基于离散小波变换和最大熵模糊聚类的频谱感知技术

近年来，频谱感知技术在有效分配频谱方面具有重要作用而备受关注，但传统的频谱感知算法存在受噪声影响大，检测性能差和复杂度高的问题。因此本文提出一种基于离散小波变换和最大熵模糊聚类的频谱感知算法。首先对多天线的接收信号进行等增益合并，再采用离散小波变换将信号分解来提取相应的细节信号，小波重构后的特征向量作为最大熵模糊聚类的输入进行训练得到聚类分类器，最后利用此分类器对未知信号进行检测，从而实现频谱感知。聚类算法用于频谱感知，避免了复杂的阈值计算。本文仿真对比了K-Means、模糊聚类等传统聚类算法并对其散点图可视化。结果表明，本文所提算法检测性能优于传统算法，感知准确度更高。提取信号的小波特征性能优于提取信号特征值，且降低噪声敏感对信号产生的影响，提高聚类准确性。此外，最大熵聚类算法受噪声影响更小，因此在低信噪比条件下，提升效果更突出。

随着移动宽带技术的迅猛发展和频谱资源利用率不高等问题，无线频谱资源越来越稀缺，频谱工作环境也越来越复杂。认知无线电[1]就被用来缓解频谱短缺问题，就是判断在主用户没有充分利用其分配的频谱资源情况下，允许未分配权限的次级用户利用该频谱资源进行通信。频谱感知技术[2]作为认知无线电的关键技术，就被用来实现这一过程，其主要目的是区分该频谱资源是否正在被主用户使用，并在复杂的无线环境中准确、快速地检测出空闲频谱，如果主用户未使用该频段，则该频段将被重新分配， 以供未经许可的次用户(SUs)使用，但是一旦主用户开始传输，就将SUs 切换到其他空闲频段，充分利用主用户不使用频谱的空闲时间，提高频谱资源利用率。传统的频谱感知算法有能量检测法[3]、匹配滤波检测法[4]、循环平稳特征检测法[5]等。其中能量检测受噪声不确定性影响较大，在低信噪比条件下检测性能下降；匹配滤波检测需要更多地掌握主用户的先验知识，在现实中可操作性不高；循环平稳特征检测面临复杂度高，检测效率低的问题，因此也需要一些改进。

近年来，机器学习[6]在频谱感知领域被广泛使用，且表现出较好的性能，机器学习技术之前已经成功地应用于认知无线电的一些方面，例如：预测、分类和切换等。机器学习在频谱感知中被用作模式分类器，将信号中提取的特征向量放入分类器中，将这些特征分为信道可用和信道不可用两类。

聚类算法作为机器学习中的无监督算法，基于聚类算法的频谱感知方案可以避免复杂且不准确的阈值计算。Sun chenhao 等人[7]提出的基于主成分分析(PCA)和K-medoids 聚类的协作频谱感知算法，Yue wenjing 等人[8]提出的基于图像K-Means 聚类分析的频谱感知算法等，这些算法的检测效率高但是低信噪比低虚警概率下的检测性能还有待提高。根据熵集中原理，最大熵聚类算法就是取熵值最大的情况对