利用SSDF攻击特征的加权分布式频谱感知算法

协作频谱感知可以提高频谱感知的可靠性,但易遭到篡改感知数据(Spectrum Sensing Data Falsification,SSDF)攻击。该文利用SSDF攻击特征,判断邻居节点发送值是否是恶意状态值,并提出一种加权分布式协作频谱感知算法。该算法根据状态值在本地节点网络中的偏离程度,设定其融合权值。仿真结果表明,所提算法在节点收敛率和鲁棒性两方面,比基于梯度的协作频谱感知算法和基于最大差值的协作频谱感知算法都有所提升,检测性能也因此显著提高。      

分级分布式无人机协作频谱感知方法

无人机认知网络(Cognitive UAV Network,CUAVN)可以通过高精度的频谱感知提高频谱效率,但传统的集中式协作频谱感知不适用于无人机(Unmanned Aerial Vehicle,UAV)网络。UAV网络拓扑结构动态变化,使得全局信息很难快速收集至一个融合中心。针对上述问题,提出了一种基于K-means聚类算法的分级分布式协作频谱感知方法。首先,利用K-means聚类算法基于位置信息对UAV进行分簇;然后,采用两级分布式融合方案进行分层融合,在每个簇内先进行一致性信息融合得到獽个融合结果,再进行第二次融合得到最终全局收敛结果;最后将最终收敛结果与检测阈值对比,得到最终决策。仿真结果表明,所提出的分级分布式融合方案具有较好的收敛性,且信息融合迭代次数比未分级融合方案更少。在不同权重因子的加权情况下,所提方案较未分级融合方案更好,且平均接收信噪比越大时检测性能越好。与未分级分布式融合方案相比,在UAV节点较多的情况下,该方案使CUAVN的频谱检测性能得到了提升。     

基于加权一致优化的宽带分布式协作压缩频谱感知算法

宽带分布式协作压缩频谱感知不仅降低过高的采样速率,而且改善在低信噪比环境下的频谱感知性能。为进一步提高频谱感知性能,提出一种基于加权一致优化的宽带分布式协作压缩频谱感知算法。该算法根据当前迭代重构出的频谱信号设定下一次迭代重构的权值,促使频谱信号上存在授权用户的子频段产生信号值,降低重构出错的可能性。仿真结果表明,该算法不仅能够增大频谱重构的准确性,而且能够降低感知过程的时间和通信开销,改善频谱感知性能。     

最优线性认知无线电协作频谱感知技术研究

频谱感知是检测频谱空穴,实现动态频谱接入的前提和关键。单认知用户检测存在阴影效应和多径衰落等影响,检测效果较差。多用户协作频谱感知是目前频谱感知的主要手段。文中针对常用的协作频谱感知方法的不足,提出一种基于最优线性加权的协作频谱感知方法,对其检测模型与检测算法进行分析,并进行仿真。仿真结果表明,最优线性加权协作频谱感知在相同的条件下相比常用协作频谱感知具有更大的检测概率,更优良的检测性能。     

认知无线电差分协作压缩频谱估计算法

在分布式认知无线网络场景下,针对传统协作压缩频谱估计收敛速度慢、计算复杂度高的问题,提出了一种差分协作压缩频谱估计算法用于宽带频谱感知。算法通过利用不同认知用户感知的宽带信号所满足的相同频谱支撑集特征,实现了在邻居节点感知先验信息条件下,本地认知用户基于压缩测量向量差值的宽带频谱迭代估计。仿真分析结果表明,所提算法在频谱估计精度、检测性能与计算复杂度方面均获得了明显改善。     

一种基于加权的分组协作感知算法

在本文中,描述了一种新的认知无线电协作频谱感知改进算法。本文在现有的分组协作频谱感知结构的基础上,引入一个新的基于加权的分组协作算法。相较于其他的协作感知基于权重的协作在最终的判决中考虑到了根据每一组用户贡献的不同动态的分配权重因子。这样一来,不仅增强及达到更好的感知性能,且感知结果更加精确。在基于权重的协作算法中,可以不用考虑用户数目的不同,因为它对检测结果没有影响。本文通过对瑞利衰落信道使用加权分组协作进行仿真。证明了加权分组协作频谱感知可以提高能量检测概率。     

