基于感知信息量化的判决融合算法的深度剖析与创新应用

基于感知信息量化的判决融合算法的深度剖析与创新应用一、绪论1.1研究背景与意义1.1.1无线通信领域频谱资源现状在当今数字化时代，无线通信技术取得了迅猛发展，从早期的模拟通信到如今的5G乃至向6G迈进，其在人们生活和社会发展中扮演着举足轻重的角色。随着智能手机、物联网设备、智能穿戴设备等各类无线终端的广泛普及，无线通信系统对频谱资源的需求呈现出爆发式增长态势。例如，在人口密集的城市地区，大量用户同时使用移动数据进行视频播放、在线游戏、实时社交等活动，对频谱资源的竞争极为激烈。然而，现实情况是无线频谱资源是有限的，尤其是中低频段的优质频谱资源更为稀缺。国际电信联盟（ITU）对频谱资源进行了严格的划分和管理，大部分可用频谱已被分配给广播、卫星通信、雷达、军事通信等不同的无线电系统使用。例如，广播电视占用了特定的频段进行节目传输，军事通信也依赖特定频谱保障通信安全和任务执行。而且，由于无线通信的广播特性，同一频段的频谱资源在被多个系统同时同地使用时会产生相互干扰，严重影响通信质量。就像在一些无线基站密集的区域，如果多个基站的频率规划不合理，就会出现信号干扰，导致用户通信中断、数据传输速率下降等问题。因此，可用频谱资源的短缺已成为制约无线通信进一步发展的关键瓶颈。1.1.2认知无线电技术的崛起为了解决频谱利用率低下这一严峻问题，认知无线电技术应运而生，并迅速成为无线通信领域的研究热点和关键技术。认知无线电最早由JosephMitola博士于1999年提出，它被定义为一种智能无线通信系统，能够感知周边电磁环境，并根据环境变化和用户需求，自动调整无线电传输和接收参数，如频率、功率、调制方式等。认知无线电的核心思想是打破传统固定频谱分配模式，通过动态频谱接入技术，让非授权用户（认知用户）在不干扰授权用户（主用户）正常通信的前提下，合理利用授权用户暂时空闲的频谱资源，即“频谱空洞”，从而大大提高频谱利用率。认知无线电技术在解决频谱资源紧张问题方面具有不可替代的核心地位。它就像是为无线通信领域打开了一扇新的大门，提供了一种全新的频谱管理和利用思路。在实际应用中，认知无线电技术具有广泛的应用前景和重要意义。在智能交通领域，车联网系统可以利用认知无线电技术实现车辆之间以及车辆与基础设施之间的高效通信，保障交通安全和提高交通效率；在物联网领域，大量的传感器节点可以通过认知无线电技术动态接入频谱，实现数据的实时传输和处理，推动智慧城市的建设和发展；在应急通信领域，认知无线电技术能够快速适应复杂多变的电磁环境，保障在灾难等紧急情况下的通信畅通。因此，对认知无线电技术的深入研究和发展，对于推动无线通信技术的进步、满足日益增长的通信需求以及促进社会经济的发展都具有至关重要的意义。1.2研究现状综述1.2.1频谱感知技术进展频谱感知技术作为认知无线电的关键基础，一直是学术界和工业界的研究焦点，近年来取得了丰富的研究成果与显著进展，主要涵盖单用户频谱感知和协作频谱感知两大方面。在单用户频谱感知领域，早期主要集中在基于信号特征的检测方法。能量检测是最为经典且基础的方法，其原理是依据接收信号的能量与预设门限进行比较，以判断频谱是否被占用。该方法实现简单，无需知晓主用户信号的先验信息，在实际应用中具有一定的便利性。然而，它的缺点也较为明显，对噪声的敏感性极高，在噪声不确定的环境下，检测性能会大幅下降，容易出现误判情况。匹配滤波器检测则是另一种重要方法，它通过与已知的主用户信号进行匹配，能够达到理论上的最优检测性能。但此方法高度依赖主用户信号的先验知识，包括信号的调制方式、编码方式、载波频率等，在实际复杂多变的无线环境中，获取这些精确的先验信息往往困难重重，极大地限制了其应用范围。循环平稳特征检测利用信号的循环平稳特性来识别主用户信号，对噪声具有一定的鲁棒性，并且能够区分不同类型的信号。不过，该方法计算复杂度较高，需要较长的观测时间来准确提取信号的循环平稳特征，在实时性要求较高的场景中应用受限。随着研究的不断深入，单用户频谱感知技术逐渐向智能化方向发展。基于机器学习的频谱感知方法成为新的研究热点，如支持向量机（SVM）、人工神经网络（ANN）等被广泛应用于频谱感知中。这些方法能够通过对大量数据的学习，自动提取信号特征并进行分类，有效提高了频谱感知的准确性和适应性。基于深度学习的频谱感知方法更是取得了突破性进展，卷积神经网络（CNN）、循环神经网络（RNN）及其变体在处理复杂的频谱信号时展现出强大的能力。CNN能够自动学习频谱信号的局部特征，RNN则擅长处理时间序列数据，捕捉信号的时序信息。但基于机器学习和深度学习的方法也面临一些挑战，如需要大量的训练数据来保证模型的准确性，训练过程计算复杂度高，模型的可解释性较差等。协作频谱感知的出现有效弥补了单用户频谱感知的局限性。由于无线信道的衰落、阴影效应和多径传播等因素，单用户频谱感知可能会出现检测盲区，导致频谱检测不准确。协作频谱感知通过多个认知用户之间的信息共享与协作，能够从多个角度对频谱进行感知，大大提高了频谱检测的可靠性和准确性。早期的协作频谱感知主要采用硬判决融合算法，如“或”准则、“与”准则和多数表决准则。“或”准则只要有一个认知用户检测到主用户信号，融合中心就判定频谱被占用，这种准则检测概率高，但虚警概率也相对较高。“与”准则则要求所有认知用户都检测到主用户信号，融合中心才判定频谱被占用，其虚警概率低，但检测概率也会受到影响。多数表决准则根据多数认知用户的判决结果进行融合，在一定程度上平衡了检测概率和虚警概率。然而，硬判决融合算法在传输过程中会丢失部分感知信息，导致检测性能的损失。为了克服硬判决融合算法的不足，软判决融合算法应运而生。软判决融合算法将认知用户的原始感知信息（如能量值、似然比等）发送到融合中心进行融合，能够保留更多的信息，从而提高检测性能。常见的软判决融合算法有最大比合并（MRC）、等增益合并（EGC）和选择合并（SC）。MRC根据各认知用户信号的信噪比进行加权合并，能够充分利用信号质量较好的用户信息，在理想情况下检测性能最优。但MRC需要精确知道各用户的信道状态信息，在实际应用中实现难度较大。EGC则对各用户信号进行等增益合并，实现相对简单，但性能略逊于MRC。SC选择信噪比最高的用户信号作为融合结果，虽然实现简单，但没有充分利用其他用户的信息，检测性能相对有限。此外，还有基于分布式检测理论的协作频谱感知算法，如分布式贝叶斯检测、分布式最大似然检测等，这些算法从理论层面优化了协作频谱感知的性能，但计算复杂度较高，实际应用中需要进一步简化。随着物联网、5G乃至未来6G通信技术的发展，对频谱感知技术提出了更高的要求，如更低的复杂度、更高的检测精度、更快的检测速度以及更好的抗干扰能力等。目前，频谱感知技术在与人工智能、大数据、区块链等新兴技术的融合方面开展了广泛的研究，以探索新的突破点。将人工智能技术应用于频谱感知决策过程，能够实现智能决策，提高频谱感知的效率和准确性。利用大数据技术对海量的频谱感知数据进行分析和挖掘，可以获取更全面的频谱使用信息，为频谱管理和优化提供支持。区块链技术则可以为协作频谱感知中的数据安全和信任问题提供解决方案，保障感知数据的真实性和可靠性。1.2.2判决融合算法研究成果判决融合算法作为协作频谱感知的核心环节，其性能直接影响着认知无线电系统对频谱资源的有效利用。近年来，众多学者围绕判决融合算法展开了深入研究，取得了一系列丰富且具有重要价值的成果。硬判决融合算法由于其原理简单、易于实现，在早期的协作频谱感知研究中得到了广泛应用。“或”准则以其极高的检测概率在一些对检测概率要求苛刻、对虚警概率相对宽容的场景中表现出色，如在军事通信中的紧急频谱监测场景，及时发现主用户信号至关重要，即使存在一定的虚警也在可接受范围内。