CN102176779A - 无线多媒体传感网视频信号自适应采样与频谱分配方法 - Google Patents
无线多媒体传感网视频信号自适应采样与频谱分配方法 Download PDFInfo
- Publication number
- CN102176779A CN102176779A CN2010105923522A CN201010592352A CN102176779A CN 102176779 A CN102176779 A CN 102176779A CN 2010105923522 A CN2010105923522 A CN 2010105923522A CN 201010592352 A CN201010592352 A CN 201010592352A CN 102176779 A CN102176779 A CN 102176779A
- Authority
- CN
- China
- Prior art keywords
- sampling
- sparse
- video
- signal
- reference frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公布了一种无线多媒体传感网视频信号自适应采样与频谱分配方法,所述方法如下:利用无线网络视频摄像机或视频采集卡对视频信号源进行视频采集;将采集到的第一个视频帧作为参考帧;利用压缩采样测试像素块的稀疏性;连续非参考帧中的所有像素块在空间上对应于之前参考帧的稀疏块将被压缩采样,其余的部分将进行传统采样;每个认知无线电设备进行独立的局部频谱测量;将获得的模拟信号转变为稀疏采样信号;稀疏采样信号自适应变化后变为传送至融合中心;通过联合重构算法进行联合功率谱密度的估计;分别进行能量检测得到相应的频谱判决结果;融合中心将所有单个的判决结果按照或逻辑融合起来,以推断所观察频带中的主用户是否存在。
Description
技术领域
本发明属于数字信号编码与传输领域,涉及一种无线多媒体传感网视频信号的自适应压缩采样方法和一种宽带无线网络的频谱分配方案,可用于高压缩率采集视频信号并进行宽带无线传输。
背景技术
在未来的物联网环境中,随着信息空间对物理空间感知与交互的需求日益增加,无线多媒体传感器网络作为有效感知物理环境的技术也变得越来越重要。利用无线多媒体传感器网络,可以对公共热点区域进行密集的图像监控,通过对多路图像数据进行协同分析,并利用声音、人脸和模式等识别技术,对被检测目标与事件做出更准确的判断。
视频监控同时是计算机应用领域备受关注的热点应用技术之一,它以直观、信息内容丰富而被广泛应用于许多场合。视觉是人类最重要的感觉器官,视频图像信息是人们由客观世界获得信息的主要来源。不仅如此,在很多场合,由于客观条件的限制,人不可能进入现场进行直接的观察,只能用适应性更强的电子图像设备来代替完成。因此,利用视频图像技术对重要对象进行监控,已逐渐成为现代生活中必不可少的一部分。
传统方法获得场景后,在图像上根据分配的每个像素值进行离散余弦变换(DCT)。DCT变换后可忽略许多小系数或零值系数,将其在量化或熵编码之前丢弃。因此,尽管完整获得了每帧图像,但是在DCT变换后许多获得的信息被丢弃了,在获得图像的过程中造成了不必要的负担。传统的如奈奎斯特采样率非常高以至于压缩样本数据量很大,成为传输或存储的一个大问题。近年来才被提出的信号压缩采样理论为解决数字图像处理和视频信号采样中的类似问题提供了一种很好的思路。
信号压缩采样是在变换域进行数据采集和估计的统计技术,其目的是采样稀疏信号。信号压缩采样的过程取代了传统的采样,利用更一般的线性测量方法重建,优化程序计划内用大大低于奈奎斯特采样率的速度取得一个信号源的子集。但是,只有源在选择的变换域中是稀疏的才能保证上述方法可行。因此,需要解决的核心问题是预测哪些信息源是在一个特定的变换域稀疏。在图像的采集、表示方面,本发明提出了解决思路。
在宽带信号的传输方面,传统的无线网络中采用固定的频谱分配策略,长期授权使用的静态频谱管理方式。这样的方式能够避免用户间的干扰,但当主用户无数据传输时就会造成频谱资源的浪费。研究表明在某一时刻大量授权频段是没有被利用的,这样就导致频谱利用率低,频谱资源稀缺。
针对这一问题,Motorola及Virginia Tech等公司和研究机构提出了认知无线网络的概念。认知无线网络是一种具有认知过程的网络,它能分辨当前网络状态,然后根据这些状态进行规划、决策和响应。认知无线网络的关键在于网络的层面和端到端的部分。采用认知无线电技术的认知无线网络,不仅包容了认知无线电技术,同时从网络层面提出了更多更高的要求;无论是网络元素还是网络结构、功能都增添了很多新变化。认知无线网络将各种现有的或未来具有认知能力、重配置能力的无线接入技术及具有认知能力、重配置能力、可以同时保持多条通信链路的用户设备整合到一个通用的网络框架下,实现各种异构无线网络的融合,最大限度地提高无线网络资源利用效率。
传统的频谱检测方法是在射频前端使用窄带带通滤波器且每次只对一个子带进行检测。另一种方法是采用单一的射频链路,一次对整个宽带进行探测。这两种方法都其局限性,前种方法要求有大量的射频参数,且滤波器的调谐范围须预先设定。后种方法对DSP和ADC等硬件设备要求很高,在实现上有一定的难度。
目前刚刚兴起的压缩感知理论(CS)的研究给频谱检测提出了新的途径。美国学者田智第一次将压缩感知用于宽带认知无线电的频谱检测中,在他的论文中有详细描述,虽然他的方法能降低对整个带宽进行检测的硬件要求,也能探测到可用的频谱资源,但是当信噪比较低时,检测性能并不是很好。西安电子科技大学的赵林靖等在其发明专利《基于并行压缩感知的宽带认知无线电频谱检测方法》中,提出了一种利用频谱检测器的各个并行支路对接收信号进行独立的压缩感知,之后利用信号恢复算法重构原始信号及频域信号。将重构的频域信号进行小波变换的,最终完成认知无线电频谱的检测。该方法能降低噪声和采样点随机性影响,提高正确检测概率。但他的方法还是有一些不足之处。首先,在信号获取方面仅着眼于单个认知无线电设备对频谱信号的感知,这样会忽略频谱检测中的一个关键问题——隐藏终端问题,当认知无线电设备被遮蔽是就会发生。
发明内容
本发明目的是针对现有技术存在的缺陷提供一种无线多媒体传感网视频信号自适应采样与频谱分配方法。仿真结果显示,本发明所使用的方法显著提高了衰落信道的检测率。
本发明为实现上述目的,采用如下技术方案:
本发明无线多媒体传感网视频信号自适应采样与频谱分配方法包括如下步骤:
(1)利用无线网络视频摄像机或视频采集卡对视频信号源进行视频采集,每个采集点得到一组视频帧;
(2)将第(1)步中获得的第一个视频帧作为参考帧;
(3)将每个参考帧均分成大小为n*n像素的像素块,对每个像素块进行离散余弦变换(DCT);利用压缩采样测试像素块的稀疏性,测试的方法为:选定一个小的正数C,T为所有像素块中非显著离散余弦变换系数平均值作为门限值,如果像素块的离散余弦变换系数值的绝对值小于C大于T,那么就认为该块是稀疏的,反之则是非稀疏的;
(4),将连续非参考帧均分成多个像素块,连续非参考帧中的所有像素块在空间上对应于之前参考帧的稀疏块将被压缩采样,其余的部分将进行传统采样;
(5)每个认知无线电设备进行独立的局部频谱测量,得到模拟基带信号xj(t);
(6)利用压缩感知方法将获得的模拟信号xj(t)转变为稀疏采样信号yk:
xj=[xjNxjN+1ΛxjN+N-1]T j=0,1,2K N
xj为N×1向量,j=0,1,2K N中的N为N×1向量xj的行数,用变换矩阵M×N的ΦA,得到M×1向量yk,其中k=0,1,2K M中的M为M×1向量yk的行数;
yk=ΦAxj=[ykMykM+1ΛykM+M-1]T k=0,1,2K M
(7)稀疏采样信号yk自适应变化后变为ry传送至融合中心;
(8)融合中心得到ry,1,Λ,ry,j后,通过联合重构算法进行联合功率谱密度Sx,j的估计:
(9)将得到的Sx,j值分别进行能量检测得到相应的频谱判决结果dj;
(10)融合中心将所有单个的判决结果按照或逻辑融合起来,得到最终的判决,以推断所观察频带中的主用户是否存在。
所述能量检测方法是将能量计算值与设置的门限相比较,超过判决门限,则该频段内有主用户的存在。
本发明与现有技术相比具有如下优点:
(1)本发明在视频采集端使用分块压缩采样方法,与传统视频采样方法相比大大减少了测量数据,提高了采样效率。
(2)本发明采用认知无线网络对频谱进行压缩感知,并与已有发明方法和传统的单支路认知无线电检测方法相比,能够降低噪声干扰,提高衰落信道的检测率。
(3)本发明基于多个认知无线电设备的协同工作进行频谱检测,解决了传统频谱检测中的一个关键问题——隐藏终端问题。
附图说明
图1是本发明的系统流程图;
图2是视频压缩采样流程框图;
图3是认知无线网络中频谱感知框图;
图4是本发明视频采样方法与传统方法的比较;
图5是本发明仿真实验中使用的认知无线网络信号频域响应图;
图6是本发明与已提专利均方差性能比较;
图7是本发明与传统单支路方法以及已提出专利方法在不同信噪比条件下的性能比较图;
