频谱感知的实现(备稿)
本地频谱感知
第一章 绪论1.1 通信现状在很多国家，都有固定的频谱分配政策，大量的可用频谱已被分配。
此外，天线尺寸和电磁波传输特性限制了可用频谱的范围。
由于通信行业的迅速发展，频谱资源贫乏的问题日益严重。
美国联邦通信委员会( FCC)频谱策略任务工作报告显示在频率需求非常紧张的数百MHz-3GHz无线频带中频谱资源很匮乏，一些频带大部分时间内并没有用户使用，另有一些偶尔才被占用，其他频带使用竞争则相对很激烈。
下面我们根据图1-1来讨论频率的使用特征。
首先，将频谱区域分成3种类型：黑色区域，常被高能量的局部干扰占用的频段；灰色区域，在部分时间被低能量干扰占用的频段；白色区域，只有环境噪声没有射频干扰占用的频段：由太阳辐射这种外部物理现象引起的宽带热噪声；由闪电、飞机造成的瞬时影响等。
圆1-1 龄谱别看圆[1]图1-1中可以看出白色区域和灰色区域占有很大的比例。
由此可见频谱的缺乏主要是由于陈旧的频谱分配系统而不是频谱本身的缺乏。
由此可见这种固定的频谱分配政策存在很大的弊端，限制了频谱的利用率，已经成为通信发展的一个桎梏。
对于只关心服务而不关心技术的用户而言，网络运营商应该能为用户所需的服务提供最适合的技术。
但目前的情况是用户只能得到运营商提供的某些特定服务,这些服务受现有技术的限制。
为了更好地适应用户的需求，网络以及终端应该具有更高的灵活性。
这些都使得有必要研究新的通信系统，新的网络被称为下一代网络即xG，又被称为动态频谱接入(DSA) 和认知无线电网络。
这种新的功能和现在的研究挑战正在处于讨论之中。
下一代通信网络，即动态频谱接入网络，将通过不同的无线结构和动态频谱接入技术给移动用户提供较高的带宽。
现在的频谱利用率将随着实时感知并使用未被授权用户使用的频谱，动态使用授权频段而提高，而不影响现有的用户。
但是下一代网络的研究，也存在一些挑战，这是由可用频谱的范围和实际应用时变化的服务质量QoS引起的。
1.2 认知无线电技术及研究现状从以上分析看出，认知无线电正是下一代网络动态使用频谱的关键。
高效频谱感知的动态频谱开放研究
高效频谱感知的动态频谱开放研究随着无线通信技术的快速发展和移动设备的普及，对频谱资源的需求越来越大。
然而，频谱资源是有限的，如何更加高效地利用频谱资源，成为无线通信领域亟待解决的问题。
动态频谱开放技术作为一种有效利用频谱资源的方式，近年来备受研究者和产业界的关注。
动态频谱开放技术的核心思想是通过频谱感知技术，实时地监测和识别当前的频谱使用情况，然后根据监测结果动态地对频谱资源进行分配。
这种技术可以提高频谱利用效率，降低频谱拥堵问题，并为无线通信系统提供更好的服务质量。
要实现高效的频谱感知，首先需要开展频谱环境的建模与分析。
频谱环境是指某一特定地理区域内的频谱资源分布情况，包括频谱利用情况、信号强度分布、干扰情况等。
通过对频谱环境的建模与分析，可以了解当前频谱资源的分布规律，为后续的频谱感知和频谱分配工作提供基础数据和参考依据。
其次，需要采用高效准确的频谱感知技术来获取频谱环境的信息。
目前，常用的频谱感知技术包括能量检测法、周期性特征检测法和相关检测法等。
这些技术可以通过监测无线环境中的信号强度、频率特征、时域特征和干扰情况等，来获取频谱资源的使用情况。
在频谱感知的过程中，还需要考虑到感知的准确性和实时性，以确保频谱分配的有效性和及时性。
一旦获取到频谱环境的信息，就可以利用这些信息来进行动态频谱分配。
动态频谱分配是指根据感知到的频谱环境信息，实时地分配可用的频谱资源给不同的无线通信系统或设备。
频谱分配算法的设计需要综合考虑多个因素，如频谱资源的需求、最大化频谱利用率、减少干扰等。
同时，还需要考虑到多用户多任务的情况，以实现对频谱资源的公平分配和优化配置。
