CN107426736B - 一种认知无线电的频谱感知方法及系统 - Google Patents
一种认知无线电的频谱感知方法及系统 Download PDFInfo
- Publication number
- CN107426736B CN107426736B CN201710423689.2A CN201710423689A CN107426736B CN 107426736 B CN107426736 B CN 107426736B CN 201710423689 A CN201710423689 A CN 201710423689A CN 107426736 B CN107426736 B CN 107426736B
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- signals
- decomposition
- judgment
- 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.)
- Expired - Fee Related
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 114
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 62
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 18
- 238000001514 detection method Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种认知无线电的频谱感知方法及系统,该方法包括:分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号;根据I信号和Q信号生成分解矩阵,并获取分解矩阵的协方差矩阵;根据协方差矩阵获取最大特征值和平均能量值,并获取判决统计量;判断判决统计量是否大于判决门限;若是,则存在主用户;若否,则不存在主用户;本发明通过分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号,可以对信号进行分解;通过根据I信号和Q信号生成的分解矩阵的协方差矩阵获取最大特征值和平均能量值,可以将信号分解与最大特征值与能量值之差算法结合,提高了频谱感知方法的准确性和可靠性。
Description
技术领域
本发明涉及认知无线通信技术领域,特别涉及一种认知无线电的频谱感知方法及系统。
背景技术
随着无线通信的快速发展,频谱资源供需矛盾日益突出。认知无线技术的出现在一定程度上解决了这个问题。在认知无线电网络中,认知用户可以“机会的”接入授权用户的空闲频谱,有效的提高了频谱资源的利用率。而频谱感知是认知无线电的关键技术之一,主要是为了确定哪些频谱处于空闲状态,以便将空闲频谱高效的分配给认知用户。
频谱感知可以按照通信范围内次用户的数量的多少可以把感知技术可分为单节点和多节点协作。单节点感知就是单个次用户对主用户信号进行感知,而多节点协作就是指多个次用户对主用户信号进行协作感知。
现有技术中,频谱感知的方法大多采用能量检测(ED)算法,该算法是一种最基本、最简单的信号检测方法,它无需知道信号的先验信息,复杂度低,容易实现,在现阶段的研究中广泛应用于信号检测中。能量检测方法是一种非连贯性、非相干的检测算法,检测的对象是特定频带内的频谱能量,而与具体信号的波形无关,特别适用于未知信号的检测。
然而,能量检测算法的判决门限比较难确定,在低信噪比环境下容易受到噪声不确定性影响产生误判,从而导致检测性能急剧下降,即使是能够自适应的门限值,检测器也不能做出正确的判断。因此,如何避免在低信噪比环境下容易受到噪声不确定性影响产生的误判,提高频谱感知的准确性和可靠性,是现今急需解决的问题。
发明内容
本发明的目的是提供一种认知无线电的频谱感知方法及系统,以利用信号分解和最大特征值与能量值之差算法结合的频谱感知方法,提高频谱感知的准确性和可靠性。
为解决上述技术问题,本发明提供一种认知无线电的频谱感知方法,包括:
分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号;
根据所述I信号和所述Q信号生成分解矩阵,并获取所述分解矩阵的协方差矩阵;
根据所述协方差矩阵获取最大特征值和平均能量值,并获取判决统计量;其中,所述判决统计量为所述最大特征值减去所述平均能量值所得的数值;
判断所述判决统计量是否大于判决门限;
若是,则存在主用户;
若否,则不存在主用户。
可选的,所述分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号,包括:
可选的,所述根据所述I信号和所述Q信号生成分解矩阵,并获取所述分解矩阵的协方差矩阵,包括:
可选的,所述判决统计量,具体为:
可选的,所述判断所述判决统计量是否大于判决门限,包括:
判断TGMSE是否大于判决门限γ;
此外,本发明还提供了一种认知无线电的频谱感知系统,包括:
分解模块,用于分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号;