但在对虚警概率要求严格的场景下，“或”准则的高虚警率就成为了严重的问题。“与”准则正好相反，在对虚警概率要求极高的场景，如高精度的医疗通信频段监测，能够有效降低虚警，确保医疗通信的稳定运行。不过，其低检测概率可能会导致漏检，在一些关键场景中存在风险。多数表决准则在一般的民用通信场景中得到了较为广泛的应用，它通过平衡检测概率和虚警概率，能够较好地满足大多数用户的需求。然而，硬判决融合算法在融合过程中仅考虑了认知用户的二元判决结果（有信号或无信号），忽略了感知信息的强度和可靠性等细节，这在复杂的无线环境下会导致检测性能的下降。针对硬判决融合算法的缺陷，软判决融合算法的研究成为热点。最大比合并（MRC）算法基于信号的信噪比进行加权合并，在理想的信道状态信息已知的情况下，能够充分发挥各认知用户信号的优势，实现最优的检测性能。在卫星通信与地面基站协作的频谱感知场景中，卫星和地面基站的信号质量不同，MRC算法可以根据它们各自的信噪比进行合理加权，从而提高整体的检测性能。但在实际的无线通信环境中，准确获取各用户的信道状态信息面临诸多困难，如信道的时变性、测量误差等，这限制了MRC算法的广泛应用。等增益合并（EGC）算法对所有认知用户信号进行等增益合并，虽然实现相对简单，不需要精确的信道状态信息，但由于没有充分考虑各信号的质量差异，检测性能相对MRC算法有所降低。选择合并（SC）算法仅选择信噪比最高的认知用户信号作为融合结果，这种方式虽然简单直接，但浪费了其他用户的感知信息，在用户数量较多时，无法充分发挥协作频谱感知的优势。为了进一步提升判决融合算法的性能，一些改进型的融合算法不断涌现。基于自适应加权的判决融合算法根据信道条件和信号特征动态调整各认知用户的加权系数，以适应不同的无线环境。在城市峡谷等复杂的无线环境中，信号受到建筑物的遮挡和反射，信道条件复杂多变，自适应加权算法能够实时根据信道状态调整加权系数，从而提高检测性能。基于模糊逻辑的判决融合算法则将模糊逻辑引入融合过程，能够更好地处理感知信息的不确定性。在存在干扰信号或噪声波动较大的场景中，模糊逻辑可以根据模糊规则对不确定的感知信息进行合理的融合，减少误判的发生。基于机器学习的判决融合算法通过对大量历史数据的学习，自动生成融合策略。在智能交通的车联网频谱感知场景中，车与车、车与基础设施之间的通信频繁，基于机器学习的判决融合算法可以根据不同的交通场景和通信需求，学习出最优的融合策略，提高频谱感知的准确性和实时性。尽管判决融合算法取得了显著的研究成果，但仍然面临一些挑战。在实际的无线通信环境中，存在着多种干扰和噪声，如邻道干扰、同频干扰、高斯白噪声、脉冲噪声等，这些干扰和噪声会严重影响判决融合算法的性能。在5G和未来6G通信系统中，通信频段不断拓展，信号形式更加复杂多样，传统的判决融合算法难以适应新的信号特征和通信需求。此外，随着认知用户数量的增加，融合中心的计算负担和通信开销也会急剧增大，如何在保证检测性能的前提下，降低计算复杂度和通信开销，也是亟待解决的问题。1.3研究内容与创新点1.3.1研究内容概述本研究聚焦于基于感知信息量化的判决融合算法，旨在解决认知无线电系统中频谱感知的准确性与高效性问题，核心研究方向涵盖算法设计、性能分析以及在实际场景中的应用验证等多个关键方面。在算法设计方面，深入剖析传统判决融合算法，如硬判决融合算法（“或”准则、“与”准则、多数表决准则）和软判决融合算法（最大比合并MRC、等增益合并EGC、选择合并SC）的原理与特性，结合无线通信中复杂的信道环境、多变的干扰因素以及海量的感知数据，提出创新性的基于感知信息量化的判决融合算法。该算法着重于对认知用户感知信息的精细量化处理，将原始感知信息转化为更具价值和易于处理的量化形式，为融合中心提供更丰富、准确的决策依据。例如，通过设计合理的量化策略，将能量检测得到的信号能量值进行多比特量化，不仅能保留信号强度的大致范围，还能反映出信号强度的变化趋势，从而有效提升融合判决的准确性。性能分析是本研究的重要环节。运用概率论、数理统计以及信息论等相关理论知识，建立精确的数学模型来分析所提算法的性能指标，包括检测概率、虚警概率、漏检概率以及频谱利用率等。深入研究算法在不同信道条件下的性能表现，如高斯信道、瑞利衰落信道、莱斯衰落信道等，分析信道的衰落特性、噪声干扰以及多径传播等因素对算法性能的影响规律。在瑞利衰落信道中，信号的幅度会发生随机变化，通过数学推导和仿真实验，分析算法在这种信道下检测概率随信噪比变化的关系，找出算法性能的瓶颈和优化方向。同时，对比所提算法与传统判决融合算法的性能差异，从理论层面论证新算法在提升频谱感知性能方面的优势。为了确保研究成果的实用性和有效性，本研究还将进行实际场景的应用验证。选择典型的无线通信场景，如城市密集区域的蜂窝网络、物联网中的传感器节点通信以及智能交通中的车联网通信等，搭建仿真平台和实验环境。在城市密集区域的蜂窝网络场景中，考虑到基站分布密集、用户数量众多以及干扰复杂的特点，利用仿真软件模拟实际的无线环境，将所提算法应用于该场景下的频谱感知中，通过大量的仿真实验和数据分析，验证算法在实际复杂环境中的性能表现。开展实地实验，将算法部署在实际的无线通信设备上，进行现场测试和数据采集，进一步验证算法在真实场景中的可行性和有效性，为算法的实际应用提供有力的支持。1.3.2创新点阐述本研究在基于感知信息量化的判决融合算法研究中取得了一系列具有显著创新性的成果，这些创新点不仅丰富了认知无线电领域的理论研究，也为实际应用提供了新的技术方案和解决思路，具有重要的学术价值和实际应用价值。本研究提出了一种全新的基于多比特自适应量化的判决融合算法，该算法突破了传统硬判决和软判决融合算法的局限。传统硬判决融合算法仅考虑二元判决结果，丢失了大量感知信息；软判决融合算法虽保留了原始信息，但对信道状态信息要求高且计算复杂度大。而本算法根据感知信号的特征和信道条件，动态调整量化比特数，实现对感知信息的高效量化。在信号特征变化较大的复杂环境中，算法能够自动增加量化比特数，更精确地描述感知信息；在信道条件较好、信号相对稳定时，减少量化比特数，降低计算复杂度和通信开销。这种自适应量化策略使算法在不同场景下都能实现频谱利用率与传输开销的良好权衡，显著提升了判决融合的性能。在模型构建方面，本研究创新性地引入了深度学习中的注意力机制，构建了基于注意力机制的感知信息融合模型。该模型能够自动学习不同认知用户感知信息的重要程度，对关键信息赋予更高的权重，从而提高融合决策的准确性。在存在强干扰源的无线环境中，部分认知用户的感知信息可能受到严重干扰，而注意力机制可以识别出受干扰较小、可靠性高的感知信息，并加大其在融合过程中的权重，避免因干扰信息导致的误判。与传统的融合模型相比，基于注意力机制的融合模型能够更有效地处理复杂环境下的感知信息，增强了算法的鲁棒性和适应性。本研究还探索了判决融合算法在新兴的太赫兹通信频段中的应用，开拓了新的应用场景。太赫兹通信具有带宽大、传输速率高的优势，但也面临着信号传播损耗大、易受干扰等问题。将基于感知信息量化的判决融合算法应用于太赫兹通信频段的频谱感知中，通过对太赫兹信号的特殊处理和量化，能够有效提高频谱感知的准确性，为太赫兹通信系统的高效运行提供保障。这一创新性的应用拓展，不仅为太赫兹通信技术的发展提供了新的技术手段，也为判决融合算法在未来高速通信领域的应用奠定了基础。二、频谱感知与判决融合算法基础2.1频谱感知技术体系2.1.1频谱感知方法分类频谱感知是认知无线电系统的关键环节，其目的是准确检测授权用户（主用户）是否占用特定频段，从而为认知用户（次用户）的动态频谱接入提供依据。