与频谱感知有关的方法和设备 技术领域 本发明涉及无线通信领域， 更具体地， 涉及该领域中基于协作频谱感知的频谱利 用的部分。
背景技术 近期的研究表明， 无线频谱的使用通常严重不足。其中的一个关键因素在于当前 的频谱许可系统。即， 无线频谱的某个部分被许可给一方， 例如无线通信系统的运营商， 该 方被给予使用无线频率的该部分的绝对权利。例如， 即使许可了有用频谱的大部分， 一些 测量 ( 例如， 参见 T.Erpek， K.Steadman， D.Jones， “Spectrum Occupancy Measurements ： Dublin， Ireland， Collected On April 16-18， 2007” ， Shared Spectrum Company Report， 2007) 表明， 该频谱的某些部分严重利用不足。因此， 无线频谱的更加灵活的使用成为热点 研究主题， 其目的在于优化 ( 即， 最大化 ) 可用无线频谱的使用。规程提出的一种方法是向 被许可人 ( 主要用户 ) 许可频谱， 同时在并不会对主要用户的系统工作引入有害干扰的条 件下允许其它用户 ( 次要用户 ) 使用所许可的频段。正在讨论的另一种方法是必须在多个 用户之间以等同权利共享完全未许可的频谱。
正努力开发新的概念和术语， 以引入对无线频谱的更加灵活且有效的使用。
一个新的术语是动态频谱接入， 其描述了频谱接入， 其中无线单元并不局限于仅 使用特定频谱段 ( 例如他们的许可频谱 )， 而是基于诸如估计的吞吐量和延迟需求、 频谱可 用性等条件来适配他们所使用的频谱。例如， 自身的许可频谱内的负载较高的蜂窝系统可 以动态地接入某些其它被许可人拥有的频谱段， 以临时增加其吞吐量， 只要该蜂窝系统不 会对主要系统引起不可接受的干扰， 或者通信节点的网络可以基于当前频谱条件来改变其 工作频率。 可能地， 动态频谱接入可以实现有限资源的更加高效的使用， 无线频谱就是有限 资源。这是因为， 多个系统将共享相同的资源， 从而当一个系统仅需要少量的频谱时， 经历 较高负载的其它系统可以利用更宽的带宽。
一个重要的概念是按需频谱 (spectrum-on-demand)， 这意味着， 在被触发时， 无线 节点仅作为未许可 ( 或者次要 ) 用户在频谱段内操作。无线节点发起通过未许可频段的通 信的一个原因可以是许可的频段 ( 如果有的话 ) 无法满足所需需求。例如， 可能在中央站 点的峰值负载时间、 在例如音乐会或运动赛事的特殊事件期间、 或者当相同小区内的多个 用户中的每个均需要较高带宽时， 出现这种事件。
按需频谱场景通常基于网络的结构而稍有不同， 网络的结构可以是集中的和分散 的 ( 自主的 )。
集中网络具有主要 ( 或中央 ) 节点， 主要节点具有对网络的控制功能。集中网络 的示例是当前针对移动通信采用的通用蜂窝网络， 其中， 主要节点 ( 典型地为基站 (BS)) 处 理与小区内的其它节点 ( 用户设备 (UE)) 的所有通信。集中网络的另一示例是对等网络， 其中， 主控节点 ( 可以将其功能赋予并转交给网络中的任意节点 ) 具有调节其它节点的功 能。
在分散网络中， 所有节点在本质上是等同的 ( 即， 没有节点可以控制另一节点的 操作 ) 并且自主地操作和通信。根据预定规则或惯例来执行频谱使用。如果节点感受到增 加带宽的需求， 则如果相邻节点接受， 例如相邻节点愿意减少他们的频谱使用， 该节点可以 增加其对共享频谱的使用。可选地， 节点可以设法检测并接入系统未使用的频谱 ( 并不一 定要与其它节点共享 )， 以满足需求。
与集中和分散网络 ( 一般而言还有动态频谱接入 ) 有关的概念是所谓的频谱感知 ( 下面称为 “感知” )。感知是通过监控无线传输来确定例如特定频谱段当前是否至少部分 地可供使用的动作。也即， 感知是发现可以以动态且可能次要的方式接入的频谱机会的方 法。参与感知的设备通常被称为感知器。诸如用户设备和基站之类的各种网络节点都可以 用作感知器。 由于通过感知识别的频谱机会可以看作与专门许可给系统的频谱相比更不可 靠， 这些机会可以用于被认为在时间上不严格的传输。
例如， 在 A.Ghasemi， E.S.Sousa， “Opportunistic Spectrum Access in Fading Channels Through Collaborative Sensing， ” Journal of Communications， vol.2， no.2， pp.71-82， March 2007 中表明， 针对高可靠性的感知结果， 需要至少在某种程度上感受到不 相关衰落 ( 关于感知所施加于其上的可能信号 ) 的多个感知器。这是因为， 单个感知器可 能处于强衰落中， 使得其几乎不可能或者至少非常难以检测到频谱资源的当前使用。 因此， 通常提倡应该以包括多个感知器的协作方式来执行感知。 当 前 的 研 究 主 要 关 注 于 提 供 使 用 协 作 感 知 来 检 测 频 谱 机 会 的 方 法。 然 而， 几 乎 没 有 对 如 何 选 择 将 参 与 协 作 感 知 的 感 知 器 的 研 究。 在 S.M.Mishra， A.Sahai， R.W.Brodersen， ” Cooperative Sensing among Cognitive Radios” ， IEEE Intl.Conf.on Communication， Vol.4， June 2006 pp.1658-1663 中对 “距离扩展” 的概念进行了论述。其 中， 论述了与协作感知中包括的感知器的数目和最远感知器之间的直线距离有关的感知性 能。 该文章表明， 一旦特定数目的感知器参与到协作感知中， 则添加更多的感知器仅能够微 弱地改善感知性能。然而， 该研究的缺陷在于， 布局主要受限于直线。
