0 引言

    在實(shí)際通信環(huán)境中，對于認(rèn)知無線電(Cognitive Radio，CR)^[1]的頻譜感知，針對信號相關(guān)和噪聲不確定現(xiàn)象很可能同時存在的問題，國內(nèi)外學(xué)者們提出了許多有效的頻譜感知方法^[2-4]，這些方法成功地規(guī)避了經(jīng)典檢測法的缺點(diǎn)。隨著認(rèn)知無線電技術(shù)的廣泛發(fā)展與深入研究，基于隨機(jī)矩陣?yán)碚?Random Matrix Theory，RMT)的頻譜感知方法成為了研究熱點(diǎn)^[5-6]。文獻(xiàn)[7]中利用了Wishart矩陣最大特征值的分布，將算術(shù)平均特征值近似為噪聲的方差，得到了較高的檢測性能，但在采樣點(diǎn)數(shù)小、信噪比低時，性能略差；針對最小特征值的極限分布比最大特征值的極限分布更精確這一條件，文獻(xiàn)[8]、[9]分別利用了最小特征值的一階和二階Tracy-Widom分布特性，通過減小判決門限來提高檢測性能，但Tracy-Widom函數(shù)求解很困難，只能通過查表獲得一些離散值；文獻(xiàn)[10]、[11]中利用多元統(tǒng)計理論和協(xié)方差矩陣的分布特性，得到特征值表達(dá)式的對數(shù)分布形式，但在低信噪比條件下，需通過增加樣本點(diǎn)來提高檢測性能；文獻(xiàn)[12]中利用了卡方分布和中心極限定理，推導(dǎo)出了算術(shù)平均特征值的分布特性，其中AME(Average to Maximum Eigenvalue)算法的檢測性能要在較多協(xié)作用戶數(shù)條件下才高于最大最小特征值算法^[13]。

    針對以上各算法的問題，本文運(yùn)用接收信號的樣本協(xié)方差矩陣幾何平均特征值的對數(shù)分布規(guī)律特性，提出了一種基于樣本協(xié)方差矩陣最大最小特征值之差與幾何平均特征值(Difference between the Maximum-Minimum and Geometric mean eigenvalue，DMMG)比值的頻譜感知算法，并對該算法的感知性能進(jìn)行了理論分析和仿真驗(yàn)證。與其他算法相比，該算法檢測性能較好，受樣本中極端值和虛警概率的影響較小，且判決門限十分簡單。

1 系統(tǒng)模型

1.1 多用戶協(xié)作頻譜感知場景

    本文采用圖1所示的認(rèn)知無線電網(wǎng)絡(luò)系統(tǒng)。該系統(tǒng)由多個主用戶(Primary User，PU)、多個認(rèn)知用戶(Secondary User，SU)、一個主用戶基站(Primary Base Station，PBS)和一個認(rèn)知用戶基站(Secondary Base Station，SBS)組成，PU通過PBS進(jìn)行通信，SU通過多用戶協(xié)作的方式對PBS發(fā)射的信號進(jìn)行接收和采樣，并將這些采樣數(shù)據(jù)送到SBS中進(jìn)行相應(yīng)的處理，從而判斷該段頻譜是否空閑，實(shí)現(xiàn)多用戶協(xié)作頻譜感知。

1.2 頻譜感知模型

    SU通過對接收信號的檢測來判斷PU信號是否存在，用H₁表示噪聲與信號同時存在的情況，用H₀表示只有噪聲的情況，則整個檢測過程可以建模為一個二元假設(shè)檢測模型：

2 DMMG算法的理論分析

2.1 樣本協(xié)方差矩陣的幾何平均特征值特性

    當(dāng)PU信號不存在時(H₀)，則：

2.2 DMMG算法的判決門限推導(dǎo)

2.3 DMMG算法判決門限的有效性

    由判決門限表達(dá)式(19)可知，γ只與采樣點(diǎn)數(shù)N、協(xié)作用戶數(shù)M和虛警概率P_fa有關(guān)。給定P_fa=0.01，M=10，進(jìn)行仿真，如圖2所示。由仿真結(jié)果可知，γ隨采樣點(diǎn)數(shù)的變化而動態(tài)調(diào)整；在不同采樣點(diǎn)數(shù)情況下，γ的關(guān)系曲線位于只有噪聲情況下的關(guān)系曲線的上方；由于存在虛警概率，在只有噪聲情況下的值也可能存在極少的點(diǎn)位于γ關(guān)系曲線的上方。根據(jù)判決規(guī)則式(20)可知，仿真結(jié)果已驗(yàn)證DMMG算法判決門限的有效性。

