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。

基于高维随机矩阵特征值之差的滚动轴承状态异常检测算法

针对滚动轴承异常检测准确性差、精度低及数据维度灾难造成检测困难等问题,提出一种基于随机矩阵特征值之差指标的滚动轴承状态异常检测算法。运用平移时间窗对不同时刻的轴承信息锁定,并通过分段、随机化、扩增和维度重构等方法构造出高维随机特征矩阵;利用随机矩阵理论对高维数据良好的处理能力,给出了滚动轴承特征值之差指标的构造方法及动态检测阈值的数学公式,可降低噪声的干扰,提高检测指标的鲁棒性与检测结果的准确性。采用辛辛那提大学智能维护系统(intelligent maintenance system, IMS)中心的滚动轴承全寿命数据进行应用研究,分析了不同误警率对检测结果的影响;从指标构建、阈值设定及异常检测等方面,将特征值之差算法与特征值之比算法进行比较。结果表明,最大、最小特征值之差算法中检测指标构建及阈值设定更符合实际工况,对滚动轴承异常状态检测更准确,对早期异常状态的识别更敏感。

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。