基于最大最小距离分簇的分布式协作频谱感知方法

摘要

本发明公开了认知无人机网络中基于最大最小距离分簇的分布式协作频谱感知方法，利用最大最小距离分簇算法将认知无人机分成多个簇，簇内选出簇头；各认知无人机使用能量检测得到主用户的感知信息；根据分簇情况和各认知无人机的感知信息进行两步融合，使各认知无人机均得到一个一致收敛的全局感应信息；根据全局感知信息作出主用户是否占用频谱的判决；本发明通过将位置相近、移动性相似的认知无人机分为一簇，保证簇内成员同簇头之间的通信，该分簇算法减少了分布式融合时的信息交换次数，提高检测效率；通过两步融合能够在没有融合中心的情况下实现全局感知信息的融合，并减少感知信息交换的次数，实现快速高效的频谱检测。

说明书

技术领域

本发明涉及分布式协作频谱感知技术，特别是指基于最大最小距离分簇的分布式协作频谱感知方法。

背景技术

频谱感知，是指认知用户通过各种信号检测和处理手段来获取无线网络中的频谱使用信息，频谱感知技术可以检测当前频谱信息，发现空闲频谱资源以对其进行再利用，提高频谱利用率，缓解频谱紧缺导致的频谱供需矛盾。由于单个认知用户进行频谱感知时检测性能差，因此使用多个认知用户进行协作频谱感知。对于具有移动性的认知用户来说，难以将所有感知信息发送至融合中心进行数据融合，而分布式频协作谱感知是在没有信息融合中心的情况下，多个认知用户仅通过与其相邻邻居节点进行信息交换来实现的协作感知。因此，分布式协作频谱感知对于移动次级用户有更好的通用性和鲁棒性。由于不存在融合中心，任意节点的加入和退出不会对感知网络的运行造成影响。此外，使用分布式协作频谱感知，能够有效解决单用户感知中由于阴影、衰落和隐藏终端造成的频谱检测性能低的问题。

目前多认知用户协作感知的方式主要分为集中式和分布式。如《Cluster-BasedCooperative Spectrum Sensing in Cognitive Radio Systems》中将认知用户分为多个簇，簇头节点收集簇内成员节点感知信息后作出二进制簇内判决结果，然后各簇头节点将其判决结果发送至融合中心进行决策融合，最终作出主用户是否存在的判决。申请专利号“201310745504.1”的中国专利，根据认知用户的接收信噪比，利用模糊均值聚类方法将认知用户分为多个簇，簇头收集簇内成员节点进行软融合，然后发送融合结果至融合中心进行簇间模糊判决软融合得出判决结果。

然而在认知无人机网络中，由于无人机的快速移动和认知无人机网络拓扑结构的不断变化，难以将感知信息发送至同一接收端，因此上述方案不适用于认知无人机网络。《ADistributed Consensus-Based Cooperative Spectrum-SensingSchemeinCognitiveRadios》提出了在没有融合中心的前提下，多个认知用户通过与其相邻邻居节点进行多次信息交换达到一个收敛结果，然后根据收敛结果进行判决的方案。但当次级用户数目较多时，需要多次的信息交换才能达到收敛值，增加了融合时延，降低了频谱检测的时效性和准确性。

发明内容

有鉴于此，本发明的目的在于提出基于最大最小距离分簇的分布式协作频谱感知方法能够解决上述问题的之一或全部。

基于最大最小距离分簇的分布式协作频谱感知方法，适用于认知无人机网络，所述认知无人机网络中具有一个主用户和N个认知无人机，其步骤为：

利用最大最小距离分簇算法将认知无人机分成多个簇，簇内选出簇头；

各认知无人机使用能量检测得到主用户的感知信息；

根据分簇情况和各认知无人机的感知信息进行两步融合，使各认知无人机均得到一个一致收敛的全局感应信息；

根据全局感知信息作出主用户是否占用频谱的判决。

进一步的，所述最大最小距离分簇的算法包括：

步骤一、随机选择一个认知无人机作为第一个聚类中心Z₁；

步骤二、计算其余认知无人机与Z₁之间的欧式距离，选择距离Z₁最远的认知无人机为第二个聚类中心Z₂，并D_1,2＝||Z₁-Z₂||，令D_1,2作为判别参数；

步骤三、计算其余认知无人机与Z₁和认知无人机Z₂的欧式距离，并选出其中的最小距离，即min(D_i,1,D_i,2,...),i＝1,2,...N，所有最小距离的集合表示为{min(D₁₁,D₁₂,...),min(D₂₁,D₂₂,...),min(D_i1,D_i2,...)...}，i＝1,2,3,...；

