[发明专利]基于渐进最优收缩估计的合作频谱感知方法

说明书

本发明公开了基于渐进最优收缩估计的合作频谱感知方法的具体实现步骤为：步骤1：宏基站配置的多天线发送授权用户信号。步骤2：各个低功率小蜂窝基站接收宏基站信号并进行连续独立采样。步骤3：低功率小蜂窝基站将感知数据发送给数据融合中心，数据融合中心基于接收的信号样本组成接收样本矩阵。步骤4：数据融合中心根据接收样本矩阵得到判决统计量。步骤5：数据融合中心将判决统计量与判决门限进行比较得出授权用户是否存在的判决结果并告知蜂窝基站。本发明考虑了接收机噪声理想和非理想两种情况，通过利用渐进最优收缩估计器的良好估计性能提高了频谱感知的性能。

技术领域

本发明属于无线通信技术领域，涉及认知无线电技术中的频谱感知和估计理论中的高维协方差矩阵估计，具体涉及基于渐进最优收缩估计的合作频谱感知方法。

背景技术

无线通信业务的快速发展和智能终端的广泛应用使得通信系统对于网络容量的需求呈爆发性增长，在频谱资源紧缺的现状下，密集异构网络作为一种新的无线网络架构被提出和应用，成为未来无线通信系统中支撑网络容量的必然趋势。密集异构网络指的是在传统宏蜂窝基站的覆盖范围内密集部署微蜂窝站点、中继站点和家庭基站等低功率站点，通过小蜂窝站点和宏蜂窝基站的空间频率复用提高频谱效率。与此同时，小蜂窝的密集部署也带来了一系列的干扰问题，密集小蜂窝之间以及小蜂窝和宏蜂窝之间的复杂干扰成为制约频谱效率提升的关键瓶颈。已有研究指出，在密集异构网络中应用认知无线电技术是对抗上述复杂干扰的有效途径，具体方法是将宏蜂窝用户作为授权用户，密集小蜂窝网络采用认知无线电技术，称为认知网络。认知网络在不对授权用户通信造成干扰的前提下重用授权频谱资源，从而在提高频谱利用率的同时实现宏蜂窝和小蜂窝的共存。

频谱感知是认知无线电实现动态频谱接入的关键技术，因此研究密集认知网络的频谱感知算法具有重要意义。传统的频谱感知算法分为独立频谱感知和合作频谱感知，独立频谱感知包括能量感知、匹配滤波器感知和循环平稳特征感知，其中能量感知原理简单且实现复杂度低，但由于噪声不确定性的影响在实际中的应用受到限制，常被作为其他算法的性能度量。此外，考虑到实际通信场景中阴影衰落、多径衰落和隐藏终端等因素的影响，独立频谱感知算法的性能急剧下降，因此合作频谱感知通过引入多个感知用户合作的方式得到空间分集增益，克服上述影响。可以依据判决机制的不同将合作频谱感知分为硬判决和软判决，软判决由于保留了更多的原始感知信息具有更高的感知性能。软判决中，如果每个感知用户将全部感知数据发送给数据融合中心，并在数据融合中心以随机矩阵的形式进行组合，称矩阵为接收样本矩阵，其中矩阵的行数为感知用户的数目，称为样本维数，接收样本矩阵的列数为样本数。数据融合中心利用此随机矩阵得到的判决统计量进行最终的判决，并将结果通知每个感知用户。目前，基于随机矩阵的合作频谱感知算法的研究主要集中在低维领域，即假设样本维数固定，样本数趋于无穷，此时样本协方差矩阵是未知的协方差矩阵的最优估计。然而在密集网络中小蜂窝的数目激增，同时为了减少感知时间而降低采样数，此时样本维数与样本数在同等数量级。因此，密集认知网络中的频谱感知面临着感知数据的高维特性带来的挑战。

高维随机矩阵理论指出当样本维数与样本数在同等数量级时，样本协方差矩阵不再适用于估计统计协方差矩阵，一方面样本特征值不再是统计协方差矩阵特征值的一致估计，另一方面样本协方差矩阵为病态矩阵，对其求逆会放大估计误差，当样本维数大于样本数时样本协方差矩阵甚至是不可逆的。统计协方差矩阵的准确估计保证了频谱感知算法的感知性能，因此传统基样本协方差矩阵对统计协方差矩阵进行估计的方法不再适用于密集认知网络中的高维频谱感知。