基于RMT的合作频谱感知新算法及其性能分析

合集下载

WRAN中的协作频谱感知参数优化

ｌ引言
认知无线电技术中频谱感知的目的是快速准确地发现频谱空穴，以便认知无线电用户能顺利接入【ＩＪ．为了进一步提高频谱感知性能，除了研究新的、高效
的频谱感知技术之外，Ｇｈａｓｅｍｉ和ＨｙｏｉｌＫｉｍ等人开始关注感知机制的优化问题【２】，即联合优化感知时间、传
ＰａｒａｍｅｔｅｒｓＯｐｔｉｍｉｚａｔｉｏｎｆｏｒＣｏｏｐｅｒａｔｉｖｅＳｐｅｃｔｒｕｍＳｅｎｓｉｎｇｉｎＷｉｒｅｌｅｓｓＲｅｇｉｏｎａｌＡｒｅａ
Ｎｅｔｗｏｒｋ
计算机系统应用
ｈｔｔｐ＂／／ＷＷＷ．Ｃ－Ｓ — ａ．ｏｒｇ．ｃｎ
２０１３年第２２卷第９期
ＷＲＡＮ中的协作频谱感知参数优化①
王晓迪，惠晓威，吴立涛
（辽宁工程技术大学电子与信息工程学院，葫芦岛１：ＩｎＷｉｒｅｌｅｓｓＲｅｇｉｏｎａｌＡｒｅａＮｅｔｗｏｒｋ，ｃｏｎｓｉｄｅｒｉｎｇｔｈｅａｃｔｕａｌｌｉｃｅｎｓｅｄｃｈａｎｎｅｌｕｓａｇｅａｎｄｗｅｉｇｈｔｉｎｇｔｈｅｃｈａｎｎｅｌｕｔｉｌｉｚａｔｉｏｎｅｉｃｆｉｅｎｃｙａｎｄｓｙｓｔｅｍｒｅｓｏｕｒｃｅｓｅｉｃｆｉｅｎｃ￣ａｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｉｎｃｏｇｎｉｔｉｖｅｒａｄｉｏｉｓｐｒｏｐｏｓｅｄ．Ｓｉｍｕｌａｔｉｏｎｓｈｏｗｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｉｇｆｕｒｅｏｕｔｔｈｅｏｐｔｉｍａｌｓｅｎｓｉｎｇｐｒａａｍｅｔｅｒｓｆｏｒｅａｃｈｌｉｃｅｎｓｅｄｃｈａｎｎｅｌａｎｄｍａｘｉｍｉｚｅｔｈｅｓｅｎｓｉｎｇｅｉｃｆｉｅｎｃｙ．Ａｎａｌｙｚｅｄｈｅｔｃｈａｎｎｅｌｕｔｉｌｉｚａｔｉｏｎｅｉｃｆｉｅｎｃｙａｎｄｓｅｌｅｃｔｉｖｉｔｙｏｆｓｙｓｔｅｍｒｅｓｏｕｒｃｅｕｔｉｌｉｚａｔｉｏｎｅｉｃｆｉｅｎｃｙｗｅｉｇｈｔｅｄａｆｅｃｔｃｏｇｎｉｔｉｖｅｅｉｃｆｉｅｎｃｙ￣Ｍｏｒｅｏｖｅ５ｔｈｅｔｒａｎｓｍｉｓｓｉｏｎｄｕｒａｔｉｏｎｃａｎｂｅｉｍｐｒｏｖｅｄ

无线通信网络中的快速频谱感知算法研究

无线通信网络中的快速频谱感知算法研究快速频谱感知算法在无线通信网络中的研究无线通信网络中的频谱感知是指通过对周围环境的频谱占用情况进行实时监测和分析，以确定可用频率资源的技术。