步骤四、选出所有最小距离集合中的最大距离D＝max(min(D_i,1,D_i,2,...))，其中，i＝1,2,3,...；

步骤五、对最大距离D与判别参数D_1,2进行判断，若D＞θ·D_1，2,则产生最大距离的认知无人机为新增的聚类中心，并返回执行步骤三、步骤四，直至没有新的聚类中心产生；若D＜θ·D_1,2，执行下一步，其中θ为初始化参数；

步骤六、将聚类中心之外的认知无人机划分至距离其最近的聚类中心代表的簇中；

步骤七、对簇中认知无人机的数量进行判断，如果一个簇中只有一个认知无人机，则重复执行步骤六，如果一个簇中有多个认知无人机，则执行下一步；

步骤八、计算各认知无人机的信任值，取一个簇内信任值最大的认知无人机为簇头。

进一步的，所述欧式距离的计算方式为：其中D_i,j为无人机i与无人机j的欧式距离，x_i、x_j代表认知无人机i、认知无人机j在三维空间的位置，移动速度和移动方向，ω₁为第一个聚类中心的权重因子，ω₂为第二个聚类中心的权重因子，分别为认知无人机i、认知无人机j在时隙开始和结束时的距离。

进一步的，所述认知无人机的信任值计算方式为：认知无人机i的信任值为ω_i是权重因子，i＝1,2,3，Δt为一个时隙，d₀为主用户到认知无人机在时隙开始时的位置的距离，d₁为主用户到认知无人机在时隙结束时的位置的距离，v为认知无人机的移动速度。

进一步的，所述两步融合包括簇内集中式融合与簇间分布式融合，其具体步骤为：

在簇内各认知无人机使用能量检测得到主用户的感知信息；

簇内各认知无人机将感知信息发送至簇头；

簇头在簇内对各认知无人机的感知信息进行软融合，得到融合感知信息；

各簇头与其相邻簇头交换融合感知信息，进行分布式融合，对融合结果进行判断，如果融合结果不为收敛的，则继续融合，如果得到一致收敛的融合结果为则执行下一步；

由融合结果得出全局感应信息，所述全局感应信息即为收敛值x^*，将收敛值x^*与判决门限λ相比做出最终判决，得出主用户是否占用频谱的结果。

进一步的，所述融合感知信息得到的方式为:

各认知无人机通过能量检测的方式接收到主用户信号，经过若干次数的采样后得到感知信息Y_j；

簇头融合簇内各认知无人机的感知信息Y_j，得出融合感知信息其中

其中M为簇的数目，N表示认知无人机数目，h_i表示簇头，表示簇头h_i内认知无人机的集合，j为认知无人机的索引值，ω_j是权重因子，并且满足

各簇内进行集中式融合后，簇头间将簇内融合感知信息进行分布式融合。

进一步的，所述感知信息Y_j为：

其中，m为采样次数，y_j(t)为认知无人机j接收到的主用户信号：h_j表示信道相关系数，s_j为假设的主用户信号，n_j(t)是均值为0，方差为的加性高斯白噪声，H₁代表主用户占用频谱，H₀代表主用户不占用频谱。

进一步的，所述分布式融合的方式为：

各簇头与其相邻簇头进行感知信息交换，融合感知信息，并进行数据更新，得出各簇头的融合迭代公式为

其中Δ为无人机网络的最大节点度，为簇头h_i的相邻簇头的集合，k为迭代次数，无人机的节点度为其相邻无人机的个数，最大节点度为无人机网络中邻居节点最多的无人机对应的节点度；

由各簇头的融合检测值计算得出全局感知信息。

进一步的，所述全局感知信息的得出方式为：

在簇内进行集中式融合，簇间进行分布式融合之后，每个认知无人机的感知信息通过无人机网络扩散至其它认知无人机，最后每个认知无人机得到一个一致收敛的全局感知信息，所述全局感知信息为收敛值x^*：

