CN105553583B - 基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 - Google Patents
基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 Download PDFInfo
- Publication number
- CN105553583B CN105553583B CN201511003190.3A CN201511003190A CN105553583B CN 105553583 B CN105553583 B CN 105553583B CN 201511003190 A CN201511003190 A CN 201511003190A CN 105553583 B CN105553583 B CN 105553583B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- measurement
- matrix
- scanner
- white
- 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.)
- Active
Links
Abstract
一种基于贝叶斯压缩感知的免于训练的室内白频谱检测方法,通过在选定的若干测量点中随机布设至少三个频谱扫描仪并测量其所在位置的数字电视信道,根据测量结果生成相应的测量矩阵后,以计算在该位置布设频谱扫描仪之前和之后的差分熵最大为原则逐个推算得到各个测量点对应的位置,进行对应的测量并更新测量矩阵,并恢复得到完整的频谱数据,当用户需要白频谱时,根据频谱数据的均值返回给用户其相应位置可用的白频谱列表,供用户选择可用信道进行通信。本发明免去了复杂的训练过程,极大降低方法实现复杂度的同时在准确率上只有微小的损失。
Description
技术领域
本发明涉及的是一种无线通信领域的技术,具体是一种基于贝叶斯压缩感知的免于训练的室内白频谱检测方法。
背景技术
随着无线网络的繁荣发展、移动终端和移动应用的迅速增长,用于无线通信的信道变得越来越拥挤,为了应对这种情况,人们提出了动态频谱接入(DynamicSpectrumAccess)这项技术,简称DSA。DAS旨在让授权用户(LicensedUser)和非授权用户(UnlicensedUser)共同分享信道.
2008年,美国通讯委员会(FCC)通过了一项决议,允许非授权用户利用本地空闲的电视信道进行无线通信,一般把空闲的电视信道称为白频谱(WhiteSpace)。此后,白频谱受到了越来越多的关注。尽管白频谱对于非授权用户是开放的,但是FCC要求非授权用户使用白频谱时不能影响正常电视信号的传播,这样,对于非授权用户来说,在使用某个信道之前检测其是否可用就显得尤为重要了。人们进行白频谱检测的方法主要分为两大类:频谱感知方法(SpectrumSensing)和地理定位数据库方法(geo-locationdatabase)。频谱感知方法用的相对较少,因为它依赖于用户设备来进行频谱检测,能耗大同时对用户设备的要求也比较高;相反,更为常用的地理定位数据库方法并不需要用户进行频谱检测,因此减少了用户的能量消耗,用户只需要查询在线的数据库便可以得知当前位置可用的白频谱信息。
现有的白频谱检测的工作大多数仅仅关注室外的白频谱,而有调查显示室内的白频谱要多于室外,因此仅仅使用室外探测到的白频谱会造成白频谱的浪费。又由于室内的障碍物要远远多于室外,因此并不能直接把室外的方法拿来用。此外,为数不多的关于室内白频谱检测的研究在部署频谱扫描仪之前需要复杂的训练过程,消耗的量的人力物力。考虑到贝叶斯压缩感知是一种近年来发展起来的不基于训练集的数据恢复方法,同时贝叶斯压缩感知可以和差分熵结合进而确定携带信息量最大的点,可以用来布设频谱扫描仪,于是考虑把贝叶斯压缩感知与室内白频谱检测相结合,实现免于训练的室内白频谱检测。
经过对现有技术的检索发现,中国专利文献号CN104780009A,公开(公告)日2015.07.15,公开了一种无线通信领域的基于压缩感知的室内白频谱优化检测方法,通过基于k‐medoids分组的传感器布设方法,有选择的在部分测量点上布设传感器,传感器测量到不完整的室内白频谱信息,基于压缩感知的数据恢复模型把不完整的数据恢复为完整的数据,传输给有需要的用户。但该技术需要大量的训练数据来训练相关的数据恢复模型,费时费力。另外,该技术无法确定合适的传感器数量,难以取得实际应用。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于贝叶斯压缩感知的免于训练的室内白频谱检测方法,即TIME(Training-freeIndoorwhitespaceexplorationMEchanism),对室内白频谱采用适宜的贝叶斯压缩感知进行恢复,根据差分熵的计算结果进行频谱扫描仪的布设,从而在省去了复杂的训练过程的同时不会引入大量的误差。