执行频谱感知的感知器将耗尽整个系统资源。例如， 感知器将针对其接收机和基 带电路使用能源， 并因此将减少电池寿命， 并且感知处理将消耗处理能力。此外， 感知器通 常需要以某种方式报告其感知结果， 而这需要附加的通信资源。 因此， 希望在感知中使用较 少的感知器， 但仍然具有足够数目以使得感知可靠。 在这种意义上， 要使用的感知器的数目 是高可靠性的感知结果和对参与感知器的资源 ( 例如电池容量 ) 的低或合理的需求以及通 信系统中的传输开销之间的折衷。因此， 需要能够以适当地平衡这些冲突的 “最佳” 方式来 选择参与协作感知的感知器。
因此， 本发明的一个目的是克服或至少缓和了上述难点中的至少一个。
发明内容 根据本发明的一个方面， 上述目的是通过根据下面所述的方法而实现的。 首先， 获 得可用于参与协作频谱感知的场合的感知器的候选集合。 然后定义用于计算与在协作频谱 感知中使用候选集合中的感知器相关联的成本的成本公式。 将候选集合划分为活动集合和 非活动集合。活动集合包含候选集合中要参与协作频谱感知的任意感知器。非活动集合包 括不参与协作频谱感知的任意感知器。通过应用优化过程来进行候选集合的划分， 优化过
程根据所定义的成本公式来对成本执行约束优化。
根据本发明的另一方面， 上述目的是通过根据下面所述的方法而实现的。如上所 述， 首先获得感知器的候选集合。还获得对候选集合中感知器的位置的估计。从候选集合 中选择第一感知器， 然后将第一感知器添加到活动集合中。然后从活动集合中选择下一感 知器。这里， 所选的下一感知器是以前并未从候选集合中选择的感知器。然后将所选的下 一感知器添加到活动集合或非活动集合。 确定是将所选下一感知器添加到活动集合还是非 活动集合的是所选下一感知器与已经在活动集合中的感知器的距离。 如果所选下一感知器 与已经在活动集合中的每一个感知器的距离大于阈值， 则将所选下一感知器添加到活动集 合。否则， 将下一感知器添加到非活动集合。这里， 阈值是大于或等于预定去相关距离的 值。 现在可以如上所述地继续该过程， 直到活动集合达到了预定目标等级， 或者直到候选集 合中的所有感知器都已经被添加到活动集合或非活动集合。
根据本发明的另一方面， 上述目的是通过用于感知器选择的元件实现的， 该元件 被配置为执行上述方法。
本发明实施例的一个优点在于， 提供了用于协作频谱的感知器选择的有效且系统 化的方法。通过并不一定将每个候选感知器都包括在协作频谱感知中， 可以将协作频谱感 知对系统资源引起的负担保持为可接受的低水平。此外， 如上所述的候选集合的系统化划 分确保了协作感知仍然是相当可靠的。仿真表明， 本发明的实施例在例如要在协作频谱感 知中使用的感知器的随机选择方面性能优越。例如， 这包括提高了主要用户检测的概率以 及降低了误报概率。 现在将使用示例性实施例并参考附图来进一步描述本发明。 本领域技术人员将认 识到， 其它目的和优点可以与本发明的这些示意实施例相关联。
对于受益于在下面的描述和附图中呈现的教导的本领域技术人员而言， 可以想到 所公开发明的修改和其它实施例。因此， 要理解， 本发明并不局限于所公开的特定实施例， 并且修改和其它实施例也应包括在该公开的范围内。 尽管这里可以采用特定的术语， 但是， 仅在广义和描述性的意义上使用这些术语， 而不是为了限制。
附图说明
图 1 是示出了可以应用本发明实施例的示例性按需频谱情形的示意网络框图。
图 2 是示出了图 1 所示的网络情形中的按需频谱操作的频率时间图。
图 3 是示出了根据本发明实施例的协作频谱感知操作的流程图。
图 4 是示出了根据本发明实施例的具有感知器选择元件的设备的方框图。
图 5 是示出了根据本发明实施例的与感知器选择元件相连的设备的方框图。
图 6 是根据本发明实施例的、 以预定栅格点提供的小区的视图。
图 7 是示出了根据本发明实施例的、 用于选择感知器或活动栅格点的优化过程的 流程图。
图 8 是示出了根据本发明实施例的用于感知器选择的两模式过程的流程图。
图 9 是示出了根据本发明实施例的活动集合和非活动集合的迭代产生方法的流 程图。
图 10 是示出了根据本发明的实现实施例的感知器选择元件的方框图。具体实施方式
图 1 是示出了可以应用本发明实施例的一个仅用于示意的按需频谱情形的示意 网络框图。在图中， 存在两个无线通信系统 S1 和 S2， 具有相交的覆盖区域。这里， 作为示 例， 系统 S1 是电视广播系统， 由两个广播天线 P1 和 P2 示意表示， 系统 S2 是蜂窝无线通信 系统， 由两个基站 BS1 和 BS2 示意表示， 基站 BS1 和 BS2 分别提供了在小区 C1 和 C2 中的无 线覆盖。还示出了由系统 S2 服务的多个用户设备 (UE)。系统 S1 具有针对频谱段 B1 的许 可。然而， 具有针对另一频谱段 B2 的许可的系统 S2 也想要能够利用频谱段 B1 中的频谱机 会。因此， 系统 S2 具有可靠的频谱段 B2， 在频谱段 B2 中， 其可以调度控制信令以及数据和 其它形式的通信。同时， 如果需要或者希望， 则系统 B2 可以选择以通过作为次要用户使用 更加不可靠的频谱段 B1， 来临时扩展其可用频谱。 只要关于频谱段 B2 的带宽， 系统 S2 的系 统负载较低， 则系统 S2 可以不必使用频谱段 B1 中的资源。然而， 当系统 S2 的负载变高时， 系统 S2 可以例如针对 ( 但不局限于 ) 时间不严格的传输 ( 例如大文件传送等 ) 使用频谱 段 B1。