基于迹象理论和可靠性源评价在认知无线电的加权协作频谱感知的计划
摘要：这篇文章建议了一个关于协作频谱感知加强计划，该计划利用信号噪声比来估计每个地方的频谱感知终端在分散的认知无线电网络的可靠性程度，这些终端可靠性的衡量应用于使其感知数据 在Dempter-Shafer证据理论融合的之前更准确，仿真结果表明，我们在完成关于协同频谱感知的有重大的提高。
索引词：认知无线电， 协作频谱感知， 数据融合，Dempter-Shafer证据理论，源的可靠性评估
1.引言
近来，认知无线电由于能够使用未授权的频带，这一很有发展前景的技术被提出可用来提高频率使用。二次进入的先决条件是对主系统没有干涉，该系统使频谱感知成为认知无线电的关键部分，在各种各样的频谱感知技术当中，能量检测是个诱人的方法，因为能量检测易于实现且性能极好，然而，它主要的缺点是由于多径衰落和屏蔽效应，使接收信号强度在特定的地理位置可能收到严重减弱【1】。为了克服单一传感节点不能区别闲置带和和深衰落带这个问题，协作频谱感知考虑采用分散式检测模型【2】，【3】【4】。在【3 】中的最优数据融合规则，被Z. Chair and P. K. Varshney在【5】中第一次提及，该
规则适用于结合计算规则，尽管，它给出了好的性能，但当信道环境变化时，仍需要时间去汇集，参考文献【4】，提出了‘最优半投票’规则，该规则只能在不能实施的环境-所有CUs具有相同的阈值，下好好工作。参考文献【2】指出一个方法，集合所有的节点决策和它们自我评估的每个决策确定性，该确定性通过DempterShafer证据理论（DS理论），由于DS理论能分配不确定性到命题， 所以它是的是适合瞬息万变的射频环境。然而，在实践条件下，大量出现在DS理论的冲突数据展现了它的一个低性能【6】
在这片文章中，我们提出可靠性源评估来处理这样的问题，而不是对待所有的感知终端。
{Manuscript received January 8, 2009. The associate editor coordinating the
review of this letter and approving it for publication was R. Nabar. This work was supported by the Korea Research Foundation Grant funded
by the Korean Government (KRF-2009-0063958).
The authors are with the University of Ulsan, South Korea (e-mail: iskoo@ulsan.ac.kr, corresponding author).
Digital Object Identifier 10.1109/LCOMM.2009.090043}—————貌似没有翻译的必要性，就没有翻译了！
无差别的是，我们的方案分配了一个确定度，该确定度反映相对关系， 节点调整决策的可信度以 获得更高的精确度，DS理论集合它们之前 ，高精确度可以减少数据冲击的影响。而且，关于决策的确定度，更合适的估计已经提出来了。
2 频谱感知
A.局部频谱感知
每个认知无线电用户进行一个频谱感知过程，这个过程被称为局部频谱感知在分散的环境监测授权用户的信号。局部频谱感知实际上是二元假设测试问题：
{H0:x(t)=n(t)
H1:x(t)=h(t)s(t)+n(t) } (1)
此处，H0和H1分别是授权用户信号存在或不存在的假设的通讯，x(t)表示CU接受到的数据，h(t)表示信道的振幅增益，s(t)是从主用户和n(t)传输过来了的信号，其中，n(t)加性高斯白噪声，此外，假设信道相对于不同的CUs是独立的，进一步说，所有的CUs和LUs享有共同的频谱分配。
B.能量检测
测量信号在特定频率区域和时域能量，带通滤波器应用于接收信号和信号样本的能量，然后在CU进行测量。检测统计量相当于每个CU通过：
（2）给出的接收信号能量的估计值。
此处，xj 是接收信号和N=2TW的J-th样本，其中T和H分别表示检测时间和信号在频域上的带宽，当N相当大时（例如N>200）在假设H1和H0的情况下，xE更好的近似为搞死随机变量，也就意
味着u0和u1还有方差分别表示【7】，例如：
（3）
此处，r 是主信号在CU的信噪比。
Fig.1 加强的协作频谱传感方案
A.基本概率分配估计
为了应用DS证据理论做最后决策，帧的识别A被定义为{H1,H0,Ω},此处。Ω表示任一假设为真，传感之间过后，每个CU将要估计各自的自我决策可靠性，这等同于关于两个假设的基本概率分配估计（BPA）。我们提出一个更合适的BPA函数，作为一种累积密度函数代替概率密度函数【2】的形式，如下所示：
此处，mi(H0), mi(H1) 分别表示BPA在i-th CU的假设值H0和H1，使用这些函数，对于每一个测试统计量xEi ，BPA的假设值H0和H1是独一无二的。并以大的xEi 对应大的mi(H1），小的xEi对应小的mi(H0)这种方式变化，反过来也一样。
B.可靠性源评估
不是集合所有的CUs的自我评估的BPA，这意味同等对待所有的节点，为了提高准确度，节点间相对关系的可靠性英爱调节每个CU的BPA。
随后，我们提出了一个更高级的方法称为可靠性评估源，它能够达到融合中心的标准。每个CU假设的BPA取决于检验统计量，价值，和方差，两种假设的两个平均值之间的距离越远，可靠性资源越应该被合理的分配，我们使用这两种假设的平均值之间的距离，Di Di =u1i−u0i (6)
把（3）式代入（6）式得出Di.
