常用的频谱感知方法有能量检测、 匹配滤波器检测、 循环平稳检测等。匹配滤波器检测能获得较好的性能，但其主要缺点是需要预知主用户的完整信息。

无线通信技术的迅猛发展激发了越来越多的无线网络业务,而频谱作为无线网络中最宝贵的资源,已经难以满足目前及将来的无线业务需求.现有的固定频谱分配方式使得频谱利用率低且严重不均,通过调查研究发现,任意时间、任意地点的频谱平均利用率低于 5%[1].动态频谱接入(dynamic spectrum access,简称 DSA)被认为是解决该供需矛盾的主要技术途径.在软件无线电基础上提出的认知无线电(cognitive radio,简称 CR)是该技术的基础.CR 具备对环境的动态感知、决策和传输能力,可以动态接入共享频谱.而无线认知网络是以 CR 为业务终端的网络.授权用户与非授权用户并存,具有 CR 的非授权用户可以感知空闲的频谱资源,在不干扰授权用户的前提下,最大限度地提高频谱资源的利用率.无线认知网络[4]目前已经成为无线网络领域最前沿的研究热点之一.

无线认知网络的研究工作主要集中在以下几个部分[4]:频谱的感知(sensing)、共享(sharing)、决策(decision)、迁移(mobility).其中,决策的重点是信道分配,也称频谱接入.区别于传统无线网络的信道分配,无线认知网络的信道分配必须基于实时感知的信道状况.因此,频谱感知是所有工作的基础.目前虽然已有针对 CR 的多种具体感知方式,如基于功率的感知、基于特征的感知和匹配滤波等方式,但是,如何对整个网络中的节点进行高效的感知任务分配,仍有待深入研究.目前具有典型代表性的工作有:

Yuan 提出了一种基于时间频谱块(time-spectrum block)的信道分配方案,对于感知到的可用信道,根据拓扑关系,进行带宽可变的信道动态划分.理论和实验结果都证明该算法的性能比固定信道带宽的分配算法有明显提高.

Peng 等人基于最大化系统总带宽、最大最小带宽和最大化比例公平这 3 个原则对共享频谱分配算法进行了研究.他们通过定义不同的目标收益函数,计算出各节点的标签值,利用近似最优的顶点着色算法得到整个网络目标函数的近似最优解.

Zhao 提出了一种基于部分可观测的马尔可夫模型来模拟频谱的动态接入过程.他还提出一种离散的信道接入协议——POMDA.该协议将信道本周期的部分感知结果与上一个周期的状态进行比较,得到期望最优的接入方案,其前提是信道状态之间的转移概率是已知的.

Jia 提出了一种基于硬件限制的感知与接入协议——HC-MAC[9].硬件限制是指感知过程需要一定的时间.该协议假设各个信道的概率分布函数已知.根据该函数提出了一种新的最优停机模型,即对频谱感知和接入过程之间找到一个最优的平衡点,在该平衡点停止感知过程,接入已感知的可用信道后即能获得最大期望的吞吐量.Kim 等人提出了一种周期性的频谱感知算法,在满足频谱检测要求的前提下最小化感知代价.此算法能够根据 SNR 值的大小来动态地选择能量感知方式或特征检测方式,并对影响性能的两个重要因素——噪声不确定度和 CR 内部干扰程度——进行了初步研究.

Ganesan 针对无线认知网络中节点协作式感知信道的问题,提出了一种基于中继的频谱感知算法.由于信道在不同网络位置存在异构性,因此,多节点通过协作感知本地信道状况,再通过中继将感知结果传递给处理节点,能够提高整个网络的感知效率.

另一类研究侧重于将经济学理论应用于无线认知网络.目前最新的代表性成果是由 Zhou 提出的一种基于竞标机制的频谱管理策略——VERITAS.该策略主要考虑竞标过程的信任问题,认为一种诚实、有策略保证的竞标机制能够大幅度提高频谱的使用率.实验结果表明,VERITAS 能够比传统的竞标机制提高 200%的频谱利用率.

