伴随着信息时代的到来,无线通信系统已经渗透到社会各个领域,并在社会经济发展起着越来越重要的作用,而固定的频谱分配方式已经越来越限制着无线通信业务的广泛应用与发展。认知无线电是解决目前频谱资源分配不均衡的关键技术,而频谱感知作为其首要任务,也是建立认知无线电系统的最重要的任务,主要了解干扰程度和主用户在当前信道中的占用情况,尽量快而准确地确定未被占用的频段,提高频谱利用率。面对复杂的现实通信环境,对认知系统的智能性要求越来越高,传统的频谱感知算法已经无法满足要求。基于机器学习的频谱感知算法应运而生。最有代表性的是基于支持向量机(SVM)的频谱感知算法,其在一定程度上提高了系统的测试精度与抗扰能力,但由于其参数确定困难,需要消耗大量的时间,实时性很差。为了解决这一问题,本文提出了一种基于极限学习机(ELM)的频谱感知算法。论文中首先介绍了ELM算法并分析了ELM用于频谱感知的可行性,然后提出了一种用来识别主用户信号的基于ELM的频谱感知模型,首先计算出样本信号的能量值和循环谱值,并对模型进行训练,使之具有快速判决测试信号的最佳性能。通过仿真结果可以看出,其在检测性能上优于传统的频谱感知算法和SVM感知算法,并在训练速度上比SVM感知算法有大幅度的性能提升。但由于ELM感知算法参数需要通过试凑法确认,可控性较差。为了解决上述问题,并进一步提高频谱感知算法的泛化能力和训练时间,本文对上述模型进行改进,提出了一种基于核ELM的频谱感知算法。仿真结果表明,相比较上述算法,改进后的算法检测性能更强,训练时间更短,且参数设置具有可控性。