CN108494509A - 一种协作频谱感知方法及装置 - Google Patents
一种协作频谱感知方法及装置 Download PDFInfo
- Publication number
- CN108494509A CN108494509A CN201810194684.1A CN201810194684A CN108494509A CN 108494509 A CN108494509 A CN 108494509A CN 201810194684 A CN201810194684 A CN 201810194684A CN 108494509 A CN108494509 A CN 108494509A
- Authority
- CN
- China
- Prior art keywords
- signal
- imf components
- decomposed
- perceptual signal
- frequency spectrum
- 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.)
- Pending
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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种协作频谱感知方法及装置,其中,该方法包括:获取到认知用户对目标频谱的感知信号,通过经验模态分解算法对感知信号进行分解得到若干个IMF分量;根据连续均方误差准则确定若干个IMF分量的临界值,根据临界值对IMF分量进行过滤,再将过滤后剩余的部分IMF分量重组得到新感知信号;判断新感知信号是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用;其中,临界值为所有IMF分量对应的能量中的全局极小值。
Description
技术领域
本发明涉及频谱感知技术领域,尤其涉及一种协作频谱感知方法及装置。
背景技术
随着无线电技术的进步和社会的发展,各行各业对无线电频率的需求越来越多,频谱资源匮乏的问题日益严重。目前,频谱资源采用国家统一分配授权的管理模式,将频谱分为两种类型:授权频段和非授权频段。其中,授权频段占据着大部分频谱资源,如电视广播频段,但不少授权频段处于空闲状态;开放使用的非授权频段占整个频谱资源的很少一部分,如无线局域网、无线城域网等无线网络大多使用非授权频段在工作,该频段上的用户很多,业务量也很大,无线电频段已基本趋于饱和。据美国联邦通信委员会的研究表明,已分配的频谱利用率为15%~85%。所以说,频谱资源的匮乏并不是真正意义上的频谱资源不足,更多是由频谱利用率过低造成的。
传统的频谱感知方法主要有能量检测、匹配滤波、循环特征检测和随机矩阵检测方法。但实际环境中所接收到的感知信号包括噪声,在低信噪比环境下,会影响传统频谱感知方法的检测性能。
发明内容
本发明实施例提供了一种协作频谱感知方法及装置,能够去除无线频谱感知系统中的噪声,降低噪声对系统的影响,从而提高系统的感知性能。
根据本发明的一方面,提供一种协作频谱感知方法,包括:
获取到认知用户对目标频谱的感知信号,通过经验模态分解算法对所述感知信号进行分解得到若干个IMF分量;
根据连续均方误差准则确定若干个所述IMF分量的临界值,根据所述临界值对所述IMF分量进行过滤,再将过滤后剩余的部分所述IMF分量重组得到新感知信号;
判断所述新感知信号是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用;
其中,所述临界值为所有所述IMF分量对应的能量中的全局极小值。
优选地,所述通过经验模态分解算法对所述感知信号进行分解得到若干个IMF分量具体为:
S1:确定所述感知信号为待分解信号;
S2:获取所述待分解信号的极大值包络线和极小值包络线,计算所述极大值包络线和所述极小值包络线的平均值;
S3:将所述待分解信号减去所述平均值得到新待分解信号;
S4:判断所述新待分解信号是否满足预置第一条件,若满足,则确定所述新待分解信号为IMF分量,若不满足,则将所述新待分解信号作为所述待分解信号重新执行S2;
S5:计算所述感知信号与最新一次得到的所述IMF分量之间的残差;
S6:判断最新一次得到的所述残差是否满足预置第二条件,若满足,则结束,若不满足,将最新一次得到的所述残差作为所述待分解信号并重新执行步骤S2。
优选地,所述预置第二条件为最新一次得到的所述残差为单调函数或常数。
优选地,所述根据连续均方误差准则确定若干个所述IMF分量的临界值具体为:
根据连续均方误差准则通过预置公式组确定若干个所述IMF分量的临界值;
其中,所述预置公式组为:
式中,N为感知信号的采样点数,IMFk(ti)为第k个IMF分量。
优选地,所述判断所述新感知信号是否满足检测判据具体为:
计算所述新感知信号的特征值,判断所述新感知信号的所述特征值是否满足检测判据。
优选地,本发明提供的一种协作频谱感知方法还包括:
通过聚类算法对预置的训练特征值进行迭代运算得到聚类结果,根据所述聚类结果生成所述检测判据。
优选地,所述聚类算法为K-means聚类算法或K-medoids聚类算法。
根据本发明的另一方面,提供一种协作频谱感知装置,包括:
分解模块,用于获取到认知用户对目标频谱的感知信号,通过经验模态分解算法对所述感知信号进行分解得到若干个IMF分量;