3 算法性能仿真

3.1 仿真環(huán)境及工具

    本文分別從不同信噪比、協(xié)作用戶數(shù)、采樣點(diǎn)數(shù)、虛警概率以及樣本中存在極端值情況5個方面對DMMG算法進(jìn)行仿真分析。在仿真中，DMMG算法將與AMME(Average to Maximum-Minimum Eigenvalue)、NMME(Novel Maximum-Minimum Eigenvalue)、AME以及BESD(Blind Eigenvalues Detection)算法進(jìn)行比較；實(shí)驗(yàn)采用10 000次的Monte Carlo仿真，仿真平臺為MATLAB(R2013a)。

3.2 仿真結(jié)果及分析

3.2.1 檢測概率與信噪比的關(guān)系

    各種算法在不同信噪比(dB)情況下的檢測性能如圖3所示。其中N=100，P_fa=0.05，M=5。由圖可知，在低信噪比條件下，DMMG算法的檢測性能高于其他4種算法，當(dāng)SNR=-6 dB時，DMMG算法的檢測概率已達(dá)0.954。當(dāng)采樣點(diǎn)數(shù)為100、虛警概率為0.05、協(xié)作用戶數(shù)為5時，信噪比在-20 dB～-5 dB的范圍內(nèi)，DMMG算法的性能最好。

3.2.2 檢測概率與協(xié)作用戶數(shù)的關(guān)系

    各種算法在不同協(xié)作用戶數(shù)情況下的檢測性能如圖4所示，其中N=200，P_fa=0.05，SNR=-8 dB。由圖可知，在小協(xié)作用戶數(shù)情況下，DMMG算法的檢測性能最佳。當(dāng)M=5時，DMMG算法獲得0.938的檢測概率。在采樣點(diǎn)數(shù)為200、虛警概率為0.05、信噪比為-8 dB時，協(xié)作用戶數(shù)在3～6的范圍內(nèi)，DMMG算法的感知性能最優(yōu)。

3.2.3 檢測概率與采樣點(diǎn)數(shù)之間的關(guān)系

    各種算法在不同采樣點(diǎn)數(shù)情況下的檢測性能如圖5所示，其中M=5，P_fa=0.05，SNR=-8 dB。由圖可知，在相同采樣點(diǎn)數(shù)情況下，檢測概率最高的是DMMG算法；當(dāng)N=200，DMMG算法已達(dá)0.933的檢測概率，優(yōu)于其他算法。在虛警概率為0.05、信噪比為-8 dB、協(xié)作用戶數(shù)為5時，采樣點(diǎn)數(shù)大于協(xié)作用戶數(shù)并小于350的范圍內(nèi)，DMMG算法的感知性能最高。

3.2.4 樣本中極端值對檢測性能的影響

    表1列出了當(dāng)N=120時，各種算法在是否存在極端值兩種情況下檢測概率的偏差(取正值)。可見其中DMMG算法的偏差最小。

    在是否存在極端值兩種情況下各種算法的檢測概率隨采樣點(diǎn)數(shù)變化的關(guān)系曲線如圖6所示，其中M=10，P_fa=0.05，SNR=-10 dB。當(dāng)樣本中存在極端值時，BESD算法幾乎完全喪失檢測性能，NMME和AME兩種算法的關(guān)系曲線與理想情況（無極端值）下存在較大的差異。DMMG算法在是否存在極端值兩種情況下的仿真曲線均位于AMME算法關(guān)系曲線的上方。綜上，DMMG算法受樣本中極端值的影響較小，其檢測性能優(yōu)于其他4種算法。

3.2.5 檢測概率與虛警概率的關(guān)系

    檢測概率隨虛警概率變化的關(guān)系曲線如圖7所示，其中，M=10；采樣點(diǎn)數(shù)N=100，200，350；信噪比SNR=-10 dB，-15 dB。結(jié)果表明，當(dāng)虛警概率從0.01增加到0.1，在不同的采樣點(diǎn)數(shù)和信噪比情況下，DMMG算法的檢測概率增加均不到0.1。由此可知，DMMG算法受虛警概率的影響較小。

