论文发表 | 论文范文 | 公文范文
最新公告:目前,本站已经取得了出版物经营许可证 、音像制品许可证,协助杂志社进行初步审稿、征稿工作。咨询:400-675-1600
您现在的位置: 新晨范文网 >> 教育杂志 >> 教师教育杂志 >> 华中师范大学学报 >> 正文

主用户活动检测与跟踪算法研究

定制服务

定制原创材料,由写作老师24小时内创作完成,仅供客户你一人参考学习,无后顾之忧。

发表论文

根据客户的需要,将论文发表在指定类别的期刊,只收50%定金,确定发表通过后再付余款。

加入会员

申请成为本站会员,可以享受经理回访等更17项优惠服务,更可以固定你喜欢的写作老师。

《华中师范大学学报》2015年第四期

认知无线电(CognitiveRadio,CR)技术被认为是提高频谱利用率的一种有效方法,它可以解决无线通信业务快速增长与授权频谱利用率低的矛盾.在CR网络中,认知用户(或称为次用户:SecondaryUsers,SUs)可以使用授权用户空闲的频谱,但是要求对授权用户(或称为主用户:Prima-ryUsers,PUs)的干扰必须控制在能够容忍的范围内.这样,就需要SUs检测无线频谱,对频谱的状态作出判决,从而自适应地选择可使用的频谱.频谱使用模型能够通过PUs的活动特性得到反映,PUs活动的建模和参数估计能够促使SUs更加有效地使用频谱.目前,普遍采用的PUs活动模型是ON/OFF交替模型,其工作(busy)和空闲(idle)周期时间服从指数分布.该模型参数估计的重要性体现在,若能够获得比较准确的ON/OFF平均周期,则可以计算出合理的检测周期,从而同时满足所要求的PUs干扰比和SUs数据传输效率.而且,很多频谱检测技术需要知道PUs的统计先验信息.在文献[4]中,一种联合优化频谱检测和传输周期的理论模型被提出,用以最大化频谱效率.但是,模型中的ON和OFF平均周期假设为固定和已知的.另外,相当多的研究采用了这种固定的频谱使用模型来优化频谱检测,在没有通过实际检测和估计的基础上,就假设SUs掌握了这些统计信息.Kim等人使用了ON/OFF频谱使用模型,并且提出一种基于滑动时间窗(STWB)的估计方法来处理历史检测信息以便获得PUs的活动方式.然而,他们假设SUs已经获得一组PUs使用频谱的OFF周期样本,但是并没有介绍如何获得这些样本,另外频谱检测时采用的检测周期是多少没有作出说明,更主要的是没有涉及样本数量如何保证检测精度.同时,也有很多PU活动检测只是检测短时间PU的状态,如Wang等人提出一种基于信任传播机制的集成快速PU活动状态检测框架,Chang等采用一种新颖的任务循环方式来检测PU用户的活动,只使用短时间内PU的状态数据,Warit等提出2阶和微分加权序列协作能量自适应检测方法来发现PU用户的活动状况.

由于检测周期与频谱使用模型密切关联,而且二者也是确保频谱检测和共享的重要因素,因此检测PUs活动模型的参数将是一个非常重要的研究内容,需要进一步深入研究.另外,在PUs活动的建模和估计过程中,若将SUs的移动性考虑进去,则CR网络不再是一种完全静止的拓扑结构,那么将面临更多的挑战.很多估计技术需要相对多的容量来存储历史检测数据,对于存储容量有限的单个节点而言,存储长时间的检测数据并作出实时估计是比较困难的.对于移动CRadhoc网络而言,将会面临更多的挑战,如检测的信息如何在网络中及时传递,如何控制信息传递导致的开销.同时,由于单个用户的处理能力有限,如存储容量,所以必须设计合理的机制来保存频谱检测信息.为了解决上述分析的问题,针对移动CRadhoc网络,本文提出一种基于MLE和MSE的PUs活动参数的检测与估计算法,该算法能够跟踪PUs活动规律的变化.假设有一个PU发射器,CR网络中的SUs都是移动的,使用精细检测来获得PU的ON/OFF周期样本,采用最大似然估计算法来估计ON/OFF的周期平均值,利用加权平均技术来计算最终的周期平均值.为了停止精细检测并快速跟踪PU活动的变化,利用均方误差设计了精细检测停止和重新启动的规则.

