[无人机辅助智能车联网实战指南] 第 5 篇：频谱感知与动态管理

摘要

本文将带你深入理解无人机辅助车联网中的频谱感知与动态管理技术，帮助你掌握智能频谱管理系统的设计和实现方法。你将学到频谱感知基础、动态频谱接入、干扰温度图构建、频谱共享机制、认知无线电技术等关键技术知识。

学习目标

阅读完本文后，你将能够：

能力1：设计并实现多种频谱感知算法，准确检测主用户信号的存在
能力2：构建动态频谱管理系统，实现频谱资源的高效利用
能力3：理解认知无线电技术的原理和应用场景

一、频谱感知基础

1.1 频谱感知的概念与意义

频谱感知是认知无线电的核心技术，用于检测特定频段内是否存在主用户信号。在传统固定频谱分配模式下，频谱资源利用率低下：某些频段拥塞，而另一些频段空闲。认知无线电通过频谱感知，允许次要用户在主用户不使用时接入频段，显著提高频谱利用率。

在无人机车联网场景中，频谱感知尤为重要。无人机系统通常工作在非授权频段（如2.4 GHz、5 GHz）或需要临时使用授权频段。通过频谱感知，无人机可以：

避免与其他系统产生干扰
动态选择最佳的可用频段
提高通信的可靠性和稳定性
降低对授权用户的干扰

1.2 频谱感知的分类

根据感知目标的不同，频谱感知可以分为以下几类：

主用户感知：检测授权频段是否被主用户占用。这是认知无线电最基本的感知类型，确保次要用户不对主用户造成有害干扰。

频谱空穴检测：识别未被使用的频谱资源。频谱空穴包括时域空穴（某些时间段空闲）、频域空穴（某些频段空闲）和空域空穴（某些空间区域空闲）。

干扰温度感知：测量接收端的总干扰水平，判断是否可以安全接入。干扰温度模型允许主用户和次要用户共存，只要总干扰不超过门限。

协作感知：多个认知用户协同进行感知，通过数据融合提高感知性能。协作感知可以克服单节点感知的局限性，如阴影效应、多径衰落等。

flowchart TD
    A[频谱感知技术分类] --> B[按感知目标]
    A --> C[按感知方法]
    A --> D[按感知范围]

    B --> B1[主用户感知]
    B --> B2[频谱空穴检测]
    B --> B3[干扰温度感知]
    B --> B4[协作感知]

    C --> C1[能量检测]
    C --> C2[匹配滤波器检测]
    C --> C3[循环平稳特征检测]
    C --> C4[特征值检测]
    C --> C5[拟合优度检测]

    D --> D1[窄带感知]
    D --> D2[宽带感知]
    D --> D3[空域感知]

    B1 --> E[保护主用户]
    B2 --> F[寻找空闲频谱]
    B3 --> G[干扰管理]
    B4 --> H[提高感知精度]

    C1 --> I[无需先验信息]
    C2 --> J[需要信号先验]
    C3 --> K[利用循环特性]
    C4 --> L[利用特征值]
    C5 --> M[利用统计特性]

    style A fill:#e1f5ff
    style B fill:#c8e6c9
    style C fill:#ffccbc
    style D fill:#fff9c4

图表讲解：这张图展示了频谱感知技术的多维度分类。按感知目标可分为四种类型：主用户感知、频谱空穴检测、干扰温度感知和协作感知。按感知方法可分为五种主要算法：能量检测、匹配滤波器检测、循环平稳特征检测、特征值检测和拟合优度检测。按感知范围可分为窄带、宽带和空域感知。不同维度分类交叉组合，形成了多样化的频谱感知技术体系。

51学通信提示：在无人机车联网的实际部署中，建议采用多阶段感知策略：首先使用能量检测进行粗略感知，快速识别潜在可用频段；然后使用特征检测进行精细感知，准确判断主用户信号类型和参数；最后通过协作感知验证感知结果，提高可靠性。这种分层策略可以在保证感知性能的同时降低复杂度。

1.3 频谱感知的性能指标

频谱感知算法的性能通常用以下指标衡量：

检测概率（ $P_{d}$ ）：主用户存在时正确检测到的概率。检测概率越高，对主用户的保护越好，但同时也可能导致更多的虚警。

虚警概率（ $P_{f}$ ）：主用户不存在时错误地认为主用户存在的概率。虚警概率越高，频谱利用率越低（因为空闲频谱被误认为占用）。

漏检概率（ $P_{m}$ ）：主用户存在时未能检测到的概率， $P_{m} = 1 - P_{d}$ 。漏检会导致对主用户的干扰，是认知无线电中需要严格控制的指标。

