无线通信的迅猛发展与大范围商用,致使频谱资源的需求量愈加明显。可用频谱和巨大需求之间的矛盾孕育出一种基于认知无线电思想的动态频谱接入技术,以改变传统的静态频谱资源分配方式导致的频谱效率低下问题。本文针对提高授权频段频谱利用率的需求,在两个方面进行研究,分别是:基于机器学习的主用户活动场景感知与基于主用户活动场景的频谱接入,具体包含:1.复杂多变的无线电传播环境使得次级用户对授权频谱状态的识别缺乏准确性和可靠性。为了尽可能可靠地判决授权频谱的状态,利用机器学习算法对主用户活动场景分类是一个有效的解决方案。对主用户活动场景分类是实现次级用户全面透彻感知认知无线电网络在栅格化时-空结构上对应的授权频段状态的前提与基础,为次级用户探寻时空栅格上的频谱接入机会提供了支撑条件。实际上,主用户发射信号所占据的维度比观测空间小很多。因此,针对感知数据进行预处理是必要的,通过数据降维的方式,一方面可以降低计算的复杂度,另一方面减少噪声对分类的影响。仿真结果表明,先对感知数据进行预处理,再利用机器学习算法分类,比直接使用机器学习算法分类性能更优,并且训练分类模型的时间也大大降低。2.为了更大程度上地提高频谱利用率,除了关注时间维度上的频谱空洞,还要考虑空间维度上的频谱空洞。本文提出一种基于主用户活动场景的频谱接入方案。在主用户活动场景已分类的情况下,以活跃的主用户发射机为中心,划分三类次级用户接入授权频谱的区域,即距离主用户位置最近的区域为严格禁止接入,距离主用户位置稍远的区域为可机会性接入,远离主用户位置的区域为自由接入。次级用户决定是否可接入当前授权频谱根据自身位置与活跃主用户之间的空间信息或是次级用户根据自身观测的频谱数据。同时,考虑到次级用户观测到的数据存在样本不均衡问题,本文也给出了基于欠采样的SMOTE样本均衡方法。仿真结果表明,样本均衡技术有效提高了监督式算法的分类可靠性。同时,基于主用户活动场景进行频谱接入预测的方案相对于基于二元判决的频谱接入预测方案大大增加了频谱接入机会,从而有效提高频谱的利用率。