针对传统分布式协作频谱检测算法认知用户不能实时检测问题,该文提出基于扩散策略的实时分布式协作检测算法。算法利用各个节点的本地代价表示全局代价,通过最小化各个节点的代价使得全局代价最小。采用最速下降法,利用迭代方式计算各个节点检测量的最优估计值,得出估计值的理论稳态均值和方差,得出虚警概率、检测概率以及检测门限的封闭表达式。理论分析和实验结果表明,该算法能够有效解决分布式网络认知节点的实时检测问题,并具备快速学习和适应环境变化的能力。当虚警概率为0.01且检测概率达到0.9时,平均信噪比较平均共识和非实时扩散策略降低了约6 d B,能够实现在极低信噪比条件下的信号检测。
针对小采样数据长度下,采样协方差矩阵对统计协方差矩阵估计不准,影响传统最大最小特征值(MME)检测算法检测性能的问题,提出一种基于逼近收缩(OAS)矩阵估计的改进MME检测算法。首先利用OAS估计量对采样数据做协方差矩阵估计,再对估计协方差矩阵特征值分解,将最大最小特征值之比作为检测统计量,克服了传统MME算法检测门限随采样点大幅波动的缺陷,提高了检测门限的鲁棒性。仿真结果表明,所提算法的检测门限具有鲁棒性,检测性能提高了1 d B^2 d B。
能量检测是认知无线电频谱感知的有效方法,但在低信噪比情况下检测概率明显下降。提出了基于分形滤波的频谱感知能量检测方法。基于分形滤波可以有效抑制噪声的特点,该方法先对接收信号进行分形滤波,以其能量值作为检测统计量,进行能量检测。仿真结果表明,通过基于分形滤波的能量检测和直接进行能量检测方法对比,滤波后信噪比在下降7 d B时仍然满足90%以上的检测概率。此外,该方法对不同调制信号均具有较好的适用性,在噪声不确定情况下仍然具有较高的检测概率。
