认知无线电是一种能够实现频谱重用、有效提高频谱利用率的智能无线通信技术,为实现动态频谱共享提供了新的途径。论文依托国家自然科学基金“基于认知无线电的网格网拓扑管理、MAC机制和自适应资源分配策略研究”,对认知无线电参数优化和敏感度分析展开研究。认知无线电参数优化能根据外部环境的变化,实时获得当前最优的工作参数;而参数敏感度分析则是为了寻求传输参数与系统性能目标之间的内在联系。将参数敏感度分析与参数优化结合,既能有效指导传输参数的自适应调整,又能有的放矢,关注主要因素、忽略次要因素,从而降低信号处理的复杂度和运算量。主要研究内容包括:1)从认知无线电的基本原理和关键技术出发,分析和比较了典型的认知无线电决策引擎和认知引擎模型的技术特点,介绍了多目标优化的数学描述和传统的多目标优化方法。2)认知无线电需要根据环境变化和用户需求自适应调整自身工作参数。现有的认知引擎大多采用遗传算法优化参数,但随着认知用户数的增加,遗传算法染色体增多,导致算法收敛时间过长,无法满足实时通信需求。因此,在认知无线电进行参数优化时,寻求搜索效率高、收敛速度快、稳定性高的优化算法是认知无线电的重要研究内容之一。以粒子群算法为基础,依据认知无线电传输参数、优化目标及其适应度函数,提出了利用改进惯性因子的粒子群算法对认知无线电参数进行优化,并通过仿真验证了算法的有效性,且搜索效率和收敛速度均优于遗传算法,算法稳定性较高,满足认知无线电实时处理要求。3)参数敏感度分析是为了获取不同传输参数对认知引擎判决的影响程度并对其进行量化。将参数敏感度分析与优化过程结合,分别在不同通信模式下对认知无线电传输参数进行敏感度分析,有选择性地从目标函数中剔除敏感度较低的参数,以降低处理复杂度和处理时延。