在实际应用中，动态频谱开放技术可以广泛应用于各种无线通信系统，如蜂窝网络、无线局域网、传感器网络等。
通过动态频谱感知和分配，可以有效地解决频谱资源短缺和频谱拥堵问题，提高无线通信的容量和覆盖范围。
动态频谱开放技术还可以为新兴的应用场景提供支持，如物联网、智能交通、智能城市等。
基于机器学习的无线电频谱感知技术研究
基于机器学习的无线电频谱感知技术研究随着信息技术的迅速发展，无线电成为常见的通信方式。
但是，无线电频谱有限，不同的无线设备需要的频段可能会相互冲突，因此需要对无线电频谱进行感知、监测，以避免频段的冲突。
基于机器学习的无线电频谱感知技术日益成为热点研究方向。
一、什么是无线电频谱感知？无线电频谱感知是指通过无线电接收机在一定时间内对频段进行扫描与检测，并记录检测结果。
频谱感知主要分为两种，一种是面向单一频段感知，另一种是面向多空间感知。
无线电频谱感知技术的发展，极大地带来了无线电频谱的自适应性和灵活性，可以更好地满足无线通信的需求。
二、为什么需要无线电频谱感知技术？由于无线电频谱的有限性，不同的无线设备需要的频段可能会有相互冲突的情况发生。
如果多个无线设备同时使用同一频段，就会造成频段冲突，导致通信质量下降、通信速率变慢，比如，在WIFI网络拥堵的时候，我们会发现网速马上就下降了，这就是因为频段冲突造成的。
因此，为了更好地利用频谱资源，可以更好地避免频段冲突，需要对无线电频谱进行感知、监测。
三、机器学习在无线电频谱感知技术中的应用机器学习是一种研究如何通过计算手段使计算机系统实现能通过经验自我完善的人工智能的学科。
在无线电频谱感知技术中，机器学习可以作为频谱预测和信号识别的有效工具。
（一）频谱预测频谱预测旨在预测未来一段时间内不同频段允许的中心频率和带宽大小，以便无线电设备在频谱资源达到瓶颈的同时，能够优先选择当前可用的频段。
机器学习的优势在于它可以预测未知的组合，并通过学习对信道信息进行建模，从而实现更精准的频谱预测。
（二）信号识别信号识别是指利用无线电接收机对接收到的信号进行识别和分类。
机器学习可以通过对传感器输出数据的处理，来发现信号识别中的模式和特征，并且从而可以根据前期的数据分析，来判断或推测新来的数据特征。
四、挑战与未来发展不可否认的是，机器学习在无线电频谱感知技术中的应用，可以大大提高现有技术的可靠性和效率。
认知无线电中频谱感知技术研究
认知无线电中频谱感知技术研究近年来，随着物联网的兴起，无线电频谱资源日益稀缺。
频谱管理机构与用户对频谱的抢夺和利用使得频谱资源的效率变得低下。
频谱感知技术的出现为优化频谱使用效率、提高频谱利用率提供了新的途径。
认知无线电中频谱感知技术：开创频谱管理新时代认知无线电中频谱感知技术是通过对信道中各种信号参数的感知，实现对频谱共享和管理的一种新技术。
在无线电频谱感知技术的基础上，这种技术能够发现和感知到未被许可或者未被使用的频谱资源，实现频谱资源的增加和共享，极大地提高了频谱利用效率。
认知无线电中频谱感知技术可以将频带分成若干个建议小子区，用于放置无线服务或沉默。
同时，这项技术可以感知到在频带上可能存在的其他用户或设备，并快速地判断出正在使用该频带的应用或设备类型，并基于此为用户或设备分配不同的频带。
通过智能频谱管理，频谱资源被优化利用，可以满足高密度的用户和设备需求，实现频谱资源的最大化利用。
认知无线电中频谱感知技术：技术原理及特点认知无线电中频谱感知技术依靠各种感知设备和算法技术来识别目标信源和区分无线电干扰源。
这些设备包括低噪声放大器、功率分配器、混频器、反射器、频谱分析仪、数字信号处理器等，可以实现对频谱的快速分析和监测。