目前，常见的频谱感知方法主要包括能量检测、匹配滤波检测、循环平稳特征检测等，每种方法都有其独特的原理和适用场景。能量检测是一种最为基础且应用广泛的频谱感知方法。其基本原理基于信号的能量特性，在一定的观测时间内，对接收到的信号进行采样，并计算其能量值。假设接收信号为r(t)，在观测时间T内，信号能量E可通过公式E=\int_{0}^{T}|r(t)|^{2}dt计算得到。然后，将计算得到的能量值与预先设定的门限值\lambda进行比较。若E>\lambda，则判定信道被主用户占用；若E<\lambda，则认为信道空闲。能量检测方法的显著优点是实现简单，不需要知晓主用户信号的任何先验信息，对信号类型也没有限制，适用于各种复杂的无线环境。在一些未知信号类型的频谱监测场景中，能量检测能够快速地判断频谱是否被占用。然而，能量检测方法也存在明显的缺陷，它对噪声极为敏感。在实际的无线通信环境中，噪声功率往往存在不确定性，噪声功率的波动会直接影响能量检测的判决门限，导致检测性能大幅下降。当噪声功率突然增大时，可能会将原本空闲的信道误判为被占用，从而降低认知用户对频谱资源的有效利用。匹配滤波检测是一种基于信号匹配的频谱感知方法，其理论基础是信号的相关性原理。该方法需要预先知道主用户信号的精确先验信息，包括信号的调制方式、编码方式、载波频率、相位等。在接收端，将接收到的信号与已知的主用户信号模板进行匹配滤波处理。设主用户信号为s(t)，接收信号为r(t)，匹配滤波器的输出y(t)可通过公式y(t)=\int_{0}^{T}r(\tau)s(t-\tau)d\tau计算得到。然后，根据匹配滤波器的输出结果判断信道状态。如果输出值超过某个设定的阈值，则认为信道中有主用户信号存在；否则，判定信道空闲。匹配滤波检测的优势在于能够达到理论上的最优检测性能，在信噪比达到一定门限的情况下，能够在很短时间内实现对主用户信号的准确检测，提高信号的处理增益。在对授权用户信息比较了解的频谱环境中，如超高频的电视频段，匹配滤波检测可以发挥其优势，准确检测主用户信号。但是，该方法的局限性也很明显，由于需要精确的主用户信号先验信息，在实际复杂多变的无线环境中，获取这些信息往往非常困难，而且解调信号需要同步相干检测，计算复杂度较高。对于每个特定的主用户，都需要一个专用的接收机来实现匹配滤波检测，这大大限制了其应用范围。循环平稳特征检测是利用信号的循环平稳特性来进行频谱感知的方法。在授权网络中，主用户信号经过调制、编码等处理后，其统计特性，如均值、自相关函数等，会呈现出循环周期性，这种特性被称为循环平稳特性。循环平稳特征检测通过计算接收信号的谱相关函数（SCF）来检测信号中是否存在循环周期特征。设接收信号为r(t)，其谱相关函数S_{r}^{\alpha}(f)可通过公式S_{r}^{\alpha}(f)=\lim_{T\rightarrow\infty}\frac{1}{T}\int_{-\frac{T}{2}}^{\frac{T}{2}}r(t+\frac{\tau}{2})r^{*}(t-\frac{\tau}{2})e^{-j2\pift}e^{-j2\pi\alpha\tau}dt计算得到，其中\alpha为循环频率，f为频率。如果计算得到的谱相关函数在某个循环频率\alpha和频率f处不为零，则表明信号存在循环平稳特性，即信道中有主用户信号存在；反之，则认为信道空闲。循环平稳特征检测的优点是对噪声具有较强的鲁棒性，不受噪声功率不确定性因素的影响，能够有效区分信号和噪声。它还可以利用信号冗余的突出特征，对不同类型的信号进行选择和识别，更适用于实际的通信系统，能更好地反映信号的本质。在存在噪声干扰的环境中，循环平稳特征检测依然能够准确检测主用户信号。然而，该方法的计算复杂度较高，需要较长的观测时间来准确提取信号的循环平稳特征，这在实时性要求较高的场景中会限制其应用。2.1.2频谱感知模型构建为了深入研究频谱感知技术，需要建立合理的数学模型来描述频谱感知过程中的信号传输、噪声干扰等因素。下面将从信号模型、噪声模型以及信道模型三个方面构建频谱感知的数学模型，为后续的算法分析和性能评估提供坚实的理论框架。在频谱感知中，接收信号模型是描述认知用户接收到的信号形式。假设认知用户接收到的信号由主用户信号和噪声两部分组成，即r(t)=s(t)+n(t)，其中r(t)表示接收信号，s(t)表示主用户信号，n(t)表示噪声。主用户信号s(t)可以根据不同的通信系统和调制方式进行具体建模。在数字通信系统中，若采用二进制相移键控（BPSK）调制，主用户信号可表示为s(t)=\sum_{k=-\infty}^{\infty}a_{k}g(t-kT_{s})\cos(2\pif_{c}t+\varphi)，其中a_{k}为取值\pm1的二进制数据符号，g(t)为脉冲成型滤波器的冲激响应，T_{s}为符号周期，f_{c}为载波频率，\varphi为载波相位。噪声n(t)通常假设为加性高斯白噪声（AWGN），其概率密度函数服从高斯分布，均值为0，方差为\sigma^{2}，即n(t)\simN(0,\sigma^{2})。噪声在频谱感知中对检测性能有着至关重要的影响，因此准确的噪声模型十分关键。如前所述，加性高斯白噪声是最常用的噪声模型，它在实际的无线通信环境中具有广泛的适用性。在一些复杂的实际场景中，噪声可能并非单纯的高斯白噪声，还可能包含脉冲噪声、色噪声等。脉冲噪声是一种瞬时干扰造成的尖锐脉冲信号，其幅度较大，持续时间较短，会对信号检测产生较大的冲击。色噪声是在不同频率上具有不同功率密度的噪声，与高斯白噪声的平坦功率谱特性不同。对于包含多种噪声的复杂情况，可以采用混合噪声模型来描述。将高斯白噪声和脉冲噪声进行叠加，构建混合噪声模型n(t)=n_{1}(t)+n_{2}(t)，其中n_{1}(t)为高斯白噪声，n_{2}(t)为脉冲噪声。通过对不同噪声特性的分析和建模，可以更准确地研究噪声对频谱感知算法性能的影响。信道模型用于描述信号在传输过程中受到的信道衰落、多径传播等因素的影响。在无线通信中，常见的信道模型有高斯信道、瑞利衰落信道、莱斯衰落信道等。高斯信道是一种理想的信道模型，假设信号在传输过程中只受到加性高斯白噪声的干扰，没有其他衰落和多径效应。在高斯信道中，接收信号r(t)与发送信号s(t)的关系可表示为r(t)=s(t)+n(t)，其中n(t)为高斯白噪声。瑞利衰落信道适用于描述不存在直射路径，信号主要通过多径传播到达接收端的无线信道。在瑞利衰落信道中，信号的幅度服从瑞利分布，相位服从均匀分布。接收信号r(t)可表示为r(t)=h(t)s(t)+n(t)，其中h(t)为信道衰落系数，服从瑞利分布。莱斯衰落信道则适用于存在直射路径和多径传播的无线信道，其信道衰落系数h(t)服从莱斯分布。在实际的无线通信环境中，信道条件复杂多变，可能同时存在多种衰落和干扰因素，因此需要根据具体的场景选择合适的信道模型进行分析。在城市环境中，信号可能会受到建筑物的遮挡和反射，导致多径传播和衰落，此时瑞利衰落信道或莱斯衰落信道模型可能更符合实际情况。通过合理构建信号模型、噪声模型和信道模型，可以全面、准确地描述频谱感知过程，为深入研究频谱感知算法和性能分析提供有力的理论支持。2.2协作频谱感知原理2.2.1协作频谱感知的优势在认知无线电系统中，单用户频谱感知虽然能够在一定程度上检测频谱的占用情况，但由于无线信道的复杂性，存在诸多局限性。而协作频谱感知通过多个认知用户之间的合作，有效克服了这些局限性，显著提高了频谱感知的准确性和可靠性。无线信道的衰落、阴影效应和多径传播等因素是影响单用户频谱感知性能的主要原因。