因此， 系统 S2 需要形成对频谱段 B 中存在的频谱机会的认知， 即频谱段 B1 中系统 S1 或者在频谱段 B1 中作为次要用户操作的任意其它系统当前未使用的无线资源 ( 例如， 时 间 / 频率资源或代码 )。这里， 假定系统 S1 并不直接给系统 S2 提供与频谱段 B1 中的频谱 机会有关的信息。因此， 系统 S2 必须通过感知来自己检测机会。如果系统 S2 在执行了感 知之后确信频谱段 B1 中存在当前未被系统 S1 使用的资源， 则系统 S2 可以选择将这些资源 用于其自身的业务。 图 2 是提供了应用于图 1 所示的网络情形中的按需频谱操作的示例的频率时间 图。在时间 t1， 在被许可的频谱段 B1 被完全利用时， 系统 S2 经历了增长的频谱需求。系统 S2 开始感知频段 B1， 搜索频谱机会。在时间 t2， 系统 S2 检测到频谱机会， 并开始以次要方 式使用频谱段 B1 中的一部分。在时间 t3， 系统 S2 中的频谱需求降低， 但是 S2 仍然使用 B1 中的资源。在时间 t4， 频谱需求进一步降低， 系统 S2 停止使用频谱段 B1。
优选地以涉及多个感知器的协作方式来执行系统 S2 中的感知， 以提高感知可靠 性。系统 S2 中的节点 ( 例如基站和 / 或被服务的用户设备 ) 可以用作感知器。
图 3 是示出了根据本发明实施例的协作感知的一个示例的流程图。图 3 的左侧示 出了在基站中执行的动作， 这里， 基站用作协作频谱感知的发起节点。图 3 的右侧示出了在 一个示例性感知器中执行的动作。在框 11 中， 基站确定需要更多的频谱以支持通信需求。 基站保存了可以看作是参与协作感知的候选的感知器的列表。因此， 该列表包含感知器的 候选集合。这种候选集合是 “总集合” 的子集， 总集合是某个地理区域内的所有节点。在实 施例中， 例如图 3 所示的实施例中， 由中央节点 ( 例如， 蜂窝系统中的基站或者对等网络中 的主控节点 ) 来协调用于协作感知的感知器的选择， 总集合可以是与中央节点相关联的所 有节点。特定节点不是候选集合的成员的原因可能是永久性因素， 例如节点可能缺少所需 功能 ( 例如对要感知的频谱段的支持 )， 和 / 或临时因素， 例如节点的电池等级太低而无法 参与。在框 11 之后， 基站在框 13 处确定列表是否是最新的。如果列表不是最新的， 则基站 在框 15 处向与基站相关联的所有节点发送感知请求。如框 17 处的示例性感知器所示， 该 感知请求由感知器接收到。示例性感知器在框 19 处处理感知请求以确定其当前是否是参 与协作频谱感知的候选。在该特定示例中， 假定该示例性感知器是协作频谱感知的候选，
并且在框 21 处， 在响应中将该信息通知给基站。在超时 23 之后 ( 意味着， 基站必须等待的 时间 )， 在框 25 处， 基站接收到该响应， 并且可能还有来自其它节点的类似响应。基于接收 到的响应， 基站在框 27 处更新感知器列表。当基站具有最新的感知器列表时， 基站将候选 集合划分为两个集合， 一个是活动集合， 一个是非活动集合。 活动集合包含将在该特定时间 参与协作感知的感知器， 非活动集合包含候选集合中在该特定时间将不参与协作感知的感 知器。当然， 基站能够确定这些集合中的一个 ( 例如活动集合 )， 然后隐式地确定另一个集 合。在建立了活动集合之后， 基站在框 31 处发送感知命令， 以命令活动集合中的所有感知 器执行感知。在该示例中， 假定示例性感知器处于活动集合中， 并且示例性感知器在框 33 处接收到感知命令。响应于感知命令， 示例性感知器在框 35 处执行感知。在已经执行了感 知之后， 在框 37 处， 示例性感知器在感知报告中向基站发送感知结果。在超时 ( 即， 等待时 间段 )39 之后， 在框 41 处， 基站接收到该感知报告以及来自活动集合中的其它感知器的类 似感知报告， 并且在框 43 处， 基站处理接收到的感知报告。在框 45 处， 感知报告的处理产 生频谱决定。频谱决定确立 ： 作为协作频谱感知的结果， 是否检测到一个或多个频谱机会。 在框 47 处， 基站向相关的系统节点 ( 例如， 在检测到的频谱机会中被调度用于发射或接收 的节点 ) 发送频谱决定以及可能的附加信息。在该特定示例中， 示例性节点在框 49 处接收 该发送。
候选集合的上述划分存在多个原因。 不希望所有感知器参与感知活动的一个原因 是为了减少系统中的能耗。这对于电池供电的感知器而言尤其重要 ： 相同感知器重复参与 协作感知将耗尽该感知器的电池。 还表明， 在协作感知中， 具有较大的感知器地理扩展通常 比具有经历相干衰落的多个感知器更重要。其原因在于， 相关遮蔽衰落的概率通常会随着 感知器的分离而减小。
为了减少各个节点中的功耗， 允许随时间改变地将候选集合划分为活动集合和非 活动集合。
此外， 如果将要感知的频谱范围划分为子范围， 则可以针对每个要感知的频率子 范围存在单独的活动集合。
在图 3 的示例中， 基站负责将候选集合划分为活动集合和非活动集合， 从而实现 对应该参与协作感知的感知器的确定。 当然， 不一定是基站， 可以使得能够访问感知器选择 元件的任意设备负责候选聚合的这种划分。图 4 是示出了这种设备 51 的一个示例的示意 方框图。这里， 提供了感知器选择元件 53， 并且将其包含在设备 51 中。图 5 示出了类似的 方框图。然而， 这里， 感知器选择元件 53 和设备 51 是通过通信信道 55 进行通信的物理上 分离的单元。可以以采用标准电路技术的各种方式来实现感知器选择元件 53， 例如应用专 用电路、 可编程电路、 或者其任意组合。本领域技术人员可以认识到， 元件 53 还可以完全或 部分地由编程有适当软件的一个或多个处理器来实现。感知器选择元件 53 可以被实现为 单个的单元， 或者可以分布在多个单元 ( 例如设备中的多个处理器或者多个通信设备 ) 上。
