CN108494511A - 一种基于绝对值累积的动态到达频谱感知方法 - Google Patents
一种基于绝对值累积的动态到达频谱感知方法 Download PDFInfo
- Publication number
- CN108494511A CN108494511A CN201810299112.XA CN201810299112A CN108494511A CN 108494511 A CN108494511 A CN 108494511A CN 201810299112 A CN201810299112 A CN 201810299112A CN 108494511 A CN108494511 A CN 108494511A
- Authority
- CN
- China
- Prior art keywords
- frequency spectrum
- absolute value
- indicate
- signal
- noise
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009825 accumulation Methods 0.000 title claims description 17
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004540 process dynamic Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 26
- 230000008447 perception Effects 0.000 abstract description 20
- 238000003032 molecular docking Methods 0.000 abstract description 5
- 230000001149 cognitive effect Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- JYQUHIFYBATCCY-UHFFFAOYSA-N quinalphos Chemical compound C1=CC=CC2=NC(OP(=S)(OCC)OCC)=CN=C21 JYQUHIFYBATCCY-UHFFFAOYSA-N 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
Abstract
本发明提供一种基于绝对值累积的动态到达频谱感知方法,该方法主要分为两个步骤,信号检测和判决过程,二级用户先将泊松过程动态到达的信号作为接收信号,然后对接收信号做绝对值处理,并把累计求和结果作为判决统计量,进而判决主用户存在与否,实现频谱感知。本发明在低信噪比情况下,也可以改善拉普拉斯噪声的“尖峰”问题,提高算法的检测性能,从而实现频谱的有效利用。
Description
技术领域
本发明属于无线通信领域,涉及无线通信系统认知无线电频谱感知技术。
背景技术
随着持续增长的无线业务对频谱需求不断增加,同时无线设备(智能手机、平板电脑等)的大量普及,当前固定频谱分配模式并不能为高速率数据传输的无线通信系统提供额外可以利用的频谱带宽,而实际的调查数据表明,很多已经被分配的频谱资源依然处于不充分利用的状态。美国FCC(Federal Communications Commission)的频谱策略任务工作报告(Spectrum Policy Task Force)的研究结果表明,在美国,授权频谱的实际利用率仅在15%~85%之间,授权频谱空闲率高。认知无线电(Cognitive Radio)的出现,为在不对授权用户造成干扰的情况下,对空闲频段充分使用,且合理地利用空闲授权频段,提高频谱资源的利用率,在不同时间和空间内能有效利用闲置的频谱资源,提供了一条有效的途径。
最早阐述认知无线电是在1999年Mitola教授的博士论文中。认知无线电技术是在不影响授权用户频段的正常通信基础上,通过认知时域、频域和空域等多维空间上的频谱使用状况,得到对授权用户的认知结果,动态地改变系统工作参数,实时地检测和充分利用授权的闲置频谱,从而提高频谱利用率,为频谱资源紧张的问题提供了可靠的技术保障。所以,认知无线电为实现无线频谱资源共享和提高频谱利用率提供了一种新方法。
认知无线电频谱感知可以分为以下方法:
(1)能量检测
能量检测是一种比较通用、简单的频谱感知方法,不需要知道授权用户的任何先验信息,是一种盲检测算法。其基本原理是对时域信号的采样值进行求模,然后再求平方、累计求和,即可得到检测统计量,最后通过与判决门限对比得到主用户是否存在,这就是时域能量检测法。或者根据帕萨瓦尔定理,利用频域能量检测法,即对采样信号进行快速傅里叶变换将其转换到频域,然后对频域信号取模处理,然后再求平方、累计求和,就可得到检测统计量。
