CN109104741A - 一种样本分组方法及使用其估计主用户占空比的方法 - Google Patents
一种样本分组方法及使用其估计主用户占空比的方法 Download PDFInfo
- Publication number
- CN109104741A CN109104741A CN201811218628.3A CN201811218628A CN109104741A CN 109104741 A CN109104741 A CN 109104741A CN 201811218628 A CN201811218628 A CN 201811218628A CN 109104741 A CN109104741 A CN 109104741A
- Authority
- CN
- China
- Prior art keywords
- grouping
- duty ratio
- samples
- time slot
- main user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 230000001149 cognitive effect Effects 0.000 claims description 14
- 230000000295 complement effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种样本分组方法及使用其估计主用户占空比的方法,该样本分组方法的处理过程为:首先,对一个时隙内的信号进行采样,采样得到2的整数次幂个样本;其次,将对该时隙内的信号进行采样得到的所有样本中连续的多个样本分到一组,平均分成多组,然后计算在这种分组情况下的门限值和主用户占空比的均方误差;再次,在重新分组判定条件成立时,对该时隙内的信号进行采样得到的所有样本重新平均分成多组,进而获得在这种分组情况下的门限值和主用户占空比的均方误差;在重新分组判定条件不成立时,将倒数第二次的分组数作为最优样本组数;优点是其能够有效地降低主用户信噪比对主用户占空比估计的影响,能够准确估计出主用户占空比。
Description
技术领域
本发明涉及一种估计主用户占空比的技术,尤其是涉及一种样本分组方法及使用其估计主用户占空比的方法。
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。无线电频谱资源的有限性与人们对无线电频谱资源的需求的大幅提升,构成了当今无线通信发展的一大矛盾。大量的研究表明,现有的固定频谱分配管理策略导致大量的无线电频谱资源无法得到充分利用,造成无线电频谱资源短缺和频谱利用率低这一事实。因此,充分提高无线电频谱资源的利用率将成为有效缓解上述矛盾的关键。在这种情况下,动态频谱接入技术得到了广泛的关注,动态频谱接入可以提高频谱利用率,缓解频谱不足的问题,认知无线电是动态频谱接入的重要技术之一。在认知无线电中,主用户流量信息的获取可以显著提高次级用户的频谱感知和信道选择性能,从而获得更高的频谱利用率。主用户流量的一个关键参数是占空比,它代表了主信号对许可信道的占用率。
为了获得更高的频谱利用率,实现更有效的无线电频谱资源分配,就需要获取主用户占空比信息。现有的主用户占空比的估计方法最主要的就是平均检测法,其将每组样本的平均功率与门限值进行比较,计算出其中平均功率大于门限值的组数所占的比例,作为占空比。那么,如何对样本进行分组比较合适就是一个值得深究的问题了。当前使用的方法大多都是固定分组数,即不管主用户信噪比高还是低,组数以及每组的样本数都是固定的,没有充分考虑主用户信噪比变化所带来的估计误差,这很大程度地限制了主用户占空比估计的性能,最终导致估计出来的主用户占空比与真实占空比存在较大差异。