其技术原理主要有以下几个方面:(1) 多传感器节点：多个传感器节点可以同时交叉观测，从而形成更准确的信号解调和信号参数估计。
同时，多个传感器节点可以形成多角度的不同路径估计，增加信号分辨率，提高识别准确性。
(2) 码分多址( CDMA) ：使用CDMA信号处理技术可以有效降低旁边的干扰信号，提高信号分辨率。
在一个信道上，多个用户可以共享频带，同时实现准确、可靠地传输。
(3) 智能算法：采用智能算法可以对频谱资源快速响应，实现快速频谱搜索和特征识别。
智能算法还可以学习和适应未知的频谱环境，提升它对频谱资源感知和利用的准确性和鲁棒性。
在频谱资源的感知和利用方面，认知无线电中频谱感知技术具有以下特点：(1) 高效感知：通过对时间、频率、功率、调制和多径等唯一的特征的感知，可以探测频段是否被使用、用于什么应用以及使用的特定参数。
基于能量检测的频谱感知方法
基于能量检测的频谱感知方法
基于能量检测的频谱感知方法是一种常用的频谱感知技术。
该方法通过检测接收信号在不同频率上的能量水平来判断频谱的利用情况。
具体来说，首先使用无线接收设备接收环境中的信号，然后对接收到的信号进行能量检测，即测量信号在每个频率上的能量水平。
如果某个频率上的能量水平高于一个设定的阈值，则判定该频率正在被占用。
如果某个频率上的能量水平低于阈值，则判定该频率空闲可用。
基于能量检测的频谱感知方法具有简单、易实现的优点。
它不需要事先了解环境中可能存在的信号特性，也不需要对信号进行解调和解码。
只要能量水平的阈值合适地设定，就可以有效地感知到频谱的利用情况。
然而，基于能量检测的频谱感知方法也存在一些问题。
首先，由于不需要事先了解信号特性，该方法无法提供对信号类型和调制方式的详细信息。
其次，受到了噪声干扰的影响，可能存在误判的情况。
特别是在低信噪比环境下，会出现虚警和漏警的问题。
此外，该方法对于带有周期性占用的信号，如脉冲信号或频率切换信号等，可能会导致检测精度下降。
综上所述，基于能量检测的频谱感知方法在无线通信系统中有一定的应用价值，尤其适用于一些低复杂度和实时性要求不高的场景。
但在一些对频谱利用情况要求较高的场景，可能需要采用其他更加复杂的频谱感知方法。
无线电频谱感知技术研究
无线电频谱感知技术研究无线电频谱感知技术（Radio spectrum sensing technology）是一种能够对当前环境中的无线电频谱进行实时监测和感知的技术。
在无线通信系统中，频谱是一种十分重要的资源，但是由于无线电频谱的有限性和复杂性，频谱的利用效率一直是无线通信系统的瓶颈之一。
因此，频谱感知技术的使用对于提高无线通信系统的频谱利用效率和性能至关重要。
频谱感知技术的主要目标是通过对无线电频谱进行实时监测和分析，以获得当前环境下的频谱使用情况。
通过感知到的频谱信息，无线通信系统可以根据实际情况进行频谱资源的分配和管理，避免频谱的冲突和争夺，提高系统的容量和可靠性。
频谱感知技术主要包括两个关键环节：频谱检测和频谱识别。
频谱检测是指通过对频谱信号进行实时采样和处理，来检测是否存在较强的信号传输。
一般采用能量检测和周期检测等方法来实现频谱检测。
频谱识别是指通过对检测到的信号进行分析和处理，来判断信号的类型和属性。
常用的频谱识别方法包括周期识别、功率谱密度估计和模式识别等。
频谱感知技术的研究主要集中在以下几个方面：首先，频谱感知技术需要解决的一个重要问题是如何精确地感知到当前环境中的频谱信息。
由于无线电频谱是一个动态变化的环境，有时信号非常微弱，有时信号强度很大，因此如何准确、快速地感知到频谱信号是一个挑战。
目前，有很多成熟的频谱感知算法和技术被提出来，包括基于能量检测的方法、基于周期性的方法和基于功率谱密度估计的方法等。
