论文部分内容阅读
为解决当前通信技术发展中频谱资源紧缺的问题,认知无线电技术应运而生,并引起了广大学者的密切关注。频谱感知是认知无线电的核心技术,本文对传统的频谱感知技术进行了深入研究。为改善当前频谱感知技术的不足,本文应用了新的理论工具:随机矩阵和压缩感知,提出了一种改进的协作频谱感知算法。本文应用随机矩阵理论(RMT)中的渐进理论和最大特征值的分布特性,将特征值检测与能量检测相结合,提出了一种改进的的联合能量-特征值(EMED)检测算法。该算法定义样本协方差的最大特征值和接收信号平均能量的比值为判决统计量。根据特征值分布、信号能量均值分布,由预设的虚警率计算判决门限,无需任何PU发射机信号和信道噪声的先验信息,不受噪声方差波动的影响,克服了传统能量检测和最大特征值检测在噪声不确定的环境下性能较差的缺点,提高了频谱检测的可靠性。在EMED算法中应用压缩感知理论,提出了一种基于非重构压缩感知的联合能量-特征值检测算法(CS-EMED)。该算法用压缩感知代替奈奎斯特采样,选取满足条件的观测矩阵,在保证信号主要信息不损失的前提下,执行EMED算法流程。由于压缩感知近似正交变换,协方差矩阵及其特征值的统计特性不变,信号无需重构就可达到预期检测效果。仿真结果表明,噪声不确定度存在时,CS-EMED算法的性能优于能量检测和最大特征值检测。除此之外,该算法与基于OMP信号重构的EMED算法相比,性能损失非常小,但复杂度更低,具有更强的实用价值。针对单节点频谱检测中存在的隐藏节点问题,本文提出了一种基于节点判决可信系数的加权信息融合和用户选择算法。该算法以各个节点的判决可信系数为依据,确定各用户在信息融合中所占的权重。感知用户基于CS-EMED算法完成本地判决,输出判决统计量和判决结果并发送至融合中心。融合中心计算加权判决统计量并进行全局判决,随后将判决结果与感知用户本地结果进行比较,计算各感知用户的历史判决可信系数。利用切尾平均数法计算参与协作感知的可信门限,作为下一轮感知中用户选择的依据。该算法有效降低了协作频谱感知系统的复杂度和系统开销,提高了检测结果的准确性。仿真结果表明,本文所提出的算法性能要优于经典的等增益合并和最大比合并算法,且大量节省了系统开销。