论文部分内容阅读
频谱感知作为认知无线电(Cognitive Radio,CR)系统中的一项关键技术,是实现动态频谱接入的前提。但是,依据传统的采样定律,即采样率最低为信号带宽的二倍,宽带频谱感知需要极高的采样率,使得硬件负荷极大。而压缩感知(Compressive Sensing,CS)技术作为新近兴起的稀疏信号处理技术,可以使我们从远远低于信号维度数量的随机观测量中恢复出原始的稀疏信号。如果将其引入通信领域,我们能够以远远低于奈奎斯特采样率进行采样,并准确恢复出原始的频域稀疏信号,这极大地降低了硬件实现复杂度,数据处理量和传输量。
本文针对认知无线电系统,着重解决宽带频谱压缩采样目前面临的几个主要问题,即宽带信号的自适应采样,利用信号内部特征提出更加有效的恢复算法,认知网络中认知用户之间的压缩采样值融合恢复。本论文的主要贡献如下:
1)提出了自适应压缩采样结构,能够实现在未知信号稀疏度时,自适应地确定系统所需的采样率,同时,当信号的稀疏信息发生变化时,系统能够跟踪到这一变化,进而自适应地根据根据这一变化重新调整采样率。
2)利用宽带稀疏频谱的结构化特征:块稀疏,考虑了子块没有被完全占用的情况,提出更加有效的恢复算法,基于二叉树分解的块匹配追踪算法。
3)在分布式场景下,利用各认知用户感知信号之间的相关性,将多个认知用户收集的数据联合恢复,获得分集增益,同时利用信号的内部特征,块稀疏,获得块稀疏增益;并考虑子块没有被完全占用的情况,提出了分布式下更加有效的恢复算法。
4)利用流信号帧与帧之间的共同稀疏特性,探讨高低分辨率下频谱稀疏特征的相关性,提出流信号的多分辨率压缩感知,不仅能够保证信号恢复精度,同时还能够降低算法复杂度。