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。     

基于双特征值极限分布的合作频谱感知算法

以最大最小特征值之差作为检测统计量,从提高算法判决门限估计精度出发,利用双特征值极限分布,用双特征值估计判决门限,提出了基于双特征值极限分布的频谱感知算法。相比于单特征值门限方法,理论上证明了用双特征值极限分布估计的门限小于或等于用单特征值极限分布估计的门限,提高了算法检测性能。仿真结果表明,该算法不受噪声不确定性影响,不需要主用户信息,并且在低虚警概率、采样次数相对少的情况下,检测性能优于最大最小特征值之差频谱感知算法。     

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。     

基于随机矩阵非渐近谱理论的协作频谱感知算法研究

将随机矩阵的非渐近谱理论应用到协作频谱感知中,对接收信号样本协方差矩阵的最大特征值和最小特征值进行分析,该文提出一种精确的最大最小特征值差(Exact Maximum Minimum Eigenvalue Difference, EMMED)的协作感知算法。对于任意给定的协作用户个数K和采样点数N,首先推导了最大最小特征值之差的精确概率密度函数(Probability Density Function, PDF)和累积分布函数(Cumulative Distribution Function, CDF),然后利用该分布函数设计了所提算法的判决阈值。理论分析表明,EMMED算法的判决阈值较已有的渐进最大最小特征值差(Asymptotic Maximum Minimum Eigenvalue Difference, AMMED)检测更为精确,算法无需主用户信号特征并且能够对抗噪声不确定度影响。仿真结果表明,存在噪声不确定度的感知环境下,EMMED算法较已有的精确最大特征值(Exact Maximum Eigenvalue, EME)和EMMER等频谱感知算法具有更好的检测性能。     

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。     

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.     

认知无线电中频谱感知算法研究

本文利用随机矩阵最新研究成果,分析接收信号采样协方差矩阵的最大最小特征值的比值分布,求取更为精确的判决门限,并在感知过程中选择信任度高的部分用户进行协作。     

认知无线电中基于阵列天线和协方差矩阵的频谱感知算法

该文提出一种基于阵列天线和协方差矩阵的频谱感知算法,该算法能够在噪声不确定性的条件下进行盲频谱感知。该算法在协方差矩阵的基础上,构建新的检测统计量,推导判决门限,对检测统计量与判决门限进行比较进而做出最终判决;在主用户信号到达方向与认知用户接收天线法线方向不一致的情况下,为使认知用户能完全接收主用户信号,利用了阵列天线技术。仿真结果表明,与Zeng等人(2009)提出的绝对值协方差矩阵频谱感知算法(Covariance Absolute Value Spectrum Sensing, CAVSS)相比,该算法判决门限的计算方法更加准确;在相同条件下,该算法的检测概率高于CAVSS。     

基于广义特征值的合作频谱感知方法

现有的基于特征值的合作频谱感知方法要求认知用户各感知节点接收到的授权用户信号具有相关性。针对这个问题,提出了一种基于广义特征值的合作频谱感知方法。该方法利用过去不存在授权用户的感知周期采样协方差矩阵与当前感知周期采样协方差矩阵之间的最大广义特征值(MGED,maximum generalized eigenvalue de-tection)作为检验统计量,以此判决当前感知周期是否存在授权用户信号,从而实现频谱感知。所提方法不需要授权用户信号和噪声功率的先验信息。当认知用户各感知节点上的授权用户信号不相关时,现有的基于特征值的频谱感知方法均失效,而所提频谱感知方法仍然具有较高的检测性能。最后仿真验证了所提方法的有效性。     

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。     

基于Friedman检验的非参数协作频谱感知方法

协方差矩阵频谱感知方法在天线相关性低时感知性能较差,该文针对这一问题提出一种基于Friedman检验的非参数协作频谱感知方法。分布式放置的感知节点具有空间分集的特性,因此在同一时刻感知节点上的信号功率不完全相同。利用这一特点,提出通过比较各感知节点的信号功率水平来实现频谱感知。由于采用了非参数化表示,该方法对噪声不确定性稳定,且适用于任意统计分布的噪声。另外,推导了所提方法判决门限的理论表达式,结果显示判决门限与采样点数无关,因此在采样点数变化的情况下无需重新设置判决门限。仿真结果验证了上述理论分析的有效性。     

基于最小描述长度准则的稀疏多带信号频谱感知算法

该文研究稀疏多带信号的频谱感知问题。首先利用欠采样的数据构造自相关矩阵,并对该矩阵进行特征值分解,然后根据最小描述长度(MDL)准则对特征值进行计算,利用结果区分信号子空间和噪声子空间,最后根据子空间的结果求出信号的频率支集,由此提出了一种针对稀疏多带信号的频谱感知算法。由于传统算法需要预先设置门限来区分信号子空间和噪声子空间,所以不合理的门限值会导致算法失效,该文算法不用预先设置门限,具有更好的适应性。仿真实验结果验证了该文算法的有效性。