过滤模块,用于根据连续均方误差准则确定若干个所述IMF分量的临界值,根据所述临界值对所述IMF分量进行过滤,再将过滤后剩余的部分所述IMF分量重组得到新感知信号;
判断模块,用于判断所述新感知信号是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用;
其中,所述临界值为所有所述IMF分量对应的能量中的全局极小值。
根据本发明的另一方面,提供一种协作频谱感知装置,包括:存储器,以及耦接至所述存储器的处理器;
所述处理器被配置为基于存储在所述存储器设备中的指令,执行如以上所述的协作频谱感知方法。
根据本发明的另一方面,提供一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现以上所述的协作频谱感知方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种协作频谱感知方法及装置,其中,该方法包括:获取到认知用户对目标频谱的感知信号,通过经验模态分解算法对感知信号进行分解得到若干个IMF分量;根据连续均方误差准则确定若干个IMF分量的临界值,根据临界值对IMF分量进行过滤,再将过滤后剩余的部分IMF分量重组得到新感知信号;判断新感知信号是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用;其中,临界值为所有IMF分量对应的能量中的全局极小值。本发明通过经验模态分解算法对感知信号进行分解得到若干个IMF分量,再确定这些IMF分量对应的能量中的全局极小值,以该值为临界值对IMF分量进行过滤,剩余部分分量再重组得到新感知信号,因此去除了原始的感知信号中的噪声部分,降低了噪声对频谱感知方法的影响,提高了感知性能。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种协作频谱感知方法的一个实施例的流程示意图;
图2为通过经验模态分解算法对感知信号进行分解的流程示意图;
图3为本发明提供的一种协作频谱感知装置的一个实施例的结构示意图;
图4为进行仿真实验得到的虚警概率和检测概率示意图。
具体实施方式
本发明实施例提供了一种协作频谱感知方法及装置,能够去除无线频谱感知系统中的噪声,降低噪声对系统的影响,从而提高系统的感知性能。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种协作频谱感知方法,包括:
101、获取到认知用户对目标频谱的感知信号,通过经验模态分解算法对感知信号进行分解得到若干个IMF分量;
在本实施例中,假设在认知无线电网络中有M个SU(认知用户)而且每个SU的采样点数为N。我们假设H0表示为信号不存在,H1表示为信号存在。因此在两种假设下认知用户对目标频谱的感知信号的模型可表示为:
其中,si(n)表示主用户信号,wi(n)表示均值为0,方差为σ2高斯白噪声信号。频道的可用性A可以被定义为:
其中,A=0表示频道不能使用,A=1表示频道可以使用。
本发明的虚警概率和检测概率可以表示为:
Pf=P[A*=0|A=1]
Pd=P[A*=0|A=0]
在获取到认知用户对目标频谱的感知信号后,为了较优地处理非平稳、非线性信号,本实施例通过经验模态分解算法(EMD算法)对感知信号进行分解得到若干个IMF分量。
102、根据连续均方误差准则确定若干个IMF分量的临界值,根据临界值对IMF分量进行过滤,再将过滤后剩余的部分IMF分量重组得到新感知信号;
经过EMD分解后,原始的感知信号可以由若干个IMF分量和残差分量相加表示。在实际的环境中,噪声通常出现在高频段而有用的信号一般集中在低频段。因此可以去除部分高频段的IMF分量,然后对剩余的IMF分量进行重构得到去噪后的新感知信号。为了找到高频段和低频段的临界点,本发明通过连续均方误差准则找出临界值K,即:
式中,N为感知信号的采样点数,IMFk(ti)为第k个IMF分量。
临界值K表示临界值为所有IMF分量对应的能量中的全局极小值,也是低频段和高频段的分界点,找出临界值K后可以过滤掉高频段的IMF分量,用低频段的IMF分量重构得到去噪后的新感知信号
103、判断新感知信号是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用。
在本实施例中,引用随机矩阵中协方差矩阵的特征值来描述信号特征,设表示第i个SU用户重构后的采样向量,则在一个时间段内的感知矩阵可以表示为:
因此信号的协方差矩阵可以表示为在确定新感知信号的协方差矩阵后,则可以计算该矩阵的特征值Ta,判断特征值Ta是否满足检测判据:
若满足,则判定为A=1,如果不满足则判定为A=0。
可选的,步骤103中的检测判据可以提前设置,具体设置过程为:通过聚类算法对预置的训练特征值进行迭代运算得到聚类结果,根据聚类结果生成检测判据。该聚类算法为K-means聚类算法或K-medoids聚类算法。
以下将以一个具体的例子说明本发明的训练和判别过程:
(1)首先收集足够数量的训练特征矩阵T,需要说明的是,在本发明中,首先收集N个认知用户的信号特征值,把这些特征值构造成一个训练集:
T=[T1,T2,...,TN]T
其中,T是一个列向量,N是表示认知用户的个数;
(2)随机初始化簇心
(3)计算每个特征Ti(i=1,2,…,N)到各簇心的距离d,找到最小的d并重新分类;
