斯白噪聲。假設(shè)感知過程中有M個(gè)SU，每一個(gè)SU對(duì)接收信號(hào)采樣N次，則第i個(gè)SU在k時(shí)刻的采樣信號(hào)、接收信號(hào)及噪聲分別表示為 xi(k)、si(k)和 wi(k)。

定義M×N維采樣信號(hào)向量矩陣X=[x1x2… xM]T,其中,xi=[xi(1)xi(2)… xi(N)]T(i=1,2,…,M)表示第 i個(gè)SU采樣得到的信號(hào)向量。相應(yīng)的定義背景噪聲向量矩陣為W，PU發(fā)射信號(hào)經(jīng)過信道衰減后接收到的信號(hào)向量矩陣為S。頻譜感知過程可以看作為一個(gè)二元假設(shè)檢驗(yàn)過程，SU對(duì)PU發(fā)射機(jī)信號(hào)進(jìn)行檢測(cè)的結(jié)果存在兩種可能，建立假設(shè)檢驗(yàn)?zāi)Ｐ腿缦拢?/p>

假設(shè)噪聲W是均值為0、方差為σ2的高斯白噪聲。當(dāng)PU發(fā)射信號(hào)不存在時(shí)，S為 0，則式(1)可以統(tǒng)一表示為X=S+W。根據(jù)PU發(fā)射信號(hào)與噪聲統(tǒng)計(jì)獨(dú)立，可得接收信號(hào)的統(tǒng)計(jì)協(xié)方差矩陣為：其中,IM為單位矩陣。定義如下采樣協(xié)方差矩陣：

假設(shè)信號(hào)與噪聲是平穩(wěn)遍歷，則當(dāng)N→∞，可以得到如下關(guān)系式，,即當(dāng) N→∞ 時(shí)，信號(hào)協(xié)方差矩陣的統(tǒng)計(jì)平均等于采樣平均。當(dāng)PU發(fā)射信號(hào)不存在時(shí)，此時(shí)噪聲協(xié)方差矩陣為Wishart隨機(jī)矩陣，該隨機(jī)矩陣的聯(lián)合概率密度函數(shù)表達(dá)式非常復(fù)雜，但是根據(jù)參考文獻(xiàn)[5-6]，其最大最小特征值的特性可由如下定理描述。

2 改進(jìn)的DMM頻譜感知算法

2.1 檢驗(yàn)統(tǒng)計(jì)量的確定及判決準(zhǔn)則[4]

將TDMM作為判決統(tǒng)計(jì)量，判決門限設(shè)為γDMM，算法性能取決于γDMM的設(shè)置。根據(jù)以上分析，DMM算法的判決準(zhǔn)則為：

(1)當(dāng) TDMM≥γDMM時(shí)，檢測(cè)到 PU信號(hào)，判決H1成立；

(2)當(dāng) TDMM＜γDMM時(shí)，未檢測(cè)到 PU信號(hào)，判決 H0成立。

2.2 IDMM算法

基于定理1和定理 2，DMM算法的虛警概率Pf可以表示為：

因此，DMM算法的理論門限值為:

可得DMM算法的門限與噪聲σ2有關(guān)。根據(jù)隨機(jī)矩陣?yán)碚?，估?jì)噪聲方差

由于DMM算法的檢測(cè)統(tǒng)計(jì)量TDMM和門限值γDMM都與信號(hào)自相關(guān)矩陣的最大特征值和最小特征值估計(jì)有關(guān)，最大特征值和最小特征值由PU信號(hào)的最大特征值ρmax和噪聲方差σ2決定，而 ρmax和σ2的估計(jì)又與協(xié)作用戶數(shù)M和采樣點(diǎn)數(shù)N有關(guān),協(xié)作用戶數(shù)M和采樣點(diǎn)數(shù)N越多，能夠獲得的信號(hào)信息越多，對(duì) ρmax和σ2估計(jì)越準(zhǔn)確，因此檢測(cè)性能越好。

基于上述分析，在采樣點(diǎn)數(shù)N和協(xié)作用戶數(shù)M一定的情況下，本文將信號(hào)拆分成多個(gè)子信號(hào)，在總的數(shù)據(jù)量不變的前提下，增加了用戶的邏輯個(gè)數(shù)，以獲得更多的信號(hào)相關(guān)信息，提高DMM算法在較少協(xié)作用戶情況下的性能，提出了IDMM算法。

在 IDMM 算法中，將 xi(i=1,2,…,M)拆分成 q(q＞0)段k=N/q長(zhǎng)的子信號(hào)向量，將拆分后的信號(hào)向量進(jìn)行重組，則可以得到一個(gè)(qM)×k維的信號(hào)矩陣Y:

第1節(jié)中的定理1與定理2成立的前提是相比于協(xié)作用戶數(shù)M，采樣點(diǎn)數(shù)N趨向于無窮大，即N遠(yuǎn)大于M。為了在IDMM算法中能繼續(xù)應(yīng)用上述定理，對(duì)矩陣Y定義如下限制：拆分后的信號(hào)矩陣需滿足k＞＞qM。

將上述拆分后的矩陣Y表示成向量形式Y(jié)=S′+W′，其中 S′=[s11,…，sjm,…,sMq]T,W′=[w11,… ，wjm,…,wMq]T。 對(duì)于矩陣 Y，任取兩個(gè)向量xim，xjn做相關(guān)檢測(cè)，則有:

當(dāng)j=i,m=n時(shí),此時(shí)為自相關(guān)檢測(cè);不相等時(shí)為互相關(guān)檢測(cè)，此時(shí) Rim×jn(k)=E(wimwjnT)?；ハ嚓P(guān)檢測(cè)消除了噪聲的自相關(guān)性對(duì)信號(hào)的影響,其性能要優(yōu)于自相關(guān)檢測(cè)。

