基于認知無線電的GEO與LEO衛星頻譜共存

胡曉月，楊淼，康凱,3,*，張舜卿

1. 上海大學 通信與信息工程學院，上海 200444

2. 中國科學院 上海高等研究院，上海 201210

3. 中國科學院 上海微系統與信息技術研究所 無線傳感網與通信重點實驗室，上海 200050

衛星通信具有覆蓋面積大、地面干擾小等優點，被廣泛關注[1-2]。其中低軌道(low Earth orbit, LEO)/中軌道(medium Earth orbit, MEO)衛星具有更小的傳播時延和更低的傳輸損耗，使其可以在多個頻帶中被快速的部署,開創了商業通信應用的新時代[3-5]，這些包含數千顆,甚至上萬顆小衛星的非對地靜止(non-geostationary Earth orbit, NGEO)衛星可以提供高容量和低延遲的多媒體服務。

隨著新的寬帶多媒體應用的推出，對寬帶無線頻譜的需求大幅度增加，而由于當前的頻譜分段和靜態頻譜分配策略，使得可用的頻譜資源變的越來越稀缺[6]。但是在對已分配頻段的頻譜利用率進行大量的測量后，發現平均的頻譜利用率非常低[7]。為了提高頻譜效率，需要探索有效的頻譜共存技術，使不同的衛星通信系統共享同一個頻段。

然而，隨著大量的NGEO衛星投入運營，眾多NGEO衛星與靜止軌道(geostationary Earth orbit, GEO)衛星共享頻譜資源，將會對GEO衛星造成嚴重的干擾，導致GEO衛星的通信質量降低，甚至處于癱瘓狀態(NGEO衛星運行到GEO衛星與GEO地面站視線之間)。在這種情況下，探索有效的技術來減輕GEO和NGEO衛星網絡頻譜共存時的在線干擾，就成為了一個高度相關且具有挑戰性的問題[8]。

認知無線電通信(cognitive radio, CR)被認為是不同的衛星通信系統頻譜共存和干擾避免問題的有效解決方案。但CR技術面臨著諸多挑戰，其中最大的挑戰就是如何在特定的空間位置、特定頻段內快速的檢測已授權用戶是否存在，并在授權用戶出現的時刻迅速做出反應，以避免對授權用戶的干擾[9]。頻譜感知(spectrum sensing, SS)作為CR的基礎步驟就致力于解決這個問題。

SS技術在地面通信環境中有較為成熟的研究，常見的SS技術包含匹配濾波器法、循環平穩特征檢測法、協方差檢測法以及能量檢測法等[10]。其中匹配濾波器法雖然性能較好，但需要主要用戶(primary user, PU)的先驗信息；能量檢測法計算復雜度低，但在低信噪比(signal and noise ratio, SNR)條件下檢測誤差較大；循環平穩特征檢測法以及協方差檢測法，相比于能量檢測算法，可以在較低的SNR下保持相對較高的檢測準確性，但計算復雜度高。在衛星通信場景中，由于信道環境較為復雜，存在各種大規模衰落與小規模衰落，導致衛星通信的SNR較低。目前應用在地面通信中的SS技術大多不能適應衛星通信。

CR技術在衛星通信的環境下受到很多的關注，文獻[4,8,11]對GEO和NGEO系統之間的干擾進行分析，文獻[4]針對上行和下行共存場景提出了自適應功率控制技術，以減輕在線干擾；文獻[8]針對NGEO衛星對GEO地面站造成的串聯干擾提出了一種認知功率控制算法，同時制定并解決了GEO衛星地面站與NGEO衛星地面站間距離最小化的優化問題；文獻[11]根據衛星的運動將空間維度轉換為時間維度，從而簡化了干擾模型，在此基礎上采用自適應功率控制算法，提高了頻譜效率。文獻[5]介紹了一種通過傾斜的LEO衛星相控陣天線的法線方向來減輕線內干擾的方法。文獻[6,12]利用認知波束跳躍系統，考慮在不活動的主波束中存在多個輔助用戶的情況，其中文獻[12]提出了一種貪心算法，根據業務需求靈活的分配衛星的機載資源，以提高頻譜效率。文獻[13-14]利用SS技術對PU的狀態進行判斷，尋找時間或空間維度上的頻譜空洞。文獻[13]利用接收信號的極化狀態，使用最優極化合并技術在衛星終端中執行SS，以復雜度為代價極大的提高了頻譜效率；文獻[14]在GEO為PU、兩個NGEO衛星為次要用戶(second user, SU)的場景下，在將信號與噪聲分開的基礎上，判斷GEO的狀態并計算GEO信號的功率，同時推導了用于判斷GEO狀態的閾值及功率的閉式表達式。盡管這些文獻已經討論了GEO和NGEO衛星的共存問題，但其大多數都著重關注于干擾分析及功率自適應方案，需要PU的先驗知識。

