《非重構框架下的認知MIMO頻譜感知算法研究》是依託哈爾濱工業大學，由高玉龍擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：非重構框架下的認知MIMO頻譜感知算法研究
- 依託單位：哈爾濱工業大學
- 項目類別：青年科學基金項目
- 項目負責人：高玉龍
項目摘要,結題摘要,
項目摘要
MIMO和認知無線電的結合提高了系統容量和頻譜利用率，但同時也增加了頻譜感知的軟硬體複雜度。簡單地把單天線頻譜感知方法直接套用到認知MIMO中，只能有限提高感知性能。因此，研究計算複雜度較低、性能較好的頻譜感知算法具有重要的理論意義和實際套用價值。課題首先根據MIMO信號間和信號內相關性，擴展聯合稀疏模型，提出測量矩陣最佳化方法，利用它們對多信號進行壓縮採樣得到壓縮採樣矩陣。然後，在非重構框架下利用非漸進隨機矩陣理論直接對壓縮採樣矩陣進行分析，得到有無信號時壓縮採樣矩陣極端奇異值的不同特徵，以此進行頻譜感知。非重構框架下的頻譜感知無需數據重構算法恢復採樣數據，能降低計算複雜度，非漸進隨機理論使頻譜感知算法減少對主用戶、信道和噪聲等先驗信息的依賴，克服噪聲不確定性，提高算法在低信噪比下的感知性能。該研究課題能充分挖掘認知MIMO的潛在優勢，為認知MIMO的套用提供具有實用價值的頻譜感知算法。
結題摘要
課題為了充分利用多天線的優勢，從減少頻譜感知算法的計算複雜度角度提出了基於非重構框架研究認知MIMO頻譜感知算法的思路。 首先，研究了作為課題基礎的信號稀疏表示算法。針對單天線的情況，結合MOD算法和K-SVD算法提出了O-KSVD字典學習算法。結合聯合稀疏模型，將普通的字典訓練算法拓展為多天線聯合訓練字典算法。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。根據稀疏表示的優勢，針對不同場景提出了基於稀疏分解的頻譜感知算法。 然後，分析了非重構框架下能量頻譜感知算法的性能。由於測量矩陣會影響非重構頻譜感知算法的檢測效果，針對單天線和多天線場景，分別以能量感知和基於稀疏分解的頻譜感知為例研究了測量矩陣最佳化方法。在此基礎上，把測量矩陣最佳化算法套用於非重構框架下特徵值感知算法，證明了壓縮感知套用於特徵值檢測的可行性，指明了測量矩陣的最佳化方向。 接著，把非重構思想擴展到寬頻頻譜感知的情況，設計了相應的寬頻頻譜感知模型。根據認知無線電盲識別的要求，提出了一種信號稀疏度估計方法。在此基礎上，為了實現採樣率的動態調整，研究了壓縮採樣系統輸入和輸出信噪比的關係，得到壓縮採樣後信噪比的表達式，提出了基於動態採樣的寬頻頻譜頻譜算法。 最後，在不採用壓縮感知的情況下研究了基於隨機矩陣的頻譜感知算法。針對多天線場景對GSV算法進行改進，提出了MT-GSV算法。為了充分利用協方差矩陣的信息，研究了基於最大最小特徵值和主特徵向量的雙特徵頻譜感知算法。另外，結合隨機矩陣單環定理，選取“平均特徵值半徑”作為算法的檢驗統計量提出了基於單環定律的頻譜感知方法。 通過課題的研究發現，非重構思想能免去數據重構，減少運算數據量，隨機矩陣理論能使頻譜感知算法減少對主用戶、信道和噪聲等先驗信息的依賴，克服噪聲不確定性，提高算法在低信噪比下的性能。課題的研究充分挖掘了認知MIMO的潛在優勢，為認知MIMO的套用提供了具有實用價值的頻譜感知算法。