(2)匹配滤波检测
匹配滤波器检测是一种比较常用的信号检测方法,它是在信号波形已知情况下的最优检测。该检测方法具备在滤波器的输出端得到接收信号最大信噪比的能力,利用此刻最大信噪比便可以最佳地判断信号是否存在,进而提高系统的检测性能。通常为了通信保密性,感知接收机不能得到授权用户的全部信息,但在部分重要信息如导引信号、同步码等已知的情况下,便可以采用匹配滤波器来进行频谱感知。
(3)循环平稳特征检测
通信信号的统计值一般都具有一定的循环周期特性,利用这种周期特性而设计的检测方法称为循环平稳特征检测,也称为周期特征检测。该检测方法可以通过谱相关函数来得到符号速率、正弦载波以及调制类型等信号特征并进行分析。调制信号的循环谱密度函数在非零的循环频率处具有较大的离散幅值,而平稳噪声的谱相关函数在循环频率非零处,几乎没有值或者值非常小,其能量主要集中于零循环频率处。
若将传统的检测算法直接应用于频谱感知系统中,存在以下不足:
(1)已有的频谱感知算法大部分都是基于理想的高斯噪声环境下完成的。由于实际无线电接收设备所处的环境存在着大量的无线信号和各种复杂的干扰,导致接收机工作在非高斯噪声环境中。而该类噪声含有较大幅度尖峰脉冲,如果用高斯噪声来描述这类噪声是不合理的。在非高斯噪声背景下,如果直接使用高斯噪声的频谱感知算法,会降低算法的检测性能。
(2)以上所提到的方法都是假设主用户的状态在感知周期中不变的情况下,这种假设在实践中很难实现,为了在低信噪比下检测主用户,频谱感知需要花费很长时间收集采样信息,在感知信号期间,主用户的状态可能发生改变,例如,主用户可能在任意的感知周期内到达,同时二级用户通过使用以上频谱感知方法可能不会检测到主用户的状态,因此,二级用户可能在主用户频段发送信息,在主用户频段二级用户占用频谱会对主用户造成干扰,这种情况在认知无线电频谱感知中要严格避免。
因而,传统的频谱感知算法在应用于频谱感知系统中,必须根据实际的动态环境进行改进。
发明内容
本发明的目的在于提供一种基于绝对值累积的动态到达(Dynamic Arrival,DA)频谱感知方法,可提高系统检测概率,适合更多的噪声环境和场景。
为达到上述目的,本发明采用了以下技术方案:
1)对接收到的主用户信号进行采样,对采样得到的信号进行绝对值处理,然后将处理结果累计求和得到判决统计量;其中,所述主用户设定为以泊松过程动态到达;
2)通过计算判决统计量在只有噪声下和噪声与信号同时存在下的理论均值及方差,得到判决门限和检测概率,通过将判决统计量与判决门限进行比较,判决主用户是否存在。
所述累计求和表示为:
其中,x(n)表示接收到的信号,N表示采样点数。
所述判决统计量表示为:
其中,x(n)表示接收到的信号,λ表示泊松过程到达率,N表示采样点数。
所述噪声选自拉普拉斯噪声。
所述步骤2)中计算的判决门限表示为:
其中,λ表示泊松过程到达率,Pf表示虚警概率,δ2表示拉普拉斯噪声的方差,Q-1(·)表示Q函数的反函数,N表示采样点数。
所述虚警概率表示为:
所述检测概率按照以下公式计算:
其中,λ表示泊松过程到达率,δ2表示拉普拉斯噪声的方差,Q(·)表示Q函数,SNR表示主用户信噪比,N表示采样点数。
所述判决基于以下对于接收信号的假设:
其中,x(n)表示接收到的信号,s(n)表示主用户信号,w(n)表示均值为0、方差为δ2的拉普拉斯噪声,H0表示主用户不存在,H1表示主用户和噪声同时存在,j表示主用户到达之前持续的时间,N表示采样点数。
所述步骤3)中,若判决统计量>判决门限,则主用户存在,若判决统计量≤判决门限,则主用户不存在。
本发明的有益效果体现在:
本发明利用传统能量检测算法的特点,针对噪声的不确定性和信号动态接入问题,在拉普拉斯噪声下提出了一种基于绝对值累积的动态频谱感知方法。与现有能量检测算法相比,本发明在继承传统能量算法的设计思想的基础上,对引入拉普拉斯噪声环境和以泊松过程任意到达后的感知系统做出改进,使得系统更适合认知无线电网络频谱感知,实现在低信噪比下检测,同时降低拉普拉斯噪声的尖峰影响,可以适应不同现实环境的需求,从而提高系统的检测概率,缩短检测时间,提高检测效率。通过仿真结果对比,本发明在相同约束条件下的检测概率高于原始能量检测算法,通过提高算法的检测性能,从而实现频谱的有效利用。
附图说明
图1为拉普拉斯噪声(a)与高斯噪声(b)频谱对比图。
图2为基于绝对值累积的DA频谱感知方法流程图。
图3为虚警概率与检测概率的特征曲线。
图4为在不同信噪比下检测概率的对比曲线。
图5为在不同采样点下检测概率的对比曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
针对拉普拉斯噪声频谱感知的特点,本发明对于传统的能量检测算法做出改进,提出一种基于绝对值累积(Absolute Value Cumulating,AVC)算法的动态频谱感知方法。
