没有合适的资源?快使用搜索试试~ 我知道了~
为了实现多维动态频谱接入,首先给出了主用户的全局功率谱近似模型,并构建了新型全局频谱协作感知算法的总体流程,以获得主用户网络中占用频段、功率及位置等全局信息。接着利用变分贝叶斯推断技术,设计了相应的模型系数向量估计器。仿真结果表明,该方法采用的近似模型具有较好的准确性,相应的系数向量估计算法具有较高的有效性和收敛稳定性,同时指明了信噪比和泄漏总虚假功率的关系以及两者对均方误差性能的影响。此外,还证明了该方法通过利用系数向量?的稀疏性,而在均方误差性能上具有较大优势。
资源推荐
资源详情
资源评论
20
16
2
Journal on
Communications
February
20
16
201
6
0
37
-
1
37
2
Vol.
37
No.
2
(
210096
TN914
A
WU Ming, SONG Tie
-
cheng, HU Jing, SH
EN Lian
-
feng
(National Mobile Communications Research Laboratory, Southeast University, Nanjing 210096, China
To realize multi
-
dimensional dynamic spectrum access, an approximate model was proposed for the global
power spectral density (PSD) of
primary users (PU
). Based on the proposed model, a novel cooperative spectrum sen
s
ing
algorithm was proposed, and its overall flow was also built to obtain global i
nformation in the network of PU
. The global
information include
d
locations, occupied frequen
cy bands and transmitting powers of the PU. Then, an estimator of mo
d-
el coefficient vector was designed by utilizing the th of
v
ariational Bayesian
i
nference (VBI). Simulation results
show that the proposed approximate model has good accuracy, and the
corresponding estimation algorithm of model
coefficient vector has good convergence and stability. Meanwhile, the relationship between SNR and the leakage of a
g-
gregate spurious power (LASP) was pointed out, and the influence of SNR and LASP on MSE performa
nce was also
discussed. Furthermore, it is proved that the proposed algorithm has better MSE performance than another algorithm
since the sparsity of model coefficient vector is util zed.
cognitive radio
,
cooperative global spectrum sensing
,
var
iational
B
ayesian inference
,
sparsity
[1
~
3]
/
2015
-
04
-
08
2015
-
08
-
08
No.
61
271207
, No.
61372104
, No.
61201248
The National Natural Science Foundation of China (
No.
61271207,
No.
61372104,
No.
61201248)
doi:
10
.
11959
/j.issn.
1000
-
436
x
.
201
6037
年
月
第
卷第
期
通
信
学
报
东南大学移动通信国家重点实验室
,
江苏
南京
)
:
为了实现多维动态频谱接入
,
首先给出了主用户的全局功率谱近似模型
,
并构建了新型全局频谱协作感
知算法的总体流程
,
以获得主用户网络中占用频段
、
功率及位置等全局信息
。
接着利用变分贝叶斯推断技术
,
设
计了相应的模型系数向量估计器
。
仿真结果表明
,
该方法采用的近似模型具有较好的准确性
,
相应的系数向量估
计算法具有较
高的有效性和收敛稳定性
,
同时指明了信噪比和泄漏总虚假功率的关系
以及
两者对均方误差性能的
影响
。
此外
,
还证明了该方法通过利用系数向量
的稀疏性
,
而在均方误差性能上具有较大优势
。
:
认知无线电
;
全局频谱协作感知
;
变分贝叶斯推断
;
稀疏性
:
:
)
目前
,
无线通信领域中存在频谱资源日益匮乏而
现有频谱利用效率低下这一困境
,
认知无线电技术正
是为解决这一问题而提出的
。
认知无线电技术的基础
和关键是频谱感知技术
,
该技术主要用于判断授权频
段是否被主用户占用
。
目前
,
其主要采取协作的方式
进行频谱感知
,
以利用不同从用户的采样点在时间
、
空间上的独立性或不相关性
,
实现分集
、
增强感知性
能
,
从而达到快速
、
可靠感知的目的
。
但是因为从用户网络覆盖范围较大
,
主用户通
信范围通常只占
据其中一部分
。
而在其他地方
,
由
于距离主用户较远
、
主用户信号功率较弱
、
建筑物
遮蔽等原因
,
从用户对授权频段的使用往往既不会
对主用户通信产生有害的干扰
,
也不会受到主用户
的有害影响
。
同时由于主
从用户一般存在移动性
,
导致主用户通信影响范围和频谱空洞所处位置也
随时间不断变化
。
由此可知
,
为实现频谱在多维度
:
;
:
:
国家自然科学基金资助项目
(
)
基于变分贝叶斯推断的新型全局频谱协作感知算法
摘
要
关键词
中图分类号
文献标识码
引言
收稿日期
修回日期
基金项目
吴名
,
宋铁成
,
胡静
,
沈连丰
?