在衰落信道中，信号的幅度会随时间和空间发生随机变化，导致接收信号的强度不稳定，从而使单用户难以准确判断频谱是否被占用。阴影效应是指信号在传播过程中受到建筑物、山体等障碍物的阻挡，形成信号强度较弱的阴影区域，处于阴影区域的单用户可能无法检测到主用户信号，产生漏检情况。多径传播则是信号通过多条不同路径到达接收端，这些路径的长度和传播特性不同，导致接收信号产生多径干扰，进一步降低了单用户频谱感知的准确性。在城市高楼林立的环境中，无线信号会受到建筑物的多次反射和遮挡，使得单用户在某些位置难以准确检测到频谱的占用情况。协作频谱感知利用多个认知用户在空间上的分布特性，实现了空间分集增益，有效降低了上述因素的影响。当多个认知用户同时对频谱进行感知时，即使部分用户受到信道衰落、阴影效应或多径传播的影响，其他用户仍有可能接收到可靠的信号。通过信息共享与融合，将各个认知用户的感知信息进行综合处理，能够更全面、准确地判断频谱的占用状态。假设有三个认知用户，用户A处于信号衰落严重的区域，检测结果可能不准确；用户B受到阴影效应影响，信号较弱；而用户C所处位置信号相对稳定。在协作频谱感知中，将三个用户的感知信息进行融合，如通过加权平均等方法，就可以减少因个别用户的不利条件导致的误判，提高检测的准确性。协作频谱感知还能够提高频谱感知的可靠性。在单用户频谱感知中，由于各种干扰和噪声的存在，单个用户的检测结果可能存在较大的不确定性。而多个认知用户的协作可以增加检测的冗余度，当多个用户都检测到相同的频谱状态时，其结果的可信度更高。即使其中某个用户的检测出现错误，其他用户的正确检测结果也能够保证最终判决的可靠性。在一个由五个认知用户组成的协作频谱感知网络中，若四个用户都检测到频谱被占用，只有一个用户检测结果相反，通过合理的融合策略，如多数表决准则，就可以判断频谱确实被占用，从而提高了检测的可靠性。协作频谱感知还可以扩大频谱感知的覆盖范围。不同的认知用户可能处于不同的地理位置，具有不同的感知范围。通过协作，各个用户的感知范围得以叠加，从而能够检测到更广泛区域内的频谱占用情况。在一个大面积的工业园区中，分布着多个认知用户设备，每个设备的感知范围有限，但通过协作，就可以实现对整个园区频谱资源的全面监测。这对于提高频谱资源的管理效率和利用率具有重要意义，能够为认知用户提供更多的可用频谱资源，促进无线通信系统的高效运行。2.2.2协作频谱感知网络架构协作频谱感知网络架构主要包括集中式、分布式和混合式等，每种架构都有其独特的特点和在实际应用中的优缺点。集中式协作频谱感知网络架构中，所有认知用户将自己的感知信息直接发送给一个中央融合中心。融合中心收集到这些信息后，对其进行统一处理和分析，最终做出频谱是否被占用的判决。这种架构的优点是融合中心可以获取所有认知用户的原始感知信息，能够进行全面、精确的处理，理论上可以达到最优的检测性能。由于融合中心对整个网络具有集中控制权，便于进行统一的管理和调度，能够根据网络的整体需求和各个认知用户的状态，合理分配感知任务和资源。在一个小型的无线传感器网络中，采用集中式架构，融合中心可以快速收集各个传感器节点的感知信息，准确判断周围环境中的频谱使用情况，为后续的数据传输和处理提供可靠依据。集中式架构也存在一些明显的缺点。随着认知用户数量的增加，融合中心需要处理和存储大量的感知信息，这对其计算能力和存储能力提出了极高的要求，容易导致融合中心负担过重，处理速度变慢，甚至出现系统瘫痪的情况。认知用户与融合中心之间需要进行大量的数据传输，这不仅增加了通信带宽的需求，还可能导致通信延迟增大，影响频谱感知的实时性。如果融合中心出现故障，整个协作频谱感知网络将无法正常工作，系统的可靠性和容错性较差。在一个大型的蜂窝网络中，若采用集中式架构，众多的手机用户作为认知用户，将感知信息发送给基站（融合中心），基站可能因处理能力有限而无法及时处理所有信息，导致频谱感知的延迟增加，影响用户的通信体验。分布式协作频谱感知网络架构中，各个认知用户之间直接进行信息交互和协作，不存在中央融合中心。每个认知用户根据自己接收到的本地感知信息以及从其他认知用户获取的信息，独立做出频谱是否被占用的判决。这种架构的优势在于具有较高的可靠性和容错性，即使某个认知用户出现故障，其他用户仍能继续工作，不会影响整个网络的正常运行。分布式架构减少了数据传输量，因为不需要将所有感知信息都发送到一个中心节点，降低了对通信带宽的要求，同时也减少了通信延迟，提高了频谱感知的实时性。在车联网中，车辆之间通过分布式协作频谱感知，可以实时共享频谱信息，快速判断周围的频谱使用情况，保障车辆通信的畅通。分布式架构也存在一些不足之处。由于各个认知用户独立做出判决，缺乏全局的统一协调，可能导致判决结果的不一致性。在分布式架构中，每个认知用户都需要具备一定的信息处理和决策能力，这对用户设备的要求较高，增加了设备的成本和复杂度。由于没有中央控制节点，网络的管理和维护相对困难，难以进行统一的资源分配和任务调度。在一个由多个智能设备组成的分布式协作频谱感知网络中，不同设备可能采用不同的判决策略和参数设置，导致对频谱占用情况的判断存在差异，影响网络的整体性能。混合式协作频谱感知网络架构结合了集中式和分布式架构的优点，将认知用户划分为多个小组，每个小组内采用分布式架构进行信息交互和协作，小组内的认知用户通过局部融合得到小组的感知结果。各个小组将小组感知结果发送给中央融合中心，由融合中心进行全局融合和最终判决。这种架构既利用了分布式架构在局部协作中的实时性和可靠性优势，又借助集中式架构在全局处理和决策中的精确性和统一性优势。在一个大型的物联网应用场景中，众多的传感器节点分布在不同区域，将其划分为多个小组，小组内的节点通过分布式协作快速获取局部频谱信息，然后将小组结果发送给中央融合中心进行全局分析，能够在保证实时性的同时，提高频谱感知的准确性和可靠性。混合式架构也面临一些挑战。如何合理划分小组，确定小组的规模和成员组成，是一个需要仔细考虑的问题，不合理的划分可能导致局部协作效率低下或全局融合效果不佳。小组与融合中心之间以及小组内部的通信和协调机制较为复杂，需要进行精心设计和优化，以确保信息的准确传输和高效处理。混合式架构的实现和管理相对复杂，需要综合考虑多种因素，对系统的设计和运维提出了较高的要求。2.3判决融合算法基础理论2.3.1硬判决融合算法硬判决融合算法是协作频谱感知中较为基础且简单的一类融合算法，其核心思想是将各个认知用户的感知结果进行简单的逻辑运算或统计处理，从而得出最终的判决结果。这类算法主要包括“或”准则、“与”准则和多数表决准则等，每种准则都有其独特的原理、计算过程和性能特点。“或”准则是硬判决融合算法中最为简单直接的一种。其原理是只要有一个认知用户检测到主用户信号，融合中心就判定频谱被占用；只有当所有认知用户都判定频谱空闲时，融合中心才判定频谱空闲。假设存在N个认知用户，第i个认知用户的判决结果为d_i，d_i\in\{0,1\}，其中0表示频谱空闲，1表示频谱被占用。那么根据“或”准则，融合中心的判决结果D可表示为D=\max\{d_1,d_2,\cdots,d_N\}。在一个由三个认知用户组成的协作频谱感知网络中，用户A检测到频谱被占用（d_1=1），用户B和用户C检测到频谱空闲（d_2=0，d_3=0），根据“或”准则，融合中心的判决结果D=\max\{1,0,0\}=1，即判定频谱被占用。“或”准则的优点是具有较高的检测概率。由于只要有一个用户检测到信号就能判定频谱被占用，所以在主用户信号存在时，能够及时准确地检测到，适用于对检测概率要求苛刻的场景，如军事通信中的紧急频谱监测。在战场上，及时发现敌方的通信信号至关重要，即使存在一定的虚警也在可接受范围内，“或”准则能够满足这种需求。