認知無線電頻譜感知技術綜述*

郭文祥，余志勇，逄 晨，孫亞民

0 引 言

隨著社會信息化進程的加快，無線網(wǎng)絡和移動通信的業(yè)務需求量不斷增大，電磁頻譜資源需求急劇增加。然而，現(xiàn)有的頻譜資源及其分配模式不能滿足用頻需求，一定程度上制約了無線通信技術的發(fā)展。相關研究表明，電磁頻譜資源的利用呈現(xiàn)嚴重的不均衡性，公共頻段十分擁擠，而授權頻段的頻譜利用率僅為15%～85%[1]。可見，這是人為性的頻譜匱乏問題。在有限的頻譜資源條件下，提高利用率是解決資源和需求矛盾的關鍵所在。在此背景下，認知無線電技術應運而生。它是一種智能的頻譜共享技術，可以感知頻域、時域和空域等周圍無線電頻譜環(huán)境，通過對環(huán)境的理解、主動學習等措施，自動搜尋并利用已授權頻段的空閑頻譜而不影響其他授權用戶，從而實現(xiàn)不可再生頻譜資源的再利用[2]。

頻譜感知是認知無線電的核心技術，是保證高效分配頻譜資源的先決條件。頻譜感知是在不干擾授權用戶的前提下，實時監(jiān)測可用頻段并進行相關分析，從而發(fā)現(xiàn)頻譜空穴[3]。頻譜感知技術必須要保證良好的檢測性能，一旦檢測概率偏低，就會對授權用戶正常的通信造成干擾，而虛警概率偏高則會導致認知用戶無法正常接入空閑頻譜，降低頻譜的利用率。經(jīng)過幾十年的研究，頻譜感知技術已有很多理論成果，但不難發(fā)現(xiàn)，在低信噪比環(huán)境下，頻譜感知性能還有待進一步提高。

電磁環(huán)境日益惡劣，干擾增多，信噪比下降，提升低信噪比條件下的感知性能尤為重要。針對低信噪比條件，綜述前輩們的研究成果，重點對比分析檢測性能，最后指出發(fā)展趨勢和挑戰(zhàn)。

1 低信噪比下的頻譜感知

最初，頻譜感知算法都是基于單節(jié)點進行的[4-8]。由于單節(jié)點無法突破物理局限，低信噪比條件下感知性能迅速衰弱，各類聯(lián)合頻譜感知算法[9-12]相繼被提出，克服了單節(jié)點頻譜感知的物理局限。

1.1 單節(jié)點頻譜感知

單節(jié)點頻譜感知即單個用戶獨立判決，不涉及復雜的系統(tǒng)結構和數(shù)據(jù)融合問題，相對簡單。文獻[13-15]采用經(jīng)典的能量檢測算法，實時估計信號幅值并計算能量，通過與判決門限做比較，判決授權用戶存在與否。它的復雜度低、檢測速度快，但當信噪比低于-20 dB時，檢測概率僅為0.2，且受噪聲不確定性影響較大，難以適用于低信噪比電磁環(huán)境。文獻[16-17]采用匹配濾波檢測算法，利用相干檢測原理，使接收的信號信噪比最大化，提高了檢測概率，但先驗知識和嚴格的相位同步條件使其實用性不高。文獻[18]提出了基于小波變換的頻譜感知算法，將主信號與噪聲分離，仿真顯示，在信噪比低至-25 dB的環(huán)境中，漏檢概率低于0.1，表明檢測性能足夠好，但采用的是特定的2FSK信號進行仿真，說服力不強，不一定適用于低信噪比環(huán)境。文獻[19]提出了LMS算法，當信噪比低至-25 dB時，檢測概率能達到0.8，但算法局限于小樣本數(shù)據(jù)。為解決適用性問題，文獻[20]基于功率譜和Rayleigh熵理論，提出了功率譜最大最小值之差頻譜感知算法。針對未知信號，當信噪比高-12 dB時，檢測概率能達到0.9以上且魯棒性高，但當信噪比低至-20 dB時，檢測概率僅為0.05。文獻[21-23]提出了基于特征矢量的頻譜感知算法，感知性能較ED算法有所提高，但涉及矩陣特征值分解運算，導致復雜度高，感知速度偏慢。文獻[24]提出了子空間投影的頻譜感知算法，根據(jù)信號子空間和噪聲子空間投影差異，實現(xiàn)了快速頻譜感知，但在低至-20 dB的信噪比條件下，檢測可靠度不高。此外，學者們還提出了許多方法以適應各類場景感知性能需求。文獻[25]采用VLL-LMS算法，提高了算法收斂速度；文獻[26]采用基于擬合優(yōu)度的頻譜檢測技術，在高采樣點、低虛警概率條件下的檢測概率較為良好；文獻[27]提出了譜分段對消算法，克服了噪聲不確定度影響，且能使用于平坦慢衰落信道，在-12 dB信噪比條件下，檢測概率能達到0.7，但這些新算法在-25 dB甚至更低的信噪比條件下，還不能實現(xiàn)快速、準確、可靠的實用性頻譜感知。

