認(rèn)知無線電（CR）通過動態(tài)接入空閑頻譜資源，有效緩解了頻譜稀缺問題。其核心環(huán)節(jié)——合作式頻譜感知（CSS），通過多節(jié)點協(xié)同感知主用戶（PU）信號，顯著提升了檢測可靠性。然而，傳統(tǒng)CSS面臨感知性能與能耗平衡、網(wǎng)絡(luò)拓?fù)溥m應(yīng)性、惡意節(jié)點干擾等挑戰(zhàn)。本文結(jié)合最新研究成果，探討CSS的優(yōu)化策略，涵蓋算法創(chuàng)新、拓?fù)湓O(shè)計、安全機(jī)制及能耗管理四大方向。

一、基于機(jī)器學(xué)習(xí)的智能感知算法

傳統(tǒng)能量檢測算法易受噪聲不確定性影響，而循環(huán)平穩(wěn)特征檢測計算復(fù)雜度高。為突破這一瓶頸，基于機(jī)器學(xué)習(xí)的算法成為研究熱點。例如，支持向量機(jī)（SVM）通過最大化分離超平面與特征向量的間隔，實現(xiàn)高精度分類。在MATLAB仿真中，SVM分類器結(jié)合線性核函數(shù)，將特征空間映射至高維，檢測概率較傳統(tǒng)算法提升15%，ROC曲線下面積（AUC）達(dá)0.92。此外，加權(quán)K最近鄰（KNN）算法通過評估特征向量的ROC曲線面積動態(tài)調(diào)整權(quán)重，在低信噪比（SNR）環(huán)境下仍保持90%以上的檢測準(zhǔn)確率。

matlab

% 示例：基于SVM的CSS分類器訓(xùn)練（簡化代碼）

data = load('spectrum_data.mat'); % 加載頻譜感知數(shù)據(jù)

X = data.features; Y = data.labels; % 特征向量與標(biāo)簽

model = fitcsvm(X, Y, 'KernelFunction', 'linear', 'BoxConstraint', 1); % 訓(xùn)練線性SVM模型

[pred, score] = predict(model, X_test); % 測試集預(yù)測

二、動態(tài)網(wǎng)絡(luò)拓?fù)鋬?yōu)化

密集網(wǎng)絡(luò)中，數(shù)據(jù)傳輸沖突易導(dǎo)致感知延遲?；诩旱姆謱油?fù)浣Y(jié)構(gòu)通過劃分感知節(jié)點為多個集群，每個集群選舉頭節(jié)點（Cluster Head, CH）進(jìn)行數(shù)據(jù)融合，減少傳輸沖突。例如，在100個節(jié)點的網(wǎng)絡(luò)中，采用集群結(jié)構(gòu)后，感知延遲從12ms降至3ms，能耗降低40%。進(jìn)一步地，基于圖論的拓?fù)鋬?yōu)化算法通過最小生成樹（MST）構(gòu)建最優(yōu)傳輸路徑，使網(wǎng)絡(luò)連通性提升25%，感知效率顯著提高。

三、抗惡意節(jié)點安全機(jī)制

惡意節(jié)點可能發(fā)送虛假數(shù)據(jù)干擾感知結(jié)果。數(shù)字簽名技術(shù)通過加密驗證數(shù)據(jù)真實性，但計算開銷較大。博弈論方法則通過激勵兼容機(jī)制引導(dǎo)節(jié)點誠實參與。例如，設(shè)計“信譽(yù)積分”系統(tǒng)，節(jié)點每成功上傳真實數(shù)據(jù)獲得積分，惡意行為扣分，積分低于閾值者被剔除。仿真顯示，該機(jī)制使惡意節(jié)點干擾成功率從30%降至5%以下。

四、能耗與感知性能平衡策略

感知節(jié)點通常依賴電池供電，需在性能與能耗間權(quán)衡。休眠機(jī)制通過動態(tài)調(diào)整節(jié)點工作周期，例如讓低優(yōu)先級節(jié)點在非關(guān)鍵時段進(jìn)入休眠，延長續(xù)航時間。實驗表明，采用休眠策略后，節(jié)點壽命從24小時延長至72小時，同時保持95%以上的檢測概率。此外，選擇性感知算法根據(jù)信道質(zhì)量動態(tài)調(diào)整感知頻率，在信噪比低于-5dB時減少感知次數(shù)，降低能耗30%。

五、未來展望

隨著6G與物聯(lián)網(wǎng)發(fā)展，CSS需適應(yīng)異構(gòu)網(wǎng)絡(luò)環(huán)境。例如，在無人機(jī)集群通信中，節(jié)點高速移動導(dǎo)致信道狀態(tài)快速變化，需開發(fā)基于深度強(qiáng)化學(xué)習(xí)的動態(tài)感知策略。同時，面向低功耗物聯(lián)網(wǎng)設(shè)備，研究超低復(fù)雜度算法（如輕量級神經(jīng)網(wǎng)絡(luò)）以降低計算開銷。此外，跨層優(yōu)化框架將物理層感知與MAC層資源分配聯(lián)合設(shè)計，有望實現(xiàn)端到端性能提升。

合作式頻譜感知的優(yōu)化需從算法、拓?fù)?、安全、能耗多維度協(xié)同創(chuàng)新。通過機(jī)器學(xué)習(xí)提升檢測精度、動態(tài)拓?fù)錅p少傳輸沖突、安全機(jī)制抵御惡意攻擊、能耗管理延長節(jié)點壽命，CSS將更高效地服務(wù)于未來智能無線通信網(wǎng)絡(luò)。