此处ri是主信号在I-th CU的 信噪比，最后，I-th CU的分量Wi是通过规范距离获得的。
C.数据融合
相应分量Wi 调整I-th CU的BPA关于假设值mi(H0)和 mi(H1)公式如下：
从（9）式可以看出，不可靠（低信噪比）节点的影响减小了，反之亦然，而它的频谱感知决策得到了保护。
根据DS证据理论，调整后的BPA的结合可以根据（10）、（11）式得到。
此处：
总之，最终的决策由以下简单的策略组成：
Fig.2 在提出来的方案和其他的组合规则下的发现概率和错误警报概率，该组合规则是在在CU1-CU4的信噪比都是-14dB，而CU5的信噪比是从-22dB到-6dB的条件下。
Fig.3 在五个CUs的信噪比分别为-22dB,-19dB，-16dB，-13dB，-10dB的情况下，ROC曲线方案 和 “与”规则 ，“或”规则，“最佳融合规则”及“DS融合理论”曲线的比较。
5.仿真结果及分析
对于我的仿真结果，我们假设LU信号是如参考文献【8】所说的DTV信号，LU信号出现及不出现的概率都为0.5。考虑到加性高斯白噪声，LU信号的带宽为6MHz,五个传感节点分布在网络上来执行局部传感。局部传感的时间为50 us。
我们数据融合的方案已经在很多信噪比情况下的接受了检测。在
图2中，我们的算法也接受了在前四个CU的信噪比是-14dB,第五个CU的信噪比是从-22dB到-6dB的条件下的检验，这对于在认知无线电环境下处理频谱感知问题是合理的。在这样的环境下，“或”规则下的发现概率Pd通常是最大的，但其错误报警概率Pf也是最大的，对于“与”规则也一样，例如：Pd和Pf是最小的，这就意味着两个规则性能不好。对于我们提出的方案，与参考文献【2】中的“DS融合理论”和参考文献【5】中的“最佳融合规则”相比，Pd和Pf 都给出了显著的改进，这主要是因为有效的BPA函数功能和根据CU 节点间的相对关系的可靠度来提高的BPA调节功能。
为了用更实际的情况下 评估我们的方案，在这里，我们采用分散CU来承受来承受不同的信道环境，考虑到，该环境下，5个CU 接收信号的信噪比分别为-22dB, -19dB, -16dB, -13dB, -10dB.在这样的条件下的ROC 曲线图，图3说明了“或”组合规则是最差的，而参考文献【2】中的“DS融合理论”和参考文献【5】中的“最佳融合规则”是大概类似的，但是它们的性能远低于我们的设计方案。许多其他的情况也被检测了，我们的方案给出了类似的最佳结果。
5.总结
在这篇问文章中，我们提出了一个加强协作的频谱感知计划，该计划基于结合DS理论，并使用更合适的BPA函数和通过使用LU信号的信噪比来估计的源的可靠性，仿真结果表明了这个计划能获得比“与”、“或”规则更好的协作频谱感知的结合，甚至比Z. Chair 和 P.
K. Varshney在参考文献【5】提及的“最佳融合规则”实用。
参考文献
[1] D. Cabric, S. M. Mishra, and R. W. Brodersen, “Implementation issues
in spectrum sensing for cognitive radios,” in Conf. Record 38th Asilomar Conf. on Signals, Systems and Computers, vol. 1, Nov. 2004, pp. 772-776.
[2] Q. Peng, K. Zeng, J. Wang, and S. Li, “A distributed spectrum sensing
scheme based on credibility and evidence theory in cognitive radio context,” inProc. IEEE 17th Int. Symposium on Personal, Indoor and Mobile Radio Communications, Sept. 2006, pp. 1-5.
[3] L. Chen, J. Wang, and S. Li, “An adaptive cooperative spectrum sensing
scheme based on the optimal data fusion rule,” inProc. 4th Int. Symposium on Wireless Communication Systems, Oct. 2007, pp. 582-586.
[4] Z. Wei, R. K. Mallik, and K. Ben Letaief, “Cooperative spectrum sensing
optimization in cognitive radio networks,” inProc. IEEE Int. Conf. on Communications, May 2008, pp. 3411-3415.
[5] Z. Chair and P. K. Varshney, “Optimal data fusion in multiple sensor detection systems,”IEEE Trans. Aerospace and Electronic Systems,vol. AES-22, no. 1, pp. 98-101, Jan. 1986.
[6] Z. Wentao, F. Tao, and J. Yan, “Data fusion using improved DempsterShafer evidence theory for vehicle detection,” inProc. 4th Int. Conf. on
Fuzzy Systems and Knowledge Discovery, vol. 1, Aug. 2007, pp. 487-491.
[7] H. Urkowitz, “Energy detection of unknown deterministic signals,”Proc.
IEEE, vol. 55, no. 4, pp. 523-531, Apr. 1967.
[8] S. J. Shellhammer, S. Shankar N, R. Tandra, and J. Tomcik, “Performance
of power detector sensors of DTV signals in IEEE 802.22 WRANs,” in Proc. 1st Int. Workshop on Technology and Policy for Accessing Spectrum, vol. 222, ACM Press, New York, NY, Aug. 2006.