本发明是通过以下技术方案实现的:
本发明通过在选定的若干测量点中随机布设至少三个频谱扫描仪并测量其所在位置的数字电视信道,根据测量结果生成相应的测量矩阵后,以计算在该位置布设频谱扫描仪之前和之后的差分熵最大为原则逐个推算得到各个测量点对应的位置,进行对应的测量并更新测量矩阵,并恢复得到完整的频谱数据,当用户需要白频谱时,根据频谱数据的均值返回给用户其相应位置可用的白频谱列表,供用户选择可用信道进行通信。
本发明具体包括以下步骤:
步骤1、在选定的室内环境中选择一系列测量点,随机地在其中部分测量点上布设频谱扫描仪,之后用布设的频谱扫描仪测量所在位置的数字电视信道。
所述的测量点根据不同环境而定,但是每一个房间至少需要一个测量点。
所述的部分测量点,优选为在三个测量点上布设传感器。
步骤2、启动频谱扫描仪进行测量,并生成相应的测量矩阵Φd,该测量矩阵中的向量yd=Φdx,其中:yd是通过已经布设的频谱扫描仪实际测量得到的结果,x是所有测量点的完整的白频谱数据。
所述的测量矩阵Φd通过把已经布设的频谱扫描仪所对应的位置置为1得到。
步骤3、逐个推算得到各个频谱扫描仪的位置信息,具体步骤包括:
3.1)根据扫描仪测到的测量结果yd,恢复得到完整的频谱数据x,根据贝叶斯压缩感知理论,频谱数据x的均值与协方差为:
其中:E(x)表示均值,Cov(x)表示协方差,σ表示白噪声,初始化为yd方差的百分之一,Ψ表示离散余弦变换矩阵,A表示参数矩阵。
所述的参数矩阵A,由极大似然估计得到,具体为:
最大化其中:C=σ2I+ΦA-1ΦT,M是频谱扫描仪的总个数。
3.2)利用计算所得的协方差,通过最大化布设前后差分熵的差值得到下一个布设频谱扫描仪的地点l,具体为:
最大化其中:Φl是地点l所对应的测量矩阵。
3.3)更新测量矩阵,以作为更新后的Φd,计算出测量矩阵Φd下的测量结果yd,将σ的值更新为yd方差的百分之一。
3.4)重复步骤3.1至3.3直至频谱扫描仪的数目达到要求。
步骤4、当用户需要白频谱时,根据均值向量μ=E(x)中的项返回给用户其相应位置可用的白频谱列表,供用户选择可用信道进行通信,具体为:对于向量μ的第i项μ(i),μ(i)>T意味着第个地点的第(i mod 45)个信道为占用状态,反之为空闲状态。
所述的T表示白频谱阈值,优选为-82.5dBm。
技术效果
与现有技术相比,本发明可以再免于训练的情况下得到与基于训练的室内白频谱检测方法几乎相同的系统系能,大大减小了系统的实现复杂度。
附图说明
图1为不同测量点之间、不同信道之间的信号强度关系图;
图中:a为四个不同地点的信号强度比较图,b为两个不同信道的信号强度比较图。
图2为室内白频谱信号的稀疏特性图;
图中:a为原始信号图,b为离散余弦变换后的系数图。
图3为不同方法的性能比较图;
图中:a为不同方法的FARate(FalseAlarmRate)比较;b为不同方法的WSLOSSRate(WhiteSpaceLossRae)比较。
图4为错误率与所需频谱扫描仪个数关系图;
图中:a为最大、平均和最下错误率随频谱扫描仪个数变化曲线图,b为根据平均错误率得到的频谱扫描仪个数曲线。
具体实施方式
本实施例应用环境为上海交通大学闵行校区电信群楼的三楼选取了67个测量点。
本实施例设备包括:USRPN210、一根全向接收天线、一部笔记本电脑和一个不间断式电源(UPS),其中:USRP用的是SBX子板,通过一个射频信号发生器来校准USRP设备。
测量无线信号的方法有很多,包括但不限于能量检测、基于波形的检测和匹配滤波等等,其中能量检测是最常用的方法,因为能量检测实现简单并且计算复杂度相对比较低。
在判断一个信道是不是空闲的时候,需要将测量得到的信号强度与一个特定的阀值作比较,如果信号强度高于这个阀值,认为这个信道是被占用的,反之,认为这个信道是空闲的。
电视信道分为数字电视信道和模拟电视信道,考虑到数字电视的常用性和未来的发展趋势,选择了45个数字电视信道(DS13~DS57)来进行测量,它们所属的频率范围是470MHz–566MHZ和606MHz–870MHz,其中:每个信道的带宽是8MHz。根据数字电视信道的属性,把阈值设定为-84.5dBm,由于设备的局限性,设备检测到的空闲信道有可能并不能保证使用的安全性,但是白频谱检测的机制是具有通用性的,并不局限于某个特定的阀值,如果的设备精确度能够支持-114dBm的阀值,相信那时候得到的空闲信道是安全可用的。所实现的能量检测器其容器大小(binsize)是1024,采样率是4MHz,用与某个信道相关的所有容器中的平均值作为此信道的信号强度。
本实施例包括以下步骤:
第一步、室内频谱扫描仪布设:
1.1)本实施例中总共需要布设M(>3)个室内频谱扫描仪,首先随机选r=3个点,每个点分别布设一个频谱扫描仪,通过计算得到已经布设频谱扫描仪的地点所对应的测量矩阵Φd,使得其中的向量yd=Φdx,其中:yd是通过已经布设的频谱扫描仪实际测量得到的结果,x是所有67个测量点的完整的白频谱数据。
