频谱感知作为认知无线电技术中关键功能和主要研究内容之一,对于解决日益增长的频谱需求和低利用率的频谱之间的冲突有着至关重要的研究意义。虽然目前已经建立了许多的频谱感知算法,但是有些频谱感知算法仍然存在一些不足,例如,不能提取较准确的信号特征,计算判决门限不准确等问题。本文针对现有的一些频谱感知算法性能不足的问题,研究探索如何提取较有效的信号特征和将进化聚类算法应用到频谱感知技术中,本论文具体内容为:为了提高频谱感知的性能,提出了一种基于协方差矩阵和遗传聚类算法的频谱感知方案。在单天线系统中,为了准确地提取信号的特征,该方案提出了一种结合信号矢量分解和协方差矩阵的信号特征提取方法。为了避免传统频谱感知的判决门限值推导,该方案提出了一种基于遗传聚类算法的频谱感知算法。该方案的整体思路为:首先,利用接收到的感知信号进行信号特征提取,然后,通过训练遗传聚类算法以获得相对应的分类器,最后,利用分类器来判定主用户(Primary User,PU)的状态。该方案可以有效地解决一些频谱感知算法需要估算判决门限、依赖先验知识以及在低性噪比时感知性能表现不佳等问题。为了进一步改善频谱感知性能,提出了一种基于Cholesky分解和粒子群聚类算法的频谱感知方案。在多天线系统中,为了更加准确地获取信号特征向量,该方案提出了一种结合信息融合和Cholesky分解的信号特征提取方法。为了避免估算判决门限,该方案提出了一种基于粒子群聚类算法的频谱感知算法。相似地,该方案的整体思路为:首先,利用接收到的感知信号进行信号特征提取,然后通过训练粒子群聚类算法以获得相对应的分类器,最后,通过分类器来判定PU的状态。该方案进一步地提升了频谱感知性能,更好地保护PU正常通信,避免受到次级用户(Secondary User,SU)的干扰。考虑到多天线系统中,装备多条天线的SU将所有的感知信号发送到融合中心(Fusion Center,FC),这不仅会增加报告信道的开销,还会增加FC的负担。因此,提出了一种基于主信息提取和差分进化聚类算法的频谱感知方案。为了解决上述问题,该方案提出了一种基于主成分分析(Principal Component Analysis,PCA)的主信息提取方法。在信号特征提取方面,该方案将经PCA处理后的感知数据通过信息几何工具获取统计流形上的几何特征。基于进化聚类算法,该方案提出了一种基于差分进化聚类算法的频谱感知算法。该方案的整体思路为:首先,SU将感知数据进行PCA处理,提取感知数据中的主信息。然后,FC将接受到的主信息映射到统计流形上,获取几何特征。最后,通过训练差分进化聚类算法以获得相对应的分类器。与现有的频谱感知算法相比较,在减少报告信道的开销和减轻FC的负担的同时,该方案的频谱感知性能也有所提升。