感知时延：完成感知所需的时间。感知时延越短，系统响应越快，但也可能影响感知精度。

感知开销：进行感知所消耗的能量和计算资源。在能耗受限的无人机系统中，感知开销是需要重点考虑的因素。

这些指标之间存在权衡关系。例如，提高检测概率通常会同时增加虚警概率；降低感知时延可能会影响感知精度。因此，实际系统设计需要在多个指标之间找到合适的平衡点。

二、频谱感知算法

2.1 能量检测法

能量检测法是最简单、最常用的频谱感知算法。其基本思想是：如果接收信号的能量超过预设门限，则认为主用户存在；否则认为主用户不存在。

能量检测的优点是实现简单，不需要知道主用户信号的先验信息。其缺点是对噪声不确定性敏感，在低信噪比条件下性能较差。

能量检测的检验统计量为： $T_{E D} = \frac{1}{N} \sum_{n = 1}^{N} ∣ x (n) ∣^{2}$ 其中， $x (n)$ 是接收信号， $N$ 是样本数。

判决规则为： $T_{E D} H_{0} ≷ H_{1} λ$ 其中， $H_{1}$ 表示主用户存在， $H_{0}$ 表示主用户不存在， $λ$ 是检测门限。

检测门限的选择直接影响检测性能。门限过高会增加漏检概率，门限过低会增加虚警概率。常用的门限设置方法包括：

恒虚警率（CFAR）门限：在给定的虚警概率下设置门限
奈曼-皮尔逊准则：在给定虚警概率下最大化检测概率
最小错误概率准则：最小化总错误概率

2.2 匹配滤波器检测

匹配滤波器检测是最优的感知算法，当知道主用户信号的先验信息时，可以获得最大的信噪比。

匹配滤波器的冲激响应是主用户信号波形的时域反转： $h (t) = s^{*} (T_{s} - t)$ 其中， $s (t)$ 是主用户信号， $T_{s}$ 是符号周期。

匹配滤波器的输出为： $y (t) = \int_{0}^{T_{s}} x (τ) h (t - τ) d τ$

匹配滤波器检测的优点是检测性能最优，需要的感知时间短。缺点是需要知道主用户信号的精确信息（如调制方式、脉冲波形、载波频率等），这些信息在实际中往往难以获得。

2.3 循环平稳特征检测

许多通信信号具有循环平稳特性，即其统计特性呈周期性变化。这种特性可以用循环自相关函数来描述： $R_{x}^{α} (τ) = E [x (t + τ) x^{*} (t) e^{- j 2 π α t}]$ 其中， $α$ 是循环频率。

与噪声不同，通信信号在特定的循环频率上呈现非零的循环自相关，而噪声的循环自相关在这些频率上为零。利用这一特性，可以在低信噪比条件下可靠地检测信号。

循环平稳特征检测的优点是抗噪声能力强，不需要知道噪声功率的精确值。缺点是计算复杂度高，需要较长的观察时间。

2.4 特征值检测

特征值检测利用接收信号协方差矩阵的特征值分布特性进行感知。

当主用户存在时，信号协方差矩阵的大特征值对应信号+噪声子空间，小特征值对应噪声子空间。当主用户不存在时，所有特征值都对应噪声子空间，大小相近。

常用的特征值检测方法包括：

最大-最小特征值法： $T_{MM} = λ_{ma x} / λ_{min}$
能量-最小特征值法： $T_{EM} = λ_{ma x} / λ_{min}$
最大特征值检测： $T_{ME} = λ_{ma x}$
特征值和检测： $T_{ST} = \sum_{i = 1}^{p} λ_{i} / \sum_{i = p + 1}^{N} λ_{i}$

其中， $λ_{1} \geq λ_{2} \geq ... \geq λ_{N}$ 是协方差矩阵的特征值， $p$ 是信号子空间维数。

特征值检测的优点是不需要知道信号和噪声的先验信息，对噪声不确定性不敏感。缺点是计算复杂度较高，需要估计协方差矩阵和进行特征值分解。

2.5 拟合优度检测

拟合优度（GoF）检测是一种非参数检测方法，通过检验接收信号的分布是否符合某个已知分布来判断主用户是否存在。

常用的GoF检验包括：

卡方检验：检验观测频数与理论频数的拟合程度
柯尔莫哥洛夫-斯米尔诺夫（KS）检验：基于经验分布函数与理论分布函数的最大距离
安德森-达林（AD）检验：对分布尾部的偏差给予更大权重
克拉默-冯·米塞斯（CM）检验：基于经验分布函数与理论分布函数的平方差

GoF检测的优点是不需要对信号的分布做严格假设，适用于各种复杂场景。缺点是在小样本情况下性能可能下降。

flowchart TD
    A[频谱感知算法选择] --> B{是否已知信号先验?}
    B -->|是| C[匹配滤波器检测]
    B -->|否| D{信噪比如何?}

    C --> C1[最优性能]
    C --> C2[最短感知时间]
    C --> C3[需要完整信号信息]

    D -->|高SNR| E[能量检测]
    D -->|低SNR| F{计算能力如何?}

    E --> E1[最简单实现]
    E --> E2[适合快速感知]
    E --> E3[对噪声不确定性敏感]

    F -->|强| G[循环平稳特征检测]
    F -->|弱| H[特征值检测]
    F -->|中等| I[拟合优度检测]

    G --> G1[抗噪声能力强]
    G --> G2[利用信号周期特性]
    G --> G3[计算复杂度高]

    H --> H1[无需信号/噪声信息]
    H --> H2[需要协方差估计]
    H --> H3[适合复杂场景]

