一种高效的协作频谱感知架构

为了有效利用协作频谱感知中的上传时隙以改善感知性能,该文设计一种新的协作频谱感知(CSS)架构。其核心思想是:当一个次用户上传信息时,后面的次用户继续执行本地感知直至轮到其上传时才停止,该方法合理地将一半的空闲上传时隙用于感知,因而更为高效。同时,该文基于Neyman-Pearson准则,研究了AND准则和OR准则下的最优调度策略问题,并讨论了该架构带来的感知性能增益。仿真结果表明:所提架构可以有效改善协作频谱感知性能,而不带来额外的感知时延。     

基于截断型序贯检测的协作频谱感知算法

本文针对低信噪比情况下认知用户的频谱感知需求,提出了一种基于截断型序贯检测的协作频谱感知算法。协作认知用户对接收到的信号序列进行分段处理,统计各自段内采样点能量值大于预设门限值的个数并将其作为本地检测统计量上传至融合中心,有效的减少了控制信道的开销。棣莫弗—拉普拉斯定理和中心极限定理的引入,又使得段内检测统计量近似为高斯分布,从而大大简化了后续似然比函数的理论推导和计算过程。性能分析及仿真结果表明,在目标检测性能相同的条件下,相比现有的能量检测算法,所提算法大大降低了所需的频谱感知时间。     

Q学习算法在机会频谱接入信道选择中的应用

针对“先听后传”的机会频谱接入中认知用户的信道选择问题,本文提出了一种基于Q学习的信道选择算法。在非理想感知的条件下,通过建立认知用户的信道选择模型并设计恰当的奖励函数,使智能体能够与未知环境不断交互和学习,进而选择长期累积回报最大的信道接入。在学习过程中,本文引入了Boltzmann实验策略,运用模拟退火思想实现了资源探索与资源利用之间的折衷。仿真结果表明,所提算法能够在未知环境先验知识条件下可以快速选择性能较好的信道接入,有效提高认知用户的接入吞吐量和系统的平均容量。      

基于截断型序贯检测的协作频谱感知算法

为了改善低信噪比情况下认知用户的频谱感知性能,提出了一种基于截断型序贯检测的协作频谱感知算法。协作认知用户首先对接收到的信号序列进行分段处理,然后统计各自段内采样点能量值大于预设门限值的个数,并将其作为本地检测统计量上传至融合中心,从而有效地减少了控制信道的传输开销。利用棣莫弗 拉普拉斯定理和中心极限定理的近似结论得出段内检测统计量服从高斯分布,大大简化了后续似然比函数的理论推导和计算过程。仿真结果表明,在认知用户平均信噪比〖AKγ-〗=－15dB且目标检测性能相同的条件下,相比现有的能量检测算法,所提算法在H0和H1两种情况下分别减少了55.86%和37.51%的平均样本数。