Y 的協(xié)方差矩陣 RY＝E(YYT)=E(S′S′T)+E(W′W′T)=Rs′+σ2IqM， 定義矩陣 Y 的采樣協(xié)方差矩陣=YYT/k，當(dāng)k→∞時(shí)，信號(hào)協(xié)方差矩陣的統(tǒng)計(jì)平均等于采樣平均RY=(k)。

綜上所述，IDMM算法主要步驟如下：按照式(5)，對(duì)xi(i=1,2,…,M)進(jìn)行拆分重組，獲得(qM)×k 維矩陣 Y；對(duì)矩陣R^Y(k)進(jìn)行特征值分解，求得最大最小特征值，得到判決統(tǒng)計(jì)量 TDMM=λmax-λmin；估計(jì)噪聲方差，由式(4)計(jì)算得到門限γDMM；最后根據(jù)判決準(zhǔn)則進(jìn)行檢測(cè)。

3 算法仿真及結(jié)果分析

本節(jié)仿真分析算法性能，主用戶信號(hào)采用經(jīng)過升余弦脈沖成型的QPSK調(diào)制信號(hào)。假設(shè)用戶數(shù)M=4，虛警概率Pf=0.05，5 000次的M-T模擬仿真各種算法。圖1是不同q值情況下門限γDMM隨采樣點(diǎn)數(shù)N變化的理論值與仿真值曲線。從圖可見隨著采樣點(diǎn)數(shù)N的增加，理論值與仿真值都趨于穩(wěn)定。因?yàn)閷?duì)門限值的理論推導(dǎo)過程中，最小特征值采用的是極限值，導(dǎo)致門限γDMM的理論值與仿真值有一定偏差，但是隨著采樣點(diǎn)數(shù)的增加，最小特征值逐漸逼近理論值，因此γDMM理論值與仿真值的偏差也越來越小，這與圖1中隨著N的增加，理論值與仿真值的曲線接近重合是一致的。表1是當(dāng)采樣點(diǎn)數(shù)N為8 500次時(shí)，不同q值情況下的理論門限值與仿真門限值，從表1中可以得到，當(dāng)采樣點(diǎn)數(shù)足夠大時(shí)，門限仿真值近似等于理論值，且隨著q值的增加，兩者之間的偏差越來越小，驗(yàn)證了算法理論分析的正確性。

圖1 門限仿真值與理論值

表1 N=8 500門限理論值與仿真值

當(dāng)采樣點(diǎn)數(shù) N=3 000，q 值分別取 2、3、4、5 時(shí)，算法的檢測(cè)性能如圖2所示。 由圖2可見，隨著q值的增加，檢測(cè)性能逐步提高。例如當(dāng)信噪比為-15 dB時(shí)，DMM算法的檢測(cè)概率為0.3，而4次拆分后的IDMM算法檢測(cè)概率達(dá)到了1。上述結(jié)果驗(yàn)證了算法理論分析的正確性，充分表明了IDMM算法的優(yōu)越性。進(jìn)一步分析圖2可以看出，當(dāng)q值再增加時(shí)，檢測(cè)性能提高幅度越來越小。這與理論分析是相符的，在式(5)中對(duì)拆分后的矩陣Y定義過k>>qM的限制條件，所以拆分次數(shù)有限的，當(dāng)拆分次數(shù)超過一定范圍后，不能繼續(xù)應(yīng)用定理1和定理2的結(jié)論。

圖2 不同q值下IDMM算法檢測(cè)概率

下面對(duì)不同算法的檢測(cè)性能進(jìn)行比較，在IDMM算法中，q取2。由于ED算法與噪聲不確定性有關(guān)，為了便于比較，假設(shè)σ2=1固定不變，采樣點(diǎn)數(shù)N=3000，4種算法的檢測(cè)概率與信噪比之間的關(guān)系如圖3所示。由圖可見，隨著信噪比的增加，4種算法的性能均有提高，但I(xiàn)DMM算法的檢測(cè)性能明顯優(yōu)于其他3種檢測(cè)算法。

本文從提高特征值估計(jì)精度出發(fā)，根據(jù)DMM算法的理論基礎(chǔ)，對(duì)接收信號(hào)矩陣拆分重組，提出了IDMM算法。理論分析與實(shí)驗(yàn)仿真均表明，該算法延續(xù)了DMM算法優(yōu)點(diǎn)，即感知性能不受噪聲不確定度的影響，無需知道主用戶的信息，同時(shí)檢測(cè)性能優(yōu)于DMM算法，而算法復(fù)雜度與DMM算法相同。

圖3 4種算法性能比較

[1]MITOLA J,MAGUIRE G Q.Cognitive radio:making software radios more personal[J].IEEE Personal Communications,1999,6(4):13-18.

[2]李轉(zhuǎn),任旭虎.基于信任度函數(shù)的認(rèn)知無線電頻譜感知算法研究[J].電子技術(shù)應(yīng)用,2012,38(6):108-114.

[3]Zeng Yonghong,Liang Yingchang.Eigenvalue-based spectrum sensing algorithms for cognitive radio[J].IEEE Transactions on Communications,2009,57(6):1784-1793.

[4]王穎喜,盧光躍.基于最大最小特征值之差的頻譜感知技術(shù)研究[J].電子與信息學(xué)報(bào),2010,32(11):2571-2575.

[5]JOHANSSON K.Shape fluctuations and random matrices[J].Communications in Mathematical Physics,2000,209(2):437-476.

[6]JOHNSTONE I M.On the distribution of the largest eigenvalue in principle components analysis[J].The Annals of Statistics,2001,29(2):295-327.