摘要
随着巨型近地轨道(Low Earth Orbit, LEO)卫星星座的建设和运营，可用的频谱资源变得日益拥挤。为了提高频谱利用率，认知卫星通信技术已成为一项重要的候选技术，频谱感知作为认知卫星网络中关键一步，其准确性可保障授权卫星系统不被干扰，是实现频谱资源动态分配的重要基础技术。然而，目前大多数的频谱感知算法均基于模型驱动，在检测性能上很大程度依赖于预定的统计模型，但对于一些复杂的卫星通信环境，通常难以通过特定的统计模型精确建模一个感知算法，这将加大在实际环境中建模部署的难度。近年来，基于数据驱动的深度学习技术在无线通信领域的应用已成为一个热门研究话题。深度学习算法无需任何先验知识，具有强大的表征能力，可直接从感知信号中学习复杂的隐藏特征。因此，本文开展深度学习应用于认知卫星通信网络的频谱感知问题的研究，主要研究内容如下： (1) 结合认知通信网络及不同轨道高度卫星的特点和功能，构建了一种基于地球同步轨道(Geosynchronous Earth Orbit, GEO)中继卫星与LEO卫星组成的认知卫星网络拓扑架构，分析了星地链路间的传输损耗、云雾衰减、大气吸收以及GEO卫星地面站天线方向角等因素对信道环境的影响。 (2) 基于所提双星认知卫星网络拓扑架构，提出一种基于双向长短期记忆网络(Bi-directional Long Short-term Memory Network, Bi-LSTM)与贝叶斯似然比检验联合的频谱感知算法。该算法分为线下训练和线上测试两个阶段，首先，感知LEO卫星接收到来自于授权卫星地面站的频谱信息数据，经过预处理后发送给频谱感知模型，以完成线下训练目标；其次，在网络的输出端计算贝叶斯似然比作为检验统计量，设计了一种基于阈值的检测方法，对线上接收的信号样本进行频谱感知。该模型无需任何关于授权信号的先验知识，仿真验证了所提算法的有效性和合理性。 (3) 基于所提双星认知卫星网络拓扑架构，考虑到感知卫星与地面站之间存在较大传播延时和衰落，将导致单颗感知卫星的感知结果很有可能会过时或是不可靠的问题，提出了一种基于卷积神经网络、自注意力机制和长短期记忆网络混合网络的集中式协作频谱感知算法。算法通过将空间分离的多颗感知卫星的感知软特征发送至融合中心进行最终判决，不仅提高了感知准确率，还极大地降低了报告链路的通信开销。此外，在Neyman-Pearson准则的启发下，还设计了一种自适应调整检测阈值的机制，在给定虚警概率下，可最大化检测概率。仿真验证了所提算法的有效性和合理性。 通过以上研究工作，本文得出如下结论：(1) LEO卫星过境期间接收端信噪比(Signal Noise Ratio ,SNR)波动达到了近60 dB；(2) 所提基于Bi-LSTM与贝叶斯似然比检验联合的频谱感知算法在SNR为-14 dB的环境下，依旧能达到83%以上的检测性能，且始终优于模型驱动的传统能量检测算法。(3) 所提基于混合网络的协作频谱感知算法进一步克服了非协作频谱感知的不足，即使在SNR为-20 dB的环境下，该算法仍能达到90%以上的检测概率，且其具有通信开销小、运行时间短的优势。
NETL