工程论文哪里有？本文主要研究了以GSP理论为基础的CR频谱感知算法和调制识别算法，通过引入EVT、TDA、短时滤波和时频分析等理论与技术，并结合现有的信号处理技术，提出了2种CR频谱感知算法和2种CR信号调制识别算法，并对算法的性能进行了大量的仿真分析与对比。
第一章 绪论
1.2相关技术的国内、外研究现状
本文主要研究的是CR频谱感知中狭义的频谱感知（信号检测）和广义的频谱感知中CR信号调制识别的相关内容。下面对这两部分内容的国内、外研究现状做简单的介绍。
1.2.1 频谱感知算法
狭义的频谱感知就是信号检测。目前，常用的频谱感知算法可大致分为基于模型驱动的频谱感知算法（如能量检测法[9]，匹配滤波器检测法[10]，循环平稳特征检测法[11]，协方差阵检测法[12]等）和基于数据驱动的频谱感知算法两大类。具体如下：
（1）基于模型驱动的频谱感知算法
（a）能量检测法
能量检测法[9]是最先由Harry Urkowitz提出的一种常用的非相干频谱感知方法。其基本思想为：将观测信号的信号能量与预先设定的判决门限进行比较，根据观测信号能量相对于判决门限的大小来判定PU是否存在。能量检测可以从时域或者频域的角度进行。从时域的角度进行能量检测时[13]，算法先从时域对观测信号采样，再对采样后的信号进行模平方运算，之后将得到的信号时域能量同事先设定好的判决门限相比较，根据相对大小来判断信号的存在性；从频域的角度进行能量检测时[14]，算法先从时域对观测信号进行采样并对采样后的观测信号进行快速傅里叶变换，将观测信号转换到频域后再进行模平方运算，最后将得到的信号频域能量同事先设定好的判决门限进行比较，根据相对大小来判断信号存在与否。两种能量检测法的判决规则为：如果检测到的信号能量大于事先设定的判决门限，则判定PU信号频谱被占用；反之，则判定PU信号频谱空闲。能量检测算法的优点在于其有较低的计算复杂度，易于实现，并且无需PU的先验信息。但其缺点也很明显，即检测统计量容易受噪声影响，在信噪比(Signal-to-Noise Ratio, SNR)较低时检测性能变差。
第三章 基于GSP的CR频谱感知算法
3.1引言
CR频谱感知从本质上讲就一个二元信号检测问题。目前，常用的基于非ML的频谱感知算法和基于ML的频谱感知算法在计算复杂度、实时性等方面存在一些有待改进的空间。因此，研究基于新型特征的频谱感知算法成为相关领域的重要课题[48, 49]。近年来兴起的图域信号处理将信号从传统的时间序列形式转换到图域，借助图的拓扑表示为CR频谱感知算法设计提供了新思路。由于该方法有效利用了信号采样点间的转移关系信息，且在进行图域变换时对信号样本进行了量化处理，某种程度上有利于抑制噪声[77]，从而提高了算法在低信噪比下的性能。一般而言，独立同分布的随机序列（如高斯白噪声序列），在适当选择顶点数且具有一定规模的样本量时，可以较大概率变换成完全图；而独立非同分布的随机序列，尤其是稀疏信号，一般不易构成完全图[48]。现有的图域频谱感知算法主要基于检测图的完全连接性来判决信号的存在性，其检测的依据主要是图拉普拉斯矩阵的次大特征值与顶点数的大小关系[49]。一般而言，在零假设下，图拉普拉斯矩阵的次大特征值等于顶点数，而备择假设下，两者不相等。但在实际应用中，该方法存在一定的缺陷，主要体现在：
（1）计算复杂度过高：在图域变换环节，由于在将随机序列转换成图的过程中，需要对每一个样本进行归一化、量化及图转换，故参与图域变换的样本数越多，其运算复杂度越高，大约为样本数(𝑁)的二次方阶，即𝛰(𝑁2)；在特征提取环节，由于计算图的拉普拉斯矩阵特征值需要进行特征分解，其计算复杂度为图顶点数(𝑁0)的三次方阶[78]，即𝛰(𝑁03)。即便顶点取10左右，其复杂度也较大。
（2）应用范围的局限：基于完全图的检测算法通常要求零假设下的噪声转换成的图是完全图，而备择假设下的观测信号转换成的图是非完全图。但在很多情况下，如信噪比低或者利用自相关函数等其他统计量进行图域变换时，无法满足上述条件，因此很难直接通过图的完全连接性差异来有效检测信号。
第四章 基于图域特征的CR信号调制识别算法