(4)当为K-means聚类算法时,计算簇中所有点的均值并将均值作为新的簇心(当为K-medoids聚类算法时,则选择一个点即该点到其它所有(当前簇中的)点的距离之和最小的点作为新的簇心);
(5)计算如果J收敛则算法停止,否则返回(3);
(6)分类器训练成功后,导入待测试的感知信号对应的特征值Ta,通过对频道可用性A作出相应的判决。
Pf=P[A*=0|A=1]
(7)根据Pd=P[A*=0|A=0]计算出相对应的虚警概率Pf和检测概率Pd。
通过对以上例子进行仿真实验,可得结果如图4所示。该实验采用的是DMM信号特征,从图中可以看出基于EMD和聚类算法的频谱感知方法比传统的DMM方法能获得更好感知性能。
可选的,请参阅图2,步骤101中的EMD算法是根据信号的局部时间特征尺度把原信号分解成若干个本征模态函数(IMF分量)。EMD分解过程的具体步骤如下:
201、确定感知信号为待分解信号;
202、获取待分解信号的极大值包络线和极小值包络线,计算极大值包络线和极小值包络线的平均值;
203、将待分解信号减去平均值得到新待分解信号;
204、判断新待分解信号是否满足预置第一条件,若满足,则确定新待分解信号为IMF分量,若不满足,则将新待分解信号作为待分解信号重新执行202;
需要说明的是,预置第一条件为满足IMF分量的两个条件,为本领域技术人员的公知常识,此处不做具体说明。
205、计算感知信号与最新一次得到的IMF分量之间的残差;
206、判断最新一次得到的残差是否满足预置第二条件,若满足,则结束,若不满足,将最新一次得到的残差作为待分解信号并重新执行步骤202。
以下将一个实例对以上过程进行具体的说明:
(1)确定感知信号X(t)的所有局部极大值和局部极小值,找出极大值包络Xmax(t)和极小值包络Xmax(t),并计算出平均值:
(2)用原始信号X(t)减去m1(t)得到h1(t);
(3)判断h1(t)是否满足IMF的两个条件,如果满足进行步骤(4),否则对h1(t)进行步骤(1)和(2)的操作,得出均值包络线m11(t)并计算出h11(t):
h11(t)=h1(t)-m11(t)
依次下去,直到h1k(t)满足IMF条件,则:
C1(t)=h1k(t)
C1(t)为第一个IMF分量。
(4)将X(t)减去C1(t)得到残差r1(t),即:
X(t)-C1(t)=r1(t)
将r1(t)看作原始信号重复步骤(1)~(4),得到r2(t)。以此类推,直到残差rn(t)为单调函数或者常数为止。因此,信号X(t)可以表示为:
请参阅图3,本发明提供的一种协作频谱感知装置的一个实施例,包括:
分解模块301,用于获取到认知用户对目标频谱的感知信号,通过经验模态分解算法对感知信号进行分解得到若干个IMF分量;
过滤模块302,用于根据连续均方误差准则确定若干个IMF分量的临界值,根据临界值对IMF分量进行过滤,再将过滤后剩余的部分IMF分量重组得到新感知信号;
判断模块303,用于判断新感知信号是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用;
其中,临界值为所有IMF分量对应的能量中的全局极小值。
更进一步地,分解模块301包括:
获取单元,用于获取到认知用户对目标频谱的感知信号;
分解单元,用于通过经验模态分解算法对感知信号进行分解得到若干个IMF分量;
分解单元还包括:
确定子单元,用于确定感知信号为待分解信号;
第一计算子单元,用于获取待分解信号的极大值包络线和极小值包络线,计算极大值包络线和极小值包络线的平均值;
第二计算子单元,用于将待分解信号减去平均值得到新待分解信号;
第一判断子单元,用于判断新待分解信号是否满足预置第一条件,若满足,则确定新待分解信号为IMF分量,若不满足,则将新待分解信号作为待分解信号重新触发第一计算子单元;
第三计算子单元,用于计算感知信号与最新一次得到的IMF分量之间的残差;
第二判断子单元,用于判断最新一次得到的残差是否满足预置第二条件,若满足,则结束,若不满足,将最新一次得到的残差作为待分解信号并重新触发第一计算子单元。
更进一步地,预置第二条件为最新一次得到的残差为单调函数或常数。
更进一步地,根据连续均方误差准则确定若干个IMF分量的临界值具体为:
根据连续均方误差准则通过预置公式组确定若干个IMF分量的临界值;
其中,预置公式组为:
式中,N为感知信号的采样点数,IMFk(ti)为第k个IMF分量。
更进一步地,判断模块303,用于计算新感知信号的特征值,判断新感知信号的特征值是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用。
更进一步地,本发明提供的一种协作频谱感知装置还包括:
训练模块,用于通过聚类算法对预置的训练特征值进行迭代运算得到聚类结果,根据聚类结果生成检测判据。
更进一步地,聚类算法为K-means聚类算法或K-medoids聚类算法。
本发明提供的一种协作频谱感知装置的另一个实施例,包括:存储器,以及耦接至存储器的处理器;
处理器被配置为基于存储在存储器设备中的指令,执行如以上所述的协作频谱感知方法。
本发明还涉及一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以上所述的协作频谱感知方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种协作频谱感知方法,其特征在于,包括:
