利用稀疏傅里叶变换的哈希映射法的宽带频谱感知算法

宽带频谱感知一般要求对高达数 GHz带宽信号进行频谱分析,信号的采样点数大,计算量大。稀疏傅里叶变换算法利用信号频谱稀疏性,高效计算宽带信号频谱,其计算复杂度低于快速傅里叶变换算法。本文详细研究了稀疏傅里叶变换的哈希映射法,证明了频谱重排性质。为了降低频谱漏采的概率,需先对信号进行频谱重排和时域加窗处理;然后进行时域混叠以实现频谱降采样;最后利用哈希反映射和循环投票方法尽可能准确地从降采样的频谱中恢复宽带信号原频谱,从而实现频谱感知。仿真结果表明当采样长度由1024点增加到2048点时,本文方法的运算时间分别比OMP算法减少约19倍和47倍。      

基于多目标遗传的频谱切换目标信道序列设计算法

信道容量与切换时延是次级用户选择目标信道的2个重要性能指标,目前的目标信道设计方法多数没有同时考虑这2个指标,存在一定的局限性。为此,基于多目标遗传算法,提出2种综合考虑累积时延和信道容量的目标信道序列设计算法:离散非支配排序遗传算法和离散的基于Pareto包络选择算法,并设计离散的种群编码和更新方式。仿真结果表明,与传统随机顺序访问方法相比,所提算法的信道容量提高24%以上,时延减少9%,能够兼顾网络实时性和高吞吐率。     

利用多目标PSO优化的累积时延和信道容量联合优化的频谱切换算法

目前频谱切换中多以单目标优化设计目标信道，为了满足大容量实时传输要求，需要综合考虑累积切换时延和有效信道容量。对此构建了目标信道设计的多目标函数，提出了求解离散多目标优化问题的粒子群算法（DMOPSO），给出了种群编码、更新方式离散化设计。仿真结果表明，所提出的频谱切换算法得到的最优信道访问解集能够兼顾网络的实时性和高吞吐率，算法复杂度较低。     

融合PSO与DE的跨层优化认知决策引擎

针对传统认知决策引擎仅优化物理层参数,提出一种融合粒子群和差分进化的跨层认知决策引擎（IPSO-DE）。首先对PSO引入自适应惯性权重机制,使得每个个体随各自的适应度自适应进化,提高其探索能力。然后改进DE的交叉概率,从而提高DE算法的开发能力。最后在认知引擎模型中,将经过PSO进化的种群分为优等种群和劣等种群,劣等种群利用改进DE进行优化变异,增加粒子群个体的差异性。仿真表明IPSO-DE增强了种群开发和探索能力,多载波系统的跨层参数优化决策实验证明了其有效性。