本文將GEO衛星設置為PU，多波束LEO衛星設置為SU，在每個點波束范圍內都采用計算簡單且不需要PU先驗知識的能量檢測方案進行頻譜感知，判斷在點波束范圍內是否含有正在通信的GEO地面站。為了解決能量檢測方案在低SNR信道環境中性能較差的問題，本文提出了基于動態閾值的能量檢測算法，針對不同的SNR實時調整判決的閾值，以更準確地判斷GEO的狀態信息。同時本文將能量檢測算法與波束跳躍方案相結合，根據檢測結果動態的調整多波束LEO衛星的波束方向，在保護GEO不受LEO衛星干擾的同時提高系統的頻譜效率。

1 系統模型與問題描述

1.1 系統模型

本文提出了一種在Ka頻段內GEO衛星與LEO衛星共存的場景，如圖1所示，兩個衛星覆蓋相同的地理區域，且覆蓋區域內同時包含多個GEO地面站和LEO地面站。在該場景中，GEO衛星為PU，LEO衛星作為SU部署在距離地球550 km的軌道上。每一個SU都裝備一個固定的信號天線以及可操控的多波束天線。固定信號天線可覆蓋一個直徑約為1 000 km的圓形區域，代表SU的最大覆蓋范圍?？刹倏氐亩嗖ㄊ炀€共計可產生Nb個點波束，每個點波束覆蓋直徑為150 km的圓形區域。但在一個時隙中，只有M個波束處于活動狀態，為M個處于不同波束中的LEO衛星用戶提供服務。

圖1 GEO與LEO衛星頻譜共存系統

在SU相對地球高速運動期間，SU首先利用固定的信號天線定期接收覆蓋范圍內所有LEO地面站的請求，然后根據接收到的Nu(Nu≥M)個請求，將處于激活狀態的M個點波束隨機分配給M個地面站。但由于SU地面覆蓋范圍與PU覆蓋范圍重疊，SU通信對處于同頻段的PU通信產生了極大的干擾。為避免干擾，檢測在每個點波束覆蓋范圍內是否存在GEO地面站正在與PU進行通信，若不存在，則該點波束覆蓋范圍內的LEO地面站與SU可成功建立通信鏈路；若存在正在通信的GEO地面站，則將波束隨機分配給處于不同波束覆蓋范圍內的其他LEO地面站。

1.2 問題描述

根據提出的系統模型，本文考慮在上行鏈路中，應用SS技術來檢測SU點波束覆蓋的小區內是否存在正在與PU進行通信的GEO地面站。假設當GEO地面站正在與PU進行通信時，PU覆蓋范圍內的所有SU都可以接收到GEO地面站發送到PU的信息。為方便討論，以SU的一個點波束為例，在每一個觀察周期Tob內，SU通過接收信號判斷GEO地面站是否存在。該問題可以定義為一個二元假設問題，當存在GEO地面站時，表示為H1，否則表示為H0[15]：

H0:y(n)=w(n)

H1:y(n)=hs(n)+w(n)

假設在一個觀察周期中樣本數量為N，則檢測統計量可表示為：

Pd(γ)=P(Λ≥λ|H1)=

Pf=P(Λ≥λ|H0)=

其中Q(·)是標準的Q函數，Erfc (·)是余誤差函數，為信道的SNR。為了提升檢測的準確率，本文將會動態的選擇能量檢測的閾值λ，以提高檢測概率Pd，降低虛假警報概率Pf。

2 基于SNR估計的動態閾值選擇

2.1 信道SNR估計

在頻譜感知的多種算法中，能量檢測法是將收到的信號與預先設定的固定閾值進行對比，判斷PU是否存在。由于其計算簡單、硬件要求低以及不需要PU的先驗信息等特點成為應用最廣泛的算法。但其在檢測的過程容易受到噪聲的干擾，尤其在類似于衛星通信SNR較低的場景中，感知性能急劇下降。這種情況下，可以根據衛星通信的信道情況實時調整閾值，以提高檢測的準確率。

在LEO衛星沿著固定的軌道高速運動時，如圖2所示，其相對于特定的GEO地面站的距離d始終遵循著先變小再變大的規律。距離d具體表示為：

圖2 LEO沿固定軌道高速運動系統示意

式中：Re為地球半徑；Hs為衛星軌道高度；α為衛星與地面終端間的仰角。通過式(1)可以明顯看出，當α=90°時，d達到最小值；當α=0°時，d達到最大值。

影響衛星通信信道質量的因素包括自由空間傳播損耗、大氣吸收損耗、降雨損耗、多徑衰落等。自由空間傳播損耗作為影響衛星通信的最主要因素，可表示為：

式中：Pt和Pr分別為發射功率和接收功率；Gt和Gr分別為發送端和接收端的天線增益；f為工作頻率；c為電磁傳播速度。根據式(2)可以得出結論，當工作頻率f固定時，衛星通信的自由空間傳播損耗主要由通信距離d決定。