获取模块,用于根据所述I信号和所述Q信号生成分解矩阵,并获取所述分解矩阵的协方差矩阵;
计算模块,用于根据所述协方差矩阵获取最大特征值和平均能量值,并获取判决统计量;其中,所述判决统计量为所述最大特征值减去所述平均能量值所得的数值;
判断模块,用于判断所述判决统计量是否大于判决门限;若是,则存在主用户;若否,则不存在所述主用户。
可选的,所述分解模块,包括:
可选的,所述获取模块,包括:
可选的,所述计算模块,包括:
计算子模块,用于根据所述协方差矩阵Y获取最大特征值λmax和平均能量值Ex(N),并获取判决统计量TGMSE;
可选的,所述判断模块,包括:
判断子模块,用于判断所述判决统计量TGMSE是否大于判决门限γ;若是,则存在所述主用户;若否,则不存在所述主用户;
本发明所提供的一种认知无线电的频谱感知方法,包括:分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号;根据所述I信号和所述Q信号生成分解矩阵,并获取所述分解矩阵的协方差矩阵;根据所述协方差矩阵获取最大特征值和平均能量值,并获取判决统计量;其中,所述判决统计量为所述最大特征值减去所述平均能量值所得的数值;判断所述判决统计量是否大于判决门限;若是,则存在主用户;若否,则不存在主用户;
可见,本发明通过分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号,可以对信号进行分解;通过根据I信号和Q信号生成的分解矩阵的协方差矩阵获取最大特征值和平均能量值,并获取判决统计量,可以将信号分解与最大特征值与能量值之差算法结合,从而提高频谱感知方法的准确性和可靠性,提升了用户体验。此外,本发明还提供了一种认知无线电的频谱感知系统,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种认知无线电的频谱感知方法的流程图;
图2为本发明实施例所提供的一种认知无线电的频谱感知方法的检测性能的仿真图;
图3为本发明实施例所提供的一种认知无线电的频谱感知系统的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例所提供的一种认知无线电的频谱感知方法的流程图。该方法可以包括:
步骤101:分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号。
其中,预设数量可以为频谱感知系统中的次用户的数量,对于预设数量的具体数值的设置,可以由设计人员或用户根据实用场景和用户需求自行设置,本实施例对此不受任何限制。
具体的,可以假设频谱感知系统由K个次用户组成,对于任何一个次用户,主用户的信号检测可以归纳为一个二元假设检验问题:
式中:H0表示次用户接收信号中只存在噪声;H1表示次用户接收信号中同时存在信号和噪声;si(n)表示主用户信号,wi(n)表示为零均值方差为σ2的高斯白噪声。
其中,第i个次用户N次采集到的信号可以为Xi=[xi(1)xi(2)...xi(N)],噪声信号为wi=[wi(1)wi(2)...wi(N)]。通过所有次用户进行N次采样,采样数据可构成一个K×N维的矩阵,可以表示为:
通过分解信号,增加信号数量可以获的更多的相关信息。将上面的第i个次用户采集到的信号Xi=[xi(1)xi(2)...xi(N)]分解为I信号和Q信号两部分,表示为:
式中,fc表示载波频率,fs表示采样频率。
可以理解的是,对于将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号的具体方式,可以采用上述方式,也可以采用其他方式,本实施例对此不受任何限制。
步骤102:根据I信号和Q信号生成分解矩阵,并获取分解矩阵的协方差矩阵。
其中,分解矩阵可以为I信号和Q信号组成的矩阵。
具体的,可以将式(3)中K×N维的矩阵,变为I信号和Q信号组成的M×N维矩阵,其中,M=2K,可以表示为
从而可以获得分解矩阵Y的协方差矩阵为:
步骤103:根据协方差矩阵获取最大特征值和平均能量值,并获取判决统计量;其中,判决统计量为最大特征值减去平均能量值所得的数值。
其中,本步骤的目的是通过最大特征值与平均能量值之差构建判决统计量,以信号分解获取的分解矩阵的协方差矩阵的最大特征值的极限近似代替最大特征值,从而无需获知主信号的先验知识,在不增加算法复杂度的情况下,获得比传统的最大特征值与能量值之差算法的认知无线电的频谱感知方法(MSE)更好的可靠性和准确性。
可以理解的是,对于根据协方差矩阵获取最大特征值和平均能量值的具体方式,可以采用与现有技术中传统的最大特征值与能量值之差算法的认知无线电的频谱感知方法(MSE)相似的方式获取,也可以采用其他方式获取,本实施例对此不受任何限制。
式中,tr(·)表示矩阵的迹;表示矩阵特征值的平均值,λi为特征值。当主用户不存在时,即信号特征值ρi=0,得出:λmax=λ1=λ2=…=λM=σ2,接收到的信号平均能量为噪声能量,即因此λmax-Ex(N)=0。当主用户存在时,信号特征值不为零,则所以λmax-Ey(N)>0。根据这一特性可以设置TGMSE=λmax-Ey(N)作为判决统计量。
