基于分形盒维数的频谱感知技术研究

为了降低频谱感知的计算复杂度,提高感知性能,该文提出基于分形盒维数的频谱感知方法。由于噪声与信号盒维数值存在差异,将分形盒维数作为检验统计量。仿真结果表明,该方法在高斯白噪声环境下,具有良好的检测性能,对噪声不敏感。并且计算复杂度低,易工程实现。     

基于分形盒维数的双门限合作频谱感知方法

在信号分形盒维数特征的基础上,提出利用噪声与授权信号分形盒维数的差异对授权用户是否存在进行检测.为了使合作感知性能趋于更优,多用户采用双门限策略进行分步合作.该方法运算复杂度低,对噪声不敏感.仿真结果表明,双门限合作相比单门限分形盒维数检测和能量检测,系统检测率更高,所需频谱感知时长较短,同时减轻了融合控制中心以及传输...     

基于双门限能量检测的自适应协作频谱感知

针对认知无线电中传统单门限能量检测由于单一门限造成的低信噪比情况下容易误判从而导致错失频谱接入机会的不足,提出了一种基于双门限能量检测方法的自适应协作频谱感知模型.该模型以加性高斯白噪声信道模型为基础,由传统双门限能量检测方法改进而成,针对接收到的能量统计值的大小采用不同的判决方法,各个判决结果直接由所采用的判决方法决定.仿真结果表明,在较低信噪比条件下,与传统单门限能量检测模型相比,该自适应协作频谱感知模型具有更好的识别性能,随着用户数量的增加,识别性能更优.     

基于压缩感知信道能量观测的协作频谱感知算法

压缩感知为认知无线电宽带频谱感知提供了一种新思路。基于压缩感知原理,该文提出一种不需要重构宽带频谱本身,而是直接重构各信道能量的协作频谱感知方法。多个次用户使用宽带随机滤波器组获取信道能量的观测值。融合中心同步接收多个用户的能量观测,并利用同步稀疏自适应匹配追踪协作重构算法重构所有次用户的信道能量。仿真结果表明加性高斯白噪声环境下该协作感知方法所需的滤波器数目仅为传统方法的20%左右,瑞利衰落信道下也仅需传统方法的40%,有效降低了系统复杂度并改善感知性能。同时,该文提出的同步稀疏自适应匹配追踪算法对比经典的同步正交匹配追踪算法在重构精度及算法复杂度两方面都有所提升。     

一种基于能量检测的协作式频谱感知算法

为提高认知无线电系统中频谱检测的可靠性,提出了一种基于能量检测的协作式频谱感知算法。利用授权用户的状态在相邻感知帧之间变化的概率小这一特性,通过将当前感知帧的能量值与相邻值相结合来判断授权用户状态,这样当授权用户使用授权频段时,所提算法能有效减小采样信号能量值骤减时发生误判的概率。另外给出了所提算法检测概率和虚警概率的闭式表达式。理论分析和仿真结果表明,所提算法比传统的协作式频谱检测算法检测性能好。     

一种高效的协作频谱感知架构

为了有效利用协作频谱感知中的上传时隙以改善感知性能,该文设计一种新的协作频谱感知(CSS)架构。其核心思想是：当一个次用户上传信息时,后面的次用户继续执行本地感知直至轮到其上传时才停止,该方法合理地将一半的空闲上传时隙用于感知,因而更为高效。同时,该文基于Neyman-Pearson准则,研究了AND准则和OR准则下的最优调度策略问题,并讨论了该架构带来的感知性能增益。仿真结果表明：所提架构可以有效改善协作频谱感知性能,而不带来额外的感知时延。     

基于动态自适应双门限能量检测的序贯协作频谱感知算法

针对在一般高斯白噪声环境中,传统的双门限能量检测频谱感知算法忽略确定两门限之间的感知信息的问题,该文提出一种基于动态自适应双门限能量检测的序贯协作频谱感知算法。新算法以最优化检测概率为目标,采用序贯方式对协作用户进行动态自适应双门限建模,并对处于两门限之间的接收能量值进行软判决。进一步地,新算法能自适应动态调整门限大小和各判决区域协作用户数,以达到最大化检测概率和最优化受试工作特征曲线的目的。理论分析和仿真结果表明,与经典的双门限能量检测算法相比,提出算法具有更优的检测概率。     

频谱感知中的协作检测方法分析

针对认知无线电频谱感知中单用户检测时的阴影衰落、隐藏终端等问题,介绍了协作检测的结构,对单用户的能量检测,信息融合进行了分析。提出了一种多门限多用户的协作检测方式,在多门限协作检测过程中设定多个能量区域及对应不同的权系数,增加传输和融合的信息量。仿真结果证明,在相同条件下多门限的协作检测方式能明显地提高系统检测的准确性。     

基于分形理论的CUWB频谱感知方法

针对超宽带频带内授权信号类型确定的特点,为了弥补盒维数检测不能够有效识别信号类型的缺点,提出通过进一步提取信息维数特征对信号调制样式进行识别,该方法融合了盒维数检测和信息维数检测的优点进行合作判决。仿真表明基于信号分形理论的频谱感知能够取得较好的检测效果,且该方法运算复杂度低,对噪声不敏感,能够有效区别噪声与授权信号,抵御模拟授权用户攻击,检测效果优于循环谱检测和能量检测。     

基于节点选择的能量高效的协作频谱感知算法

针对认知无线电中协作频谱感知能耗高的问题,提出一种基于节点选择的能量高效的协作频谱感知算法。该算法在保证感知性能的同时优化感知节点数量,从而达到高效节能的目的,其核心是采用能量高效的节点选择算法。该算法综合考虑了感知性能和能耗,仿真结果表明该算法在保证感知性能的同时能有效降低协作频谱感知的系统能耗。     

基于信噪比墙的协作能量检测算法

认知无线电技术可有效地检测到授权频段的频谱空洞,从而提高频谱效率.能量检测由于不需要授权用户的先验信息而被广泛应用.然而由于接收的噪声存在不确定性,使得在信噪比低于某一闸值时,无论观测时间多长,都无法保证检测结果满足要求的检测性能,这一闸值被称作“信噪比墙”.本文通过信噪比墙这一现象进行分析,同时由于协作感知算法在确定噪声下在提高检测性能方便表现出的优势,提出一种基于信噪比墙的协作能量检测算法,通过仿真结果分析,表明本文算法在检测性能和节能上较已有的协作算法具有优势.     

一种基于局部分形维的CFAR检测算法

目标检测是图像处理领域和计算机视觉中一项非常重要的研究课题.针对光学遥感图像自然背景下人造目标检测中检测时间长,虚警率偏高的问题,本文提出一种基于局部分形维的CFAR检测算法.该算法首先引入重标极差分析法,把图像的局部窗转化为一维序列的形式,且通过对一维序列极差和偏差的运算得到反映图像局部纹理特征的局部分形维,并以此构造出图像的分维像.然后在分维像基础上进行快速CFAR检测,确定滑窗中心点像素是否为目标像素.最后对目标像素进行聚类以提取感兴趣目标区域.利用本文提出的算法对不同地区的光学图像进行了大量的实验,得到了较好的检测结果.实验结果证明了该算法在高分辨光学图像中能有效、快速地地检测自然背景中的人造目标.与传统的人造目标检测算法相比,本文提出的算法能有效地减少检测时间,降低虚警率.     

基于循环谱能量的自适应频谱检测算法

根据信号循环平稳谱的特征,研究在低信噪比环境下的频谱检测问题,提出一种基于循环谱能量的自适应判决门限频谱检测算法。该算法融合能量检测与循环平稳特征检测的机理,以信号的循环谱能量为检测统计量,加权合并虚警率与检测率,准确估计循环谱特征值,构建了具有噪声自适应能力的频谱检测判决门限。仿真结果表明,该算法可以在低信噪比环境下有效地完成频谱检测,克服了噪声波动对频谱检测性能的影响,对不同调制主信号的感知具有稳健性。与最大—最小特征值算法和盲检测算法相比,该算法分别改善了信噪比4dB和8dB。     

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。     

基于改进群搜索优化算法的认知无线电协作频谱感知

提出了一种基于改进群搜索优化的认知无线电协作频谱感知方法。用改进的群搜索优化算法求解线性协作感知模型中的权重向量,并将本文方法与基于单节点感知、选择合并、等增益合并和MDC的频谱感知方法进行了比较,仿真结果表明基于改进群搜索优化算法的协作频谱感知较传统的群搜索优化算法具有更好的收敛性,可获得更高的检测概率,且检测性能随感知用户数的增加而提高、随噪声环境的恶化而降低。仿真结果验证了本文方法的优越性。     

基于改进D-S证据理论的认知无线电频谱感知算法

在把D-S证据理论应用于多节点的频谱感知数据融合时,如果数据冲突较大则融合结果并不理想.为了解决上述问题,对D-S证据理论的证据组合规则进行了改进,给出了一个在数据冲突大时也适用的数据融合公式,并把这种改进的数据融合算法应用到多节点协作频谱感知中.MAT-LAB仿真测试与结果分析表明改进算法提高了频谱感知性能.     

Cooperative spectrum sensing scheduling scheme based on discrete particle swarm optimization algorithm

The statistical characteristics of the network state changes were analyzed by using the CTMC model.Considering the difference of each secondary user’s sensing ability,two integer programming problems on cooperative sensing scheduling scheme were established from two aspects:the primary users and the secondary users respectively.A discrete particle swarm optimization algorithm was proposed to solve the integer programming problems,and compared with the traditional random scheduling scheme and greedy scheduling scheme based on SNR.The simulation results show that the cooperative sensing scheduling scheme based on discrete particle swarm optimization algorithm is superior to random scheduling scheme and greedy scheduling scheme based on the SNR,which gets a higher spectrum sensing accuracy.     

一种改进的图域频谱感知算法

针对现有基于完全图检测的频谱感知算法存在的计算复杂度高、低信噪比时性能不佳的问题,提出了一种基于分组极差图的改进算法。该算法将观测信号的功率谱以适当的长度进行分组,而后提取其分组极差序列,将其转换成特定无向简单图,并利用图的Gini系数作为完全图特征以实现对信号的检测。相较于现有的图域感知算法,引入分组处理环节能够有效减少图域变换中的处理样本量,且Gini系数计算无需高维矩阵的特征分解,因而计算复杂度降低。仿真结果表明,信噪比大于等于-4 dB时算法检测概率可达0.96以上,平均单次运行时间约为原有图域频谱感知算法的5.6%,有效提高了检测性能并减少了计算复杂度。     

Cooperative wideband spectrum sensing based on sequential compressed sensing

Compressed sensing offers a new wideband spectrum sensing scheme in Cognitive Radio (CR). A major challenge of this scheme is how to determinate the required measurements while the signal sparsity is not known a priori. This paper presents a cooperative sensing scheme based on sequential compressed sensing where sequential measurements are collected from the analog-to-information converters. A novel cooperative compressed sensing recovery algorithm named Simultaneous Sparsity Adaptive Matching Pursuit (SSAMP) is utilized for sequential compressed sensing in order to estimate the reconstruction errors and determinate the minimal number of required measurements. Once the fusion center obtains enough measurements, the reconstruction spectrum sparse vectors are then used to make a decision on spectrum occupancy. Simulations corroborate the effectiveness of the estimation and sensing performance of our cooperative scheme. Meanwhile, the performance of SSAMP and Simultaneous Orthogonal Matching Pursuit (SOMP) is evaluated by Mean-Square estimation Errors (MSE) and sensing time.