获取到认知用户对目标频谱的感知信号,通过经验模态分解算法对所述感知信号进行分解得到若干个IMF分量;
根据连续均方误差准则确定若干个所述IMF分量的临界值,根据所述临界值对所述IMF分量进行过滤,再将过滤后剩余的部分所述IMF分量重组得到新感知信号;
判断所述新感知信号是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用;
其中,所述临界值为所有所述IMF分量对应的能量中的全局极小值。
2.根据权利要求1所述的协作频谱感知方法,其特征在于,所述通过经验模态分解算法对所述感知信号进行分解得到若干个IMF分量具体为:
S1:确定所述感知信号为待分解信号;
S2:获取所述待分解信号的极大值包络线和极小值包络线,计算所述极大值包络线和所述极小值包络线的平均值;
S3:将所述待分解信号减去所述平均值得到新待分解信号;
S4:判断所述新待分解信号是否满足预置第一条件,若满足,则确定所述新待分解信号为IMF分量,若不满足,则将所述新待分解信号作为所述待分解信号重新执行S2;
S5:计算所述感知信号与最新一次得到的所述IMF分量之间的残差;
S6:判断最新一次得到的所述残差是否满足预置第二条件,若满足,则结束,若不满足,将最新一次得到的所述残差作为所述待分解信号并重新执行步骤S2。
3.根据权利要求2所述的协作频谱感知方法,其特征在于,所述预置第二条件为最新一次得到的所述残差为单调函数或常数。
4.根据权利要求1所述的协作频谱感知方法,其特征在于,所述根据连续均方误差准则确定若干个所述IMF分量的临界值具体为:
根据连续均方误差准则通过预置公式组确定若干个所述IMF分量的临界值;
其中,所述预置公式组为:
式中,N为感知信号的采样点数,IMFk(ti)为第k个IMF分量。
5.根据权利要求1所述的协作频谱感知方法,其特征在于,所述判断所述新感知信号是否满足检测判据具体为:
计算所述新感知信号的特征值,判断所述新感知信号的所述特征值是否满足检测判据。
6.根据权利要求5所述的协作频谱感知方法,其特征在于,还包括:
通过聚类算法对预置的训练特征值进行迭代运算得到聚类结果,根据所述聚类结果生成所述检测判据。
7.根据权利要求6所述的协作频谱感知方法,其特征在于,所述聚类算法为K-means聚类算法或K-medoids聚类算法。
8.一种协作频谱感知装置,其特征在于,包括:
分解模块,用于获取到认知用户对目标频谱的感知信号,通过经验模态分解算法对所述感知信号进行分解得到若干个IMF分量;
过滤模块,用于根据连续均方误差准则确定若干个所述IMF分量的临界值,根据所述临界值对所述IMF分量进行过滤,再将过滤后剩余的部分所述IMF分量重组得到新感知信号;
判断模块,用于判断所述新感知信号是否满足检测判据,若满足,则确定目标频谱可用,若不满足,则确定目标频谱不可用;
其中,所述临界值为所有所述IMF分量对应的能量中的全局极小值。
9.一种协作频谱感知装置,其特征在于,包括:存储器,以及耦接至所述存储器的处理器;
所述处理器被配置为基于存储在所述存储器设备中的指令,执行如权利要求1至7任意一项所述的协作频谱感知方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7任意一项所述的协作频谱感知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810194684.1A CN108494509A (zh) | 2018-03-09 | 2018-03-09 | 一种协作频谱感知方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810194684.1A CN108494509A (zh) | 2018-03-09 | 2018-03-09 | 一种协作频谱感知方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108494509A true CN108494509A (zh) | 2018-09-04 |
Family
ID=63338344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810194684.1A Pending CN108494509A (zh) | 2018-03-09 | 2018-03-09 | 一种协作频谱感知方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108494509A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160197748A1 (en) * | 2013-05-27 | 2016-07-07 | Southeast University | Blind spectrum sensing method and device based on fast fourier transform |
CN106911410A (zh) * | 2017-05-02 | 2017-06-30 | 广东工业大学 | 一种通信主用户感知方法及系统 |
CN107070568A (zh) * | 2017-04-28 | 2017-08-18 | 广东工业大学 | 一种基于希尔伯特黄变换的频谱感知方法 |