在拉普拉斯噪声环境下,本发明针对主用户的频谱感知做两方面的技术改进:
1)基于AVC算法对接收信号进行处理
AVC算法是对接收信号进行绝对值处理,然后将处理结果累计求和作为检测统计量:
在拉普拉斯噪声下接收信号模型更加适应实际环境,但拉普拉斯噪声不属于平滑噪声。为此,本发明首先对接收信号进行绝对值处理,然后进行累计求和,通过绝对值累积算法改进之后,本发明可以抑制噪声的“尖峰”。
2)主用户以动态形式到达
本发明假设主用户以固定到达率的泊松过程动态到达,泊松过程是实现随机到达的函数类型,当主用户以泊松过程到达时,可以实现主用户的随机到达,结合绝对值累积算法,对原始的能量检测算法进行改进,提高频谱感知检测概率。
本发明采用的认知无线电系统,考虑一个非合作频谱感知的场景,每个二级用户单独执行检测任务。场景包含一个主用户PU,一个二级用户SU,二级用户装备两个天线,一个用来检测主用户频谱,另一个用来传送数据,两个天线不能同时工作。
本发明提出的基于绝对值累积的DA频谱感知方法主要由两部分组成,即信号检测阶段和判决阶段。第一部分就是在拉普拉斯噪声环境下,对任意动态到达的信号进行采样,对信号做绝对值处理,然后通过累计求和处理构造得到判决统计量。第二部分就是对第一部分得到的判决统计量在不同条件下的均值和方差进行计算,求得判决门限和检测概率,最后,通过判决门限和判决统计量对比,得到主用户存在与否的结果。本发明具体实现过程如下:
1.信号检测阶段,对接收信号进行处理的具体过程如下:
1)根据如下系统模型对接收到的信号进行信号采样:
其中x(n)是接收到的信号,s(n)表示主用户信号,w(n)表示的是均值为0、方差是δ2的拉普拉斯噪声,n表示的是第n次采样,H0表示主用户不存在,H1表示主用户和噪声同时存在,j是主用户到达之前持续的时间,它的大小在0到N-1之间,N表示采样点个数。主用户是任意到达的,可以假设它是到达率为λ的泊松过程,因此,主用户到达和不到达的概率分别是1-e-λ和e-λ,所以主用户在第j时刻到达的概率是(1-e-λ)e-λj,接收信号以泊松过程动态到达。
2)在对二级用户接收到的主用户信号进行采样之后完成绝对值变换,对信号进行绝对值变换,可以使接收信号趋于正值且可以降低噪声信号的“尖峰”情况。
3)经过步骤2)后,对整个采样周期进行累计求和处理得到判决统计量。
2.判决阶段,由判决统计量经过处理进行判决包括以下步骤:
1)推导理论均值和方差,在拉普拉斯噪声下基于绝对值累积的动态到达频谱感知,分析只有噪声下和噪声与信号同时存在下,判决统计量的均值和方差的两组结果,同时可以得到判决门限。
①其中,根据主用户以到达率为λ的泊松过程动态到达,当主用户在第j个采样时间到达时,存在一个判决统计量:
②在H0假设下接收信号只有均值为0、方差为δ2的拉普拉斯噪声,拉普拉斯噪声的概率密度函数函数为:
判决统计量的均值和方差分别为:
③在H1假设下接收信号有拉普拉斯噪声和主用户信号,判决统计量的理论均值和方差分别为:
SNR表示主用户的信噪比。
2)经过步骤1)后,得到的均值和方差通过计算可以得到判决门限,然后和判决统计量进行对比,根据对比结果就可以对主用户是否存在进行判决,实现频谱感知。
经过上述过程得到的判决统计量Δ,当N趋于无穷大时,根据中心极限定理,判决统计量Δ是服从高斯分布的,根据N-P准则以及上述公式(10)、(11)计算的均值E[Δ|H0]和方差D[Δ|H0],可以得到虚警概率:
Q(·)表示Q函数,表达式为:
然后可以得到判决门限:
同理,根据公式(12)、(13)可以得到检测概率:
仿真实例
如图1所示,由于现实环境中存在多种无线干扰,高斯噪声信号的噪声过于平滑,不符合实际情况,本发明是在拉普拉斯噪声环境下实现,而拉普拉斯噪声信号存在“尖峰”,所以在拉普拉斯噪声下要减小“尖峰”的影响。
参见图2,判决结果的获取流程,包括以下步骤:
1)对二级用户接收到的信号进行采样,根据场景需要和实际环境,采样处理按照公式(8)模式进行;
2)对采样后的信号进行取绝对值处理;
3)对整个采样周期内(一般采样点可以随机设置)的采样信号(采样点数为N)绝对值进行累计求和(参考公式(7)所示的检测统计量计算方式);
4)得到主用户在第j个采样时间到达时的判决统计量(公式(9));
5)将判决门限(即在H0假设下,根据公式(15)计算得到的γ)和判决统计量进行对比,得到判决结果,若判决统计量>判决门限,则主用户存在,若判决统计量≤判决门限,则主用户不存在,二级用户可以利用当前频谱;
6)在H1假设下可以,根据公式(16)得到检测概率Pd,检测概率可以体现算法性能。
原始能量检测(Energy Detection ED):拉普拉斯噪声下,ED算法是对二级用户接收到的采样信号进行绝对值平方处理,判决统计量可表示为:
通过得到的判决统计量,在假设的二元模型下计算理论的均值和方差,最后得到判决门限和检测概率,由于能量检测是对接收信号进行平方处理,噪声的“尖峰”影响不能降低到有效范围,同时主用户在感知周期内不能动态变化,算法效果不理想。
参见图3,仿真给出的参数为采样点数为100、SNR=-5dB、到达率为1。绝对值累积算法(公式1)能够将拉普拉斯噪声的尖峰降低到很低范围,减小噪声对主用户的影响,基于绝对值累积的DA频谱感知算法,使得系统在相同虚警概率下的检测概率与原始能量检测算法相比得到了明显提升,同时理论值和仿真值基本相同也说明了本发明的正确性,因此,实现了资源的合理利用。
参见图4,仿真给出的参数为:Pf=0.01、采样点数为100、到达率为1。基于绝对值累积的DA频谱感知方法,由于在拉普拉斯噪声下,通过主用户以泊松过程到达,使得主用户状态可以动态变化,在相同检测概率时可以在低信噪比下实现检测,提升系统频谱利用率。
参见图5,仿真给出的参数为:Pf=0.01、SNR=-5dB、到达率为1。基于绝对值累积的DA频谱感知算法可以在相同检测概率时节省采样点,缩短检测时间,从而提高检测效率。
总之,本发明适用于认知无线电网络,旨在将基于绝对值累积的DA频谱感知算法应用到认知无线电频谱感知系统中。通过绝对值累积算法和主用户动态到达,在不影响主用户的前提下,实现对有限的频率资源的合理利用,以提升系统的吞吐量。仿真结果表明,本发明在相同虚警概率及不同信噪比下的检测概率高于现有ED算法的检测概率。同时,在拉普拉斯噪声下,通过泊松过程动态到达的主用户,得到的理论检测概率与实验仿真结果相符,即本发明可以解决主用户动态接入问题。
Claims (9)
1.一种基于绝对值累积的动态到达频谱感知方法,其特征在于:包括以下步骤:
1)对接收到的主用户信号进行采样,对采样得到的信号进行绝对值处理,然后将处理结果累计求和得到判决统计量;其中,所述主用户设定为以泊松过程动态到达;
2)通过计算判决统计量在只有噪声下和噪声与信号同时存在下的理论均值及方差,得到判决门限和检测概率,通过将判决统计量与判决门限进行比较,判决主用户是否存在。
2.根据权利要求1所述一种基于绝对值累积的动态到达频谱感知方法,其特征在于:所述累计求和表示为:
其中,x(n)表示接收到的信号,N表示采样点数。
3.根据权利要求1所述一种基于绝对值累积的动态到达频谱感知方法,其特征在于:所述判决统计量表示为:
其中,x(n)表示接收到的信号,λ表示泊松过程到达率,N表示采样点数。
4.根据权利要求1所述一种基于绝对值累积的动态到达频谱感知方法,其特征在于:所述噪声选自拉普拉斯噪声。
5.根据权利要求1所述一种基于绝对值累积的动态到达频谱感知方法,其特征在于:计算的判决门限表示为:
其中,λ表示泊松过程到达率,Pf表示虚警概率,δ2表示拉普拉斯噪声的方差,Q-1(·)表示Q函数的反函数,N表示采样点数。
6.根据权利要求5所述一种基于绝对值累积的动态到达频谱感知方法,其特征在于:所述虚警概率表示为:
7.根据权利要求1所述一种基于绝对值累积的动态到达频谱感知方法,其特征在于:所述检测概率按照以下公式计算:
其中,λ表示泊松过程到达率,δ2表示拉普拉斯噪声的方差,Q(·)表示Q函数,SNR表示主用户信噪比,N表示采样点数。
8.根据权利要求1所述一种基于绝对值累积的动态到达频谱感知方法,其特征在于:所述判决基于以下对于接收信号的假设:
其中,x(n)表示接收到的信号,s(n)表示主用户信号,w(n)表示均值为0、方差为δ2的拉普拉斯噪声,H0表示主用户不存在,H1表示主用户和噪声同时存在,j表示主用户到达之前持续的时间,N表示采样点数。
9.根据权利要求1所述一种基于绝对值累积的动态到达频谱感知方法,其特征在于:所述步骤2)中,若判决统计量>判决门限,则主用户存在,若判决统计量≤判决门限,则主用户不存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810299112.XA CN108494511B (zh) | 2018-04-04 | 2018-04-04 | 一种基于绝对值累积的动态到达频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810299112.XA CN108494511B (zh) | 2018-04-04 | 2018-04-04 | 一种基于绝对值累积的动态到达频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108494511A true CN108494511A (zh) | 2018-09-04 |
CN108494511B CN108494511B (zh) | 2021-10-22 |
Family
