Alpha稳定分布噪声下基于优化聚类的频谱感知方法研究
摘要
固定的频谱资源分配模式使得多数授权频段无法被充分利用，频谱利用率低。认知
无线电技术能够动态实时地实现环境的感知，是解决频谱资源利用率低的有效途径。现
有频谱感知技术常利用高斯噪声建模，但实际感知环境常受到具备尖峰脉冲特性的非高
斯噪声干扰，导致基于高斯噪声建模的检测方法性能在非高斯噪声下受到影响。非高斯
噪声中的Alpha稳定分布噪声，能够很好的拟合人为因素和自然因素导致的噪声，而频
谱感知本质可以看作二分类问题，机器学习中的聚类算法能够很好的实现数据的分类。
因此，本文结合机器学习中的聚类算法对Alpha稳定分布噪声下的频谱感知技术展开深
入研究。
首先，针对单天线低信噪比环境下判决门限值难以确定、估算复杂的问题，提出基
于改进黏菌优化聚类频谱感知方法。该方法利用归一化分数低阶和IQ信号分解，抑制
Alpha稳定分布噪声拖尾现象引起的过大噪声样本值。在此基础上利用聚类算法进行频
谱状态的分类，提出基于黏菌优化的Fuzzyc-means(FCM)聚类算法，克服FCM算法初
始中心的随机性，获得稳定的初始聚类中心，进一步的提高感知性能。该方案减少对先
验信息的依赖，避免了复杂门限值估算，有效提高低信噪比条件下单天线频谱感知性能。
其次，针对多天线系统不同状态的主用户之间协方差矩阵元差异小，导致感知性能
差的问题，提出基于改进灰狼优化聚类频谱感知方法。该方法利用二次分数低阶协方差
矩阵扩大矩阵之间的差异；采用融合分组方法构建二维特征向量降低信号分解带来的计
算复杂度。提出改进的灰狼优化算法，克服k-means算法初始质心的随机性，获取稳定
质心，提高聚类精度，从而提高感知性能。仿真表明该方法能够进一步的提高Alpha稳
定分布噪声下的多天线频谱感知性能。
最后，针对实际感知环境中SU用户受异常用户的干扰导致感知性能变差的问题，
提出基于改进蜣螂优化聚类的异常环境频谱感知方法。该方法利用LU矩阵增强样本数
据的特征；采用中值数据融合方法减少异常用户对感知用户的干扰。提出改进的蜣螂优
化算法，克服k-medoids对初始点的强依赖性，获得稳定初始点，进一步提高异常用户
干扰时的聚类精度，从而提高感知性能。仿真部分，验证了所提方法能够减少异常用户
的干扰提高感知性能。
关键词：频谱感知；分数低阶协方差矩阵；群智能算法；聚类算法
Alpha稳定分布噪声下基于优化聚类的频谱感知方法研究
Abstract
Thefixedspectrumresourceallocationmodemakesmostoftheauthorizedfrequency
bandsnotfullyutilizedandthespectrumutilizationrateislow.Cognitiveradiotechnologycan
dynamicallyrealizetheenvironmentawarenessinrealtime,whichisaneffectivewaytosolve
thelowutilizationofspectrumresources.Existingspectrumsensingtechniquesoftenuse
Gaussiannoisemodeling,buttheactualsensingenvironmentisoftendisturbedbynon-
Gaussiannoisewithspikepulsecharacteristics,resultingintheperformanceofdetection
methodsbasedonGaussiannoisemodelingisaffectedundernon-Gaussiannoise.Alphastable
distributionnoiseinnon-Gaussiannoisecanbeagoodfitfortheno