基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知
2021-01-25陈思吉崔太平
申 滨 王 欣 陈思吉 崔太平
(重庆邮电大学通信与信息工程学院 重庆 400065)
1 引言
近年来,无线通信技术的快速发展增加了对频谱资源的需求,而某些授权频段(Licensed Frequency Band, LFB)的低效率使用进一步凸显了频谱稀缺的问题。认知无线电(Cognitive Radio, CR)[1,2]通过实时监测LFB的占用状态而实现机会性的次级频谱接入,提高了频谱利用率。为了保证尽可能少地对主用户(Primary User, PU)产生干扰,蜂窝认知无线电网络(Cellular Cognitive Radio Network,CCRN)中的次级用户设备(Secondary User Equipment, SUE)只能在LFB尚未感知到任何PU活动时,方可暂时性地获得接入机会。在这个意义上,频谱感知是保证CR系统正常工作及确保PU系统所能承受的最小干扰约束的基础和前提。
目前,现有文献中的频谱感知技术方法大致可以分为4类:(1)基于SUE接收信号幂律统计量的阈值信号检测方法,如能量检测(Energy Detection,ED)。因为仅关注接收信号的能量信息,且在较短的感知时隙内仅能获取有限的频谱观测样本,这类方法面临性能受限的问题;同时,由于噪声功率不确定度的存在,门限校准精度受限,亦可能影响最终性能。(2)协作频谱感知(Cooperative Spectrum Sensing, CSS)算法[3-5]。CSS算法利用多个SUE接收信号副本的空间分集特性,获得更高的频谱感知准确性及可靠性。然而,多数CSS方案的具体实现往往需要预先具备针对PU信号及无线传播环境的多种先验知识,在现实中有可能难以实现。(3)基于地理位置数据库的频谱监测方法[6,7]。此类方法依托大时间尺度范围内构建的、基于地理位置的频谱观测数据库,通过对目标LFB的长期观测记录,统计分析PU活动规律。……
