[论文解读] Cooperative Spectrum Sensing over Generalized Fading Channels Based on Energy Detection

He Huang, Chaowei Yuan|arXiv (Cornell University)|May 19, 2017

Cognitive Radio Networks and Spectrum Sensing参考文献 31被引用 4

一句话总结

本文提出了一种在广义衰落信道（特别是 α-κ-μ 分布）上使用能量检测（ED）的协作频谱感知（CSS）框架，以提升认知无线电网络中的感知可靠性。通过利用矩生成函数和马尔库姆-Q 函数，推导出检测概率和受试者工作特征曲线下方面积（AUC）的闭式表达式，研究结果表明，最优信道参数可显著提升感知性能，尤其在严重衰落条件下效果更明显。

ABSTRACT

This paper analyzes the unified performance of energy detection (ED) of spectrum sensing (SS) over generalized fading channels in cognitive radio (CR) networks. The detective performance of SS schemes will be obviously affected by fading channel between communication nodes, and ED has the advantages of fast implementation, no requirement of priori received information and low complexity, so it is meaningful to investigate ED that is performed over fading channels such as Nakagami-m channel and Rice channel, or generalized fading channels such as \k{appa}-μ fading distribution and η-μ fading distribution. The α-\k{appa}-μ fading distribution is a generalized fading model that represents the nonlinear and small-scale variation of fading channels. The probability density function (p.d.f.) of instantaneous signal-to-ratio (SNR) of α-\k{appa}-μ distribution is derived from the envelope p.d.f. to evaluate energy efficiency for sensing systems. Next, the probability of detection model with Marcum-Q function has been derived and the close-form detective expressions with moment generating function (MGF) method are deduced to achieve sensing communications over generalized fading channels. Furthermore, novel and exact closed-form analytic expressions for average area under the receiver operating characteristics curve also have been deduced to analyze the performance characteristics of ED over α-\k{appa}-μ fading channels. Besides, cooperative spectrum sensing (CSS) with diversity reception has been applied to improve the detection accuracy and mitigate the shadowed fading features with OR-rule. At last, the results show that the detection capacity can be evidently affected by α-\k{appa}-μ fading conditions, but appropriate channel parameters will improve sensing performance.

研究动机与目标

• 分析能量检测（ED）在包括瑞利衰落、莱斯衰落、κ-μ 衰落、η-μ 衰落以及广义 α-κ-μ 衰落模型在内的广义衰落信道中，在认知无线电网络中的性能。
• 推导 α-κ-μ 衰落分布的瞬时信噪比（SNR）的概率密度函数（PDF），以评估感知能量效率。
• 利用矩生成函数（MGF）和马尔库姆-Q 函数，推导出检测概率和受试者工作特征曲线下方面积（AUC）的闭式表达式。
• 通过应用采用 OR 规则的分集合并技术进行协作频谱感知（CSS），提升检测可靠性，减轻阴影衰落的影响。
• 量化 α-κ-μ 衰落参数对感知性能的影响，并识别出可提升检测容量的最优配置。

提出的方法

• 从包络概率密度函数出发，推导出 α-κ-μ 衰落分布的瞬时信噪比（SNR）的概率密度函数（PDF）。
• 采用矩生成函数（MGF）方法，推导出在 α-κ-μ 衰落信道上检测概率的闭式表达式。
• 利用马尔库姆-Q 函数对存在衰落情况下的检测概率进行建模，实现性能的解析评估。
• 引入采用 OR 规则进行分集合并的协作频谱感知（CSS），以提高检测可靠性并抑制阴影效应。
• 推导出受试者工作特征曲线下方面积（AUC）的精确闭式表达式，用于评估在各种衰落条件下的整体感知性能。
• 通过在不同 α-κ-μ 衰落参数（包括 α、κ 和 μ）下进行性能评估，验证了分析结果的准确性。

实验结果

研究问题

• RQ1 α-κ-μ 衰落分布如何影响认知无线电频谱感知中能量检测的性能？
• RQ2 在 α-κ-μ 衰落信道中，检测概率和受试者工作特征曲线下方面积（AUC）的闭式表达式是什么？
• RQ3 采用 OR 规则分集合并的协作频谱感知在深度衰落和阴影衰落条件下如何改善检测性能？
• RQ4 衰落参数 α、κ 和 μ 在决定感知可靠性与检测容量方面起什么作用？
• RQ5 矩生成函数（MGF）方法能否为广义衰落信道上的能量检测提供准确且易于处理的性能分析？

主要发现

• 利用 MGF 和马尔库姆-Q 函数，对 α-κ-μ 衰落信道上的检测概率进行了精确的解析推导，实现了性能的精准评估。
• 推导出受试者工作特征曲线下方面积（AUC）的闭式表达式，为感知系统性能提供了全面的度量指标。
• 采用 OR 规则分集合并的协作频谱感知显著提升了检测精度，并有效缓解了深度衰落与阴影效应的影响。
• 感知性能对 α-κ-μ 衰落参数高度敏感；α、κ 和 μ 的最优取值可显著增强检测容量。
• 所推导的表达式为精确解，适用于广泛的衰落模型，包括瑞利衰落、莱斯衰落、κ-μ 衰落和 η-μ 衰落，均为 α-κ-μ 的特例。
• 数值结果表明，合理选择衰落参数可显著提升感知可靠性，尤其在高衰落环境中效果更为显著。