一种基于特征值极限分布理论的盲多天线频谱感知算法

当信道空闲时接收信号取样协方差矩阵的特征值在数值上均近似等于噪声方差,而主用户信号的出现则改变了这些特征值的大小。基于这一事实,论文提出一种基于取样协方差矩阵特征值的频谱感知算法。该算法以取样协方差矩阵的最大特征值与其他特征值的和之比作为感知判决量。基于大维随机矩阵理论的特征值极限分布理论,分析了算法的理论虚警性能,在此基础上提出了理论判决门限的计算方法。新算法在感知判决过程中无需事先知道噪声方差、主用户信号和信道增益等先验信息。因而,新算法属于一种全盲多天线频谱感知算法,具有广泛的适用范围。进一步的数值仿真结果验证了新方法的有效性。     

一种新型的基于最大特征值的合作频谱感知算法

针对认知无线电中经典频谱感知方法的缺点,该文利用随机矩阵理论的相关研究成果,提出了一种基于采样协方差矩阵最大特征值与平均能量的合作频谱感知新算法。该算法将次用户接收信号协方差矩阵的最大特征值与接收信号平均能量的比值(Maximum Eigenvalue-Energy Detection, ME-ED)作为统计判决量,以此判决出主用户是否存在,从而实现频谱感知功能。理论分析表明,与经典频谱感知方法相比,ME-ED算法无需知晓主用户信号的任何先验知识及噪声功率。仿真结果显示,与MED算法和ED方法相比,该算法不仅对噪声的不确定性不敏感,而且在噪声存在波动的情况下,其感知性能最优,鲁棒性最强。     

一种基于随机共振增强的协方差矩阵频谱感知算法

为了在避免对主用户系统产生有害干扰的同时 提高频谱利用效率,要求认知无线电系统的频谱感知算法能在极低的信噪比下快速检测出主用户信号。由于可以避免能量检测面临的噪声不确定性问题,基于协方差矩阵的检测算法是一种有效的盲频谱感知算法。为了进一步提高极低信噪比下的性能,本文提出了一种基于随机共振的协方差矩阵频谱感知算法。该算法通过在接收信号中加入优化的特定信号,利用随机共振原理,增大有无主用户信号下的检测统计量概率分布函数的分离度,提高频谱感知的性能。仿真结果表明,相对于现有的协方差矩阵频谱感知算法 ,在相同的虚警概率下,所提算法可以显著提高极低信噪比下的检测概率,同时大幅度缩减检测时间。      

利用协方差矩阵信息的多天线频谱感知算法

为了降低多天线信号频谱偏移、相位随机性和噪声的不均匀性、不确定性对频谱感知性能的影响,该文利用接收信号协方差矩阵主对角线包含主用户的主要信息,以及协方差矩阵元素的平均方差反映元素波动程度的特点,构造对角线元素绝对值的平方和与其平均方差之比的频谱感知的检验统计量,推导了该统计量服从的概率分布函数,给定虚警概率,得到判决门限。加性高斯白噪声信道和瑞利衰落信道下的仿真结果表明:本文算法性能优于局部方差法,随着接收天线数和采样点数增加,本文算法性能提升大于局部方差法。      

基于随机矩阵理论的DET合作频谱感知算法

针对认知无线电系统中的频谱感知问题,该文采用随机矩阵理论(Random Matrix Theory, RMT)对多认知用户(Secondary User, SU)接收信号采样协方差矩阵的最大特征值的分布特性进行了分析和研究,提出了一种新的基于双特征值判决门限(Double Eigenvalue Threshold, DET)的合作频谱感知算法。由该算法感知性能的理论分析可知:DET合作感知算法无需主用户(Primary User, PU)发射机信号的先验知识,也不需要预先知道信道背景噪声功率。仿真结果表明,与传统的频谱感知方法相比,该方法只需较少的认知用户就能获得较高的感知性能,并且对噪声的不确定性具有较强的鲁棒性。     

特征值极限分布的改进合作频谱感知

本文采用随机矩阵理论,分析和研究了多认知用户接收信号采样协方差矩阵的最小特征值的极限分布,针对基于最大最小特征值之差的合作频谱感知算法,提出了新的门限判决方法。此算法能有效克服噪声不确定度的影响,且不需预先知道授权用户信号的先验知识和噪声方差。仿真结果表明,与以前的感知算法相比,本文算法有更低的判决门限,在低信噪比、小采样时,在达到设定虚警概率的前提下,该算法能够获得更好的感知性能。      

基于特征值极限分布的合作频谱感知算法

采用最新的随机矩阵理论,对多个认知用户接收信号采样协方差矩阵的最小特征值的极限分布进行了分析,提出了一种改进的最大最小特征值合作感知和门限判决方法。该算法不需预知授权用户信号的先验知识,且能有效克服噪声不确定度的影响。与现有算法相比,在给定虚警概率时,仿真结果显示该算法判决门限更低、检测概率更高;而且在认知用户和采样数较少时,也能获得很好的检测性能。     

基于Wishart矩阵特征值的频谱感知算法

为了提高频谱感知性能,克服经典算法的缺点,提出了一种新的基于Wishart随机矩阵理论的协作频谱感知算法.根据多个认知用户接收信号样本协方差矩阵特征值的对数分布特性,利用样本协方差矩阵最大特征值与几何平均特征值的比值,得到简单的判决阈值闭式表达式,实现频谱感知判决.该算法不需要知道主用户的任何先验信息,不受噪声不确定性的影响.仿真结果表明,所提算法在协作用户数少、信噪比低、采样点数极少的情况下,仍能获得较高的感知性能.该算法受虚警概率和极端值的影响较小,比同类算法有更好的检测性能.     

