认知无线网络中小型移动主用户的感知与定位研究

黄维+万频+王永华+黄嘉斌+蒋维勇

【摘要】主要对认知无线网络中小型移动主用户的感知与定位技术进行了研究。首先简要介绍认知无线电的概念和研究现状，并对大型主用户和小型主用户的特征进行了对比、归纳及总结；然后描述了小型移动主用户难以感知的特点，并对小型主用户感知与定位的技术进行分类，重点分析和探讨了有关运用不同频谱感知技术来实现定位方法的优缺点；最后给出了认知无线网络中感知小型移动主用户的重点研究方向的建议。

【关键词】认知无线网络小型移动主用户定位频谱感知

中图分类号：TN92文献标识码：A文章编号：1006-1010(2014)-10-0079-06

Research on Perception and Location of Small-Scale Mobile Primary Users in Cognitive Radio Networks

HUANG Wei, WAN Pin, WANG Yong-hua1, HUANG Jia-bin, JIANG Wei-yong

(1. School of Automation, Guangdong University of Technology, Guangzhou 510006, China;

2. School of Electronic and Information Engineering, South China University of Technology, Guangzhou 510641, China)

[Abstract] This paper mainly studies the perception and location of small-scale mobile primary users in cognitive radio networks. Firstly, the concept and the research status of cognitive radio are briefly introduced, and the characteristics of large-scale and small-scale primary users are compared and summarized. Secondly, the difficulties to sense the small-scale primary users are described. The perception and location technologies for the small-scale primary users are classified. And the advantages and disadvantages of different location methods using different spectrum perception technologies are discussed. Finally, the key research directions for sensing small-scale mobile primary users in cognitive radio networks are given.

[Key words]cognitive radio networkssmall-scale mobile primary userslocationspectrum perception

1 引言

随着无线通信技术的迅猛发展，日趋庞大的网络用户数量以及多元化、多样化的服务需求导致单一的无线通信模式已不能满足人们的要求，频谱资源的稀缺成为了无线应用研究领域无法回避的重要问题。其一，各种无线通信设备相互竞争使用宝贵的频谱资源，相对应的各种无线技术之间的干扰日趋严重，难以解决共享频段以及用户QoS（Quality of Service，服务质量）要求；其二，FCC研究发现[1]，由于现有的无线通信系统分配频谱方式大多是基于固定中心频率和带宽的分配方式，频谱利用率极其低下，不符合日益发展的无线通信的需求；其三，在复杂的网络环境下，通信终端难以自适应地完成智能组网，提高网络运行的稳健性和网络维护的效率。因此，认知无线网络[2]这门技术应运而生，它通过对无线通信网络环境的交互感知作用，实时改变某些操作参数（如载波频率、传输功率和调制参数等）达到动态智能地规划、决策和调整其内部状态以适应具体的无线通信环境。高效的优化管理网络资源及使用状况，被认为是适应复杂电磁环境通信、解决当前无线频谱资源稀缺以及提高无线电通信兼容性的有效技术，已经受到人们的广泛关注，具有重要的现实意义[3-5]。

由于小型移动主用户的特性与常见的大型主用户有很大的区别，常用的大型主用户的检测方法并不完全适用，所以要根据小型移动主用户的特性，研究合适的频谱感知和定位技术。

2 主（授权）用户的分类与特征

根据信号传输范围的不同，主（授权）用户可以分为大型主用户（如电视信号塔、广播塔等）和小型主用户（如无线麦克风、Ad Hoc网络、无线个域网或应急/军事网络中的无线电台等）[6]。由于目前大多数的频谱感知技术主要针对信号范围覆盖较大的主用户进行，相对于信号稳定性较差、移动性较强以及时空特性变化较大的小型用户而言，功率较大的大型主用户在检测感知和定位方面会简单许多。针对大型主用户频谱感知技术有很多，大致可分为以下两类：

