CN107682103A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN107682103A
CN107682103A CN201710997014.9A CN201710997014A CN107682103A CN 107682103 A CN107682103 A CN 107682103A CN 201710997014 A CN201710997014 A CN 201710997014A CN 107682103 A CN107682103 A CN 107682103A
Authority
CN
China
Prior art keywords
time slot
maximum
characteristic vector
eigenvalue
main characteristic
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
Application number
CN201710997014.9A
Other languages
English (en)
Other versions
CN107682103B (zh
Inventor
郭晨
金明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201710997014.9A priority Critical patent/CN107682103B/zh
Publication of CN107682103A publication Critical patent/CN107682103A/zh
Application granted granted Critical
Publication of CN107682103B publication Critical patent/CN107682103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了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，其计算在当前感知时隙内和在先的多个连续的感知时隙内各自接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量；其次根据在先的多个连续的感知时隙相应的最大特征值及其对应的主特征向量，获得授权用户信号的协方差矩阵的主特征向量的估计值和高斯白噪声的协方差矩阵的最大特征值的估计值；再次根据在当前感知时隙内接收到的信号的协方差矩阵的最大特征值、主特征向量和两个估计值，获得第一检验统计量值和第二检验统计量值；最后通过比较第一检验统计量值与第一判决门限及第二检验统计量值与第二判决门限来实现频谱感知；优点是能有效地提高频谱感知的性能。

