杨 波

（四川文理学院，四川 达州 635000）

1 引言

随着无线通信技术在各个行业的应用日趋成熟，并且通信技术对频谱带宽的需求也变得越来越高，这均使有限的频谱资源变得越来越少[1-2]。因此，必须在有效利用无线通信技术的同时，提高宝贵频谱资源的利用率。认知无线电是解决目前频谱资源匮乏的有效措施之一，而认知通信网络的核心是快速、准确地对网络中主用户信号频谱进行检测，为此，其主用户信号的频谱检测成为了热点研究问题[3-4]。

针对无线认知网络中的主用户频谱检测问题，研究人员提出了多种检测方法。早期频谱检测算法主要是在能量域提取信号特征，并将其与预先设定的门限进行比较，当特征值超过门限即判定为主用户正在使用该频段[5]。但能量检测算法对噪声的适应性不强，难以适应当前低信噪比的无线认知网络环境。随着人工智能的发展，基于机器学习的认知网络频谱检测成为主要研究方向[6-8]。文献[9]直接将机器学习应用于频谱检测领域，取得了比传统能量检测算法好的检测性能。文献[10]基于压缩感知和线性回归模型预测无线网络信号的稀疏参数，然后对接收信号进行稀疏恢复，实现主用户信号的频谱检测。文献[11]提出了一种基于蜂窝认知定位的频谱检测算法，该算法利用历史数据作为训练数据，基于支持向量机预测主用户频段预测。文献[12]基于蜂群算法对神经网络进行优化，有效解决了传统神经网络易陷入局部最优的问题，并同时在能量域和循环谱域提取参数，实现频谱检测。……