基于稀疏贝叶斯学习的宽带频谱压缩感知重构算法设计_通信与信号处理.docxVIP

PAGE2

基于稀疏贝叶斯学习的宽带频谱压缩感知重构算法设计

第一章绪论

1.1研究背景

随着无线通信技术的迅猛发展，从第五代移动通信系统的大规模商用，到物联网设备的爆炸式增长，电磁频谱作为不可再生的战略资源，其稀缺性日益凸显。传统的静态频谱分配策略将频段固定划分给授权用户，导致大量已分配频谱在时间和空间上处于闲置状态，而新兴业务却面临无频可用的困境。

这种结构性短缺催生了认知无线电技术，其核心思想是允许次级用户在不干扰主用户的前提下动态接入空闲频谱。然而，要实现频谱的动态感知，传统奈奎斯特采样定理要求采样率必须达到信号带宽的两倍以上。对于宽带频谱而言，其带宽动辄数吉赫兹，这意味着需要超高速模数转换器，硬件成本与功耗急剧攀升，成为制约宽带频谱感知走向实用的关键瓶颈。

压缩感知理论的突破为这一困境提供了全新的解决思路。该理论指出，如果信号在某个变换域具有稀疏性，则可以通过远低于奈奎斯特速率的随机采样实现信号的精确重构。宽带频谱在频域天然呈现稀疏特性，即大部分频段处于空闲状态，仅有少数频点被占用，这恰好契合压缩感知的应用前提。

然而，将压缩感知直接应用于宽带频谱重构仍面临诸多挑战。传统的重构算法如正交匹配追踪或基追踪，通常依赖固定的信号模型，对噪声的鲁棒性不足，且需要预先知晓信号的稀疏度。在实际电磁环境中，噪声水平动态变化，频谱占用情况瞬息万变，稀疏度往往未知，这使得传统算法