1系统模型

假设一个PU发射器工作于一个授权信道,并以ON/OFF模型来使用该信道.ON/OFF周期服从指数分布,各自的真实均值分别是α和β,当PU的活动规律发生改变时,α和β也将随之改变.同时假设使用一个公共控制信道(CCC)来传输检测信息[16].在CRadhoc网络中,所有CR用户都是移动的.CRadhoc网络如图1所示,定义PU的传输覆盖范围为Ap,即图中白色的区域.当SU移动到Ap区域时,就可以通过频谱检测来获得ON和OFF的周期样本,一旦到达该区域的边界,SU将广播自己获得的检测信息,附近的SUs接收到该信息并进行广播,定义广播信息的区域为As,接收到新检测信息的SUs将更新估计的ON/OFF周期均值.假设在网络中η个SUs已经广播了它们的检测均值和样本数量,其中第i个SU发送的数据组表示为{珔αi,珋βi,Ni,Mi},i=1,…,η,其中珔αi和珋βi分别表示估计的ON和OFF周期均值,Ni和Mi则表示ON和OFF的周期样本数量.考虑到单个SU的存储能力和处理能力,假设一个SU最多只存储ηs个SUs发送的数据.检测广播信息包包含的信息为:包时间戳,检测标志位(即检测精度达到要求后的停止标志位:stopmarkbit),ON周期估计值α,OFF周期估计值β,完成检测的SUs的数量η(≤ηs),η组{珔αi,珋βi,Ni,Mi},ON周期样本数量,对应的ON周期样本值,OFF周期样本数量,对应的OFF周期样本值.设置包时间戳的目的是避免重复广播和广播环路,根据η组{珔αi,珋βi,Ni,Mi}来估计α和β,检测状态标志位为1时,标识检测精度达到要求.由于有的SUs检测获得的ON/OFF周期样本数量可能很少,在这种情况下,为了提高估计的精度,允许直接发送周期样本,下一个SU接收到这些周期样本后可以将周期样本与自身检测的周期样本合并,然后作出估计,以提高检测精度。

2主用户活动检测模型

2.1检测周期和类型根据文献[4],信道使用为ON/OFF模型时,PUs使用信道的概率。另外,对于SUs而言,错失频谱利用机会的比率TL定义为:在PUs处于空闲状态时间内,SUs没有检测到该状态而失去传输数据的平均时间比值.对于PUs而言,定义最大可容忍干扰时间比TP为:在PUs使用频谱的时间内,SUs依然使用该频谱而造成对PUs的干扰,此时PUs在时间上能够容忍干扰的最大平均时间比值。在以往的文献中[4,6],只有一个检测周期用于PUs的空闲和工作状态中.从式(4)中可以发现,PUs容忍的干扰比可以得到控制,但是却不能够很好地保证当PUs空闲时所要求的错失数据传输的比率.因此,在本网络中,当PU处于工作状态时,如果存在多个授权信道需要检测,则可调度tq来检测这些信道,该研究内容将在后续的研究中加以考虑.检测周期Tons和Toffs将根据获得的检测信息来计算.若频谱检测时Tons和Toffs小于由式(3~6)计算出的检测周期,则属于精细检测,若等于则属于常规检测.首先,如果SU没有附近PU的活动信息,或是PU活动规律发生变化,则SU执行精细检测,且Tons和Toffs相等,取比较小的固定值,为Tmins,这样可以在一定程度上保证获得的第一组α和β的估计均值误差较小.若当前α和β的精度达不到要求,就依然执行精细检测,且将按式(6~9)计算的Tons和Toffs乘以一个因子γ,γ∈0.5,()1.一旦α和β的精度达到要求,则SUs将执行常规检测来进行数据传输和接收,此时γ=1.

2.2单用户估计当SUi检测频谱时,SUi将使用接收到的广播信息来计算Tons和Toffs,若检测标志位状态为0,则执行精细检测.在这种情况下,若SUi没有数据要传输,则Toffs中的时间tt可以不被用于传输或接收数据,而是处于静默状态.直观上,ON和OFF的周期样本数量与PU真实的α和β、SU的速度以及在区域Ap内的穿越距离有关系.若ON和OFF的周期样本数量太少,则频谱检测后,SU将不使用MLE算法来估计均值,直接将ON和OFF周期样本加入到广播信息包的尾部,并进行广播.

