基于稀疏分解的頻譜感知方法研究.pdf

1、近年來，隨著各種無線電新技術和新業(yè)務的廣泛應用以及通信技術的迅速發(fā)展，對頻譜資源的需求程度和數量日益增長，如何在頻譜資源有限的情況下對其更為有效的利用成為一個急需解決的問題。認知無線電技術的提出為我們解決這個問題提供了方法。
　　頻譜感知技術是認知無線電的基礎環(huán)節(jié)，它的好壞關系著系統(tǒng)性能的優(yōu)劣。稀疏分解可以抓住信號內部的主要特征，提取信號成分，具有去噪的功能；近年來興起的壓縮感知技術也是以信號能夠在變換域上稀疏分解為前提的，它能夠

2、突破奈奎斯特采樣定理的限制，僅通過少量的壓縮測量值便能夠實現信號的重構。本文對基于稀疏分解的頻譜感知方法進行了研究。
　　在頻譜能量檢測方式中，門限的設置與接收信號的信噪比直接相關，因此，接收信號的信噪比是影響頻譜感知性能的一個決定性因素。在一定范圍內，隨著信噪比的降低，恒虛警條件下的檢測概率快速下降。在本文中，考慮到稀疏分解有一定程度的去噪作用，因此將稀疏分解引入到接收機前端，在接收信號后，首先進行去噪處理，再進入后端的頻譜感知

3、部分。在經過稀疏分解去噪的過程后，隨著信噪比的改善，在目前的信噪比下設定新的門限，檢測性能必然有很大程度的提高。
　　在認知 MIMO系統(tǒng)中，多天線提供了更高的檢測可靠性，但也帶來了采樣數據量的急劇提升，而分布式壓縮感知技術正是基于多信號的聯合采樣技術，降低采樣的數據量。它要求在多信號的基礎上滿足聯合稀疏模型，而MIMO技術由于天線之間的相關性，剛好滿足 JSM-2模型，因此基于認知 MIMO的分布式壓縮感知技術迫切需要一個針對多

4、天線環(huán)境的聯合稀疏字典。字典訓練算法作為一種較為新穎的字典獲取方法，只給出了單信源訓練信號的情況下如何獲得訓練字典。本文結合字典訓練算法與多天線下的聯合稀疏模型，將普通的字典訓練算法拓展為三種不同合并方式下的多天線聯合訓練字典算法。相比于一般的字典訓練算法，聯合字典訓練算法能夠在同樣的訓練次數的情況下，獲得更好的稀疏表示效果。因此，在分布式壓縮感知重構之后，重構概率顯著提高，之后的頻譜檢測性能也有了進一步的提升。基于聯合訓練字典的頻譜感