基于最大最小特征值之差的频谱感知技术研究

频谱感知技术是认知无线电系统的关键技术之一,该文基于阵列天线理论,利用并分析接收信号相关矩阵,并以其最大与最小特征值之差作为检验统计量,进而判断主用户是否存在,实现频谱感知。理论分析和仿真结果均表明,此方法的感知性能明显优于能量检测算法,并且有效地解决了噪声不确定度对检测性能的影响。

改进的最大最小特征值之差的频谱感知算法

针对传统的最大最小特征值之差的频谱感知算法(DMM),从提高特征值估计精度出发,引入了信号矩阵拆分重组的过程,提出了一种改进的协作频谱感知算法(IDMM)。该算法在逻辑上增加了协作用户数,降低了协作用户数少对频谱感知性能造成的影响。理论分析和仿真结果均表明,IDMM算法性能明显优于DMM算法。

基于最大最小特征值检测的认知用户容量分析

讨论在噪声不确定场景下,认知用户配备多根接收天线,采用最大最小特征值检测算法时的系统容量问题,推导得到系统容量与检测概率和虚警概率的关系表达式。仿真结果表明,最大最小特征值检测算法在噪声不确定场景下具有良好的检测性能,认知用户系统容量明显高于采用多天线能量检测算法时得到的容量。

一种基于最大最小特征值的频谱感知改进算法

针对大多数频谱感知算法在低信噪比下性能不佳的问题,借鉴最大最小特征值算法(MME)提出一种改进算法。该算法对接收信号做差分预处理,再求其统计协方差的最大最小特征值比;最后用数值分析方法,结合聂曼—皮尔逊准则(N-P准则)求出恒虚警概率门限进行判决。蒙特卡洛(Monte Carlo)仿真实验对该算法与MME以及能量检测法的性能进行了比较,在极低信噪比下该算法的性能优于MME,而无论信噪比如何均优于能量检测法。实验表明,改进算法适用于低信噪比下频谱感知。

一种基于最大最小特征值的协同频谱检测算法

在单节点最大最小特征值检测方法的基础上,提出了一种协同频谱检测算法来提高检测概率。仿真结果证明了检测性能的提高。

基于特征值极限分布的双门限DMM频谱感知算法

采用随机矩阵特征结构理论,分析并研究多认知用户采样协方差矩阵的特征极限值分布,提出一种基于最大最小特征值之差(DMM)的双门限频谱感知算法。根据最大与最小特征极限值分布推导检测双门限,对双门限内外部分分别采用软判决与硬判决综合得到最终判决结果。利用特征值噪声估计实现检测门限的自适应,克服噪声不确定性对频谱感知的影响。仿真结果表明,在低信噪比、虚警率和采样频率的情况下,该算法检测性能优于DMM算法与能量检测算法,且稳定性好、鲁棒性强。

基于随机矩阵特征值差的频谱感知改进算法

针对经典特征值类频谱感知算法在低采样、低信噪比下检测效果不佳的问题,基于最大最小特征值之差算法(DMM),利用最小特征值极限分布以及特征值均值的能量特征,提出了一种基于随机矩阵特征值差的频谱感知改进算法(DAM),该算法以特征值均值与最小特征值为检测量,分析比较了算法在两种计算门限下的检测性能(DAM1与DAM2),理论与仿真结果表明,该算法在不增加运算复杂度的同时,在低采样、低信噪比的情况下,较DMM算法以及现有最大特征值与能量差改进算法(ME-S-ED)提升了检测概率,其中DAM1更适用于低信噪比,DAM2更适用于低采样。

基于特征值的单矢量水听器目标检测算法

针对水下目标检测在低信噪比与非平稳背景噪声情况下性能下降的问题,结合特征值检测算法原理,给出一种单矢量水听器联合信息互相关检测算法。该算法利用电子旋转导向角度与振速信息构成一种组合振速,并结合声压信息得到一种互相关值,在大快拍无信号条件下,该值满足渐进高斯分布;将该值除以解析振速与声压信息的协方差矩阵最小特征值,得到一种检测统计量;通过与门限值比较,实现目标检测。理论分析可见,所提检测算法无须背景噪声的先验信息,并且可以通过调节导向角度提高检测性能;在单目标情况下,利用检测统计量与导向角度的对应关系可实现目标方位估计。仿真与实测数据结果表明,相比于单矢量水听器最大最小特征值检测算法与能量检测算法,所提算法检测性能优良,适合于单矢量水听器目标预警检测。