发明内容
本发明所要解决的技术问题是提供一种样本分组方法及使用其估计主用户占空比的方法,其能够有效地降低主用户信噪比对主用户占空比估计的影响,能够准确估计出主用户占空比。
本发明解决上述技术问题所采用的技术方案为:一种样本分组方法,其特征在于它的处理过程为:首先,对一个时隙内的信号进行采样,采样得到2的整数次幂个样本;其次,将对该时隙内的信号进行采样得到的所有样本中连续的多个样本分到一组,平均分成多组,然后计算在这种分组情况下的门限值和主用户占空比的均方误差;再次,在重新分组判定条件成立的前提下,对该时隙内的信号进行采样得到的所有样本重新平均分成多组,进而获得在这种分组情况下的门限值和主用户占空比的均方误差;在重新分组判定条件不成立的前提下,将倒数第二次的分组数作为针对主用户占空比估计的最优样本组数。
该样本分组方法具体包括以下步骤:
步骤一:在认知无线电系统中,任选一个时隙作为当前时隙;然后对当前时隙内的信号进行N次采样,采样得到N个样本;其中,N为2的整数次幂,N=2M,M为大于10的正整数;
步骤二:计算初始的门限值,记为λ0,其中,Q-1()表示Q()的反函数,Q()表示标准正态分布的互补累计分布函数,Pf表示预先设定的虚警概率,Pf∈[0,1],E0表示认知无线电系统中的噪声功率;
步骤三:根据λ0,计算主用户占空比的初始均方误差,记为V0,V0=(Pd,0+Pf)((1-Pd,0)+(1-Pf))+(Pd,0+Pf-1)2;其中,E1表示主用户信号功率和E0之和;
步骤四:将对当前时隙内的信号进行采样得到的N个样本中连续的2M-k个样本分到同一组,共平均分成2k组,将这种分组情况作为第k种分组情况;其中,k为正整数,k的初始值为1,1≤k≤M;
步骤五:计算在第k种分组情况下的门限值,记为λk,
步骤六:根据λk,计算在第k种分组情况下主用户占空比估计值的均方误差,记为Vk,其中,
步骤七:判断重新分组判定条件Vk-Vk-1<0是否成立,如果成立,则令k=k+1,再返回步骤四继续执行;如果不成立,则执行步骤八;其中,k=1时Vk-1即为V0,k≠1时Vk-1表示在第k-1种分组情况下的主用户占空比估计值的均方误差,k=k+1中的“=”为赋值符号;
步骤八:将第k-1种分组情况作为针对主用户占空比估计的最优分组情况,认为2k -1为针对主用户占空比估计的最优样本组数。
一种使用上述的样本分组方法估计主用户占空比的方法,其特征在于它的处理过程为:首先,对一个时隙内的信号进行采样,采样得到2的整数次幂个样本;其次,将对该时隙内的信号进行采样得到的所有样本中连续的多个样本分到一组,平均分成多组,然后计算在这种分组情况下的门限值和主用户占空比的均方误差;再次,在重新分组判定条件成立的前提下,对该时隙内的信号进行采样得到的所有样本重新平均分成多组,进而获得在这种分组情况下的门限值和主用户占空比的均方误差;在重新分组判定条件不成立的前提下,将倒数第二次的分组数作为针对主用户占空比估计的最优样本组数;最后,根据最优样本组数,计算每组内的所有样本的平均功率,然后将每组内的所有样本的平均功率与在对应分组情况下的门限值作比较,接着将平均功率大于在对应分组情况下的门限值的所有组所占比例作为主用户占空比的估计值。
该使用样本分组方法估计主用户占空比的方法具体包括以下步骤:
步骤一:在认知无线电系统中,任选一个时隙作为当前时隙;然后对当前时隙内的信号进行N次采样,采样得到N个样本;其中,N为2的整数次幂,N=2M,M为大于10的正整数;
步骤二:计算初始的门限值,记为λ0,其中,Q-1()表示Q()的反函数,Q()表示标准正态分布的互补累计分布函数,Pf表示预先设定的虚警概率,Pf∈[0,1],E0表示认知无线电系统中的噪声功率;