雖然單節(jié)點的頻譜感知算法很多，但感知性能提升無法突破物理局限瓶頸。究其原因，主要有3個。第一，由于是單節(jié)點，對數(shù)據(jù)的采集和處理能力有限，尤其對于高速傳輸?shù)臄?shù)據(jù)，處理速度下降很快，無法滿足實時檢測需求；第二，在復雜電磁環(huán)境下，信道的衰落、陰影效應等不可控因素較多，一旦該節(jié)點受到影響，感知性能會迅速下降；第三，無法解決局部區(qū)域內的隱蔽終端問題，即感知用戶節(jié)點不在授權用戶信號覆蓋范圍內，判決結果一直是頻譜處于空閑狀態(tài)，會對授權用戶的正常通信產(chǎn)生干擾。在此背景下，協(xié)作頻譜感知被提出，有效克服了單節(jié)點物理局限，提高了頻譜感知性能，能更好地適用于更低的信噪比環(huán)境。

1.2 協(xié)作頻譜感知

協(xié)作頻譜感知在單節(jié)點頻譜感知基礎上發(fā)展而來，利用空間分集技術，克服單節(jié)點存在的物理弊端，提高感知性能。下面從協(xié)作頻譜感知系統(tǒng)結構和信息融合原則上，綜述協(xié)作頻譜感知的相關研究。

在系統(tǒng)結構上，學者們相繼提出了分布式協(xié)作頻譜感知、集中式協(xié)作頻譜感知和中繼式協(xié)作頻譜感知。圖1為分布式協(xié)作頻譜感知模型。感知節(jié)點沒有優(yōu)先級差異，相互組網(wǎng)將感知信息與周圍的感知節(jié)點交換，各個感知節(jié)點獨立判決授權用戶存在與否。文獻[28]應用分布式模型，降低了虛警概率和漏檢概率，但會導致算法復雜度提升、計算量加大，且要求硬件處理信號能力更強。

圖1 分布式協(xié)作頻譜感知模型

集中式在提高感知性能的同時，通過信息融合原則降低硬件條件，圖2為集中式協(xié)作頻譜感知模型。集中式在分布式的基礎上加入信息融合中心（Fusion Center，F(xiàn)C），感知節(jié)點間無須相互交換感知信息，而是將判決結果發(fā)送到FC。FC根據(jù)判決原則對所有信息進行融合判決，降低了系統(tǒng)的硬件需求。文獻[29]對動態(tài)雙門限協(xié)作方案的優(yōu)化即屬于基于集中式模型。它的仿真結果表明，總錯誤概率在-10 dB信噪比環(huán)境中低于0.1，而在常規(guī)的低信噪比環(huán)境中能滿足需求。