2.3多用户估计假设个SUs完成检测并获得相应的估计值.通常情况下,可以直接采用算术平均方法来计算最后的均值,本文称之为“非加权平均”,计算方法如同式(7)和(8).然而,由于不同的SUs获得的样本数量可能不同,因此引入了和样本数量相关的加权平均算法来计算最后的均值α和β。可以看出,使用该方法相当于分配一个权值给每个SU计算的均值,该权值和样本数量成正比.另外,由于PU活动的时变性以及SU有限的存储空间,前面假设了SU只能存储最多ηs组{珔αi,珋βi,Ni,Mi}数据.这样,当广播包中已经存储有ηs组检测信息时,一旦当前SU完成检测,则最早的数据组将会被丢弃.

2.4精细检测停止当一组SUs执行完精细检测后,均值α和β将会收敛到真实均值α和β附近,则精细检测将停止.这实际上意味着,随着珔αi、珋βi估计均值的增多,其均方误差(MSE)会随之降低.因此,设置一个MSE门限Em来停止精细检测。

2.5精细检测重启由于PU对频谱的使用是动态时变的,PU活动的变化将表现在α和β的变化上,这就需要发现这种变化并及时地对活动参数进行重新估计.当α和β发生变化时,由于SUs依然按精细检测停止时的估计均值计算检测周期,则MSE值也将随之变化.因此,通过MSE的变化可以重新启动精细检测,但是由于MSE的变化比较缓慢[17],这样发现PU活动规律的变化就需要比较长的时间.具体来说,一旦精细检测停止,估计值α和β将不再改变,直到发现PU活动变化后,才重新启动精细检测.在这种情况下,当一个SU进入区域Ap,该SU执行常规检测.同时,σon(t-1)和σoff(t-1)能够根据组{珔αi,珋βi,Ni,Mi}计算得出.当SU运行出区域Ap时,将本次检测到的数据放进信息包中.如果=ηs,将丢弃保存的第一组数据{珔α1,珋β1,N1,M1},并且将刚刚接收到的信息作为最新的数据组.这样,可以计算出σon(t)和σoff(t),进一步,sσon(t)和sσoff(t)也可以随之计算出来.如果sσon(t)或sσoff(t)大于门限值STH,则重新启动精细检测.

2.6算法复杂度分析本文提出的PU活动检测算法主要用到了MLE和MSE计算,其中MLE用于单SU周期均值的计算,从式(7)和(8)可知,对于SUi而言,珔αi与珋βi的计算复杂度与获得的ON和OFF周期样本数量Ni和Mi有关,其复杂度为O(n).当SUi接收到多个SUs的检测周期估计值时,根据式(9)和(10)可知,计算均值α和β的复杂度都为O(n)+O(n).在采用MSE判决精细检测停止时,根据式(11)可知,均方误差值的计算复杂度为O(n)+O(1).而利用MSE重启精细检测时,根据式(13)可知算法复杂度仅为O(1).由此可知,本文提出的PU活动检测算法的复杂度为线性阶O(n),属较低范围,因此算法运行速度将比较快.

3仿真实验

3.1仿真模型为了评价提出的主用户活动检测算法的性能,建立了一个仿真网络.设置一个PU工作于一个授权信道.假设PU的二维位置坐标为(2000m,2000m),其传输范围半径为800m,检测信息广播范围半径为1200m.SUs移动速度均匀分布于3~20m/s,移动方向同样均匀分布于[0,2π).根据IEEE802.22规定,在使用能量检测时,一个检测周期中的观测时间ts应低于2ms[18].因此,设置ts=2ms,并且最短的精细检测周期Tmins设为10ms.另外,TL和TP为0.04.