Novel cooperative
glob
al
spectrum sensing algorithm
based
on
vari
a
tional Bayesian inference
Abstract:
Key words:
1
Foundation Item
:
·
·
通
信
学
报
第
卷
上的动态复用
,
从用户网络如何感知整个覆盖范围
中主用户发射机所使用的频段
、
功率及其所处位置
等全局频谱信息成为必须首先解决的问题
。
文献
详细描述了这一问题
,
并进一步指出由于主
从用户
天线所处位置不同导致的路径损耗差异会
产生很
大的动态频谱复用机会
。
而文献
则介绍了如何利
用现代空间统计学来定量描述主
从用户频谱在大
范围内分布的统计模型
,
并指出设计全局频谱分布
信息感知算法是实现动态全局频谱共享的首要步
骤
。
而传统的协作感知技术难以完成这种在具有移
动性的认知网络中
,
有效感知其全局频谱信息的任
务
。
因此最近出现多种考虑主
从用户移动性的协作
感知算法以实现这一目标
。
为反映主
从用户移动性
导致的频谱接入机会
,
文献
利用两态连续时间马
尔
可
夫链构建信道可用性模型
,
并根据该模型联合
优化频谱感知间隔等参数
,
以最大化时域
空域频谱
接入机会
。
同时设计相应的信道接入策略
,
以利用
主
从用户移动性导致的各种频谱接入机会
。
文献
利用主
从用户间信道特性
、
感知数据间相关度和主
从用户运动行为构建接近真实的移动性模型
,
并基
于该模型
,
设计出一种新型的感知节点选择方法
,
以选择出低相关性
、
高感知性能的感知节点子集
。
文献
考虑主用户移动性导致的频谱接入机会
,
由
此扩展出新的空时频谱感知模型
,
并定义一种新的
性能评价指标
,
即受感知参数和移动性影响的从用
户可达传输容量
。
该性能评价指标同时指明了感知
机制不完美时
,
感知机制的精度对信道接入概率的
影响
,
并由此得出最优感知时
长
,
以最大化从用户
可达传输容量
。
文献
在不考虑阴影衰落影响的情
况下
,
利用贝叶斯分层先验建模技术设计了新型的
协作频谱感知方法
,
以得到主用户信号的功率谱分
布估计值
。
本文利用新出现的变分贝叶斯推断技术
,
设
计了一种新型的全局频谱信息协作感知算法
。
通
过最
小化全局功率谱模型系数后验函数的
(
)
散度
,
得到该后验的近似值
,
然后根据最大后验概率准则得到各主用户发射机
占用频段
、
功率和所处位置
种信息的最优值
,
由
此得到指定区域内全局频谱分布
,
获得频谱在时
间
、
空间
、
频谱上的多维信息
,
使从
用户网络可以
高效复用空闲频谱
。
与上述文献相比
,
这种机制拥
有不易受较小局部最优值影响
、
得到的表达式易于
处理等优点
。
假设认知无线网络中有
个主用户发射机正
在通信
,
其位置坐标集合为
。
在时刻
,
网络
中任意位置
处的从用户
接收到的信号
可以
表示为
其中
,
和
分别表示第
个传输路径上的信
道冲激响应和主用户
的发射信号
,
是方差为
的加性高斯白噪声
,
是主用户
和从用户
间的传输路径数
。
在不考虑噪声的情况下
,
假设信道
和信
号
都是平稳的
,
则从用户
接收到的单个主用
户
信 号 的 自 相 关 函 数 可 以 表 示 为
。
由于信道
在相干时间
内保持不变
,
所以
,
则自相关函数可表示为
,
而
接收功率谱可表示为
。
虽然上式中
的信道增益
能够通过训练方式获得
,
但这需要主
用户的配合
,
并拥有区分各主用户信号的能力
。
因
此本文采用一种替代的方法
,
即路径损耗模型
,
其中
,
、
是预
先选定的常数
。
值得强调的是
,
路径损耗仅影响信
道统计量
,
所以本文考虑的信道冲激响
应
都是频率选择性的
。
而当存在
个主用户和噪声时
,
假设信道
和信号
都是不相关的
,
从用户
的接收
功率谱可以表示为
由于感知机制不需要知道功率谱的准确值
,
所
以可利用基扩展模型
近似主用户信号的功率谱
。
如图
所示
,
带宽为
的主用户信号功率谱的基扩
展模型由
个
不重叠的单位矩形函数
组成
,
其
表达式可写为
其中
,
是模型系数
。
将式
(
)
代入式
(
)
可得
116
37
[4]
/
[5]
/
/
/
[6]
/
/
[7]
/
[8]
[9]
K
-
L
Kullback
-
Leibler
3
1
{ }
(
)
1
1 0
( ) ( ; ) ( ) ( )
(1)
(
;
)
(
)
(
)
2
(
;
)
(
)
( )
1
0
( ) ( ; )
(
)
1
0
( ; )
2
( ; ) =
( ) ( )
0
min 1,
0
2
( ; )
(
;
)
(
;
)
(
)
2
1
(2)
[10]
1
(
)
1
( ), 1,2, ,
(3)
3
2
2
1
1
T 2
( )
( )
(4)
201
6037
-
2
2
系统建模
N
s
s
N
s s
x
t
x
r
r
y
r
t
s sr
N L
r sr s r
s
y t h t u t n t
h
sr
t
t
u
s
t
t
s
n
r
t
r
L
sr
s
r
h
sr
t
t
u
s
t
r
s
r
R m
sr
sr
L
s h
R m R m
h
sr
t;t
sr
sr
L
h
R m
sr
E H f t
sr
sr
r s
R m R m
s
r
r
s
P f
P f
sr
a
sr
d
d
s r
d x x
d
a
sr
E H f t
h
sr
t
t
N
s
h
sr
t
t
u
s
t
r
s
N
r s r
s
sr
P f P f
B
N
b
?
v
f
b
N
sv v s
v
s
f s N
P f
?
sv
s
b
N
r r
s
r
v
r
N
sr sv
v
P
f
f
f
=
−
= =
= − +
∑ ∑
=
−
=
∑
−
=
=
∑
=
(
)
(
)
=
−
=
= −
(
)
(
)
=
= +
∑
(
)
=
≈ =
∑
(
)
=
=
+
≈
= +
∑
∑
t
t t
s
t
t
t
t
a
a
a
a
a
a
s
q g
a g q
s
s
L
G ?
剩余8页未读,继续阅读
资源评论
weixin_38715097
- 粉丝: 2
- 资源: 945
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功