齊 全 王可人 杜奕航

(國(guó)防科技大學(xué)電子對(duì)抗學(xué)院， 合肥， 230037)

引 言

隨著無(wú)線通信技術(shù)的快速發(fā)展，無(wú)線頻譜資源成為日益短缺的重要資源。美國(guó)聯(lián)邦通信委員會(huì)(Federal communications commission,FCC)調(diào)查結(jié)果指出[1]，目前無(wú)線頻譜短缺問(wèn)題主要是由資源利用不平衡導(dǎo)致，即現(xiàn)有的固定頻譜分配政策不能滿足日益增長(zhǎng)的對(duì)無(wú)線頻譜的需求。1999年，瑞典皇家理工學(xué)院的Joseph Mitola III博士提出了認(rèn)知無(wú)線電(Cognitive radio，CR)[2]概念。CR采用靈活動(dòng)態(tài)的頻譜管理方式，可以有效提高頻譜利用效率，成為未來(lái)無(wú)線通信領(lǐng)域技術(shù)發(fā)展的重要方向。頻譜感知是CR的關(guān)鍵技術(shù)之一。為了提高頻譜感知的準(zhǔn)確程度，認(rèn)知無(wú)線網(wǎng)絡(luò)當(dāng)中通常采用協(xié)作頻譜感知(Cooperative spectrum sensing，CSS)方法，通過(guò)結(jié)合多個(gè)次用戶(Secondary user，SU)的感知結(jié)果檢測(cè)主用戶(Primary user，PU)的工作狀態(tài)[3,4]。在認(rèn)知無(wú)線電的若干組網(wǎng)模式當(dāng)中，認(rèn)知Ad hoc網(wǎng)絡(luò)由于其無(wú)中心、自組織的特點(diǎn)在軍事、救災(zāi)與臨時(shí)組網(wǎng)等領(lǐng)域有良好的應(yīng)用前景，但也由于沒(méi)有固定的融合中心，使得認(rèn)知Ad hoc網(wǎng)絡(luò)的CSS問(wèn)題變得更為復(fù)雜[5-7]。

一直以來(lái)，對(duì)認(rèn)知Ad hoc網(wǎng)絡(luò)基于共識(shí)算法[8,9]對(duì)節(jié)點(diǎn)的頻譜感知結(jié)果進(jìn)行融合，這種方法在網(wǎng)絡(luò)規(guī)模較大時(shí)往往具有效率低下、錯(cuò)誤率高等缺點(diǎn)。為了解決這類問(wèn)題，近年來(lái)不少研究文獻(xiàn)采用分簇方法對(duì)網(wǎng)絡(luò)用戶節(jié)點(diǎn)進(jìn)行劃分，做到針對(duì)不同的地理區(qū)域與不同的頻段指定不同的認(rèn)知用戶進(jìn)行感知，從而達(dá)到提高感知準(zhǔn)確率，縮短感知時(shí)間的目的[10-12]。目前，對(duì)認(rèn)知Ad hoc網(wǎng)絡(luò)的分簇方法大致可以分為以下幾類。根據(jù)地理位置分簇：代表有Smitha等在文獻(xiàn)[13]中提出的分簇算法。通過(guò)各個(gè)節(jié)點(diǎn)上報(bào)地理位置信息對(duì)各個(gè)參與頻譜感知的節(jié)點(diǎn)進(jìn)行篩選，從而減少對(duì)一個(gè)頻譜的感知節(jié)點(diǎn)數(shù)目，達(dá)到分簇目的。根據(jù)地理位置分簇的最大問(wèn)題是不容易獲得PU的具體位置，沒(méi)有考慮復(fù)雜的陰影衰落、多徑效應(yīng)等，且很難應(yīng)用于移動(dòng)網(wǎng)絡(luò)當(dāng)中。根據(jù)感知結(jié)果相似程度分簇：代表有文獻(xiàn)[14]提出的根據(jù)感知結(jié)果的相關(guān)性，對(duì)感知節(jié)點(diǎn)進(jìn)行分簇的算法；文獻(xiàn)[15]提出的吸引子傳播算法，通過(guò)網(wǎng)絡(luò)中相鄰節(jié)點(diǎn)間的消息交互和更新，在相鄰節(jié)點(diǎn)最多的信道上以可用信道最多的節(jié)點(diǎn)為簇首建立簇結(jié)構(gòu)。根據(jù)感知結(jié)果對(duì)節(jié)點(diǎn)進(jìn)行劃分，克服了PU位置難以獲取的缺點(diǎn)，同時(shí)也能夠避免陰影衰落、多徑效應(yīng)造成分簇正確性的下降。優(yōu)化簇規(guī)模與檢測(cè)任務(wù)的分簇：在分簇算法中，往往要綜合考慮簇內(nèi)包含的SU節(jié)點(diǎn)數(shù)目與簇需要檢測(cè)的PU信道數(shù)目之間的關(guān)系。簇內(nèi)檢測(cè)的PU信道越多，簇內(nèi)可用的頻譜接入機(jī)會(huì)和吞吐量越大，但同時(shí)所得到的分簇越小，這會(huì)使SU之間的合作頻譜感知效果變差。此外，簇內(nèi)包含太多的所需要感知的信道也會(huì)使感知時(shí)間分散，效果也更差。文獻(xiàn)[16，17] 采用最大權(quán)重單邊二部圖(Maximum-weight one-sided biclique，MWB)模型優(yōu)化簇規(guī)模與簇檢測(cè)任務(wù)，實(shí)現(xiàn)對(duì)SU節(jié)點(diǎn)的分簇。