基于局部方差的MIMO频谱感知算法研究

在认知无线电网络中,高效且准确的频谱感知是必不可少的一个环节。该文主要研究了MIMO场景下的频谱感知问题。考虑到频谱被主用户占用和频谱空闲这两种场景下,认知用户各天线接收到信号之间的相关结构有差异,针对接收信号的采样协方差矩阵,提出了局部方差的概念,并在此基础上设计了基于局部方差的MIMO频谱感知方法。根据渐近分布理论,推导了所述方法的理论检测门限。最后,采用蒙特卡洛仿真方法,分别分析了AWGN信道和Rayleigh信道下该方法的检测性能,并与相关的感知算法进行了对比。结果表明:在相同的环境下,该文所提方法相比其他方法检测性能更高,且所需的采样点数更小,能够实现快速且精确的检测。     

基于功率谱熵的频谱感知算法研究

针对低信噪比条件下认知无线电频谱感知问题,提出了一种基于功率谱熵的频谱检测算法。在分析主用户信号空闲与占用两种不同条件下观测信号功率谱熵差异的基础上,将其作为检验统计量,并确定了相应的判决门限,以实现对主用户信号频谱是否空闲的判决。计算机仿真结果表明,本算法无需信号的先验信息,可在较低信噪比条件下实现对常用调制信号的频谱感知,与盒维数频谱感知方法相比,检测性能约有8 dB的改进。     

Spectrum-Sensing Algorithms for Cognitive Radio Based on Statistical Covariances

Spectrum sensing, i.e., detecting the presence of primary users in a licensed spectrum, is a fundamental problem in cognitive radio. Since the statistical covariances of the received signal and noise are usually different, they can be used to differentiate the case where the primary user's signal is present from the case where there is only noise. In this paper, spectrum-sensing algorithms are proposed based on the sample covariance matrix calculated from a limited number of received signal samples. Two test statistics are then extracted from the sample covariance matrix. A decision on the signal presence is made by comparing the two test statistics. Theoretical analysis for the proposed algorithms is given. Detection probability and the associated threshold are found based on the statistical theory. The methods do not need any information about the signal, channel, and noise power a priori. In addition, no synchronization is needed. Simulations based on narrow-band signals, captured digital television (DTV) signals, and multiple antenna signals are presented to verify the methods.     

利用秩和检验的多天线协作频谱感知

高效稳定的频谱感知是认知无线电系统的关键环节.传统的能量检测算法受噪声不确定性影响,而协方差矩阵类算法在天线相关性低时性能较差.针对上述缺陷,利用秩来衡量由信道衰落导致的同一感知时刻不同天线上的信号功率差异,提出通过构建秩和统计量来实现频谱感知的算法.另外,推导了所提算法判决门限的理论表达式,结果显示其不受采样点数影响,因此当采样点数变化时无需重新设置门限.理论分析和仿真表明所提算法不受噪声不确定度的影响,并且在低天线相关性时可以保持良好的性能.     

利用卷积神经网络和协方差的协作频谱感知算法

针对基于信号协方差矩阵的频谱感知算法门限难于准确得到及没有充分利用原始信号信息等问题,提出了基于卷积神经网络和协方差矩阵的协作频谱感知算法。首先将接收的I、Q两路正交信号的归一化协方差矩阵组成双通道输入矩阵,然后使用卷积神经网络直接提取协方差矩阵的特征信息,并进行训练得到分类器,最后使用训练好的模型进行频谱感知。仿真结果表明,本文所提出的频谱感知算法优于对比算法,在信噪比为-13 dB、40个次用户协作感知时,本文算法虚警概率低于0.1,检测概率达到0.9以上。      

授权用户信号随机到达时基于双门限的多用户合作频谱感知方法

针对认知无线电系统中可能出现的授权用户信号随机到达时的频谱感知问题,提出了一种基于双门限的多用户合作频谱感知方法.首先在本地判决时采用高低双门限的方式,如果判决量大于高门限就判1,小于低门限判0,在两个门限之间就把判决量直接发送给融合中心,融合中心将直接收到的判决量进行软判决合并,软判决的结果再与其他硬判决的结果进行"OR原则"的硬判决合并,从而得到最终的判决结果.仿真表明所提方法的性能比传统"OR原则"硬判决合并方案要好,仅仅略逊于传统等增益软判决合并方案,但是能大量节省认知网络中的传输比特数.     

基于采样协方差矩阵的混合核SVM高效频谱感知

近年来随着盲检测算法的提出,越来越多的基于采样协方差矩阵的盲检测算法应用于频谱感知。针对其检测门限是近似值,检测性能会受到影响等问题,提出了基于采样协方差矩阵的混合核函数的支持向量机（support vector machine,SVM）高效频谱感知,通过感知信号采样协方差矩阵的最大最小特征值（maximum minimum eigenvalue,MME）和协方差绝对值（covariance absolute value,CAV）提取的统计量作为SVM的特征向量并训练其生成频谱感知的分类器,无需计算检测门限并且特征提取减少了样本集的大小。利用遗传算法（genetic algorithm,GA）优化混合核函数的SVM的参数。实验结果表明,该方法比MME算法和CAV算法的检测概率有所提高,并且比SVM减少了感知时间,具有良好的实用性。