通过采用合适的感知算法和技术，可以使系统能够实时监测并反馈当前频谱使用情况，从而合理分配频谱资源。
其次，频谱感知技术需要解决的另一个重要问题是如何准确地识别感知到的频谱信号。
不同类型的无线电信号具有不同的特点和属性，因此准确地识别信号类型对于频谱感知至关重要。
传统的频谱识别方法主要依赖于专家经验和手动设置的规则，其性能受限。
近年来，随着机器学习和模式识别等技术的发展，基于机器学习的频谱识别方法逐渐成为研究的热点。
无线电频谱管理中的频谱感知技术研究
无线电频谱管理中的频谱感知技术研究在现代社会，无线电通信已经成为了人们日常生活中必不可少的一部分。
但是频谱资源是有限的，其利用效率也成为了无线电通信领域中的一个不断发展和完善的问题。
因此，在无线电频谱管理中，频谱感知技术的研究也受到了广泛的关注。
一、频谱感知技术的概念频谱感知技术是指通过一种具有智能特性的无线电系统，利用先进的信号处理技术和智能算法，对周围的无线电环境中的频率、功率、占用等参数进行实时感知，从而能够有效地预测、检测、识别和管理周围的无线信号。
这一技术可以显著提高频谱资源的使用效率和频谱管理的安全性，是目前业界普遍关注和推崇的技术。
二、频谱感知技术在无线电频谱管理中的应用1. 频谱监测和冲突检测频谱感知技术可以实现对无线电环境中的频率占用情况进行实时监测和感知，从而能够预测各种无线电信号的占用情况，检测到未经授权的频率和占用冲突情况。
这一技术可以有效地提高频谱管理的安全性和协调性，保护无线电通信的正常进行。
2. 频谱资源的共享利用频谱产权制度下，频谱资源的利用主要由频率使用者或者持有者进行管理。
但是对于部分频率资源来说，因为其占用较少或者存在部分闲置，其利用率也相对较低。
频谱感知技术可以将这些闲置的频率资源进行感知和捕捉，并为其他频率使用者提供共享利用的机会，从而有效提高频谱资源的利用效率。
3. 管理与调试频谱感知技术还可以有效地辅助于无线电频谱的管理和调试。
其可以获取无线电环境中较为详细的频率和占用情况，并且可以在无线电频谱中搜索到错误发射源，实现频率的占用与保护，提高频段利用率。
三、频谱感知技术的研究方向1. 感知技术的精度和性能优化由于无线电环境中存在多种干扰和复杂信道，频谱感知技术的精度和性能优化显得尤为重要和难点。
需要进一步对感知技术的信号处理算法和网络优化进行探索和应用，提高感知技术的精度和可靠性。
2. 共享经济模式下的频谱共享频谱感知技术在频谱共享、频谱交易等方面也有着广泛的应用前景。
频谱感知
/article/11-09/422921315975560.html频谱感知，是指认知用户通过各种信号检测和处理手段来获取无线网络中的频谱使用信息。
从无线网络的功能分层角度看，频谱感知技术主要涉及物理层和链路层，其中物理层主要关注各种具体的本地检测算法，而链路层主要关注用户间的协作以及对本地感知、协作感知和感知机制优化3 个方面。
因此，目前频谱感知技术的研究大多数集中在本地感知、协作感知和感知机制优化3个方面。
文章正是从这3个方面对频谱感知技术的最新研究进展情况进行了总结归纳，分析了主要难点，并在此基础上讨论了下一步的研究方向。
1 本地感知技术1.1 主要检测算法本地频谱感知是指单个认知用户独立执行某种检测算法来感知频谱使用情况，其检测性能通常由虚警概率以及漏检概率进行衡量。
比较典型的感知算法包括：能量检测算法，其主要原理是在特定频段上，测量某段观测时间内接收信号的总能量，然后与某一设定门限比较来判决主信号是否存在。
由于该算法复杂度较低，实施简单，同时不需要任何先验信息，因此被认为是CR系统中最通用的感知算法。
匹配滤波器检测算法，是在确知主用户信号先验信息(如调制类型，脉冲整形，帧格式)情况下的最佳检测算法。