CN107395301A (zh) * | 2017-08-17 | 2017-11-24 | 广东工业大学 | 一种基于k均值算法的频谱感知方法 |
CN107733541A (zh) * | 2017-11-29 | 2018-02-23 | 广东工业大学 | 频谱感知的方法、装置、设备以及计算机可读存储介质 |
-
2018
- 2018-03-09 CN CN201810194684.1A patent/CN108494509A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160197748A1 (en) * | 2013-05-27 | 2016-07-07 | Southeast University | Blind spectrum sensing method and device based on fast fourier transform |
CN107070568A (zh) * | 2017-04-28 | 2017-08-18 | 广东工业大学 | 一种基于希尔伯特黄变换的频谱感知方法 |
CN106911410A (zh) * | 2017-05-02 | 2017-06-30 | 广东工业大学 | 一种通信主用户感知方法及系统 |
CN107395301A (zh) * | 2017-08-17 | 2017-11-24 | 广东工业大学 | 一种基于k均值算法的频谱感知方法 |
CN107733541A (zh) * | 2017-11-29 | 2018-02-23 | 广东工业大学 | 频谱感知的方法、装置、设备以及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741279B (zh) | 基于粗糙集的快速抑制模糊聚类的图像分割方法 | |
CN109165556B (zh) | 一种基于grnn身份识别方法 | |
CN105411565A (zh) | 基于广义尺度小波熵的心率变异性特征分类方法 | |
CN110428842A (zh) | 语音模型训练方法、装置、设备及计算机可读存储介质 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
DE102017116528A1 (de) | Audiosignal-Qualitätsverbesserung basierend auf quantitativer SNR-Analyse und adaptiver Wiener-Filterung | |
CN108462544A (zh) | 一种频谱感知方法及装置 | |
CN110555101A (zh) | 一种客服知识库更新方法、装置、设备及存储介质 | |
CN104135327A (zh) | 基于支持向量机的频谱感知方法 | |
JPH04505670A (ja) | 音声認識の際の雑音のロバストネスを改善するためにスペクトル的推定を行う方法 | |
CN109039500A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
CN111436926A (zh) | 基于统计特征和卷积循环神经网络的房颤信号检测方法 | |
CN111832462A (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
US20160259849A1 (en) | System and method for reducing size of raw data by performing time-frequency data analysis | |
Wiem et al. | Unsupervised single channel speech separation based on optimized subspace separation | |
Meng et al. | Gaussian mixture models of ECoG signal features for improved detection of epileptic seizures | |
CN108712222A (zh) | 一种协作频谱感知方法及相关装置 | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN108768563A (zh) | 一种协作频谱感知方法及相关装置 | |
CN104463210A (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
CN110059729A (zh) | 一种基于支持向量机和最大互相关熵的成绩预测方法 | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
Liu et al. | A novel signal separation algorithm for wideband spectrum sensing in cognitive networks | |
CN108494509A (zh) | 一种协作频谱感知方法及装置 | |
CN116980824A (zh) | 一种轻量化的加权集成学习室内csi定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |