[论文解读] Modified Orthogonal Matching Pursuit Algorithm for Cognitive Radio Wideband Spectrum Sensing

Peng Zhang, Robert C. Qiu|arXiv (Cornell University)|Feb 14, 2011

Sparse and Compressive Sensing Techniques参考文献 18被引用 6

一句话总结

该论文提出了一种改进的正交匹配追踪（OMP）算法，用于认知无线电网络中的宽带谱感知，通过利用频谱使用模式的先验知识，将频谱划分为三类：持续占用、间歇使用和随机访问频段。与基于基追踪的方法相比，该算法提高了重建精度并降低了计算时间，在无噪声条件下实现了近似完美重建（均方误差（MSE）≈10⁻³⁰），且在MSE和速度方面优于MNDO和改进的BPDN方法。

ABSTRACT

Sampling rate is the bottleneck for spectrum sensing over multi-GHz bandwidth. Recent progress in compressed sensing (CS) initialized several sub-Nyquist rate approaches to overcome the problem. However, efforts to design CS reconstruction algorithms for wideband spectrum sensing are very limited. It is possible to further reduce the sampling rate requirement and improve reconstruction performance via algorithms considering prior knowledge of cognitive radio spectrum usages. In this paper, we group the usages of cognitive radio spectrum into three categories and propose a modified orthogonal matching pursuit (OMP) algorithm for wideband spectrum sensing. Simulation results show that this modified OMP algorithm outperforms two modified basis pursuit de-noising (BPDN) algorithms in terms of reconstruction performance and computation time.

研究动机与目标

• 解决认知无线电系统中宽带谱感知的高采样率瓶颈问题。
• 通过引入频谱使用模式的先验知识，提升压缩感知重建性能。
• 与现有基于基追踪的算法相比，降低计算复杂度。
• 利用稀疏性与结构知识，实现多GHz带宽感知的亚奈奎斯特采样。
• 开发一种适用于实时认知无线电应用的实用、快速且高精度的重建算法。

提出的方法

• 将认知无线电频谱使用划分为三类：永久占用、使用频率较低和随机访问频段。
• 提出一种改进的OMP算法，将固定频段边界和使用模式的先验知识融入贪婪选择过程。
• 利用频域中频谱的稀疏性，并应用改进的OMP框架以提升重建精度。
• 在每次OMP迭代中，利用已知频谱边界的结构约束来指导原子的选择。
• 采用N点离散傅里叶变换及逆变换的频域模型来表示频谱。
• 通过蒙特卡洛仿真，将性能与两种基于基追踪的算法（MNDO和改进的BPDN）进行对比。

实验结果

研究问题

• RQ1 频谱使用模式的先验知识是否能提升宽带认知无线电系统中压缩感知的重建性能？
• RQ2 与基于基追踪的方法（MNDO和改进的BPDN）相比，改进的OMP算法在重建精度和计算效率方面表现如何？
• RQ3 不同频谱使用类别（固定、间歇、随机）对算法设计与性能有何影响？
• RQ4 通过引入结构知识增强的贪婪算法，能否在多GHz宽带感知中有效实现亚奈奎斯特采样？
• RQ5 在不同信噪比（SNR）和测量数M下，改进的OMP算法在加性高斯白噪声（AWGN）条件下的表现如何？

主要发现

• 在无噪声条件下，当使用M = 250次测量时，改进的OMP算法实现了近似完美重建，均方误差（MSE）约为10⁻³⁰。
• 在SNR = 15 dB的AWGN环境下，改进的OMP算法的MSE为0.0386，显著优于MNDO（MSE ≈2.0007）和改进的BPDN（MSE ≈0.4248）。
• 当M = 500时，改进的OMP算法保持近零MSE（≈7×10⁻³¹），而改进的BPDN达到≈7.92×10⁻²⁰，MNDO仍为≈0.0810。
• 改进的OMP算法显著快于其他两种方法，重建仅需0.05秒，而MNDO需12.83秒，改进的BPDN需5.89秒。
• 该算法对噪声具有鲁棒性，随着SNR提高或测量数M增加，MSE降低。
• 将频谱使用类别先验知识整合到算法中，显著提升了重建精度与计算效率。