步骤104:判断判决统计量是否大于判决门限;若是,则进入步骤105;若否,则进入步骤106。
其中,判决门限可以根据随机矩阵理论推出,可以为:
可以理解的是,式(9)中,Pf为虚警概率,erfc-1(·)为一个计算函数。从式(9)可以看出,判决门限的取值与噪声的方差相关,然而本算法采用最大特征值和能量之差作为判决统计量,最大特征值和平均能量值中的噪声分量相消,使得判决统计量独立于噪声分量,因此本实施例所提供的利用信号分解和最大特征值与能量值之差算法结合的频谱感知方法(GMSE)能有效克服噪声不确定性对检测性能的影响。
步骤105:存在主用户。
步骤106:不存在主用户。
可以理解的是,步骤105和步骤106可以为根据本实施所提供的GMSE,对主用户检测的两种结果,对于检测出存在或不存在主用户之后的操作,可以由设计人员或用户根据实用场景和用户需求自行设置,本实施例对此不受任何限制。
需要说明的是,本实施例所提供的方法可以在现有的最大特征值与能量值之差算法的认知无线电的频谱感知方法的基础上,加入信号分解,从而以信号分解获取的分解矩阵的协方差矩阵的最大特征值的极限近似代替最大特征值,在无需获知主信号的先验知识,不增加算法复杂度的情况下,获得更好的可靠性和准确性。
具体的,可以参考图2(横坐标为信噪比,纵坐标为检测概率),由图2所示的仿真结果可知,在次用户数为4,虚警概率为0.01的条件下,通过与原来MSE算法对比,本实施例所提供的GMSE的检测性能有所提升。
本实施例中,本发明实施例通过分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号,可以对信号进行分解;通过根据I信号和Q信号生成的分解矩阵的协方差矩阵获取最大特征值和平均能量值,并获取判决统计量,可以将信号分解与最大特征值与能量值之差算法结合,从而提高频谱感知方法的准确性和可靠性,提升了用户体验。
请参考图3,图3为本发明实施例所提供的一种认知无线电的频谱感知系统的结构图。该系统可以包括:
分解模块100,用于分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号;
获取模块200,用于根据I信号和Q信号生成分解矩阵,并获取分解矩阵的协方差矩阵;
计算模块300,用于根据协方差矩阵获取最大特征值和平均能量值,并获取判决统计量;其中,判决统计量为最大特征值减去平均能量值所得的数值;
判断模块400,用于判断判决统计量是否大于判决门限;若是,则存在主用户;若否,则不存在主用户。
可选的,分解模块100,可以包括:
可选的,获取模块200,可以包括:
可选的,计算模块300,可以包括:
计算子模块,用于根据协方差矩阵Y获取最大特征值λmax和平均能量值Ex(N),并获取判决统计量TGMSE;
可选的,判断模块400,可以包括:
判断子模块,用于判断判决统计量TGMSE是否大于判决门限γ;若是,则存在主用户;若否,则不存在主用户;
本实施例中,本发明实施例通过分解模块100分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号,可以对信号进行分解;通过计算模块300根据I信号和Q信号生成的分解矩阵的协方差矩阵获取最大特征值和平均能量值,并获取判决统计量,可以将信号分解与最大特征值与能量值之差算法结合,从而提高频谱感知方法的准确性和可靠性,提升了用户体验。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的认知无线电的频谱感知方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (6)
1.一种认知无线电的频谱感知方法,其特征在于,包括:
分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号;
根据所述I信号和所述Q信号生成分解矩阵,并获取所述分解矩阵的协方差矩阵;
根据所述协方差矩阵获取最大特征值和平均能量值,并获取判决统计量;其中,所述判决统计量为所述最大特征值减去所述平均能量值所得的数值;
判断所述判决统计量是否大于判决门限;
若是,则存在主用户;
若否,则不存在主用户;
所述分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号,包括:
所述根据所述I信号和所述Q信号生成分解矩阵,并获取所述分解矩阵的协方差矩阵,包括:
4.一种认知无线电的频谱感知系统,其特征在于,包括:
分解模块,用于分别将预设数量的次用户接收到的信号分解成各自对应的I信号和Q信号;
获取模块,用于根据所述I信号和所述Q信号生成分解矩阵,并获取所述分解矩阵的协方差矩阵;
计算模块,用于根据所述协方差矩阵获取最大特征值和平均能量值,并获取判决统计量;其中,所述判决统计量为所述最大特征值减去所述平均能量值所得的数值;
判断模块,用于判断所述判决统计量是否大于判决门限;若是,则存在主用户;若否,则不存在所述主用户;
所述分解模块,包括:
