采用T2统计量和拟合优度的盲频谱感知算法

针对低信噪比和采样数少时频谱感知性能差的问题,首先利用样本检验矩阵的样本特征构造T2统计量,再结合似然比准则构造新的检验统计量,最后推导了频谱空闲时检验统计量的概率密度函数,提出基于贝塔分布的盲频谱感知算法。但此算法在采样数较少时,检测性能较差,因此结合Anderson Darling准则,提出基于贝塔分布的拟合优度检验算法。在高斯信道和瑞利衰落信道下对所提算法进行仿真,并与已有盲频谱感知算法仿真结果进行对比,所提算法具有更好的检测性能,且不需要主用户信息,不用进行特征分解,不受噪声方差影响。      

认知无线电中基于相关系数的多天线协作盲检测算法

多天线系统由于可以提高频谱感知可靠性而被广泛应用于认知无线电中.提出了一种适用于多天线系统的盲频谱检测方法.首先,计算不同天线间接收信号的相关系数;其次,对相关系数做适当的变换使其服从学生分布;最后取变换之后的相关系数的均值作为检验统计量,并推导了其判决门限.理论分析和仿真表明,与噪声方差已知的能量检测(ED)以及基于最大最小特征值之比的频谱盲检测算法(MME)相比,所提算法具有更好的检测性能.     

利用样本特征的盲频谱感知算法

为克服噪声不确定度及噪声方差的影响,利用样本特征构造了新的检验统计量,推导了频谱空闲、频谱占用时检验统计量的概率密度函数,提出基于F分布的盲频谱感知算法,但其判决门限受采样点数影响;为此,利用Anderson-Darling准则提出基于F分布的拟合度检验算法。在高斯信道下对两种算法进行了仿真,并与能量检测算法、GOF算法仿真结果比较可知,所提两种算法性能优于噪声方差已知的能量检测算法,并克服能量检测算法、GOF算法受噪声不确定度以及噪声方差影响这一缺陷。      

认知无线电中一种改进的AVC频谱感知算法

AVC算法是一种适用于拉普拉斯噪声环境的常用频谱感知算法,但该算法并未充分平滑拉普拉斯噪声中的“尖峰”,导致算法的检测性能不佳.针对此,提出一种改进的AVC频谱感知算法,其原理是对接收信号绝对值做开根号处理,并累加处理结果,作为检验统计量,进而判决是否存在主用户,实现频谱感知.此外,利用中心极限定理推导了所提算法检验统计量在主用户不存在时的概率密度曲线,从而给出理论判决门限.仿真表明,所提算法的检测性能分别优于AVC感知算法和拉普拉斯噪声下的能量检测算法大约1 dB和4 dB.     

采用相关系数和拟合优度的频谱盲检测

已有的基于拟合优度频谱感知算法具有较好检测性能的前提是假设感知时主用户信号保持不变,这在认知无线电中是很少见的。该文提出一种适用于多天线认知系统的拟合优度盲频谱感知算法。首先,计算不同天线间接收信号的相关系数;其次,对相关系数进行进行适当的非线性变换使其服从学生分布;最后,对变换后的新序列使用侧重右尾检验的Anderson-Darling(RAD)准则进行拟合优度检验。理论分析和仿真表明,所提算法不需要任何先验信息,与基于最大最小特征值之比(MME)、Anderson-Darling(AD)检测算法以及噪声方差已知的能量检测相比,所提算法具有更好的检测性能。      

一种基于随机共振增强的协方差矩阵频谱感知算法

为了在避免对主用户系统产生有害干扰的同时 提高频谱利用效率,要求认知无线电系统的频谱感知算法能在极低的信噪比下快速检测出主用户信号。由于可以避免能量检测面临的噪声不确定性问题,基于协方差矩阵的检测算法是一种有效的盲频谱感知算法。为了进一步提高极低信噪比下的性能,本文提出了一种基于随机共振的协方差矩阵频谱感知算法。该算法通过在接收信号中加入优化的特定信号,利用随机共振原理,增大有无主用户信号下的检测统计量概率分布函数的分离度,提高频谱感知的性能。仿真结果表明,相对于现有的协方差矩阵频谱感知算法 ,在相同的虚警概率下,所提算法可以显著提高极低信噪比下的检测概率,同时大幅度缩减检测时间。      

认知无线电中基于拟合优度的频谱盲检测算法研究

首先,提出噪声方差未知情况下基于t分布的Anderson-Darling的认知无线电频谱盲检测方法,通过计算接收到信道采样样本均值和方差比的分布函数与f分布函数之间的Anderson-darling距离,实现频谱检测.其次,提了基于特征函数的频谱盲检测算法,通过计算接收到的样本经验特征函数与已知特征函数的距离,判决信道中是否存在信号传输.最后,给出了衰落信道下,所提2种基于拟合优度的频谱盲检测算法的虚警概率和检测概率下界.理论和仿真表明,噪声方差未知情况下,所提2种频谱盲检测算法比传统的噪声方差已知时的能量检测法具有更好的性能.在低信噪比和小样本条件下,性能提高表现的尤其明显.     

