摘要
随着第五代移动通信技术的商用，物联网等新兴技术获得了快速发展，但同时也使得非授权频谱资源匮乏的问题日益严重。认知无线电(CR)技术被认为是解决这一问题的关键技术，其中频谱感知(SS)是CR中解决频谱资源短缺问题的重要途径。近年来，深度学习与机器学习技术的发展，为频谱感知问题提供了新的思路，但由于多样本下算法收敛速度慢、特征提取不充分、样本维度单一等问题，导致检测性能受限；且由于无线环境的多变特性，在极端条件下将不可避免的影响算法检测性能。针对此类问题，本学位论文基于残差网络(ResNet)、支持向量机(SVM)等技术，开展了协作频谱感知研究。全文内容及贡献如下： 1.针对低信噪比条件下检测概率低、样本维度单一、统计量特征提取不充分的问题，本文研究了一种以协方差矩阵(CM)为统计量的距离加权残差网络(DWR)协作频谱感知方案。当融合中心(FC)收到用频请求时，通过智能反射表面(RIS)辅助定位算法，获取当前协作感知范围内的可用次级用户(SU)位置，并通过SU之间的距离参数在残差过程中优化CM各个元素的置信度。在不同无线环境下生成检测样本，通过Adam优化算法完成所提模型的参数更新，实现输入矩阵的特征提取，最终，通过优化后的模型参数完成信号分类，从而实现当前频谱状态的判断。整个过程中，本文算法能够自适应的确定决策阈值，极大提高了感知效率。仿真结果表明，所提方案收敛速度较快，且在低信噪比下的检测精度获得提高，优于同类的卷积神经网络(CNN)，多层感知机(MLP)等感知方案。 仿真结果具体为：在信噪比(SNR)为-12dB的情况下，感知单元数目为10时，检测概率可达到0.9325，虚警概率低于0.1。在SNR为-15dB时，所提方案的检测概率比现有的CNN和MLP深度学习方案高0.229和0.548，在SNR为-20dB的情况下，平均误差概率比SVM方案低0.122。 2.针对无线环境变化对频谱感知精度的影响，考虑到主用户(PU)对频谱的占用在时间与空间上存在着一定的规律性，且该规律并不随无线环境的变化而变化，本文对基于 SVM 的频谱预测技术进行了研究。首先，本文采用国内某基站17个月内的流量使用数据，用以代表人类用频特性。通过异常点剔除和数据点融合等预处理方法，将原始数据转化为0和1构成的时间序列，其中0，1分别表示信道在当前时间空闲或被占用。此后，利用滑动窗口构建训练数据集，使用前N个时刻的数据来预测下一时隙的频谱状态。最后，使用粒子群优化算法(PSO)对以径向基函数为核函数的SVM进行参数优化，在不同时间步长下实现了最佳预测性能。使用PSO-SVM频谱预测算法与所提感知算法进行融合判决时，低SNR下的检测概率大大提高。 仿真结果表明，相比传统的时间序列预测算法和采用其他核函数的 SVM 算法，所提出的算法在相同输入的情况下具有更高的预测精准度。在输入的时间步长为32时，所提算法的预测精准度达到0.929，性能远高于传统的自回归移动平均(ARIMA)及移动平均(SMA)预测算法，在低计算损耗的同时实现了高预测概率，且配合本文所提感知算法进行协同判决时，在SNR为-20dB时，检测概率达到了0.791，抗干扰性能得到了显著提高。 综上述，本文较好地缓解了目前频谱感知在多样本下特征提取不充分、检测性能易受噪声干扰等问题，有效提高了频谱感知的精度，因此，所提方案能够适用于多干扰多噪声的无线环境。
NETL