所述获取模块,包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423689.2A CN107426736B (zh) | 2017-06-07 | 2017-06-07 | 一种认知无线电的频谱感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423689.2A CN107426736B (zh) | 2017-06-07 | 2017-06-07 | 一种认知无线电的频谱感知方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107426736A CN107426736A (zh) | 2017-12-01 |
CN107426736B true CN107426736B (zh) | 2021-03-16 |
Family
ID=60429339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710423689.2A Expired - Fee Related CN107426736B (zh) | 2017-06-07 | 2017-06-07 | 一种认知无线电的频谱感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107426736B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108055096B (zh) * | 2018-02-13 | 2019-08-09 | 南通大学 | 基于信号和噪声特征检测的频谱感知方法 |
CN110690933B (zh) * | 2018-07-05 | 2022-03-04 | 广东工业大学 | 一种基于fcm聚类算法的合作频谱感知方法 |
CN109039500A (zh) * | 2018-08-28 | 2018-12-18 | 广东工业大学 | 一种频谱感知方法、装置、设备、系统及存储介质 |
CN112564831B (zh) * | 2020-09-25 | 2022-09-06 | 广东电网有限责任公司江门供电局 | 一种小型移动主用户的信号精准检测方法 |
CN114465681B (zh) * | 2022-01-05 | 2024-03-22 | 国网江苏省电力有限公司电力科学研究院 | 一种用于电力物联网的多节点协作频谱感知方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103166723A (zh) * | 2013-03-18 | 2013-06-19 | 广东工业大学 | 基于可拓关联函数的无线认知传感器网络频谱感知的方法 |
CN103220052A (zh) * | 2013-04-11 | 2013-07-24 | 南京邮电大学 | 一种认知无线电中检测频谱空洞的方法 |
WO2014199581A1 (en) * | 2013-06-10 | 2014-12-18 | Toyota Jidosha Kabushiki Kaisha | Cooperative spectrum sensing method and in-vehicle wireless communication device |
CN104601264A (zh) * | 2015-02-27 | 2015-05-06 | 吉首大学 | 一种适用于高维有限样本条件的多天线频谱感知方法 |
CN106169945A (zh) * | 2016-07-04 | 2016-11-30 | 广东工业大学 | 一种基于最大最小特征值之差的协作频谱感知方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150057041A1 (en) * | 2013-08-22 | 2015-02-26 | Nokia Corporation | Blind Spectrum Sensing Based on Maximum Correlation Coefficients and use Thereof |
US9277413B2 (en) * | 2013-12-20 | 2016-03-01 | King Fahd University Of Petroleum And Minerals | Cooperative cognitive radio spectrum sensing using a hybrid data-decision method |
-
2017
- 2017-06-07 CN CN201710423689.2A patent/CN107426736B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103166723A (zh) * | 2013-03-18 | 2013-06-19 | 广东工业大学 | 基于可拓关联函数的无线认知传感器网络频谱感知的方法 |
CN103220052A (zh) * | 2013-04-11 | 2013-07-24 | 南京邮电大学 | 一种认知无线电中检测频谱空洞的方法 |