    I --> I1[非参数方法]
    I --> I2[通用性强]
    I --> I3[小样本性能受限]

    style A fill:#e1f5ff
    style B fill:#fff9c4
    style C fill:#c8e6c9
    style E fill:#a5d6a7
    style G fill:#ffccbc
    style H fill:#e1bee7
    style I fill:#b2dfdb

图表讲解：这个决策图展示了如何根据实际条件选择合适的频谱感知算法。首先判断是否已知信号先验信息，如果已知则使用匹配滤波器检测；如果未知，则根据信噪比和计算能力选择合适的算法：高信噪比场景使用能量检测，低信噪比且计算能力强时使用循环平稳特征检测，计算能力弱时使用特征值检测或拟合优度检测。这种分层决策策略可以在不同场景下选择最优算法。

三、动态频谱接入

3.1 动态频谱接入的概念

动态频谱接入（DSA）是指认知无线电系统根据频谱感知结果，动态地选择和接入可用频段的能力。

与传统的固定频谱分配不同，动态频谱接入允许用户在不同时间、不同地点使用不同的频段，从而显著提高频谱利用率。

动态频谱接入的核心挑战在于：

频谱机会识别：快速准确地识别可用的频谱空穴
接入决策：决定何时何地接入哪个频段
主用户保护：确保不对主用户造成有害干扰
频谱切换：在主用户重新出现时及时退出
多用户协调：协调多个次要用户避免冲突

3.2 动态频谱接入模型

动态频谱接入可以用不同的模型来描述：

交织接入：次要用户只在主用户不使用时接入频段。当主用户出现时，次要用户必须立即退出。这是最基本的动态频谱接入方式，对主用户的干扰最小，但次要用户的可用频谱也最少。

覆盖接入：次要用户可以与主用户同时使用频段，但需要控制发射功率以确保对主用户的干扰在可接受范围内。覆盖接入可以增加次要用户的可用频谱，但需要精确的功率控制和干扰管理。

聚合接入：次要用户同时使用多个频段进行传输，通过频谱聚合提高数据速率。聚合接入需要解决多频段同步、功率分配、干扰协调等问题。

flowchart TD
    A[动态频谱接入模型] --> B[交织接入]
    A --> C[覆盖接入]
    A --> D[聚合接入]

    B --> B1[时间交织]
    B --> B2[频域交织]
    B --> B3[空域交织]

    C --> C1[功率控制]
    C --> C2[干扰温度]
    C --> C3[干扰对齐]

    D --> D1[连续频谱聚合]
    D --> D2[非连续聚合]
    D --> D3[跨载波聚合]

    B1 --> E[主用户空闲时接入]
    B2 --> F[空闲频段接入]
    B3 --> G[空域空闲接入]

    C1 --> H[限制发射功率]
    C2 --> I[干扰不超过门限]
    C3 --> J[避免干扰主用户]

    D1 --> K[聚合连续频段]
    D2 --> L[聚合离散频段]
    D3 --> M[多载波协同]

    E --> N[最小干扰]
    F --> N
    G --> N
    H --> O[提高频谱利用率]
    I --> O
    J --> O
    K --> P[提高数据速率]
    L --> P
    M --> P

    style A fill:#e1f5ff
    style B fill:#c8e6c9
    style C fill:#ffccbc
    style D fill:#fff9c4
    style N fill:#a5d6a7
    style O fill:#ffab91
    style P fill:#e1bee7

图表讲解：这张图展示了三种动态频谱接入模型。交织接入模型在主用户不使用时接入，包括时间交织、频域交织和空域交织，优点是对主用户干扰最小，缺点是可用频谱有限。覆盖接入模型允许与主用户共存，通过功率控制、干扰温度和干扰对齐等技术保证不对主用户造成有害干扰，优点是提高了频谱利用率，缺点是实现复杂。聚合接入模型同时使用多个频段，通过频谱聚合提高数据速率，优点是吞吐量大，缺点是需要多频段同步和协调。

3.3 动态频谱接入算法

动态频谱接入算法需要解决接入决策问题：在给定感知结果的情况下，选择合适的频段和接入策略。

基于马尔可夫决策过程（MDP）的接入：将频谱接入问题建模为MDP，状态包括频谱状态、信道状态、队列状态等，动作包括选择接入频段、发射功率等，奖励是吞吐量或能效的函数。通过值迭代或策略迭代求解最优策略。

基于强化学习的接入：当环境模型未知时，可以使用强化学习算法（如Q学习、DQN）学习最优接入策略。强化学习通过与环境交互学习，不需要环境的先验模型。

基于博弈论的接入：在多用户场景下，可以将频谱接入建模为博弈问题。每个用户是博弈的参与者，策略是接入哪个频段，收益是获得的速率或效用。通过求解博弈的纳什均衡，可以得到稳定的接入策略。