步骤三:根据λ0,计算主用户占空比的初始均方误差,记为V0,V0=(Pd,0+Pf)((1-Pd,0)+(1-Pf))+(Pd,0+Pf-1)2;其中, E 1表示主用户信号功率和E0之和;
步骤四:将对当前时隙内的信号进行采样得到的N个样本中连续的2M-k个样本分到同一组,共平均分成2k组,将这种分组情况作为第k种分组情况;其中,k为正整数,k的初始值为1,1≤k≤M;
步骤五:计算在第k种分组情况下的门限值,记为λk,
步骤六:根据λk,计算在第k种分组情况下主用户占空比估计值的均方误差,记为Vk,其中,
步骤七:判断重新分组判定条件Vk-Vk-1<0是否成立,如果成立,则令k=k+1,再返回步骤四继续执行;如果不成立,则执行步骤八;其中,k=1时Vk-1即为V0,k≠1时Vk-1表示在第k-1种分组情况下的主用户占空比估计值的均方误差,k=k+1中的“=”为赋值符号;
步骤八:将第k-1种分组情况作为针对主用户占空比估计的最优分组情况,认为2k -1为针对主用户占空比估计的最优样本组数;然后执行步骤九;
步骤九:将对当前时隙内的信号进行采样得到的N个样本平均分成2k-1组;然后计算每组内的2M-k+1个样本的平均功率,将第i组内的2M-k+1个样本的平均功率记为Ti,其中,符号“”为取模运算符号,i和j为正整数,1≤i≤2k-1,1≤j≤2M-k+1,xi(j)表示第i组内的第j个样本;
步骤十:将每组内的2M-k+1个样本的平均功率与λk-1作比较,列出平均功率大于λk-1的所有组,若Ti大于λk-1,则将第i组列出;然后计算列出的所有组的组数与2k-1的比值,将该比值作为主用户占空比的估计值。
与现有技术相比,本发明的优点在于:
1)在对一个时隙内采样得到的样本的数目有限的情况下,本发明方法得到的分组数会随着无线电环境自适应变化,从而能更充分地利用这些样本,提高了估计精度,缩小了估计出来的主用户占空比与真实占空比之间的差异。
2)本发明方法在不同的主用户信噪比下,都对应着不同的分组情况,即分组数和每组内的样本数均不固定,可以很好地适应主用户信噪比的变化,即便主用户信噪比很低,依旧会保持较好的主用户占空比估计性能。
附图说明
图1为本发明的样本分组方法的流程框图;
图2为分别使用本发明方法和固定分组的平均估计法估计出的主用户占空比的均方误差随主用户信噪比变化的性能曲线对比图。
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。
实施例一:
本实施例提出的一种样本分组方法,其流程框图如图1所示,其处理过程为:首先,对一个时隙内的信号进行采样,采样得到2的整数次幂个样本;其次,将对该时隙内的信号进行采样得到的所有样本中连续的多个样本分到一组,平均分成多组,然后计算在这种分组情况下的门限值和主用户占空比的均方误差;再次,在重新分组判定条件成立的前提下,对该时隙内的信号进行采样得到的所有样本重新平均分成多组,进而获得在这种分组情况下的门限值和主用户占空比的均方误差;在重新分组判定条件不成立的前提下,将倒数第二次的分组数作为针对主用户占空比估计的最优样本组数。
本实施例的样本分组方法,其具体包括以下步骤:
步骤一:在认知无线电系统中,任选一个时隙作为当前时隙;然后对当前时隙内的信号进行N次采样,采样得到N个样本;其中,N为2的整数次幂,N=2M,M为大于10的正整数,如取M=20。
步骤二:计算初始的门限值,记为λ0,其中,Q-1()表示Q()的反函数,Q()表示标准正态分布的互补累计分布函数,Pf表示预先设定的虚警概率,Pf∈[0,1],在本实施例中取Pf=0.1,E0表示认知无线电系统中的噪声功率,E0可以通过现有技术求得。
步骤三:根据λ0,计算主用户占空比的初始均方误差,记为V0,V0=(Pd,0+Pf)((1-Pd,0)+(1-Pf))+(Pd,0+Pf-1)2;其中,E1表示主用户信号功率和E0之和,主用户信号功率可获得。