4 結(jié)論

    本文運(yùn)用特征值的對數(shù)分布特性，提出了一種基于接收信號樣本協(xié)方差矩陣最大最小特征值之差與幾何平均特征值比值的新算法，即DMMG算法。該算法不敏感于噪聲不確定性，不依賴于Tracy-Widom定理，通過與AMME、NMME、AME和BESD 4種算法相比較可得：DMMG算法在低信噪比、低協(xié)作用戶數(shù)以及低樣本點(diǎn)數(shù)條件下，具有更好的檢測性能，當(dāng)滿足協(xié)作用戶數(shù)多于3少于6，采樣點(diǎn)數(shù)大于協(xié)作用戶數(shù)并小于350，信噪比在-20 dB～-5 dB的范圍內(nèi)，DMMG算法的感知性能達(dá)到最優(yōu)。此外，DMMG算法的感知性能較為穩(wěn)定，受虛警概率和樣本中極端值的影響較小。

參考文獻(xiàn)

[1] MITOLA J，MAGUIRE G Q.Cognitive radio：making software radios more personal[J].IEEE Personal Communications，1999，6(4)：13-18.

[2] BENEDETTO F，GIUNTA G，RENFORS M.A spectrum sensing algorithm for constant modulus primary users signals[J].IEEE Communications Letters，2016，20(2)：400-403.

[3] SIMPSON O，ABDULKADIR Y，SUN Y.Optimal entropy quantization for maximum likelihood estimation based cooperative spectrum sensing[C].IEEE Wireless Telecommunications Symposium(WTS)，London，United Kingdom，2016：1-5.

[4] 曹開田，楊震.基于隨機(jī)矩陣?yán)碚摰腄ET合作頻譜感知算法[J].電子與信息學(xué)報，2010，32(1)：129-134.

[5] AHMED A，HU Y F，NORAS J M，et al. Random matrix theory based spectrum sensing for cognitive radio networks[C].Internet Technologies and Applications(ITA)，Wrexham，2015：479-483.

[6] 劉寧，史浩山，劉利平，等.基于隨機(jī)矩陣的新型頻譜盲感知方法[J].西北工業(yè)大學(xué)學(xué)報，2016，34(2)：262-267.

[7] 劉會衡，鄧小鴻，陳偉.一種基于特征值的多天線認(rèn)知無線電盲感知算法[J].計算機(jī)應(yīng)用研究，2015，32(1)：191-193.

[8] 彌寅，盧光躍.基于特征值極限分布的合作頻譜感知算法[J].通信學(xué)報，2015，36(1)：84-89.

[9] 楊智，徐家品.基于最小特征值分布的頻譜感知算法[J].計算機(jī)應(yīng)用，2015，35(2)：354-357.

[10] LEI K J，YANG X，PENG S L，et al. Determinant of the sample covariance matrix based spectrum sensing algorithm for cognitive radio[C].IEEE Int Conf WiCOM，Wuhan，China，2011：1-4.

[11] 雷可君，楊喜，彭盛亮，等.基于特征值檢測的多天線盲頻譜感知算法的研究[J].系統(tǒng)仿真學(xué)報，2012，24(7)：1549-1554.

[12] 徐家品，楊智.基于隨機(jī)矩陣特征值比的頻譜感知改進(jìn)算法[J].電波科學(xué)學(xué)報，2015，30(2)：282-288.

[13] ZENG Y H，LIANG Y C.Eigenvalue-based spectrum sensing algorithms for cognitive radio[J].IEEE Transactions on Communications，2009，57(6)：1784-1793.

[14] BAO Z Q，HUANG Q D，ZHAI Y Z，et al.Fast blind spectrum sensing method based on determinant of covariance Matrix[C].IEEE Int Conf CSIP，Xi′an，Shaanxi，2012：439-443.

[15] MUIRHEAD R J.Aspects of multivariate statistical theory[M].Hoboken，NJ，USA：John Wiley&Sons，Inc，1982：85-101.

[16] BAI Z D.Methodologies in spectral analysis of large dimensional random matrices,a review[J].Statistica Sinica，1999，9(3)：611-662.