基于启发式的接入：使用简单的规则进行接入决策，如优先选择最空闲的频段、随机选择可用频段等。启发式算法简单但性能可能不是最优。

3.4 频谱切换

频谱切换是指当主用户在当前使用的频段出现时，次要用户切换到其他可用频段的过程。

频谱切换需要考虑以下因素：

切换时延：从检测到主用户到完成切换的时间。切换时延应该尽可能短，以减少对服务质量的影响。
切换目标选择：选择哪个频段作为切换目标。需要考虑目标频段的可用性、质量、切换成本等因素。
切换触发条件：什么情况下触发切换。可以是检测到主用户、当前频段质量下降、发现更好的频段等。
切换次数：过于频繁的切换会增加开销和不稳定性，需要控制切换频率。

频谱切换的流程通常包括：频谱感知→切换决策→目标选择→切换执行→连接建立。

四、干扰温度与频谱共享

4.1 干扰温度的概念

干扰温度是衡量接收端总干扰水平的指标，定义为干扰功率谱密度与等效噪声温度的比值。

干扰温度模型允许主用户和次要用户共存，只要总干扰（噪声+次要用户干扰）不超过干扰温度门限。这与传统的”保护带”概念不同，保护带要求次要用户完全不干扰主用户。

干扰温度门限的设置需要考虑主用户的干扰容限。对于不同类型的主用户，干扰容限可能不同：

固定业务：如卫星通信、广播电视，干扰容限较低
移动业务：如蜂窝通信，干扰容限相对较高
雷达业务：对干扰极其敏感

干扰温度测量的挑战在于如何准确估计干扰水平。由于干扰源的不确定性，干扰温度估计通常需要统计方法和多次测量。

4.2 干扰温度图

干扰温度图是空间上干扰温度分布的可视化表示。通过构建干扰温度图，认知用户可以了解不同区域的干扰状况，选择合适的接入位置和频段。

干扰温度图的构建需要：

多个测量节点在不同位置进行干扰测量
将测量结果汇总到中心服务器
使用空间插值方法生成连续的干扰温度场
定期更新干扰温度图以反映动态变化

常用的空间插值方法包括：

反距离加权（IDW）：距离越近的测量点权重越大
克里金插值：基于空间自相关模型的最优插值
样条插值：使用光滑函数拟合测量数据

干扰温度图的应用包括：

选择干扰较小的位置部署认知用户
指导认知用户的功率控制策略
预测未来的干扰分布趋势

4.3 频谱共享机制

频谱共享是指多个用户或系统共同使用频谱资源的技术。根据共享方式的不同，可以分为以下几类：

水平共享：多个同等地位的用户或系统共享频谱，通过竞争或协调机制避免冲突。例如，Wi-Fi设备通过CSMA/CA机制共享频谱。

垂直共享：主要用户（主用户）和次要用户共享频谱，次要用户只能在不对主用户造成干扰的情况下使用。认知无线电主要采用这种共享方式。

空间共享：不同空间区域的用户可以使用相同频段，只要地理上相距足够远，干扰可以忽略。频分复用系统采用这种方式。

时间共享：不同时间段使用相同频段。例如，广播电视在夜间结束后，该频段可以用于其他用途。

机会共享：主要使用交织接入模式，在频谱空穴出现时机会性地接入频谱。机会共享需要快速的频谱感知和切换能力。

核心概念总结

概念名称	定义	应用场景	注意事项
能量检测	比较接收能量与门限	粗略感知、快速检测	对噪声不确定性敏感
匹配滤波器	使用信号副本相关检测	已知信号先验的场景	需要完整信号信息
循环平稳特征	利用信号的周期特性	低SNR场景	计算复杂度高
检测概率	正确检测主用户的概率	衡量感知性能	与虚警概率存在权衡
虚警概率	误判主用户存在的概率	影响频谱利用率	过高会浪费频谱资源
交织接入	仅在主用户空闲时接入	基本认知无线电	需要快速退出机制
覆盖接入	与主用户共存接入	高频谱效率场景	需要精确功率控制
干扰温度	接收端总干扰水平	共存场景评估	测量准确性是关键
频谱切换	主用户出现时切换频段	动态频谱接入	切换时延影响服务质量

本文由”51学通信”（公众号：51学通信，站长：爱卫生）原创分享。如需深入交流或获取更多通信技术资料，欢迎添加微信：gprshome201101。

常见问题解答

Q1：在无人机车联网中，为什么需要频谱感知？主要面临哪些挑战？

答：频谱感知在无人机车联网中具有至关重要的地位，这主要由频谱资源的稀缺性、无人机系统的特殊性以及车联网应用的高要求共同决定。

首先，无人机车联网系统通常工作在非授权频段（如2.4 GHz ISM频段、5 GHz UNII频段）或需要临时使用授权频段。非授权频段开放给所有设备使用，导致频谱拥塞严重；Wi-Fi、蓝牙、微波炉等多种设备都在这些频段工作，干扰源众多。无人机系统如果能够动态感知频谱使用情况，就可以选择干扰较小的频段，提高通信质量。

其次，无人机的移动性使得频谱环境动态变化。随着无人机位置改变，其”看到”的频谱环境可能完全不同。静态的频谱分配无法适应这种动态性，而频谱感知可以实时了解当前可用频谱，支持灵活的频谱切换。