快速频谱感知算法则是为了解决实时性要求高、频谱资源稀缺的无线通信网络中频谱感知的问题而设计的一类算法。

无线通信网络的快速频谱感知算法的研究可分为以下几个方面：频谱感知的目标，频谱感知的原理与技术，频谱感知的算法设计与实现，频谱感知的性能评估与应用。

首先，针对频谱感知的目标，研究者们通常希望通过频谱感知算法能够实现高效的频谱利用，提高通信可靠性和容量。

在无线通信网络中，频谱资源是有限的，因此通过快速频谱感知算法，可以实时地监测和分析频谱占用情况，从而及时调整频率资源的分配，提高频谱利用效率。

其次，频谱感知的原理与技术也是研究的重点。

传统的频谱感知技术主要基于能量检测，即通过测量信号的能量水平来判断频谱是否被占用。

然而，能量检测存在固有的缺陷，比如对于弱信号的检测效果较差。

因此，研究者们提出了许多新的频谱感知技术，如循环谱感知、协方差感知、二阶泄露感知等，这些技术可以提高频谱感知的准确性和可靠性。

接下来，频谱感知的算法设计与实现是研究的关键。

快速频谱感知算法需要具备高效的计算能力和实时性，从而能够快速地对周围环境的频谱占用情况进行感知和分析。

在算法设计方面，研究者们通常借鉴了机器学习、卷积神经网络等技术，利用大数据实现高效的感知算法。

最后，频谱感知的性能评估与应用是研究的重点。

为了验证快速频谱感知算法的有效性和可行性，研究者通常通过实验和仿真进行性能评估。

在应用方面，快速频谱感知算法可以应用于无线通信网络中的频谱分配、干扰检测与管理等领域，从而提高通信系统的性能和可靠性。

综上所述，快速频谱感知算法在无线通信网络中的研究是为了解决频谱资源稀缺和实时性要求高的问题。

通过对周围环境的频谱占用情况进行实时监测和分析，可以提高频谱利用效率，提高通信系统的性能和可靠性。

基于RMT的协作MIMO频谱感知

收稿日期:2008-09-20.基金项目:国家自然科学基金资助项目(60372107);江苏省自然科学基金基础研究计划资助项目(BK 2007729);江苏省高校自然科学重大基础研究项目(06KJ A51001).作者简介:王　磊(1977-),男,博士生.联系人:郑宝玉,教授,博士生导师;研究方向:智能信号与信息处理等;E -m ail:zby@.文章编号:1009-3443(2008)06-0616-05基于RMT 的协作MIMO 频谱感知王　磊,　郑宝玉(南京邮电大学通信与信息工程学院,江苏南京210003)摘　要:针对认知无线电技术中的频谱感知问题,将已经广泛应用于无线通信领域的随机矩阵理论(RM T )引入到多认知用户M IM O 环境中,提出了基于随机矩阵理论的协作M IM O 频谱感知算法。

该算法不需要预知噪声的统计特性和噪声方差,而是利用大维随机矩阵特征值的极限分布特性进行频谱感知。

新算法充分利用了协作技术及MIM O 技术的优点来提高感知性能。

理论分析和仿真结果均表明,新算法整体性能优于同类算法和典型的能量检测算法。

关键词:无线通信;频谱感知;随机矩阵理论;协作;多输入多输出中图分类号:T N 92文献标识码:ACooperative MIMO spectrum sensing based on random matrix theoryW A N G L ei ,　ZH EN G Bao -y u(College o f Co mmunicatio n and Infor mation Engineer ing ,N anjing U niver sity ofPo st s and T elecommunicatio ns,N anjing 210003,China)Abstract :To im pro ve the effectiv eness of spectrum sensing in co gnitive radio,rando m m atrix theor y (RM T)w idely used in w ir eless com munication netwo rks w as introduced into multi-cognitive-user M IMO circum stance ,and a new cooper ative M IMO scheme for fr equency band sensing w as pr opo sed based on asy mptotic rando m matrix theory.Unlike previous w ork in the field,the new schem e did not require the know ledge of the no ise statistics o r its variance and w as related to the lim ited distribution of r andom matri-ces eig envalues .Bo th theoretical analysis and the sim ulation r esults show that the new algo rithm outper-fo rms sim ilar algo rithm s and classical energ y detection techniques .Key words :w ireless co mmunication;spectrum sensing ;RM T (random m atr ix theory );co operative;MI-MO 无线通信应用需求的持续增长直接推动着无线通信网络的发展和无线通信新技术的诞生[1]。

基于变分贝叶斯推断的新型全局频谱协作感知算法

基于变分贝叶斯推断的新型全局频谱协作感知算法吴名;宋铁成;胡静;沈连丰【摘要】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θ的稀疏性,而在均方误差性能上具有较大优势.【期刊名称】《通信学报》【年(卷),期】2016(037)002【总页数】9页(P115-123)【关键词】认知无线电;全局频谱协作感知;变分贝叶斯推断;稀疏性【作者】吴名;宋铁成;胡静;沈连丰【作者单位】东南大学移动通信国家重点实验室,江苏南京210096;东南大学移动通信国家重点实验室,江苏南京210096;东南大学移动通信国家重点实验室,江苏南京210096;东南大学移动通信国家重点实验室,江苏南京210096【正文语种】中文【中图分类】TN914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[1~3]。

