论文部分内容阅读
无线通信技术的飞速发展使得频谱变得越来越稀缺，而当前的频谱利用率却很低。为了解决这一问题，认知无线电应运而生，其核心技术为频谱感知。本文将机器学习技术应用到频谱感知中，提出了基于支持向量机的频谱感知算法和基于集成学习的频谱感知算法。 本文首先介绍了传统的频谱感知算法以及基于接收信号样本协方差矩阵的频谱感知算法，并分析了各算法的优缺点及适用场景。针对上述频谱感知算法存在的不足，本文提出一种基于支持向量机的频谱感知算法。首先从接收信号的样本协方差矩阵中提取出四个特征，并将这四个特征组合成一个特征向量作为训练样本。然后使用支持向量机对这些训练样本进行训练，得到一个分类模型。最后使用训练好的模型即可进行预测，从而实现频谱感知。实验仿真结果表明，本文提出的基于支持向量机的频谱感知算法在检测性能上明显优于基于接收信号样本协方差矩阵的频谱感知算法，并且检测性能会随着采样点数、平滑因子的增大而提升。此外，基于支持向量机的频谱感知算法具有较强的鲁棒性，即使是在低信噪比条件下，检测性能还是可以保持在一个较高的水准。特别的，当信噪比为-20dB时，检测概率可达0.6275。 尽管基于支持向量机的频谱感知算法，在检测性能上较传统频谱感知算法有较大的提升，不过当训练数据规模较大时，往往需要很长的训练时间。另一方面，支持向量机中超参数的选择也会影响最终的检测性能，不同的超参数组合会使得预测结果出现一定的波动。于是，在基于支持向量机的频谱感知算法的基础上，本文进一步的提出了基于集成学习的频谱感知算法。该算法以支持向量机作为初始的基分类器，融合了Adaboost和Bagging两种集成学习算法，在加快训练速度的同时也能保证算法的稳定性。实验仿真结果表明基于集成学习的频谱感知算法在检测性能上优于基于支持向量机的频谱感知算法，并且基学习器数、最大样本数越大，基于集成学习的频谱感知算法的检测性能越好。 最后，本文结尾部分对全文进行了总结，并且指出了未来研究工作的方向。本文对超参数的调优使用的是网格搜索法，调参过程比较繁琐，而且不一定能得到最优参数。因此，可以考虑使用全局搜索能力强的智能算法，如遗传算法。另外，本文提出的基于支持向量机的频谱感知算法和基于集成学习的频谱感知算法都属于监督学习的范畴。也就是说，我们需要有标签信息的历史数据用来训练。这意味着，如果没有这种数据，本文提出的两种算法的应用将会受到限制，这也是监督学习的通病。因此，未来的研究重点应该在无监督学习和强化学习在频谱感知中的应用。通过无监督学习和强化学习方法，构建出一个具备自我学习能力的系统，通过与无线频谱环境的交互，自主的进行频谱感知。