第三，车联网应用对通信可靠性要求极高。自动驾驶、碰撞预警等应用无法容忍通信中断或严重干扰。通过频谱感知，无人机可以主动避开工扰严重的频段，或提前感知主用户即将出现而提前切换，从而保证通信连续性。

第四，法规合规性要求。在很多国家和地区，无人机使用频谱受到严格监管。例如，某些频段仅供授权用户使用，无人机必须确保不干扰这些用户。频谱感知是满足这种合规要求的必要手段。

然而，无人机车联网中的频谱感知也面临独特的挑战：

硬件限制挑战：无人机的载荷和能耗严格受限，难以搭载复杂的频谱感知硬件。高性能的频谱感知通常需要高采样率ADC、大容量存储器、高性能处理器等，这些都会增加无人机的重量和能耗。因此，需要设计轻量级、低功耗的感知算法。

移动性挑战：无人机的移动导致信道状态快速变化，感知算法必须能够在短时间内完成感知和决策。同时，移动性也会影响感知结果的可靠性，因为感知可能是在某个位置进行，而实际使用时无人机已经移动到另一个位置。

多目标感知挑战：无人机可能需要同时感知多个频段或多种信号类型。例如，既需要感知2.4 GHz频段，也需要感知5 GHz频段；既需要检测Wi-Fi信号，也需要检测其他无人机信号。多目标感知增加了感知复杂度和开销。

协作感知挑战：单架无人机的感知能力有限，可能需要多架无人机协同感知。但协作感知需要在无人机间交换感知结果，这会带来通信开销和时延。如何在有限的通信资源下实现高效的协作感知是一个挑战。

干扰识别挑战：无人机需要区分不同类型的干扰信号，以采取适当的应对策略。例如，区分Wi-Fi干扰、蓝牙干扰、微波炉干扰、其他无人机干扰等。准确的干扰识别需要复杂的信号处理和机器学习算法。

51学通信站长爱卫生的经验：在实际无人机车联网系统部署中，建议采用分层感知策略。第一层使用简单的能量检测进行快速扫描，识别潜在的可用频段；第二层使用特征检测对候选频段进行精细分析，确认信号类型和参数；第三层通过多架无人机的协作感知验证结果。这种分层策略可以在保证感知性能的同时控制复杂度和开销。

Q2：能量检测法虽然简单，但对噪声不确定性敏感。有什么方法可以改善这一问题？

答：能量检测法确实存在对噪声不确定性敏感的问题。在实际系统中，噪声功率往往难以精确已知，并且可能随时间、温度、工作频率等因素变化。噪声不确定性会导致检测门限设置不准确，进而影响检测性能。在低信噪比条件下，这个问题尤其严重。改善能量检测法对噪声不确定性的敏感性问题，可以从以下几个方面入手。

第一，采用双门限能量检测。传统能量检测使用单一门限，容易受噪声不确定性影响。双门限检测设置两个门限：上门限和下门限。如果检测统计量超过上门限，判定为主用户存在；如果低于下门限，判定为主用户不存在；如果介于两个门限之间，则判决不确定，需要进行额外处理（如增加感知时间、使用其他感知方法等）。双门限检测可以减小噪声不确定性带来的影响，但代价是增加了”不确定”判决区域，可能导致更多的感知操作。

第二，使用动态噪声功率估计。噪声功率不是固定不变的，而是随环境和时间变化的。通过动态估计噪声功率，可以及时更新检测门限，适应噪声变化。噪声功率估计可以在主用户确定不存在的时段（如深夜）进行，或使用盲估计方法从接收信号中提取噪声分量。为了提高估计准确性，可以采用多时段平均、滤波平滑等技术。需要注意的是，噪声功率估计本身也需要样本，需要在估计精度和估计开销之间找到平衡。

第三，采用协作能量检测。单节点能量检测容易受到阴影效应、多径衰落等影响，导致检测性能不稳定。协作能量检测通过多节点协同感知，利用空间分集增益改善性能。协作方式包括硬判决融合（各节点独立判决，融合中心进行表决）和软判决融合（各节点发送检测统计量，融合中心进行加权合并）。软判决融合通常性能更好，但需要更多的通信开销。协作检测可以有效克服单节点的噪声不确定性问题，因为不同节点受到的噪声扰动可能不同，通过融合可以相互抵消。

第四，引入不确定性建模。在传统的能量检测中，噪声功率假设精确已知。实际上，噪声功率可以建模为一个区间： $[σ_{min}^{2}, σ_{ma x}^{2}]$ ，其中 $σ_{ma x}^{2} / σ_{min}^{2}$ 称为不确定性因子。在设置检测门限时，使用最坏情况下的噪声功率（即 $σ_{ma x}^{2}$ ）计算门限，这样可以保证在任何噪声不确定性情况下都能满足虚警概率要求。这种方法的代价是可能过于保守，导致检测性能下降。

第五，使用序贯检测。传统能量检测使用固定数量的样本进行判决，序贯检测则是逐个样本处理，在每个样本后判断是否可以做出判决。如果检测统计量远高于或远低于门限，可以提前做出判决，从而减少平均感知时间。序贯检测可以提高能量检测的效率，在一定程度上缓解噪声不确定性的影响。