图 10 是示出了感知器选择元件 53 的特定实现实施例的方框图。在图 10 的实施 例中， 感知器选择元件 53 包括均在操作地连接 ( 例如通过数字总线 157) 的处理器 151、 存 储器单元 153 以及输入输出单元 155。存储器单元 153 存储数据库 159， 具有与选择过程有 关的信息。数据库 159 包括最初可能通过输入输出单元 155 接收的信息， 该信息识别候选 集合以及与候选集合有关的信息， 例如划分信息。数据库 159 还可以包含可在选择过程中使用的预存储数据， 这将在下面进行示意。处理器使用存储器单元 153 提供或经由输入输 出单元 155 提供的软件 161 和数据执行选择过程。可以经由输入输出单元 155 来传送选择 过程的结果。具体地， 感知器选择元件 53 可被配置为执行下面描述和指示的方法中的任意 一种方法。
根据本发明的实施例， 通过对优化问题进行求解来将候选集合划分为活动集合和 非活动集合。这里， 定义成本公式， 其描述了如何计算使用特定活动集合的成本。然后通过 根据成本公式， 服从适当的附加约束， 对成本进行优化来获得活动集合， 附加约束是例如要 包括在活动集合中的感知器的期望数目。
假定候选集合 S 包括感知器 s(1)， ...， s(M)， 本发明的实施例根据下面的成本公 式将成本与活动集合相关联， 以候选集合 S 的子集 X 作为活动集合 ：
其中 cij(i， j ＝ 1， ...， M) 是在这里被称为成本测量的值， 以及 ai(i ＝ 1， ...， M) 被定义为使得在感知器 s(i) 是 X 的成员时为 1， 而在感知器 s(i) 不是 X 的成员时为 0。成 本测量 cij 在优化过程期间是固定的， 并且可以当作对应矩阵 C 的分量 ( 成本测量矩阵 )。 如本领域技术人员所理解的， 公式 (1) 在形式上定义了与候选集合 S 的功率集合 P(S) 有关 的数值成本函数。如本领域技术人员所熟知的， 集合的功率集合是所考虑集合的所有子集 的集合。根据下式改写 (1) 也是有益的 ：
现在可以看出， 该公式所定义的成本是 “单独” 成本和 “成对” 成本的总数。单独成 本与作为 X 的成员的每个感知器相关联， 并且由成本测量矩阵中的对应对角分量给出。成 对成本与每一对分离感知器相关联， 并且由成本测量矩阵的对应非对角分量给出， 一对分 离感知器可以由 X 的成员形成。此外， 还可以容易地看出， 成本测量矩阵和成本函数之间的 关系不是一对一的。也即， 不同的成本测量矩阵可以产生相同的成本函数。然而， 如果限制 为特定类型的矩阵， 例如对称或三角矩阵的子空间， 则可以使该关系是一对一的， 并且是双 射。由于最小化了需要确定和 / 或存储的成本测量的数目， 因此这不仅是理论值， 而且实际 上也是有用的。
从下面可看出， 上述成本公式可以应用于多个实际上感兴趣且有用的情况。
在大的结构 ( 例如建筑物和高山 ) 之后， 传播损耗会引起遮蔽衰落。遮蔽在空间 上是相关的， 并且作为两个终端之间的距离 d 的函数的相关 R(d) 的一个模型如下 ：
R(d) ＝ e-ad (2)
其中， a 是环境参数。例如， 在城市内环境中， a ≈ 0.1204， 而在郊区环境中， a ≈ 0.002。 假定以米给出 d， 参见 A.Ghasemi， E.S.Sousa“ ，Opportunistic Spectrum Access in Fading Channels Through Collaborative Sensing， ” Journal of Communications， vol.2， no.2， pp.71-82， March 2007。由于按照指数衰减函数来对相关进行建模， 因此， 相 关不可能是负的， 并且在极限情况下 ( 即， 当 d- ＞无限时 ) 趋近零。可以通过去相关距离 去相关距离 d0 是遮蔽相关下降到低于预定阈值所需的感知器 d0 来对传播环境进行特征化， 之间的最小分离。相关阈值是设计参数， 可以根据通过协作频谱感知产生可靠结果的任意
两个感知器之间的最大可接受相关来选择相关阈值。 可以根据上述等式 (2)， 针对给定相关 阈值获得去相关距离 d0。 接下来， 针对低于阈值的遮蔽相关， 即当两个感知器的分离大于 d0 时， 使用术语 “不相关遮蔽” 。在下面的示例性实施例中， 作为示例， 成本测量将基于遮蔽相 关 ( 下面称为相关 )。在这种情况下， 将成本测量称为相关测量。然后， 成对相关测量 cij(i 不等于 j) 可以基于上述相关函数 R(d)， 其中 d 是感知器 s(i) 和 s(j) 之间的估计的欧几 里德距离。 然而， 相关测量应该通常是基于相关函数、 感知器对的位置以及相关联的定位不 确定性以及可能的附加参数的组合。关于成对相关测量 cij(i ≠ j) ： 注意， 可感知的相关测 量应该是对称的， 使得 cij ＝ cji。在这种情况下， 仅需要确定两个相关测量中的一个， 并存 储在存储器中。此外， 通常针对所有的 i 和 j 有 cii ＝ cjj( 即， 如果距离为零， 相关测量总是 相同的， 而与正在考虑哪个感知器无关 )， 这也可以减少存储器需求。稍后将给出关于如何 计算适当的相关测量的具体示例。 然而， 如上所述， 本发明的实施例不应看作局限于相关测 量。相关测量的使用是与当前应用相关的成本测量的一个示例。例如， 这里呈现的方法可 以用于其它应用以最大化所选感知器之间的距离， 即最小化 -1 乘以距离， 严格来讲， 距离 不是相关测量。