图8是对视频图像压缩采样处理的过程图;(a)原始参考图,(b)图像分块,(c)重构图像;
附录为视频压缩采样算法实现伪代码。
具体实施方式
以下对本发明的原理以及技术方案做进一步的描述。
参照图1,本发明的系统流程图包括如下:
过程1,利用无线网络视频摄像机或视频采集卡对对视频信号源进行视频采集,得到一组视频帧。
过程2,视频压缩编码。我们观察到当图像中的许多细节部分可以忽略的时候,视频背景是压缩采样一个很好的对象。因此,对整个图像运用压缩采样是无效的。为了利用内部的任何图像稀疏,我们将图像分裂成大小相等的非重叠的块。然后,只对稀疏块进行压缩采样,也就是说,我们利用的是图像局部稀疏。测试非稀疏的快进行传统采样。注意,稀疏性的测试是在参考帧的帮助下完成的。
过程3,利用硬件处理器DSP或FPGA,对过程2得到的信号进行处理,进入过程
4。过程4,加上载波信号,为传输做准备。
过程5,与过程4同步进行,认知无线网络完成频谱感知和分配。在宽带的认知无线网络中,待探测频率是频率范围为[f0,fM],总带宽为BHz的一段频谱,如图4所示。认知无线网络中的若干认知无线电设备进行独立的局部频谱测量,得到模拟基带信号xj(t)。利用压缩感知方法将获得的模拟信号xj(t)转变为稀疏采样信号yk。
xj=[xjNxjN+1ΛxjN+N-1]T j=0,1,2K N
xj为N×1向量,j=0,1,2K N中的N为N×1向量xj的行数。用变换矩阵M×N的ΦA,得到M×1向量yk,其中k=0,1,2K M中的M为M×1向量yk的行数。
yk=ΦAxj=[ykMykM+1ΛykM+M-1]T k=0,1,2K M
稀疏采样信号yk自适应变化后变为ry传送至融合中心。
融合中心得到ry,1,Λ,ry,j后,通过联合重构算法进行联合功率谱密度Sx,j的估计。
将得到的Sx,j值分别进行能量检测得到相应的频谱判决结果dj。能量检测方法是将能量计算值与设置的门限相比较,超过判决门限,就认为该频段内有主用户的存在。融合中心将所有单个的判决结果按照或逻辑融合起来,得到最终的判决,以推断所观察频带中的主用户是否存在。
过程6,终端图像处理。终端收到传输的图像信号后,进行视频图像的重构。利用正交匹配算法(OMP)进行信号重构。得到原始图像的频域重构信号。视频图像的重现,是整个系统的目的所在,如果这一步得不到结果,那么,所有的工作都是毫无意义的。重现视频图像不一定是原始真实图像的照搬,通过图像处理的手段对图像进行分割、重组,甚至是有目的地突出重点部分。系统控制中心通过观察重构图像的质量来控制整个系统,是实现整个系统功能的指挥中心。
以下通过仿真实验对本发明的技术效果做详细描述:
(1)首先我们对视频压缩感知方法进行验证。如图4所示,将本发明的方法与传统的视频采样方法在不同采样率条件下的信噪比进行比较。
(2)获得高质量的采样信号后,用认知无线网络进行频谱感知。系统的仿真系数:探测的整个宽带频域范围是[-40,40]MHz,其中包含P=10个非重叠子带,如图5所示。
(3)信噪比是图像处理中的重要参数,我们用如下公式定义SNR
(4)认知无线网络协同频谱检测性能。认知无线电检测时存在两种假设,H0表示无主用户存在,H1表示有主用户存在。如果一个认知无线电设备的判决时H0,然后一个符号{-1}将会呈给融合中心。如果判决结果是H1,则把符号{1}呈给融合中心。融合中心收集所有J个判决结果,使用“或”原则做出最终判决。用Z表示判决结果,然后可以描述为
认知无线网络中只要有一个认知无线电设备假定主用户信号存在,那么融合中心就会假定用户存在。因此,认知无线网络的误警率Qf和漏检率Qm分别为(假定每个认知无线电设备在局部频谱检测中得到相同的误警率Pf和Pm),在瑞利衰减信道上,
Qf=1-(1-Pf)J
Qm=(Pm)J
所以频谱正确检测的概率就可以从上述两个参数获得。如图7所示,本发明与传统单支路方法以及已提出专利方法在不同信噪比条件下对频谱的正确检测概率进行了比较。
(5)最后图8是对视频帧图像从压缩采样,中间处理到最后的重构图像的整个过程。由此可以看出本发明所提方法可以很好的用较低的采样率,很好的重构原图。
附录 视频压缩采样算法实现伪代码
1.输入:迭代次数K
压缩变换矩阵M×N的Φ
2.输出:稀疏采样信号x
3.参考帧∧ref←φ
非参考帧∧j←φ
4.A←ADC(∧ref)
5.将A分成n×n的B块,∧j分成n×n的B块
6.DCT(Ai),i=0,1,2K B
If T<DCT(Ai)系数<C then
Ai是稀疏的,CS(∧ji)
Else
Ai是非稀疏的,ADC(∧ji)
End