4.1引言
CR信号的调制识别是频谱感知中重要任务之一，同时也是解调等后续信号处理的前提，其性能的好坏将影响整个认知信号处理的效果。目前，主要有两类方法：一类是LB的调制识别方法[32]，另一类是FB的调制识别方法[33]。前者虽然能得到贝叶斯最优解，但也存在依赖信号先验信息、无法保证封闭解存在、高计算复杂度和概率失配等问题；后者虽然无需先验信息，但特征提取需要人为定义或大量数据训练，对经验依赖性较大。对FB算法而言，如何提取区分性强、鲁棒性强且计算复杂度低的特征，是实现调制识别的关键。
近年来，拓扑域信号处理技术，特别是GSP研究的兴起，为调制识别的特征工程提供新的途径。GSP技术将信号从传统的时域、频域转换到图域进行调制识别，在一定程度上改善算法在低信噪比时的性能，已得到了相关领域研究者的关注[51-53]。目前，GSP已在信号调制识别方面得到初步应用，其基本思想是将信号及其派生形式（如功率谱、时域样本等）通过一定的规则映射到图域，而后基于所生成的图拓扑结构进行特征分析，获取信号的特征用于识别。有关GSP在CR调制识别当中应用的文献不多。文献[51]利用循环谱的周期性和对称性将调制信号变换成了图域的一组加权有向环，并用图邻接矩阵的循环性和稀疏性提取特征实现了对BPSK、QPSK、OQPSK、2FSK、4FSK和MSK的调制识别。仿真实验结果表明，SNR为-6dB时，其正确识别率可达95%以上。文献[52]使用M-QAM信号候选集的统一网格模型将接收到的M-QAM信号转换成图，并用图邻接矩阵的最大特征值对应的特征向量构造调制特征向量，进而用特征向量之间的角度识别调制类型。仿真实验结果表明，在SNR为10dB时，其针对M-QAM信号的正确识别率可达90%以上。必须注意到，上述的算法的特征提取均依赖于机器学习，需大量的标记样本集，这在非协作条件认知无线电信号处理而言，并非易事。
4.2 信号模型与假设
认知无线电信号调制识别是通信中在信号检测之后的一个环节，其将接收到的观测信号输入调制识别分类器进行分类，用以确定观测信号的调制方式，从而为后续的处理提供依据。
（1）2ASK调制信号
二进制振幅键控调制信号是通过载波振幅的变化来传递信息的，其频率和初始相位是保持不变的。2ASK调制信号载波振幅的两种状态分别对应二进制信息“0”和“1”。本章中采用的是最常用的一种二进制振幅键控方式通断键控。
（2）BPSK调制信号
二进制相移键控调制信号是通过载波相位的变化来传递信息的，其幅度和频率是保持不变的。BPSK通常使用初始相位0和𝜋分别来对应二进制的“1”和“0”,但也可根据实际情况做相应的调整。
（3）QPSK调制信号
（4）16QAM调制信号
正交振幅调制信号是一种幅度和相位联合键控[90]的调制信号，相较于前述的几种调制方式其带宽占用小，比特信噪比要求低。
第五章 总结与展望
5.2研究展望
本文对基于GSP的CR频谱感知及信号调制识别算法进行了相关的研究，并做了大量的仿真和对比，验证所提出算法的有效性。但仍旧存在一些有待改善和进一步研究的问题，具体可概述为以下几点：
（1）从方法论层面： 本文提出的算法都是从无向简单图中提取特征并做后续处理的，未涉及更深层次的图的拓扑结构的分析和提取。如何借助拓扑变换在小样本、强噪声条件下有效刻画复杂信号潜在结构的不变性特征方面的优势，探究信号特性与其拓扑转换方式之间的匹配机理，并将TDA技术、ML技术同GSP理论深度结合，提取新的可分性和鲁棒性更强的特征还有待进一步的研究。
（2）从研究对象层面：
（a）本文针对提出的算法做了大量的仿真分析，但受限于论文撰写的时间因素，同其他常用的CR频谱感知和信号调制识别算法做的相关性能对比较少。同其他常用算法的性能对比还有待进一步的研究与实验。
（b）本文的研究只考虑了高斯白噪声信道，但在实际的认知无线电环境中，会包含衰落和其他噪声干扰的影响，将对算法的性能产生不利的影响。且未来将占据主流的6G通感一体化信号往往由线性调频、多载波及信息调制等复杂耦合，检测和识别的难度会更高。如何针对此种情形，基于GSP技术提出效能更高的处理算法，还有待进一步的研究。
参考文献（略）