“或”准则的缺点是虚警概率相对较高。因为只要有一个用户出现误判（将噪声误判为信号），融合中心就会做出错误的判决，导致虚警概率增大。在实际的无线通信环境中，噪声干扰较为复杂，容易出现误判情况，这会降低认知用户对频谱资源的有效利用。“与”准则与“或”准则正好相反。其原理是只有当所有认知用户都检测到主用户信号时，融合中心才判定频谱被占用；只要有一个认知用户判定频谱空闲，融合中心就判定频谱空闲。融合中心的判决结果D可表示为D=\min\{d_1,d_2,\cdots,d_N\}。在上述三个认知用户的例子中，若用户A检测到频谱被占用（d_1=1），用户B检测到频谱空闲（d_2=0），用户C检测到频谱被占用（d_3=1），根据“与”准则，融合中心的判决结果D=\min\{1,0,1\}=0，即判定频谱空闲。“与”准则的优势在于虚警概率较低。由于所有用户都检测到信号才判定频谱被占用，所以能够有效减少因个别用户误判导致的虚警情况，适用于对虚警概率要求严格的场景，如高精度的医疗通信频段监测。在医疗通信中，需要确保通信频段的准确性，避免因虚警导致医疗设备的误操作，“与”准则能够满足这种高可靠性的要求。“与”准则的检测概率相对较低。因为只要有一个用户漏检（未检测到实际存在的信号），融合中心就会做出错误的判决，导致检测概率下降。在复杂的无线环境中，信号可能受到多种因素的干扰，容易出现漏检情况，这会影响对频谱资源的及时发现和利用。多数表决准则是根据多数认知用户的判决结果进行融合。假设存在N个认知用户，其中判定频谱被占用的用户数为n，当n>\frac{N}{2}时，融合中心判定频谱被占用；当n\leq\frac{N}{2}时，融合中心判定频谱空闲。在一个由五个认知用户组成的协作频谱感知网络中，若有三个用户检测到频谱被占用，两个用户检测到频谱空闲，由于3>\frac{5}{2}，融合中心判定频谱被占用。多数表决准则在一定程度上平衡了检测概率和虚警概率。它综合考虑了多个用户的判决结果，相比于“或”准则，降低了虚警概率；相比于“与”准则，提高了检测概率。多数表决准则在一般的民用通信场景中得到了较为广泛的应用，能够较好地满足大多数用户对频谱感知准确性和可靠性的需求。多数表决准则也存在一些局限性。当认知用户数量较少时，多数表决的结果可能不够稳定，容易受到个别用户误判的影响；当认知用户数量较多时，计算复杂度会增加，需要更多的计算资源和时间来进行判决。2.3.2软判决融合算法软判决融合算法是协作频谱感知中的另一类重要算法，与硬判决融合算法不同，它不是基于认知用户的简单二元判决结果（有信号或无信号）进行融合，而是将认知用户的原始感知信息（如能量值、似然比等）发送到融合中心进行融合，从而保留了更多的信息，有望获得更好的检测性能。常见的软判决融合算法有最大比合并（MRC）、等增益合并（EGC）和选择合并（SC）等，它们各自具有独特的原理、计算过程以及与硬判决算法的区别和优势。最大比合并（MRC）算法是一种基于信号信噪比（SNR）进行加权合并的软判决融合算法。其原理是根据每个认知用户接收到的信号信噪比来分配权重，信噪比越高的用户信号在融合过程中所占的权重越大，因为信噪比高的信号通常具有更高的可靠性和准确性。假设存在N个认知用户，第i个认知用户接收到的信号为x_i，其信噪比为\gamma_i，则融合中心的合并信号X可表示为X=\sum_{i=1}^{N}w_ix_i，其中权重w_i与\gamma_i成正比，通常可表示为w_i=\frac{\gamma_i}{\sum_{j=1}^{N}\gamma_j}。在一个由三个认知用户组成的协作频谱感知网络中，用户A的信噪比为\gamma_1=10，用户B的信噪比为\gamma_2=5，用户C的信噪比为\gamma_3=8，用户A接收到的信号为x_1，用户B接收到的信号为x_2，用户C接收到的信号为x_3。首先计算总信噪比\sum_{j=1}^{3}\gamma_j=10+5+8=23。然后计算各用户的权重：w_1=\frac{10}{23}，w_2=\frac{5}{23}，w_3=\frac{8}{23}。最后融合中心的合并信号X=\frac{10}{23}x_1+\frac{5}{23}x_2+\frac{8}{23}x_3。MRC算法在理想情况下，即能够准确知道各用户的信道状态信息以获取精确的信噪比时，能够充分发挥各认知用户信号的优势，实现最优的检测性能。在卫星通信与地面基站协作的频谱感知场景中，卫星和地面基站的信号质量不同，MRC算法可以根据它们各自的信噪比进行合理加权，从而提高整体的检测性能。在实际的无线通信环境中，准确获取各用户的信道状态信息面临诸多困难，如信道的时变性、测量误差等，这限制了MRC算法的广泛应用。信道会随着时间、地理位置和环境条件的变化而变化，使得实时准确测量信噪比变得非常困难，从而影响了MRC算法的性能。等增益合并（EGC）算法则对所有认知用户信号进行等增益合并，即不考虑各用户信号的信噪比差异，为每个用户信号分配相同的权重。融合中心的合并信号X可表示为X=\frac{1}{N}\sum_{i=1}^{N}x_i。在上述三个认知用户的例子中，融合中心的合并信号X=\frac{1}{3}(x_1+x_2+x_3)。EGC算法的优点是实现相对简单，不需要精确的信道状态信息，降低了算法的实现复杂度和对硬件设备的要求。在一些对设备成本和复杂度要求较低的物联网应用场景中，EGC算法具有一定的优势，能够在保证一定检测性能的前提下，降低系统的成本。由于没有充分考虑各信号的质量差异，在信号质量参差不齐的情况下，EGC算法的检测性能相对MRC算法有所降低。如果部分用户的信号受到严重干扰，信噪比很低，而EGC算法仍然给予这些信号相同的权重，就会拉低整体的检测性能。选择合并（SC）算法仅选择信噪比最高的认知用户信号作为融合结果。假设存在N个认知用户，第i个认知用户的信噪比为\gamma_i，找到信噪比最大的用户索引k=\arg\max_{i=1}^{N}\gamma_i，则融合中心的输出信号X=x_k。在一个由四个认知用户组成的协作频谱感知网络中，用户A的信噪比为\gamma_1=8，用户B的信噪比为\gamma_2=12，用户C的信噪比为\gamma_3=6，用户D的信噪比为\gamma_4=10。通过比较可知，用户B的信噪比最高，所以融合中心选择用户B的信号作为输出，即X=x_2。SC算法的实现非常简单，只需要比较各用户的信噪比并选择最大的即可。它的缺点也很明显，由于仅利用了一个用户的信号，没有充分利用其他用户的感知信息，在用户数量较多时，无法充分发挥协作频谱感知的优势，检测性能相对有限。当其他用户的信号也包含有价值的信息时，SC算法会因为没有综合考虑这些信息而导致检测性能下降。与硬判决融合算法相比，软判决融合算法的优势在于能够保留更多的原始感知信息，从而更准确地反映信号的真实情况。硬判决融合算法在传输过程中仅发送二元判决结果，丢失了大量关于信号强度、可靠性等方面的信息，这在复杂的无线环境下会导致检测性能的下降。软判决融合算法通过对原始感知信息的融合处理，能够更好地利用各认知用户的信息，提高检测概率，降低虚警概率。在存在干扰信号或噪声波动较大的场景中，软判决融合算法可以根据信号的具体特征进行合理的加权或选择，减少误判的发生。软判决融合算法也存在一些缺点，如对通信带宽的要求较高，因为需要传输更多的原始感知信息；计算复杂度相对较大，尤其是像MRC算法需要精确计算信噪比和权重。三、基于感知信息量化的判决融合算法设计3.1基于2bit量化的判决融合算法3.1.1系统模型建立在认知无线电系统中，构建基于2bit量化的判决融合算法的协作感知模型是深入研究的基础。