该算法的优势在于能使检测信噪比最大化，在相同性能限定下较能量检测所需的采样点个数少，因此处理时间更短。
循环平稳特征检测算法，其原理是通过分析循环自相关函数或者二维频谱相关函数的方法得到信号频谱相关统计特性，利用其呈现的周期性来区分主信号与噪声。
该算法在很低的信噪比下仍具有很好的检测性能，而且针对各种信号类型独特的统计特征进行循环谱分析，可以克服恶意干扰信号，大大提高检测的性能和效率。
协方差矩阵检测算法，利用主信号的相关性建立信号样本协方差矩阵，并以计算矩阵最大、最小特征值比率的方法做出判决。
文献[1]提出基于过采样接收信号或多路接收天线的盲感知算法。
通过对接收信号矩阵的线性预测和奇异值分解(QR)得到信号统计值的比率来判定是否有主用户信号。
- 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)。
集中辨识频谱空洞方法的比较频谱感知技术是指认知用户通过各种信号检测和处理手段来获取无线网络中的频谱使用信息。
从无线网络的功能分层角度看，频谱感知技术主要涉及物理层和链路层，其中物理层主要关注各种具体的本地检测算法，而链路层主要关注用户间的协作以及对感知机制的控制与优化。
因此，目前频谱感知技术的研究大多数集中在本地感知、协作感知和感知机制优化3个方面。
1 本地感知技术1.1 主要检测算法本地频谱感知是指单个认知用户独立执行某种检测算法来感知频谱使用情况，其检测性能通常由虚警概率以及漏检概率进行衡量。
比较典型的感知算法包括：能量检测算法，其主要原理是在特定频段上，测量某段观测时间内接收信号的总能量，然后与某一设定门限比较来判决主信号是否存在。
由于该算法复杂度较低，实施简单，同时不需要任何先验信息，因此被认为是CR系统中最通用的感知算法。
匹配滤波器检测算法，是在确知主用户信号先验信息（如调制类型，脉冲整形，帧格式）情况下的最佳检测算法。
该算法的优势在于能使检测信噪比最大化，在相同性能限定下较能量检测所需的采样点个数少，因此处理时间更短。
循环平稳特征检测算法，其原理是通过分析循环自相关函数或者二维频谱相关函数的方法得到信号频谱相关统计特性，利用其呈现的周期性来区分主信号与噪声。
该算法在很低的信噪比下仍具有很好的检测性能，而且针对各种信号类型独特的统计特征进行循环谱分析，可以克服恶意干扰信号，大大提高检测的性能和效率。
协方差矩阵检测算法，利用主信号的相关性建立信号样本协方差矩阵，并以计算矩阵最大、最小特征值比率的方法做出判决。
文献[1]提出基于过采样接收信号或多路接收天线的盲感知算法。
通过对接收信号矩阵的线性预测和奇异值分解(QR)得到信号统计值的比率来判定是否有主用户信号。
以上这些算法都是对主用户发射端信号的直接检测，基本都是从经典的信号检测理论中移植过来的。
此外，近期一些文献从主用户接收端的角度提出了本振泄露功率检测和基于干扰温度的检测。
有些文献对经典算法进行了改进，如文献[2]提出了一种基于能量检测-循环特征检测结合的两级感知算法。
文献[3]研究了基于频偏补偿的匹配滤波器检测、联合前向和参数匹配的能量检测、多分辨率频谱检测和基于小波变换频谱检测等。
表2归纳了文献中提及较多的一些感知算法，并对其优缺点进行了比较。
单用户本地感知主要面临以下挑战：首先，对感知设备提出了较高的硬件要求，如高速高分辨率的数模转换器、高速的信号处理器、宽带射频(RF)单元、单/双链路结构等等，以达到所需的检测速度和灵敏度；其次，由于多径衰落、阴影和本地干扰等因素的影响，单用户本地频谱检测往往不能获得满意的性能。
再次，如何检测基于扩频技术的主用户信号也是个难点问题。