第六，结合其他感知方法。在噪声不确定性严重的场景下，可以将能量检测与其他对噪声不敏感的感知方法结合使用。例如，先用能量检测快速筛选，对于接近门限的模糊情况，再使用特征值检测或循环平稳特征检测进行精细判断。这种混合方法可以结合不同算法的优点，在复杂度和性能之间取得平衡。

51学通信提示：在实际系统设计中，建议采用自适应策略。首先评估当前的噪声不确定性水平（可以通过分析历史噪声估计的方差），然后根据不确定性程度选择合适的检测方法。不确定性低时使用简单的能量检测，不确定性高时切换到更鲁棒的方法。这种自适应策略可以在保证性能的前提下最小化复杂度。

Q3：协作频谱感知如何提高感知性能？如何设计高效的协作融合算法？

答：协作频谱感知是提高感知性能的有效手段。单节点感知容易受到无线信道的不确定性影响，如阴影效应、多径衰落、隐藏节点问题等。通过多节点协同感知，可以利用空间分集增益，显著提高检测性能。但协作感知也面临融合算法设计、通信开销、节点选择等挑战。

协作感知提高性能的原理可以从几个方面解释。首先，多节点感知提供了对目标频谱的多个独立观测，这些观测从不同空间位置获得，经历不同的信道衰落。通过融合这些观测，可以平滑单个节点的异常值，提高判决的可靠性。其次，协作可以克服隐藏节点问题：某个节点可能因为障碍物遮挡而无法检测到主用户，但其他节点可能有更好的视距条件。第三，协作可以增加等效样本数量，多个节点的观测样本合并后，相当于增加了总的感知时间，从而提高检测概率。

协作感知的融合算法主要分为两大类：硬判决融合和软判决融合。

硬判决融合是各节点先独立做出本地判决（主用户存在或不存在），然后将判决结果发送给融合中心。融合中心根据某种融合规则做出最终判决。常用的融合规则包括：

AND规则：所有节点都判定主用户存在时，才判定主用户存在。这种规则虚警概率很低，但漏检概率较高。
OR规则：任一节点判定主用户存在时，就判定主用户存在。这种规则检测概率很高，但虚警概率也较高。
K-out-of-N规则：至少K个节点判定主用户存在时，才判定主用户存在。AND和OR规则是K-out-of-N的特例（K=N和K=1）。
多数表决规则：超过半数节点判定主用户存在时，判定主用户存在。这是K-out-of-N规则在K > N/2时的特殊情况。

硬判决融合的优点是通信开销小，每个节点只需发送1比特信息。缺点是损失了检测统计量的详细信息，融合性能不是最优。

软判决融合是各节点将检测统计量（如能量值、似然比等）或其量化版本发送给融合中心。融合中心根据这些统计量做出最优或次优判决。常用的软判决融合包括：

等增益合并：将各节点的检测统计量直接相加作为融合统计量。这种方法简单但未考虑节点间的差异。
最大比合并：根据各节点的信噪比进行加权合并，高信噪比节点的权重更大。这是理论最优的线性合并方法。
似然比检验：各节点发送本地似然比，融合中心计算全局似然比并进行判决。这是理论最优的融合方法，但需要知道信道状态的精确信息。

软判决融合的优点是性能更好，接近最优检测。缺点是通信开销大，需要传输更多的信息。为了折中，可以采用量化软判决融合：将检测统计量量化为几个比特（如2-4比特），在性能和开销之间取得平衡。

设计高效的协作融合算法需要考虑多个因素：

融合中心选择：融合中心负责收集各节点的感知结果并进行融合判决。融合中心的选择应该考虑：

中心位置：选择位于几何中心或靠近网络中心的节点，可以最小化通信开销
节点能力：选择计算能力和通信能力较强的节点
节点稳定性：选择位置相对固定、连接稳定的节点

节点选择：并不是所有节点都需要参与协作，过多的节点会增加开销和时延。节点选择策略包括：

选择信噪比最高的节点
选择空间分布最均匀的节点
选择信道质量最相似的节点（提高融合增益）
基于历史性能选择可靠的节点

开销优化：协作感知需要在节点间交换信息，会带来通信开销和时延。优化开销的方法包括：

减少参与协作的节点数量
使用硬判决融合或量化软判决融合
压缩感知结果
只在有显著变化时才上报感知结果

时延考虑：协作感知需要收集各节点的感知结果，会引入时延。时延敏感的场景需要优化时延，方法包括：

设置各节点上报的时序，避免冲突
使用优先级机制，重要的节点优先上报
采用增量上报策略，节点只在结果变化时上报

安全性考虑：协作感知可能受到恶意节点的攻击，如发送虚假感知结果。安全机制包括：

节点认证：确保参与协作的节点是合法的
异常检测：识别和隔离异常节点
信誉系统：根据历史表现给节点打分，低信誉节点的权重降低

51学通信建议：在实际部署中，可以采用分层协作架构。局部区域内的节点先进行小规模协作，然后各区域的代表节点再进行全局协作。这种分层架构可以平衡性能和开销，适合大规模无人机车联网场景。