该模型主要由认知用户、融合中心以及通知信道等关键要素构成，各部分紧密协作，共同完成频谱感知任务。假设有N个认知用户，这些认知用户分布在不同的地理位置，能够从不同角度对主用户的信号进行感知。每个认知用户都具备独立的频谱感知能力，在感知阶段，它们通过各自的接收设备对周围的无线信号进行采集和处理。具体来说，第i个认知用户在感知信道中接收信号，其接收信号y_{ji}（1\leqj\leqN，1\leqi\leqM，M为每个认知用户进行能量检测时的采样点数）可表示为：y_{ji}=\begin{cases}n_{ji},&H_0\\\gamma_js_{ji}+n_{ji},&H_1\end{cases}其中，H_0表示主用户不存在的情况，此时接收信号仅为噪声n_{ji}；H_1表示主用户存在的情况，接收信号由主用户信号\gamma_js_{ji}和噪声n_{ji}组成。这里假设噪声n_{ji}为均值为0、方差为1的高斯随机变量，且与主用户信号相互独立。同时，假设主用户信号s_{ji}为独立同分布的高斯随机变量，均值为0，方差为1，\gamma_j表示第j个认知用户在某个检测周期的瞬时信噪比。基于上述假设，接收信号y_{ji}服从高斯分布：y_{ji}\sim\begin{cases}N(0,1),&H_0\\N(0,1+\gamma_j),&H_1\end{cases}每个认知用户对接收到的信号进行能量检测，计算检测到的能量值Y_j，其计算公式为Y_j=\sum_{i=1}^{M}y_{ji}^{2}。在H_0情况下，Y_j服从自由度为M的中心卡方分布，即Y_j\sim\chi_{M}^{2}(0)；在H_1情况下，Y_j服从自由度为M、非中心参数为\gamma_jM的非中心卡方分布，即Y_j\sim\chi_{M}^{2}(\gamma_jM)。由于各认知用户在不同位置，所接收的信号相互独立，所以Y_j之间也相互独立。认知用户将感知结果通过通知信道发送至融合中心。通知信道在整个协作感知过程中起着信息传输的桥梁作用，其性能直接影响感知信息的准确传递。通知信道可分为理想信道和实际信道，理想信道假设信号在传输过程中不会发生失真、衰落或受到干扰，能够准确无误地将认知用户的感知结果传输到融合中心。在实际应用中，信道往往会受到各种因素的影响，如瑞利衰落信道，信号在传输过程中会经历幅度的随机衰落，这会对感知信息的传输产生干扰，增加误码率，从而影响融合中心对频谱状态的准确判断。融合中心是整个协作感知模型的核心决策单元，它负责接收来自各个认知用户的感知信息，并采用特定的融合策略对这些信息进行融合处理，最终做出主用户是否存在的判决。在基于2bit量化的判决融合算法中，融合中心采用独特的量化融合策略。该策略通过设置三个门限\lambda_1，\lambda_2，\lambda_3，将每个认知用户检测到的能量值划分为四个区域。每个区域对应一个特定的量化值，即00，01，10，11，每个认知用户将检测的能量值落入哪一区域的信息以2bit的形式发送给融合中心。融合中心对收到的2bit量化信息进行处理，为每个区域分配一个权值，例如w_0=0，w_1=1，w_2=L，w_3=L^2。然后，融合中心对所有认知用户的量化信息进行加权求和，得到加权求和后的值N_c=\sum_{i=0}^{3}w_iN_i，其中N_i表示落入区域i的认知用户数目。若N_c\geqL^2，融合中心判为主用户存在；否则判为不存在。这种量化融合策略能够在一定程度上保留感知信息的细节，同时降低传输开销，提高判决的准确性。3.1.2量化模型理论推导在基于2bit量化的判决融合算法中，量化模型的理论推导是深入理解算法性能的关键，下面将分别在理想信道和瑞利衰落信道条件下进行详细推导，并分析量化过程对信号传输的影响。在理想信道条件下，假设所有认知用户的感知信道为加性高斯白噪声（AWGN）信道。在2bit量化模型中，令P_{Fl}=P(Y>\lambda_l|H_0)，P_{Dl}=P(Y>\lambda_l|H_1)，分别表示落入区域l（1\leql\leq3）的局部虚警概率和检测概率。根据概率论和数理统计知识，在感知信道为AWGN信道下，局部虚警概率P_{F}(M,\lambda)可表示为：P_{F}(M,\lambda)=P(Y_j>\lambda|H_0)=\frac{\Gamma(\frac{M}{2},\frac{\lambda}{2})}{\Gamma(\frac{M}{2})}其中，\Gamma(\cdot,\cdot)为不完全伽马函数，\Gamma(\cdot)为伽马函数。局部检测概率P_{D}(M,\lambda,\gamma)可表示为：P_{D}(M,\lambda,\gamma)=P(Y_j>\lambda|H_1)=\exp(-\frac{\lambda}{2(1+\gamma)})\sum_{k=0}^{\frac{M}{2}-1}\frac{1}{k!}(\frac{\lambda}{2(1+\gamma)})^k假设\beta_1=\frac{P_{F2}}{P_{F1}}，\beta_2=\frac{P_{F3}}{P_{F2}}，\rho=\frac{P_{F1}}{1-P_{F1}}，通过一系列的数学推导（具体推导过程基于概率论中的事件概率计算和组合数学知识），可以得到总的虚警概率Q_F和检测概率Q_D的表达式。总的虚警概率Q_F为：1-Q_F=\sum_{i=0}^{I}\binom{N}{i}(1-P_{F1})^{N-i}\left\{\sum_{j=0}^{J_i}\binom{i}{j}(P_{F1}-P_{F2})^{i-j}(P_{F2}-P_{F3})^j\right\}其中，I=L^2-1，J_i=\min\left\{\left|\frac{L^2-i-1}{L-1}\right|,i\right\}。总的检测概率Q_D为：Q_D=1-\sum_{i=0}^{I}\binom{N}{i}(1-P_{D1})^{N-i}\left\{\sum_{j=0}^{J_i}\binom{i}{j}(P_{D1}-P_{D2})^{i-j}(P_{D2}-P_{D3})^j\right\}当给定N，Q_F，L，\beta_1，\beta_2时，\rho可根据上述虚警概率公式唯一确定，进而可以得到P_{F1}，P_{F2}，P_{F3}，再通过局部虚警概率公式得到\lambda_1，\lambda_2和\lambda_3。假设所有认知用户都处于AWGN信道，每个认知用户的局部检测概率可由局部检测概率公式得到，最终通过总的检测概率公式确定使用该方法的总的检测概率。在瑞利衰落信道条件下，信号在传输过程中会经历幅度的随机衰落，这使得量化模型的推导更加复杂。假设通知信道为瑞利衰落信道，信道衰落系数h服从瑞利分布，其概率密度函数为f(h)=\frac{h}{\sigma^2}\exp(-\frac{h^2}{2\sigma^2})，h\geq0。认知用户发送的感知信息x在瑞利衰落信道传输后变为y=hx+n，其中n为高斯白噪声，n\simN(0,\sigma_n^2)。在这种情况下，接收端接收到的信号能量发生变化，从而影响局部虚警概率和检测概率。对于局部虚警概率，在瑞利衰落信道下，考虑信道衰落系数h的影响，接收信号的能量分布发生改变。设接收信号能量为Y'，则Y'与发送信号能量Y的关系为Y'=h^2Y。