一类是通过多个认知用户共同交互和分析对主用户所采集的频谱信息以及使用情况，并进行信息融合技术处理以改善整个过程检测的性能，减少能耗时间。文献[7]建立了宽带频谱压缩感知的模型，提出了一种多感知节点多尺度检测算法，通过少量的压缩数据判断所要检测频谱是否空闲。文献[8]为了解决认知无线电网络中认知用户对主用户进行定位的问题，提出了一种加权最小二乘的迭代定位算法，该算法可以在不干扰主用户正常工作的情况下，利用次用户之间的合作感知结果进行定位，并估计出主用户的三维地理位置信息。

另一类是针对大型主用户本身的信息（如接收端泄漏功率、干扰温度等）进行分析与判辨，根据其建立高效的感知框架以获得最优的检测效果。文献[9]提出一种基于主用户信号频谱特征的频谱感知方法，既改善了接收信号观测的时间，又克服了噪声功率不确定性的影响，较大幅度改进算法的检测性能。

小型移动主用户具有三个比较突出的特性[10,14]：一是小型移动主用户的发射功率较小（10～50mW），具有较小的信号覆盖范围；二是小型移动主用户的开关模式的时空特性变化很大；三是小型移动主用户经常处于移动状态，并且每个地方逗留的时间都较短。因此，要如何准确地感知与定位小型移动主用户是个难题。小型主用户相比大型主用户而言，其在节约能源成本、便携性和动态性能方面比较出色，而大型主用户在感知与定位方面信号的稳定性和准确性较高。

在感知和定位小型移动主用户中，最大的挑战之一是如何对微弱频谱信号进行检测。在实际的环境中，由于信道衰弱、阴影效应、二次频谱接入干扰等影响，要能够精确地感知小型移动主用户是非常困难的。IEEE 802.22协议的要求是能在2秒内感知200kHz带宽内低至-114dBm的无线麦克风信号，误检和漏检率低于0.1。

endprint

3 感知小型主用户的相关研究

为了保证在实际环境下频谱检测的数据精准，要借助认知无线网络技术实现动态频谱和频谱共享解决微弱信号检测问题，有效地检测到频谱空穴，辨识可否用于传输数据的信道，以避免对主用户的干扰，这就是频谱感知技术。频谱感知的目的是在于发现时域、频域及空域上的无用户使用频谱（即空白频谱），为二级用户提供可用频谱。频谱感知技术是认知无线电的基础，频谱感知能力的强弱对认知无线电系统是否有效工作起着决定性作用，所以如何提高频谱感知能力是认知无线网络的关键问题之一[11]。

目前利用认知无线网络技术提升对小型主用户的感知与定位性能方面的研究还比较少，已有的研究主要集中在基于发射端检测、协同检测、接受端检测、附加设备的感知检测中（见图1）。主要的研究方向可以分为四类：一是认知用户对小型主用户利用某种检测算法（如能量检测法、匹配滤波器检测法等）衡量虚警概率以及漏检概率来感知频谱使用情况；二是通过不同认知用户的交互与合作，提高对小型主用户检测的捷变能力与降低检测所需求的灵敏度；三是对小型主用户进行分析与判辨，采用高效的感知模式与信道搜索方式得到最优的感知效果；四是对小型主用户使用辅助感知设备，通过检测已有设备频谱的先验信息提高感知与定位的精确度，减少检测所需的时间。下面将分别介绍认知无线网络在感知小型主用户中的技术应用，并对当前研究所遇到的有待解决的问题提出了一些建议。

图1小型移动主用户的频谱检测法

3.1小型主用户的发射端检测

发射端检测法包括能量检测法、匹配滤波器检测法以及循环平稳特征检测法。这种检测法是基于认知无线网络对主用户发射机发出的微弱信号进行检测，通过认知用户在本地对来自主用户发射端的信号进行采集和处理以达到检测主用户的目的。

在对小型移动主用户的研究中，由于能量检测法是非相干检测，认知用户的接收机不用了解小型主用户发射信号的结构，只需判断被测信号和噪声的能量差别与变化，就可以简单地确定小型主用户信号。它的优点是准确度较高、可靠性较好、算法复杂度较低，实施简单且不需要任何先验信息。文献[10]利用由于移动性导致的协作节点所感知的主用户能量信号的时间阴影衰落相关性，提出了一个容错跟踪小型移动主用户的架构，由于能量检测在感知精度方面的欠缺，该文献联合小型移动主用户的位置和一个自适应滤波器的阴影衰落收益细化整个定位过程，证实了能量检测与其他检测法结合在频谱感知性能上相对于传统的能量检测具有一定的优越性，同时进行了精确度与检测率的分析，通过深入的模拟，确定了实用的、强大的和高效率的设计。