Q4：干扰温度模型与传统频谱接入模型有什么区别？如何构建和应用干扰温度图？

答：干扰温度模型与传统频谱接入模型代表了两种不同的频谱管理理念。理解它们的区别，对于设计高效的频谱共享系统具有重要意义。

传统频谱接入模型的核心思想是”干扰避免”。在这种模型下，次要用户只能在主用户不使用频谱时接入，一旦主用户出现，次要用户必须立即退出。这种模型可以用二元假设检验来描述：

H0：主用户不存在，次要用户可以接入
H1：主用户存在，次要用户不能接入

传统模型的优点是简单明了，对主用户的保护非常充分。只要次要用户严格遵守规则，就不会对主用户造成任何干扰。但缺点也很明显：频谱利用率低，次要用户的可用机会少，需要频繁的频谱切换。

干扰温度模型的核心思想是”干扰容忍”。在这种模型下，次要用户可以与主用户同时存在，只要总的干扰功率（噪声+次要用户干扰）不超过干扰温度门限。干扰温度门限由主用户的干扰容限决定，不同主用户可能有不同的门限。

干扰温度模型可以用连续的干扰功率谱密度来描述，而不是简单的二元假设。只要接收端的总干扰温度低于门限，就允许次要用户接入。这种模型的优势在于：

提高频谱利用率：次要用户可以在更多场景下接入
减少频谱切换：不需要频繁退出和重新接入
提高系统容量：更多的用户可以共享频谱

但干扰温度模型也面临挑战：

需要精确测量干扰水平
需要有效的功率控制机制
需要保护主用户的QoS
监管和认证更复杂

干扰温度图是干扰温度模型的重要工具，它将干扰温度的空间分布可视化，帮助认知用户做出更好的接入决策。构建干扰温度图需要以下步骤：

第一步：部署测量节点。在目标区域部署一定数量的测量节点，用于测量各位置的干扰水平。测量节点的部署需要考虑：

空间覆盖：节点应该均匀分布或根据需求分布
测量精度：节点应该具备足够的测量精度
通信能力：节点能够将测量结果上报
成本约束：在保证性能的前提下最小化节点数量

第二步：进行干扰测量。各测量节点定期测量接收功率或干扰温度。测量应该考虑：

测量带宽：应该覆盖目标频段
测量时间：足够长以获得统计稳定的结果
测量频率：定期测量以跟踪动态变化
测量同步：各节点的测量应该同步进行

第三步：数据汇总。各测量节点将测量结果上报到中心服务器。数据汇总需要考虑：

通信协议：选择合适的通信协议和频段
数据压缩：如果数据量大，可以进行压缩
可靠性：确保数据可靠传输，考虑重传机制
隐私保护：如果需要，对数据进行匿名化处理

第四步：空间插值。由于测量节点数量有限，需要使用空间插值方法估计未测量位置的干扰温度。常用的插值方法包括：

反距离加权（IDW）：距离近的测量点影响大，距离远的影响小
克里金插值：基于空间自相关模型的最优插值，可以提供估计误差
样条插值：使用光滑函数拟合，结果平滑但可能过拟合
神经网络插值：使用机器学习方法学习空间分布模式

第五步：生成干扰温度图。将插值结果以可视化的方式呈现，如热力图、等值线图等。干扰温度图可以显示：

各位置的干扰温度值
干扰温度的分布模式
干扰热点区域
适合接入的区域

第六步：定期更新。由于干扰环境是动态变化的，干扰温度图需要定期更新。更新频率应该根据环境变化速度和系统要求来确定。

干扰温度图的应用包括：

接入位置选择：认知用户选择干扰温度较低的位置接入，可以获得更好的通信质量
功率控制：根据干扰温度图调整发射功率，确保不超过干扰温度门限
路由决策：选择干扰较小的路径进行数据传输
网络规划：辅助网络运营商优化基站和接入点的部署

51学通信站长爱卫生的经验：在实际应用中，干扰温度图的构建面临几个实际问题。首先是测量节点的部署成本，完全均匀覆盖不现实，可以考虑利用现有的基础设施（如基站、Wi-Fi热点）作为测量节点。其次是测量和通信的能耗，对于电池供电的节点需要设计节能策略。第三是隐私问题，干扰温度图可能暴露用户位置和活动模式，需要适当的隐私保护机制。

Q5：认知无线电技术在无人机车联网中有哪些具体应用场景？面临哪些技术挑战？

答：认知无线电技术为无人机车联网带来了智能化的频谱管理能力，在多个应用场景中具有重要价值。同时，无人机车联网的特殊性也给认知无线电技术带来了独特的技术挑战。

认知无线电在无人机车联网中的具体应用场景包括：

动态频谱共享是最基本的应用场景。在城市环境中，授权频段（如公众安全频段、卫星频段）在某些时间和地点可能空闲。配备认知无线电能力的无人机可以感知这些频段的使用情况，在空闲时临时使用，在主用户出现时及时退出。这可以显著缓解非授权频段的拥塞问题，提高车联网系统的容量和可靠性。例如，在夜间或交通低谷时段，某些频段可能空闲，无人机可以利用这些机会传输大流量数据（如地图更新、软件下载）。