圖2 集中式協(xié)作頻譜感知模型

中繼式主要針對信道衰落和陰影問題。集中式和分布式結構一旦受到干擾，感知信息就不能正常傳輸，協(xié)作性被破壞。圖3為中繼式協(xié)作頻譜感知模型。當感知節(jié)點不能正常交換信息時，中繼式尋找其他能提供中繼服務需求的節(jié)點代替，提高了系統(tǒng)協(xié)作性能的可靠性，保證了各個感知節(jié)點良好的感知性能。文獻[30]提出了一種基于最佳中繼的協(xié)作頻譜感知方案，獲得了明顯的空間分集增益，提高了檢測概率，且隨著協(xié)作用戶的增多，性能提升越明顯。

圖3 中繼式協(xié)作頻譜感知模型

基于協(xié)作模式的頻譜感知技術利用各節(jié)點的感知信息，有效提高了感知性能。如何高效融合處理各節(jié)點的感知信息，是協(xié)作頻譜感知的關鍵技術。根據(jù)融合信息的不同，融合原則可以分為決策融合和數(shù)據(jù)融合兩類。

決策融合原則。在協(xié)作感知提出階段，采用的是決策融合原則（硬判決）。單個感知節(jié)點的輸出非0即1，F(xiàn)C對所有0/1數(shù)據(jù)實施K out of N準則，即假設有N個感知節(jié)點，如果有K個及以上的感知節(jié)點輸出為1，則融合中心做出全局判決，該授權頻段暫不可用；否則，該授權頻段可用。在此基礎上衍生出了OR準則、AND準則及Majority準則，基本原理類似。文獻[29]對表決融合原則的投票門限n進行優(yōu)化，基于全局錯誤概率值最小原則，使得頻譜感知性能達到最優(yōu)。

數(shù)據(jù)融合原則。在復雜電磁環(huán)境下，硬判決原則會出現(xiàn)一些不確定性問題，并不能完全反映節(jié)點得到的信息。于是，數(shù)據(jù)融合原則（軟判決）被提出。軟判決即感知節(jié)點并不對檢測到的信號直接輸出判決結果，而是將預處理數(shù)據(jù)（檢驗統(tǒng)計量）傳送給FC或者其他感知節(jié)點，然后由FC對所有數(shù)據(jù)進行處理分析并做出判決。應用最為廣泛的3種融合方式包括等增益合并（Equal Gain Combining，EGC）、選擇合并（Selective Combining，SC）和最大比合并（Maximal Ratio Combining，MRC）。它們的基本原理都是對單個感知節(jié)點的數(shù)據(jù)進行加權處理，差別在于權重不同。最新的研究則是采用量化軟判決原則，如將感知節(jié)點的硬判決結果轉換為對應的概率值，并經(jīng)FC輸出判決結果。通過對比發(fā)現(xiàn)，判決更為可靠，即使在低信噪比下，判決結果也更為準確。

2 研究方向及挑戰(zhàn)

在-15 dB的信噪比環(huán)境下，現(xiàn)有的頻譜感知算法的性能基本滿足一般應用，但當環(huán)境的信噪比進一步降低時，感知性能將無法保證，少數(shù)算法的檢測概率也能滿足要求，但在檢測速度、復雜度和魯棒性上需要進行折中處理。例如，在現(xiàn)代化戰(zhàn)場上，電磁環(huán)境異常復雜，動態(tài)性和強觸發(fā)性對頻譜感知的計算能力提出了更高要求，多元性的信號導致待檢測頻段信噪比很低。因此，更低信噪比下的頻譜感知問題亟待解決。

認知無線電本質是智能動態(tài)共享頻譜資源，在頻譜感知中實現(xiàn)智能性。提高更低信噪比下的頻譜感知性能，是未來的發(fā)展趨勢。SVM（Support Vector Machine）以其優(yōu)越的學習能力和泛化性能力，在人工智能領域應用十分廣泛。已有少數(shù)研究將SVM應用于頻譜感知，卻沒有充分挖掘其智能性。分析SVM原理可以發(fā)現(xiàn)，它不能保證類內離散度最小，會導致檢測準確率降低。擬將Fisher類內離散度最小思想應用到SVM中，能同時保證類間分類間隔最大且類內離散度最小。如何充分挖掘SVM的智能性和融合Fisher類內離散度最小思想，提高更低信噪比下的頻譜感知性能還有待進一步研究。

