Spectrum Sensing Based on Fractional Lower Order Power Spectral ...

### 基于分数低阶功率谱密度在α稳定噪声环境下的频谱感知技术 #### 摘要 本文提出了一种基于分数低阶统计功率谱密度（Fractional Lower Order Statistics Power Spectral Density, FPSD）的新型频谱感知方案。针对在认知无线电系统（Cognitive Radio, CR）中背景噪声被建模为α稳定分布时，传统检测器如能量检测器（Energy Detector, ED）和功率谱密度检测器（Power Spectral Density Detector, PSD）性能会下降甚至失效的问题，本研究通过结合伪功率谱密度和傅里叶变换（Fourier Transform, FT），计算接收到信号的FPSD来判断主用户（Primary User, PU）是否存在。 #### 引言 随着无线设备需求的不断增加，如何有效利用有限的频谱资源成为了一个重要的问题。为此，提出了认知无线电技术来高效地利用频谱空洞并提高频谱利用率。在认知无线电网络中，与传统的固定分配原则不同，未授权用户可以在主用户不占用该频段时接入已授权的频率带进行通信，并且必须在主用户使用频谱时立即退出。频谱感知是其中最重要的技术之一，它使得次级用户（Secondary User, SU）能够检测主用户是否存在。 #### 技术背景 - **认知无线电（CR）**: CR是一种动态频谱访问技术，允许次级用户在不影响主用户的条件下使用未被占用的频谱资源。 - **α稳定分布**: α稳定分布是一类非高斯随机变量的统称，具有重尾特性，其特征在于缺乏二阶矩，这使得传统基于高斯假设的检测方法失效。 - **频谱感知**: 是认知无线电中的关键技术，用于检测主用户是否正在使用频谱，从而决定次级用户能否接入该频段。 - **能量检测器（ED）与功率谱密度检测器（PSD）**: 这两种检测器都是频谱感知中常用的算法。ED通过测量信号的能量来判断主用户的存在；PSD则通过分析信号的功率谱密度来进行检测。 #### 主要贡献 - **FPSD的引入**: 本研究提出的FPSD检测器结合了伪功率谱密度和傅里叶变换，能够在α稳定噪声环境下更准确地识别主用户的存在。 - **性能评估**: 通过大量的模拟实验，研究了FPSD检测器相对于ED和PSD检测器的性能优势。这些实验探讨了FPSD随α稳定分布的特征指数α、低阶矩p以及广义信噪比（Generalized Signal-to-Noise Ratio, GSNR）的变化情况。 - **盲检测能力**: 新检测器作为一种盲检测器，在没有主用户信号和噪声的先验知识下仍能保持较高的检测概率。 #### 实验结果 - **FPSD检测器的优越性**: 模拟结果显示，FPSD检测器在α稳定噪声环境中相较于ED和PSD检测器表现出更好的性能。 - **参数影响**: FPSD检测器的性能受到α稳定分布的特征指数α、低阶矩p以及广义信噪比的影响。具体来说，当这些参数发生变化时，FPSD检测器能够更好地适应环境变化，维持稳定的检测性能。 - **盲检测能力验证**: 在未知主用户信号的情况下，FPSD检测器仍能保持较高的检测概率，验证了其盲检测的能力。 #### 结论 本文提出的基于FPSD的频谱感知方案为解决α稳定噪声环境下频谱感知问题提供了一种有效的解决方案。该方案不仅克服了传统检测器在特定噪声条件下的局限性，而且在无需主用户信号和噪声的先验知识下也能实现高效准确的检测。这一成果对于推动认知无线电技术的发展具有重要意义。