博弈论也广泛应用在无线认知网络中.Etkin 提出了一种自加强(self-enforcing)的频谱共享策略.该策略不能在单次博弈(one shot)中得到理想的结果,但可以在多次重复博弈中得到很好的性能.以上工作虽然都在频谱感知与接入方面针对频谱使用率提出了具体的解决方案,但是却存在以下不足:POMDA 算法要求每个节点具备多个感知电台,对所有频谱均进行感知,并需要预知信道之间的转移概率.这在实际网络环境中成本和感知代价太大，很难实现;HC-MAC 侧重于一对节点之间的最优感知,并且需要信道的概率分布,无法解决多个节点的最优感知问题;文献中并未考虑到感知过程的代价问题,是在已获得全网感知结果的基础上对信道进行最优分配.博弈论等新理论工具虽然能够得到更详细的理论结果,但是算法比较复杂,难以在大规模网络环境下进行实时运算.综上所述,目前已有的感知算法均未同时考虑网络节点之间的竞争关系和感知代价,并且未考虑应用在大规模网络环境中的分布式部署等实际需要.

无线认知网络由一组主用户(primary user,简称 PU)和一组次用户(secondary user,简称 SU)组成.PU 是网络中的授权用户,优先级比 SU 要高.SU 不能干扰 PU 的通信.在针对 CR 的具体设计中,应保护 PU 的正常使用,并且不应导致 PU 在工作过程中需要作出任何改变.无线认知网络的两大基础研究目标是:(1) 在满足各种干扰限制的前提下如何提高频谱的使用率;(2) 在满足各种干扰限制的前提下,如何满足端到端的业务需求.本文侧重于解决第 1 个问题.

频谱感知算法的关键是确定每个节点应该感知哪些信道.由于该问题一般用图论方法进行建模,其核心思想是对感知信道集合进行最优分配,满足节点之间竞争图(也称干扰图)的限制关系.因此,最重要的步骤是对整个网络进行竞争图的高效建模,并在该建模基础上进行感知任务分配.典型的方法是最优图着色算法.由于着色算法一般都是集中式算法,并且其近似算法一般为启发式算法,在分布式环境中更难以获得性能的保障.因此,本文考虑到利用分布式的团划分方法来对节点之间的拓扑关系进行竞争图建模,使得每个节点能够分别被划入一个团.采用这种算法的优点是团的结构稳定,团的网络容量固定并且其内部节点均一跳可达,有利于分布式计算团内感知信道的最优分配;另外,团与团之间也均为一跳可达,其中的边也容易通过分布式算法进行任务分配.以团为单位进行运算,其效率和稳定性均高于以节点为单位的一般最优分配方法,如着色、最大独立集等方法.

认知无线电(cognitive radio， CR) 是一项有望缓解无线频谱资源短缺、 频谱利用率低下的智能无线通信技术，它允许次用户(即认知无线电用户)使用主用户当前没有使用的频谱空穴， 从而提高频谱利用率. 频谱感知是认知无线电的一项关键技术，它的主要功能在于检测可供认知用户使用的频谱空穴，同时监测主用户信号活动情况， 保证主用户再次使用频谱时， 认知用户能够快速退出相应频段.

目前已提出的频谱感知方法主要包括匹配滤波器检测、 能量检测、 循环平稳特征检测以及多分辨率频谱感知. 这些方法均为单节点感知方法.然而，在阴影和深度衰落情况下， 单个节点的感知结果并不可靠， 因此， 需要对多个节点的感知结果进行融合，以提高检测可靠性， 即协作感知技术. 文献采用“或” 准则对各个 CR 感知结果进行融合. 文献则提出了基于 D-S 证据理论的协作频谱感知算法，虽然该算法的性能比“或” 准则或“与”准则要好， 但需要存储大量历史信息， 算法的计算复杂度也很高. 文献中分析了采用似然比检测(likelihood ratio test， LRT) 的软判决与采用“与” 准则的硬判决的性能， 结果表明采用软判决的协作感知性能更优. 虽然基于 LRT 的规则是一种最优的融合规则，但是在节点与融合中心之间的通信信道非理想的情况下， 为保证协作感知系统级的最优性，需要在节点以及融合中心处均执行 LRT 检测， 但是如何设定各个节点以及融合中心的 LRT 门限仍是一项未解决的难题. 文献则提出了一种相对于基于 LRT 的协作感知更为简单的线性协作感知框架， 并 提 出 一 种 通 用 的 基 于 修 正 偏 差 因 子(modified deflection coefficient， MDC) 的权重向量求解方法. 然而，MDC 仅是一种次优的方法， 无法保证得 到 理 论 最 优 解.