下面， 在示意优化的感知器选择的各个实施例中使用相关测量。然而， 记住， 这里 呈现的方法多数可以等同地应用于一般的成本测量。 此外， 在特定实施例中， 可以将小区划分为多个扇区， 扇区足够大而使得仅需要在 当前和邻近扇区中的所有感知器对之间计算相关测量 ( 对于其它感知器对， 相关测量近似 为零 )。
此外， 可以直接实现要描述的示例性算法， 而与感知器位置是否仅在一维 ( 例如， 如果已知对感知器相对特定点 ( 例如主要节点， 例如 BS) 的距离的估计 )、 二维 ( 所估计的 感知器位置是平面上的 ) 还是三维、 甚至多达任意数目的维度上已知无关。然而， 在算法的 良好实现中， 所使用的相关测量将取决于位置估计的维度。
要基于成本公式 (1) 来解决的优化问题因此可以改写为 ：
服从 和 ai ∈ {0， 1}， i ＝ 1， ...， M 用户参数 N 指示要在协作感知中使用的感知器的期望数目， 即活动集合中的感知 之后， 活动集合 A 简单地 非器的期望数目。在确定了优化 (3) 的值 是具有索引 i 的感知器， 使得即在形式上 A ＝ {s(i) ： 1 ≤ i ≤ M 以及活动集合当然是 S 中 A 的补集。
上述问题 (3) 可以容易地被识别为整数优化问题， 并且， 可能仅能够精确地通过 穷举搜索来解决， 即通过测试 {ai}， i ＝ 1， ...， M 的所有满足约束的 可能值。这种穷举搜索通常非常耗时， 并且针对当前感知上下文的实现不推荐。 取而代之的， 这里描述一种 算法， 通过实施贪婪方法来找到上述问题的近似解 ： 作为算法的起始点， 所有感知器都是活动的， 即都是活动集合的部分。
然后该算法迭代地逐一删除感知器 ( 总是删除相对于剩余感知器具有最大求和 相关测量的感知器 )， 直到获得了感知器的希望数目 N。因此， 在删除感知器的每次迭代中， 感知器的删除将得到成本的最大减小， 因此将其命名为贪婪方法。
在特定实施例中， 建议算法可以以两种模式运行。应该基于小区中可用的感知器 的数目、 基于运行算法的设备的处理功率和需要以多快获得解， 来选择适当的模式。例如， 如果可用于感知的感知器的数目小于预定数目 K( 如果希望总是使用模式之一， K 可以是零 或无限的 )， 可以使用模式 1。否则， 将使用模式 2。选择两个模式之一或组合两个模式的其 它准则也是完全可能的， 并且同样由本发明涵盖。
模式 1 ： 在该模式下， 直接使用感知器的估计位置， 这意味着， 必须计算感知器之 间的所有成对相关测量。 假定在小区中有 M 个感知器可用， 则存在 成对相关测量要计算。
模式 2 ： 如果认为模式 1 计算强度太高 ( 例如， 如果存在太多的要计算其成对相关 测量的感知器 )， 则可以将估计的感知器位置 “舍入” 为小区中最接近 ( 根据某个距离测量 ) 的栅格点。栅格点是在小区的主要节点中存储 ( 或者位于小区的主要节点可访问的点处 ) 的某些预定位置。 这里， 主要节点被定义为运行划分算法的节点 ( 例如， 蜂窝系统中的 BS)。 按照这种方式， 每个候选感知器与栅格点之一相关联。主要节点在存储器中存储有所有栅 格点之间的预先计算的成对相关测量， 因此不需要成对相关测量的计算。仅使用与感知器 相关联的栅格点， 或者这些栅格点是 “活动的” 。 假定栅格点的间隔足够近， 因此舍入感知器 位置所引起的额外定位误差对成对相关测量具有相对较小的影响。事实上， 通过在计算测 量中采用栅格点间隔， 该额外定位误差可以被包括在相关测量中。图 6 是示出了这些原理 的示意小区图。主要节点 ( 这里是基站 61) 位于具有预定栅格点的小区中， 并且以附图标 记 65 指代一个这种栅格点。基站 61 与存储器 63 相连或者包括存储器 63， 存储器 63 存储 了与预定栅格点相关联的成对相关测量。作为示例， 当前在小区中有四个可以充当感知器 的用户设备 67.1-67.4。 这些用户设备中的每一个与最接近的栅格点相关联， 并且这些最接 近的栅格点是活动栅格点。这里， 用户设备 67.1 和 67.2 与不同的栅格点相关联， 而用户设 备 67.3 和 67.4 与相同的栅格点相关联。
假定已经获得了相关测量， 其中测量是针对模式 1 在感知器之间做出的， 或者是 针对模式 2 在活动栅格点之间做出的， 则算法运行如下， 其中， 如果算法在模式 1 中运行， 以 “元素” 表示 “感知器” ， 则如果算法在模式 2 中运行， 则以 “元素” 表示 “活动栅格点” 。
1. 假设以 P 表示 “元素数目” ， 并从 1 到 P 对元素编号。
2. 假设3. 不考虑元素编号 k， 将从 1 到 P-1 对剩余元素编号， 然后设置 P: ＝ P-1。
4. 如果 P ＜＝ N， 结束， 否则， 转向 2。
在算法结束之后， 得到 N 个元素。如果算法在模式 1 中运行， 则活动感知器与剩余 元素相同。如果算法在模式 2 中运行， 则通过根据每个剩余元素拾取一个感知器来获得感 知器。 对于与不只一个感知器相关联的元素， 选择可以例如基于感知器的电池容量、 感知能力， 或者可以随机地拾取感知器。
将点 2 中的等式最大化的元素 k 是具有与剩余元素的最大求和相关测量的元素。 因此， 如果目标是最小化剩余感知器之间的总相关， 则可以删除元素 k。
然而， 如果可用感知器的数目小于感知器的希望数目 N， 则不运行该算法， 取而代 之的， 可以使用最大努力 (best-effort) 方法， 并且所有可用的感知器都参与感知。
