一种基于压缩采样的多用户联合宽带频谱感知方法

在理想的认知无线电系统中,认知用户能够同时感知很宽的频带,而受限于前端器件的物理性能,实时全频带检测很难实现.针对这一问题,文章提出一种基于压缩采样的宽带频谱感知方法.首先设计了一种集中式多认知用户分组并行压缩采样架构,使每个认知用户只需要一个低速率AD转换器即可实现宽带频谱感知中的模拟信号高速采样.另外,根据压缩采样理论,该方法充分利用了主用户信号在频域上的稀疏性,基站只需要远少于奈奎斯特采样点数的观测值即可对主用户信号的频域信息进行恢复,并通过恢复出的信息对频谱占用状态进行判定.仿真结果表明,该压缩检测算法相比于传统能量检测具有较高的系统检测概率和较短的检测时间,且只需要10%的存储单元.     

多用户联合频谱感知在多种衰落信道中的性能分析

频谱感知是认知无线电技术的关键组成部分。但当认知用户处在严重的衰落和阴影中时,准确感知频谱的难度很大。多用户联合频谱感知是有效解决这一问题的方法之一。文章根据无线通信环境的多样性和复杂性,对联合频谱感知在瑞利、莱斯和Nakagam i衰落信道中性能进行了全面分析。首先,分析了能量检测在普通高斯白噪声信道和3种衰落信道中的检测效果,并给出了便于计算的闭合型表达式;其次,基于实际无线通信环境,在假设认知用户与基站间的报告信道也要受衰落和噪声的干扰而产生误码的条件下,研究了多认知用户之间的联合检测算法,以及它们在不同衰落信道中的检测性能。最后的仿真结果表明,联合频谱感知能有效提高认知网络在衰落环境下的频谱检测能力,在3种衰落环境中,Nakagami、瑞利和莱斯衰落对信号的影响依次从强到弱。并且在实际环境中,当误检概率减小到其下界时,联合感知的结果将失去可靠性。     

面向全迁移的小规模EFSM测试序列集生成方法

针对在扩展有限状态机（extended finite state machine, EFSM）模型上测试序列集生成效率低、规模大等问题,提出了一种面向全迁移的小规模测试序列集生成方法。该方法基于改进的自适应多种群遗传算法（improved adaptive multi-population genetic algorithm, IAMGA）。首先,利用迁移覆盖增益设计适应度函数,使每次生成的可行迁移路径均能产生迁移覆盖增益;然后,根据个体的可行迁移划分子种群,并在子种群内使用轮盘赌算法进行选择,克服了“早熟”问题,提高了全迁移覆盖的成功率;再利用种群的平均路径通过率自适应地调整交叉和变异概率,加快了收敛速度;最后,通过倒序遍历测试序列集去除冗余序列,进一步压缩了测试序列集规模。实验结果表明,与面向单迁移的测试序列生成方法相比,本文所提出的测试序列生成方法面向全迁移,仅一次就能以90%以上的成功率生成满足全迁移覆盖的测试序列集；与传统的遗传算法相比,IAMGA算法生成的测试序列集的平均规模减少了50%,平均迭代次数也减少了20%。本文提出的测试序列集生成方法可有效提高EFSM测试序列集生成的效率和质量。