论文部分内容阅读
认知无线电技术是在频谱越来越拥挤的现状下,提出的一项可提高频谱利用率的智能通信技术。频谱感知是认知无线电技术的核心环节,影响整个系统的性能上限。其核心思想是让认知设备在不影响授权用户通信的前提下,具有发现空闲频谱的能力,让认知用户可使用空闲频谱通信。为了达到提高认知用户频谱感知的准确度,减少对授权用户的干扰的目的,多种多样的频谱感知方法应运而生。本文分别从单用户频谱感知和多用户合作频谱感知两方面入手,针对这两种场景下目前存在的问题进行深入研究,论文的主要研究工作如下:对于单用户频谱感知场景下,现有算法在低信噪比情况下检测性能仍不理想。机器学习算法可以在低信噪比下取得较高的检测性能,但现有的人工神经网络算法(ANN)在训练时容易陷入局部极值,支持向量机算法(SVM)在低信噪比频谱感知中存在过拟合问题。对此本文提出了一种量子粒子群优化极限学习机(QPSO-ELM)的谱感知方法。针对极限学习机算法的特点,通过量子粒子群算法(QPSO)优化极限学习机(ELM)参数,并构建引入结构风险思想的QPSO-ELM模型,平衡算法的经验风险和结构风险,提高了算法的频谱感知性能。通过仿真实验比较,在-15d B时,提出的算法分别比ANN、SVM和ELM的频谱感知性能提高了16%、28%和9%,显示出低信噪比情况下的优越性。在集中式多用户合作频谱感知场景下,现有算法通过提高认知用户数来提高频谱感知准确率,但大量认知用户包含大量重复特征导致了认知用户资源的浪费,同时大量认知用户可能包含更多衰落用户和恶意用户,使得认知用户需求数量更多。针对该问题提出一种基于核极限学习机(KELM)的分组合作频谱感知算法。算法首先确定了合适核函数的KELM合作频谱感知模型,针对KELM算法训练速度快的特点,提出了三种分组算法:(1)根据特征的训练情况将感知用户区分出正常用户和异常用户(严重衰落的用户和恶意用户);(2)然后分别计算特征的相关程度排除冗余用户;(3)最后通过优化算法求解最优分组策略。在频谱感知准确率满足系统要求的情况下,分出尽可能多的用户用于其他频段频谱感知,让认知用户能得到更充分的利用,降低频谱感知资源开销。仿真实验表明与直接合作频谱感知相比,可以一定程度上分离出恶意用户,降低频谱感知时间,提高认知用户特征的利用效率。