文献[10]没有讨论如何处理移动性强的小型主用户和动态的频谱使用的问题，而文献[12]针对这样的问题，分析了发射信号的所占带宽与所有可用频谱的带宽相比以及小型移动主用户所在的位置与整个空间相比的稀疏性，提出了应用频谱感知算法快速地更新频谱信息，将每个频谱看作是一个信道进行传输，一个主用户的发射信号功率为，其中是第i个主用户的发送信号在第V个频率间隙时的功率，i=1,…,NS，V=1,…,N，并动态检测频谱判断其相对的采样速率，提出了一种基于协作压缩感知的方法以估计小型主用户的位置和功率谱的可靠方案。

通常研究者们都是利用多种频谱感知法对小型移动主用户进行信号检测，来提升或补充频谱感知的性能，或者利用不同的频谱感知法对小型移动主用户的检测信号进行对比和分析，以此来增加研究结果的精确度。文献[13]将能量检测法与所用的匹配滤波检测法进行了假设、对比和分析，该文献假定能量检测器使用在研究的系统模型框架，当检测极限值趋于Y时，采用两种假定H0和H1进行分析，并对比了能量检测法应用在大型主用户与小型主用户的异同，提出了协同感知法与匹配滤波检测法相结合的检测方法。利用协同感知法补充匹配滤波检测需要知道被检测信号的先验信息及计算量比较大的缺点，发挥匹配滤波器检测法时间短、增益大的优点，通过设定一个分析框架，以获得检测小型主用户所需最小的传感器密度，再根据所得的密度信息测算出最佳传感器数量，提高小型移动主用户的感知。

同样，文献[14]不仅运用了发射端检测法，而且还运用了协同检测法进行补充。该文献针对小型移动主用户的有效感知架构，提出一种反复进行位置/发射功率估计和协作感知计算法，概率A、B处于虚警概率QFA和错误概率QMD之中，即0

对于小型移动主用户来说，同样属于发射端检测法的循环平稳特征检测法所需的检测量太大、检测时间太长，小型主用户受限于本身的动态特性和弱信号性质，应用循环平稳特征检测法时需要不停重复地对移动的小型移动主用户信号进行捕捉，这无疑是加大了感应时间，同时较难满足静态循环特征检测法所需的信号数据。如果没有其他的检测法对循环平稳特征检测法进行补充，那么该算法在对小型移动主用户感知应用的精确度会有较大的失真。而对于频谱信号较强和稳定的大型主用户来说，循环平稳特征检测法不仅能利用相关信号频谱统计特性来周期性区分主信号与噪声，在低信噪比的环境下仍具有良好检测性能，还能识别各种独特的信号类型，克服恶意干扰信号，应用于扩频信号的检测，大大提高了检测的性能和效率。

3.2小型主用户的协同检测

协同检测法是对小型移动主用户检测最常用和最实用的频谱感知法，小型主用户的频繁移动使得目前大部分文献研究都会应用该算法进行检测，将多个认知用户所检测到的信息相互合并来检测小型主用户，利用空间分集增益改善感知性能，可以克服多径深衰落、阴影衰落和隐终端等难题，提高捕捉小型移动主用户弱信号的概率；同时，还可以减轻对单个认知用户感知灵敏度的要求，降低实现成本。但是由于资源受限制，无线网络中协同检测方式会对网络产生一定的负面影响，并且不能解决由于不知道小型主用户接收机位置信息而造成的不确定性[15]，因此往往和其他检测法一起进行研究。文献[10]就先利用能量检测法确定小型主用户接收机位置信息，然后再以协同检测法对其信号数据进行检测。