根据概率密度函数的变换公式，可得到新的局部虚警概率P_{F}'(M,\lambda)：P_{F}'(M,\lambda)=\int_{0}^{\infty}P(Y>\frac{\lambda}{h^2}|H_0)f(h)dh将P(Y>\frac{\lambda}{h^2}|H_0)用理想信道下的局部虚警概率公式代入，再对h进行积分（积分过程涉及到伽马函数和指数函数的积分运算），可得到瑞利衰落信道下的局部虚警概率表达式。对于局部检测概率，同样考虑信道衰落系数h的影响，接收信号的能量分布改变。设接收信号能量为Y'，则局部检测概率P_{D}'(M,\lambda,\gamma)为：P_{D}'(M,\lambda,\gamma)=\int_{0}^{\infty}P(Y>\frac{\lambda}{h^2}|H_1)f(h)dh将P(Y>\frac{\lambda}{h^2}|H_1)用理想信道下的局部检测概率公式代入，再对h进行积分，可得到瑞利衰落信道下的局部检测概率表达式。基于上述瑞利衰落信道下的局部虚警概率和检测概率表达式，按照与理想信道下类似的推导过程（利用概率论中的事件概率计算和组合数学知识），可以得到瑞利衰落信道下总的虚警概率Q_F'和检测概率Q_D'的表达式。与理想信道相比，瑞利衰落信道下的量化模型推导考虑了信道衰落对信号能量的影响，使得推导过程更加复杂，但也更符合实际的无线通信环境。量化过程对信号传输有着多方面的影响。量化过程通过设置门限将连续的信号能量值划分为有限个区域，实现了对感知信息的降维处理。这种降维在一定程度上减少了传输的数据量，降低了传输开销。与软判决融合算法需要传输原始的感知信息（如能量值、似然比等）相比，2bit量化模型只需要传输2bit的量化信息，大大减少了数据传输量。量化过程不可避免地会丢失部分信息。由于将连续的信号能量值映射到有限个量化区域，一些细微的信号变化信息可能会被忽略。当信号能量值在两个量化区域的边界附近时，量化可能会导致信息的不准确。这种信息丢失可能会对检测性能产生一定的影响，需要在实际应用中通过合理设置门限和优化量化策略来尽量减少其负面影响。量化过程还会引入量化误差。量化误差是由于量化值与原始信号值之间的差异产生的，它会影响信号的准确性和可靠性。在瑞利衰落信道等复杂环境下，量化误差可能会与信道衰落、噪声等因素相互作用，进一步影响检测性能。因此，在设计量化模型时，需要综合考虑量化误差对检测性能的影响，通过优化量化参数和算法来降低量化误差的影响。3.1.3仿真实验与结果分析为了深入评估基于2bit量化的判决融合算法的性能，通过计算机仿真进行全面的研究，对比2bit量化模型与硬判决、软判决的检测性能，并详细分析不同参数对算法性能的影响。在仿真实验中，搭建了一个基于MATLAB的仿真平台。在该平台上，模拟了一个包含N个认知用户和一个融合中心的协作频谱感知系统。设定主用户信号为二进制相移键控（BPSK）调制信号，其载波频率为f_c=10MHz，符号速率为R_s=1Mbps。感知信道设置为AWGN信道，噪声功率谱密度为N_0=-174dBm/Hz。通知信道分别考虑理想信道和瑞利衰落信道两种情况，在瑞利衰落信道中，信道衰落系数服从瑞利分布，其方差\sigma^2=1。在对比2bit量化模型与硬判决、软判决的检测性能时，设置认知用户数量N=10，每个认知用户的采样点数M=100。硬判决融合算法采用“或”准则，即只要有一个认知用户检测到主用户信号，融合中心就判定频谱被占用。软判决融合算法采用最大比合并（MRC）算法，根据各认知用户信号的信噪比进行加权合并。在理想信道条件下，通过仿真得到不同信噪比下2bit量化模型、硬判决和软判决的检测概率和虚警概率。从检测概率来看，随着信噪比的增加，三种算法的检测概率都逐渐提高。在低信噪比区域（如信噪比小于0dB），硬判决的检测概率最低，因为硬判决仅根据二元判决结果进行融合，丢失了大量感知信息，导致在信号较弱时难以准确检测。软判决的检测概率最高，由于软判决融合算法保留了原始感知信息，能够充分利用信号的细节，在低信噪比下也能有较好的检测性能。2bit量化模型的检测概率介于硬判决和软判决之间，虽然2bit量化模型在量化过程中丢失了部分信息，但通过合理的量化策略和融合算法，仍然能够在一定程度上提高检测性能。从虚警概率来看，硬判决的虚警概率相对较高，因为“或”准则容易受到个别认知用户误判的影响。软判决的虚警概率较低，能够更准确地区分信号和噪声。2bit量化模型的虚警概率也相对较低，通过设置合适的量化门限，能够有效减少误判情况。在瑞利衰落信道条件下，再次进行仿真对比。由于信道衰落的影响，三种算法的检测性能都有所下降。硬判决的性能下降最为明显，检测概率大幅降低，虚警概率显著增加，这是因为信道衰落使得信号的幅度和相位发生随机变化，硬判决无法有效应对这种变化，导致误判增多。软判决虽然也受到信道衰落的影响，但由于其对原始感知信息的利用，性能下降相对较小。2bit量化模型在瑞利衰落信道下，通过对信道衰落的一定补偿和优化的量化策略，仍然能够保持相对稳定的检测性能，其检测概率和虚警概率的变化相对较为平缓。分析不同参数对算法性能的影响时，首先考虑认知用户数量N的影响。固定其他参数不变，将认知用户数量从5逐渐增加到20。在理想信道和瑞利衰落信道下，随着认知用户数量的增加，2bit量化模型的检测概率逐渐提高。这是因为更多的认知用户参与协作，能够提供更多的感知信息，融合中心可以综合这些信息做出更准确的判决。认知用户数量的增加也会导致虚警概率有所上升。当认知用户数量过多时，个别用户的误判可能会对融合结果产生更大的影响。在实际应用中，需要根据具体需求和场景，合理选择认知用户数量，以平衡检测概率和虚警概率。考虑每个认知用户的采样点数M对算法性能的影响。将采样点数从50增加到200。随着采样点数的增加，2bit量化模型的检测概率和虚警概率都逐渐趋于稳定。采样点数的增加意味着认知用户能够获取更精确的信号能量信息，从而提高检测的准确性。当采样点数达到一定程度后，继续增加采样点数对检测性能的提升效果逐渐减小，因为此时量化误差和信道噪声等因素对检测性能的影响逐渐占据主导地位。在实际应用中，需要根据3.2改进的双门限判决融合算法3.2.1传统双门限判决融合算法分析传统双门限判决融合算法在协作频谱感知中具有一定的应用，但随着对频谱感知性能要求的不断提高，其局限性也逐渐凸显。下面从系统模型和理论推导过程两个方面深入剖析传统双门限判决融合算法，并指出其存在的感知性能不高的问题。传统双门限判决融合算法的系统模型与一般的协作频谱感知模型类似，主要由多个认知用户和一个融合中心组成。每个认知用户通过各自的接收设备对周围的无线信号进行感知，将感知结果发送给融合中心。在感知过程中，认知用户采用双门限能量检测方法对接收信号进行处理。假设认知用户接收到的信号为r(t)，在观测时间T内，计算信号的能量值E=\int_{0}^{T}|r(t)|^{2}dt。然后，将计算得到的能量值与预先设定的两个门限值\lambda_1和\lambda_2（\lambda_1\lt\lambda_2）进行比较。若E\lt\lambda_1，则判定信道空闲；若\lambda_1\leqE\lt\lambda_2，则认为信道处于不确定状态，可能存在弱信号；若E\geq\lambda_2，则判定信道被主用户占用。从理论推导过程来看，传统双门限判决融合算法在计算检测概率和虚警概率时，主要基于概率论和数理统计的知识。以检测概率为例，假设主用户信号存在时，接收信号能量E服从某种分布（如在高斯白噪声信道下，当主用户信号为确定性信号时，接收信号能量服从非中心卡方分布）。通过对该分布进行积分运算，可以得到在不同门限条件下检测到主用户信号的概率。在高斯白噪声信道中，设主用户信号存在时接收信号能量E服从自由度为n、非中心参数为\lambda的非中心卡方分布，即E\sim\chi_{n}^{2}(\lambda)。