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。

恶意环境中基于能量效率的安全协作频谱感知

恶意环境中基于能量效率的安全协作频谱感知曹龙;赵杭生;姚富强;鲍丽娜;张建照;柳永祥【摘要】频谱感知是认知无线电网络运行的前提,但是在恶意环境中,频谱感知数据存在被篡改的威胁.针对该问题,提出了一种低开销的对称加密方法,采用报文鉴别码对次级用户报告的数据进行鉴权,保证数据的完整性,从而缓解攻击对感知性能的影响.提出了协作频谱感知中能量效率的概念,并通过改变报文鉴别码长度优化能量效率.仿真验证了上述方法的有效性并给出了优化问题的数值解.【期刊名称】《电波科学学报》【年(卷),期】2015(030)003【总页数】6页(P491-496)【关键词】协作频谱感知;频谱感知数据篡改;能量效率;融合准则【作者】曹龙;赵杭生;姚富强;鲍丽娜;张建照;柳永祥【作者单位】解放军理工大学通信工程学院,江苏南京210007;南京电讯技术研究所,江苏南京210007;南京电讯技术研究所,江苏南京210007;南京电讯技术研究所,江苏南京210007;中国联通江苏分公司,江苏南京210019;南京电讯技术研究所,江苏南京210007;南京电讯技术研究所,江苏南京210007【正文语种】中文【中图分类】TN925引言下一代无线通信系统需要为用户提供随时随地的通信服务,满足不同用户的服务质量(Quality of Services,QoS)和用户体验(Quality of Experience,QoE)需求.为了实现这些目标,网络基站和用户终端必然会消耗比目前更多的能量,对于运营商来说,这无疑会增加运营所需要的成本,而对于用户来说,会缩短终端所能使用的时间.因此,近年来无线通信领域的能量效率(Energy Efficiency,EE)引起了研究人员的广泛关注[1].以认知无线电(Cognitive Radio,CR)[2-5]技术为基础的未来无线通信系统能够提高频谱利用率,提供更高的场景适应能力、更可靠和个性化的无线通信服务,促进网络间的互联互通.在CR网络中,存在两类不同的用户:主用户(Primary User,PU)和次级用户(Secondary User,SU).在不对PU造成干扰的前提下,SU能够机会地接入空闲频谱而不需要运营商的授权,这就要求SU能够实时掌握频谱的状态,也就是具备频谱感知(Spectrum Sensing,SS)能力[6].在实际应用场景中,单节点SS的性能通常受到诸如多径衰落、阴影效应和接收机不确定性等问题的影响.近年来提出了协作频谱感知(Cooperative Spectrum Sensing,CSS)的概念:利用空间分集来提高系统的检测性能[3].在CSS中引入了具备信息融合功能的实体——融合中心(Fusion Center,FC),它能够控制CSS过程并收集SU的本地感知结果,根据一定的融合准则(Fusion Rule,FR)做出全局决策,再将频谱占用情况发送给SU.根据SU报告的信息类型,FR可以分为硬判决和软判决.硬判决中,SUs报告做出本地判决并报告1比特的感知结果;软判决中,SUs则报告整个本地感知结果,文中的研究基于硬判决准则.从上面的描述中可以看出,完成本地感知后,系统需要特殊的报告信道(控制信道)将结果发送至FC,这对系统的安全性又带来了新的挑战.在CSS阶段,系统中可能存在某种恶意用户(Malicious User,MU)向FC发送错误的本地感知结果,使其做出错误的判决结果,这种攻击称为频谱感知数据篡改(Spectrum Sensing Data Falsification,SSDF)攻击[4],又称为“拜占庭”攻击.本文首先提出了CSS中EE的概念,推导了SSDF攻击对CSS检测性能和EE的影响.提出了一种低开销的对称加密方法来确保感知报告数据的完整性,在此基础上优化系统的EE,通过实验仿真给出问题的数值解.1 频谱感知数据篡改攻击根据发起攻击的阶段不同,SSDF攻击分为两类:终端-SSDF,MU将错误的本地SS结果发送至FC;报告信道-SSDF,报告信道上SU发送的SS结果被MU截获并进行恶意篡改.根据定义分析,下面两种因素将导致攻击发生:第一类是网络中参与协作的SUs由于故障等原因,本地感知能力下降或完全消失,无意识地向FC发送错误的感知结果;第二类则是网络中存在一定数量的攻击用户,为了自身利益,蓄意操控和篡改感知数据并上报给FC,以诱使FC做出错误的决策.例如,SU可以通过发送“1”达到长期占用某段频谱的目的;SU也可以通过发送“0”使得其他SUs错误地占用频谱,对PU 形成干扰进而导致网络崩溃.上述两种攻击类型都属于静态的恶意行为,在CR网络中也存在动态的恶意行为,具备CR功能的MU能够根据频谱状态和自身需求动态地改变攻击行为.针对SSDF攻击,文献[7]提出一种基于信誉度的加权序贯概率比检测,利用信誉度减小攻击对系统的影响.文献[8]提出在SUs和FC间建立一条安全的链路,保证报告信息的安全性和完整性.文献[9]通过数据预滤波排除本地感知结果中的异常值,将每个CR节点的信任因子转化为加权系数,采用非等权重对结果进行合并.文献[10]中SUs 利用入侵检测系统(Intrusion Detection System,IDS)检测无线区域网络是否被攻击.但是,实现上述方法需要一定的时间积累,或者特殊的信道资源,具有一定的局限性,可以考虑引入传统网络中的加密机制.2 系统模型2.1 系统架构如图1基于硬判决的集中式CSS中,存在一对PU收发机以1-P0(P0是PU空闲的概率)的概率占用授权频段,N个合法SUs利用频谱空闲时刻进行通信.为了保证不对PU的通信造成影响,SUs通过能量检测对PU的工作状态进行周期性地感知.该过程可以看成是一个二元假设检验问题,H0代表PU未工作,H1代表PU活动.图1 基于硬判决的集中式CSS由于采用了硬判决准则,SUi执行本地检测后会将结果{0,1}发送给FC.报告信道的误比特率(Bit Error Probability,BEP)Pb将会导致FC观测到SUi的检测概率和虚警概率与实际的和不同(1)同理,(2)如果SUs都采用相同的Neyman-Pearson准则,有 Pf,可以得到(3)FC采用最常用的硬判决准则——KN准则,K(1≤K≤N)为预设的门限,如果参与协作的N个SUs中至少有K个报告PU活动,那么FC就声明H1.