在应用协同检测法的同时，信息融合为小型主用户的信息处理过程起到了巨大的作用。该方式能自动分析、综合、决策和评估完成整个信息处理过程，利用了网络所固有的结构来提高增益以及降低检测时间和中断概率，提高了网络的捷变性。文献[16]就通过利用协同感知检测法对设备进行小规模的检测，推导出数据融合的最佳范围的表达式为，代入最优参数α1和α2，最终计算出来的范围值用来估计小型移动主用户的位置和发射功率。通过实验仿真发现，协同频谱感知算法在很低信噪比环境下可以显著提高频谱感知性能，同时大幅节省感知时间，且计算复杂度变小，最大限度地减少了平均检测延迟，提升了检测性能的精度。

3.3小型主用户的接收端检测

接收端检测法是通过辨别主用户的接收端的使用情况来确定其系统是否正在使用频谱的，目前主用户接收端检测主要的方法有本振泄漏检测[17]和干扰温度检测两种。

运用本振泄漏检测对于小型移动主用户是个难题。本振泄漏检测是根据小型主用户接收机射频前端发射的泄漏功率，检测泄漏信号是否存在，从而判断接收机是否工作。但是由于小型主用户的活动区域不稳定，且此方法检测范围较小，必须长时间检测才能保证检测结果可靠，因此单单使用该方法难以保证结果准确，要与其他检测法互为补充才能确保检测结果。文献[18]中就有运用到本振泄漏检测法来进行检测的，将小型主用户网络建模为随机几何网络，把检测主用户存在的问题转换为在给定范围内检测主用户接收方是否存在，基于线性融合规则，δ是确定门限，假如wTγ>δ，检测可以确定主用户存在区域A，否则主用户并不存在区域A，但是由于本振泄漏检测法本身使用较为困难、易产生干扰以及误差较大的原因，单单使用本振泄漏检测法并不可靠，所以该文献补充提出了一种位置感知的协同感知算法，该算法依据次用户的地理位置，线性组合次用户的检测结果来确保感知定位的准确性。

干扰温度检测是一种测量预期产生噪声的方法，只要在传输时认知用户所造成的温度不超过干扰温度限制，认知用户就能通过调整发射频率、调制方式等方式使用这个频段的频谱空洞，但该方法对于边缘接收的用户接收机不能提供有力的保护，很容易受到认知用户的干扰[19]。要运用干扰温度检测有几个难点：首先需要准确地测量出小型主用户接收机处的干扰温度；然后必须明确了解主用户频带的通信工作状况，定量计算频带里可接受的干扰噪声的水平；最后还要预测认知用户的接入会产生的干扰。这些难点使得小型移动主用户难以使用该方法检测，并不能保证检测结果的准确性。

3.4小型主用户的附加设备检测

802.22工作组提出了禁用信标协议[20]，小型主用户加装独立的信标发送装置，在工作之前先发一个包含身份验证和位置信息的特定信号，但是禁用信标协议具有相当大的局限性：一是难以在大量的小型主用户上装载单独的信标设备；二是即使加载了信标发送装置也不能弥补信号弱的问题；三是数量越多的信标设备会增加感应时间的开销。

几种感知检测法的性能分析如表1所示：

4 待解决的问题

针对认知无线网络系统中的小型移动主用户的跟踪问题，本文讨论了多种认知无线网络技术定位小型移动主用户，但是仍然存在许多有待解决的问题和挑战，值得继续进行更深入的研究。主要问题如下：