結(jié)合以上幾種方法的優(yōu)缺點(diǎn)，本文提出一種基于頻譜感知與二部圖模型的認(rèn)知Ad hoc網(wǎng)絡(luò)用戶分簇算法。首先，引入檢測(cè)因子(Detection factor, DF)概念，根據(jù)各個(gè)SU節(jié)點(diǎn)的接受信噪比，計(jì)算得到每個(gè)節(jié)點(diǎn)對(duì)各個(gè)PU信號(hào)的檢測(cè)因子。通過(guò)檢測(cè)因子將認(rèn)知Ad hoc網(wǎng)絡(luò)中的SU節(jié)點(diǎn)與需要檢測(cè)的PU信道建模為二部圖模型，使得分簇問(wèn)題簡(jiǎn)化為最大權(quán)邊完全二部圖分解(Constraint maximum-weight edge biclique, C-MWEB)問(wèn)題。最后設(shè)計(jì)一種貪婪算法，對(duì)C-MWEB問(wèn)題進(jìn)行有條件約束的求解。

1 數(shù)學(xué)模型

1.1 網(wǎng)絡(luò)模型

在本文探討的認(rèn)知Ad hoc 網(wǎng)絡(luò)模型當(dāng)中，各個(gè)節(jié)點(diǎn)均采用全向天線進(jìn)行信號(hào)收發(fā)，綜合考慮地理位置、障礙物遮蔽和陰影衰落等因素對(duì)感知結(jié)果的影響，用信噪比來(lái)描述SU節(jié)點(diǎn)的感知效果。

考慮一個(gè)包含N個(gè)認(rèn)知用戶(Secondary user， SU)，m個(gè)主用戶(Primary user， PU)的網(wǎng)絡(luò)感知模型。SU保持對(duì)PU信道的實(shí)時(shí)監(jiān)測(cè)，當(dāng)PU未占用信道時(shí)，SU可對(duì)信道實(shí)施機(jī)會(huì)頻譜接入。目前，大多數(shù)合作頻譜感知方面的研究都假設(shè)PU信號(hào)可以覆蓋整個(gè)認(rèn)知無(wú)線網(wǎng)絡(luò)(Cognitive radio network,CRN)網(wǎng)絡(luò)，但實(shí)際情況中，很多PU信號(hào)功率較小，覆蓋面積有限(例如手提電話信號(hào)功率只有10～50 mW[18]，傳輸距離只有100 m～1 km)，往往并不能覆蓋整個(gè)CRN，而只能覆蓋其中的小部分SU。很多距離PU發(fā)射機(jī)很遠(yuǎn)的SU設(shè)備只能檢測(cè)到噪聲。用檢測(cè)距離RD來(lái)描述PU信號(hào)的覆蓋范圍，如果SU在PU的檢測(cè)范圍內(nèi)，則可以檢測(cè)到PU的活動(dòng)；反之，其在相應(yīng)的信道上只能檢測(cè)到噪聲。如果再考慮多個(gè)PU覆蓋范圍相互交疊的情況，以及障礙物遮蔽、陰影衰落等因素的影響，問(wèn)題會(huì)變得更為復(fù)雜，如圖1所示。