该准则用数学公式可以表示为(4)在这种规则下,系统的虚警概率PF可以表示为(5)这里假设所有SUs感知信道上的信噪比相同,并且具备相同的检测能力,则有 Pd,式(1)可以改写为(6)基于以上假设,根据判决准则可以得出系统的检测概率(7)上面的分析没有考虑SSDF攻击对CR网络的影响,假设图1系统中还存在M个恶意行为相同的MUs并且能保证攻击的效果,此时式(4)二元假设检验可以表示为(8)当M=0,即不存在MUs时,式(5)和式(7)分别给出了系统的虚警概率和检测概率;当M≠0,即存在MUs时,不同的恶意行为将会对系统的检测性能造成不同的影响.本文主要针对MU长期发送“1”(即的情况进行分析和研究,直观地分析,此时将会同时增大系统的检测概率和虚警概率,这就意味着系统检测率提高的同时降低了频谱利用率.当M≥K时,FC将始终判定PU存在;当M<K时,式(8)可以改写为(9)则系统的检测概率和虚警概率分别为:PD(M,N)=(10)PF(M,N)=(11)2.2 能量效率利用检测概率和虚警概率可以衡量攻击对系统检测性能的影响,但是SUs有时可能是电池驱动的传感器,此时我们更关注“能量”方面的指标.这里引入能量效率μ这一参数,它是系统中合法SUs成功传输的比特数与消耗能量的比值,不考虑系统中存在MU时能量效率μ为(12)式中: R是占用该空闲频段进行通信的SU的传输速率,bps; T是通信的时间; Ecss 是合法SUs参与CSS所消耗的能量; Et是该SU通信所消耗的能量; P0(1-PF)表示PU空闲并且FC正确检测到的概率,也就是说只有在该情况下占用空闲频段的SU 才能正确传输,否则式(12)的分子将等于零.可以看出,EE同时也反映了系统的安全性.3 安全的CSS文献[11]指出利用加密机制对SU进行鉴权是保证CR网络安全的常用方法之一,本文拟采用报文鉴别码(Message Authentication Code,MAC)[12]对SU报告的感知结果进行鉴权,从而避免SSDF攻击对系统感知性能的影响.MAC也称为密码校验和,是一种对称的加密机制,它利用一个密钥对原始报文产生一个长度为n比特的数据分组,并附加在报文中用于鉴别.MAC的使用方法如图2所示,其生成函数表示为MAC=CK(M),FC与SU共享一个密钥K,M为原始1比特感知结果,SU利用密钥K和函数C生成B-1比特的鉴别码MAC,这样SU将发送B比特的数据至FC,FC使用相同的密钥K并执行相同的函数C生成鉴别码,并将收到的鉴别码MAC与计算得到的鉴别码进行比较,如果相同则代表感知数据没有改变.图2 报文鉴别码的使用方法分析后可以发现上述方法容易受到回放攻击[13]的影响,因此将生成函数修改为(13)引入Seq.Number表示发起CSS的序号,该值由FC发送CSS控制信息时进行实时更新,MU会因为不能获得该值而无法实现攻击.此时MU如果希望实现SSDF攻击,必须获得每次报告数据的鉴别码MAC,MU随机猜对该鉴别码的概率为Px=1/2B-1.(14)由全概率公式[14],可以得到该机制下系统的检测概率和虚警概率(15)(16)将式(10)和式(11)中的M替换为i分别得到PD(i, N)和PF(i, N).同理,可以得到系统此时的EE为(17)式中:是SU本地感知所消耗的能量,er是向FC发送1比特数据所消耗的能量.可以直观地看出由于引入了加密机制,系统的EE将减小,而系统的融合准则也同时影响着它的值.EE的值由融合门限K和报告数据长度B这两个参数共同决定,下面将基于系统EE最大化这一目标来寻找最优的(K,B),该优化问题可以表示为(18)式(18)是关于参数K、B的函数,很难直接得到它们的最优解,而K的取值常常受到合法SUs数目的制约(1≤K≤N),可以在固定K的情况下,求解B的最优解,进而得到全局最优解(Kopt,Bopt).当K一定时,式(18)是关于参数B的凹函数,因此难以得到最优解B的闭合表达式,在规模不大的CR网络中可以通过搜索算法来进行求解,在下面一节中将通过仿真给出优化问题的数值解.4 仿真分析假设系统中存在N=10个合法SUs,其余的仿真参数如表1所示.表1 仿真参数设置参数名称取值参数名称取值P006T04sPf01Et1JPb001es10-2JR200kbpser10-3J图3描述了非安全的CSS中MU对系统EE的影响.从结果中可知：MU的出现导致了EE的下降,随着系统的融合门限K增大,这种影响会逐步减小;而随着MU数量M增大,影响会越来越明显,特别是M≥K时,EE等于零.从理论上分析,这是由于融合门限K的增大导致了系统PF的减小,而MU数量M的增大导致了系统PF的增大,根据式(12)这将分别导致EE的增大和减小.特别是当M≥K时,系统会始终认为存在恶意用户,此时系统的PF≡0,从而致使μ=0.图4描述了安全的CSS中MU对系统EE的影响,这里将B的值设置为5,也就是说MAC的长度为4.从结果中可知,MAC加密机制的引入极大地缓解了MU对系统EE的影响,EE对MU数量的变化不再敏感,例如当(K,M)=(3, 1)时,EE从30.5 kbit/J提高到了37.7 kbit/J,提高了23.6%;并且M=0时EE的值相比于图3在一定程度上都变小.从理论上分析,MAC机制使得在同等情况下系统PF的增大量变小,而因为报告数据长度的增加,系统所消耗的总能量将增大,根据式(17),以上两个因素将分别导致EE的增大和减小.特别是当M=0时,式(12)和式(17)的分子相等,安全的CSS 中系统所消耗的总能量变大,导致该情况下安全的CSS中EE有所下降.图3 非安全的CSS中MU对系统EE的影响图4 安全的CSS中MU对系统EE的影响图5描述了报告数据长度B和融合门限K对系统EE的影响,为了不失一般性,这里将M的值设置为3,最终得到可行解点集(B,K,μ)所张成的空间曲面.从结果中可知,EE随着K的增大而增大,而其随着B的变化趋势不确定,这与式(18)的分析是相吻合的.例如当K=2时,EE随着B的增大先增大后减小,当B=8时有最大值28.3 kbit/J;当K=8时,EE随着B的增大而减小,显然当B=1时有最大值43.1 kbit/J.同时可以看出当K≥8时,Bopt=1,也就是说安全的CSS反而引起了EE的下降,这可能是因为从EE的角度出发,融合门限K足够大时可以缓解文中攻击类型对EE的影响,此时采用加密机制会适得其反.一般情况下,系统的融合门限K是固定的,可以根据图5选择此时系统的最优报告数据长度B.图5 报告数据长度B和融合门限K对系统EE的影响5 结论针对频谱感知过程中可能出现的频谱感知数据篡改攻击,提出了一种低开销的对称加密方法,在次用户报告的数据中加入报文鉴别码,保证数据的完整性.提出了协作频谱感知中能量效率的概念,该指标能够兼顾安全性和能量这两方面,通过改变报文鉴别码的长度优化能量效率.实验仿真给出了最优长度的数值解并验证了文中方法的有效性.参考文献[1] AGAPI M, FERRAN A, LUIS A, et al. Energy efficiency analysis of secondary networks in cognitive radio systems[C]//IEEE International Conference on Communications. Budapest, June 9-13, 2013: 4115-4119.[2] MITOLA J, MAGUIRE G Q. Cognitive radio: making software radios more personal[J]. IEEE Personal Communications, 1999, 6(4): 13-18.[3] 姚富强,张建照,柳永祥,等. 动态频谱管理的发展现状及其应对策略分析[J]. 电波科学学报,2014,28(4):794-803.YAO Fuqiang, ZHANG Jianzhao, LIU Yongxiang, et al. Review of the development of dynamic spectrum management and the resolving strategies analysis[J]. Chinese Journal of Radio Science, 2014, 28(4): 794-803. (in Chinese).[4] 甘小莺,陈时阳,王路洋,等. 认知无线电中能效优先的多用户随机接入方法[J]. 电波科学学报,2014,28(4):648-655.GAN Xiaoying, CHEN Shiyang, WANG Luyang, et al. Energy efficient multi-user random access in cognitive radio[J]. Chinese Journal of Radio Science, 2014, 28(4): 648-655. (in Chinese).[5] 洪浩,张焱,肖立民,等. 认知双向中继网络的功率分配优化算法研究[J]. 电波科学学报,2014,29(2):201-206+226.HONG Hao, ZHANG Yan, XIAO Limin, et al. Optimal power allocation for cognitive two-way relaying networks with underlay spectrum sharing[J]. Chinese Journal of Radio Science, 2014, 29(2): 201-206+226. (in Chinese).[6] AKYILDIZ I F, LO B F, BALAKRISHNAN R. Cooperative spectrum sensing in cognitive radio networks: a survey[J]. Physical Communication, 2011,4(1): 40-62.[7] CHEN R, PARK J M, BIAN K. Robust distributed spectrum sensing in cognitive radio networks[C]//IEEE International Conference on Computer Communications. Phoenix, April 13-18, 2008: 1876-1884.[8] CHEN R, PARK J M, HOU Y T, et al. Toward secure distributed spectrum sensing in cognitive radio networks[J]. IEEE Communications Magazine, 2008, 46(4): 50-55.[9] KALIGINEEDI P, KHABBAZIAN M, BHARGAVA V K. Secure cooperative sensing techniques for cognitive radio systems[C]//IEEE International Conference on Communications. Beijing, May 19-23, 2008: 3406-3410. [10] FADLULLAH Z M, NISHIYAMA H, KATO N et al. Intrusion detection system (IDS) for combating attacks against cognitive radio networks[J]. IEEE Network, 2013, 27(3): 51-56.[11] BALDINI G, STURMAN T, BISWAS A R, et al. Security aspects in software defined radio and cognitive radio networks: a survey and a way ahead[J]. IEEE Communications Survey and Tutorials, 2012, 14(2): 355-379.[12] 张世永. 网络安全原理与应用[M]. 北京: 科学出版社,2005.[13] ZHU Minghui, MARTINEZ S. On the performance analysis of resilient networked control systems under replay attacks[J]. IEEE Transactions on Automatic Control, 2014, 59(3): 804-808.[14] 盛骤,谢式千,潘乘毅. 概率论与数理统计[M]. 北京:高等教育出版社,2002.。

