论文部分内容阅读
随着5G技术及下一代无线通信网络的快速发展,宽带频谱检测技术得到广泛研究,相对于窄带频谱检测,它可以更为灵活的实现认知用户对频谱空穴的接入,提高频谱检测效率。调制宽带转换器(Modulated Wideband Converter,MWC)可以很好地解决宽带频谱检测所需采样率过高的问题,本文以此为基础,针对基于简化MWC的稀疏贝叶斯(Sparse Bayesian Learning,SBL)检测算法中对信号先验信息的过度依赖、检测精度不足的问题,提出利用动态神经网络进行宽带频谱检测的方法。一方面,以动态神经网络为出发点,基于频谱数据之间的时间相关性,研究了适用于频谱检测的两种网络模型,即长短时记忆(Long Short Term Memory,LSTM)神经网络和埃尔曼(Elman)神经网络。对它们分别构造新型网络结构,训练学习以设置最佳检测参数,分析比较两种网络应用于宽带频谱检测中的表现性能,选择合适模型。最终动态LSTM神经网络算法凭借对信号自身信息充分挖掘的独特优势,在QPSK调制下,主用户信号数目为3、信噪比为5时,较MWC-Elman算法的检测概率提高了20%。另一方面,也是本文研究的重点,确定MWC-LSTM频谱检测算法的系统模型后,将先前的感知事件与当前的感知事件一起作为LSTM网络模型的输入,利用网络特点直接从输入的压缩采样值中提取相关信息,以估计支撑集。接着我们以检测对称频带之一即可认为信号完全检测的判决标准,分析了MWC-OMP、MWC-SBL、MWC-LSTM三种算法在固定位置时,单信号和多信号两种情况下的频谱检测性能。仿真结果表明,所提算法在没有稀疏先验的情况下,检测概率较其它两种算法得到了有效提升,且虚警概率始终保持在较低的范围内。最后研究了采样信道数目对三种检测算法的影响,发现MWC-LSTM算法可以以更少的采样通道数达到与其他算法相同的检测概率。