步骤四:将对当前时隙内的信号进行采样得到的N个样本中连续的2M-k个样本分到同一组,共平均分成2k组,将这种分组情况作为第k种分组情况;其中,k为正整数,k的初始值为1,1≤k≤M。
步骤五:计算在第k种分组情况下的门限值,记为λk,
步骤六:根据λk,计算在第k种分组情况下主用户占空比估计值的均方误差,记为Vk,其中,
步骤七:判断重新分组判定条件Vk-Vk-1<0是否成立,如果成立,则令k=k+1,再返回步骤四继续执行;如果不成立,则执行步骤八;其中,k=1时Vk-1即为V0,k≠1时Vk-1表示在第k-1种分组情况下的主用户占空比估计值的均方误差,k=k+1中的“=”为赋值符号。
步骤八:将第k-1种分组情况作为针对主用户占空比估计的最优分组情况,认为2k -1为针对主用户占空比估计的最优样本组数。
实施例二:
本实施例提出了一种使用实施例一的样本分组方法估计主用户占空比的方法,其处理过程为:首先,对一个时隙内的信号进行采样,采样得到2的整数次幂个样本;其次,将对该时隙内的信号进行采样得到的所有样本中连续的多个样本分到一组,平均分成多组,然后计算在这种分组情况下的门限值和主用户占空比的均方误差;再次,在重新分组判定条件成立的前提下,对该时隙内的信号进行采样得到的所有样本重新平均分成多组,进而获得在这种分组情况下的门限值和主用户占空比的均方误差;在重新分组判定条件不成立的前提下,将倒数第二次的分组数作为针对主用户占空比估计的最优样本组数;最后,根据最优样本组数,计算每组内的所有样本的平均功率,然后将每组内的所有样本的平均功率与在对应分组情况下的门限值作比较,接着将平均功率大于在对应分组情况下的门限值的所有组所占比例作为主用户占空比的估计值。
本实施例的使用样本分组方法估计主用户占空比的方法,其具体包括以下步骤:
步骤一:在认知无线电系统中,任选一个时隙作为当前时隙;然后对当前时隙内的信号进行N次采样,采样得到N个样本;其中,N为2的整数次幂,N=2M,M为大于10的正整数,如取M=20。
步骤二:计算初始的门限值,记为λ0,其中,Q-1()表示Q()的反函数,Q()表示标准正态分布的互补累计分布函数,Pf表示预先设定的虚警概率,Pf∈[0,1],在本实施例中取Pf=0.1,E0表示认知无线电系统中的噪声功率,E0可以通过现有技术求得。
步骤三:根据λ0,计算主用户占空比的初始均方误差,记为V0,其中,E1表示主用户信号功率和E0之和,主用户信号功率可获得。
步骤四:将对当前时隙内的信号进行采样得到的N个样本中连续的2M-k个样本分到同一组,共平均分成2k组,将这种分组情况作为第k种分组情况;其中,k为正整数,k的初始值为1,1≤k≤M。
步骤五:计算在第k种分组情况下的门限值,记为λk,
步骤六:根据λk,计算在第k种分组情况下主用户占空比估计值的均方误差,记为Vk,其中,
步骤七:判断重新分组判定条件Vk-Vk-1<0是否成立,如果成立,则令k=k+1,再返回步骤四继续执行;如果不成立,则执行步骤八;其中,k=1时Vk-1即为V0,k≠1时Vk-1表示在第k-1种分组情况下的主用户占空比估计值的均方误差,k=k+1中的“=”为赋值符号。
步骤八:将第k-1种分组情况作为针对主用户占空比估计的最优分组情况,认为2k -1为针对主用户占空比估计的最优样本组数;然后执行步骤九。
步骤九:将对当前时隙内的信号进行采样得到的N个样本平均分成2k-1组;然后计算每组内的2M-k+1个样本的平均功率,将第i组内的2M-k+1个样本的平均功率记为Ti,其中,符号“||”为取模运算符号,i和j为正整数,1≤i≤2k-1,1≤j≤2M-k+1,xi(j)表示第i组内的第j个样本。