干扰协调与避免是另一个重要场景。车联网系统内部（多架无人机、多个车辆）以及与其他系统（Wi-Fi、蓝牙、雷达）之间存在潜在的干扰。认知无线电可以通过频谱感知识别干扰源，并采取适当的协调策略：选择干扰较小的频段、调整发射功率、改变波束方向等。这可以提高整个系统的抗干扰能力，特别是在密集部署场景下。

频谱效率优化场景中，认知无线电可以根据信道状态和业务需求动态调整传输参数。例如，对于高优先级、低时延业务（如安全告警），使用可靠的低频段；对于大流量、时延不敏感业务（如视频娱乐），使用高频段以获得更大带宽。认知无线电还可以实现自适应调制编码、自适应带宽分配等，最大化频谱利用率。

跨频段漫游场景中，无人机可能需要在不同的频段间漫游以保持连接。认知无线电可以感知各频段的可用性和质量，选择最佳频段进行切换。这在无人机跨越不同区域或遇到干扰时特别有用。例如，无人机从城市（使用蜂窝频段）飞到郊区（可能使用卫星频段或其他频段），认知无线电可以自动选择最佳频段。

协同通信场景中，多架无人机可以组成虚拟MIMO系统或中继网络。认知无线电可以协调频谱使用，避免多架无人机间的干扰，优化协作策略。例如，在多播场景下，认知无线电可以协调多架无人机使用相同频段同步发送，提高分集增益。

然而，认知无线电在无人机车联网中的应用也面临诸多技术挑战：

实时性挑战：无人机和车辆的高速移动导致频谱环境快速变化，认知无线电系统必须在很短的时间内完成感知、决策和切换。这要求感知算法和决策算法都要高效执行。对于高速移动的无人机（速度可达30 m/s），几百毫秒的时延可能导致用户已经移动到完全不同的环境。

能耗约束挑战：无人机的能耗预算严格，频谱感知需要消耗额外的能量。需要设计低功耗的感知硬件和算法，优化感知频率和感知时间。例如，可以根据环境变化自适应调整感知频率：在稳定环境中降低感知频率，在快速变化环境中提高感知频率。

硬件复杂度挑战：认知无线电需要支持多频段、多标准，这增加了射频前端和基带处理的复杂度。在无人机载荷受限的条件下，如何设计紧凑、低成本的认知无线电收发机是一个挑战。可能的解决方案包括软件无线电架构、可重配置硬件等。

协作开销挑战：多节点协作感知需要在无人机间交换感知结果，这会带来通信开销和时延。在带宽受限和时延敏感的场景下，如何设计高效的协作机制是关键。可以采用分布式协作、分层协作、压缩感知结果等方法降低开销。

安全性挑战：认知无线电可能受到各种安全威胁，如主用户仿真攻击（恶意节点模仿主用户信号，阻止其他节点接入）、感知数据伪造攻击（恶意节点上报虚假感知结果）等。需要设计安全机制保护认知无线电系统，包括节点认证、异常检测、信誉系统等。

监管合规挑战：认知无线电的使用需要符合各国和地区的法规要求。不同地区对认知无线电的频段、功率、技术要求可能不同。无人机可能跨国界或跨区域飞行，需要能够适应不同的监管环境。这要求认知无线电系统具有一定的灵活性和可配置性。

学习与适应挑战：真正的认知无线电应该具有学习能力，能够从历史经验中学习频谱使用模式，预测未来的频谱可用性，并据此优化接入策略。这需要机器学习算法的支持，但在资源受限的无人机平台上实现高效的学习算法是挑战。

51学通信提示：面对这些挑战，建议采用渐进式部署策略。从简单的认知无线电功能开始（如基本的频谱感知和切换），逐步增加更复杂的功能（如预测性接入、多频段聚合）。同时，充分利用地面基础设施的辅助，将部分认知无线电功能（如频谱地图构建、机器学习模型训练）部署在地面服务器上，无人机主要负责实时感知和执行。

总结

本文深入探讨了无人机辅助车联网中的频谱感知与动态管理技术。我们学习了频谱感知的基本概念、分类和性能指标；掌握了多种频谱感知算法的原理和特点；理解了动态频谱接入的概念、模型和算法；认识了干扰温度模型和干扰温度图的构建方法；了解了频谱共享机制和认知无线电技术的应用。

频谱感知与动态管理是认知无线电的核心技术，也是未来智能通信系统的关键使能技术。通过智能的频谱感知和动态管理，可以显著提高频谱利用率，缓解频谱资源短缺问题，为车联网、物联网等新兴应用提供强有力的支持。

下篇预告

下一篇我们将深入探讨无人机轨迹设计与定位，带你了解轨迹约束与建模、覆盖优化算法、定位技术方案、三维空间部署策略、碰撞避免机制等关键技术。我们将学习如何设计无人机的飞行轨迹，实现网络覆盖优化和精确定位。

51学通信

探索

05-频谱感知与动态管理