7.M=2Klog N
Claims (2)
1.一种无线多媒体传感网视频信号自适应采样与频谱分配方法,其特征在于包括如下步骤:
(1)利用无线网络视频摄像机或视频采集卡对视频信号源进行视频采集,每个采集点得到一组视频帧;
(2)将第(1)步中获得的第一个视频帧作为参考帧;
(3)将每个参考帧均分成大小为n*n像素的像素块,对每个像素块进行离散余弦变换(DCT);利用压缩采样测试像素块的稀疏性,测试的方法为:选定一个小的正数C,T为所有像素块中非显著离散余弦变换系数平均值作为门限值,如果像素块的离散余弦变换系数值的绝对值小于C大于T,那么就认为该块是稀疏的,反之则是非稀疏的;
(4),将连续非参考帧均分成多个像素块,连续非参考帧中的所有像素块在空间上对应于之前参考帧的稀疏块将被压缩采样,其余的部分将进行传统采样;
(5)每个认知无线电设备进行独立的局部频谱测量,得到模拟基带信号xj(t);
(6)利用压缩感知方法将获得的模拟信号xj(t)转变为稀疏采样信号yk:
xj=[xjNxjN+1ΛxjN+N-1]T j=0,1,2K N
xj为N×1向量,j=0,1,2K N中的N为N×1向量xj的行数,用变换矩阵M×N的ΦA,得到M×1向量yk,其中k=0,1,2K M中的M为M×1向量yk的行数;
yk=ΦAxj=[ykMykM+1ΛykM+M-1]T k=0,1,2K M
(7)稀疏采样信号yk自适应变化后变为ry传送至融合中心;
(8)融合中心得到ry,1,Λ,ry,j后,通过联合重构算法进行联合功率谱密度Sx,j的估计:
(9)将得到的Sx,j值分别进行能量检测得到相应的频谱判决结果dj;
(10)融合中心将所有单个的判决结果按照或逻辑融合起来,得到最终的判决,以推断所观察频带中的主用户是否存在。
2.根据权利要求1所述的无线多媒体传感网视频信号自适应采样与频谱分配方法,其特征在于所述能量检测方法是将能量计算值与设置的门限相比较,超过判决门限,则该频段内有主用户的存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105923522A CN102176779B (zh) | 2010-12-17 | 2010-12-17 | 无线多媒体传感网视频信号自适应采样与频谱分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105923522A CN102176779B (zh) | 2010-12-17 | 2010-12-17 | 无线多媒体传感网视频信号自适应采样与频谱分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102176779A true CN102176779A (zh) | 2011-09-07 |
CN102176779B CN102176779B (zh) | 2013-10-30 |
Family
ID=44519866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105923522A Active CN102176779B (zh) | 2010-12-17 | 2010-12-17 | 无线多媒体传感网视频信号自适应采样与频谱分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102176779B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387365A (zh) * | 2011-10-28 | 2012-03-21 | 天津大学 | 一种基于压缩传感的图像自适应编码方法 |
CN104270210A (zh) * | 2014-10-14 | 2015-01-07 | 中国人民解放军总参谋部第六十三研究所 | 基于压缩非重构的软判决频谱感知方法 |
CN104410832A (zh) * | 2014-12-02 | 2015-03-11 | 天津大学 | 基于能量动态收集的无线网络视频传输系统及方法 |
CN105430416A (zh) * | 2015-12-04 | 2016-03-23 | 四川大学 | 一种基于自适应稀疏域编码的指纹图像压缩方法 |
CN105720987A (zh) * | 2016-01-18 | 2016-06-29 | 清华大学 | 一种采用采样量化电路的压缩采样模数转换器 |
