基于压缩感知与熵的多天线宽带频谱检测算法

针对已有单节点频谱感知精度低、协作频谱感知数据融合过程复杂,以及对噪声不确定性敏感等问题,提出一种基于压缩感知与熵的多天线宽带频谱检测算法。算法利用多天线技术,通过共享各阵元接收信号之间的相关信息,建立多任务学习模型,实现阵元之间的协作感知,进而提高单节点感知精度;基于贝叶斯概率模型,解决测量不确定性问题,可提高宽带信号重构精度;并利用频域信息熵进行频谱判决,能够改善算法的噪声鲁棒性。仿真结果表明,在测量数据较少场景下,与匹配追踪和单任务贝叶斯算法相比,信号重构精度较高;且在低信噪比条件下,与已有算法相比,具有较好的检测性能。

基于能量有效性的贝叶斯压缩感知宽带频谱检测

在认知无线网络(CRN)中,基于压缩感知的宽带频谱检测仅关注频谱有效性,未考虑到频谱检测过程中节点的能效问题,在提高频谱检测性能的同时造成节点能耗开销过大。为此,提出一种在保障节点能量有效性基础上,进行基于贝叶斯压缩感知(BCS)稀疏重构的CRN宽带频谱检测方法。推导感知能耗解析式,构造节点感知能耗模型,在满足宽带压缩频谱检测概率和BCS重构均方误差(MSE)阈值的约束条件下,通过改变BCS测量矩阵中采样点数实现感知能耗最小化。仿真结果表明,当虚警概率为0.04时,在采样点数较小的情况下,该方法的检测概率高于感知-能耗折衷方法。在重构MSE小于15 d B的条件下,与正交匹配追踪方法的重构能耗相比,基于BCS的节点重构能耗明显下降。

认知网络中基于压缩感知的宽带频谱检测改进机制

在低信噪比,尤其是非高斯噪声情况下,设计认知网络中快速、准确的频谱检测机制是一个巨大挑战。当前主流的宽带频谱检测机制中,分段检测需要较长的检测时间;合作检测需要中心控制点,节点间信息交互的开销较大;基于压缩感知的频谱检测一般要求信号具有稀疏性且复杂度仍较高。本文在非高斯噪声环境下,针对信道分布不确定、频谱空洞少的场景,提出了一种基于柯尔莫哥罗夫—斯米尔诺夫(kolmogorov-smirnov)检验的二级宽带频谱检测机制,该机制可以检测任意给定数目(小于实际频谱空洞数)的频谱空洞,自适应调整在不同信道上的检测开销,以提高频谱检测的效率,扩展宽带频谱检测的应用范围。

基于简化MWC的非重构宽带频谱检测

在当前的宽带频谱感知模型中,常用离散频率表示连续频率的频带,然而这种方法不能准确反应频谱占用的实际情况。该研究提出一种新的宽带频谱检测方案,首先,通过简化的调制宽带转换系统(MWC)对由块稀疏模型表示的实际宽带信号进行采样以获取压缩测量值;然后,利用离散余弦变换矩阵(DCT)的能量压缩特性得到信号能量信息;最后,通过新型能量检测器直接对能量压缩信息进行判决。仿真结果表明,所提算法在减少计算复杂度,较重构频谱检测节约50%以上时间的情况下,表现出比OMP重构的宽带频谱检测算法、压缩检测器以及传统的能量检测器更好的工作特性。

基于多任务贝叶斯压缩感知的宽带频谱检测

针对认知无线网络中主用户信号在空频域的稀疏性,基于贝叶斯压缩感知(BCS)的信号重构通过层次化贝叶斯分析分级先验模型获得稀疏信号估计.将贝叶斯压缩感知应用于认知无线电宽带压缩频谱检测,利用多认知用户感知信号的时空相关性实现在多用户多任务传输条件下的稀疏信号重构与宽带压缩频谱检测.研究了基于期望最大化算法和相关向量机模型的多任务BCS参数估计.仿真结果表明:相比于传统单任务BCS重构方法,多任务BCS在节点能耗与网络带宽受限的条件下,通过对估计参数的合理优化,在较低压缩比区域可实现重构均方误差的快速收敛,且检测性能随着任务数的增加而提高.当感知数据相关性从25%增加到75%,且任务数一定时,所提方法的重构观测数明显下降,宽带频谱检测性能显著提高.

基于二项分布改进的宽带压缩频谱检测方案

宽带压缩频谱检测存在依赖稀疏度先验信息和信号重构时延较高的问题.因此,本文提出了一种高效可靠的宽带压缩频谱检测方案.首先,推导出了基于二项分布精确置信区间改进的稀疏度估计模型.其次,利用稀疏度估计上下界改进了稀疏度自适应匹配追踪算法.最后,提出了一种宽带压缩频谱检测方案.仿真结果表明,本文所提出方法可以同时精确的估计信号稀疏度的上下界,提高了频谱检测的效率和可靠性,加快了算法的收敛速度.

基于监督学习的协作宽带压缩频谱检测方案

宽带压缩频谱检测存在信号稀疏度未知和次用户检测开销过大的问题.因此,本文提出一种高效的协作宽带压缩频谱检测方案.首先,推导了一种基于学习的稀疏度自适应预测模型.其次,设计了一种宽带频谱筛选算法.最后,提出一种协作宽带压缩频谱检测方案.仿真结果表明,自适应预测模型的拟合效果优于现有预测模型,并且所提检测方案也有效地降低了次用户采样率和频谱重构时延.

基于支撑集融合的分布式协作压缩频谱检测方法

针对认知无线电(cognitive radio,CR)宽带频谱检测过程中存在的采样压力大、数据传输量大、信道衰落严重等问题,提出了一种基于支撑集融合的分布式协作压缩频谱检测方法。在该方法中,本地信号重构过程和频谱稀疏支撑集的分布式融合过程反复交替进行,将本地重构过程中获得的稀疏支撑集信息进行分布式融合,又将融合结果作为先验信息指导本地信号再次重构,多次重复以实现信号重构与频谱检测。仿真结果表明,所提出方法的频谱检测性能可接近集中式的压缩检测方法,而该方法的迭代重构过程复杂度低,具有计算开销少的优势。

基于频域叠加和深度学习的频谱信号识别

针对频谱监测领域频带较宽、接收机采样步进受限而造成的宽带频谱信号难以识别的问题,提出了一种频域叠加预处理和目标检测相结合的频谱信号识别方法。该方法利用频域叠加对频谱数据进行多帧叠加来突出频谱中的弱信号,将叠加处理后的频谱图像送入改进的目标检测网络中进行信号类型的识别。经过实验证明,此方法能够有效地识别7种类型的频谱信号,提出的频域叠加预处理能够提升目标检测算法的精度,并提高频谱中弱信号的识别能力,在信噪比为6 dB时,算法能够达到89.7%的平均识别率。

压缩传感非稀疏宽带频谱导频检测方法

为了突破频谱稀疏性对压缩传感技术的限制,提出了一种基于压缩传感的频谱检测方法,在保证对主用户的干扰不超过指定门限的前提下,通过对目标频段的主用户信号和导频信号在频域进行线性运算,保留频谱空洞处的导频分量,把对非稀疏的主用户信号的恢复转化为对稀疏导频信号的恢复.该方法解决了认知无线电宽带频谱检测中,压缩传感技术在主用户信号非稀疏时的失效问题.仿真结果表明,导频检测方法可以对非稀疏频谱的频谱空洞位置进行准确检测.