3 結 語

以上內容綜述了認知無線電頻譜感知技術相關研究的發(fā)展，重點分析和總結了低信噪比條件下各感知算法的性能。此外，針對現(xiàn)有頻譜感知算法在更低信噪比電磁環(huán)境中存在的問題，指出了未來可能的發(fā)展方向和存在的挑戰(zhàn)。

[1] 金燕君,朱琦,鄭寶玉.認知無線電中動態(tài)雙門限協(xié)作頻譜感知性能的優(yōu)化方案[J].信號處理,2015(03):319-327.JIN Yan-jun,ZHU Qi,ZHENG Bao-Yu.Optimization Scheme of Dynamic Two-threshold Cooperative Spectrum Sensing in Cognitive Radio[J].Signal Processing,2015(03):319-327.

[2] 黃標,李景春.認知無線電及頻譜管理[M].北京:人民郵電出版社,2014.HUANG Biao,LI Jing-chun.Cognitive Radio and Spectrum Management[M].Beijing:Posts&Telecom Press,2014.

[3] 周小飛,張宏綱.認知無線電原理及應用[M].北京:北京郵電大學出版社,2007.ZHOU Xiao-fei,ZHANG Hong-gang.Application and Principle of Congnitive Radio[M].Beijing:Beijing University of Posts and Telecommunications Press,2007.

[4] Hoven N K.On the Feasibility of Cognitive Radio[D].Berkeley:University of California,2005.

[5] Wang H,Yang E H,Zhao Z,et al.Spectrum Cognitive Radio Using Goodness of Fit Testing[J].IEEE Transactions on Wireless Communications,2009,8(11):5427-5430.

[6] 葉迎暉,盧光躍.采用相關系數(shù)和擬合優(yōu)度的頻譜盲檢測[J].信號處理,2016,32(11):1363-1368.YE Ying-hui,LU Guang-yue.Employing Correlation Coefficient and Goodness of Fit for Blind Spectrum Sensing[J].Journal of Signal Processing,2016,32(11):1363-1368.

[7] 王穎喜,盧光躍.基于最大最小特征值之差的頻譜感知技術研究[J].電子與信息學報,2010,32(11):2572-2574.WANG Ying-xi,LU Guang-yue.DMM Based Spectrum Sensing Method for cognitive radio systems[J].Journal of Electric and Information,2010,32(11):2572-2574.

[8] Smitha K G,Vinod A P.A Multi-Resolution Faster Filter Bank for Spectrum Sensing in Military Radio Receivers[J].Very Large Scale Integration(VLSI)Systems,2012,20(07):1323-1327.

[11] 盧光躍,彌寅,包志強.特征值極限分布的改進合作頻譜感知[J].信號處理,2014,30(03):261-267.LU Guang-yue,MI Yan,BAO Zhi-qiang.Improved Cooperative Spectrum Sensing on Limiting Eigenvalue Distribution[J].Signal Processing Journal,2014,30(03):261-267.

[12] 彌寅,盧光躍.基于特征值極限分布的合作頻譜感知算法[J].通信學報,2015,36(01):84-89.MI Yan,LU Guang-yue.Cooperative Spectrum Sensing on Limiting Eigenvalue Distribution[J].Journal on Communicati on,2015,36(01):84-89.

[13] Lopez B M,Casadevall F.Improved Energy Detection Spectrum Sensing for Cognitive Radio[J].IET Communicatio ns,2012,6(08):785-796.

[14] Taruna S,Bhumika P.Simulation of Cognitive Radio Using Periodogram[J].IJERT,2013,9(02):2278-0181.

[15] Vishakha S,Manwinder S.On the Performance of Detection based Spectrum Sensing for Cognitive Radio[J].IJECT,2011,9(03):2230-7109.

[16] Gholamipour A H,Gorcin A,Celebi H,et al.Reconfigurable Filter Implementation of a Matched-filter Based Spectrum Sensor for Cognitive Radio Systems[C].International Symposium on Circuits and Systems,2011:2457-2460.