在圖1所示的網(wǎng)絡(luò)模型中，擁有10個(gè)SU的認(rèn)知Ad hoc網(wǎng)絡(luò)被4個(gè)PU信號(hào)覆蓋，出現(xiàn)覆蓋區(qū)域相互交疊的狀況，且對(duì)于節(jié)點(diǎn)SU2與SU6而言，需要考慮陰影遮蔽因素對(duì)感知結(jié)果的影響。在這種情況下，傳統(tǒng)的共識(shí)算法[8,9]將全部網(wǎng)絡(luò)納入感知與分配過(guò)程中，不僅耗時(shí)耗力，且效率很低，感知結(jié)果錯(cuò)誤的可能性很大。

圖2 檢測(cè)時(shí)間模型 Fig.2 Detection time model

1.2 感知模型

本文默認(rèn)認(rèn)知Ad hoc網(wǎng)絡(luò)各個(gè)節(jié)點(diǎn)同步運(yùn)行，時(shí)間分為初始化階段(主要負(fù)責(zé)初始分簇)、運(yùn)行階段與簇維護(hù)階段。其中在系統(tǒng)運(yùn)行的初期對(duì)網(wǎng)絡(luò)進(jìn)行初始化與分簇，而后每隔一段時(shí)間對(duì)分簇結(jié)果進(jìn)行維護(hù)。運(yùn)行階段劃分成若干個(gè)幀，每一幀分別包含感知階段與信息傳輸階段，在進(jìn)行感知時(shí)，所有節(jié)點(diǎn)靜默，以提高感知準(zhǔn)確率。其原理如圖2所示。

單個(gè)SU的頻譜感知結(jié)果是CSS的基礎(chǔ)。因此，先建立單個(gè)SU的頻譜感知模型。本文假設(shè)采樣頻譜為fs，則第i個(gè)認(rèn)知用戶Si對(duì)信道j的感知結(jié)果為

(1)

(2)

采用能量感知，則感知檢測(cè)量

(3)

虛警概率Pf,(i,j)為

(4)

式中第i個(gè)SU的檢測(cè)閾值為εi，Q(x)為

(5)

若被檢測(cè)信號(hào)為PSK調(diào)制時(shí)，檢測(cè)概率Pd,(i,j)為

(6)

本文采用OR規(guī)則融合SU的感知結(jié)果，則合作檢測(cè)概率與合作虛警概率分別為

(7)

(8)

1.3 檢測(cè)因子

為了有效地保護(hù)PU通信不受干擾，要求認(rèn)知網(wǎng)絡(luò)頻譜感知的檢測(cè)概率要高于一個(gè)門限。即Qd,j≥Qth。由此，可以得到

(9)

由于采用OR準(zhǔn)則進(jìn)行感知結(jié)果融合，式(9)存在乘法運(yùn)算。為了簡(jiǎn)化算法復(fù)雜程度，本文引入檢測(cè)因子(Detection factor，DF)概念。

定義1SUi對(duì)PUj的檢測(cè)因子為θij，其表示為

θij=-log(1-Pd,(i,j))

(10)

將式(10)代入式(9)，可以得到

(11)

式中θth=-log(1-Qth)為檢測(cè)因子門限。

1.4 二部圖模型

定義2G=(V,E)是一個(gè)無(wú)向圖，如果頂點(diǎn)V可分割為兩個(gè)互不相交的子集(A,B)，并且圖中的每條邊(i,j)所關(guān)聯(lián)的兩個(gè)頂點(diǎn)i和j分別屬于這兩個(gè)不同的頂點(diǎn)集，即當(dāng)i∈A時(shí)，必有j∈B。則稱圖G為一個(gè)二分圖?？梢詫⒁粋€(gè)二部圖表示成G(A∪B,ξ)，其中，每條邊ε都連接著點(diǎn)集X與點(diǎn)集Y中的一個(gè)點(diǎn)，如圖3所示。