Description

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
技术领域
本发明涉及一种认知无线电系统中的频谱感知方法，尤其是涉及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。
背景技术
随着移动通信的不断发展，无线用户的数量不断增加，人们对于无线通信的需求也越来越高，无线频谱资源已成为现代社会不可或缺的重要资源。但是，大量研究表明传统的固定频谱分配管理机制导致大量的频谱资源无法得到充分利用，造成频谱资源短缺和频谱利用低的矛盾。因此，提高频谱利用率成为了解决这一矛盾的关键问题。在这种情况下，认知无线电概念一经提出，便得到了广泛的关注，认知无线电被认为是提高频谱利用率的有效方法。认知无线电的关键思想是认知用户在对授权用户(主用户)不造成干扰的前提下，可以动态地接入到空闲的授权频段，进行信息传输。为了避免对授权用户产生干扰，认知无线电技术需要能够准确、快速地发现频谱空洞，实现稳健地频谱感知。因此，频谱感知成为了认知无线电的关键技术之一。
接收信号协方差矩阵的特征值和特征向量都体现了接收信号的特性，因此称特征值和特征向量为信号特征。目前，接收信号协方差矩阵的特征值的性质已被广泛应用于认知网络中，基于特征值的频谱感知方法也不断出现，如：最大最小特征值检测法和最大特征值检测法等。其中，最大特征值检测法需要知道噪声功率才能设置判决门限，当噪声功率未知时，该方法的频谱感知性能较差。经过研究表明，接收信号协方差矩阵的主特征向量(接收信号协方差矩阵的最大特征值对应的特征向量)在对抗噪声干扰方面具有较强的鲁棒性，因此，有人提出了基于特征向量的特征模板匹配检测法。然而，上述现有的频谱感知方法都仅利用了特征值或特征向量单个特征，这都极大地限制了其频谱感知的性能。
发明内容
本发明所要解决的技术问题是提供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，其能够有效地提高频谱感知的性能。
本发明解决上述技术问题所采用的技术方案为：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，其特征在于它的处理过程为：首先，计算在当前感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，并计算在时刻上先于当前感知时隙的多个连续的感知时隙内各自接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量；其次，根据在时刻上先于当前感知时隙的多个连续的感知时隙内各自接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，获得授权用户信号的协方差矩阵的主特征向量的估计值和高斯白噪声的协方差矩阵的最大特征值的估计值；再次，根据在当前感知时隙内接收到的信号的协方差矩阵的最大特征值和高斯白噪声的协方差矩阵的最大特征值的估计值，计算第一检验统计量值；并根据在当前感知时隙内接收到的信号的协方差矩阵的主特征向量和授权用户信号的协方差矩阵的主特征向量的估计值，计算第二检验统计量值；最后，通过比较第一检验统计量值与第一判决门限的大小及第二检验统计量值与第二判决门限的大小，来实现频谱感知，判定在当前感知时隙内是否存在授权用户信号。
该基于最大特征值和主特征向量的双特征频谱感知方法具体包括以下步骤：
步骤一：将当前时刻感知信号的感知时隙定义为当前感知时隙；然后计算在当前感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，对应记为αc和vc；
步骤二：选定时刻上先于当前感知时隙的N个连续的感知时隙，并将选定的每个感知时隙作为一个过去感知时隙；然后计算在每个过去感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量；接着计算在每两个时刻相邻的过去感知时隙内各自接收到的信号的协方差矩阵的主特征向量之间的相关系数，作为第一相关系数，共计算得到N-1个第一相关系数；之后从N-1个第一相关系数中找出值最大的第一相关系数，并将该值最大的第一相关系数对应的在时刻上在后的过去感知时隙内接收到的信号的协方差矩阵的主特征向量作为授权用户信号的协方差矩阵的主特征向量的估计值，记为vs；再根据已获得的vs，计算vs与在每个过去感知时隙内接收到的信号的协方差矩阵的主特征向量之间的相关系数，作为第二相关系数，共计算得到N个第二相关系数；最后从N个第二相关系数中找出值最小的第二相关系数，并将该值最小的第二相关系数对应的接收到的信号的协方差矩阵的最大特征值作为高斯白噪声的协方差矩阵的最大特征值的估计值，记为αn；其中，N的取值为正整数，且N≥2；
步骤三：根据αc和αn计算第一检验统计量值，记为T1，并根据vc和vs计算第二检验统计量值，记为T2，T2＝Re((vc)Hvs)，其中，Re()为取实部操作函数，(vc)H为vc的转置；
步骤四：通过比较第一检验统计量值T1与第一判决门限λ1的大小及第二检验统计量值T2与第二判决门限λ2的大小，来实现频谱感知，如果T1>λ1或T2>λ2，则判定在当前感知时隙内存在授权用户信号；否则，判定在当前感知时隙内不存在授权用户信号。
所述的步骤四中，λ1＝F1 -1(1-0.5Pf)，λ2＝F2 -1(1-0.5Pf)，其中，F1 -1()为F1()的逆函数，F2 -1()为F2()的逆函数，F1()表示服从均值为方差为的独立同分布的两个高斯随机变量之比的累积分布函数，F2()表示服从均值为方差为的高斯随机变量的累积分布函数，M表示在每个感知时隙内接收到的信号的协方差矩阵的维数，M≥1， 表示高斯白噪声的功率，K表示在每个感知时隙内的采样点数，K≥1，Pf表示设定的虚警概率，Pf∈[0,1]。
与现有技术相比，本发明的优点在于：
1)本发明方法同时利用了在感知时隙内接收到的信号的协方差矩阵的最大特征值和主特征向量这两个特征，具有比最大最小特征值检测法更高的频谱感知性能。