一种改进的特征值-LSTM微弱信号盲检测方法

微弱信号盲检测方法中,最大最小特征值检测应用到样本协方差矩阵的信息较少,且其判决门限难以准确估计,导致信噪比较低时检测稳定性差、性能较低。针对以上问题,提出一种基于特征值-长短时记忆(eigenvalue-LSTM)神经网络的微弱信号盲检测方法,在最大最小特征值检测算法的统计量中引入平均特征值,并对检测概率、虚警概率进行了推导分析,最后将改进的统计量作为长短期记忆(LSTM)神经网络输入进行训练得到分类器。仿真实验结果表明,该方法无需估计检测门限,且在相同采样点的条件下,检测性能在-12 dB时较直接采样-LSTM方法提高了9%。因此基于特征值-长短时记忆网络神经网络方法具有更优的检测性能。

基于可信度的加权协作频谱检测算法

协作频谱检测技术可以有效解决认知无线网络本地检测存在的信道衰落、隐藏终端等问题.本文研究了加权协作频谱检测技术,提出一种基于可信度的协作频谱检测算法.每个感知节点基于最大最小值特征值检测完成本地频谱检测,并与融合中心的全局检测结果进行比较,估计各自感知节点的频谱检测可信度;融合中心利用切尾平均法计算参与频谱协作检测的可信度门限,并选择可信度大于门限的感知节点参与协作频谱检测.该算法有效降低了认知网络协作检测的复杂性,提高了频谱检测性能,在噪声波动环境下具有良好的鲁棒性.仿真结果表明,算法频谱检测性能要优于其他加权算法1～3 dB,节省系统开销43.75％左右.

基于估计协方差MME检测的频谱感知算法

针对小采样数据长度下,采样协方差矩阵对统计协方差矩阵估计不准,影响传统最大最小特征值(MME)检测算法检测性能的问题,提出一种基于逼近收缩(OAS)矩阵估计的改进MME检测算法。首先利用OAS估计量对采样数据做协方差矩阵估计,再对估计协方差矩阵特征值分解,将最大最小特征值之比作为检测统计量,克服了传统MME算法检测门限随采样点大幅波动的缺陷,提高了检测门限的鲁棒性。仿真结果表明,所提算法的检测门限具有鲁棒性,检测性能提高了1 d B^2 d B。

基于随机矩阵非渐近谱理论的协作频谱感知算法研究

将随机矩阵的非渐近谱理论应用到协作频谱感知中,对接收信号样本协方差矩阵的最大特征值和最小特征值进行分析,该文提出一种精确的最大最小特征值差(Exact Maximum Minimum Eigenvalue Difference,EMMED)的协作感知算法。对于任意给定的协作用户个数K和采样点数N,首先推导了最大最小特征值之差的精确概率密度函数(Probability Density Function,PDF)和累积分布函数(Cumulative Distribution Function,CDF),然后利用该分布函数设计了所提算法的判决阈值。理论分析表明,EMMED算法的判决阈值较已有的渐进最大最小特征值差(Asymptotic Maximum Minimum Eigenvalue Difference,AMMED)检测更为精确,算法无需主用户信号特征并且能够对抗噪声不确定度影响。仿真结果表明,存在噪声不确定度的感知环境下,EMMED算法较已有的精确最大特征值(Exact Maximum Eigenvalue,EME)和EMMER等频谱感知算法具有更好的检测性能。

一种低运算复杂度的优化DAG频谱感知算法

针对经典频谱感知算法在低信噪比、低采样下检测效果不佳,特征值分解运算复杂度高的问题,文中基于最大最小特征值之差算法(DMM)提出了一种低运算复杂度的优化算法(DAG)。算法利用特征值算数均值与几何均值之差构建检测统计量,以"累积法"迭代计算最大特征值获取动态检测门限。仿真结果表明,该算法在低信噪比、相对低采样以及多协作认知用户数下,较经典特征值类算法降低了运算复杂度、提升了检测概率。

基于可信度的双门限DMM协作频谱感知算法

针对已有的双门限特征值频谱感知算法存在忽略本地感知用户可靠性差异及融合判决方式开销大的缺点,提出了一种基于可信度的双门限DMM协作频谱感知算法(DT-CDMM),用于进一步提升协作感知性能。所提算法在最大最小特征值差(DMM)算法的基础上,建立了基于特征极限分布的双门限DMM算法作为本地感知,采用触发式的软、硬判决相结合的判决机制来减少系统开销,以本地感知性能与可信度加权的方式得到全局判决结果,并对硬判决进行自适应补偿。仿真结果表明,较已有的双门限特征值算法以及双门限能量检测算法,DT-CDMM算法在噪声不确定的环境下提升了多用户协作检测的概率。