定義3完全二部圖(Biclique)是一種特殊的二部圖，可以把圖中的頂點(diǎn)分成兩個(gè)集合，使得第1個(gè)集合中的所有頂點(diǎn)都與第2個(gè)集合中的所有頂點(diǎn)相連。因此，完全二部圖只需要其兩個(gè)點(diǎn)集就可確定，可以表示為G(S,C)，如圖4所示。

圖3 二部圖模型

Fig.3 Bipartite graph model

圖4 完全二部圖模型

Fig.4 Biclique graph model

假設(shè)二部圖G(A∪B,ε)中A={SU1,SU2,SU3,…,SUn}為網(wǎng)絡(luò)認(rèn)知節(jié)點(diǎn)的集合，B={PU1,PU2,…,PUm}為網(wǎng)絡(luò)需要感知的PU信道的集合，若認(rèn)知節(jié)點(diǎn)SUi可以感知PUj信道，可用邊ξ連接兩個(gè)點(diǎn)集內(nèi)相應(yīng)的兩點(diǎn)。這樣，網(wǎng)絡(luò)中SU與所要感知的PU信道的關(guān)系可以構(gòu)建為一個(gè)二部圖模型。以檢測(cè)因子θij作為二部圖模型邊ξ的權(quán)值，可將模型轉(zhuǎn)換為一個(gè)加權(quán)二部圖。因此，本文中所研究的分簇問(wèn)題可以構(gòu)建為將加權(quán)二部圖模型分解為若干完全二部圖的問(wèn)題。

2 基于頻譜感知的分簇算法

2.1 C-MWEB問(wèn)題與求解

在研究分簇算法之前，先要對(duì)算法所要解決的問(wèn)題以及所希望達(dá)到的目標(biāo)函數(shù)進(jìn)行建模。本文研究的算法目的是對(duì)認(rèn)知Ad hoc網(wǎng)絡(luò)中的SU節(jié)點(diǎn)與所感知的PU信道進(jìn)行分簇，使得某一些SU節(jié)點(diǎn)負(fù)責(zé)感知特定的PU信道。其約束條件如下：

(1) 確保對(duì)每個(gè)PU信道的檢測(cè)概率大于檢測(cè)門限，即Qd,j≥Qth，或表示為檢測(cè)因子θj≥θth。

(2) 在滿足(1)的前提下，盡可能增加簇內(nèi)備選信道的數(shù)目，同時(shí)減少對(duì)PU干擾的可能，即需要最大化簇內(nèi)檢測(cè)PU信道檢測(cè)因子和。

(3) 本文所研究的為非交疊分簇，即每個(gè)SU只能隸屬于一個(gè)簇，每個(gè)PU也只被一個(gè)簇內(nèi)的SU檢測(cè)。

該問(wèn)題可用數(shù)學(xué)語(yǔ)言描述為

?i

(12)

式中XsN×K和XpM×K代表SU與PU的分配矩陣，其中K為系統(tǒng)分簇的數(shù)量。

(13)

(14)

G(Sk，Ck)為由原二部圖模型分解出的第k個(gè)完全二部圖，也代表分離的第k個(gè)簇。其中，Sk代表第k個(gè)簇當(dāng)中包含的SU節(jié)點(diǎn)向量，Ck代表第k個(gè)簇檢測(cè)的PU信道。以檢測(cè)因子θ為根據(jù)為二部圖模型加權(quán)，即連接SUi節(jié)點(diǎn)與PUj節(jié)點(diǎn)的邊的權(quán)值為θij，原問(wèn)題可以轉(zhuǎn)化為有條件約束的最大權(quán)邊完全二部圖分解(Constrained maximum-weight edge biclique，C-MWEB)問(wèn)題。由文獻(xiàn)[19,20]可知，C-MWEB問(wèn)題為NP-complete問(wèn)題。隨著SU和PU信道數(shù)量的上漲，尋找問(wèn)題最優(yōu)解的復(fù)雜度呈指數(shù)級(jí)上升。由于C-MWEB問(wèn)題為NP-complete問(wèn)題，故無(wú)法在多項(xiàng)式時(shí)間內(nèi)找到最優(yōu)解，但可以通過(guò)設(shè)計(jì)一種啟發(fā)式算法去尋找他的次優(yōu)解。本文設(shè)計(jì)一種貪婪算法用來(lái)解決C-MWEB問(wèn)題。