ID=63314696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810299112.XA Expired - Fee Related CN108494511B (zh) | 2018-04-04 | 2018-04-04 | 一种基于绝对值累积的动态到达频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108494511B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111726182A (zh) * | 2020-05-30 | 2020-09-29 | 西安电子科技大学 | 一种非高斯噪声衰落信道下多主用户动态频谱感知方法 |
CN111800795A (zh) * | 2020-06-06 | 2020-10-20 | 西安电子科技大学 | 一种认知无人机网络中非高斯噪声下频谱感知方法 |
CN114268393A (zh) * | 2021-11-24 | 2022-04-01 | 金陵科技学院 | 一种基于连通分量个数特征的认知无线电频谱感知方法 |
CN114265359A (zh) * | 2021-12-15 | 2022-04-01 | 昆船智能技术股份有限公司 | 一种输送设备运行时间异常的智能检测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105227253A (zh) * | 2015-08-20 | 2016-01-06 | 黑龙江科技大学 | 一种新型的基于能量检测的双门限协作频谱感知算法 |
CN106936527A (zh) * | 2017-03-15 | 2017-07-07 | 莆田学院 | 一种基于双门限的多用户合作频谱感知方法 |
US20170299641A1 (en) * | 2014-10-04 | 2017-10-19 | Intelligent Fusion Technology, Inc. | Sliding window energy detection for spectrum sensing under low snr conditions |
-
2018
- 2018-04-04 CN CN201810299112.XA patent/CN108494511B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170299641A1 (en) * | 2014-10-04 | 2017-10-19 | Intelligent Fusion Technology, Inc. | Sliding window energy detection for spectrum sensing under low snr conditions |
CN105227253A (zh) * | 2015-08-20 | 2016-01-06 | 黑龙江科技大学 | 一种新型的基于能量检测的双门限协作频谱感知算法 |
CN106936527A (zh) * | 2017-03-15 | 2017-07-07 | 莆田学院 | 一种基于双门限的多用户合作频谱感知方法 |
Non-Patent Citations (3)
Title |
---|
NORMAN C. BEAULIEU等: "Improved Energy Detectors for Cognitive Radios With Randomly Arriving or Departing Primary Users", 《IEEE SIGNAL PROCESSING LETTERS》 * |
RUI GAO等: "Absolute Value Cumulating Based Spectrum Sensing with Laplacian Noise in Cognitive Radio Networks", 《WIRELESS PERSONAL COMMUNICATIONS》 * |
王俊等: "授权用户信号随机到达时基于双门限的多用户合作频谱感知方法", 《电波科学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111726182A (zh) * | 2020-05-30 | 2020-09-29 | 西安电子科技大学 | 一种非高斯噪声衰落信道下多主用户动态频谱感知方法 |
CN111800795A (zh) * | 2020-06-06 | 2020-10-20 | 西安电子科技大学 | 一种认知无人机网络中非高斯噪声下频谱感知方法 |