1.2)计算出初始化的白噪声方差σ2=var(yd)/100,其中:var(yd)表示yd的方差。
1.3)对数据恢复错误率进行优化,具体步骤包括:
1.3.1)通过贝叶斯压缩感知,将yd,Ψ,Φd作为输入,恢复得到的x的均值与协方差:
其中:E(x)表示均值,Cov(x)表示方差,σ2表示计算出初始化的白噪声方差,A表示参数矩阵,可由求解贝叶斯压缩感知问题得到。
1.3.2)对于下一个待布设频谱扫描仪的位置l,分别计算在该位置布设频谱扫描仪之前和之后的差分熵,并计算二者的差值当差分熵的差值最大时所对应的位置即布设下一个频谱扫描仪,之后更新测量矩阵为Φd为并利用该测量矩阵可以得到新的测量结果yd=Φdx,最后更新白噪声的方差
1.3.3)重复上述步骤1.3.1和1.3.2,直至白噪声的方差小于阈值。
第二步、频谱扫描仪位置优化,具体为:对于每一个已布设的频谱扫描仪的位置,通过预去除后用剩下的频谱扫描仪进行数据恢复,并通过恢复测错误率的高低判断,该已布设的频谱扫描仪的重要性,因此首先选择去除最小的错误率所对应的频谱扫描仪的位置,并采用步骤1.3.2所述方法计算更新后的位置,得到优化后的测量矩阵。
所述的第二步优选为重复10轮。
第三步、数据恢复:根据最终优化后的测量矩阵Φd,得到的测量结向量yd=Φdx=ΦdΨω,由贝叶斯压缩感知理论求得x的均值与协方差差为:
其中:E(x)表示均值,Cov(x)表示协方差,σ表示白噪声,初始化为yd方差的百分之一,Ψ表示离散余弦变换矩阵,A表示参数矩阵。
所述的参数矩阵,由求解一优化问题得到,即最大化,其中:C=σ2I+ΦA-1ΦT,M是频谱扫描仪的总个数。
可以用均值作为x的预测值,用协方差矩阵的对角线元素作为相应预测值的置信度。根据E(x)的值,通过与白频谱阈值(-87.5dBm/8MHz)的比较得到所有67个地点的白频谱信息。
本实施例的模拟实施例计算了频谱扫描仪数目从3到66的情况下相应的FARate和WSLossRate,并研究了恢复错误率阈值与所需频谱扫描仪个数的关系,其中:FARate、WSLossRate和恢复错误率的定义如下:
实施例中,将WISER和FIWEX机制作为室内白频谱检测的对比项。
如图3a所示,在大多数频谱扫描仪数目的情况下,机制(TIME)的FARate大多数介于WISER和FIWEX之间,这说明TIME的安全性与WISER相当,稍逊于FIWEX。平均来说,TIE的平均FARate是2.21%,WISER的平均FARate是2.18%,FIWEX的平均FARate是1.49%。
如图3b所示,TIME和FIWEX的WSLOSSRate均低于WISER,说明相较于WISER,TIME和FIWEX可以发现更多的白频谱。平均来说,TIME的平均WSLOSSRate是15.6%,FIWEX的平均WSLOSSRate是14.2%,而WISER的平均WSLOSSRate高达19.9%。
图4a和图4b是数据恢复错误率与需要的频谱扫描仪的个数的关系图,从图中可以知道数据恢复错误率阈值与需要的频谱扫描仪的个数的关系,可以指导的频谱扫描仪的布设。
通过以上模拟实施例的结果,在不基于训练集的情况下,TIME的表现要好于WISER,稍逊于FIWEX,这说明在去掉复杂训练过程的情况下,TIME依然能够取得令人满意的表现。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (6)
1.一种基于贝叶斯压缩感知的免于训练的室内白频谱检测方法,其特征在于,通过在选定的若干测量点中随机布设至少三个频谱扫描仪并测量其所在位置的数字电视信道,根据测量结果生成相应的测量矩阵Φd后,以计算在该位置布设频谱扫描仪之前和之后的差分熵最大为原则逐个推算得到各个测量点对应的位置,进行对应的测量并更新测量矩阵,并恢复得到完整的频谱数据,当用户需要白频谱时,根据频谱数据的均值返回给用户其相应位置可用的白频谱列表,供用户选择可用信道进行通信,其中:更新测量矩阵即根据扫描仪测到的测量结果yd,恢复得到完整的频谱数据x,根据贝叶斯压缩感知理论,频谱数据x的均值与协方差为:
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mi>&Psi;</mi>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>&Phi;</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>&Phi;</mi>
<mi>d</mi>
</msub>
<mi>&Psi;</mi>
<mo>+</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>&Phi;</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
