[发明专利]一种基于特征值一致估计的合作频谱感知方法

说明书

本发明公开了一种基于特征值一致估计的合作频谱感知方法的具体实现步骤为：步骤1：宏基站发送授权用户信号。步骤2：低功率小蜂窝基站接收信号并进行连续采样。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，在数据融合中心组成接收样本矩阵。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判断授权用户是否存在。本发明考虑了发送信号的空间结构特性，与直接对协方差矩阵进行估计相比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特征值估计，具体涉及一种基于特征值一致估计的合作频谱感知方法。

背景技术

随着无线通信业务的快速发展和无线通信设备的广泛应用，移动数据流量呈现爆发性增长。在现今频谱资源紧缺的情况下，传统的宏蜂窝网络对网络容量的扩充有限，新的无线网络架构的革新成为支撑网络容量的必然趋势。密集异构网络通过在宏蜂窝覆盖范围内密集部署低功率小蜂窝基站，一方面可以实现多层增强覆盖和边缘用户性能改善，提升系统容量，另一方面，通过减小小区半径，增加小蜂窝数量，提高了频谱资源的空间复用率。由于小蜂窝的密集部署，小蜂窝与小蜂窝之间以及小蜂窝与宏蜂窝之间的频率复用会带来复杂的干扰问题。将认知无线电技术与小蜂窝技术相结合是解决密集异构环境中复杂干扰问题的有效途径，具体实现方法为，将宏蜂窝用户作为授权用户，对宏蜂窝之外增强覆盖的小蜂窝网络采用认知无线电技术(简称认知网络)，在不对宏蜂窝用户的通信造成干扰的前提下，智能重用宏基站的授权频谱资源，有效解决密集异构网络中的跨层干扰问题，实现宏蜂窝和认知网络之间的共存。

认知无线电技术对授权频谱的机会式频谱接入以及空闲频谱的再利用是通过频谱感知实现的。传统的频谱感知方法包括循环平稳特征感知、匹配滤波器感知、能量感知以及基于协方差矩阵特征值的感知。这些频谱感知算法均为单用户频谱感知，在实际的通信环境中由于阴影和多径衰落的影响会造成感知性能的下降，而合作频谱感知算法通过利用多个感知用户合作产生的空间分集有效的缓解了这些消极影响。合作频谱感知根据判决机制的不同分为硬判决和软判决，硬判决要求每个感知用户做出本地判决并将判决结果报告给数据融合中心，再由数据融合中心得到最终的判决结果；软判决机制中每个感知用户将原始感知样本数据或者本地的判决统计量报告给融合中心从而实现更准确的感知。软判决中，当所有感知用户的样本数据发送到融合中心，并由融合中心基于样本数据组成的接收样本矩阵进行判决的方法为基于随机矩阵的合作频谱感知方法，其中接收样本矩阵的行数为合作感知用户的数目，称为数据矩阵维数，列数为每个感知用户的样本数。

传统的基于随机矩阵的合作频谱感知算法均假设样本数远大于矩阵维数，在这种传统渐进假设下，样本协方差矩阵是统计协方差矩阵的最优估计。然而在密集异构网络中，小蜂窝的密集部署使得数据矩阵维数与样本数在同一数量级，根据高维估计理论，在数据矩阵维数与样本数同时趋于无穷且两者的比值趋于常数的广义渐进假设下，样本协方差矩阵不能提供对统计协方差矩阵的良好估计，样本协方差矩阵的特征值分布更加分散，最大特征值被过高估计，最小特征值被过低估计，样本特征值不再是统计协方差矩阵的特征值的一致估计。统计协方差矩阵的估计是频谱感知算法推导的关键过程，估计性能的降低直接影响了频谱感知的性能。目前针对高维数据的感知方法相对较少，已有的基于协方差矩阵收缩估计器的最大最小特征值频谱感知算法(OAS-MME，Estimated Covariance MatrixMaximum–Minimum Eigenvalue Detection Based on Oracle Approximating ShrinkageEstimator)通过利用收缩估计器估计统计协方差矩阵提高了频谱感知的性能，但是直接对高维协方差矩阵的估计未能充分利用发送信号的空间结构，频谱感知性能有待进一步提高。

发明内容