直接改写上述算法， 以使得算法的起始点具有单个活动感知器 ( 即， 主要节点的 感知器 )， 并且其它感知器非活动。 然后逐一将非活动感知器转为活动的， 其中， 要激活的感 知器是具有与已经活动的感知器的求和相关的最小值的非活动感知器。在上述算法中， 使 用的停止准则是剩余感知器的数目达到指定阈值。其它停止准则也完全是可行的， 并且由 本发明涵盖。 这种停止准则可以基于例如剩余感知器的数目、 这些感知器的各个相关、 剩余 感知器的平均相关值等。
此外， 基于这里描述的概念的其它类型的算法也完全是可以的， 并且由本发明涵 盖。例如， 可以以多个感知器的集合 ( 例如 N 个 ) 开始， 然后使用与上述准则类似的准则， 针对多个迭代添加和删除 ( 反之亦然 ) 多个感知器， 直到达到停止准则。例如， 可以在添加 或删除了固定数目的感知器之后停止， 或者在算法达到局部极小时停止， 从而可以直接地 删除 ( 反之亦然 ) 添加的感知器。
在另一备选实施例中， 在上述点 2 中求和的相关测量的值可以用作由随机变量决 定要删除哪个元素。然后， 对应求和相关测量变得较大的元素应该具有相对较大的被删除 的机会。 值 可以例如描述了线上的区间， 并且随机变量均匀地分布在整个长度上， 然后通过落入与元素对应的特定区间来决定删除哪个元素。
图 7 是示出了针对活动集合来选择 “元素” 的上述优化算法的实现实施例的流程 图， 但是稍有改变以避免麻烦的元素重复编号。在开始 71 之后， 在框 73 处获得包括 P 个元 素 e(1)， ...， e(P) 的候选集合 S。针对模式 1， 元素是感知器。针对模式 2， 元素是活动栅 格点。在框 75 处， 获得与所考虑的元素相关的相关测量。现在引入索引集合 I， 以避免重新 编号。在框 77 处， 最初将索引集合 I 设置为 {1， ...， P}， 以反应假定所有元素最初都位于 活动集合中的贪婪优化过程的起始位置。其后， 在框 79 处， 检查索引集合 I 中的编号 (#I) 的数目是否小于或等于协作频谱感知中参与者的期望数目 N。现在假定不是， 则在框 81 处 计算与要从活动集合中删除的元素 e(k) 相关联的索引值 k。这里根据下式来计算索引值 k：
可以看出， 元素 e(k) 是当前处于活动集合中的元素， 当从活动集合中删除该元素 时， 根据成本公式会引起最大的成本降低。在框 83 中， 通过从索引集合 I 中删除值 k 来修 改索引集合 I。这里， 该操作简洁地表示为索引集合 I 与集合 {k} 之间的集合之差。从索引 集合 I 中删除元素 e(k) 当然等效于从活动集合中删除元素 e(k)。在框 83 之后， 该方法返 回框 79， 并且如上所述重复该处理， 直到索引集合 I 中的编号的数目等于活动集合的元素 的期望数目 N。然后， 在框 85 处， 最终建立活动集合 A， 包括对应索引值仍然在索引集合 I 中的元素。在框 85 之后， 图 7 的优化过程在框 87 处结束。如果候选的元素的数目小于期
望数目 N， 则通过在框 85 处将所有元素都包括在活动集合中来进行最大努力尝试。 此外， 对 于模式 2， 随后必须将元素 ( 活动栅格点 ) 转换为感知器， 例如通过针对活动集合中的每个 活动栅格点， 拾取于该栅格点相关联的感知器。
此外， 注意， 上述用于计算 k 的公式 (4) 应用于相关测量具有先前提到的特定结构 的情况。取而代之的， 如果使用一般的成本测量， 则可以使用更一般的公式， 本领域技术人 员可以容易地根据等式 (1)、 (1.1) 或 (3) 推导出。清楚的是， 如果从活动集合中删除单个 元素 e(n)， 则成本公式中索引值 i 或 j 中的至少一个等于 n 的所有项都将消失， 从而导致对 应的成本降低。然后将对应成本降低最大的值 n 用作上述值 k， 也即 ：
在图 7 的实施例中， 起始点是所有元素都在 ( 元素的 ) 活动集合中的， 然后逐个删 除元素， 直到活动集合达到适当的大小 N。如上所述， 还可以以活动集合为空或者包括单个 元素来开始， 并且取而代之的， 基于成本考虑， 逐个将元素添加到活动集合中。图 7 的实施 例可以容易地修改为考虑这种可能性。然后， 引入第二索引集合 J 也是方便的， 第二索引集 合 J 包括尚未被选作到活动集合中的元素的索引值。因此， 利用该方法， 索引集合 I 最初为 空集合， 并且索引集合 J 最初被设置为 {1， ...， P}， 指示所有元素都可用于选择到活动集合 中。备选地， 索引集合 I 可以最初包括与某个特殊元素 ( 例如协调节点 ) 相对应的特定索 引值， 如果该节点具有感知器能力 ； 然后当然也从索引集合 J 中删除该特定索引值。 现在根 据下式来计算索引值 k ：
其中再次假定相关测量具有上述结构。然后将值 k 添加到集合 I 中并从集合 J 中 删除， 指示元素 e(k) 现在处于活动集合中， 并且不能够再次被选择。元素 e(k) 是当被添加 到活动集合中时在成本中引起最小增加的元素。假定候选集合包括足够多个成员， 现在可 以重复该过程， 直到索引集合 I 具有 N 个。为了方便读者， 下面也以简单的伪程序代码概括 了该过程， 并且使用标准集合符号和运算来实现简洁表示 ：
btain candidate set of elements{e(1)， ...， e(P)} ；
read particular_index_value ；
I: ＝ {particular_index_value} ；
J: ＝ {1， ...， P}\{particular_index_value} ；
repeat
I: ＝ I ∪ {k} ； J: ＝ J\{k} ；until #I ＝ N or J ＝A: ＝ {e(i) ： i ∈ I} ；
