非重构框架下的认知MIMO频谱感知算法研究

The combination of MIMO and cognitive radio can improve system capacity and spectrum efficiency, but also increases hardware and software complexity of spectrum sensing. Direct application of single antenna spectrum sensing method to cognitive MIMO only finitley improve sensing performance. So, research on spectrum sensing algorithm with lower computational complexity and better performance has important theoretical significance and practical value. Firstly, according to the intra-signal and inter-signal correlation, we expand the joint sparsity model and propose the optimization method for measurement matrix, and then exploit them to compress and sample the multiple signals of MIMO system to obtain the compression sample matrix. And then, compression sample matrix is processed directly using non-asymptotic RTM under non-reconstruction frame to get the different character of extreme singular values for different receiving signals, spectrum sensing is performed based on them. The spectrum sensing algorithm under non-recontruction frame does not need data reconstruction algorithm to reconstruct sample data, which will decrease computational complication.Spectrum sensing algorithm using non-asymptotic RTM does not depend on some prior information, such as primary user, channel information and noise, and can overcome the noise uncertainty and enhance the sensing performance in low SNR. The intensive study of this subject can fully excavate the potential advantages of the cognitive MIMO and provide practical spectrum sensing algorithm for cognitive MIMO application in future wireless communications.

MIMO和认知无线电的结合提高了系统容量和频谱利用率，但同时也增加了频谱感知的软硬件复杂度。简单地把单天线频谱感知方法直接应用到认知MIMO中，只能有限提高感知性能。因此，研究计算复杂度较低、性能较好的频谱感知算法具有重要的理论意义和实际应用价值。课题首先根据MIMO信号间和信号内相关性，扩展联合稀疏模型，提出测量矩阵优化方法，利用它们对多信号进行压缩采样得到压缩采样矩阵。然后，在非重构框架下利用非渐进随机矩阵理论直接对压缩采样矩阵进行分析，得到有无信号时压缩采样矩阵极端奇异值的不同特征，以此进行频谱感知。非重构框架下的频谱感知无需数据重构算法恢复采样数据，能降低计算复杂度，非渐进随机理论使频谱感知算法减少对主用户、信道和噪声等先验信息的依赖，克服噪声不确定性，提高算法在低信噪比下的感知性能。该研究课题能充分挖掘认知MIMO的潜在优势，为认知MIMO的应用提供具有实用价值的频谱感知算法。

课题为了充分利用多天线的优势，从减少频谱感知算法的计算复杂度角度提出了基于非重构框架研究认知MIMO频谱感知算法的思路。. 首先，研究了作为课题基础的信号稀疏表示算法。针对单天线的情况，结合MOD算法和K-SVD算法提出了O-KSVD字典学习算法。结合联合稀疏模型，将普通的字典训练算法拓展为多天线联合训练字典算法。联合字典训练算法能够在同样的训练次数的情况下，获得更好的稀疏表示效果。根据稀疏表示的优势，针对不同场景提出了基于稀疏分解的频谱感知算法。. 然后，分析了非重构框架下能量频谱感知算法的性能。由于测量矩阵会影响非重构频谱感知算法的检测效果，针对单天线和多天线场景，分别以能量感知和基于稀疏分解的频谱感知为例研究了测量矩阵优化方法。在此基础上，把测量矩阵优化算法应用于非重构框架下特征值感知算法，证明了压缩感知应用于特征值检测的可行性，指明了测量矩阵的优化方向。. 接着，把非重构思想扩展到宽带频谱感知的情况，设计了相应的宽带频谱感知模型。根据认知无线电盲识别的要求，提出了一种信号稀疏度估计方法。在此基础上，为了实现采样率的动态调整，研究了压缩采样系统输入和输出信噪比的关系，得到压缩采样后信噪比的表达式，提出了基于动态采样的宽带频谱频谱算法。. 最后，在不采用压缩感知的情况下研究了基于随机矩阵的频谱感知算法。针对多天线场景对GSV算法进行改进，提出了MT-GSV算法。为了充分利用协方差矩阵的信息，研究了基于最大最小特征值和主特征向量的双特征频谱感知算法。另外，结合随机矩阵单环定理，选取“平均特征值半径”作为算法的检验统计量提出了基于单环定律的频谱感知方法。. 通过课题的研究发现，非重构思想能免去数据重构，减少运算数据量，随机矩阵理论能使频谱感知算法减少对主用户、信道和噪声等先验信息的依赖，克服噪声不确定性，提高算法在低信噪比下的性能。课题的研究充分挖掘了认知MIMO的潜在优势，为认知MIMO的应用提供了具有实用价值的频谱感知算法。