基于深度强化学习的认知无线电频谱感知系统设计与检测优化.docxVIP

PAGE2

基于深度强化学习的认知无线电频谱感知系统设计与检测优化

摘要

随着无线通信技术的飞速发展，有限的频谱资源与日益增长的宽带接入需求之间的矛盾日益凸显。认知无线电技术通过动态接入空闲频谱，为缓解频谱稀缺问题提供了有效途径。然而，传统频谱感知方法在面对复杂电磁环境和动态主用户行为时，存在检测精度低、感知能耗大等现实痛点。

针对上述问题，本课题设计并实现了一套基于深度强化学习的认知无线电频谱感知系统。课题以需求分析为起点，明确了系统在检测概率、虚警概率和感知能效等方面的核心指标。在总体设计阶段，采用分层架构思想，规划了射频前端、信号处理与智能决策三大子系统。详细设计阶段深入阐述了能量检测算法与深度Q网络（DQN）的融合机制，构建了状态、动作与奖励的数学模型。

系统实现部分依托Python与PyTorch框架，完成了软硬件协同开发。通过构建动态频谱环境，对系统进行了功能与性能的全面测试。测试结果表明，相较于传统固定阈值感知方案，本系统在低信噪比下的检测概率提升了约15%，并能有效降低感知能耗。本设计的核心创新点在于将强化学习的在线决策能力引入物理层感知，实现了感知策略的自适应优化，为下一代智能频谱管理提供了有价值的工程参考。

第一章绪论

1.1研究背景

在当今物联网与移动互联网高速发展的时代，无线频谱资源已成为维系现代社会运转的关键基础性战略资源。然而，传统的静态频谱分