Ghasemi将频谱感知的主要难点问题归结于3种不确定性：信道不确定性，即在阴影、衰落信道中，认知用户很难从噪声背景下区分出经历深衰落的主信号；噪声不确定性，主要是能量检测的性能会因为噪声估计的偏差受到严重影响；聚合干扰不确定性，当网络中存在多个认知用户时，单个认知用户的发射可能不会干扰主用户，但是多个用户同时发射可能会超过主用户的干扰温度门限（最大干扰的容忍程度）。
基于以上分析，下一步的主要研究方向包括：针对衰落、阴影等恶劣的信道环境，研究能量检测、循环特征检测等算法的改进或者进一步探讨更为新颖的感知算法；针对正交频分复用技术(OFDM)频谱池系统的多带检测算法；将传统的时域、频域、空域的三维信号检测进行拓展，并研究包括角度、编码等维度的多维频谱感知算法。
2 协作感知技术为了克服本地检测的弊端，进一步提高检测性能，协作感知得到了广泛而深入的研究。
通过不同次用户间的交互与协作，不仅仅能降低各认知用户的检测灵敏度需求，大幅度提高认知用户的捷变能力，还能有效缓解“隐藏终端”问题以及噪声不确定性等问题。
根据协作网络结构和协作策略选择不同，协作感知方案可分两类：（1）集中式协作感知这种方案中，通常有一个中心基站（或接入点）和多个参与协作的认知用户（也称认知节点），并且需要专用控制信道将各用户本地感知信息传送到中心点进行融合处理以及最终判决。
目前大部分文献研究的都是该类型的协作感知。
Cabric等人于2004年开始这方面研究，指出集中式协作感知可以减小多径衰落信道的影响，改善检测性能，并分析了节点数、门限值等参数的选取以及阴影相关性对协作的影响[4]。
随后，Ghasemi更加详细讨论了在独立同分布(I.I.D.)瑞利衰落信道和对数正态分布阴影信道条件下，基于能量检测和硬融合的协作感知方案的检测性能及其对频谱利用率、检测灵敏度、检测时间带宽积、噪声不确定性抵抗能力的影响。
文献[5]还从聚合干扰的角度，进一步分析了协作感知对于聚合干扰分布的影响，并在给定干扰概率情况下，给出了单用户感知灵敏度和协作半径之间的权衡。
（2）分布式协作感知分布式协作感知中，各协作节点彼此可以交互和共享感知信息，并分别对各自感兴趣的频谱做最终判决。
该方案最大的好处是简化了认知网络结构，因而减小了开销成本。
2.2信息融合问题现有的大多数协作感知方案都需要进行信息融合，其整体的检测性能除了受各节点检测性能的影响外，还与所采用的融合算法直接相关。
依据交互信息的不同，融合算法可以分为数据融合和决策融合两大类。
2.2.1 数据融合算法在数据融合算法中，各个协作节点不做出任何决策，而是将检测数据完整地或压缩处理后发送到信息融合中心，按照某种融合规则做出最终判决。
典型的算法例如：最简单的等增益合并(EGC)是将各节点的检测数据等权重合并，再与设定的门限值比较做出最终判决；最大似然比合并(MRC)是通过信道估计，根据信噪比设定权重值进行合并再做出判决；选择合并(SC)则是根据情况，选择某个信噪比最大节点数据进行判决。
文献[6]根据Neyman-Pearson 准则，在给定虚警概率下，通过最大化检测概率得到最优的加权融合准则。
相比Neyman-Pearson准则，Baysian准则以最小化错误概率为目标，更适宜于对虚警概率和漏检概率都有要求的应用环境。
文献[7]系统研究了数据融合算法，通过偏转系数最大化和错误概率最小化获得最优的权重向量。
数据融合传送的是检测信息，因而要求控制信道的带宽比较宽，传送开销也比较大。
对于强调频谱效率的CR系统来说，为了追求协作增益而付出巨大的协作带宽代价，显得有些得不偿失。
2.2.2 决策融合算法各个协作节点独立地处理观测数据并做出决策，发送其决策结果至信息融合中心进行最终判决，这种算法称为决策融合算法。
依据各节点决策的权重是否相同，可将其分为决策硬融合和决策软融合。