若只考慮自由空間傳播損耗，那么SNR可以計算為：

γ(dB)=Pt+Gt+Gr-Lf-kbBTe

式中：kb=-228.6 dBW/(K·Hz)為玻爾茲曼常數；Te為噪聲溫度；B為信道帶寬。

2.2 動態閾值選擇

如圖3所示，LEO衛星過境期間SNR波動可以達到11.9 dB，若在此期間始終使用固定的閾值進行能量檢測，則會極大增加檢測錯誤率。為了提升檢測性能，本文針對估計的SNR實時的選擇能量檢測的閾值λ。

圖3 NGEO衛星過境期間SNR波動

在傳統的能量檢測算法中，一般根據虛警概率Pf選擇閾值[16]：

但是當出現漏檢情況時(當PU信號存在，檢測結果為PU信號不存在)，SU若應用檢測的頻譜空洞進行通信，將會對PU產生極大的干擾。而本文致力于降低SU系統對PU系統的干擾，這種傳統的閾值選擇方法并不適用于GEO與LEO衛星通信系統共存的場景。本文在考慮Pf(λ)的基礎上，同時引入了錯誤檢測概率Pmd(λ)=1-Pd(λ)對閾值的影響，并以檢測的總錯誤率Pe(λ)=Pf(λ)+Pmd(λ)表示檢測的性能?？梢詫⒆顑瀯討B閾值歸納成如下的優化問題[17]：

最終的最優閾值可表示為：

根據估計的SNR動態選擇最優的檢測閾值，可以達到降低檢測錯誤率的目的。

3 仿真分析

本節在應用Matlab軟件在GEO衛星和LEO衛星共存的場景下，對基于動態閾值的能量檢測算法進行了仿真。系統的仿真參數如表1所示[18]。

表1 仿真參數

針對不同的信道環境選擇動態閾值的結果如圖4所示，其中兩條曲線分別代表在不同的SNR條件下，選擇的歸一化動態閾值λ以及一個觀察周期內歸一化的接收信號能量的變化趨勢?？梢悦黠@看出，隨著SNR的不斷提高，LEO衛星接收信號的能量逐漸增大。為了使能量檢測的錯誤率Pe最小化，選擇的歸一化動態閾值λ也隨接收信號能量的增大而不斷的上升。即當接收信號的SNR為-15 dB時，選擇的閾值λ為0.76，SNR增加到5 dB時，動態閾值λ調整為1.20。

圖4 不同SNR對應的歸一化動態閾值與接收信號能量

在進行能量檢測的過程中，根據選擇的動態閾值對GEO地面站信號是否存在進行判別，其與應用固定閾值方法的檢測性能對比如圖5所示(仿真中固定閾值隨機選擇為0.79)。當采用傳統的固定閾值法進行檢測的過程中，可以明顯觀察到，當SNR在-13～-15 dB，檢測的總錯誤率 在0.7～0.95波動。隨著SNR的增加，總錯誤率Pe在不斷下降，在SNR為-9 dB時達到最小值0.05，隨后逐漸上升，最終在0.4附近波動。這種情況的出現是由于固定的閾值0.79在SNR為-9 dB時為最優閾值，但與其他SNR環境不匹配。應用傳統的固定閾值檢測法的整體性能表現印證了上文中所提到的觀點，當信道環境較差時，傳統的能量檢測法性能急劇下降。而應用動態閾值進行能量檢測時，可以明顯看出，當SNR較低時，總錯誤率Pe在0.1～0.3波動，而隨著SNR的逐漸增大，總錯誤率Pe趨近于零，其性能遠遠優于傳統的固定閾值檢測算法。

圖5 基于動態閾值與固定閾值的檢測性能對比(固定閾值為0.79)

前文中提到的循環平穩特征檢測算法是利用接收信號的周期性特征來判斷PU信號是否存在，有較好的抗干擾性。所以本文選擇基于二階循環統計量的特征檢測算法[19]與基于動態閾值的能量檢測算法進行對比，結果如圖6所示。可以清晰地看出提出的基于動態閾值的算法性能要高于基于二階循環統計量的特征檢測算法，在SNR處于-15～5 dB，循環平穩特征檢測算法的總錯誤率Pe始終維持在0.5左右?；趧討B閾值的能量檢測算法在SNR<-5 dB的情況下，總錯誤率最高為0.21；而在SNR>-5 dB的情況下，總錯誤率趨近于0。

圖6 基于動態閾值的能量檢測算法與循環平穩特征檢測算法性能對比

4 結束語

本文針對GEO衛星與LEO衛星共存的場景，提出了基于動態閾值的能量檢測算法，同時結合多波束LEO衛星的波束跳躍算法，提高了頻譜利用率，降低了LEO衛星對GEO衛星通信的干擾。針對不同的信道環境采用最優的動態閾值進行能量檢測，可以解決傳統能量檢測算法在低信噪比的環境下檢測誤差非常大的問題。在SNR較低時(SNR<-10 dB)，基于動態閾值的能量檢測算法的平均誤差比傳統算法低87%；同時在SNR較高時(SNR>-5 dB)，前者的檢測誤差趨于0。與前人的基于二階循環統計量的頻譜感知算法相比，平均誤差降低了88.4%。