1.一种基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于：将选择适合的认知节点和降低认知节点的发射功率两方面问题建模成一个混合离散和连续变量的优化问题，并用连续离散二进制混合粒子群算法进行优化，具体步骤如下：

1)使用能量检测法进行本地频谱检测；

2)计算检测得到的能量值；

3)计算认知节点的初始化检测概率和虚警概率；

4)融合中心通过收到的认知节点的感知结果和对应信道的误码率计算得到真正的认知节点的检测概率和虚警概率为：

5)假设有任意一个本地感知结果表明观察信道被主用户占用，那么融合中心的结果就是主用户占用该信道，计算融合中心的检测概率和虚警概率；

6)计算协作频谱感知的总能量消耗；

7)在假设控制信道的信噪比符合自由空间衰落模型的条件下，计算各个认知节点的新的检测概率和虚警概率；

8)给定约束条件为最大虚警概率和最小检测概率，同时满足频谱感知能量消耗最小化，将优化问题进行公式表达；

9)利用连续离散二进制混合粒子群算法进行优化。

2.根据权利要求1所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于：所述使用能量检测法进行本地频谱检测具体包括：假设τs表示认知节点的频谱检测时间长度，fs表示检测采样频率，τsfs为每个检测周期的采样数量，第i个认知节点依靠它的采样信号能量值Xi[k](k＝1,2,3Lτsfs)来给出感知结果；H0表示主用户没有占用信道，用H1表示主用户占用了信道；

H0:Xi[k]＝ui[k]  (1)

H1:Xi[k]＝si[k]+ui[k]  (2)其中ui[k]是方差为σu2、均值为0的高斯随机噪声；si[k]为主用户信号，假设它是一个均值为0方差为σsi2的随机过程。

3.根据权利要求2所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于：计算检测得到的能量值为：

它在主用户不占用检测信道的情况下服从一个自由度为2τsfs的卡方分布；在主用户占用观察信道的情况下服从一个自由度为2τsfs，非中心参数为2γi的非中心卡方分布：

其中γi是认知节点i检测到的主用户的信噪比。

4.根据权利要求3所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，计算认知节点的初始化检测概率和虚警概率方法为：根据中心极限定理，当2τsfs足够大时，Ei可以看成是近似高斯分布，对于一个给定的门限值λ，则第i个认知节点的初始化检测概率和虚警概率分别如下：

其中Q(x)是正常高斯分布的累积分布函数的补函数。

5.根据权利要求4所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，融合中心通过收到的认知节点的感知结果和对应信道的误码率计算得到真正的认知节点的检测概率和虚警概率为：

其中ρi表示第i个认知节点上报给融合中心时信号的信噪比，控制信道的误码率

6.根据权利要求5所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，融合中心的检测概率和虚警概率为：

其中θ＝{1,0}表示认知节点i是否参与感知，1代表参与，0代表不参与，N是认知节点的总个数。

7.根据权利要求6所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，计算协作频谱感知的总能量消耗：

Cti表示传送感知结果的能量消耗，Csi表示观察信道部分的能量消耗；因为各个认知节点的相似性，所以假设所有认知节点的Csi是相同的，是一个常量；但是每个认知节点的Cti是各不相同的。

8.根据权利要求7所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，在假设控制信道的信噪比符合自由空间衰落模型的条件下，dif表示第i个认知节点到融合中心的距离,那么第i个认知节点的控制信道的误码率为：

将(12)带入公式(7)、(8)计算各个认知节点的新的检测概率和虚警概率为：

9.根据权利要求8所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于，给定约束条件为最大虚警概率α和最小检测概率β，同时满足频谱感知能量消耗最小化，优化问题可以用下式表示：

10.根据权利要求9所述的基于认知功能和传感器节点分离的CRSN频谱感知方法，其特征在于：利用连续离散二进制混合粒子群算法进行优化，该算法将一个离散二进制变量的粒子群和一个连续变量的粒子群在一起运算，并引入惩罚函数来建立一个新的优化目标，具体方法为：假设这个粒子群包含了n个粒子，粒子移动的过程就是对解空间的搜索过程，粒子维数用Q表示，每个粒子的所在位置为：xi＝(xi1,xi2,L,xiQ),i＝1,2,L n，每个粒子的速度为vi＝(vi1,vi2,L,viQ),i＝1,2,L n，粒子群算法的速度和位置的迭代更新公式：

其中w是保持原来速度的惯性系数，c1是粒子跟踪自己历史最优值的权重系数，它表示粒子对自身搜索历史的认识，所以叫“自身认知”，c2是粒子跟踪群体最优值的权重系数，它表示该粒子对整个群体搜索历史的认识，所以叫做“群体知识”；ξ和η是[0,1]区间内均匀分布的随机数，它保证了粒子向局部和全局最优靠近的同时，有一定的随机性，能够在局部最优和全局最优解的周围寻找更优的解；r是速度约束因子，通过它可以调节粒子速度对原有位置的影响；

引入惩罚函数为：

min D＝CT+R*max((α-Pd)，0)+S*max((Pf-β)，0)  (18)其中R和S是惩罚因子，合适的设置它们的值，就可以免去惩罚，使原来的优化目标CT和新的优化目标D相同；

具体步骤包括：

1)初始化离散二进制变量粒子群和连续变量粒子群；

2)根据目标函数计算各自适应值；

3)根据公式(16)(17)更新离散二进制粒子群和连续变量粒子群的速度和位置；

4)根据最新位置计算全局优化值；

5)判定迭代次数是否达到上限，若没有达到上限则返回步骤2)，反之结束算法。