随机矩阵在无线通信中的应用报告.docxVIP

随机矩阵在合作频谱感知上的应用 姓名： 学号： 学院：通信学院 一、课题方向的探索与选择 通过在课堂所学以及阅读陈老师的PPT(power point)，我找到了以下几个切入点： 首先是随机矩阵理论在MIMO(Multiple-Input Multiple-Output)通信系统中的应用，比如优化线性接收机的信号干扰噪声比的计算方法，帮助计算可达速率等。与此相关论文特别多。这应该算是随机矩阵在无线通信领域的经典应用，但是我想做点相对比较冷门一些的（姑且称为我心中的冷门些的），这样更有挑战性。 然后是扩频，通过关键词扩频反向搜索随机矩阵，发现很多论文都是关于Walsh码的，不在陈老师的PPT以及参考资料《Random Matrix Theory and Wireless Communications》所重点讲述内容里，感觉无法学以致用达到锻炼的效果，所以就作罢。 再是频谱感知，这是我选择的切入点，这一块有一些性能比较好的利用了随机矩阵的算法，基本上是用特征值作为判断条件来进行合作频谱感知的实现。 二、合作频谱感知技术背景 频谱感知(亦称信号检测)是认知无线电技术的重要组成部分及关键技术之一，这项技术对于解决无线通信中频谱资源紧张的问题有着巨大作用。现有的频谱感知方法主要有：匹配滤波检测(Match filter，MF)、循环平稳特征检测 (Cyclostationary feature detection)、能量检测以及合作检测等。 匹配滤波检测方法能使接收机的信噪比最高，是最优的检测方法。但它需要知道发射机信号的先验知识，这一要求在实际情况下是很难满足的。 循环平稳特征检测对噪声的不确定性具有很强的鲁棒性，但该方法需要知道发射机信号所固有的循环特征频率。此外，该方法对ADC（Analog-to-Digital Converter）的处理速度以及系统的信号处理能力均提出了较高的要求，增加了系统的复杂性，实际应用较为困难。因此，匹配滤波检测和循环平稳特征检测都有局限性。 在无法获得信号源相关信息的情况下，能量检测就是最优的检测器。但能量检测具有两个显而易见的缺点： (1)它需要预先知道背景噪声功率且对噪声的不确定性非常敏感； (2)对于检测IID(independent and identically distributed)信号来说能量检测是一种最优的检测方法，但检测相关性较强信号时，检测性能较差。 基于以上的各种方式的优缺点，很多学者便提出了许多性能可观的基于随机矩阵的合作频谱感知技巧。 三、几种利用随机矩阵的频谱感知算法 接下来将介绍几种我所探究过的的几种算法。 3.1 双特征值判决门限算法 该算法利用多个传感器接收到的信号产生一个采样协方差矩阵，该协方差矩阵包含了目标信号源的相关信息。在目标信号源信号存在和不存在两种假设条件下，采用随机矩阵的相关理论分别求出这两种情况下协方差矩阵的最大特征值。以这两个最大特征值作为判决门限，最终判决出我们所关心频谱内是否出现目标信号源信号，从而实现频谱感知功能。 双特征值判决门限合作感知算法不需要知道信号源的任何信息，也无需知道噪声功率，而且只需较少的传感器就可以达到很好的感知性能。在检测相关信号时，双特征值判决门限方法要明显优于合作检测和能量检测方法。 3.1.1应用场景 如图3.1所示，3个多认知用户(Secondary User, SU),采用合作的方式对主基站 (Primary Base Station, PBS)发射出的信号即主用户(Primary User, PU)发射机信号进行检测，并将检测数据发送认知从基站(Secondary Base Station , SBS)。SBS对这些数据采用某种算法进行相应处理，最后判决出我们所关心的频段内是否存在PU发射机信号，即是否存在频谱空洞，实现合作频谱感知功能。 图3.1 合作频谱感知场景 3.1.2算法核心 在图3.1所示的合作感知场景中，假设有M位认知用户，每一个SU对接收信号采样N次。则第i个SU在第 k 时刻检测到的信号及噪声可分别表示为x（ki）， n（ki）(i=1,2,… , M ;k=1,2,… ,N)。在第k时刻，PU发射机信号为s（k）。为了分析方便，定义如下向量 x表示SU接收机信号的向量矩阵，其中xi(i =1,2,… ,M )表示第i个SU采样得到的信号向量。s，n分别表示PU发射机信号向量矩阵和SU处的背景噪声向量矩阵。信号向量矩阵x可以用一个M ×N维矩阵表示为 由于PU发射机信号与噪声信号不相关。则可以得出接收信号的统计协方差矩阵Rx 其中Rs=E[(Hs)(Hs)]，IM为N阶单位阵，定义如下采样协方差矩阵 假设信号与噪