（1）目前大部分研究都通过多认知用户应用协同感知法对小型主用户进行定位，以提高定位精度为目的，但在认知用户稀疏或物理条件恶劣的区域就难以保证感知的性能；

（2）为了快速跟踪动态的小型主用户，认知用户会不断重复进行分析、综合、决策和定位，协同感知法中信息融合算法将会大大增加协同增益和系统开销；

（3）大量重复利用感知设备获取信号数据，感知设备往往不能达到所需最优的检测速度和灵敏度；

（4）为了快速、准确、减小能耗地感知与定位小型主用户，需要一个更为合理的系统架构和频谱感知算法。

针对以上问题，在认知无线网络中对小型移动主用户的感知与定位进一步研究应该集中在：

（1）如何选取较为准确的协同感知参数以获得最佳的检测性能；

（2）如何在协同性能和系统开销两者之间寻找合理的方案；

（3）如何获取和满足高性能的感知设备需求；

（4）加紧认知无线网络技术的研究，构建出一个匹配小型主用户研究检测法。

5 结束语

本文主要从发射端检测、协同检测、接收端检测、附加设备检测等方面，对小型移动主用户感知与定位技术的研究和发展状况进行了总结，并对下一步有待解决的难点问题进行了讨论。尽管还面临许多的技术挑战，但随着研究的不断深入，精确地感知与定位小型主用户的技术必将实现。

参考文献：

[1] FCC. ET Docket No 03-222 Notice of Proposed Rule Making and Order[R]. 2003.

[2] Xue T, Shi Y, Dong X. A Framework for Location-Aware Strategies in Cognitive Radio Systems[J]. IEEE Wireless Communications Letters, 2012(1): 30-33.

[3] Federal Communications Commission. Facilitating Opportunities for Flexible, Efficient, and Reliable Spectrum Use Employing Cognitive Radio Technologies[J]. Et Docket, 2003(3): 5-57.

[4] 周小飞,张宏纲. 认知无线电原理及应用[M]. 北京: 北京邮电大学出版社, 2007．

[5] 魏急波,王杉,赵海涛. 认知无线网络：关键技术与研究现状[J]. 通信学报, 2011(11): 147-158.

[6] Ian F Akyildiz, Brandon F Lo, Ravikumar Balakrishnan. Cooperative Spectrum Sensing in Cognitive Radio Networks: A Survey[J]. Physical Communication, 2011(1): 40-62.

[7] 王韦刚,杨震. 基于压缩感知的宽带频谱检测[J]. 南京邮电大学学报: 自然科学版, 2012(6): 1-6.

[8] 马志垚,陈巍,曹志刚. 认知无线电网络中基于检测概率的主用户定位算法[J]. 北京邮电大学学报, 2009(2): 14-19.

[9] 涂浚洋,朱永建,郑仕链. 基于主用户信号谱特征的频谱

感知方法[J]. 中国电子科学研究院学报, 2012(4): 411-

414.

[10] Min A, Shin K. Robust Tracking of Small-Scale Mobile Primary User in Cognitive Radio Networks[Z]. 2013.

[11] 李佳俊. 认知无线电中协作频谱感知技术研究[D]. 北京: 北京交通大学, 2012.

[12] Lanchao Liu, Zhu Han, Zhiqiang Wu, et al. Collaborative Compressive Sensing Based Dynamic Spectrum Sensing and Mobile Primary User Localization in Cognitive Radio Networks[A]. IEEE GLOBECOM 2011[C]. 2011: 1-5.

[13] Park K, Kim C. Minimal Sensor Density for Small-scale Primary Detection in Cognitive Radio Networks[A]. IEEE International Conference on Information Networking(ICOIN 2011)[C]. 2011: 457-462.

endprint

[14] A W Min, X Zhang, K G Shin. Detection of Small-scale Primary Users in Cognitive Radio Networks[J]. IEEE Journal on Selected Areas in Communications, 2011(2): 349-361.

[15] 王莹,岳殿武,王谦,等. 基于信道统计特征的认知无线电协作频谱检测[J]. 电波科学学报, 2009(6): 1049-1054.

[16] Min A W, Zhang X, Shin K G. Spatio-temporal Fusion for Small-scale Primary Detection in Cognitive Radio Networks[A]. IEEE INFOCOM 2010[C]. 2010: 1-5.

[17] Wild B, Ramchandran K. Detecting Primary Receivers for Cognitive Radio Applications[A]. New Frontiers in Dynamic Spectrum Access Networks, 2005(DySPAN 2005). 2005 First IEEE International Symposium on IEEE[C]. 2005: 124-130.

[18] Kae Won Choi, Ekram Hossain, Dong In Kim. Cooperative Spectrum Sensing Under a Random Geometric Primary User Network Model[J]. IEEE Transactions on Wireless Communications, 2011.