if mode ＝ Mode 2 then translate A into an active set of sensors ；
图 8 是根据示例性实施例对整个两模式过程进行概括的流程图。这里， 假定候选 集合中的感知器的数目超过活动集合的感知器的希望数目 N。 在开始 91 之后， 在框 93 处确 定候选集合中的感知器的数目是否超过阈值 K。如果否， 则该过程将运行在模式 1 中， 并且 在框 95 处， 将模式变量设置为 1。其后， 在框 97 处， 计算与候选集合中的感知器相关联的 相关测量。在框 99 处， 指示 “元素” 现在是感知器。另一方面， 如果可用感知器的数目超过 阈值 K， 则该方法将在模式 2 中运行， 并且在框 101 处将模式变量设置为 2。在框 103 处， 将 每个感知器与其最接近的栅格点相关联。在框 105 处， 不考虑没有接收到任何感知器关联 的栅格点。然后， 在框 107 处， 从存储器 63 中加载剩余 ( 活动 ) 栅格点的相关测量。在框 109 处， 指示 “元素” 现在是剩余栅格点。现在针对模式 1 以及模式 2， 以相同的方式执行优 化过程。在框 111 处， 找到具有最大求和相关的元素， 然后在框 113 处不再考虑该元素。在 框 115 处， 检查可用元素的数目是否仍然大于元素的期望数目 N。如果是， 则该方法返回框 111， 并因此如上所述重复， 直到可用元素的数目等于 N。 其后， 在框 117 处， 检查运行该方法 的模式。 如果模式是模式 1， 则剩余元素 ( 是感知器 ) 构成要用于协作感知的感知器的最终 活动集合。如果模式是模式 2， 则在框 121 处， 针对要用于协作频谱感知的感知器的活动集 合， 拾取与每个剩余元素相关联的一个感知器。 一旦建立了感知器的活动集合， 则该方法在 框 123 处结束。
该算法本身并不依赖于特定相关测量的使用。然而， 为了示意可以使用何种类型 的相关测量， 以及如何组合定位不确定性和相关函数， 下面给出相关测量的一些示例。
假定各个感知器的位置具有某种不确定性。例如， 可以由感知器通过使用全球定 位系统 (GPS) 来估计位置， 并将位置报告给协调节点， 或者， 网络例如通过使节点监听具有 已知位置的多个节点 ( 例如 BS) 并估计传播延迟从而估计与这些节点的距离， 来支持位置 的估计。当这些距离和对应的节点位置已知时， 可以对位置进行估计。定位不确定性与各 个定位算法的性能相关联， 并且假定已知具有某种精确度。 在某些情况下， 定位不确定性还 可以被建模为正态分布， 以感知器的估计的预期位置为中心， 具有表示在所使用的定位系 统中的不确定性的标准偏差。
假定感知器 s(i) 的位置可以由随机变量 xi 描述， 并且感知器 s(j) 的位置可以类 似地由随机变量 xj 描述。 这些随机变量的概率密度函数 ( 描述了定位不确定性 ) 则分别为 p(xi) 和 p(xj)。xi 和 xj 之间的矢量距离可以由随机变量 dij 描述， 该随机变量 dij 具有对应 的概率密度函数 pm(dij)。
可以针对不同环境类型 ( 市内、 郊区等 ) 而不同的相关函数通常是两个位置之间 的 ( 标量 ) 距离 d 的函数 ： R(d)。通过取适当的范数， 即 d ＝ ‖dij‖， 可以将矢量值的距离 dij 映射到标量距离 d。 由于 dij 是随机变量， 作为一个可能的实施例， 建议将基于 dij 的分布 的相关函数的预期值作为相关测量 ：
cij ＝ E{R(‖dij‖)|pm(dij)} ＝∫ R(‖dij‖)pm(dij)ddij (5)
如果 dij 是二维高斯分布的， 并且如果范数 ‖·‖ 是欧几里德范数， 则可以证 明， ‖dij‖ 是莱斯 (Ricean) 分布。如果上述算法在模式 2 中运行， 则可以针对所有栅格点对离线计算上述等式。
假定描述距离矢量的概率密度函数是循环对称、 独立且恒等分布的 ( 异常为均 值 )， 则可以离线计算上述表达式， 并且针对多个距离值制成表格。 为了方便起见， 现在删去 下标 i 和 j。由 m 表示分布 pm(d) 的平均值， 其中 d 表示距离矢量。然后， 假定 Rv(d) 表示 R(d) 的矢量输入版本 ； 也即， Rv(d) ＝ R(‖d‖)。现在可以通过下式获得对应的相关测量 ：
c(m) ＝ E{Rv(d)|pm(d)} ＝ E{Rv(d)|p0(d-m)} ＝∫ Rv(d)p0(m-d)dd (6) 其中， p0(·) 表示偏移到零均值的 pm(·)， 并且 p0(·) 的自变量可以在第三等式之后乘以 -1， 因为分布是关于 0 对称的。很容易地认识到， 由于 Rv(·) 和 p0(·) 都是关于 0 对称的， 因 此上述等式是卷积， 在上述假定下， 上述等式将针对具有相等范数的 m 的所有值产生相同 的 c(m) 值。这意味着， 等式 (6) 定义的函数 c(·) 可以把范数化为 “因子” ， 使得 c(·) ＝ c′ о‖·‖， 其中 c′ (·) 是单个标量变量的函数， о 表示合成。因此可以针对多个测 量的标量距离 ‖m‖ 预先计算该等式， 并且将对应的值 c′ (‖m‖) 制成表格并存储在存 储器中。按照这种方式， 不需要 “在线计算” 来计算相关测量 cij。因此， 为了获得两个感知 器 s(i) 和 s(j) 之间的相关测量， 首先估计感知器之间的距离 D， 然后从存储器中检索值 c′ (D)， 作为与这些感知器相关联的成对相关测量。 另一种相关测量是基于对以设定的置信水平大于距离 ‖dij‖ 的值 Tij 的计算。 然 后， 取而代之的， 可以使用下式作为相关测量 ： cij ＝ R(Tij)。
