基于群智优化算法的频谱感知和频谱分配研究.pdf

摘要

传统的频谱感知方式和频谱分配技术无法满足当前复杂通信环境下对频谱利用率的要求。

近年来，基于机器学习的频谱感知技术和动态频谱分配技术飞速发展，它具有与传统的频谱

感知和频谱分配算法难以比拟的优势，有效提升频谱感知效率和分配时的网络效益。但是存

在低信噪比下频谱检测准确率较低和频谱分配效果较差的问题。

本学位论文以认知无线电技术为研究背景，首先对比分析了传统频谱检测算法存在的缺

陷和不足，并论述了频谱分配策略的分配模型，并根据实际需求选择支持向量机（Support

vectorMachine，SVM）用于频谱感知，然后对SVM进行频谱分配存在核空间参数精度设置

问题进行较深入的研究，提出了基于核空间优化SVM的单用户频谱感知算法，最后采用改进

后的阿基米德优化算法和灰狼算法进行频谱分配研究，实验仿真表明达到了设计要求。

论文的研究工作主要体现在以下三个方面：

（1）针对传统频谱感知算法易受到认知用户数量和噪声波动影响而导致频谱感知检测性

能不佳问题，提出了一种基于核空间优化SVM的单用户频谱感知算法。将核空间优化、SVM

和频谱感知进行结合，对信号降噪处理并其提取特征，构建特征向量用于训练和学习，并利

C

用改进后的被囊群算法优化训练搜索得到最佳核函数参数和惩罚系数。仿真表明，该算



法能够有效提升低信噪比时的检测率，具有很好的鲁棒性。

（2）针对阿基米德优化算法在进行频谱分配时存在寻优速度慢、精度低和容易受到局部

极值点影响的缺陷，基于图论模型提出了一种基于Circle阿基米德优化算法的频谱分配方案。

该方案首先借助Circle混沌扰动对算法初始化过程改进，其次利用levy飞行策略对全局搜索

能力进行优化，最后引入分段权值策略进行位置更新过程优化，通过Sigmod函数对浸入个体

的加速度进行离散化处理，将其应用于频谱分配。仿真表明，该频谱分配策略在解决频谱分

配上的可行性且求解网络效益时有很大的提升。

（3）针对灰狼算法在解决频谱分配问题上具有强大的全局搜索能力但是存在初始解不规

律和局部搜索能力较差的问题，基于图论模型提出了基于灰狼优化算法的频谱分配策略。该

策略首先引入Sin混沌初始化和反向学习策略对灰狼种群初始化重新定义，其次引入随机游

动策略优化局部搜索，最后通过Sigmod函数对灰狼位置更新进行二值化处理，并将其应用于

频谱分配。仿真表明，上述基于优化灰狼算法的频谱分配和经典群智算法频谱分配相比，算

法收敛速度快，寻优能力强，能够有效提升了频谱分配时的网络效益。

关键词:频谱感知，核空间优化，频谱分配，阿基米德优化算法，灰狼算法

Abstract

Thetraditionalspectrumsensingmethodandspectrumallocationtechnologycannotmeetthe

requirementsofspectrumutilizationinthecurrentcomplexcommunicationenvironment.Inrecent

years,spectrumsensingtechnologyanddynamicspectrumallocationtechnologybasedonmachine

learninghavedevelopedrapidly.Ithasincomparableadvantagesovertraditionalspectrumsensing

andspectrumallocationalgorithms,andeffectivelyimprovesspectrumsensingefficiencyand

networkbenefitsduringallocation.However,thereareproblemsoflowspectrumdetectionaccuracy

andpoorspectrumallocation