<mo>,</mo>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Psi;</mi>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>&Phi;</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>&Phi;</mi>
<mi>d</mi>
</msub>
<mi>&Psi;</mi>
<mo>+</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<mo>,</mo>
</mrow>
其中:E(x)表示均值,Cov(x)表示协方差,σ表示白噪声,初始化为yd方差的百分之一,Ψ表示离散余弦变换矩阵,A表示参数矩阵,由极大似然估计得到,具体为:最大化 其中:C=σ2I+ΦA-1ΦT,M是频谱扫描仪的总个数;利用计算所得的协方差,通过最大化布设前后差分熵的差值得到下一个布设频谱扫描仪的地点l,具体为:最大化其中:Φl是地点l所对应的测量矩阵。
2.根据权利要求1所述的室内白频谱检测方法,其特征是,所述的测量矩阵Φd,该测量矩阵中的向量yd=Φdx,其中:yd是通过已经布设的频谱扫描仪实际测量得到的结果,x是所有测量点的完整的白频谱数据,测量矩阵Φd通过把已经布设的频谱扫描仪所对应的位置置为1得到。
3.根据权利要求2所述的室内白频谱检测方法,其特征是,所述的推算,具体包括以下步骤:
3.1)根据扫描仪测到的测量结果yd,恢复得到完整的频谱数据x,根据贝叶斯压缩感知理论,频谱数据x的均值与协方差为:
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mi>&Psi;</mi>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>&Phi;</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>&Phi;</mi>
<mi>d</mi>
</msub>
<mi>&Psi;</mi>
<mo>+</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>&Phi;</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
<mo>,</mo>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Psi;</mi>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>&Phi;</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>&Phi;</mi>
<mi>d</mi>
</msub>
<mi>&Psi;</mi>
<mo>+</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<mo>,</mo>
</mrow>
其中:E(x)表示均值,Cov(x)表示协方差,σ表示白噪声,初始化为yd方差的百分之一,Ψ表示离散余弦变换矩阵,A表示参数矩阵,由极大似然估计得到,具体为:
最大化其中:C=σ2I+ΦA-1ΦT,M是频谱扫描仪的总个数;
3.2)利用计算所得的协方差,通过最大化布设前后差分熵的差值得到下一个布设频谱扫描仪的地点l,具体为:最大化其中:Φl是地点l所对应的测量矩阵;
3.3)更新测量矩阵,以作为更新后的Φd,计算出测量矩阵Φd下的测量结果yd,将σ的值更新为yd方差的百分之一;
3.4)重复步骤3.1至3.3直至频谱扫描仪的数目达到要求。
4.根据权利要求1所述的室内白频谱检测方法,其特征是,所述的测量矩阵,通过以下方式生成:
1.1)本实施例中总共需要布设M个室内频谱扫描仪,M>3,首先随机选r=3个点,每个点分别布设一个频谱扫描仪,通过计算得到已经布设频谱扫描仪的地点所对应的测量矩阵Φd,使得其中的向量yd=Φdx,其中:yd是通过已经布设的频谱扫描仪实际测量得到的结果,x是所有67个测量点的完整的白频谱数据;
1.2)计算出初始化的白噪声方差其中:var(yd)表示yd的方差;
1.3)对数据恢复错误率进行优化。
5.根据权利要求4所述的室内白频谱检测方法,其特征是,所述的优化,具体是指:
1.3.1)通过贝叶斯压缩感知,将yd,Ψ,Φd作为输入,恢复得到的x的均值与协方差: 其中:E(x)表示均值,σ2表示计算出初始化的白噪声方差,Cov(x)表示方差,A表示参数矩阵,可由求解贝叶斯压缩感知问题得到;