3.2仿真结果与分析为了观察提出的检测算法精度和收敛能力,在网络中Ap范围内逐次产生50个SUs,且位置和速度是随机的,这样不同的SUs获得的ON/OFF周期样本数量将不同.假设α=0.4s,β=0.5s.最开始,由于不知道PU的活动信息,因此第一个进入Ap范围的SU使用精细检测来感知频谱,且检测周期为Tmins.后续的SUs继续执行精细检测,但是检测周期将分别采用Tons×γ和Toffs×γ,其中γ=0.7.从图2可以看出,第一个SU完成检测后,ON的平均值低于0.46s,当超过5个SUs检测后,和真实的α相比,估计值α开始围绕α波动,且幅度低于5%.另外,还可以看出加权平均值波动幅度要低于非加权方法.当多个SUs完成频谱检测后,获得的估计均值α和β的精度必然会提高,但是SUs并不知道真实的均值α和β,因此将通过均方误差(MSE)来判断精度是否达到要求.为了比较这方面的性能,可以利用真实均值来评价提出的方法,将采用相对误差来作出比较,即α-α/α.根据图3所示,随着检测SUs的增多,MSE降低了,而且当SUs的数量达到20左右时,MSE基本上变化不大.而相对误差也是随着SUs的增加而降低,相比MSE收敛更快,但是波动比较大,这样将不利于判断精细检测结果是否该停止,而且最大的问题是要使用真实均值,这在现实中是不可能的.PU活动变化的跟踪是PU活动检测的重要研究内容之一,PU活动统计特征发生变化就意味着α和β会发生改变.当精细检测结束后,将执行常规检测,而且利用的是估计均值α和β.一旦α和β变化后,就需要在短时间内发现这种变化,并启动精细检测,从而避免对PU的长时间干扰.在文献中,提到一种基于滑动时间窗(STWB)的方法来估计均值,其原理是利用时间窗内最新的部分检测周期样本来作出估计,避免使用早先获得的周期样本,从而保证估计的均值能够尽可能地跟踪PU用户的最新活动特征.在此,将STWB方法与本文提出的精细检测重启方法作出比较,将本文提出的方法称为Scheme1,STWB方法称为Scheme2.假设共有100个SUs执行频谱检测,最开始设置α=0.4s,β=0.5s,在第50个SU完成频谱检测后,α变为0.5s.根据图4可以发现,本文提出的方法的收敛速度明显比STW方法要快,这是因为采用Scheme1时第51个SU完成频谱检测后就能根据MSE的相对变化量Sσon发现PU活动发生了变化,从而立即重新启动精细检测.而在Scheme2中,则是利用滑动时间窗方法逐次替换α=0.4s时的检测周期样本,在这个过程中PU活动变化之前的周期样本依然对当前活动特征的估计产生着影响,所以虽然最后也完成了收敛跟踪,但是速度较慢.对α和β估计的最终目的是获得合理的检测周期,从而将SUs对PUs的干扰时间控制在一定范围内,同时减少错失的传输数据时间,也就是说要控制TP和TL在预先设定的门限之下.在使用本文提出的方法来估计α和β且达到MSE要求后,后续的SUs将采用常规检测来进行数据的接收或传输.从图5中可以发现,在获得α和β后,经过很短的时间,TP和TL就低于门限值0.04之下.由于在CRadhoc网络中,SUs完成频谱检测后需要将检测信息在As范围内进行广播,这必然会带来网络消耗.很明显,不同的MSE精度所需要的检测SUs数量会不同.门限值Em越小,精度越高,则需要更多的SUs执行频谱检测,从而带来更多的网络开销.因此,在仿真中,将设置不同Em值,网络开销则通过平均广播数据量来反映.由于在广播时,广播的数据量和网络中的SUs数量也有关系,所以在网络中随机产生不同数量的SUs.从图6中可以发现,对于一定数量的SUs,在检测结果的MSE小于门限值Em时,Em值越小则广播的数据量越大.而对于相同的Em值,不同的SUs数量,网络开销也不同,网络中的SUs越多,由于需要接力广播的次数增加,所以总的广播数据量也相应增加.最主要的是,完成要求精度的频谱检测总的广播数据量只有几个Kbit/s.因此,这样的网络开销还是比较小的.

4结束语

本文针对CRadhoc网络提出了一种基于MLE和MSE的PU活动检测算法,用于估计ON/OFF平均周期.在执行频谱感知时采用了精细检测和常规检测,SUs执行精细检测以估计与跟踪PU的活动,而常规检测则用于检测参数精度满足要求后的数据接收与传输.对于单个SU获得的周期样本,采用了最大似然估计方法来计算周期均值,采用加权平均来计算最终的ON/OFF平均周期.另外,利用了均方误差来停止精细检测,同时利用均方误差的相对变化来跟踪PU活动的变化.仿真结果表明,提出的估计与跟踪算法能够实现对频谱使用模型参数的估计,同时还能够快速有效地跟踪PU活动的变化,其PU活动跟踪性能优于STWB方法.

作者:姚文贵 单位:湖北职业技术学院

华中师范大学学报责任编辑:chenpan04    阅读:人次
教育杂志相关文章
    没有相关文章