论文部分内容阅读
利用动态频谱分配制度来提高利用率的认知无线电（Cognitive Radio，CR）是无线研究的重点之一，CR寻找空闲频谱并自动切入，发射自身信号，实现对频谱时间、空间、频域上的重复利用。本文便是对CR寻找空闲频谱这一点进行研究，用术语来说即研究频谱感知，具体如下: 分析频谱感知原理，构建二元假设数学模型，针对常见的经典感知算法如能量检测等，从理论、仿真两方面总结各个算法的不同点及优缺点。从数学统计的观点来看，这几种经典算法属于参数假设检验，即需要在对某个或某些信息量进行假设后验证，如果参数的假设不准确，检验的结果就可能出现错误。 拟合优度(Goodness of Fit，GOF)是一种典型的非参数化假设，它无需针对任何信息量提前作出假设，只需利用现有的观测值即可做出;另外，相对来说GoF的计算量要少得多，这减少了感知复杂度，提高了检测效率。 本文的重点便是将GoF引入到CR中，利用GoF的优点对感知进行优化，推导了A-D和K-S两种典型拟合理论在CR感知中的数学模型，通过仿真证明其性能相对ED均有了很大的改进，尤其是在低信噪比下二者的检测概率更高。另外，针对A-D算法推导过程中的重要假设—m=1，还通过具体信号（正弦信号和正态分布信号）仿真证实了其局限性，即该模型只在极少数的场景下才可以使用。针对这一局限性，本文摒弃信号本身，从另一种角度考虑，进而利用接收信号能量服从卡方分布的特点提出了基于卡方分布的A-D算法，仿真显示了其具有更广泛的应用意义。遵循同样的思想，还提出了卡方分布K-S算法。 我们的研究都是在高斯环境下进行的，然而由于各种电磁干扰等原因，实际的工作场景一般都是非高斯的，根据很多文献的研究我们知道非高斯环境可以分为三类:米德尔顿A类干扰模型、B类干扰模型、C类干扰模型。因此本文还考虑了米德尔顿A类干扰模型，推导A类干扰下的A-D算法及基于GoF中似然比检验的算法，并通过仿真验证了A类干扰下这两种算法也具有较好的检验性能，并且似然比算法的效果要优于A-D算法。