[19] 马伟. 认知无线电频谱检测技术研究[D]. 北京: 北京邮电大学, 2010.

[20] G Chouinard. Sensing Performance with the 802.22.1 Wireless Microphone Beacon[J]. IEEE 802.22 Wireless RANs, 2009(3).★

作者简介

黄维：广东工业大学自动化学院在读硕士，主要研究方向为检测技术与自动化装置。

万频：教授，博士，现任职于广东工业大学自动化学院，主要研究方向为信号处理。

王永华：讲师，博士，现任职于广东工业大学自动化学院，主要研究方向为无线认知网络和智能信息处理。

endprint

[14] A W Min, X Zhang, K G Shin. Detection of Small-scale Primary Users in Cognitive Radio Networks[J]. IEEE Journal on Selected Areas in Communications, 2011(2): 349-361.

[15] 王莹,岳殿武,王谦,等. 基于信道统计特征的认知无线电协作频谱检测[J]. 电波科学学报, 2009(6): 1049-1054.

[16] Min A W, Zhang X, Shin K G. Spatio-temporal Fusion for Small-scale Primary Detection in Cognitive Radio Networks[A]. IEEE INFOCOM 2010[C]. 2010: 1-5.

[17] Wild B, Ramchandran K. Detecting Primary Receivers for Cognitive Radio Applications[A]. New Frontiers in Dynamic Spectrum Access Networks, 2005(DySPAN 2005). 2005 First IEEE International Symposium on IEEE[C]. 2005: 124-130.

[18] Kae Won Choi, Ekram Hossain, Dong In Kim. Cooperative Spectrum Sensing Under a Random Geometric Primary User Network Model[J]. IEEE Transactions on Wireless Communications, 2011.

[19] 马伟. 认知无线电频谱检测技术研究[D]. 北京: 北京邮电大学, 2010.

[20] G Chouinard. Sensing Performance with the 802.22.1 Wireless Microphone Beacon[J]. IEEE 802.22 Wireless RANs, 2009(3).★

作者简介

黄维：广东工业大学自动化学院在读硕士，主要研究方向为检测技术与自动化装置。

万频：教授，博士，现任职于广东工业大学自动化学院，主要研究方向为信号处理。

王永华：讲师，博士，现任职于广东工业大学自动化学院，主要研究方向为无线认知网络和智能信息处理。

endprint

[14] A W Min, X Zhang, K G Shin. Detection of Small-scale Primary Users in Cognitive Radio Networks[J]. IEEE Journal on Selected Areas in Communications, 2011(2): 349-361.

[15] 王莹,岳殿武,王谦,等. 基于信道统计特征的认知无线电协作频谱检测[J]. 电波科学学报, 2009(6): 1049-1054.

[16] Min A W, Zhang X, Shin K G. Spatio-temporal Fusion for Small-scale Primary Detection in Cognitive Radio Networks[A]. IEEE INFOCOM 2010[C]. 2010: 1-5.

[17] Wild B, Ramchandran K. Detecting Primary Receivers for Cognitive Radio Applications[A]. New Frontiers in Dynamic Spectrum Access Networks, 2005(DySPAN 2005). 2005 First IEEE International Symposium on IEEE[C]. 2005: 124-130.

[18] Kae Won Choi, Ekram Hossain, Dong In Kim. Cooperative Spectrum Sensing Under a Random Geometric Primary User Network Model[J]. IEEE Transactions on Wireless Communications, 2011.

[19] 马伟. 认知无线电频谱检测技术研究[D]. 北京: 北京邮电大学, 2010.

[20] G Chouinard. Sensing Performance with the 802.22.1 Wireless Microphone Beacon[J]. IEEE 802.22 Wireless RANs, 2009(3).★

作者简介

黄维：广东工业大学自动化学院在读硕士，主要研究方向为检测技术与自动化装置。

万频：教授，博士，现任职于广东工业大学自动化学院，主要研究方向为信号处理。

王永华：讲师，博士，现任职于广东工业大学自动化学院，主要研究方向为无线认知网络和智能信息处理。

endprint