论文部分内容阅读
频谱感知是认知无线电(Cognitive Radio,CR)重要应用技术之一,有助于缓减无线通信频谱短缺的问题。近年来,越来越多基于协方差矩阵的盲检测算法已被用于频谱感知;但因其检测门限为近似值,检测性能易受到影响。同时,针对在宽带压缩频谱感知中因感知矩阵列向量相似度高而导致的频谱重构算法追踪能力弱等问题,开展了利用机器学习解决盲频谱感知的渐进门限设定和在宽带压缩频谱感知中对感知矩阵的优化研究。全文内容和创新点如下:1、通过协方差矩阵Cholesky分解径向基函数-支持向量机(Radial Basis Function-Support Vector Machine,RBF-SVM)决策分类,建立了一种在低信噪比下改进的盲频谱检测方案。RBF＿SVM训练过程将每个次用户(Second User,SU)的样本协方差矩阵Cholesky分解的最大最小特征值之比作为特征向量,其包含了SU上每根天线的统计信息。训练过程生成的频谱决策分类器则作为非渐进门限代替传统盲频谱感知的渐进门限。在强噪声背景下,对比传统盲频谱感知方案,所提方案提高了主用户(Primary User,PU)的识别率,且可有效地实现用多天线多用户的协作频谱感知;2、考虑到SVM参数的选择对其分类模型性能有重大的影响。本文通过遗传算法(Genetic Algorithm,GA)优化混合核SVM参数;并选择频谱分类精确率作为GA适应度函数。利用GA的适应度函数值达到最优时对应参数,作为混合核SVM参数。在信噪比为-20 d B时,对比未优化参数方案,GA优化混合核SVM参数方案的漏警概率Pm和虚警概率Pf分别降低了约0.28和0.29。从而该算法提高了其在盲频谱检测中的检测性能;3、在认知无线电宽带压缩频谱感知中,针对观测矩阵和稀疏变化矩阵之间存在冗余度的问题,通过格莱姆矩阵元素的收缩计算从而减小感知矩阵列向量间的相关性。并将感知矩阵优化结合顺序压缩感知,提出了感知矩阵优化的顺序自适应压缩频谱感知,仿真并分析了该方案。仿真表明:所提方法比现有顺序自适应压缩频谱感知算法均方误差更低,且使检测概率获得有效改善,并在压缩比为0.3时,优化感知矩阵的稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)方法比SAMP的检测概率约提高了0.03。本文主要研究了机器学习算法获取盲频谱检测的非渐进门限及参数优化方法和优化感知矩阵的自适应压缩频谱感知方案。研究表明:所提方法和优化方案均提高了频谱检测概率,且前者特征向量的构造显著减少算法复杂度,有利于在5G通信中改善频谱感知性能和降低通信开销。