1.3.2)对于下一个待布设频谱扫描仪的位置l,分别计算在该位置布设频谱扫描仪之前和之后的差分熵,并计算二者的差值当差分熵的差值最大时所对应的位置即布设下一个频谱扫描仪,之后更新测量矩阵为Φd为并利用该测量矩阵可以得到新的测量结果yd=Φdx,最后更新白噪声的方差σ2=var(yd)/100;
1.3.3)重复上述步骤1.3.1和1.3.2,直至白噪声的方差小于阈值。
6.根据权利要求5所述的室内白频谱检测方法,其特征是,所述的各个测量点对应的位置,通过预去除后用剩下的频谱扫描仪进行数据恢复,并通过恢复测错误率的高低判断,该已布设的频谱扫描仪的重要性,因此首先选择去除最小的错误率所对应的频谱扫描仪的位置,并采用步骤1.3.2所述方法计算更新后的位置,得到优化后的测量矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511003190.3A CN105553583B (zh) | 2015-12-28 | 2015-12-28 | 基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511003190.3A CN105553583B (zh) | 2015-12-28 | 2015-12-28 | 基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105553583A CN105553583A (zh) | 2016-05-04 |
CN105553583B true CN105553583B (zh) | 2018-01-02 |
Family
ID=55832538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511003190.3A Active CN105553583B (zh) | 2015-12-28 | 2015-12-28 | 基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105553583B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111385037A (zh) * | 2018-12-28 | 2020-07-07 | 上海交通大学 | 室内可用频谱的实时预测方法 |
CN111525969B (zh) * | 2020-04-28 | 2022-04-19 | 国家广播电视总局广播电视科学研究院 | 基于白频谱数据库的频谱感知方法、终端和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630982A (zh) * | 2009-08-19 | 2010-01-20 | 西安电子科技大学 | 基于并行压缩感知的宽带认知无线电频谱检测方法 |
JP2013242260A (ja) * | 2012-05-22 | 2013-12-05 | Olympus Corp | 蛍光検出装置および蛍光検出方法 |
CN104780009A (zh) * | 2015-04-21 | 2015-07-15 | 上海交通大学 | 基于压缩感知的室内白频谱优化检测方法 |
-
2015
- 2015-12-28 CN CN201511003190.3A patent/CN105553583B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630982A (zh) * | 2009-08-19 | 2010-01-20 | 西安电子科技大学 | 基于并行压缩感知的宽带认知无线电频谱检测方法 |
JP2013242260A (ja) * | 2012-05-22 | 2013-12-05 | Olympus Corp | 蛍光検出装置および蛍光検出方法 |
CN104780009A (zh) * | 2015-04-21 | 2015-07-15 | 上海交通大学 | 基于压缩感知的室内白频谱优化检测方法 |
Non-Patent Citations (1)
Title |
---|
基于贝叶斯压缩感知的自适应测量算法;郭鹏;《计算机工程与应用》;20131230;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105553583A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Experiencing and handling the diversity in data density and environmental locality in an indoor positioning service | |
Wu et al. | Location estimation via support vector regression | |