令并将代入上式，得出收敛值：

将收敛值x^*与判决门限λ相比做出最终判决：

其中H₁代表主用户占用频谱，H₀代表主用户不占用频谱。

本发明提出的基于最大最小距离分簇的分布式协作频谱感知方法，通过将位置相近、移动性相似的认知无人机分为同一个簇，保证了簇内成员节点同簇头之间的通信，此外，该分簇算法保证一个簇内至少含有两个认知无人机，减少分布式融合时的信息交换次数，提高检测效率；

在感知数据融合阶段，簇内进行集中式融合，簇间进行分布式融合，能够在没有融合中心的情况下实现全局感知信息的融合，并减少感知信息交换的次数，实现快速高效的频谱检测。

附图说明

图1为本发明的实施例的无人机场景图

图2为本发明的实施例的基于最大最小距离分簇的分布式协作频谱感知方法的流程图；

图3为本发明的实施例的最大最小分簇算法的流程图；

图4为本发明的实施例的两步融合算法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

基于上述目的本发明提供的基于最大最小距离分簇的分布式协作频谱感知方法，适用于认知无人机网络，所述认知无人机网络中具有一个主用户P和N个认知无人机，其步骤为：

利用最大最小距离分簇算法将认知无人机分为若干个簇，簇内选出簇头；

各认知无人机使用能量检测得到主用户P的感知信息；

根据分簇情况和各认知无人机的感知信息进行两步融合，使各认知无人机均得到一个一致收敛的全局感应信息；

根据全局感知信息作出主用户P是否占用频谱的判决。

为便于论述，我们做出以下假设。如图1无人机场景图所示，在认知无人机网络中，有一个主用户P和N个认知无人机。假设认知无人机在一个时隙Δt内进行随机移动，其在时隙开始时的位置为A(x_A,y_A,z_A)，在时隙结束时的位置为B(x_B,y_B,z_B)；主用户P到A和B距离分别为d₀，d₁；两个认知无人机i，j在时隙开始和结束时的距离分别为

分布式协作频谱感知方法的具体步骤可参照图2所示：

步骤101认知无人机利用最大最小距离分簇算法分为若干个簇，簇内选出簇头；

步骤102各认知无人机使用能量检测得到主用户P的感知信息；

步骤103簇头在簇内对各认知无人机的感知信息进行集中式融合，得到融合感知信息；

步骤104各簇头与其相邻簇头交换融合感知信息，进行簇间的分布式融合，直至各认知无人机均得到一个一致收敛的全局感应信息；

步骤105根据全局感知信息作出主用户P是否占用频谱的判决。

具体的说，所述最大最小距离分簇的算法如图2所示，包括：

步骤111、随机选择一个认知无人机作为第一个聚类中心Z₁；

步骤112、计算其余认知无人机与Z₁之间的欧式距离，选择距离Z₁最远的认知无人机为第二个聚类中心Z₂，并D_1,2＝||Z₁-Z₂||，令D_1,2作为判别参数；

步骤113、计算其余认知无人机与Z₁和其余认知无人机Z₂的欧式距离，并并选出其中的最小距离，即min(D_i,1,D_i,2,...),i＝1,2,...N，所有最小距离的集合表示为{min(D₁₁,D₁₂,...),min(D₂₁,D₂₂,...),min(D_i1,D_i2,...)...}，所述欧式距离的计算方式为：其中Di_,j为无人机i与无人机j的欧式距离，x_i、x_j代表认知无人机i、认知无人机j在三维空间的位置，移动速度和移动方向，ω₁为第一个聚类中心的权重因子，ω₂为第二个聚类中心的权重因子，分别为认知无人机i、认知无人机j在时隙开始和结束时的距离；

步骤114、选出所有最小距离集合中的最大距离D＝max(min(D_i,1,D_i,2,...))；

步骤115、对最大距离D与判别参数D_1,2进行判断，若D＞θ·D_1，2,则产生最大距离的认知无人机为新增的聚类中心，并返回执行步骤113、步骤114，直至没有新的聚类中心产生；若D＜θ·D_1,2，执行下一步，其中θ为初始化参数；

