认知无线网络中基于压缩感知的自适应非重构宽带频谱感知方法研究

Wideband spectrum sensing, as one of the key techniques for cognitive radio(CR), determines whether CR network can be applied to the practical system or not. Recently, compressed sensing(CS) based wideband spectrum sensing for cognitive radio networks is a very hot research topic. This project attempts to research into the non-reconstruction wideband spectrum sensing schemes based on CS, and includes the following main research points. Firstly, the adaptive compressive sampling algorithm for AIC (Analog to Information Converter) is developed without the sparsity and the noise variance as priori knowledge. Secondly, in order to solve the problem that the sensing performance of the existing spectrum sensing methods is not high by the second order statistics, the spectrum sensing model based on the high order statistics of the compressed measurements is studied. Thirdly, by utilizing Replica Method theory, this project plans to explore novel spectrum sensing algorithms based on the statistical characteristics of the entropy and the eigenvalue of compressive sampling covariance matrix. Finally, according to the fact that each secondary user (SU) can not synchronously obtain the compressed measurements and the length of these measurements is not the same, the model of the asynchronous cooperative spectrum sensing based on Bayesian framework is explored. Through research on the above contents, this project aims to acquire the cooperative wideband spectrum sensing schemes based on CS which has the merits such as low computational complexity, compressive sampling adaptability and non-reconstruction. These schemes can obtain quick and accurate wideband spectrum sensing under complicated wireless electromagnetic environment, and improve spectrum utilization and the whole throughput for CR networks.

宽带频谱感知作为CR技术的关键技术之一，是CR网络技术得以应用的基础和前提。当前，利用CS理论进行宽带频谱感知已成为一个新的研究热点。本项目拟采用CS理论对非重构的宽带频谱感知方法进行研究，研究内容主要包括：在噪声及原信号稀疏度未知的情况下，探索AIC压缩采样速率自适应算法；构建基于压缩观测数据高阶统计量的频谱感知数学模型，克服现有频谱感知方法采用二阶统计量进行感知所带来的感知性能不佳的问题；尝试采用Replica Method理论，对基于AIC观测数据协方差矩阵特征值及熵的宽带频谱感知方法进行研究；针对各认知节点压缩采样的异步性及观测次数的差异性等特点，拟采用Bayesian方法构建直接基于观测数据的异步协作频谱感知方法。通过对以上内容研究，探索出复杂度低、自适应、非重构的宽带频谱压缩感知方法，实现复杂网络环境下对宽带频谱信号进行快速、准确的感知，提高整个CR网络的频谱利用率和系统容量。

宽带频谱感知是CR（Cognitive Radio）技术得以应用的基础和前提，是CR技术重要组成部分及其关键技术之一。目前，由于受到高速ADC器件采样速率的限制，致使CR中的宽带频谱感知技术面临着极大的技术挑战。CS理论（Compressed Sensing）作为一种全新的理论，为当前宽带频谱感知技术中遇到的问题提供了一种可能的解决方案。为此，本项目以CR技术为背景，主要利用CS理论对CR中的宽带频谱感知方法进行了研究，并取得了一些研究成果。本项目完成情况及取得的研究成果主要包括以下四个方面：（1）利用随机矩阵（Random Matrix Theory, RMT）理论直接对压缩采样得到的观测数据进行分析，设计出了多种基于RMT非重构的宽带压缩频谱感知方法。这些方法不仅无需重构原信号，而且无须知晓原信号的任何先验知识就能实现对宽带频谱进行忙检测；（2）对压缩观测数据的高阶统计特性进行分析，推导出了基于压缩观测数据的高阶统计量的概率分布特性，并在此基础上提出了一种基于高阶统计量的压缩宽带忙检测算法；（3）考虑到在CR网络中，处于不同地理位置的次用户（SU）对同一频谱感知时间的不同步以及感知可靠度的不同。同时，考虑到授权频谱本身的行为对感知结果的影响以及SU感知所带来的巨大通信开销，本项目设计出了一种基于传感器节点辅助感知的异步合作频谱感知方法；（4）考虑到实际的CR网络中恶意主用户（PU）的存在对频谱感知性能的影响，本项目推导出了此情形下宽带频谱感知的模型，进而设计出恶意模拟PU攻击情况下的宽带压缩频谱感知方法，提高了频谱感知结果的鲁棒性和可靠性。