2)本发明方法利用在过去感知时隙内接收到的信号的协方差矩阵来估计授权用户信号的协方差矩阵的主特征向量和高斯白噪声的协方差矩阵的最大特征值，不需要授权用户信号和高斯白噪声的先验信息，因此，本发明方法是一种盲频谱感知方法。
附图说明
图1为本发明方法的流程框图；
图2为当虚警概率Pf＝0.1时，分别使用本发明方法和现有的最大最小特征值检测法得到的检测概率随信噪比(信号噪声功率比)变化的曲线对比图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的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，其处理过程为：首先，计算在当前感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，并计算在时刻上先于当前感知时隙的多个连续的感知时隙内各自接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量；其次，根据在时刻上先于当前感知时隙的多个连续的感知时隙内各自接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，获得授权用户信号的协方差矩阵的主特征向量的估计值和高斯白噪声的协方差矩阵的最大特征值的估计值；再次，根据在当前感知时隙内接收到的信号的协方差矩阵的最大特征值和高斯白噪声的协方差矩阵的最大特征值的估计值，计算第一检验统计量值；并根据在当前感知时隙内接收到的信号的协方差矩阵的主特征向量和授权用户信号的协方差矩阵的主特征向量的估计值，计算第二检验统计量值；最后，通过比较第一检验统计量值与第一判决门限的大小及第二检验统计量值与第二判决门限的大小，来实现频谱感知，判定在当前感知时隙内是否存在授权用户信号。
该基于最大特征值和主特征向量的双特征频谱感知方法的流程框图如图1所示，其具体包括以下步骤：
步骤一：将当前时刻感知信号的感知时隙定义为当前感知时隙；然后利用现有技术计算在当前感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，对应记为αc和vc。
步骤二：选定时刻上先于当前感知时隙的N个连续的感知时隙，并将选定的每个感知时隙作为一个过去感知时隙；然后利用现有技术计算在每个过去感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量；接着计算在每两个时刻相邻的过去感知时隙内各自接收到的信号的协方差矩阵的主特征向量之间的相关系数，作为第一相关系数，共计算得到N-1个第一相关系数，如有5个过去感知时隙，那么计算在第1个过去感知时隙内接收到的信号的协方差矩阵的主特征向量与在第2个过去感知时隙内接收到的信号的协方差矩阵的主特征向量之间的相关系数、计算在第2个过去感知时隙内接收到的信号的协方差矩阵的主特征向量与在第3个过去感知时隙内接收到的信号的协方差矩阵的主特征向量之间的相关系数，依次类推，共计算得到4个第一相关系数；之后从N-1个第一相关系数中找出值最大的第一相关系数，并将该值最大的第一相关系数对应的在时刻上在后的过去感知时隙内接收到的信号的协方差矩阵的主特征向量作为授权用户信号的协方差矩阵的主特征向量的估计值，记为vs，如：若该值最大的第一相关系数对应的两个主特征向量分别为在第2个过去感知时隙内接收到的信号的协方差矩阵的主特征向量与在第3个过去感知时隙内接收到的信号的协方差矩阵的主特征向量，那么将在第3个过去感知时隙内接收到的信号的协方差矩阵的主特征向量作为授权用户信号的协方差矩阵的主特征向量的估计值；再根据已获得的vs，计算vs与在每个过去感知时隙内接收到的信号的协方差矩阵的主特征向量之间的相关系数，作为第二相关系数，共计算得到N个第二相关系数；最后从N个第二相关系数中找出值最小的第二相关系数，并将该值最小的第二相关系数对应的接收到的信号的协方差矩阵的最大特征值作为高斯白噪声的协方差矩阵的最大特征值的估计值，记为αn，如：若该值最小的第二相关系数是通过vs与在第4个过去感知时隙内接收到的信号的协方差矩阵的主特征向量计算得到的，那么将在第4个过去感知时隙内接收到的信号的协方差矩阵的最大特征值作为高斯白噪声的协方差矩阵的最大特征值的估计值；其中，N的取值为正整数，且N≥2。
步骤三：根据αc和αn计算第一检验统计量值，记为T1，并根据vc和vs计算第二检验统计量值，记为T2，T2＝Re((vc)Hvs)，其中，Re()为取实部操作函数，(vc)H为vc的转置。
步骤四：通过比较第一检验统计量值T1与第一判决门限λ1的大小及第二检验统计量值T2与第二判决门限λ2的大小，来实现频谱感知，如果T1>λ1或T2>λ2，则判定在当前感知时隙内存在授权用户信号；否则，判定在当前感知时隙内不存在授权用户信号。
在此具体实施例中，步骤四中，λ1＝F1 -1(1-0.5Pf)，λ2＝F2 -1(1-0.5Pf)，其中，F1 -1()为F1()的逆函数，F2 -1()为F2()的逆函数，F1()表示服从均值为方差为的独立同分布的两个高斯随机变量之比的累积分布函数，F2()表示服从均值为方差为的高斯随机变量的累积分布函数，M表示在每个感知时隙内接收到的信号的协方差矩阵的维数，M≥1， 表示高斯白噪声的功率，可以通过现有技术获得，K表示在每个感知时隙内的采样点数，K≥1，Pf表示设定的虚警概率，Pf∈[0,1]，如取Pf＝0.05，在本实施例中圆周率π可取值为3.14，在本实施例中底数e可取值为2.72。
通过以下仿真来进一步说明本发明方法的可行性和有效性。
在仿真中，在每个感知时隙内的采样点数K＝103，协方差矩阵的维数M＝4，相邻采样点的相关系数为0.5+0.5i，高斯白噪声的功率图2给出了当虚警概率Pf＝0.1时，分别使用本发明方法和现有的最大最小特征值检测法得到的检测概率随信噪比(信号噪声功率比)变化的曲线对比图。从图2中可以看出，本发明方法的检测概率高于现有的最大最小特征值检测法的检测概率。因此可以说明，本发明方法的频谱感知性能优于现有的最大最小特征值检测法的频谱感知性能。