如上所述， 在更一般的上下文中， cij 可以看作成本测量。然后， R(d) 可以是并不 直接描述相关、 而是给出了感知器距离如何影响感知性能的概念的函数。例如， R(d) 可以 是比指数衰减所建议的去相关距离 d0 内的更大且更缓慢的衰减。
最后， 可以注意到， 在例如 R(d) 和其它因子所提供的相关的函数描述中存在内在 的相当大的不确定性。因此， 上述相关测量的近似或对等技术方案也可以良好地执行。例 如， 如果与分布平均值之间的距离相比， 定位不确定性非常低， 则可以直接将相关函数 R(d) 用作相关测量， 其中 d 被设置为两个位置之间的距离矢量范数 ( 从而忽略在这种情况下总 是较小的定位不确定性 )。另一选择是将相关函数与分别描述了两个位置的不确定性的两 个一维函数卷积， 然后使用所产生的一维函数作为相关测量， 其中再次以位置平均值之间 的范数距离作为输入。
在上面， 假定形式 cii 的相关测量总是相等的。如本领域技术人员所理解的， 这些 相关测量将不会影响确定活动和非活动集合的优化过程。然而， 不必做出这种假定。注意， 值 cii 可以用于描述与其它感知器相比使用编号为 i 的感知器的吸引力。 例如， 已知编号为 i 的感知器具有比编号为 j 的感知器更大的电池以及更好的感知性能， 则可以设置 cii ＜ cjj。 类似地， 如果主要节点具有非常好的感知能力 ( 例如， 主要节点是蜂窝系统中的 BS)， 则可 以将对应的 cii 设置为非常低， 甚至为负无穷， 以确保该感知器将用于感知。这同样适用于 固定感知器， 例如由感知系统所拥有的中继器处的感知器。
关于如何实现感知器的划分的本发明实施例的另一示例以较高概率实现了活动 集合中总的不相关感知器的大部分。该算法迭代地将感知器划分为两个子集 ： 活动集合和 非活动集合。该算法的输入是可用于感知的感知器的位置的估计以及去相关距离 d0。该算 法以仅包含主要节点 ( 例如， 蜂窝系统中的基站 ) 的活动集合开始。这里， 假定本发明示例 实现中的主要节点具有频谱感知能力。 这并不限制本发明， 而是， 可以将任意节点用作开始
的感知器。然后， 该算法逐个感知器检查各个感知器是否位于距活动集合中存在的所有感 知器的距离大于去相关距离 d0 的位置 ( 可能地， 可以添加定位不确定性的额外的极限 )。 如 果对于感知器而言情况是这样， 则将该感知器添加到活动集合， 而如果对于感知器而言情 况不是这样， 则将该感知器添加到非活动集合。 该过程迭代地增加活动集合的大小， 直到达 到参与协作感知活动的感知器的预定目标数目 N， 或者直到已经检查了所有感知器位置并 且没有感知器还需要考虑 ( 最大努力 )。允许参与感知的感知器的最大数目的这种目标值 可能存在， 也可能不存在。关键在于， 该值的不存在应该不会使本发明无效。如果感知器的 预定目标数目 N 存在并且在将所有感知器位置与活动集合进行比较之前就达到了该数目 N， 则将剩余的感知器添加到非活动集合。图 9 是示出了感知器选择的该方法的实现实施例 的流程图。在开始 131 之后， 在框 133 处， 基于估计的位置， 在列表中组织候选集合中的感 知器。例如， 可以按照与基站的距离的递增来对感知器进行排序。在框 135 处， 将基站添加 到活动集合然后从列表中删除。在框 137 中， 检查列表是否为空， 或者是否达到了活动感知 器的目标数目 N。假定现在这些条件均不满足， 则方法前进到框 139， 在框 139， 从列表中选 择下一感知器。然后在框 141 处检查所选的感知器与活动集合中的每个感知器的距离是否 大于去相关距离 d0， 或者备选地， 是否大于去相干距离 d0 加上额外极限 μ。如果是， 则在框 143 处， 将所选的感知器添加到活动集合， 然后从列表中删除。否则， 在框 145 处， 将所选感 知器添加到非活动集合， 然后从列表中删除。 一旦将所选感知器从列表中删除了， 则该方法 转到框 137， 并且该方法如上所述地进行， 直到在框 137 处满足至少一个条件。当出现这种 情况时， 该方法继续， 在框 147 处检查该列表是否为空。 如果该列表为空， 则该方法在框 151 处结束。否则， 在该方法在框 151 处结束之前， 在框 149 处将列表中的任意剩余感知器添加 到非活动集合。
图 9 所示的实施例不是与前述实施例无关的。图 9 的方法可以看作 “隐含地” 假 定当 i 和 j 不相等并且对于所有相关的 i 值 cii ＝常数时， 相关测量具有以下形式 ：
因此， 作为备选方案， 图 9 的方法可以作为使用在上面描述并示出的优化过程中 的任何一种、 并且使用上述形式的相关测量的一种成本优化来运行， 并且该备选方案也被 包括在此作为本发明的实施例。
已经通过仿真、 考虑到所选感知器之间的成对相关、 根据相关模型以及所选感知 的实际检测性能、 使用能量检测和 K-out-of-N 检测器 ( 即， N 个使用的感知器中 K 个或更 多个检测到主要使用， 则系统决定正在进行主要使用， 否则系统决定没有主要用户是活动 的 )， 对上述方法做出了评估。 评估结论是， 与随机地选择相同数目的感知器相比， 所选感知 器之间的成对相关变得更小。 此外， 与随机选择相同数目的感知器相比， 在使用上述算法所 选择的感知器时， 改善了感知性能。这是就主要用户检测的概率提高和 / 或误报概率的降 低 ( 即， 得到了主要用户是活动的错误决定， 导致错过频谱机会 ) 而言的。
在上面， 以各种实施例示出了本发明。然而， 这些实施例仅作为非限制性示例， 并 且保护范围由所附权利要求书限定。