作者简介:李一兵(1967-),男,教授,博士生导师.研究方向:认知无线电.E-mail:liyibing0920@sina.cn
针对目前认知无线电中频谱感知技术在低信噪比下检测性能差、对噪声功率不确定性鲁棒性差等问题,提出了一种基于指数熵的频谱感知算法。该方法根据
Current spectrum sensing methods in cognitive radio possess several shortcomings, such as poor detection performance in low Signal-to-Noise Ratio (SNR) simulation and poor robustness to the uncertainty of noise power, etc. To overcome these shortcomings, an exponential entropy-based spectrum sensing algorithm is proposed. According to the difference of exponential entropy between the situation of
随着无线通信业务的发展,频谱资源变得日益稀缺。原有固定的频谱分配制度将难以满足日益增长的频谱需求。然而,根据美国联邦通信委员会(FCC)的研究报告[ 1, 2],频谱使用率随时间、地区和频段的不同而不同,在15%~85%内取值。认知无线电是针对这一问题应运而生的新技术[ 3]。通过对频谱资源的动态分配,使得认知用户在授权用户不占用授权频段的情况下利用该频段,从而提高了频谱利用率[ 4, 5]。频谱感知(频谱检测)是认知无线电的关键技术之一,它的主要功能在于检测可供未授权用户使用的频谱空穴,同时检测授权用户对该频段的使用情况,使得当授权用户再次使用该频段时认知用户马上退出,保证不干扰授权用户通信。
传统的频谱感知算法有匹配滤波器检测、能量检测、循环平稳特征检测等方法[ 6, 7]。匹配滤波器算法从最大信噪比出发,感知实时性较好,是一种最优的频谱检测算法,但是需要授权用户信号的先验信息。循环平稳特征检测具有较高的信号辨识能力,但是算法复杂度较高,实时性较差。能量检测无需信号的先验信息,复杂度低,在噪声功率确定的情况下,是一种快速有效的盲检测算法,但是对噪声功率的不确定性非常敏感,鲁棒性很差。为了提高检测性能的抗噪声不确定性能力,文献[8-10]提出了基于香农熵的频谱感知算法。但是该算法在计算过程中很容易出现不收敛的现象,造成无效检测。本文将指数熵的概念引入到频谱检测当中,保留了对噪声功率不确定的鲁棒性,同时又有效地避免了无效检测情况的出现。通过仿真实验对本文提出的指数熵的检测算法(Exponential entropy-based detection,EED)进行了详尽分析,并与香农熵检测算法(Shannon entropy-based detection,SED)和能量检测算法(Energy detection,ED)在噪声功率不确定时的检测性能进行了比较。
在认知无线电系统中,可以把频谱感知归结为一个二元检测的问题:
式中:
对式(1)进行傅里叶变换,得到:
式中:
由于
因此,在假设
在假设
一般地,对于载荷信息的授权用户信号,复频谱的实部和虚部都不为0,因此在假设
香农熵用来衡量信息平均不确定性的大小。一个系统越有序,香农熵就越低,反之,一个系统越是混乱,香农熵就越高。对于一个样本空间为
文献[8-10]提出了基于香农熵的频谱检测算法,利用香农熵的估计值作为判决统计量来确定主用户信号是否存在。判决规则为:
式中:
通过一系列复杂的数学推导[ 8, 9],可以得到
式中:
噪声功率的不确定性影响检测性能主要是因为虚警概率即
香农熵在解决实际问题时存在一定的缺陷。在香农熵的定义中,如果事件
2.3.1 指数熵的提出
为了解决基于香农熵的频谱检测算法的检测失效问题,本文将指数熵的概念引入到检测算法中。通过下面的定义可以发现,指数熵增量在概率为0时其值为0,因此在估计计算的过程中不存在不收敛的现象,也就是完全避免了检测失效的现象。
指数熵是基于以下原则定义的[ 11]:
(1)设每个状态
(2)
(3)
(4)
(5)随着
(6)
(7)当
为了满足以上7个原则,指数熵被定义为:
指数熵的提出有效规避了用对数定义信息熵中的无定义值和零值的问题,克服了香农熵的不足。将指数熵应用到频谱检测中来,巧妙地解决了2.2节中提到的检测失效问题。而且,指数运算相对对数运算较快,检测的时效性也可以得到提升。
2.3.2 算法流程
基于指数熵的频谱检测算法系统框图如图1所示。具体过程如下:
(1)对接收信号
(2)取其幅值
(3)令
(4)估计
(5)通过式(8)计算的指数熵估计值与门限比较,判断授权用户信号是否存在。判决规则为:
指数熵估计值
2.3.3 判决门限的确定
在采样点数
图2是对基于香农熵检测失效情况的一个仿真实验。实验分为3组,每组独立实验50次,每次又进行100次检测。实验中接收信号是高斯白噪声,采样点数
图3给出了噪声功率与指数熵估计值之间的关系,噪声序列长度
从图3中两条曲线的对比以及图4曲线的变化趋势可以看出,指数熵的估计值是随着分段数目的增加而变大的。从图4还可以看出,指数熵估计值随着采样点数
图5给出了当主用户信号存在,信噪比为-10 dB时指数熵估计值与分段数目的关系。本文仿真中所有主用户信号均为BPSK信号,码元速率为
图6为虚警概率与噪声功率之间的关系。仿真实验中信号采样点数
图7为有授权用户信号存在下的指数熵与信噪比的变化关系。可以看出,随着信噪比的增加,指数熵越来越小。所以当判决门限确定后,检测概率将随着信噪比的增加而提高。同时还可以看出,随着分段数目的增加,指数熵变大,这与从图3、图5得到的结论是一致的。
图8给出了基于指数熵(EED)的频谱检测算法与基于香农熵(SED)的频谱检测算法和能量检测算法(ED)在噪声功率不确定情况下的检测性能对比。仿真中采用Monte carlo法,仿真次数为10 000次。采样点数分别为1024、512,分段数
当
噪声功率的不确定性是限制频谱感知性能的主要因素之一。基于香农熵的频谱感知算法对噪声功率不确定性具有鲁棒性,但是在实际对香农熵进行估计计算时,容易出现不收敛的情况,进而造成检测失效的现象。为此本文引入指数熵的概念,既保留了香农熵检测鲁棒性的优点,又有效地避免了检测失效的问题。仿真结果显示,虚警概率随着噪声功率的变化基本保持恒定,说明基于指数熵的频谱感知算法对噪声功率不确定性也具有鲁棒性。通过与能量检测法在噪声功率波动情况下检测性能的对比,再一次说明提出的基于指数熵的频谱检测算法在低信噪比下具有很好的抗噪声功率不确定的能力。另外,随着采样点数的增加,检测性能得到了提高,但这是以牺牲时效性为代价的,实际中需要在检测性能与时效性之间进行权衡。
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|