步骤116、将聚类中心之外的认知无人机划分至距离其最近的聚类中心代表的簇中；

步骤117、对簇中认知无人机的数量进行判断，如果一个簇中只有一个认知无人机，则重复执行步骤116，如果一个簇中有多个认知无人机，则执行下一步；

步骤118、计算各认知无人机的信任值，取一个簇内信任值最大的认知无人机为簇头，所述认知无人机的信任值计算方式为：认知无人机i的信任值为ω_i是权重因子，i＝1,2,3，Δt为一个时隙，d₀为主用户P到认知无人机在时隙开始时的位置的距离，d₁为主用户P到认知无人机在时隙结束时的位置的距离，v为认知无人机的移动速度。

在本发明中，将最大最小距离分簇算法应用于分布式协作感知算法中，最大最小距离分簇算法趋向于将位置相近、移动性相似的认知无人机分为同一个簇，保证了簇内成员节点同簇头之间的通信，此外，该分簇算法保证一个簇内至少含有两个认知无人机，减少了分布式融合时的信息交换次数，提高了检测效率。

进一步的，所述两步融合包括簇内集中式融合与簇间分布式融合，其具体步骤如图3所示，包括：

步骤121、在簇内各认知无人机使用能量检测得到主用户P的感知信息；

步骤122、各认知无人机将感知信息发送至簇头；

步骤123、簇头在簇内对各认知无人机的感知信息进行软融合，得到融合感知信息；

步骤124、各簇头与其相邻簇头交换融合感知信息，并进行融合，对融合结果进行判断，如果融合结果不为收敛的，则继续融合，如果得到一致收敛的融合结果为则执行下一步；

步骤125、由融合结果得出全局感应信息，所述全局感应信息即为收敛值x^*，将收敛值x^*与判决门限λ相比做出最终判决，得出主用户P是否占用频谱的结果。

进一步的，所述融合感知信息得到的方式为:

各认知无人机通过能量检测的方式接收到主用户P信号，经过若干次数的采样后得到感知信息Y_j；

簇头融合各认知无人机的感知信息Y_j，得出融合感知信息其中

其中M为簇的数目，N表示认知无人机数目，h_i表示簇头，表示簇头h_i内认知无人机的集合，j为认知无人机的索引值，ω_i是权重因子，并且满足

各簇内进行集中式融合后，簇头间将簇内融合感知信息进行分布式融合。

进一步的，所述感知信息Y_j为：

其中，m为采样次数，y_j(t)为认知无人机j接收到的主用户P信号：h_j表示信道相关系数，s_j为假设的主用户P信号，n_j(t)是均值为0，方差为的加性高斯白噪声，H₁代表主用户P占用频谱，H₀代表主用户P不占用频谱。

进一步的，所述分布式融合的方式为：

各簇头与其相邻簇头进行频谱感知，并交换融合感知信息，并进行数据更新，得出各簇头的融合迭代公式

其中Δ为无人机网络的最大节点度，为簇头h_i的相邻簇头的集合，k为迭代次数，无人机的节点度为其相邻无人机的个数，最大节点度为无人机网络中邻居节点最多的无人机对应的节点度；

由各簇头的融合检测值计算得出全局感知信息。

进一步的，所述全局感知信息的得出方式为：

每个认知无人机的感知信息通过无人机网络扩散至其它认知无人机，直至每个认知无人机得到一个一致收敛的全局感知信息，所述全局感知信息为收敛值x^*：

令并将代入上式，得出收敛值：

将上式与集中式软融合规则相比，可知，在没有融合中心的情况下，本方案最终将得到与集中式融合相同的全局感知信息。

将收敛值x^*与判决门限λ相比做出最终判决：

其中H₁代表主用户P占用频谱，H₀代表主用户P不占用频谱。

本发明将两步融合方法应用于数据融合，簇头节点收集簇内成员节点进行集中式软融合，簇头节点相互交换感知信息实现分布式数据融合。通过两步融合方法，在没有融合中心的前提下实现全局感知信息的融合，并减少感知信息交换的次数，实现快速高效的频谱检测，进而能够实现无人机场景下的快速高效频谱感知。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。