CN114268393A (zh) * | 2021-11-24 | 2022-04-01 | 金陵科技学院 | 一种基于连通分量个数特征的认知无线电频谱感知方法 |
CN114268393B (zh) * | 2021-11-24 | 2023-05-12 | 金陵科技学院 | 一种基于连通分量个数特征的认知无线电频谱感知方法 |
CN114265359A (zh) * | 2021-12-15 | 2022-04-01 | 昆船智能技术股份有限公司 | 一种输送设备运行时间异常的智能检测系统及方法 |
CN114265359B (zh) * | 2021-12-15 | 2023-08-25 | 昆船智能技术股份有限公司 | 一种输送设备运行时间异常的智能检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108494511B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108494511A (zh) | 一种基于绝对值累积的动态到达频谱感知方法 | |
Tang et al. | Artificial neural network based spectrum sensing method for cognitive radio | |
Geirhofer et al. | A measurement-based model for dynamic spectrum access in WLAN channels | |
Pillay et al. | Blind eigenvalue-based spectrum sensing for cognitive radio networks | |
Yue et al. | Spectrum sensing algorithms for primary detection based on reliability in cognitive radio systems | |
CN101710848B (zh) | 基于模糊积分和最优化理论的合作式频谱感知方法 | |
CN107820255B (zh) | 一种改进的协方差绝对值协作频谱感知方法 | |
CN103873171B (zh) | 基于多用户互协作的协作频谱感知决策融合方法 | |
CN104780006A (zh) | 基于最小错误概率准则的频谱检测器软融合方法 | |
CN107113640A (zh) | 用于分析wi‑fi节点的无线链路的方法、执行方法的相应电路以及应用 | |
CN103338082A (zh) | 一种基于“k秩”准则的双门限协作频谱感知方法 | |
CN105721083B (zh) | 一种基于自相关能量的频谱检测方法 | |
CN103220054B (zh) | 一种基于Gabor算法的认知无线电频谱感知方法和系统 | |
CN105959246A (zh) | 一种抗干扰方法 | |
CN102324992B (zh) | 一种自适应门限的能量检测方法 | |
CN106100776B (zh) | 基于无线台站网格监测系统的频谱感知方法 | |
Swetha et al. | Analysis of spectrum sensing based on energy detection method in cognitive radio networks | |
CN105429913B (zh) | 基于特征值的多电平检测与识别方法 | |
CN110289926A (zh) | 基于调制信号循环自相关函数对称峰值的频谱感知方法 | |
Kalambe et al. | Performance evolution of energy detection spectrum sensing technique used in cognitive radio | |
CN108400826A (zh) | 一种基于循环矩阵特征值的频谱感知方法 | |
CN102386985A (zh) | 适用于马尔可夫业务模型的频谱感知方法 | |
Kundargi et al. | Sequential pilot sensing of ATSC signals in IEEE 802.22 cognitive radio networks | |
CN102118200B (zh) | 一种基于协方差绝对值法的频谱检测方法 | |
CN104022839A (zh) | 一种应用于合作频谱感知的信息融合判决方法 |
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 | ||
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: 20211022 |