密集异构网络通过频谱资源的空间复用可有效提升网络容量,但面临的关键瓶颈之一是网络中存在复杂的干扰造成了频谱效率性能的损伤。通过将宏蜂窝覆盖的网络作为授权网络,对密集小蜂窝采用认知无线电技术,智能重用宏蜂窝的授权频谱资源可有效克服宏蜂窝和小蜂窝之间的同频干扰,并将具有认知能力的密集小蜂窝组成的网络称为密集认知网络。频谱感知是认知无线电技术的基本功能,传统的频谱感知算法大多利用样本协方差矩阵对未知协方差矩阵进行估计,然而小蜂窝的密集部署使得密集认知网络中的感知数据具有高维特性,进而改变接收信号的统计特性,使得样本协方差矩阵在高维场景下的估计误差增加。因此,传统频谱感知算法的感知性能下降,有必要研究适用于密集认知网络的高维频谱感知算法。论文选题依托国家自然科学基金项目“密集异构无线环境下极化资源感知与利用研究”(项目编号61571062)。本文基于高维估计理论对密集认知网络中的高维频谱感知算法进行研究,分别提出了基于高维协方差矩阵特征值估计的合作频谱感知算法和基于高维协方差矩阵估计的合作频谱感知算法,主要研究内容如下:一、综述了认知网络和密集网络的关键技术和应用场景,对已有的独立频谱感知算法和合作频谱感知算法进行了分类和总结,分析比较了算法的优缺点和适用场景。针对密集认知网络介绍了已有的高维频谱感知算法并指出了算法存在的问题。二、考虑密集小蜂窝对宏蜂窝基站单天线发送的授权信号进行感知,针对样本特征值对高维协方差矩阵特征值的估计性能下降这一问题,提出了基于特征值一致估计的合作频谱感知算法。算法通过利用高维场景中估计准确的特征值一致估计解决了高维协方差矩阵特征值的估计问题。此外,利用了发送信号空间秩为1的结构特性进一步提高了算法的感知性能。最后,理论推导与仿真结果表明,当算法满足特征值分离条件时算法的感知性能更好,且新算法相对于已有的高维频谱感知算法有1.9dB的性能优势。因此,所提算法可应用于密集认知网络对宏蜂窝基站单天线发送的授权信号进行感知,从而实现与宏蜂窝网络的共存。三、考虑密集小蜂窝合作对宏蜂窝基站多天线发送的授权信号进行感知,针对样本协方差矩阵对高维协方差矩阵估计性能下降这一问题,分别在噪声理想和非理想的情况下提出了两种基于渐进最优收缩估计的合作频谱感知算法。两种算法通过利用高维场景中估计更加准确的渐进最优收缩估计解决了高维协方差矩阵的估计问题,提高了算法的感知性能。此外,推导了理想噪声下所提算法虚警概率和判决门限的理论表达式。最后,仿真结果表明,在理想噪声下,所提算法相对于已有的高维频谱感知算法和基于特征值一致估计的合作频谱感知算法分别有1.2dB和0.9dB的性能优势,且当样本维数大于样本数时算法依然有效。非理想噪声下,所提算法相对于传统考虑非理想噪声的算法有1.2dB的性能优势,且当样本维数大于样本数时算法依然有效。因此,所提两种算法可分别应用于理想噪声和非理想噪声下,密集认知网络对宏蜂窝基站多天线发送的授权信号进行感知,从而实现与宏蜂窝网络的共存。