决策硬融合算法中，N个协作节点以1 bit形式传送其本地决策到信息融合中心，融合中心同等地对待各个节点决策，并根据一定的融合准则做出最终判决。
最典型的硬融合准则是K/N准则[12]，即N个协作用户中至少有K个用户上报决策1（即主用户存在）时，基站最终判定信道已被占用，OR准则（K=1）与AND准则（K=N）都是K/N准则的特殊形式。
不同的K值对应不同的协作增益，其最优取值应根据具体的信道条件来确定。
除了K/N准则外，文献[8]提出一种基于双门限能量检测的协作感知方法，用到了“n比例”逻辑准则，将决策为1的节点数与决策为0的节点数之间的比值与门限进行比较做出最终判决。
决策软融合算法是根据不同信道条件下各节点检测结果的置信度不同，将检测信息进行决策加权或者其他形式的处理后再进行融合。
此算法实现了检测性能和传送开销之间的折中。
2.3 有待解决的问题(1) 协作感知的性能与协作用户数量、各用户门限值的确定及位置分布情况等因素密切相关。
因而如何选取这些协作感知参数以获得最佳的检测性能，是协作感知研究的重要内容。
此外，协作感知属于媒体访问控制(MAC)层的感知技术，所以还涉及到跨层设计方面的研究。
(2) 信息融合算法会直接影响协作增益和系统开销。
一方面，决策融合虽然简单容易实现，但是其协作增益非常有限，当信道不均匀或者存在恶意用户时，协作性能将急剧恶化；另一方面数据融合协作增益大，但是对控制信道的带宽需求较大。
如何在协作性能和系统开销二者之间寻找合理折中是协作感知研究的热点。
(3) 恶意攻击或突发故障是协作感知中不容忽视的安全问题。
为此，文献[11]提出了一种应对存在恶意或自私节点场景的协作感知安全方案，以提高网络安全性。
文献[12]提出一种加权序贯检测方案(WSPRT)，采用双门限值检测，并通过一定规则动态更新每个用户的置信度权值，有效降低了恶意节点对最终判决的影响。
(4) 现在的研究大多是集中在单个感知用户网络参与协作的情形，基于网络层的多感知用户网络间的协作也可能是未来研究的一个方向。
3 感知机制的优化Ghasemi和Hyoil Kim等人最先提出了感知机制的优化问题，主要关注感知模式的选择和感知参数的优化。
CR网络下，次用户的伺机动态接入频谱过程通常可看成两种感知场景：信道搜索和信道监视。
信道搜索是指次用户需要搜索各个信道，寻找可用于传输的空闲频谱。
信道监视则是指次用户必须周期性地检测主用户信号，以避免对重新出现的主用户造成干扰。
检测周期、检测时间和搜索时间的参数如何选取，以及采用何种感知模式和信道搜索方式，才能使感知效果最优，这都是感知机制的优化问题。
频谱感知模式通常分为被动感知和主动感知。
被动感知模式下，次用户只有在需要进行数据传输时才启动感知，通常只能使用一个空闲信道进行传输，并周期性监测该信道。
而主动感知模式下，不管是否有数据传输需要，次用户都周期性地检测各个信道。
两种感知模式都要避免对重新出现的主用户造成干扰，因此一旦发现当前信道不可用时，需立即启动搜索，直到检测到某个空闲信道后停止搜索并开始新的传输。
相比而言，主动感知方式需要检测多个子信道，能量和时间开销比被动感知方式有所增大，但它可以提高传输速率，并且减小认知用户被迫进行信道搜索而导致服务质量(QoS)降低的概率，同时还可以积累大量频谱信息，在重新进行信道搜索时优化搜索方式以提高信道切换能力。
下步的研究方向主要包括：信道占用模型可适当扩展更一般的情况；分布式协作感知机制的优化问题；基于循环平稳特征检测等方法下的感知机制优化；认知用户之间的干扰可能对感知机制优化的影响；不同的信道条件下，非固定检测周期和搜索次序的感知机制优化；综合考虑最小化主用户干扰、最大化感知性能、最优化QoS等多种优化目标；综合考虑应用层需求、物理层算法和链路层协作与控制等跨层设计优化问题。