CN105720988A (zh) * | 2016-01-18 | 2016-06-29 | 清华大学 | 一种用于压缩采样模数转换器的采样量化电路 |
CN110855673A (zh) * | 2019-11-15 | 2020-02-28 | 成都威爱新经济技术研究院有限公司 | 一种复杂多媒体数据传输及处理方法 |
CN110913432A (zh) * | 2019-10-21 | 2020-03-24 | 成都大公博创信息技术有限公司 | 一种无线电频谱监测数据的压缩方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100103008A1 (en) * | 2008-10-07 | 2010-04-29 | Raz Gil M | System and method of signal sensing, sampling and processing through the exploitation of channel mismatch effects |
CN101742313A (zh) * | 2009-12-10 | 2010-06-16 | 北京邮电大学 | 基于压缩感知技术的分布式信源编码的方法 |
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
-
2010
- 2010-12-17 CN CN2010105923522A patent/CN102176779B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100103008A1 (en) * | 2008-10-07 | 2010-04-29 | Raz Gil M | System and method of signal sensing, sampling and processing through the exploitation of channel mismatch effects |
CN101742313A (zh) * | 2009-12-10 | 2010-06-16 | 北京邮电大学 | 基于压缩感知技术的分布式信源编码的方法 |
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
Non-Patent Citations (1)
Title |
---|
石爱业,马艳辉,黄凤辰,徐立中: "IHS变换域的遥感图像NSCT融合算法", 《河海大学学报(自然科学版)》, vol. 36, no. 6, 30 November 2008 (2008-11-30) * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387365A (zh) * | 2011-10-28 | 2012-03-21 | 天津大学 | 一种基于压缩传感的图像自适应编码方法 |
CN104270210A (zh) * | 2014-10-14 | 2015-01-07 | 中国人民解放军总参谋部第六十三研究所 | 基于压缩非重构的软判决频谱感知方法 |
CN104270210B (zh) * | 2014-10-14 | 2019-06-18 | 中央军委装备发展部第六十三研究所 | 基于压缩非重构的软判决频谱感知方法 |
CN104410832B (zh) * | 2014-12-02 | 2017-10-24 | 天津大学 | 基于能量动态收集的无线网络视频传输系统及方法 |
CN104410832A (zh) * | 2014-12-02 | 2015-03-11 | 天津大学 | 基于能量动态收集的无线网络视频传输系统及方法 |
CN105430416A (zh) * | 2015-12-04 | 2016-03-23 | 四川大学 | 一种基于自适应稀疏域编码的指纹图像压缩方法 |
CN105720987A (zh) * | 2016-01-18 | 2016-06-29 | 清华大学 | 一种采用采样量化电路的压缩采样模数转换器 |
CN105720988A (zh) * | 2016-01-18 | 2016-06-29 | 清华大学 | 一种用于压缩采样模数转换器的采样量化电路 |
CN105720988B (zh) * | 2016-01-18 | 2018-08-28 | 清华大学 | 一种用于压缩采样模数转换器的采样量化电路 |