认知无线电中的协作频谱检测技术

频谱检测技术是认知无线电中极其重要的环节,而协作式的频谱检测由于其良好的检测性能日益受到人们的关注。基于能量检测,协作频谱检测的算法主要有：与（AND）算法、或（OR）算法、计数算法、分区算法、似然比算法、线性加权算法和分布式无线通信系统（DWCS）算法。分析表明,这些协作检测算法能够改善系统的检测性能、减低干扰冲突、提高频谱利用率。     

双信任度加权的K秩准则频谱感知算法

基于信任度的协作频谱感知算法,可以很好地解决本地检测的隐藏终端和频谱衰落等问题。但其对于多用户的大量数据分析,缺乏高效的数据统计和融合算法,算法的检测性能有待提高。为此,提出了一种基于双信任度加权的K秩准则协作频谱感知算法。它在主用户存在与不存在两种情况下,分别采用不同的信任度加权的算法,并与K秩准则的融合策略相结合。仿真结果表明,算法在保证数据统计和融合能力的前提下,有效的提高了检测性能和感知能力。     

一种新的分布式协作能量检测算法

针对集中式协作能量检测算法严重依赖中心节点的问题,提出了一种基于一致滤波器的完全分布式的协作能量检测算法.该算法不需要中心节点,次用户可以通过与其邻居次用户进行局域的数据交换,实现基于数据级融合的协作频谱感知.仿真结果表明,该算法比现有的集中式协作能量检测算法优越,能够实现安全的频谱感知.     

指数加权协作频谱感知算法分析及应用

为进一步提高认知无线电网络协作频谱感知性能,提出了一种新的加权软合并算法,该算法以信噪比指数形式进行权值计算,其目标是使权值-信噪比曲线更好地逼近检测概率-信噪比曲线,从而更好地利用信噪比信息来提高网络的协作感知性能。在单用户感知的基础上,介绍了指数加权软合并算法的思想和模型;其后以能量感知为基础,分别在Rayleigh和Nakagami衰落信道下,将指数加权软合并算法与传统软合并算法进行仿真比较,并分析得到了该算法的最优门限值;最后将新算法应用到基于簇的协作频谱感知中并进行仿真分析。仿真结果表明,新算法具有明显的性能提升。     

基于扩散策略的分布式协作频谱检测

分布式认知网络中,认知用户通过与相邻用户交换检测量信息,达到全网一致,实现对主用户信号的检测。为了提高网络检测量信息的收敛速度,提出了一种基于扩散策略的分布式协作检测算法。在该算法中,将最大最小特征值检测算法的检测量作为交换的初始信息,构造自适应矩阵和融合矩阵作为加权因子对认知节点状态值进行迭代更新,实现全网认知用户检测量信息一致,各认知用户独自根据融合的检测量信息,进行最终的检测判决,确定主用户是否存在。仿真结果表明,该算法在网络收敛速度和检测性能上较共识策略和非合作检测有不同程度的提升。     

基于加权平均一致算法的宽带压缩频谱感知

在认知无线电(CR)网络中进行频谱共享接入,首要的任务是进行频谱感知,并发现频谱空洞。基于认知无线网络中信号频域的固有稀疏性,本文结合了压缩感知(CS)技术与加权平均一致(weighted average consensus)算法,建立了分布式宽带压缩频谱感知模型。频谱感知分为两个阶段,在感知阶段,各个CR节点对接收到的主用户信号进行压缩采样以减少对宽带信号采样的开销和复杂度,并做出本地频谱估计;在信息融合阶段,各CR节点的本地频谱估计结果以分布式的方式进行信息融合,并得到最终的频谱估计结果,获得分集增益。仿真结果表明,结合压缩感知与加权平均一致算法增强了频谱感知的性能,比在相同的CR网络中使用平均一致算法时有了性能上的提升。      

基于压缩感知的分布式协同估计算法

为了降低分布式协同估计算法的计算量并改善其收敛性能,提出了基于压缩感知(CS)和递归最小二乘(RLS)的分布式协同估计算法.该算法在传统RLS分布式协同估计算法的基础上引入压缩感知技术,首先在压缩域中进行递归最小二乘运算,然后利用压缩感知重构算法得到未知参数向量的估计值.提出的算法能够在增量式策略和两种模式的扩散式策略下实现对未知向量的有效估计.理论分析和仿真结果表明,该算法一方面降低了RLS分布式协同估计算法的计算量,另一方面保持较快的收敛速度与良好的均方误差性能.     