算法步驟如下：

(1) 設(shè)置A={SU1,SU2,…,SUn}為認(rèn)知節(jié)點(diǎn)SU的集合向量，B={PU1,PU2,…,PUn}為主用戶PU信道的集合向量。設(shè)定初始值A(chǔ)1=A和B1=B。對(duì)于已分配的SU節(jié)點(diǎn)與PU信道不再參與下一次的分配，所以對(duì)于簇k，Ak為Ak-1除去Sk-1中的點(diǎn)，Bk為Bk-1除去Ck-1中的點(diǎn)。

(2) 首先，Ck為空，Sk為所有SU的集合。在第l次迭代之后，找到具有最大檢測(cè)因子和的信道bl，要求信道bl屬于Bk但不屬于本次迭代中的Ck，即在二部圖中的度θ(ψbl)最大，其中ψbl為所有可以感知bl的SU節(jié)點(diǎn)的集合。

(3) 添加bl到Ck，從Sk中刪除那些不能感知通道bl的SU。

(4) 計(jì)算檢測(cè)因子數(shù)θsum=∑θ(Sk,Ck)。

(5) 當(dāng)滿足約束條件∑θ(Sk,yl)>θth且Bk剩余的信道數(shù)為0時(shí)，回到步驟(1)循環(huán)。

(6)Sk，Ck即為所要得到的第k分簇的SU與PU信道集合。

2.2 基于感知的分簇算法

基于感知的認(rèn)知Ad hoc網(wǎng)絡(luò)用戶分簇算法步驟如下：

步驟1在本文中，假定每個(gè)SU接收端的噪聲功率一定。故每個(gè)SU可以根據(jù)接收到PU信號(hào)的強(qiáng)度計(jì)算信噪比γi,j，并根據(jù)式(6)與式(10)計(jì)算檢測(cè)概率Pd,(i,j)與檢測(cè)因子θij。當(dāng)檢測(cè)因子值小于門限θth1的時(shí)候，認(rèn)定其在PU覆蓋范圍外。

步驟2每個(gè)SU向其周圍的SU廣播其所測(cè)量到的信息。當(dāng)每個(gè)節(jié)點(diǎn)接收到的信息不再更新時(shí)，所有的SU可以獲得整個(gè)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與二部圖G(A∪B,ε)。

步驟3運(yùn)用貪婪算法在步驟2得到的二部圖中分解出完全二部圖，得到分簇結(jié)果。

步驟4將網(wǎng)絡(luò)分簇之后，其中的一個(gè)SU將被選為簇頭，作為數(shù)據(jù)的融合中心與網(wǎng)絡(luò)的管理中心，負(fù)責(zé)協(xié)作頻譜感知與信道的分配。簇頭的選擇方案可以參照移動(dòng)Ad hoc網(wǎng)絡(luò)或無(wú)線傳感器網(wǎng)絡(luò)中常用的最小標(biāo)識(shí)符(Least identification,LID)方案[21]，即簇內(nèi)ID值最小的簇向簇內(nèi)其他成員廣播宣布自己成為簇頭。簇頭選定之后，在每次感知階段中簇內(nèi)各個(gè)SU分別執(zhí)行頻譜感知并將二元決策結(jié)果傳送給簇頭，簇頭根據(jù)OR準(zhǔn)則進(jìn)行最后判定，而后向全網(wǎng)廣播該信道資源是否可用。

3 實(shí)驗(yàn)與仿真

對(duì)圖1所示網(wǎng)絡(luò)模型進(jìn)行仿真。模型中包含10個(gè)SU，4個(gè)PU信道，PU信號(hào)覆蓋范圍相互交疊。本文只考慮路徑損耗與陰影衰落，暫不考慮多徑效應(yīng)所帶來(lái)的影響。引入路徑損耗、陰影衰落之后，接收功率Pr的表達(dá)式為

Pr=PtL0L1

(15)

式中L0為自由路徑損耗，L1為陰影衰落所帶來(lái)的功率損耗。

假定各個(gè)接受節(jié)點(diǎn)端的噪聲功率相等，自由空間損耗L0為

(16)

式中：λc為信號(hào)波長(zhǎng)，d為接收機(jī)與發(fā)射機(jī)距離，Gr為接收天線增益，Gt為發(fā)射天線增益。假設(shè)SU節(jié)點(diǎn)與PU發(fā)射機(jī)天線均為全向天線，則Gr=Gt=1。

陰影衰落會(huì)隨著障礙物位置、大小、介電特性、反射面和散射體等情況的變化而變化。在具體情況未知的情況下，通常使用統(tǒng)計(jì)模型來(lái)描述。陰影衰落L1一般符合對(duì)數(shù)正態(tài)分布。

(17)

式中：μφdB為衰落均值，可以采用實(shí)測(cè)值或統(tǒng)計(jì)值，一般等于路徑損耗,φ>0。式(15)已經(jīng)包含路徑損耗，故這里μφdB=0；σφdB為方差，一般取值4～13 dB。

(18)

式中Dij代表節(jié)點(diǎn)SUi對(duì)PUj發(fā)射機(jī)的距離，單位為km。

本文中，由于障礙物的遮擋，節(jié)點(diǎn)SU2接收PU4的信號(hào)，節(jié)點(diǎn)SU6接收PU3的信號(hào)受到影響，各自對(duì)其進(jìn)行8 dB的衰減，即

(19)

在實(shí)際系統(tǒng)中，可根據(jù)接收信號(hào)功率強(qiáng)度Pr得到接受信噪比。本文的實(shí)驗(yàn)則是通過(guò)所給定參數(shù)，通過(guò)式(15)和式(16)計(jì)算得到各個(gè)節(jié)點(diǎn)的信噪比，再通過(guò)式(6)得到各個(gè)節(jié)點(diǎn)的檢測(cè)概率矩陣。設(shè)定用來(lái)判定覆蓋范圍的檢測(cè)門限Pdth1=0.70，即檢測(cè)概率小于0.7的SU判定為在該P(yáng)U覆蓋范圍之外。模型中SU對(duì)所檢測(cè)的PU信道的檢測(cè)概率矩陣P為

(20)

式中pij表示節(jié)點(diǎn)SUi對(duì)第j個(gè)PU信道的檢測(cè)概率。根據(jù)矩陣可以畫(huà)出二部圖模型，如圖5所示。

在實(shí)際系統(tǒng)中，認(rèn)知無(wú)線電要優(yōu)先保證不影響PU的工作。因此，本文中檢測(cè)門限設(shè)定為Pdth=0.99，相應(yīng)的檢測(cè)因子θth=4.6。分別采用傳統(tǒng)的感知分簇方法[14]，文獻(xiàn)[17]所采用的MWB分簇算法與本文的C-MWEB分簇算法，得到劃分的簇如圖6～8所示。

圖5 Matlab仿真得到矩陣P所表示CRN的二部圖模型

Fig.5 Bipartite graph model of matrix P in Matlab simulation

圖6 基于感知結(jié)果的分簇

Fig.6 Clustering based on spectrum sensing

圖7 MWB分簇算法

Fig.7 Clustering based on MWB

圖8 本文C-MWEB分簇算法

Fig.8 Clustering based on proposed C-MWEB

可以看出，在多個(gè)PU信號(hào)交疊的區(qū)域，單純依靠感知結(jié)果的分簇算法分簇?cái)?shù)目過(guò)多，簇規(guī)模過(guò)小，不利于網(wǎng)絡(luò)管理與運(yùn)營(yíng)。文獻(xiàn)[17]提出的MWB分簇算法通過(guò)對(duì)簇內(nèi)通信容量與認(rèn)知用戶數(shù)目進(jìn)行限制，得到的分簇?cái)?shù)目與規(guī)模合理。但由于未考慮感知結(jié)果對(duì)分簇的影響，對(duì)受到陰影衰落影響的SU2與SU6兩個(gè)點(diǎn)的劃分出現(xiàn)失誤，地理位置分隔較遠(yuǎn)的點(diǎn)反而分為一簇，使得分簇出現(xiàn)混亂，簇與簇之間出現(xiàn)相互纏繞的現(xiàn)象。本文采用的C-MWEB分簇算法通過(guò)引入檢測(cè)因子的概念，考慮了每個(gè)SU對(duì)不同PU信道具有不同的接收信噪比，從而避免了相應(yīng)問(wèn)題的發(fā)生，使得分簇結(jié)果更為合理。

本文所述的C-MWEB分簇算法與文獻(xiàn)[17]提出的MWB分簇算法對(duì)PU信道的分簇結(jié)果如圖9,10所示。

圖9 MWB分簇算法對(duì)PU信道的分簇

Fig.9 Primary user clustering based on MWB

圖10 本文C-MWEB分簇算法對(duì)PU信道的分簇

Fig.10 Primary user clustering based on proposed C-MWEB

在PU信道分配方面，由于均采用了一個(gè)信道只分配給一個(gè)簇內(nèi)節(jié)點(diǎn)進(jìn)行檢測(cè)的約束條件，本文算法與文獻(xiàn)[17]提出的MWB分簇算法所得出的結(jié)果類似。文獻(xiàn)[17] 的MWB分簇算法中，SU1,SU8,SU9分為簇1，合作檢測(cè)信道1與信道2；SU2,SU3,SU4,SU5分為簇2，合作檢測(cè)信道3；SU6,SU7,SU10分為簇3，合作檢測(cè)信道4；在本文算法中，SU4,SU6,SU9分為簇1，合作檢測(cè)信道2與信道4；SU1,SU2,SU7,SU8,SU10分為簇2，合作檢測(cè)信道1；SU3,SU5分為簇3，合作檢測(cè)信道3。

4 結(jié)束語(yǔ)

為了提高認(rèn)知Ad hoc網(wǎng)絡(luò)頻譜感知效率，解決認(rèn)知Ad hoc網(wǎng)絡(luò)分簇問(wèn)題，本文提出一種基于頻譜感知的認(rèn)知Ad hoc網(wǎng)絡(luò)分簇算法。該算法通過(guò)引入檢測(cè)因子的概念，綜合考慮多個(gè)主用戶信號(hào)交疊、陰影衰落等問(wèn)題對(duì)節(jié)點(diǎn)頻譜感知結(jié)果的影響，將認(rèn)知Ad hoc網(wǎng)絡(luò)分簇問(wèn)題簡(jiǎn)化為C-MWEB分解問(wèn)題，并設(shè)計(jì)了一種貪婪算法對(duì)其進(jìn)行求解。通過(guò)計(jì)算機(jī)仿真，驗(yàn)證了理論推導(dǎo)的結(jié)果和相關(guān)的結(jié)論，比較了本文提出的算法與傳統(tǒng)算法的性能，證明在多個(gè)主用戶信號(hào)交疊與陰影衰落并存的情況下，本文算法具有更好的可靠性和有效性。

[1] Leibovitz J S. The great spectrum debate: A commentary on the FCC spectrum policy task force′s report on spectrum rights and responsibilities[J]. Yale Ji & Tech, 2003, 6(4): 391-431.

[2] Mitola J. Cognitive radio: Making software radios more personal[J]. IEEE Personal Communications, 1999, 6(4): 13-18.

[3] 陳兵，胡峰，朱琨. 認(rèn)知無(wú)線電進(jìn)展[J]. 數(shù)據(jù)采集與處理, 2016, 31(3):440-451.

Chen Bing, Hu Feng, Zhu Kun. Research progress of cognitive radio[J]. Journal of Data Acquisition and Progressing, 2016, 31(3): 440-451.

[4] 張士兵，宋蓮蓮，劉燕，等. 基于節(jié)點(diǎn)識(shí)別的寫(xiě)作頻譜檢測(cè)算法[J]. 數(shù)據(jù)采集與處理, 2014, 29(5):688-693.

Zhang Shibing, Song Lianlian, Liu Yan， et al. Cooperation spectrum detection algorithm based on node recognition[J]. Journal of Data Acquisition and Progressing, 2014, 29(5):688-693.

[5] Wang B B，Liu K J R，Clancy T C．Evolutionary cooperative spectrum sensing game：How to collaborate [J]. IEEE Trans on Communication，2010，58(3)：890-900.

[6] Saad W，Han Z，Debbah M, et al．Coalitional games for distributed collaborative spectrum sensing in cognitive radio networks[C]// Proceedings of 28th Conference on Computer Communications. Rio de Janeiro, Brazil: IEEE, 2009: 2114-2122.

[7] Li Z Q, Yu F R, Huang M Y．A distributed consensus-based cooperative spectrum sensing scheme in cognitive radios[J]. IEEE Trans Veh Technol, 2010, 59: 383-393.

[8] 吳啟暉, 丁國(guó)如, 王金龍,等. 認(rèn)知無(wú)線網(wǎng)絡(luò)中基于共識(shí)理論的分布式聚類合作頻譜感知研究[J]. 科學(xué)通報(bào), 2012, 57(9):776-783.

Wu Qihui, Ding Guoru, Wang Jinlong, et al. Distribute clustering cooperation spectrum sensing based on consensus in cognitive radio network[J]. Science Bulletin, 2012, 57(9):776-783.

[9] 杜智勇, 陳浩楠, 宋緋. 一種基于信噪比加權(quán)共識(shí)的合作頻譜感知算法[J]. 數(shù)據(jù)采集與處理, 2013,28(2):184-189.

Du Zhiyong, Chen Haonan, Song Fei. SNR based weighted-consensus algorithm for cooperation spectrum sensing[J]. Journal of Data Acquisition and Progressing, 2013,28(2): 184-189.

[10] Alshamrani A. A novel clustering scheme for spectrum sharing in multi-hop ad hoc cognitive radio networks[C]// Electronics, Communications and Photonics Conference (SIECPC). Riyadh, Saudi Arabia: King Abdulaziz City for Science and Technology (KACST),2013:1-6.

[11] Song L, Li L, Zhao C. A novel cluster-based architecture of cognitive wireless ad-hoc networks[C]// Industrial Control and Electronics Engineering (ICICEE), 2012 International Conference on. Xi′an, China: IEEE, 2012: 23-25.

[12] Sisi L, Lazos L, Krunz M. Cluster-based control channel allocation in opportunistic cognitive radio networks[J]. Mobile Computing, IEEE Transactions on, 2012, 11(10):1436-1449.

[13] Smitha K G, Vinod A P. Cluster based cooperative spectrum sensing using location information for cognitive radios under reduced bandwidth[C]// Circuits and Systems (MWSCAS), 2011 IEEE 54th International Midwest Symposium on. Seoul, Korea: IEEE, 2011:7-10.

[14] 孫劍鋒, 高錦春, 劉元安,等. 基于頻譜感知結(jié)果的認(rèn)知無(wú)線電用戶分簇方法[J]. 電子與信息學(xué)報(bào), 2012(4):782-786.

Sun Jianfeng, Gao Jinchun, Liu Yuanan, et al. Clustering method for cognitive radio user based on the results of spectrum sensing[J]. Journal of Electronic & Information Technology, 2012(4):782-786.

[15] Baddour K E, Ureten O, Willink T J. Efficient clustering of cognitive radio networks using affinity propagation[C]//Computer Communications and Networks, ICCCN 2009 Proceedings of 18th Internatonal Conference on. San Francisco, California: IEEE, 2009, 8:3-6.

[16] Mansoor N, Islam A, Zareei M, et al. Spectrum aware cluster-based architecture for cognitive radio ad-hoc networks[C]//Advances in Electrical Engineering (ICAEE), International Conference on. Bangladesh: IEEE, 2013:19-21.

[17] Zhang Wenjie, Yang Yiqun, Yeo C K. Cluster-based cooperative spectrum sensing assignment strategy for heterogeneous cognitive radio network[J]. IEEE Transactions on Vehicular Technology, 2015, 64(6):2637-2647.

[18] Min A W, Shin X Z K G. Detection of small-scale primary users in cognitive radio networks[J]. IEEE Sel Areas Commun, 2011(2): 349-361.

[19] Dawande M, Keskinocak P, Swaminathan J, et al. On bipartite and multipartite clique problems[J]. Algorithms, 2014, 41(2): 388-403.

[20] Peeters R. The maximum edge biclique problem is NP-complete[J]. Discrete Applied Math, 2003, 131(3): 651-654.

[21] Lin C R, Gerla M. Adaptive clustering for mobile wireless networks[J]. IEEE Journal on Selected Areas in Communications,1997,15(7):1265-1275.