《基於支持向量機的低複雜度自適應頻譜感知方法》是依託上海大學，由翟旭平擔任項目負責人的面上項目。
基本介紹
- 中文名：基於支持向量機的低複雜度自適應頻譜感知方法
- 項目類別：面上項目
- 項目負責人：翟旭平
- 依託單位：上海大學
中文摘要,結題摘要,
中文摘要
頻譜感知方法是未來智慧型無線通信系統、軍事通信和干擾對抗等領域的關鍵核心技術。感知靈敏度、計算複雜度和環境適應性是目前頻譜感知方法的主要不足，本項目擬針對這些問題展開系統研究。首先，基於統計學習理論中的支持向量機（SVM）方法，重點研究面向發射機的非合作頻譜感知，將頻譜感知問題建模為隨機對象辨識問題和高維空間的最優分類問題，利用SVM方法，通過解決機率密度函式估計和最優超平面問題，提出靈敏度高、複雜度低、自適應性能優異的非合作頻譜感知方法；其次，利用多用戶協作和聯合頻譜感知，通過研究感知頻段的最佳化分割和數據融合方式，解決瘦認知終端的寬頻頻譜感知問題。最後，基於測試平台和認知無線電平台，進一步研究影響頻譜感知性能的實際因素，例如噪聲、衰落等，在此基礎上研究改進頻譜感知算法的高效並行實現方法。本項目的研究，將系統地解決目前困擾頻譜感知的關鍵問題，推動其在相關領域的套用和發展。
結題摘要
頻譜感知方法是未來智慧型無線通信系統、軍事通信和干擾對抗等領域的關鍵核心技術。感知靈敏度、計算複雜度和環境適應性是目前頻譜感知方法的主要不足，本項目針對這些問題展開了系統研究。首先，基於統計學習理論中的支持向量機（SVM）方法，重點研究了面向發射機的非合作頻譜感知，將頻譜感知問題建模為高維空間的最優分類問題，利用SVM方法，通過求解最優超平面問題，提出綜合性能高的基於SVM的非合作頻譜感知方法，研究了不同核函式、核函式參數、訓練樣本集的構成及大小、高維空間的維數、噪聲類型等因素對感知性能的影響；在多用戶協作和聯合頻譜感知方面，通過研究感知頻段的最佳化分割和數據融合方式，提出了一種基於統計檢測量的軟判決合作感知方法，研究了合作與檢測時間的關係。最後，基於測試平台和認知無線電平台，研究了影響頻譜感知性能的實際因素，例如噪聲、衰落等。本項目在利用學習機進行頻譜感知方面進行了較全面深入的探索，研究表明，選擇參數經過最佳化的高斯徑向基核函式，採用合適結構和維數的訓練樣本集進行訓練後的SVM頻譜感知方法具有非常優越的低信噪比信號檢測性能，對高靈敏度頻譜感知方法的實際套用具有較大的參考意義和推動作用。