利用CM分量的无噪声不确定度频谱感知算法

基于拟合优度检验的频谱感知算法检测性能较好但易受到噪声不确定度的影响。该文利用对方差偏离不敏感的Cramer von Mises(CM)统计量第一分量,设置了新的检验统计量,并推导了频谱空闲时检验统计量的概率密度函数和判决门限,从而提出了利用CM分量的频谱感知算法。在减小拟合优度检验(GoF)中的CM算法复杂度的同时,克服了噪声不确定度对CM算法性能的影响。仿真结果表明所提算法有效解决了噪声不确定度对算法的影响。      

基于随机共振和非中心F分布的频谱感知算法

为解决频谱感知算法在低信噪比（SNR）时检测概率较低且检测所需采样点数较多的问题,提出了基于随机共振和非中心F分布（SRNF）的频谱感知算法。通过引入直流随机共振噪声,建立了SRNF的系统模型,推导了服从非中心F分布的检验统计量表达式、虚警概率与检测概率以及判决门限表达式,并采用数值法求解最佳的随机共振噪声参数。仿真结果表明,在低信噪比时,所提基于SRNF算法的检测性能优于能量检测（ED）算法和基于F分布的盲频谱感知（BSF）算法,当虚警概率为5%、信噪比为–12 d B、采样点数为200时,所提算法的检测概率是95%,分别比BSF算法和ED算法高34%和67%;当信噪比为–12 dB、检测概率达到95%时,所提算法所需的采样点数是210,比BSF算法节省了340个采样点。此外,噪声不确定度对所提算法的影响小于ED算法。     

基于空间谱的频谱感知算法及性能分析

现有的基于特征值或谱密度的频谱感知算法,多分别使用近似高斯分布和Tracy-Widom分布来分别分析求解检验统计量在信号是否存在时的分布,未能给出统一的解析表达式。该文提出均匀线阵(ULA)条件下基于空间谱密度比的频谱感知算法,并且基于顺序统计量的最新研究成果,给出检验统计量统一的闭合表达式。该算法基于离散空间谱密度最大最小值的比建立检验统计量。仿真结果表明,对于8阵元的ULA,在采样点数为1000、检测概率为0.9时,所提算法比最大最小特征值(MME)比算法有约1.7 dB的性能优势,同时也有效验证了检验统计量理论分布的准确性。     

Cooperative blind spectrum sensing using autocorrelation matrix

To improve the spectrum sensing performance in cognitive radios, a scheme of cooperative blind spectrum sensing based on autocorrelation matrix is proposed. The test statistic is extracted from the autocorrelation matrix of the received signal samples and a bi-threshold hybrid decision scheme is designed for local spectrum sensing. The cognitive radio base station makes a credibility fusion based on the local soft decisions and then takes global fusion combining with the local hard decisions. The proposed method is blind in the sense since it requires no apriori knowledge of the signal and the noise power. Theoretical analysis and computer simulation results show that the proposed method can enhance the spectrum sensing capability.     

认知无线电中基于自相关矩阵的协作盲感知

为了克服传统的认知无线电频谱感知算法存在的不足,提出了一种基于自相关矩阵的协作式盲频谱感知方法,以提高频谱感知能力.该方法从样本自相关矩阵中提取检测统计量,采用双门限混合判决方法得到本地检测结果.认知基站将本地检测信息分成两类,并对软判决信息实施可靠性融合,最后给出全局判决结果.该方法是一种盲感知方法,不需要知道主用户...     

认知无线电中基于阵列天线和协方差矩阵的频谱感知算法

该文提出一种基于阵列天线和协方差矩阵的频谱感知算法,该算法能够在噪声不确定性的条件下进行盲频谱感知。该算法在协方差矩阵的基础上,构建新的检测统计量,推导判决门限,对检测统计量与判决门限进行比较进而做出最终判决;在主用户信号到达方向与认知用户接收天线法线方向不一致的情况下,为使认知用户能完全接收主用户信号,利用了阵列天线技术。仿真结果表明,与Zeng等人(2009)提出的绝对值协方差矩阵频谱感知算法(Covariance Absolute Value Spectrum Sensing, CAVSS)相比,该算法判决门限的计算方法更加准确;在相同条件下,该算法的检测概率高于CAVSS。     

基于D-S证据理论的加权协作频谱检测算法

提出了一种基于D-S证据理论的加权协作频谱检测算法（DS-WCSS）。该算法使用能量检测进行本地检测,利用2种假设检验条件下检验统计量的方差和均值来评估各认知用户可信度的差异性,进而给出各认知用户可信度的权重,最后使用D-S证据理论进行数据融合和判决。仿真结果表明,与基于D-S证据理论和传统硬判决的协作频谱检测算法相比,DS-WCSS可以有效地提高检测性能。     

基于行列式之差的频谱盲感知算法

为了提高频谱感知性能,提出一种基于自相关矩阵行列式的频谱感知新方法,通过授权信号与噪声信号行列式的不同构建统计量。该方法无需信号先验信息、噪声功率信息与精确同步,是一种适用性更强的盲感知算法。仿真表明,与能量检测算法相比,该方法能够取得更好的检测率,且具有复杂度低、不受噪声不确定性影响等优点。     

一种基于特征值极限分布理论的盲多天线频谱感知算法

当信道空闲时接收信号取样协方差矩阵的特征值在数值上均近似等于噪声方差,而主用户信号的出现则改变了这些特征值的大小。基于这一事实,论文提出一种基于取样协方差矩阵特征值的频谱感知算法。该算法以取样协方差矩阵的最大特征值与其他特征值的和之比作为感知判决量。基于大维随机矩阵理论的特征值极限分布理论,分析了算法的理论虚警性能,在此基础上提出了理论判决门限的计算方法。新算法在感知判决过程中无需事先知道噪声方差、主用户信号和信道增益等先验信息。因而,新算法属于一种全盲多天线频谱感知算法,具有广泛的适用范围。进一步的数值仿真结果验证了新方法的有效性。