WO2015184961A1 (en) | Mitigating signal noise for fingerprint-based indoor localization | |
US8768260B2 (en) | Electromagnetic wave discrimination device, electromagnetic wave discrimination method, and electromagnetic wave discrimination program | |
Feng et al. | Received-signal-strength-based indoor positioning using compressive sensing | |
Matic et al. | Tuning to your position: FM radio based indoor localization with spontaneous recalibration | |
CN103874118B (zh) | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 | |
CN105474720B (zh) | 检测被破坏wifi室内定位模型的众包方法 | |
JP6642456B2 (ja) | 電波強度分布評価装置、電波品質分布評価装置、および電波強度分布評価方法、電波品質分布評価方法 | |
Farkas et al. | Optimization of Wi-Fi access point placement for indoor localization | |
CN107992882A (zh) | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 | |
CN109168166A (zh) | 物理层认证系统的安全性检测方法 | |
Liu et al. | FIWEX: Compressive sensing based cost-efficient indoor white space exploration | |
Zhang et al. | Using compressive sensing to reduce fingerprint collection for indoor localization | |
CN104039008B (zh) | 一种混合定位方法 | |
Shih et al. | Intelligent radio map management for future WLAN indoor location fingerprinting | |
CN105553583B (zh) | 基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 | |
CN104780009B (zh) | 基于压缩感知的室内白频谱优化检测方法 | |
CN104239951A (zh) | 一种利用信道状态信息的非绑定人数计数方法 | |
Haque | A sensor based indoor localization through fingerprinting | |
CN111385037A (zh) | 室内可用频谱的实时预测方法 | |
Morales et al. | Faulty measurements impact on wireless local area network positioning performance | |
Paschalidis et al. | Robust and distributed stochastic localization in sensor networks: Theory and experimental results | |
CN113052198A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN110095753A (zh) | 一种基于到达角度aoa测距的定位方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221014 Address after: Room A608, No. 2819, Chuangye Avenue, Science City, Huangpu District, Guangzhou, Guangdong 510530 (office only) Patentee after: GUANGZHOU GOSUNCN ROBOT CO.,LTD. Address before: 200240 No. 800, Dongchuan Road, Shanghai, Minhang District Patentee before: SHANGHAI JIAO TONG University |