随着宽带移动通信技术5G和B5G的迅猛发展和智能终端设备的海量接入,加之高异构、高动态的复杂网络特性,使目前的频谱工作环境愈加复杂,频谱供需矛盾日益加剧。而认知无线电作为解决频谱供需矛盾问题的重要技术之一,其核心技术频谱感知在当前网络环境中面临着感知效率低、感知准确度差、感知设备复杂化等问题。将机器学习融合应用于协作频谱感知中,已成为解决传统频谱感知算法中效率低、准确度差等问题的有效方案。因此,本文提出了一种新的基于无监督学习的协作频谱感知方案,它将主成分分析(PCA)与改进型K均值聚类(K-Means++)/高斯混合模型(GMM)相融合,旨在提高复杂动态的认知网络中频谱感知的效率和准确率。本文所提出的感知方案中,首先将认知用户感知到的能量信息通过数据融合中心划分为不同等级的能量向量,并构建能量特征矩阵。其次,利用PCA算法将特征矩阵转换成低维特征矩阵,以降低频谱数据量和训练复杂度。然后,利用低维特征矩阵训练无监督学习K-Means++/GMM聚类器。最后,利用训练好的K-Means++/GMM聚类器便可将所需要感知的频谱划分为空闲频谱(认知用户可接入)和繁忙频谱(认知用户不可接入)。为验证所提协作频谱感知方案的性能,以及选择最佳的协作频谱感知方案,本文在大小两种规模的认知网络中对K-Means++,GMM,PCA-K-Means++和PCA-GMM四种方案进行了仿真分析和比较,选出了感知性能最佳的方案。仿真结果表明,方案PCA-K-Means++和PCA-GMM由于能量特征矩阵(输入数据)的维数减少,在保证感知准确度不受影响的情况下,训练时间明显减少,而且PCA-GMM训练时间小于PCA-K-Means++训练时间一个数量级。此外,考虑主用户(Primary User,PU)功率的影响:当PU的功率为200mW时,PCA-K-means++和PCA-GMM的检测准确度较高,接近于1。因此,所提出的几种协作频谱感知方案中,当PU功率为200mW、认知用户的数量较少时、采用PCA-GMM的协作频谱感知方案性能最佳。