基于分层先验知识和强化学习的稀疏贝叶斯宽带频谱感知

With the development of the next generation wireless communication network and mobile communication system, wideband spectrum sensing has become the basic and key point to solve the lacks of spectrum. However, in the real world the sparseness is usually uncertain and the noise changes dynamically and stochastically, which greatly limit the accuracy and reliability of wideband spectrum sensing. To solve this problem, the statistical characteristics of wideband signals and noises are studied to construct the hierarchical priors by theoretical analysis and simulation experiment. Then sparse bayesian learning with structural prior is utilized to represent the wideband signals, which can adaptively learn the sparseness and the characteristics of noises. By this, it can realize the reconstruction of the wideband signals steadily and reliably. Finally, the topic proposes a novel fusion strategy by using the bayesian reinforcement learning, which can enhance the performance of spectrum sensing by reducing the influence of the cooperative nodes. Involving statistical learning, compressed sensing, sparse bayesian learning and reinforcement learning , this topic can enrich the theory of existing wideband spectrum sensing, and has great value in the theory and application.

随着下一代无线通信网络和移动通信系统的发展，宽带频谱感知已成为解决当前频谱资源匮乏困境的基础和关键。然而，真实宽带频谱场景中稀疏性是无法预知的，同时背景噪声具有高动态起伏变化且不确定的特点，这极大地限制了宽带频谱感知的精确度和可靠性。针对这一问题，本课题拟通过理论分析和仿真实验研究频谱信号和背景噪声的统计分布特性，构建能够深度表示频谱信号和背景噪声的分层先验。在此基础上，基于稀疏贝叶斯学习理论对宽带频谱场景进行统计建模，并利用宽带频谱场景结构先验，自适应评估模型稀疏性与噪声特性，实现任务驱动下稳健可靠的宽带信号重构。最后，提出一种基于贝叶斯强化学习的自适应数据/决策融合策略，对重构宽带信号进行试错学习，实现精确可靠地宽带频谱感知。本课题的研究涉及统计学习、压缩感知、稀疏贝叶斯学习和强化学习等多个相关领域，具有一定的创新性，丰富了现有宽带频谱感知理论，具有重要的理论意义和实用价值。

宽带频谱感知能够有效缓解5G网络大范围普及和移动通信系统迅速发展所面临的频谱资源匮乏的这一问题。然而，宽带频谱感知仍然面临着很多的挑战，比如对稀疏度有着高依赖性，信道选择具有极高的复杂性，信道冲突碰撞和计算复杂性高等问题。为了解决这些问题，本课题重点研究：1）提出了一种基于一位压缩感知的自适应稀疏学习方法。将自适应稀疏性引入二进制迭代硬阈值重构，利用能量的大小来学习宽带信号和噪声，从而准确地重构稀疏度未知的宽带信号，解决了宽带信号重构对稀疏度的依赖性。2）提出了一种结合快速功率谱估计的稀疏宽带频谱感知方法。利用稀疏学习和快速功率谱估计来优化宽带信号的样本收集和功率谱重构，以解决信号重构时计算复杂度高这一问题。3）实现一种结合变分贝叶斯学习的快速稀疏宽带频谱感知方法。该方法基于beta-伯努利因子对信号进行稀疏建模，利用变分贝叶斯推断对接收到的信号数据进行迭代学习以获得模型变量的解析解，从而快速找到不依赖于稀疏度的稀疏解。4）建立了一种基于分层强化学习的动态频谱感知方法。针对动态频谱感知中，大型状态空间造成的计算复杂度高和收敛时间呈指数增长等问题，该方法将动态频谱感知分为多个单独的“子问题”，使用强化学习的智能体求解每个子问题。通过划分来模块化的简化问题和降低整个优化过程的复杂性。5）设计了一种结合深度多用户强化学习的协作宽带频谱感知方法。该方法引入协作策略以实现多个次用户之间的通信传输，能够有效地提高频谱利用率和降低动态协作的冲突率。项目组发表科研论文8篇，其中5篇SCI检索，3篇EI检索，4篇SCI论文在评审中；申请国家发明专利8项。项目组培养毕业硕士2名，在读硕士5名。研究成果有望推动宽带频谱感知理论和技术的发展，促进宽带信号在5G网络和移动通信系统等领域应用的深入。