一種能效優(yōu)先的分布式壓縮感知頻譜檢測與功率分配方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明屬于信息與通信工程技術(shù)領(lǐng)域，涉及認(rèn)知無線網(wǎng)絡(luò)（Cognitive Radio Network, CRN)中基于能量有效性的寬帶壓縮頻譜檢測與資源分配，特別是一種能效優(yōu)先的 分布式壓縮感知頻譜檢測與功率分配方法。
【背景技術(shù)】
[0002] 認(rèn)知無線電（Cognitive Radio，CR)亦稱為感知無線電，它可在不影響主用戶 (Primary Users，PUs)通信的前提下，智能地利用大量空閑頻譜以滿足次用戶（Secondary Users，SUs)即認(rèn)知用戶(Cognitive Users，CUs)的可靠通信，從而提高無線頻譜的利用率， 實(shí)現(xiàn)頻譜資源共享。認(rèn)知用戶能夠?qū)崟r感知無線通信系統(tǒng)周圍的網(wǎng)絡(luò)環(huán)境，通過對環(huán)境的 理解、主動學(xué)習(xí)來動態(tài)地調(diào)整網(wǎng)絡(luò)參數(shù)以適應(yīng)外部環(huán)境的變化。
[0003] 認(rèn)知無線電具備極高的頻譜使用效率，允許在時間、頻率以及空間上進(jìn)行多維信 道復(fù)用，它通過機(jī)會通信方式提高頻譜利用率，充分利用有限的頻譜資源，實(shí)現(xiàn)動態(tài)頻譜共 享。CR技術(shù)將大大降低由于頻段和帶寬的限制對無線技術(shù)發(fā)展的束縛，代表著無線通信技 術(shù)的新發(fā)展，并已作為B4G和物聯(lián)網(wǎng)標(biāo)準(zhǔn)中的關(guān)鍵技術(shù)之一。
[0004] 在追求高頻譜利用率、高傳輸效率的同時，CR對能量有效性、提高系統(tǒng)抗干擾性能 等方面提出了更高的要求。綠色CR網(wǎng)絡(luò)逐漸成為未來CR網(wǎng)絡(luò)的研究方向之一。在綠色CR網(wǎng) 絡(luò)中，利用壓縮感知(Compressive Sensing，CS)對CR節(jié)點(diǎn)感知數(shù)據(jù)進(jìn)行觀測與稀疏重構(gòu)， 可以降低節(jié)點(diǎn)能耗，實(shí)現(xiàn)基于能量有效性的自適應(yīng)頻譜檢測。
[0005] 構(gòu)造綠色節(jié)能的CR網(wǎng)絡(luò)是未來CR的發(fā)展趨勢。在綠色CR網(wǎng)絡(luò)中，必須考慮在CR節(jié) 點(diǎn)能量有效的前提下，利用CR節(jié)點(diǎn)進(jìn)行協(xié)作感知以提高感知準(zhǔn)確度。同時，針對授權(quán)主用戶 信號在空頻域的稀疏性特點(diǎn)，通過分布式壓縮感知方法實(shí)現(xiàn)感知信號的稀疏重構(gòu)與寬帶壓 縮頻譜檢測，同時對所選擇的最佳協(xié)作認(rèn)知節(jié)點(diǎn)進(jìn)行功率分配，在滿足一定重構(gòu)均方誤差 與檢測概率要求下實(shí)現(xiàn)能效優(yōu)先的CR寬帶頻譜檢測與最佳協(xié)作節(jié)點(diǎn)功率分配。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，即能耗問題已成為制約認(rèn)知無線電（CR)技 術(shù)發(fā)展與應(yīng)用的重要因素。多個認(rèn)知用戶通過分布式壓縮感知(Distributed Compressive Sensing, DCS)雖可提高系統(tǒng)的檢測性能和頻譜有效性，但同時將增加認(rèn)知無線網(wǎng)絡(luò)(CRN) 的網(wǎng)絡(luò)能耗。針對此問題，本發(fā)明提供認(rèn)知無線網(wǎng)絡(luò)中一種能效優(yōu)先的分布式壓縮感知頻 譜檢測與功率分配方法。
[0007] 本發(fā)明方法利用分布式壓縮感知子空間追蹤或分布式壓縮感知稀疏度自適應(yīng)匹 配追蹤進(jìn)行認(rèn)知用戶感知信號稀疏重構(gòu)，根據(jù)信道能量累積進(jìn)行頻譜檢測。同時，通過構(gòu)造 重構(gòu)與檢測階段的加權(quán)能耗函數(shù)，綜合考慮了重構(gòu)均方誤差、檢測概率、用戶功率分配比以 及認(rèn)知鏈路頻帶利用率等約束條件，數(shù)值求解該優(yōu)化問題得到在不同的重構(gòu)能耗權(quán)值和稀 疏度情況下的系統(tǒng)最小加權(quán)能耗。在低重構(gòu)能耗權(quán)值與低稀疏度的情況下，本發(fā)明方案的 系統(tǒng)加權(quán)能耗較小。當(dāng)認(rèn)知用戶滿足近似等功率分配時的系統(tǒng)加權(quán)能耗可達(dá)最小值。此外， 檢測性能和認(rèn)知鏈路頻帶利用率均與系統(tǒng)加權(quán)能耗存在著折衷關(guān)系。本發(fā)明有效折衷了認(rèn) 知無線網(wǎng)絡(luò)的能量有效性與頻譜有效性。
