论文部分内容阅读
随着无线通信网络的发展,急速增长的频谱需求与相对匮乏的频谱供给之间的矛盾日渐加剧。认知无线电是解决这一矛盾的有效途径。频谱感知作为认知无线电的核心技术,其目标是如何在避免授权用户受到干扰的情况下,实现对潜在频谱机会进行快速、准确的检测。然而,传统频谱感知技术无法适应实际通信环境的复杂变化,导致整个网络的检测性能不佳。因此,使用机器学习的方法来提高频谱感知的自学习能力,是研究认知无线电频谱感知的重要手段。本文针对认知无线电网络中可能存在单个授权用户和多个授权用户的实际情况,分别提出基于最小序列支持向量机(Sequential Minimal Optimization SVM,SMO-SVM)和基于极限学习机(Extreme Learning Machine,ELM)的协作频谱感知算法,使认知无线电在基于过去经验的基础上对待测信号进行频谱感知,以提高网络的频谱利用率。本文研究内容如下:(1)在现有协作频谱感知算法的基础上,分析频谱感知的方法原理及特点,结合传统频谱的感知算法,提出基于SMO-SVM的单授权用户频谱感知算法和基于ELM的多授权用户频谱感知算法,并建立单授权用户和多授权用户的协作频谱感知模型,对模型下的信道状态进行分析。(2)研究了单授权用户协作频谱感知方法的原理,对传统感知算法在环境适应性和检测精度的缺陷,以及支持向量机在训练样本耗时上的不足进行分析,并在此基础上提出基于SMO-SVM的协作频谱感知算法。本文结合能量检测和SVM分类算法,用SMO最小序列方法对支持向量机超平面进行求解,并引入松弛变量、惩罚因子及核函数进行分类优化。随后针对分类函数中的未知参数,使用网格算法、粒子群算法和遗传算法进行寻优。仿真结果表明,SMO-SVM能够很大程度提高支持向量机的训练速度和分类速度,且其检测概率得到提升。(3)针对网络中存在多个授权用户的情况,本文首先对现有的多元分类方法进行研究,在此基础上提出了基于ELM的协作频谱感知算法。本文建立可识别多个授权用户的频谱感知模型,并结合能量检测与ELM对信道中多个授权用户的状态进行分类,最后使用Sigmoid、Sine和Hardlim三种激活函数处理数据。仿真结果表明,在对多授权用户的信道状态进行检测时,ELM大幅度减少了算法的训练时间、分类时间,且得到的检测概率更高,检测效果更稳定。