基于主用户活跃性的多带联合频谱感知模型

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (7): 99-103.

基于主用户活跃性的多带联合频谱感知模型

郭新，赵海峰，穆晓敏

郑州大学信息工程学院，郑州 450001

出版日期:2014-04-01 发布日期:2014-04-25

Multiband joint detection framework based on activity of primary

GUO Xin, ZHAO Haifeng, MU Xiaomin

College of Information Engineering, Zhengzhou University, Zhengzhou 450001, China

Online:2014-04-01 Published:2014-04-25

摘要/Abstract

摘要： 针对以往的多带联合优化模型没有考虑检测周期对认知网络性能影响问题，提出了一种新的基于主用户活跃性的多带联合优化模型，将问题建模为干扰量、虚警和漏检概率等约束条件的非凸优问题，以最大化机会接入吞吐量为目标联合优化检测周期、感知时间和判决门限，并通过分层优化方法对其进行求解。数值分析表明，引入主用户活跃性影响后，在满足上述约束条件的同时，在保护主用户和机会接入吞吐量之间有了更好的权衡。

关键词: 频谱感知, 检测周期, 主用户活跃性, 凸优化

Abstract: In order to solve the problem that primary multiband joint detection framework has not considered the performance impact of the detection cycle to cognitive networks, this paper presents a new framework related to the activity of primary users. The problem is modeled as a nonconvex optimization problem with the constraint of interference to the licensed users and miss, false alarm probability. Sensing period, sensing time and sensing threshold can be jointly optimized to maximum the throughput of cognitive system. This model is solved though bilevel optimization. The numerical analysis results show that better tradeoff has been got between throughput and protection of primary users after brings in the activity of primary users and guarantees the certain interference under limited.

Key words: spectrum sensing, sensing period, primary activity, convex optimize

郭新，赵海峰，穆晓敏. 基于主用户活跃性的多带联合频谱感知模型[J]. 计算机工程与应用, 2014, 50(7): 99-103.

GUO Xin, ZHAO Haifeng, MU Xiaomin. Multiband joint detection framework based on activity of primary[J]. Computer Engineering and Applications, 2014, 50(7): 99-103.

[1]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[2]	王玉磊1，2，邱罡3. 物联网频谱感知的人工物理学优化实现[J]. 计算机工程与应用, 2019, 55(14): 83-86.
[3]	范怡敏1，罗云飞2，沈克永1. 具有先应性最优通道传输的车载网络研究分析[J]. 计算机工程与应用, 2018, 54(23): 68-73.
[4]	庄陵，童开蒙，王凯. 应用MDFT结构的认知无线电频谱感知方法[J]. 计算机工程与应用, 2018, 54(2): 82-86.
[5]	郭文强，高文强，侯勇严，李然. 基于稀缺数据集下BN参数学习的目标识别[J]. 计算机工程与应用, 2018, 54(17): 122-125.
[6]	白玉，闫坤，李少鹏，张华伟，刘毅. 基于图分析的OFDM频谱感知[J]. 计算机工程与应用, 2018, 54(11): 86-90.
[7]	刁鸣，钱荣鑫，高洪元. 狼群优化的神经网络频谱感知算法[J]. 计算机工程与应用, 2016, 52(19): 107-110.
[8]	方伟，刘顺兰. 双门限和机会协作的频谱感知算法研究[J]. 计算机工程与应用, 2015, 51(8): 113-116.
[9]	张怡，陈宏营，段芳芳，李刚伟. 双门限三级联合频谱感知算法——基于能量检测和高阶循环谱检测[J]. 计算机工程与应用, 2015, 51(18): 86-89.
[10]	王勇锋，李鸥. 基于双门限的多天线分级融合协作频谱感知[J]. 计算机工程与应用, 2015, 51(17): 76-81.
[11]	刘翰焘，田峰. 协作频谱感知的系统效用优化分析[J]. 计算机工程与应用, 2015, 51(16): 97-102.
[12]	王琨1，吴宗勇2，黄文芳3. 基于奇异值分解的宽带频谱感知改进算法[J]. 计算机工程与应用, 2015, 51(12): 213-218.
[13]	郭文慧1，王亚林1，韩迎鸽2. 基于POMDP的信道感知接入算法[J]. 计算机工程与应用, 2014, 50(5): 203-207.
[14]	吕守涛1，刘健2，陈红宇1. 基于双门限和证据理论的合作频谱感知算法[J]. 计算机工程与应用, 2014, 50(12): 211-215.
[15]	赵小龙1，2，赵杭生2，曹龙1，2，许金勇2. 基于改进型能量检测的加权协作频谱感知算法[J]. 计算机工程与应用, 2013, 49(24): 61-64.