基于隨機(jī)矩陣的協(xié)作頻譜感知算法研究.pdf

1、面向2020年及未來，移動互聯(lián)網(wǎng)和物聯(lián)網(wǎng)業(yè)務(wù)將迅速增長，超高流量密度、超高連接數(shù)密度、超高移動性特征的應(yīng)用場景將越來越普遍。面對用戶對通信系統(tǒng)日益劇增的性能需求和容量需求，低效的靜態(tài)頻譜分配策略已經(jīng)不再適用。而具備動態(tài)感知、機(jī)會接入等特點的認(rèn)知無線電（Cognitive Radio，CR）技術(shù)可以較好的適應(yīng)這一需求，被廣泛認(rèn)為是提高頻譜效率和解決頻譜危機(jī)的關(guān)鍵技術(shù)之一。
　　頻譜感知是認(rèn)知無線電的前提和基礎(chǔ)。頻譜感知的主要任務(wù)就是

2、檢測授權(quán)頻段是否空閑，其感知性能對于整個認(rèn)知無線電系統(tǒng)來說至關(guān)重要。論文圍繞認(rèn)知無線電中的頻譜感知問題，研究了基于樣本協(xié)方差矩陣元素統(tǒng)計分布特性和基于Wishart矩陣譜分布特性的協(xié)作頻譜感知方法，主要內(nèi)容如下：
　?、購膶嶋H應(yīng)用出發(fā)，首先分析了單用戶檢測的不足，然后根據(jù)相關(guān)標(biāo)準(zhǔn)對CR檢測性能的要求，指出了將隨機(jī)矩陣?yán)碚搼?yīng)用到協(xié)作頻譜感知中的必要性。
　?、谘芯苛穗S機(jī)矩陣中最為重要的樣本協(xié)方差矩陣和 Wishart矩陣的相關(guān)

3、分布特性。重點研究了樣本協(xié)方差矩陣非對角線元素絕對值之和與對角線元素絕對值之和的分布特性以及Wishart矩陣的非漸近譜分布特性。
　?、坩槍Χ嘤脩魠f(xié)作感知場景，分析了現(xiàn)有的基于樣本協(xié)方矩陣的檢測算法的不足。在樣本協(xié)方差矩陣統(tǒng)計分布特性的基礎(chǔ)上，推導(dǎo)了樣本協(xié)方差矩陣非對角線元素絕對值之和以及對角線元素絕對值之和的概率密度函數(shù)（Probability Density Function，PDF）和累積分布函數(shù)（Cumulative D

4、istribution Function，CDF）。然后以樣本協(xié)方差矩陣非對角線元素累和與對角線元素絕對值累和之比作為統(tǒng)計檢驗量，提出了改進(jìn)的協(xié)方差矩陣絕對值（Improved Covariance Absolute Value，ICAV）感知算法。理論分析與仿真結(jié)果表明，ICAV算法較已有的協(xié)方差絕對值感知算法具有更精確的判決門限，同時較其他協(xié)方差類的感知算法具有更好的檢測性能。
　?、茚槍陔S機(jī)矩陣漸近譜分布的感知算法的不足

5、，將隨機(jī)矩陣的非漸近譜理論應(yīng)用到協(xié)作頻譜感知中，提出了一種改進(jìn)的精確最大最小特征值之差（Exact Maximum Minimum Eigenvalue Difference，EMMED）的協(xié)作感知算法。對于任意給定的協(xié)作用戶個數(shù)K和采樣點數(shù)N，首先推導(dǎo)了最大最小特征值之差的精確PDF和 CDF，然后利用該分布函數(shù)設(shè)計了所提算法的判決閾值。理論分析與仿真結(jié)果表明，EMMED算法的判決閾值比已有的漸近閾值更為精確，同時較其他基于特征值的算