CN105720987B (zh) * | 2016-01-18 | 2019-06-18 | 清华大学 | 一种采用采样量化电路的压缩采样模数转换器 |
CN110913432A (zh) * | 2019-10-21 | 2020-03-24 | 成都大公博创信息技术有限公司 | 一种无线电频谱监测数据的压缩方法 |
CN110913432B (zh) * | 2019-10-21 | 2023-05-02 | 成都大公博创信息技术有限公司 | 一种无线电频谱监测数据的压缩方法 |
CN110855673A (zh) * | 2019-11-15 | 2020-02-28 | 成都威爱新经济技术研究院有限公司 | 一种复杂多媒体数据传输及处理方法 |
CN110855673B (zh) * | 2019-11-15 | 2021-08-24 | 成都威爱新经济技术研究院有限公司 | 一种复杂多媒体数据传输及处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102176779B (zh) | 2013-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102176779B (zh) | 无线多媒体传感网视频信号自适应采样与频谱分配方法 | |
Wang et al. | Why is image quality assessment so difficult? | |
CN104661021B (zh) | 一种视频流的质量评估方法 | |
US8478319B2 (en) | Feature extraction and data compression system and method for distributed sensor networks | |
CN102665221A (zh) | 基于压缩感知与bp神经网络的认知无线电频谱感知方法 | |
CN104780008B (zh) | 一种基于自适应压缩感知的宽带频谱感知方法 | |
CN103117818A (zh) | 基于空频联合压缩感知的宽带频谱检测方法 | |
CN104703216A (zh) | 基于能量有效的多任务贝叶斯压缩感知宽带频谱检测方法 | |
Nasri et al. | Energy-efficient wavelet image compression in wireless sensor network | |
CN103118394A (zh) | 一种适用于宽带系统的多天线频谱感知方法及装置 | |
CN109120931A (zh) | 一种基于帧间相关性的流媒体视频压缩方法 | |
CN106373018A (zh) | 一种用于魔芋种植的互联网管理系统 | |
CN106656372B (zh) | 一种跳频系统的频带干扰检测方法 | |
CN104270210B (zh) | 基于压缩非重构的软判决频谱感知方法 | |
CN102497239B (zh) | 一种基于极化度的频谱感知方法 | |
CN108573509B (zh) | 基于测量域显著检测模型的自适应压缩感知图像编码方法 | |
CN107027028B (zh) | 基于jnd的随机偏移量化多描述编码、解码的方法及系统 | |
CN106961607B (zh) | 基于jnd的时间域重叠变换多描述编码、解码的方法及系统 | |
CN109379745A (zh) | 一种面向5g的多用户协作频谱感知策略研究方法 | |
CN103986540B (zh) | 一种基于非重构框架的频谱感知方法 | |
CN102118200B (zh) | 一种基于协方差绝对值法的频谱检测方法 | |
Naiqi et al. | Research of Adaptive Resolution Spectrum Sensing Method Based on Discrete Wavelet Packet Transform | |
CN106792728A (zh) | 接近最优非参数化认知无线电循环平稳合作频谱感知方法 | |
CN101854217B (zh) | 一种基于审查的最优量化协作频谱感知方法 | |
Li et al. | A wideband spectrum data segment compression algorithm in cognitive radio networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |