基于随机森林的认知网络频谱感知算法研究

摘要

认知网络具有良好的灵活性、自主性和适变能力，能够大大提高频谱资源的使用效率，增强通信系统性能，解决目前无线通信领域所面临的频谱资源紧张问题，在公共安全、军事、灾难救援、频谱贸易等众多领域有着广阔的应用前景。频谱感知技术作为认知网络研究的重要基础和关键技术，通过对主用户频谱资源的检测、分析、判断，能够在时域、频域和空域上发现主用户空闲频段，缓解目前无线通信领域所面临的频谱资源紧张问题，因而成为人们研究的热点。 本文分析了认知网络的发展现状，深入研究了认知网络频谱感知关键技术的主要思想、基本原理，着眼于低信噪比环境下频谱感知性能下降问题，以提高感知性能为目标，致力于寻求在低信噪比环境下提高频谱感知性能的有效解决方案。鉴于随机森林算法具有强分类性能、对噪声等因素具有很好的容忍度，不易出现过拟合现象以及具有良好的可扩展性等优点。考虑到低信噪比环境下频谱感知性能不佳的问题和随机森林算法本身所具有的强分类性能优势，本文在深入研究认知网络频谱感知特点的基础上，首次将随机森林算法引入低信噪比环境下的认知网络频谱感知问题的解决方案中，建立了基于随机森林的频谱感知算法模型，基于这种模型提出了3种解决方案:(1)基于循环谱分析的随机森林频谱感知算法;(2)基于主成分分析的随机森林频谱感知算法;(3)基于流形学习的随机森林频谱感知算法。主要创新性工作如下: (1)建立了基于随机森林的频谱感知算法模型。 由于低信噪比环境下噪声等因素对主用户信号感知的影响，鉴于随机森林算法具有强分类性能，对噪声等因素有很好的容忍度优势，在深入研究普遍采用的认知网络频谱感知二元模型基础上，融入随机森林算法机理，通过多次提取有无主用户存在情况下信号的循环谱特征参数，构建随机森林，建立了基于随机森林的频谱感知算法模型。 (2)基于所建立的频谱感知算法模型，提出一种新的基于循环谱分析的随机森林频谱感知算法。 在较低信噪比场景下，基于所建立的频谱感知算法模型，提出一种新的基于循环谱分析的随机森林频谱感知算法。所提算法充分利用随机森林算法组合多个弱分类器来增强分类效果的优点，结合接收信号循环谱特征分析，提取能量最大的接收信号循环谱的均值和方差作为特征参数，并生成训练样本和测试样本，构建随机森林，从而实现低信噪比环境下的频谱感知。该算法具有较低的计算复杂度和较好的实时性，能够从整体上提高频谱感知的性能，主要适用于低信噪比条件下，对计算复杂度要求较低，实时性要求较高的场景。 (3)为了提高频谱感知精度，提出一种基于主成分分析的随机森林频谱感知新方法。 考虑到有限的特征参数提取将对感知准确性产生影响，本文在基于循环谱分析的随机森林频谱感知算法研究的基础上，提出了基于主成分分析的随机森林频谱感知算法。通过主成分分析算法对信号循环谱参数进行降维提取，获取其主成分分析，并构建随机森林实现对主用户信号的检测和感知。该算法体现了主成分分析算法能够获取最能反映出信号的整体特征成分及随机森林强分类性能的优势。在此基础上引入核方法，提出了基于核主成分分析与随机森林的频谱感知算法。该算法采用非线性变换将输入空间的样本数据映射到高维空间中进行主成分提取，从而更全面地获取样本特征信息，提高频谱感知的性能。该算法主要适用于解决信噪比很低，对感知精度要求较高场景下的频谱感知问题。 (4)为了获取接收信号的整体特征信息，以求更大限度地提高感知精度，提出一种基于流形学习的随机森林频谱感知的新方法。 考虑接收信号中非线性成分对感知效果的影响，为了更充分地获取接收信号的整体特征信息，更大限度地提高频谱感知精度，提出了基于流形学习的随机森林频谱感知算法。深入研究目前广为流行的非线性降维和特征提取方法“流形学习”，并将其引入到对接收信号中非线性成分的降维提取之中。所提算法基于流形学习方法中的局部线性嵌入算法思想，通过样本邻近点对对应样本间的线性重构实现对信号循环谱数据参数的降维提取过程，并利用随机森林强分类器的特点，构建随机森林进行分类和感知。所提算法能够更充分地提取接收信号的整体特征信息成分，从而反映出更加优越的频谱感知性能。该算法主要适用于无线信道环境恶劣、信噪比更低，同时对频谱感知要求精度高，对实时性和算法复杂度要求较为宽松的场景。此外，通过所提出的各算法计算复杂度比较分析，从而对各算法的适用情况进行了说明。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2认知网络的发展现状

1．3频谱感知的发展现状

1．4本文的主要工作及内容安排

第2章认知网络频谱感知技术基础

2．1认知网络技术

2．1．1认知网络的概念及特点

2．1．2认知网络架构

2．1．3认知网络关键技术

2．2频谱感知关键技术

2．2．1本地频谱检测算法

2．2．2主用户接收端检测

2．2．3协作频谱感知

2．2．4基于机器学习的频谱感知算法

2．2．5主用户信号类型识别算法

2．3本章小结

第3章基于循环谱分析的随机森林频谱感知算法

3．1引言

3．2循环谱分析

3．3随机森林

3．4系统模型

3．5基于循环谱分析与随机森林的频谱感知算法

3．5．1循环谱特征参数提取

3．5．2随机森林的构建

3．5．3算法描述与实现

3．5．4仿真实验与结果分析

3．6基于循环谱分析与随机森林的主用户信号类型识别算法

3．6．1算法描述与实现

3．6．2仿真实验与结果分析

3．7基于改进随机森林的主用户信号类型识别算法

3．7．1算法描述与实现

3．7．2仿真实验与结果分析

3．8本章小结

第4章基于主成分分析的随机森林频谱感知算法

4．1引言

4．2主成分分析和核主成分分析

4．2．1主成分分析

4．2．2核主成分分析

4．3系统描述

4．4基于主成分分析与随机森林的频谱感知算法

4．4．1算法描述与实现

4．4．2仿真实验与结果分析

4．5基于核主成分分析与随机森林的频谱感知算法

4．5．1算法描述与实现

4．5．2仿真实验与结果分析

4．6基于主成分分析／核主成分分析与随机森林的主用户信号类型识别算法

4．6．1算法描述与实现

4．6．2仿真实验与结果分析

4．7本章小结

第5章基于流形学习的随机森林频谱感知异算法

5．1引言

5．2流形学习

5．3系统描述

5．4基于局部线性嵌入与随机森林的频谱感知算法

5．4．1算法描述与实现

5．4．2仿真实验与结果分析

5．5基于局部线性嵌入与随机森林的主用户信号类型识别算法

5．5．1算法描述与实现

5．5．2仿真实验与结果分析

5．6本章小结

第6章结论

参考文献

致谢

攻读博士学位期间发表论文