频谱感知3：合作频谱检测中的硬合并与软合并

最新推荐文章于 2024-08-18 14:09:12 发布

tanghonghanhaoli

最新推荐文章于 2024-08-18 14:09:12 发布

阅读量1.3k

点赞数

分类专栏：频谱感知

本文链接：https://blog.csdn.net/tanghonghanhaoli/article/details/97891567

版权

频谱感知专栏收录该内容

5 篇文章 12 订阅

订阅专栏

文章目录

- - - 1、硬合并
    - 2、软合并

1、硬合并

我们先来考虑硬判决的情况。假定我们一共有 $K$ 个次用户，第 $k$ 个次用户采用能量检测器得到本地判决
$\tag{1.1} {\rm LD}_k=\left\{\begin{aligned} 0:&\quad H_0\\ 1:&\quad H_1, \end{aligned}\right.$ 并将其发往融合中心(FC)。FC采用m-out-of-K的方式进行投票，可以得到全局判决为
$\tag{1.2} {\rm GD}=\left\{\begin{aligned} 1;&\quad \sum_{k=1}^{K}{\rm LD}_k\ge m\\ 0;&\quad \sum_{k=1}^{K}{\rm LD}_k< m. \end{aligned}\right.$ 因此，FC处的检测概率和虚检概率分别为
$\tag{1.3} {\rm Q_d}=\sum_{k=m}^{K}\binom{K}{k}{\rm P}^k_{{\rm d},k}(1-{\rm P}_{{\rm d},k})^{K-k}$ 以及
$\tag{1.4} {\rm Q_f}=\sum_{k=m}^{K}\binom{K}{k}{\rm P}^k_{{\rm f},k}(1-{\rm P}_{{\rm f},k})^{K-k},$ 其中
$\tag{1.5} {\rm P}_{{\rm d},k}=Q\left[\frac{\eta-{\rm E}(r_k|H_1)}{\sqrt{{\rm Var}(r_k|H_1)}} \right]$ 为第 $k$ 个用户的检测概率，
$\tag{1.6} {\rm P}_{{\rm f},k}=Q\left[\frac{\eta-{\rm E}(r_k|H_0)}{\sqrt{{\rm Var}(r_k|H_0)}} \right]$ 为第 $k$ 个用户的虚检概率， $r_k$ 为第 $k$ 个用户的检测变量，且 $r_k$ 分布如下：
$\tag{1.7}\begin{aligned} r_k\sim {\mathcal N}(N\sigma_k^2,2N\sigma_k^4): & \quad H_0\\ r_k\sim {\mathcal N}\left((N+\mu_k)\sigma_k^2,2(N+2\mu_k)\sigma_k^4\right):&\quad H_1 \end{aligned}$ 其中 $\mu_k=\frac{2\alpha_k^2 E_{s}}{N_0}$ ， $\alpha$ 为瑞利分布。
在Rayleigh衰落信道条件下的硬判决检测性能如图1所示，这里假定所有用户的衰落与噪声都是独立同分布的。此时 $\gamma=12$ dB， $K = 10$ ， $m = 6$ 。图2给出为固定单用户虚检概率 $P_f=0.01$ 情况下，对于不同节点数 $K$ ，当 $m$ 在1~ $K$ 之间变化时，显然 $Q_f$ 减少，漏检概率 $Q_m$ 增大。

在这里插入图片描述

图1 瑞利衰落信道条件下检测性能曲线

在这里插入图片描述

图2 不同节点数情况下硬合并性能曲线，单用户虚检概率为0.01

2、软合并

这里我们考虑软合并。融合节点处，收到来自所有 $K$ 个节点的检测变量 $r_k$ ， $k=1,2,\ldots,K$ ，可以表示为
$\tag{2.1} \begin{bmatrix} u_1\\ u_2\\ \vdots \\ u_K \end{bmatrix}= \begin{bmatrix} r_1\\ r_2\\ \vdots\\ r_K \end{bmatrix}+\begin{bmatrix} n_1\\ n_2\\ \vdots\\ n_K \end{bmatrix}$ 即 $\bf u=r+n$ 。这里 $n_k$ 为从 $k$ 用户到融合节点的信道噪声且 $n_k\sim{\mathcal N}(0,\delta_k^2)$ 。进一步对这些变量进行加权合并，可以得到FC处的检测变量为
$\tag{2.2} y=\sum_{k=1}^{K}{w_ku_k}=\sum_{k=1}^{K}w_k(r_k+n_k)={\bf w}^{\rm T}{\bf u},$ 其中， ${\bf w}\triangleq[w_1,w_2,\ldots,w_K]^{\rm T}$ 为权重系数， $w_k\ge 0$ ； $r_k$ 分布如（1.7）。
由于 $y$ 是本地检测结果的线性组合，显然我们同样可以假定其为正态分布。下面来求它的均值和方差。

