基于機器學習與壓縮感知的認知無線電頻譜感知方法研究.pdf

1、現(xiàn)有的無線頻譜分配方案導致頻譜使用率與日益增加的無線通信業(yè)務量之間產(chǎn)生了巨大的矛盾，而認知無線電則是解決該矛盾的核心技術。認知無線電用戶通過智能感知周圍電磁頻譜環(huán)境來獲得巨大的無線通信頻譜使用機會及無線帶寬，從而大幅度的提高了頻譜使用效率。然而頻譜感知技術面臨著以下幾個主要挑戰(zhàn):一是傳統(tǒng)的檢測方法在低信噪比下的性能很差，或者計算復雜度很高；二是檢測寬帶頻譜需要付出很大的硬件代價；三是單獨的認知用戶受到信道衰落等因素的影響導致其頻譜檢測效

2、果不穩(wěn)定。本文針對以上三個問題逐步展開課題的研究。
　　首先，本文提出了一種基于機器學習的模塊化頻譜感知系統(tǒng)。目前已有一些成熟的技術來實現(xiàn)頻譜感知，比較典型的包括：似然比估計，能量檢測，匹配濾波器，循環(huán)譜檢測，以及近兩年提出的基于統(tǒng)計方差的檢測算法；這些方法都有各自的使用條件和優(yōu)缺點。其中能量檢測是一種用途非常廣泛的頻譜檢測方法，它不需要知道主用戶的先驗知識，而且它對于信道的變化與衰落的魯棒性很高。但是能量檢測法卻有兩個缺陷，其一

3、是能量檢測法需要對噪聲功率有很準確的估計，不準確的噪聲估計會導致信噪比墻效應以及很高的虛警概率。其二是在主用戶信噪比低而且檢測所需的采樣點數(shù)很小時能量檢測的性能也很差。如上所述，能量檢測的一個主要缺陷是在主用戶信噪比較低，檢測采樣數(shù)很小時，它的性能會急劇下降，為了解決這個缺點，本文主要針對單節(jié)點單天線的頻譜感知問題提出了一種基于機器學習的模塊化頻譜檢測方法，該方法主要是用非線性門限來代替?zhèn)鹘y(tǒng)能量檢測中的線性門限來解決頻譜感知問題。

4、>　　其次，本文提出了一種基于單任務壓縮感知的寬帶頻譜感知方法，從壓縮感知觀測值獲取角度著手，本文提出了一種基于Walsh碼的壓縮感知觀測矩陣。首先從壓縮感知的基本原理入手，研究了RIP條件及JL引理，分類總結了目前常用矩陣的構造方法。在此基礎上研究了幾種目前常用的觀測矩陣，給出其具體的構造方法，分析了這幾種觀測矩陣的性能。部分哈達瑪觀測矩陣在時域和圖像信號仿真中均表現(xiàn)出優(yōu)異的性能，所以又對其進行了進一步的研究，提出了一種基于沃爾什碼的

5、改進型哈達瑪矩陣構造方法。從信號重構角度著手本文提出了基于相關向量機的壓縮感知重構算法，將壓縮感知中的信號重構問題當做相關向量機中的回歸問題來解決。其中將壓縮感知的觀測數(shù)據(jù)作為相關向量機的訓練數(shù)據(jù)，將稀疏信號當做回歸問題中要求的權重向量。通過觀測值對相關向量機進行訓練，進而求得稀疏信號中的非零點。仿真結果表明，本文提出的方法可以有效地解決單獨認知用戶對寬帶頻譜感知的需求。
　　最后本文提出了一種基于多任務壓縮感知的寬帶協(xié)作頻譜感知

6、算法，在寬帶認知無線電網(wǎng)絡中，頻譜感知是一個使得動態(tài)頻譜分配任務能夠實現(xiàn)的重要基礎，但是卻面臨著幾個主要的技術性挑戰(zhàn)：一是寬帶數(shù)字信號處理需要非常高的采樣率；二是單個認知用戶的計算能力和能源都是有限的；三是整個寬帶頻譜存在頻率選擇性無線信道衰落。針對以上幾個問題我們提出了一種基于多任務壓縮感知的協(xié)作頻譜感知來解決寬帶頻譜感知所面對的這些挑戰(zhàn)。為了有效的減少數(shù)據(jù)獲取的代價，采用了一種根據(jù)寬帶頻譜稀疏特性的壓縮采樣機制。為了獲得空間分集增益