频谱感知作为认知无线电关键技术和研究内容之一,对于缓解静态频谱分配策略与动态频谱需求之间的矛盾具有重要的研究意义。本文针对传统频谱感知性能不足和进一步提高频谱利用率的需求,研究探索将机器学习中的分类方法应用到频谱感知中,具体内容包括以下两个方面:1.在实际认知无线电网络环境中,由于多径衰落、阴影衰落和复杂的无线电传播环境等,导致认知用户对授权频段的可用性判决准确度不够,认知用户可能会对授权用户造成严重干扰。频谱感知实际上是一个二分类问题,即把频谱观测数据对应的频谱状态划分为授权用户正在使用或未使用授权频段两种情况。由此,可以利用机器学习中的非监督式学习或监督式学习分类算法实现频谱感知。首先利用训练集数据训练分类器,在分类器训练完成后,将测试集数据输入到分类器中获得当前时刻授权用户对授权频段占用情况的标签。仿真结果表明,在本文所研究的场景框架下,对于相同的PU活动规律和由此获取的相同的频谱观测数据集进行频谱感知时,利用机器学习分类算法的频谱感知方案性能更优。2.传统的频谱感知方案大多只关注时间上的频谱空洞,而往往忽略了空间上的频谱空洞。为了进一步提高频谱利用率,提出了一种基于授权用户发射机传输模式分类的频谱感知方案。该方案以处于活跃发射状态的授权用户发射机为中心进行空间区域划分,将目标地理区域划分为三种不同的区域:严格拒绝认知用户接入授权频段的区域、允许认知用户机会性接入授权频段的区域以及认知用户可以随时自由接入授权频段的区域。由于PUT在网络中的实际位置可能事先已知或无法提前确定,亦给出了三种不同的处理方法。仿真结果表明,该方案增加了蜂窝认知无线电网络对授权频段的动态访问机会,进一步提高了频谱利用率。该方案可以作为蜂窝认知无线电网络中一种高效实用的频谱感知解决方案。