- $y$ 的均值
$\tag{2.3} \begin{aligned} {\rm E}[y]&=\sum_{k=1}^{K}{w_k{\rm E}[u_k]}=\sum_{k=1}^{K}w_k({\rm E}[r_k]+{\rm E}[n_k]) \end{aligned}$
首先考虑 $H_0$ ，可以得到
$\tag{2.4} m_{y0}={\rm E}[y|H_0]=\sum_{k=1}^{K}w_k\sigma^2_k=N{\bm \sigma}^{\rm T}{\bf w}$ 其中， ${\bm \sigma}=[\sigma_1^2,\sigma_2^2,\ldots,\sigma_K^2]^{\rm T}$ 。对于 $H_1$ 则有
$\tag{2.5} {\rm E}[y|H_1]=\sum_{k=1}^{K}w_k(N+\mu_k)\sigma_k^2,$ 由于 $\mu_k=\frac{2\alpha_k^2E_s}{N_0}=\frac{\alpha_k^2E_s}{\sigma_k^2}$ ，(2.5)可以重写成
$\tag{2.6} m_{y1}={\rm E}[y|H_1]=\sum_{k=1}^{K}w_k(N\sigma_k^2+\alpha^2_kE_s)=(N{\bm \sigma}+{\bm \alpha}E_s)^{\rm T}{\bf w},$ 其中 ${\bm \alpha}=[\alpha_1^2,\alpha_2^2,\ldots,\alpha_K^2]^{\rm T}$ 。

- $y$ 的方差
下面来看 $y$ 的方差，有
$\tag{2.7} \begin{aligned} {\rm Var}[y]&={\rm E}(y-m_y)^2\\ &={\bf w}^{\rm T}{\rm E}[({\bf u}-{\bf m}_u)({\bf u}-{\bf m}_u)^{\rm T}]{\bf w}\\ &=\sum_{k=1}^{K}\left({\rm Var}[r_k]+{\rm Var}[n_k]\right)w_k^2, \end{aligned}$ 对于不同假设可以分别得到方差为 $\tag{2.8}\begin{aligned} {\rm Var}(y|H_0)&=\sum_{k=1}^{K}(2N\sigma_k^4+\delta_k^2)w_k^2\\ &={\bf w}^{\rm T}{\bm \Sigma}_{H_0}{\bf w} \end{aligned}$ 以及
$\tag{2.9} \begin{aligned} {\rm Var}(y|H_1)&=\sum_{k=1}^{K}(2N\sigma_k^4+4\mu_k\sigma_k^4+\delta_k^2)w_k^2\\ &=\sum_{k=1}^{K}(2N\sigma_k^4+4\alpha^2_k\sigma_k^2+\delta_k^2)w_k^2\\ &={\bf w}^{\rm T}{\bm \Sigma}_{H_1}{\bf w}, \end{aligned}$ 其中 ${\bm \Sigma}_{H_0}=2N{\rm diag}^2({\bm \sigma})+{\rm diag}({\bm \delta})$ ， ${\bm \Sigma}_{H_1}=2N{\rm diag}^2({\bm \sigma})+{\rm diag}({\bm \delta})+4E_s{\rm diag}({\bm \alpha}){\rm diag}({\bm \sigma})$ 。由此，我们可以得到 $y$ 的分布为
$\tag{2.10}\begin{aligned} &H_0:y\sim {\mathcal N}(N{\bm \sigma}^{\rm T}{\bf w},{\bf w}^{\rm T}{\bm \Sigma}_{H_0}{\bf w})\\ &H_1: y\sim {\mathcal N}\left([N{\bm \sigma}+{\bm \alpha}E_s]^{\rm T}{\bf w},{\bf w}^{\rm T}{\bm \Sigma}_{H_1}{\bf w}\right). \end{aligned}$
因此，若FC处的判决门限为 $\eta_{\rm FC}$ ，我们可以得到软合并时的检测概率为
$\tag{2.11} {\rm Q}_{{\rm d,sc}}=Q\left[\frac{\eta_{\rm FC}-{\rm E}(y|H_1)}{\sqrt{{\rm Var}(y|H_1)}} \right],$ 虚检概率为
$\tag{1.6} {\rm Q}_{{\rm f,sc}}=Q\left[\frac{\eta_{\rm FC}-{\rm E}(y|H_0)}{\sqrt{{\rm Var}(y|H_0)}} \right].$