基于天线互相关的压缩子空间学习宽带频谱感知系统模型

两组亚采样样本的排列：(a) 矩阵模式, (b) 向量模式

宽带频谱感知性能随信噪比的变化对比图
　　近日，中国科学院沈阳自动化研究所工业通信与片上系统（iComSoC）科研团队针对下一代智能无线电的感知功能进行研究，提出了利用多输入多输出（Multiple-Input, Multiple-Output, MIMO）系统天线互相关与空时信息的高性能宽带频谱感知方法，相关成果于近日获通信领域国际著名期刊IEEE Transactions on Communications刊载。
　　随着无线通信场景的不断丰富和无线通信设备及服务的大规模增长，可用的无线频谱资源日益紧缺，因此研究如何灵活协调与充分利用有限频谱资源的下一代智能无线电技术至关重要。宽带频谱感知作为未来智能无线电的重要基础性使能技术，可以使无线通信设备具备高效的电磁环境感知能力，能动态协调各无线通信设备，为其接入未被利用的频谱资源，从而增加设备和服务接入量以及提高频谱效率提供了一个可行的解决方案。另外，压缩子空间学习技术通过利用少量亚采样样本实现信号子空间的提取，该技术的引入可极大提高宽带频谱感知性能。尽管相关研究已取得较大进展，然而传统基于压缩子空间学习的宽带频谱感知技术大都只考虑利用天线自相关信息，从而面临低信噪比条件下感知性能较差等关键问题。
　　沈阳自动化所iComSoC团队针对上述关键问题，将多天线系统的天线互相关信息引入，并提出了相应的压缩子空间学习算法，通过考虑空间相关MIMO信道模型以及接收端相关矩阵为指数相关模型，团队给出了所提算法与传统算法在协方差矩阵奇异值关系上的解析表示，通过导出较传统算法奇异值上的增益（增益上下界），进一步揭示了提出算法的性能优势，相应的理论结果也可用于指导算法中的参数选择以及多天线系统的设计。该成果为实现下一代智能无线电高可靠的频谱感知提供了有效方法，并以Compressive subspace learning with antenna cross-correlations for wideband spectrum sensing为题发表了学术论文。
　　近年来，iComSoC团队分别围绕下一代无线通信系统中感知与通信两方面的前沿科学问题，开展了一定的研究工作，提出了有效的科学方法，并取得了相应的科研成果。若干研究成果先后分别获IEEE旗下TCOM, TVT, SJ等国际著名期刊发表。团队将进一步围绕下一代无线通信相关领域深入研究，将工作层次化、体系化。