无人机(UAV)的便携性和高机动性使其与认知无线电(CR)结合的应用场景更加实用。在构建的无人机认知无线网络(CRN)模型中,该文提出UAV单弧度吞吐量优化方案,在确保检测概率的前提下优化感知弧度最大化UAV平均吞吐量。考虑在信道条件不理想情况下进一步改善感知性能,提出基于协作频谱感知(CSS)的多弧度吞吐量优化方案,利用交替迭代优化(AIO)算法对感知弧度和弧度数量进行联合优化以最大化吞吐量。仿真结果表明,该文提出的多弧度协作频谱感知方案在信道衰落严重时,对于主用户(PU)服务质量(QoS)和UAV吞吐量有明显提升。
近年来,基于机器学习(ML)的频谱感知技术为认知无线电系统提供了新型的频谱状态监测解决方案。利用蜂窝认知无线电网络(CCRN)中的次级用户设备(SUE)所能提供的大量频谱观测数据,该文提出了一种基于主用户(PU)传输模式分类的频谱感知方案。首先,基于多种典型的ML算法,对于网络中的多个主用户发射机(PUT)的传输模式进行分类辨识,在网络整体层面上确定所有PUT的联合工作状态。然后,网络中的SUE根据其所处地理位置或者频谱观测数据,判断其在当前已判定的PUT发射模式下接入授权频谱的可能性。由于PUT在网络中的实际位置可能事先已知或者无法提前确定,该文给出了3种不同的处理方法。理论推导与实验结果表明,所提方案与传统的能量检测方案相比,不仅改善了频谱感知性能,还增加了蜂窝认知网络对于授权频谱的动态访问机会。该方案可以作为蜂窝认知无线电网络中的一种高效实用的频谱感知解决方案。