[发明专利]认知无线网络中基于H无穷滤波理论的协作频谱感知方法

摘要

一种认知无线网络中基于H无穷滤波理论的协作频谱感知方法，步骤如下：针对认知用户进行本地频谱检测，然后将感知数据及本地感知结果发送给数据融合中心；数据融合中心根据每个认知用户发送来的感知数据构建信道增益的状态空间模型，并使用H无穷滤波方法估计每个认知用户对应的信道阴影衰落增益的变化情况；利用每个认知用户对应的信道阴影衰落增益估计值计算测试统计量；将该测试统计量与给定的阈值比较，确定哪些认知用户存在拜占庭式网络攻击行为；将存在攻击行为的认知用户数据和本地感知结果在数据融合中心进行删除；数据融合中心利用或(OR)融合准则对认知用户的本地频谱感知结果进行决策融合，得到协作频谱感知结果。本方法能够更好地实现对授权用户的协作频谱感知。

主权项

认知无线网络中基于H无穷滤波理论的协作频谱感知方法，其特征在于，具体步骤如下：(1)认知无线网络中R个认知用户进行本地频谱检测：认知用户通过天线接收某一频段内的无线信号。因此，第r个认知用户对应的基带等效离散时间接收信号可以表示为：x_r[n]＝s[n]+v_r[n]，n＝1,2,...,M式中s[n]表示授权用户经过信道传输的无线信号采样值，v_r[n]表示相应的噪声采样值，M为接收信号的采样点数；对于每一个认知用户，计算其接收信号的对应的功率谱估计值X_r[n]：$X_r\left[n\right]\frac{1}{N}{\left|\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{x}_r\right[k\left]e^{-j2\mathrm{\πnk}}\right|}^2,n=\mathrm{1,2},...,N_f$然后，计算X_r[n]的峰度统计量S_X，即$S_X=\frac{1/N_f\underset{n=1}{\overset{N_f}{\mathrm{\Σ}}}{\left(X_r\right[n]-\mathrm{\μ})}^3}{{(1-/N_f\underset{n=1}{\overset{N_f}{\mathrm{\Σ}}}{\left(X_r\right[n]-\mathrm{\μ})}^2)}^{3/2}}$式中，μ为X_r[n]的均值。进而，可以计算得到非高斯性测度测试统计量$T_X=S_X^2;$根据给定的虚警概率P_f，通过反复试验可以得到频谱检测阈值τ。将测试统计量T_X与检测阈值τ进行比较，如果T_X大于τ，说明授权用户信号存在，反之，表明授权用户不存在。至此，每个认知用户都可以计算得到相应的本地频谱检测结果{D_r,r＝1,2,...,R}。D_r＝1表示第r个认知用户检测到授权用户存在；D_r＝0表示第r个认知用户检测到授权用户不存在。然后，每个认知用户将感知数据(即，接收信号强度)和本地检测结果发送给数据融合中心；(2)数据融合中心根据每个认知用户发送来的感知数据，建立信道增益的状态空间模型：假设第r个认知用户发送来的N个时刻的感知信号强度表示为：P_r[n]＝P₀+γ10log(d₀)‑γ10log(d_r[n])+h_r[n]+w_r[n]，n＝1,2,...,N；式中，γ表示无线信道的路径衰落系数，d₀为参考距离，P₀为参考距离d₀对应的接收信号强度，d_r[n]为时刻n第r个认知用户与授权用户之间的距离，h_r[n]表示时刻n第r个认知用户与授权用户之间的信道阴影衰落增益，w_r[n]表示环境噪声。该方程也可以称为是信道阴影衰落增益的观测方程；假设信道阴影衰落增益的状态变化可以用一阶自回归模型来表示，即h_r[n]＝ah_r[n‑1]+v_r[n]，n＝1,2,...,N；式中，a为模型系数，v_r[n]为模型驱动噪声。至此，以上两个公式给出了第r个认知用户与授权用户之间的信道阴影衰落增益的状态空间模型；(3)根据步骤(2)中建立的信道阴影衰落增益的状态空间模型，利用如下H无穷滤波准则，对h_r[n]进行迭代估计$\sup \{J=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left|h_r\right[n]-{\hat{h}}_r[n\left]\right|}^2}{{\left|h_r\right[1]-{\hat{h}}_r[1\left]\right|}_{Q_0^{-1}}^2+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\left\{w_r\right[n]{|}_{W^{-1}}^2+{\left|v_r\right[n\left]\right|}_{V^{-1}}^2}\}\≤{\mathrm{\γ}}^2;$式中，为信道阴影衰落增益h_r[n]的估计值，W>0，V>0，γ为给定的噪声水平界限。上述H无穷滤波等价于如下所示极小极大优化问题$\underset{{\hat{h}}_r\left[n\right]}{\min }\underset{w_r\left[n\right],v_r\left[n\right],{\hat{h}}_r\left[0\right]}{\max }J=-\frac{1}{2}{\mathrm{\γ}}^2{\left|h_r\right[1]-{\hat{h}}_r|}_{Q_0^{-1}}^2+\frac{1}{2}[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left|h_r\right[n]-{\hat{h}}_r[n\left]\right|}^2-{\mathrm{\γ}}^2\left(\right\{\left|w_r\right[n]{|}_{W^{-1}}^2+{|v}_r[n\left]{|}_{V^{-1}}^2\right\})]$通过求解该优化问题，可以得到信道阴影衰落增益的迭代估计为：${\hat{h}}_r\left[n\right]=a{\hat{h}}_r[n-1]+H\left[n\right]\left[P_r\right[n]-P_0-\mathrm{\λ}10\log \left(d_0\right)-\mathrm{\λ}10\log \left(d_r\right[n\left]\right)-{\hat{h}}_r[n-1\left]\right]$式中H[n]＝aP[n](V+P[n])^‑1，P^‑1[n]＝[a(P^‑1[n]+V^‑1)^‑1a+W]^‑1‑γ^‑2；(4)对于认知无线网络中的R个认知用户，数据融合中心通过估计得到的每个认知用户对应的信道阴影衰落增益在N个时刻内的变化情况，检测存在拜占庭攻击行为的认知用户。该检测准则对应的信道阴影衰落增益变化测试量为$T_A={\left(\right|{\hat{h}}_r\left[n\right]-{\hat{h}}_r[n-1]{|}^2-\left|{\hat{h}}_1\right[n-1]-{\hat{h}}_r[n-2\left]{|}^2\right)}^2$通过该准则可以看出，T_A反应了信道阴影衰落增益在短时间内的变化程度。由于实际的信道在短时间内阴影衰落增益不会产生较大的突变，因此当T_A大于给定阈值时，则认定第r个认知用户存在拜占庭攻击行为，该阈值可以通过反复试验获得；(5)在数据融合中心，将存在拜占庭式攻击行为的认知用户对应的本地频谱感知结果进行删除；(6)在数据融合中心，根据步骤(3)中的H无穷滤波结果以及步骤(4)中的认知用户攻击行为的识别结果，数据融合中心对剩余的认知用户本地频谱感知结果进行或决策融合，得到最终的授权用户协作频谱感知结果。