[0008] 本發(fā)明解決其技術(shù)問題所采取的技術(shù)方案包括以下步驟：
[0009] 步驟1、利用分布式壓縮感知-子空間追蹤(0丨81：1'；[131^6(1(]〇1]^)代88；[￥6 36118；[1^-Subspace Pursuit，DCS_SP)或分布式壓縮感知-稀疏度自適應(yīng)匹配追蹤（Distributed Compressive Sensing-Sparsity Adaptive Matching Pursuit，DCS_SAMP)進(jìn)行認(rèn)知用戶 感知信號稀疏重構(gòu)。
[0010]在認(rèn)知無線電（CR)中，由于主用戶（HJ)信道可用帶寬很寬，mi信僅占用了部分 信道，因此可以根據(jù)PU信號在頻域上的稀疏性，利用分布式壓縮感知(DCS)理論對認(rèn)知用戶 (SU)感知信號進(jìn)行壓縮重構(gòu)。在本發(fā)明描述的場景中，J個SU對PU頻譜占用情況進(jìn)行本地感 知，并對感知信號進(jìn)行分布式壓縮采樣，通過選擇最佳協(xié)作認(rèn)知用戶，利用其報(bào)告信道向認(rèn) 知基站(Cognitive Base Station,CBS)匯報(bào)本地感知信息，CBS基于分布式壓縮感知-子空 間追蹤(DCS-SP)或分布式壓縮感知-稀疏度自適應(yīng)匹配追蹤(DCS-SAMP)進(jìn)行感知信號稀疏 重構(gòu)與寬帶頻譜檢測，并進(jìn)行最佳協(xié)作用戶功率分配。
[0011] 在本發(fā)明中，考慮不同的SU節(jié)點(diǎn)感知信道多徑傳播引起的頻率選擇性衰落，感知 信號在傅里葉基上是稀疏的。第j個認(rèn)知用戶的聯(lián)合稀疏模型(Joint Sparsity Model-2, JSM-2)可表示為：
[0012] χ^=ΨΘ^, I |0j| |〇 = K,je{l,2,··· ,J} (1)
[0013] 在聯(lián)合稀疏模型中，每個信號都共享稀疏基Ψ，該聯(lián)合稀疏模型下的信號都是Ψ 下任意K個基向量的不同線性組合。每個信號映射到該基中非零系數(shù)的位置都是一樣的，稀 疏度均為K，只是系數(shù)~的值不同。JSM-2模型中所有信號共享稀疏基，主要應(yīng)用于認(rèn)知無線 電系統(tǒng)中多個SU接收同一發(fā)射信號(PU信號)情況。當(dāng)JSM-2模型應(yīng)用于認(rèn)知無線電協(xié)作壓 縮頻譜感知時，多個SU協(xié)作檢測PU信號，由于感知信號在感知信道中傳輸可能遇到各種衰 落，但信道噪聲不會改變信號稀疏度。每個認(rèn)知用戶接收的信號幅值不同，但PU在頻域的位 置是相同的。
[0014] 所述的DCS-SP感知信號的重構(gòu)，具體包括如下步驟：
[0015] 1-1.初始化。迭代次數(shù)1 = 1，第j個認(rèn)知用戶剩余量#=乃，：V/，索引值
[0016] 集合Λ -te/HU = 0，迭代索引值集合Λ- < =0，支撐集合Λ>0 ;
[0017] 卜2.選擇原子。假設(shè)當(dāng)前為第1次迭代，{1,2,·.,, J}，
[0018] stepl:對多用戶進(jìn)行原子信息融合，其中θρ表示Θ」的第η個列向量。
[0020] 其中，supp( ·)表示獲取向量的支撐索引集合，Max(a，k)為返回a中k個較大絕對 值對應(yīng)的下標(biāo)。
[0021] Step2:更新支撐集合。
[0023] Step3:計(jì)算頻域稀疏向量，其中表示偽逆運(yùn)算。
[0025] Step4:更新各用戶迭代索引值集合。
[0027] Step5:更新頻域稀疏向量，其中，a| ω表示a中由Ω內(nèi)元素指定位置上的元素。式 (6)是將對應(yīng)位置上的稀疏值賦給稀疏向量。
[0029] Step6:更新余量。
[0031] 卜3若|r； - ^ Q，停止迭代;否則轉(zhuǎn)到步驟卜2。
[0032] 1-4輸出第j個認(rèn)知用戶的重構(gòu)稀疏向量Xl,2,…J) 〇
[0033] 所述的DCS-SAMP感知信號的重構(gòu)，具體包括兩個階段:稀疏度估計(jì)和感知信號重 構(gòu)；
[0034] 所述的稀疏度估計(jì)具體包括如下步驟：
[0035] 1)初始化。初始稀疏度Κο = 1，初始化稀疏度估計(jì)步長step=l，支撐集F= Φ，殘差 rj = yj；
[0036]
，其中supp( ·)表示獲取向量的支撐索引集 合，max