一种基于感知信任度的加权协作感知算法

基于非协作感知的不确定性,协作频谱感知方法具有更高的可靠性.在传统的加权数据融合的基础上,根据无线电通信环境次用户(Secondary User,SU)的信任度不同,引入信任度函数及其信任度因子,提出了一种基于次用户信任度的自适应数据融合算法.仿真结果表明,该算法可以提高主用户(Primary User,PU)的检测概率,具有一定的可靠性和有效性,其检测性能优于传统的加权数据融合准则,同时还适应感知用户的拓扑变化.     

Distributed joint spectrum detection and power allocation in multi-band cognitive radio networks

This article proposes a novel dynamic spectrum sharing scheme in distributed multi-band cognitive radio networks. A non-cooperative game has been utilized to model the spectrum sharing among secondary base stations (SBSs). A distributed joint spectrum detection and power allocation algorithm is designed for maximizing the downlink throughput of secondary networks. Simulation results demonstrate that the proposed algorithm converges fast and achieves a better throughput performance than uniform threshold case. Meanwhile, the convergence of algorithm is proved by Nikaido-Isoda (N-I) function method.     

SNR-based weighted cooperative spectrum sensing in cognitive radio networks

Cooperative spectrum sensing (CSS) is an approach to confront fading environment. However, in conventional cooperative spectrum sensing (CCSS), the difference among the secondary users (SUS) is ignored when SUS suffer from different fading. In this article, a signal-to-noise ratio (SNR)-based weighted spectrum sensing scheme is proposed to improve the sensing performance. The sensing performance of the weighted spectrum sensing scheme is then derived. Considering the minor contribution of the SUS with small weighted factor, a selective CSS scheme is proposed, where SUS with low SNR are not selected into cooperative spectrum sensing. The simulation results confirm the analytical results. And the performance of weighted scheme is better than that of conventional schemes. In the case where the SNR of SUS are randomly distributed, the performance of selective scheme is almost the same as the weighted scheme while the number of cooperative SUS is reduced to save the consumption of system resource in cooperation with little additional complexity.     

蜂群优化神经网络的频谱感知

由于神经网络训练收敛速度慢、易陷入局部最优解,而最优解对神经网络的频谱感知算法性能影响大,因此为提高神经网络的频谱感知算法性能,采用蜂群算法交叉训练神经网络,加快训练收敛速度,降低均方误差。采用信号的能量、循环功率谱作为特征参数,提出了蜂群优化神经网络的频谱感知算法。仿真结果表明,在给定迭代次数下,相比能量法、循环平稳特征法、无蜂群算法交叉训练神经网络或RBF神经网络的频谱感知算法,本文算法具有更好的感知性能。      

Distributed Estimation Over an Adaptive Incremental Network Based on the Affine Projection Algorithm

We study the problem of distributed estimation based on the affine projection algorithm (APA), which is developed from Newton's method for minimizing a cost function. The proposed solution is formulated to ameliorate the limited convergence properties of least-mean-square (LMS) type distributed adaptive filters with colored inputs. The analysis of transient and steady-state performances at each individual node within the network is developed by using a weighted spatial-temporal energy conservation relation and confirmed by computer simulations. The simulation results also verify that the proposed algorithm provides not only a faster convergence rate but also an improved steady-state performance as compared to an LMS-based scheme. In addition, the new approach attains an acceptable misadjustment performance with lower computational and memory cost, provided the number of regressor vectors and filter length parameters are appropriately chosen, as compared to a distributed recursive-least-squares (RLS) based method.