[发明专利]基于渐进最优收缩估计的合作频谱感知方法

摘要

本发明公开了基于渐进最优收缩估计的合作频谱感知方法的具体实现步骤为：步骤1：宏基站配置的多天线发送授权用户信号。步骤2：各个低功率小蜂窝基站接收宏基站信号并进行连续独立采样。步骤3：低功率小蜂窝基站将感知数据发送给数据融合中心，数据融合中心基于接收的信号样本组成接收样本矩阵。步骤4：数据融合中心根据接收样本矩阵得到判决统计量。步骤5：数据融合中心将判决统计量与判决门限进行比较得出授权用户是否存在的判决结果并告知蜂窝基站。本发明考虑了接收机噪声理想和非理想两种情况，通过利用渐进最优收缩估计器的良好估计性能提高了频谱感知的性能。

主权项

1.基于渐进最优收缩估计的合作频谱感知方法，包括以下几个步骤：步骤1：宏基站配置多天线发送授权用户信号，授权信号服从零均值复高斯分布；步骤2：各个低功率小蜂窝基站接收信号并进行连续独立采样；信号经过平稳瑞利衰落信道后由M个小蜂窝基站进行接收，M个小蜂窝基站对接收信号进行独立采样分别得到N个样本数据，设H₀和H₁分别授权用户不存在和存在两种情况，则频谱感知的二元假设模型表示为：其中，x[n]＝[x₁[n],x₂[n],…,x_M[n]]^T(n＝0,1,…,N‑1)为在采样时刻n由M个接收机采样得到的接收样本矢量，x_m[n](m＝1,2,…M)表示第m个小蜂窝基站的第n个样本；w[n]代表均值为零的独立同分布循环对称复高斯噪声，表示为其中表示噪声矢量的统计协方差矩阵，代表第m个接收机处的噪声功率，特别的，理想情况下噪声功率均等于σ²，即Σ＝σ²I_M，其中I_M为对角元素为1的M阶单位矩阵；为复信道增益矩阵，在感知时间内假设信道增益为常数；为授权信号样本，假设服从均值为零的高斯分布，令表示发送信号经过衰落信道后的信号，上述二元假设频谱感知模型用接收样本矢量的统计协方差矩阵的形式表示为：其中，R_x和分别为x[n]和的统计协方差矩阵；步骤3：小蜂窝基站将感知样本数据发送给数据融合中心，在数据融合中心组成M×N维的接收样本矩阵X＝[x[0],x[1],…,x[N‑1]]；步骤4：数据融合中心根据接收样本矩阵得到判决统计量；基于奈曼‑皮尔逊准则，即在虚警概率为定值时使得检测概率最大，判决统计量的表达式为：L(X)＝lnp(X|H₁)‑lnp(X|H₀)    (3)其中，L(X)为判决统计量，ln(·)表示以e为底的对数函数，p(X|H₁)和p(X|H₀)分别为H₀和H₁情况下接收样本矢量的联合概率密度函数；首先考虑理想噪声的场景，即Σ＝σ²I_M，H₀和H₁两种情况下接收信号样本的联合概率密度函数分别写作：其中，tr(·)表示矩阵的迹；未知协方差矩阵的最优估计为其中，diag(a,b,…,c)为对角元素为a,b,…,c的对角元素，(x)⁺＝max(x,0)，为样本特征值，U为样本特征值对应的特征向量组成的特征矩阵，满足UU^H＝I_M，将的表达式带入式(5)中代替未知参量后与式(4)做差，可得到含有未知参量σ²的判决统计量的表达式：其中N_s为发送信号的空间秩；渐进最优收缩(Oracle Approximating Shrinkage Estimator,OAS)估计器适用于高维场景下对统计协方差矩阵的估计，OAS估计器通过将样本协方差矩阵进行加权得到，称为目标矩阵，的权重ρ称为收缩系数，具体表达式写作：其中将OAS估计器的特征值称为收缩特征值，记做当样本维数大于样本数时，OAS估计器依然可逆，收缩特征值均大于0；利用最小收缩特征值估计噪声功率，带入式(6)并假设发送信号的空间秩为1，可化简得到最终判决统计量的表达式为：针对非理想噪声的情况进行判决统计量的推导，此时H₀和H₁两种情况下接收信号样本的联合概率密度函数分别写作：H₀情况下，的最优估计为表示样本协方差矩阵的对角线上的第m个元素，因此可以得到：H₁情况下，利用OAS估计器代替式(10)中未知的统计协方差矩阵可以得到：对进行特征分解得到：其中将式(14)带入中可以得到：将和式(15)带入式(13)中进行化简：最后用式(16)减去式(12)并忽略常数项得到最终的判决统计量：步骤5：数据融合中心将判决统计量与判决门限进行比较判断授权用户是否存在；数据融合中心将判决统计量与门限值比较来判断授权用户是否出现，当判决统计量大于门限时判决授权用户出现，否则授权用户未出现，感知用户可利用该授权频谱资源，判决准则表示为：其中T为判决门限，理想噪声下T为T_{OAS‑MS‑MSE}，非理想噪声下T为T_OAS‑HD，η为判决门限。