基于EEF准则的认知无线电合作频谱感知

频谱感知是认知无线电的一个重要组成部分.提出了一种基于指数嵌入族(exponentially embedded family,EEF)准则的合作频谱感知算法.与传统方式下所有合作用户皆参加检测的方法不同,提出的算法依靠用户选择机制,并且不需要知晓授权用户信号的任何先验信息.该算法先对参与合作频谱感知的认知用户进行筛选,然后在筛选出的最优用户频谱观测数据的基础上生成全局检测统计量(global decision statistic,GTS),最后对授权用户是否存在做出全局判决.仿真表明,在虚警概率保持不变的情况下,进行最优用户选择(optimal user selection,OUS)的合作频谱感知算法的检测概率优于未进行最优用户选择的算法.     

一种基于支持向量机的认知无线电频谱感知方案

针对以能量检测为代表的传统频谱感知算法一般存在低信噪比下性能不足,容易面临隐藏节点效应,对检测灵敏度要求高等问题,提出一种新型的基于蜂窝认知用户位置定位的频谱认知方案。该方案以无线指纹数据库为基础,通过无线指纹定位驱动认知用户实现频谱认知功能。认知用户利用无线指纹对其自身进行定位,并根据指纹数据库确定其对于授权频段接入的可能性。针对网络中的主用户发射机位置存在已知和未知2种情况,可通过认知用户读取数据库来确定授权频段可用性,或将已收集获取的历史数据作为训练数据,引入支持向量机(support vector machine,SVM)算法对认知用户所处位置的授权频段可用状态进行预测。此外,针对单个用户频谱状态预测性能不足的缺陷,提出了联合地理位置相近的多个认知用户的合作预测机制。仿真实验验证了本方案相对于传统能量检测算法的性能优势以及能效优势。     

基于迭代用户选择的合作频谱感知算法

针对认知无线电中经典频谱感知算法 (能量检测、算术几何平均、信号特征值子空间、最大特征值检测)存在不同程度缺陷的问题,为了进一步提高频谱感知算法的检测性能,提出了基于迭代用户选择(iterative user selection, IUS)的合作频谱感知算法。该算法先对参与合作感知的全部认知用户进行选择,然后在选出的部分用户频谱观测数据的基础上,生成全局检验统计量(global decision statistic, GTS),以此做出授权用户(primary user, PU)信号是否存在的全局判决。仿真结果显示,在虚警概率保持不变的情况下,进行迭代用户选择后,合作频谱感知的检测概率要优于未进行用户选择时的算法。与经典频谱感知算法相比较, IUS的合作频谱感知算法不需要任何先验信息,且以较少的频谱观测数据达到较好的检测性能。     

噪声功率不确定下基于能量的频谱检测分析

感知无线电是一项有希望提高频谱利用率的技术,在不干扰授权用户的前提下,通过协商或者机会地与授权用户共同占用频谱资源。实现感知无线电技术的关键就是如何可靠地检测授权用户使用的频谱情况。基于能量的频谱检测实现简单,能够快速地检测频谱的占有情况,但是也有很多缺点,比如易受噪声的影响。近几年基于能量的频谱检测得到广泛研究,但是,在噪声功率不确定情况下的频谱检测研究却不多。针对这一问题,从不同的角度分析了在噪声功率不确定情况下的基于能量的频谱检测,分析了最坏情况下的性能。最坏情况下的性能用信噪比、时间带宽积和噪声不确定峰值比的函数表示。从仿真结果中可以看出,即使不确定的噪声功率是一个很小数量,也会造成检测性能的大幅下降,而且在瑞利衰落信道下性能更差。     

基于用户集合势估计的认知无线电合作频谱感知

频谱感知技术是认知无线电系统的基本功能,是实现已授权频段的次级动态接入和共享的前提。提出基于用户集合势估计的合作频谱感知方案,旨在通过GEEF（gerschgorin exponentially embedded families）,SPEEF（sam-pled power exponentially embedded families）等算法估计出用户的集合势,即适合参与合作频谱感知的最优用户个数,再从全部合作用户中筛选出相应的频谱观测数据生成全局检测统计量,通过与判决门限进行对比,最终对授权用户状态做出判决。理论分析与实验结果表明,提出的方案能够有效地提高频谱感知的性能。     

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。     

基于数据分类和最小时延的LWA网络流量控制算法

无线异构网络已经成为未来无线通信网络演进的关键路径之一,多种无线网络互相融合亦是大势所趋.长期演进(longterm evolution,LET)与WLAN网络融合系统(LTE-WLAN aggregation,LWA)在改善系统频谱效率与能量效率以及提升网络系统容量与数据传输速率方面发挥着重要的作用.单一性地将LWA系统中分组数据集中协议(packet data convergence protocol,PDCD)数据单元分配给某个网络会增加网络负载和时延,所以LWA网络合理地流量控制方案愈发重要.为了提高系统吞吐量和能量效率,同时降低演进型基站(evolved nodeB,eNB)负载,提出一种基于数据分类和最小时延(data cassification and minimum delay,DCMD)的LWA网络流量控制算法.所提算法通过对传输数据进行分类并选择时延最小的网络传输对时延敏感的数据,而时延较大的网络则传输时延不敏感的数据,以此实现流量控制.仿真结果表明,所提算法能有效地提升系统的吞吐量、边缘地区用户终端(user e-quipment,UE)吞吐量和用户能量效率.     

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。