摘要
频谱作为一种不可再生的自然资源，随着现代无线通信技术的不断发展，无线设备的数量也迅猛增加，从而导致了可用的频谱资源愈发紧张。在日常生活中用到的基本上都是已授权的频谱，然而授权频谱在某段时间未被使用时会处于空闲的状态，这很大程度上降低了频谱的利用率。因此，如何在有限的频谱资源下提高频谱的利用率成为了迫切需要解决的问题，而认知无线电（Cognitive Radio,CR）技术被认为是能够解决这一问题的有效手段。 频谱感知作为CR技术的一项关键步骤，能够以灵活、智能的方式在复杂的无线环境中精确地检测出授权频谱是否可用。若该频谱处于空闲状态，则次用户可以动态地接入以及合理地使用该频谱，从而达到提高频谱利用率的目的。 本文将通过结合信息几何和机器学习来研究可以有效提高频谱感知性能的方法，主要的工作内容如下： 首先简单介绍了频谱感知的背景和研究意义，探讨了目前国内外的一些研究现状，接着分析了单用户频谱感知技术和多用户协作频谱感知技术的方法原理，并总结了这两种技术的优缺点。最后，介绍了信息几何的基本概念和机器学习的相关算法，并进一步分析将信息几何和机器学习结合应用在频谱感知中的可行性。 为了解决传统基于随机矩阵特征值的频谱感知方法在低信噪比下感知性能不佳的问题，提出了一种基于KL散度和k-medoids聚类算法的频谱感知方案。KL散度作为信息几何的一种度量方式，它包含更多关于协方差矩阵在统计流形上的几何信息。因此，在该方案中利用KL散度作为信号特征，然后将该信号特征对k-medoids聚类算法进行训练来获得对应的分类器。最后，利用该分类器来判决主用户信号是否存在。通过仿真实验验证了该方案能够有效地避免了门限值的计算，且提高了频谱感知在低信噪比下的性能。 为了解决传统基于随机矩阵特征值的频谱感知方法存在协方差矩阵信息损失的问题，提出了一种基于Bhattacharyya均值和BDK聚类算法的频谱感知方案。在该方案中，首先利用信息几何中的Bhattacharyya均值对多个信号协方差矩阵进行融合，以此来提高协方差矩阵的估计精度。同时，为了能对统计流形上的点进行聚类，在该方案中提出了一种BDK聚类方法，利用经过融合后得到的Bhattacharyya均值来对BDK聚类算法进行训练并得到相应的分类器。最后，将测试集输入到分类器中，得到最终的判决结果。根据仿真结果，验证了该方案能够减少噪声对频谱感知性能的影响，且能充分利用协方差矩阵的信息。
NETL