基于压缩采样的频谱感知算法

论文摘要

认知无线电(Cognitive Radio, CR)理论的提出就是为了解决当前已授权的频谱资源利用率很低的问题,核心思想就是使无线通信设备具有发现“频谱空洞”并合理(在对授权用户不造成干扰的前提下)利用所发现“空洞”的能力。认知无线电理论的研究基于这样一个事实：在给定时刻或空间的宽频带内,只有很少的一些信道被授权用户占用,大部分信道处于空闲状态。上述问题从解析方法的角度描述则具有一定的稀疏性。压缩感知(Compressive Sensing, CS)基于目标数据集具有稀疏性或在特定域上可转换为稀疏表示,则原始数据集可进行降维表示,它与常规降维算法的主要区别在于CS只通过对目标数据的随机投影即可得到降维数据集。因此,CS理论非常合适于解决CR领域中的频谱探测问题。在实际无线传播环境中,通常多个认知用户构成一个认知网络,由于链路衰落、多径干扰、热噪声以及各种随机干扰等因素的影响,使得单个认知用户独立检测的可靠性难以得到保证。因此,本文研究场景为多用户构成的一个认知网络,应用CS理论解决认知用户的频谱探测问题,同时通过多用户之间的合作,提高频谱探测的精度,降低频谱探测的复杂度。本文针对不同的问题,分别提出了几种不同的基于CS的分布式认知网络的频谱探测算法。为了克服链路衰落和噪声,提出了一种集中式的压缩感知算法,让认知网络中的各个认知用户共同承担压缩感知所要求的采样点数,而各个用户采样点数与他们的信道环境有关；为了避免集中式处理所带来的同步及传输损耗等问题,提出了分布式CS算法,各个认知用户之间通过互信息进行协作；进一步,在上面两个算法的基础上,以感知任务的分摊为目标,提出了一种基于因素图的分布式CS算法。仿真结果及性能分析表明：在一定条件下,上述算法可较好的解决所面临的问题。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 认知无线电技术概况
• 1.2 压缩感知的理论基础
• 1.3 压缩感知在认知网络中的应用
• 1.4 本文的组织结构
• 第2章 集中式多用户压缩频谱感知
• 2.1 算法模型
• 2.2 仿真结果及性能分析
• 2.3 算法总结
• 第3章 基于互信息的分布式压缩频谱感知
• 3.1 系统模型
• 3.2 贝叶斯模型中的先验信息
• 3.3 互信息
• 3.4 分布式贝叶斯推理模型构建
• 3.5 仿真结果及性能分析
• 3.6 算法总结
• 第4章 分布式压缩感知的因素图模型
• 4.1 因素图模型
• 4.2 算法模型
• 4.3 计算复杂度分析及优化
• 4.4 仿真结果及性能分析
• 4.5 算法总结
• 第5章 总结与展望
• 参考文献
• 攻读学位期间发表或录用的学术论文及专利
• 致谢