检测概率P_D可表示为P_D=P(E\geq\lambda_2|H_1)=\int_{\lambda_2}^{\infty}f_{E|H_1}(x)dx，其中f_{E|H_1}(x)为E在H_1假设下的概率密度函数。同样，虚警概率P_F可表示为P_F=P(E\geq\lambda_1|H_0)=\int_{\lambda_1}^{\infty}f_{E|H_0}(x)dx，其中f_{E|H_0}(x)为E在H_0假设下的概率密度函数（通常为自由度为n的中心卡方分布的概率密度函数）。传统双门限判决融合算法存在感知性能不高的问题。该算法在处理不确定状态（\lambda_1\leqE\lt\lambda_2）时，缺乏有效的处理机制。当信号能量落入这个区间时，由于无法准确判断信道状态，可能会导致误判，从而降低检测概率或增加虚警概率。在实际的无线通信环境中，信号往往受到多径衰落、阴影效应和噪声干扰等多种因素的影响，使得信号能量的波动较大。传统双门限判决融合算法在这种复杂环境下，对信号的适应性较差，难以准确区分信号和噪声，进一步降低了感知性能。在多径衰落信道中，信号的幅度会发生随机变化，可能导致信号能量在双门限之间频繁波动，使得认知用户难以做出准确的判决。传统双门限判决融合算法在融合过程中，通常采用简单的逻辑运算（如“或”准则、“与”准则或多数表决准则）对认知用户的判决结果进行融合。这种简单的融合方式没有充分考虑各认知用户的可靠性和信号的强度等因素，容易受到个别认知用户误判的影响，从而降低整体的感知性能。3.2.2改进算法设计与实现为了克服传统双门限判决融合算法的不足，将2bit量化模型引入传统双门限模型，设计了改进的双门限判决融合算法。该算法在原理和实现步骤上都有独特之处，能够有效提升频谱感知性能。改进算法的原理基于对传统双门限算法的优化和2bit量化模型的应用。在传统双门限算法中，对于信号能量落入不确定区间（\lambda_1\leqE\lt\lambda_2）的情况，采用2bit量化模型进行处理。具体来说，当认知用户检测到的信号能量E落入不确定区间时，不再简单地将其视为不确定状态，而是通过2bit量化模型对其进行量化处理。根据2bit量化模型的原理，设置三个门限\lambda_{11}，\lambda_{12}，\lambda_{21}（\lambda_1\lt\lambda_{11}\lt\lambda_{12}\lt\lambda_{21}\lt\lambda_2），将不确定区间进一步细分为三个子区间。每个子区间对应一个特定的量化值，即00，01，10。认知用户根据信号能量落入的子区间，将其量化为相应的2bit值发送给融合中心。融合中心在接收到各个认知用户发送的2bit量化信息后，采用与基于2bit量化的判决融合算法类似的融合策略。为每个量化值分配一个权值，例如w_0=0，w_1=1，w_2=L。然后，对所有认知用户的量化信息进行加权求和，得到加权求和后的值N_c=\sum_{i=0}^{2}w_iN_i，其中N_i表示落入子区间i的认知用户数目。若N_c\geqL，融合中心判为主用户存在；否则判为不存在。对于信号能量小于\lambda_1和大于等于\lambda_2的情况，仍然按照传统双门限算法的方式进行判决。即当E\lt\lambda_1时，认知用户直接判定信道空闲，将判决结果（如0）发送给融合中心；当E\geq\lambda_2时，认知用户判定信道被主用户占用，将判决结果（如1）发送给融合中心。融合中心根据接收到的这些判决结果，结合落入不确定区间的认知用户的2bit量化信息，综合做出最终的判决。改进算法的实现步骤如下：首先，每个认知用户在感知阶段，采用双门限能量检测方法对接收信号进行处理，计算信号能量E。然后，将计算得到的信号能量E与预先设定的双门限\lambda_1和\lambda_2进行比较。若E\lt\lambda_1，认知用户将判决结果0发送给融合中心；若E\geq\lambda_2，认知用户将判决结果1发送给融合中心；若\lambda_1\leqE\lt\lambda_2，则进入2bit量化处理阶段。在2bit量化处理阶段，认知用户将信号能量E与细分的三个门限\lambda_{11}，\lambda_{12}，\lambda_{21}进行比较。若E\lt\lambda_{11}，量化为00；若\lambda_{11}\leqE\lt\lambda_{12}，量化为01；若\lambda_{12}\leqE\lt\lambda_{21}，量化为10。认知用户将量化后的2bit值发送给融合中心。融合中心在接收到所有认知用户的判决结果和2bit量化信息后，按照上述融合策略进行处理。对落入不确定区间的认知用户的2bit量化信息进行加权求和，结合其他判决结果，做出最终的主用户是否存在的判决。3.2.3性能验证与对比分析为了验证改进的双门限判决融合算法的性能提升，通过理论推导和计算机仿真进行深入研究，并对比改进前后算法在不同场景下的表现。从理论推导方面，分析改进算法的检测概率和虚警概率。假设认知用户数量为N，在主用户信号存在（H_1）和不存在（H_0）的情况下，分别推导改进算法的检测概率和虚警概率表达式。对于检测概率，当主用户信号存在时，一部分认知用户的信号能量可能大于等于\lambda_2，直接判定为主用户存在；另一部分落入不确定区间的认知用户通过2bit量化处理，根据量化值和融合策略也可能判定为主用户存在。设P_{D1}为信号能量大于等于\lambda_2时的检测概率，P_{D2}为信号能量落入不确定区间通过2bit量化处理判定为主用户存在的概率。则改进算法的检测概率P_D可表示为：P_D=P(\text{至少有一个用户判定主用户存在})=1-P(\text{所有用户都判定主用户不存在})=1-P(\text{能量小于}\lambda_1\text{的用户数为}N_1)\timesP(\text{能量落入不确定区间且量化后判定主用户不存在的用户数为}N_2)\timesP(\text{能量大于等于}\lambda_2\text{且判定主用户不存在的用户数为}0)其中，N_1，N_2分别为能量小于\lambda_1和落入不确定区间的用户数。通过对各部分概率的计算和推导（基于概率论中的事件概率计算和组合数学知识），可以得到检测概率的具体表达式。对于虚警概率，当主用户信号不存在时，一部分认知用户的信号能量可能大于等于\lambda_1，出现虚警；另一部分落入不确定区间的认知用户通过2bit量化处理，也可能出现虚警。设P_{F1}为信号能量大于等于\lambda_1时的虚警概率，P_{F2}为信号能量落入不确定区间通过2bit量化处理出现虚警的概率。则改进算法的虚警概率P_F可表示为：P_F=P(\text{至少有一个用户判定主用户存在})=1-P(\text{所有用户都判定主用户不存在})=1-P(\text{能量小于}\lambda_1\text{的用户数为}N_1)\timesP(\text{能量落入不确定区间且量化后判定主用户不存在的用户数为}N_2)\timesP(\text{能量大于等于}\lambda_2\text{且判定主用户不存在的用户数为}0)同样通过对各部分概率的计算和推导，可以得到虚警概率的具体表达式。与传统双门限判决融合算法的理论性能相比，改进算法在处理不确定区间时，通过2bit量化和更合理的融合策略，能够更准确地判断主用户的存在与否，理论上可以提高检测概率，降低虚警概率。在计算机仿真方面，搭建基于MATLAB的仿真平台。设定仿真参数，如认知用户数量N=15，主用户信号为二进制相