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。