基于卷积神经网络的宽带合作频谱感知

利用认知无线电网络中的多个次用户所能提供的大量频谱观测数据,提出一种基于卷积神经网络（convolutional neural network,CNN）的宽带合作频谱感知方案。宽带频谱感知旨在灵活地检测跟踪目标宽带授权频段上的可供使用的频谱空穴,该方案考虑利用宽带频谱上被占用的子带与未被占用的子带之间在信号能量及占用位置方面所体现出的类别差异,通过设计一种CNN模型并基于此对频谱观测数据进行训练学习,得到频带占用模式分类模型,从而实现宽带合作频谱感知。仿真结果证明,与传统的基于能量检测技术和典型机器学习（machine learning,ML）分类算法的宽带合作频谱感知方案相比,该方案在检测性能上具有较大的优势,特别是在低信噪比环境下的检测性能。     

核支持向量的主用户活动场景分类算法

针对认知无线电网络中传统频谱感知方法性能不足以及空白频谱利用率较低的问题，提出了一种基于核支持向量的主用户活动场景分类算法，通过判断地理区域内的活动主用户数量及分布情况来提高获得潜在频谱接入机会的可能性。根据核支持向量的边界对主用户活动场景作初分类处理，由此判定当前网络中的活跃主用户发射机的数量。初分类处理既能减少支持向量中矩阵计算量，也能减少人工标记数据所带来的成本。再对每一个初分类处理后的数据进行无监督聚类，从而得到实际对应的主用户活动场景细分类。实验结果表明，所提算法与直接使用核支持向量分类算法相比，不仅改善了频谱感知的性能，同时还大大降低了定标成本及时间成本。