基于Agent的协作频谱感知算法

第３ｌ卷第６期
２１０１年６月
计算机应用
ＪｕｎｌｏｍｐｔｒＡｐｌａｉｎｏｒａｆＣｏｕｅｐｉｔｓｃｏ
Ｖ０．Ｎｏ．１３１６
ห้องสมุดไป่ตู้
Ｊｎ０ｌｕｅ２１
文章编号：０１９８（０１０１０ — ０１２１）６—１８０４０— ３
Ａｂｔａｔｏｉｒｖｈｐｃｒｍｅｓｎｅｏｍａｃｆｏｎｔｅｒｄｏｔｃｎｌｇ，ｉｈｓｐｐｒｅｅｔｂｓｄｓｒｃ：Ｔｍｐｏｅｔｅｓｅｔｕｓｎｉｇｐｒｒｎｅｏｇｉｖａｉｅｈｏｏｙｎｔｉａｅ，ａｎｗＡｇｎ — ａｅｆｃｉｃｏｅａｉｅｓｅｔｍｅｓｎｌｏｔｍｓｐｏｏｅ．Ｔｉａｇｒｈｕｅｌｐｅｌｃｌｎｒｙｄｔｃｉｎｔｒｓｏｄｉｈｃｌｏｐｒｔｐｃｒｖｕｓｎｉｇａｇｒｈｗａｒｐｓｄｈｓｌｏｉｍｓｄｍｕｔｌｏａｅｅｇｅｅｔｏｈｅｈｌｎｔｅｌａｉｔｉｏ
作感知算法中参与感知节点的数目。
关键词：ｇｎ；噪比；作频谱感知；门限；知无线电Ａｅｔ信协多认中图分类号：Ｐ９Ｔ３５Ｔ３３；Ｐ０文献标志码：Ａ
Ａｇｎｔｂａｅｏｐｅａｉｅｓｃｒｍｅｉｇａｇｒｔｅ — ｓｄｃｏｒｔｖｐｅｔｕｓｎｓｎｌｏｉｈｍ