[17] Sharkasi Y F,McLernon D,Ghogho M.Robust Spectrum Sensing in the Presence of Carrier Frequency Offset and Phase Noise for Cognitive Radio[C].Wireless Telecommunications Symposium,2012:1-5.

[18] 張浩曄,包志華.基于循環(huán)平穩(wěn)特征的頻譜檢測[J].通信技術,2010,43(09):41-44.ZHANG Hao-ye,BAO Zhi-hua.Spectrum Sensing Based on Cyclostationary Characteristic[J].Communication Technology,2010,43(09):41-44.

[19] 王凡,盧光躍.利用LMS的頻譜感知算法[J].信號處理,2016,32(05):543-548.WANG Fan,LU Guang-yue.Spectrum Sensing method Using LMS[J].Journal of Signal Processing,2016,32(05):543-548.

[20] 趙知勁,呂曦.利用功率譜最大最小值的得頻譜感知算法[J].信號處理,2017,33(02):152-157.ZHAO Zhi-jin,LV Xi.The Spectrum Sensing Algorithm Using the Maximum Value and Minimum Value of the Power Spectral Density[J].Journal of Signal Processing,2017,33(02):152-157.

[21] Zhang P,Qiu R.Spectrum Sensing Based on Blind Learned Signal Feature[M].Mathematics,2011.

[22] Zhang P,Qiu R,Guo N.Demonstration of Spectrum Sensing with Blindly Learned Features[J].Communications Letters,2011,15(05):548-550.

[23] Hou S,Qiu R C.Spectrum Sensing for Cognitive Radio Using Kernel-based Learning[M].Computer Science,2012.

[24] 孫宇,盧光躍,彌寅.子空間投影的頻譜感知算法研究[J].信號處理,2015,31(04):483-489.SUN Yu,LU Guang-yue,MI Yin.Research of Spectrum Sensing Method Based on Subspace Projection[J].Journal of Signal Processing,2015,31(04):483-489.

[25] LI Yan,Wang Xi-nan.A Modified VS LMS Algorithm[C].The 9th International Conference on Advanced Communication Technology,2007:615-618.

[26] 盧光躍,葉迎暉,孫宇等.克服噪聲不確定度的擬合優(yōu)度檢驗頻譜感知算法[J].電訊技術,2016,56(01):26-31.LU Guang-yue,YE Ying-hui,SUN Yu,et al.A Novel Anti-noise-uncertainty Spectrum Sensing Method Using Goodness of Fit Test[J].Telecommunication Engineering,2016,56(01):26-31.

[27] 齊佩漢,司江勃.基于功率譜分段對消頻譜感知算法研究及性能分析[J].電子與信息學報,2014(04):769-774.QI Pei-han,SI Jiang-bo.Research and Performance Analysis of Spectrum Sensing Algorithm Based on the Power Spectral Density Segment Cancellation[J].Journal of Electronics &Information Technology,2014(04):769-774.

[28] 葉迎暉,盧光躍.基于相關系數(shù)的多天線協(xié)作頻譜盲檢測[J].電視技術,2016,40(04):65-68.YE Ying-hui,LU Guang-yue.Cooperative Spectrum Sensing Based on Correlation Coefficient in Multiantenne Cognitive Radio[J].Video Engineering,2016,40(04):65-68.

[29] 金燕君,朱琦,鄭寶玉.認知無線電中動態(tài)雙門限協(xié)作頻譜感知性能的優(yōu)化方案[J].信號處理,2015(03):319-327.JIN Yan-jun,ZHU Qi,ZHENG Bao-Yu.Optimization Scheme of Dynamic Two-threshold Cooperative Spectrum Sensing in Cognitive Radio[J].Signal Processing,2015(03):319-327.

[30] 朱佳,鄭寶玉,鄒玉龍.基于最佳中繼選擇的協(xié)作頻譜感知方案研究[J].電子學報,2010,38(01):92-98.ZHOU Jia,ZHEN Bao-yu,ZOU Yu-long.Cooperative Spectrum Sensing in Multi-user Cognitive Radio Networks with Best Relay Selection[J].Actaelectronica Sinica,2010,38(01):92-98.