Claims (3)

1.一种基于最大特征值和主特征向量的双特征频谱感知方法，其特征在于它的处理过程为：首先，计算在当前感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，并计算在时刻上先于当前感知时隙的多个连续的感知时隙内各自接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量；其次，根据在时刻上先于当前感知时隙的多个连续的感知时隙内各自接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，获得授权用户信号的协方差矩阵的主特征向量的估计值和高斯白噪声的协方差矩阵的最大特征值的估计值；再次，根据在当前感知时隙内接收到的信号的协方差矩阵的最大特征值和高斯白噪声的协方差矩阵的最大特征值的估计值，计算第一检验统计量值；并根据在当前感知时隙内接收到的信号的协方差矩阵的主特征向量和授权用户信号的协方差矩阵的主特征向量的估计值，计算第二检验统计量值；最后，通过比较第一检验统计量值与第一判决门限的大小及第二检验统计量值与第二判决门限的大小，来实现频谱感知，判定在当前感知时隙内是否存在授权用户信号。
2.根据权利要求1所述的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，其特征在于它具体包括以下步骤：
步骤一：将当前时刻感知信号的感知时隙定义为当前感知时隙；然后计算在当前感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量，对应记为αc和vc；
步骤二：选定时刻上先于当前感知时隙的N个连续的感知时隙，并将选定的每个感知时隙作为一个过去感知时隙；然后计算在每个过去感知时隙内接收到的信号的协方差矩阵的最大特征值及其对应的主特征向量；接着计算在每两个时刻相邻的过去感知时隙内各自接收到的信号的协方差矩阵的主特征向量之间的相关系数，作为第一相关系数，共计算得到N-1个第一相关系数；之后从N-1个第一相关系数中找出值最大的第一相关系数，并将该值最大的第一相关系数对应的在时刻上在后的过去感知时隙内接收到的信号的协方差矩阵的主特征向量作为授权用户信号的协方差矩阵的主特征向量的估计值，记为vs；再根据已获得的vs，计算vs与在每个过去感知时隙内接收到的信号的协方差矩阵的主特征向量之间的相关系数，作为第二相关系数，共计算得到N个第二相关系数；最后从N个第二相关系数中找出值最小的第二相关系数，并将该值最小的第二相关系数对应的接收到的信号的协方差矩阵的最大特征值作为高斯白噪声的协方差矩阵的最大特征值的估计值，记为αn；其中，N的取值为正整数，且N≥2；
步骤三：根据αc和αn计算第一检验统计量值，记为T1，并根据vc和vs计算第二检验统计量值，记为T2，T2＝Re((vc)Hvs)，其中，Re()为取实部操作函数，(vc)H为vc的转置；
步骤四：通过比较第一检验统计量值T1与第一判决门限λ1的大小及第二检验统计量值T2与第二判决门限λ2的大小，来实现频谱感知，如果T1>λ1或T2>λ2，则判定在当前感知时隙内存在授权用户信号；否则，判定在当前感知时隙内不存在授权用户信号。
3.根据权利要求2所述的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，其特征在于所述的步骤四中，λ1＝F1 -1(1-0.5Pf)，λ2＝F2 -1(1-0.5Pf)，其中，F1 -1()为F1()的逆函数，F2 -1()为F2()的逆函数，F1()表示服从均值为方差为的独立同分布的两个高斯随机变量之比的累积分布函数，F2()表示服从均值为方差为的高斯随机变量的累积分布函数，M表示在每个感知时隙内接收到的信号的协方差矩阵的维数，M≥1， 表示高斯白噪声的功率，K表示在每个感知时隙内的采样点数，K≥1，Pf表示设定的虚警概率，Pf∈[0,1]。
CN201710997014.9A 2017-10-20 2017-10-20 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 Active CN107682103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710997014.9A CN107682103B (zh) 2017-10-20 2017-10-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710997014.9A CN107682103B (zh) 2017-10-20 2017-10-20 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

Publications (2)

Publication Number Publication Date
CN107682103A true CN107682103A (zh) 2018-02-09
CN107682103B CN107682103B (zh) 2020-07-28

Family

ID=61141507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710997014.9A Active CN107682103B (zh) 2017-10-20 2017-10-20 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

Country Status (1)