认知无线电中频谱感知算法的研究的开题报告

认知无线电中频谱感知算法的研究的开题报告开题报告：认知无线电中频谱感知算法的研究一、研究背景与意义随着无线通信技术的飞速发展，频谱资源日益紧张。

认知无线电技术作为一种有效的频谱管理手段，能够动态地接入空闲频段，提高频谱利用率。

然而在认知无线电系统中，频谱感知是一个关键问题。

传统的频谱感知方法往往依赖于固定的频谱检测算法，无法适应快速变化的网络环境。

因此研究具有自适应能力的频谱感知算法对于提高认知无线电系统的性能具有重要意义。

二、研究目标与任务本研究旨在针对认知无线电系统中的频谱感知问题，研究基于机器学习和信号处理技术的自适应频谱感知算法。

具体任务包括：1. 分析现有频谱感知算法的优缺点，提出改进方案。

2. 基于机器学习算法，设计自适应频谱感知算法，实现对频谱的空时自适应处理（STAP）。

3. 通过仿真实验和实际测试，验证所提算法在认知无线电系统中的有效性和优越性。

三、研究内容与方法本研究将采用以下研究内容和方法：1. 文献调研：收集并整理国内外关于频谱感知的最新研究论文和专利，了解当前研究现状和发展趋势。

2. 算法设计：根据认知无线电系统的实际需求，设计适用于不同场景的自适应频谱感知算法。

3. 仿真验证：利用计算机模拟平台，对所设计的频谱感知算法进行仿真验证，评估其性能指标。

4. 实验验证：搭建实验平台，对所设计的频谱感知算法进行实际测试，验证其在实际应用中的有效性和稳定性。

5. 结果分析：根据仿真和实验结果，对所设计的频谱感知算法进行分析和优化，提高其性能表现。

四、预期成果与创新点本研究预期取得的成果包括：1. 提出一种具有自适应能力的频谱感知算法，提高认知无线电系统的频谱利用率。

2. 通过仿真实验和实际测试，验证所提算法在认知无线电系统中的有效性和优越性。

3. 发表相关学术论文，推动频谱感知领域的研究进展。

本研究的创新点主要包括：1. 基于机器学习算法，设计自适应频谱感知算法，实现对频谱的空时自适应处理（STAP），提高频谱检测性能。

基于深度学习的无线电频谱感知技术研究

基于深度学习的无线电频谱感知技术研究无线电频谱感知 (Spectrum Sensing) 是一项关键技术，旨在通过主动感知无线电频谱环境，以有效利用有限的无线电频谱资源。

近年来，随着无线通信的快速发展和无线电频谱资源的日益紧缺，无线电频谱感知成为了学术界和工业界的研究热点。

本文将介绍基于深度学习的无线电频谱感知技术的研究进展和挑战。

无线电频谱感知技术的目标是准确地识别和监测已被占用或未被占用的频谱。

这对于无线电系统的自适应调制、频谱共享和频谱管理至关重要。

传统的频谱感知方法主要基于统计分析或经验模型，这些方法需要精确的频谱参数和先验知识，而且在复杂和动态的无线环境下表现不稳定。

因此，基于深度学习的无线电频谱感知技术应运而生。

深度学习是一种机器学习的技术，通过建立多层神经网络模型，可以从海量数据中学习和识别模式。

深度学习在计算机视觉、自然语言处理和语音识别等领域已经取得了显著的成果。

如今，研究人员开始将深度学习方法应用于无线电频谱感知领域。

基于深度学习的无线电频谱感知技术首先需要大量的数据集。

数据集通常由无线信号的时频信号样本和对应的标签组成，包括信号的状态和参数。

这些数据可以通过软件定义无线电设备或实验室测试设备获取。

获得数据集后，需要对数据进行预处理，包括信号采样率的匹配、噪声滤除和数据归一化等。

在深度学习模型的选择方面，卷积神经网络（CNN）是最常用的模型之一。

CNN通过多个卷积层和池化层，可以提取信号的特征。

此外，循环神经网络（RNN）和长短时记忆网络（LSTM）等模型也被用于无线电频谱感知任务。

这些模型可以建立对信号特征的时间和空间建模，从而提高感知性能。

深度学习模型的训练和优化需要大量的计算资源和时间。

为了减少训练时间和提高训练效果，可以采用预训练和迁移学习的方法。

预训练是指在大型数据集上训练深度学习模型，然后将已训练的模型迁移到目标任务上进行微调。

迁移学习是指通过将已学习的知识迁移到新任务上，能够加快新任务的学习速度和提高性能。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

曹开田，王尚
（南京邮电大学ａ宽带无线通信与传感网技术教育部重点实验室；．．ｂ海外教育学院，南京２００）１０３
摘要：针对认知无线电中的频谱感知问题，用随机矩阵理论（ａｄｍｍａｉｔｅｒ，ＭＴ最新研究成果，利ｒｎｏｔｘｈｏｙＲ）ｒ提
中图分类号：Ｔ３１６；Ｐ９Ｐ０．Ｔ３３
文献标志码：Ａ
文章编号：１０ — ６５２１）７２４ —３０１３９（０１０ —６００
ｄｉ１．９９ｊｉｎ１０ —６５２１．７０７ｏ：０３６／．ｓ．０１３９．０１０．６ｓ
ｎｔｎｙｈｓｔｅｈｇｅｅｓｇｐｅｉｉｎａｄｔｅｂｔｒｓｎｉｇｐｒｒｎｅｕｌｏｏｔｉｓｈｇｅｅｅｔｎｐｒｒｎｅｏｌａｈｉｈｒｓｎｉｒｃｓｎｈｅｔｅｓｅｆｍａｃ，ｂｔａｓｂａｎｉｈｒｄｔｃｉｅｏｍａｃｏｎｏｅｎｏｏｆｗｉｅｅｏｄｒｓｒａｄｓｍｐｅｏａｅｏｔｅｏｈｒａｇｒｈａｅｎｍａｉｍｅｇｎａｕ．ｔａｆｗｓｃｎａｙｕｅｓｎａｌｓｃｍｐｒｄｔｈｔｅｏｉｍｓｂｓｄｏｘｍｕｉｅｖｅｈｌｔｌ
ａｏｉｍ（ＥｌｒｈＭＭＤ）ｂｓｄｏｅｐｏａｉｔｄｓｉｕｉｎｔｎｏｅｎｍｍｅｅｖｌｅｉＲ．ＴｅｐｏｏｅｌｒｈｇｔａｅｎｔｒｂｂｌｙｉｒｔｎｆｃｉｆｈｉｕｉｎａＭＴｈｒｐｓｄａｇｉｍｈｉｔｂｏｕｏｔｍｉｇｕｎｏｔ
ｅｐｏｔｄｔｅｒｔｆｔｅｍａｉｍｉｅｖｕｅｍｉｉｍｉｅｖｌｅｏｅｓｍｐｅｃｖｒｎｅｍａｒｘｔｅｉｅｗｈｔｅｈｘｌｉｈａｉｏｘｍｕｅｇｎａｅｔｔｎｍｕｅｇｎａｕｆｈａｌｏａａｃｔｉｏｄｃｄｅｈｒｅｅｏｈｌｏｈｔｉｔｐｉｒｓｒｓｐｅｅｔｒｎｔｎｃｕｒｄｔｅｄｃｓｏｒｓｏｄｂｅｐｏａｉｔｉｔｂｔｎｆｎｔｎｏｅｍｉｉｍｉｒｙｕｅｒｓｎｏ，ａｄａｑｉｈｅｉｎｔｅｈｌｙｔｒｂｂｌｙｄｓｕｉｃｉｆｈｎｍｕｅ — ｍａｗａｏｅｉｈｈｉｉｒｏｕｏｔ
出了一种新的合作频谱感知算法（ａｉｕ — ｉｍｍｅｅｖｌｅｅｃｏ，ＭＤ）ｍｘｍｍｎｕｇｎａｔｔｎＭＥ。该算法将采样协方差矩阵最ｍｉｉｕｄｅｉ
大特征值与最小特征值的比值作为统计判决量，并利用最小特征值概率分布求得判决门限。理基于最大特征值的频谱感知方法相比，ＭＤ算法不仅具有感知性能更好以及对噪声不敏感等优点，ＭＥ
而且在认知用户数较少、样本较小的情况下，可获得较好的检测性能。也
关键词：认知无线电；合作频谱感知；随机矩阵理论；采样协方差矩阵；最小特征值
第２８卷第７期
２１０１年７月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔｒｐｉｔｓａｃｆＣｏｕｅｓｃｏ
Ｖｏ．８Ｎｏ７１２．
Ｊ１２１ｕ．０１
基于ＲＴ的合作频谱感知新算法及其性能分析木Ｍ
（．ＫｙＬｂｏｒａｂｎｒｅｏｕｉｔｎ＆ＳｎｏｅｏｋＴｃｎｌｙｏｎｔｄｃｔｎ．ｏｌｅｏｖｒａｄｃｔｎ，ａｅａＢｏｄａｄＷｉｌｓＣｍｍｎｃｉｆｅｓａｏｅｓｒＮｔｒｅｈｏｇＭｉｉｒｏＥｕａｉ，ｂＣｌｇＯｅｅｓＥｕａｉｗｏｆｓｙｆｏｅｆｓｏＮｎｎｎｖｒｔｏｔＴｌｏｍｕｉｔｎ，ａｊｇ２００，ｈｎａｆｇＵｉｓｙｏＰｓｉｅｉｆｓ＆ｅｃｍｎｃｉＮｎｉ１０３Ｃｉａ）ｅａｏｓｎ
ｇｎａｕ．Ｔｈｒｕｇｈｏｅｉａｎｌｓ，ＭＭＥＤｃｍｅｉｔｓｎｉｖｏｔｅｎｉｅｕｎｅｔｉｙＳｉｌｔｎｓｓｏｔａｅｖｌｅｏｈｔｅｒｔｃｌａａｙｅｓｓｈｅｓｎｏｅｓｔｅｔｈｏｓｃｒａｎｔ．ｍｕａｉｈｗｈｔＭＭＥＤｉｏ
Ｎｏｅｏｐｒｔｅｓｅｔｕｓｎｉｇａｇｒｔｍａｅｎｖｌｃｏｅａｉｐｃｒｍｅｓｎｌｏｉｖｈｂｓｄｏ
ＲＭＴａｄｐｒｒｎｅａａｙｉｎｅｆｍａｃｎｌｓｓｏ
Ｃａ — ａ．ＷＡＮＧＳａｇＡＯＫｉｔｎｉｈｎ
Ａｂｓｒｃｔａｔ：Ｔｏｉｒｖｈｐｃｒｍｐｏｅｔｅｓｅｔｕｍｅｓｎｒｏｍａｃｎｃｇｔｖａｏｓｎｉｇｐｅｒｎｅｉｏｎｉｅｒｄｉｓ，ｔｉａｅｒｓｎｔｄａｎｖｌｃｏｅａｉｅｓｎｓｎｆｉｈｓｐｐｒｐｅｅｅｏｅｏｐｒｔｖｅｉｇ