认知Massive MIMO系统中多天线频谱感知理论和算法的研究

The design of the traditional multi-antenna spectrum sensing algorithms in cognitive MIMO radios is usually based on the assumption that the number of antennas is very small while the number of snapshots is very large. However, this assumption is usually not applicable in the cognitive Massive MIMO environment. This project considers the design of the multi-antenna spectrum sensing algorithms in cognitive Massive MIMO radios. The specific contents include: (1) investigate the applicability of the classical multi-antenna spectrum sensing algorithms in Massive MIMO scenarios; (2) design spectrum sensing algorithms based on the GLRT technique for the applications with medium number of antennas in Massive MIMO scenarios; (3) design spectrum sensing algorithms using GLRT technique for the applications with large number of antennas in the Massive MIMO scenarios; (4) design spectrum sensing algorithms based on the signal correlation characteristics in Massive MIMO scenarios; (5) design spectrum sensing algorithms with low computational complexity for the Massive MIMO applications. Research results will provide the reference basis and theoretical support for the design of multi-antenna spectrum sensing algorithms under the Massive MIMO environment, which will greatly enrich the theory and method of the design of multi-antenna spectrum sensing algorithms and have great theoretical and practical significance.

传统认知MIMO环境下的多天线频谱感知算法设计通常假定天线数目很少而快拍数目很大，而在认知Massive MIMO环境下天线数目的增大使得该假定通常不再成立。本项目考虑Massive MIMO环境下多天线频谱感知算法设计问题，内容包括：（1）经典的多天线频谱感知算法在Massive MIMO场景中的适用性研究；（2）中等天线数目配置时Massive MIMO场景中基于GLRT技术的频谱感知算法设计；（3）大天线数目配置时Massive MIMO场景中基于GLRT技术的频谱感知算法设计；（4）Massive MIMO场景中基于信号相关特征的多天线频谱感知算法设计；（5）Massive MIMO场景中具有低计算复杂度的频谱感知算法设计。研究成果将为Massive MIMO环境下多天线频谱感知算法设计提供参考依据和理论支持，将极大丰富多天线频谱感知算法设计的理论与方法，具有重要的理论和实际意义。

在传统的多天线频谱感知算法设计当中，通常假定天线数目很少而取样规模很大。然而随着天线数目的增多，该条件在认知大规模MIMO场景下往往不再成立。项目组围绕认知大规模MIMO场景下频谱感知算法的设计开展研究，取得的主要成果包括：（1）对经典的多天线频谱感知算法在中等或者大规模多天线频谱感知场景中的性能进行了仿真评估与分析；（2）研究了中等规模天线数目配置条件下基于GLRT技术的频谱感知算法设计问题：设计了一种高精度的适用于各天线噪声不一致条件下的HRD多天线频谱感知算法，该算法具有感知结果可靠，计算复杂度低等优点；同时设计了一种基于序贯GLRT检测的多带全盲频谱感知算法，该算法能根据目标虚警概率灵活设置判决门限，大大提高了算法的感知性能。（3）研究了大规模天线数目配置时基于GLRT等技术的多天线频谱感知算法的设计问题：提出了适合于大规模天线数目配置场景下基于迹准则的低复杂度半盲和全盲多天线频谱感知算法；设计了一种适应于大规模子带场景的基于特征值之比的高效全盲多带频谱感知算法；同时针对大数据维度感知场景设计了基于噪声协方差匹配的频谱感知算法；（4）研究了ad-hoc式多天线频谱感知算法的设计问题：设计了基于秩准则的具有鲁棒特征的多带及单带多天线频谱感知算法；设计了适用于复信号检测的基于迹准则的多天线频谱感知算法；并初步将深度学习与频谱感知相结合，提出了利用深度学习来识别主用户信号的调制信息的方法。相对于传统的基于累计量和支持向量机的算法，该方法在低信噪比条件下识别精度有明显优势。（5）进一步研究了多天线感知场景下低计算复杂度及快速频谱感知算法的设计问题：提出了一种基于时域延续性的快速能量检测算法和两种基于马尔可夫特性的贝叶斯能量检测算法；同时基于智能优化算法设计了低复杂度多用户及多带协作频谱感知算法，最后提出了一种基于聚类分析的低复杂度多带盲频谱感知算法。