Country Link
CN (1) CN107682103B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108055096A (zh) * 2018-02-13 2018-05-18 南通大学 基于信号和噪声特征检测的频谱感知方法
CN109120361A (zh) * 2018-09-12 2019-01-01 宁波大学 一种利用以往感知时隙数据的协方差矩阵频谱感知方法
CN109120360A (zh) * 2018-09-12 2019-01-01 宁波大学 在授权用户静默期估计噪声功率的能量检测频谱感知方法
CN109150342A (zh) * 2018-09-12 2019-01-04 宁波大学 一种最大特征值频谱感知方法
CN111934797A (zh) * 2020-07-09 2020-11-13 广东工业大学 基于协方差特征值和均值漂移聚类的协作频谱感知方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2086255A1 (en) * 2008-02-01 2009-08-05 Institut Eurecom Process for sensing vacant sub-space over the spectrum bandwidth and apparatus for performing the same
CN101986583A (zh) * 2010-12-01 2011-03-16 东南大学 基于协方差匹配的多天线频谱感知方法
CN102118201A (zh) * 2010-12-31 2011-07-06 吉首大学 一种基于协方差矩阵分解的盲频谱感知方法
CN103297159A (zh) * 2013-05-10 2013-09-11 东南大学 一种频谱感知方法、频谱感知装置
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2086255A1 (en) * 2008-02-01 2009-08-05 Institut Eurecom Process for sensing vacant sub-space over the spectrum bandwidth and apparatus for performing the same
CN101986583A (zh) * 2010-12-01 2011-03-16 东南大学 基于协方差匹配的多天线频谱感知方法
CN102118201A (zh) * 2010-12-31 2011-07-06 吉首大学 一种基于协方差矩阵分解的盲频谱感知方法
CN103297159A (zh) * 2013-05-10 2013-09-11 东南大学 一种频谱感知方法、频谱感知装置
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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108055096A (zh) * 2018-02-13 2018-05-18 南通大学 基于信号和噪声特征检测的频谱感知方法
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
CN109120361A (zh) * 2018-09-12 2019-01-01 宁波大学 一种利用以往感知时隙数据的协方差矩阵频谱感知方法
CN109120360A (zh) * 2018-09-12 2019-01-01 宁波大学 在授权用户静默期估计噪声功率的能量检测频谱感知方法
CN109150342A (zh) * 2018-09-12 2019-01-04 宁波大学 一种最大特征值频谱感知方法
CN111934797A (zh) * 2020-07-09 2020-11-13 广东工业大学 基于协方差特征值和均值漂移聚类的协作频谱感知方法

Also Published As

Publication number Publication date
CN107682103B (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN107682103A (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
Köse et al. RF fingerprinting of IoT devices based on transient energy spectrum
CN104135327B (zh) 基于支持向量机的频谱感知方法
CN102291186B (zh) 一种基于信号到达方向估计的频谱感知方法
CN108322277B (zh) 一种基于协方差矩阵反特征值的频谱感知方法
Zhang et al. Real-time adaptively regularized compressive sensing in cognitive radio networks
CN107733541A (zh) 频谱感知的方法、装置、设备以及计算机可读存储介质
Bihl et al. Dimensional reduction analysis for Physical Layer device fingerprints with application to ZigBee and Z-Wave devices
CN108333564A (zh) 用于谐波雷达频谱感知与频率选择的方法
CN109194417A (zh) 一种协方差矩阵频谱感知方法
Christensen et al. A comparison of Type I error rates and power levels for seven solutions to the multivariate Behrens-Fisher problem
Xie et al. Virtual Adversarial Training‐Based Semisupervised Specific Emitter Identification
CN114727286A (zh) 一种无阈值多属性物理层认证方法及相关设备
CN106788817A (zh) 一种基于贝叶斯准则和能量检测法的频谱感知方法
CN105429913A (zh) 基于特征值的多电平检测与识别方法
CN109219055A (zh) 一种主用户占空比估计方法
CN109600181B (zh) 一种用于多天线的频谱感知方法
Zhao et al. Modulation recognition of MFSK signals based on multifractal spectrum
CN105187143B (zh) 一种基于二项分布的快速频谱感知方法和装置
US8892052B2 (en) Methods for determining whether a signal includes a wanted signal and apparatuses configured to determine whether a signal includes a wanted signal
CN114048763A (zh) 一种多粒度智能分类方法及系统
Guedes et al. Direct-conversion spectrum sensor impaired by symmetric α-stable and α-sub-gaussian noises
Verma et al. Weighted eigenvalues based spectrum sensing for cognitive radio systems
CN110531321A (zh) 基于特征值的动态信道化子带频谱检测方法
CN106100775A (zh) 基于邻接矩阵的ofdm频谱感知方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant