基于支持向量机的低复杂度自适应频谱感知方法

频谱感知方法是未来智能无线通信系统、军事通信和干扰对抗等领域的关键核心技术。感知灵敏度、计算复杂度和环境适应性是目前频谱感知方法的主要不足，本项目拟针对这些问题展开系统研究。首先，基于统计学习理论中的支持向量机（SVM）方法，重点研究面向发射机的非合作频谱感知，将频谱感知问题建模为随机对象辨识问题和高维空间的最优分类问题，利用SVM方法，通过解决概率密度函数估计和最优超平面问题，提出灵敏度高、复杂度低、自适应性能优异的非合作频谱感知方法；其次，利用多用户协作和联合频谱感知，通过研究感知频段的优化分割和数据融合方式，解决瘦认知终端的宽带频谱感知问题。最后，基于测试平台和认知无线电平台，进一步研究影响频谱感知性能的实际因素，例如噪声、衰落等，在此基础上研究改进频谱感知算法的高效并行实现方法。本项目的研究，将系统地解决目前困扰频谱感知的关键问题，推动其在相关领域的应用和发展。

频谱感知方法是未来智能无线通信系统、军事通信和干扰对抗等领域的关键核心技术。感知灵敏度、计算复杂度和环境适应性是目前频谱感知方法的主要不足，本项目针对这些问题展开了系统研究。首先，基于统计学习理论中的支持向量机（SVM）方法，重点研究了面向发射机的非合作频谱感知，将频谱感知问题建模为高维空间的最优分类问题，利用SVM方法，通过求解最优超平面问题，提出综合性能高的基于SVM的非合作频谱感知方法，研究了不同核函数、核函数参数、训练样本集的构成及大小、高维空间的维数、噪声类型等因素对感知性能的影响；在多用户协作和联合频谱感知方面，通过研究感知频段的优化分割和数据融合方式，提出了一种基于统计检测量的软判决合作感知方法，研究了合作与检测时间的关系。最后，基于测试平台和认知无线电平台，研究了影响频谱感知性能的实际因素，例如噪声、衰落等。本项目在利用学习机进行频谱感知方面进行了较全面深入的探索，研究表明，选择参数经过优化的高斯径向基核函数，采用合适结构和维数的训练样本集进行训练后的SVM频谱感知方法具有非常优越的低信噪比信号检测性能，对高灵敏度频谱感知方法的实际应用具有较大的参考意义和推动作用。