WO2014199581A1 (en) * | 2013-06-10 | 2014-12-18 | Toyota Jidosha Kabushiki Kaisha | Cooperative spectrum sensing method and in-vehicle wireless communication device |
CN104601264A (zh) * | 2015-02-27 | 2015-05-06 | 吉首大学 | 一种适用于高维有限样本条件的多天线频谱感知方法 |
CN106169945A (zh) * | 2016-07-04 | 2016-11-30 | 广东工业大学 | 一种基于最大最小特征值之差的协作频谱感知方法 |
Non-Patent Citations (2)
Title |
---|
Spectrum sensing algorithm based on improved MME-Cyclic stationary feature;Couping Yu et al;《2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD)》;20160815;第857-861页 * |
认知无线电中合作频谱感知方法研究;曹开田;《南京邮电大学硕士学位论文》;20111231;第59-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107426736A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107426736B (zh) | 一种认知无线电的频谱感知方法及系统 | |
CN107733541B (zh) | 频谱感知的方法、装置、设备以及计算机可读存储介质 | |
CN107395301B (zh) | 一种基于k均值算法的频谱感知方法与装置 | |
US20150057041A1 (en) | Blind Spectrum Sensing Based on Maximum Correlation Coefficients and use Thereof | |
CN107979431B (zh) | 基于黎曼中值的频谱感知的方法、装置以及设备 | |
CN106169945A (zh) | 一种基于最大最小特征值之差的协作频谱感知方法 | |
CN107171752B (zh) | 一种认知无线电的频谱感知方法及系统 | |
CN107682103B (zh) | 一种基于最大特征值和主特征向量的双特征频谱感知方法 | |
CN107360577B (zh) | 一种基于机器学习的频谱感知方法及装置 | |
Khalaf et al. | Hybrid spectrum sensing architecture for cognitive radio equipment | |
CN107528648A (zh) | 一种基于低秩稀疏矩阵分解的盲频谱感知方法和装置 | |
Kumar et al. | MDI-SS: matched filter detection with inverse covariance matrix-based spectrum sensing in cognitive radio | |
Eslami et al. | Performance analysis of double threshold energy detection-based spectrum sensing in low SNRs over Nakagami-m fading channels with noise uncertainty | |
CN112994813B (zh) | 自适应采样的频谱感知方法及相关装置 | |
CN109525339B (zh) | 认知无线电的频谱感知方法、装置、设备以及存储介质 | |
CN108401255B (zh) | 一种双阶段盲频谱感知方案 | |
CN105429913B (zh) | 基于特征值的多电平检测与识别方法 | |
Ramírez et al. | The locally most powerful invariant test for detecting a rank-P Gaussian signal in white noise | |
CN106972900B (zh) | 基于广义t2统计量的盲频谱感知方法 | |
CN105187142A (zh) | 一种空闲频谱探测的方法和装置 | |
CN109600181B (zh) | 一种用于多天线的频谱感知方法 | |
CN110337106B (zh) | 一种抗ssdf攻击的协作频谱感知方法、装置及系统 | |
CN112073131B (zh) | 基于相位差分布曲线解析表达的频谱感知方法及相关设备 | |
CN109510644A (zh) | 基于眼图能量的直扩通信信号干扰检测方法 | |
CN109547134B (zh) | 基于多发射功率等级的协作频谱感知方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210316 |