步骤十:将每组内的2M-k+1个样本的平均功率与λk-1作比较,列出平均功率大于λk-1的所有组,若Ti大于λk-1,则将第i组列出;然后计算列出的所有组的组数与2k-1的比值,将该比值作为主用户占空比的估计值。
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。
图2给出了分别使用本发明方法和固定分组的平均估计法(即平均检测法)估计出的主用户占空比的均方误差随主用户信噪比变化的性能曲线对比图。在仿真中,一个时隙内采样得到的样本数N(N=217)保持不变,主用户信噪比由小到大变化(-10dB到2dB),Pf=0.1。从图2中可以看出,两种方法的估计精确度都会随着主用户信噪比的增加而提高,不过本发明方法的性能要优于固定分组的平均估计法;并且本发明方法即便在主用户信噪比很低的情况下也有着较好的性能,而固定分组的平均估计法则对主用户信噪比很敏感,即在低信噪比下性能很差。因此,本发明的样本分组方法确实是能够很好地提高主用户占空比估计的准确度。同时也可以看到,在主用户信噪比变小的时候,本发明方法的性能也有所下降,此时如果条件允许,则可以通过增加一个时隙内采样的样本数N来提高本发明方法的性能。
Claims (4)
1.一种样本分组方法,其特征在于它的处理过程为:首先,对一个时隙内的信号进行采样,采样得到2的整数次幂个样本;其次,将对该时隙内的信号进行采样得到的所有样本中连续的多个样本分到一组,平均分成多组,然后计算在这种分组情况下的门限值和主用户占空比的均方误差;再次,在重新分组判定条件成立的前提下,对该时隙内的信号进行采样得到的所有样本重新平均分成多组,进而获得在这种分组情况下的门限值和主用户占空比的均方误差;在重新分组判定条件不成立的前提下,将倒数第二次的分组数作为针对主用户占空比估计的最优样本组数。
2.根据权利要求1所述的一种样本分组方法,其特征在于具体包括以下步骤:
步骤一:在认知无线电系统中,任选一个时隙作为当前时隙;然后对当前时隙内的信号进行N次采样,采样得到N个样本;其中,N为2的整数次幂,N=2M,M为大于10的正整数;
步骤二:计算初始的门限值,记为λ0,其中,Q-1()表示Q()的反函数,Q()表示标准正态分布的互补累计分布函数,Pf表示预先设定的虚警概率,Pf∈[0,1],E0表示认知无线电系统中的噪声功率;
步骤三:根据λ0,计算主用户占空比的初始均方误差,记为V0,V0=(Pd,0+Pf)((1-Pd,0)+(1-Pf))+(Pd,0+Pf-1)2;其中,E1表示主用户信号功率和E0之和;
步骤四:将对当前时隙内的信号进行采样得到的N个样本中连续的2M-k个样本分到同一组,共平均分成2k组,将这种分组情况作为第k种分组情况;其中,k为正整数,k的初始值为1,1≤k≤M;
步骤五:计算在第k种分组情况下的门限值,记为λk,
步骤六:根据λk,计算在第k种分组情况下主用户占空比估计值的均方误差,记为Vk,其中,
步骤七:判断重新分组判定条件Vk-Vk-1<0是否成立,如果成立,则令k=k+1,再返回步骤四继续执行;如果不成立,则执行步骤八;其中,k=1时Vk-1即为V0,k≠1时Vk-1表示在第k-1种分组情况下的主用户占空比估计值的均方误差,k=k+1中的“=”为赋值符号;
步骤八:将第k-1种分组情况作为针对主用户占空比估计的最优分组情况,认为2k-1为针对主用户占空比估计的最优样本组数。
3.一种使用权利要求2所述的样本分组方法估计主用户占空比的方法,其特征在于它的处理过程为:首先,对一个时隙内的信号进行采样,采样得到2的整数次幂个样本;其次,将对该时隙内的信号进行采样得到的所有样本中连续的多个样本分到一组,平均分成多组,然后计算在这种分组情况下的门限值和主用户占空比的均方误差;再次,在重新分组判定条件成立的前提下,对该时隙内的信号进行采样得到的所有样本重新平均分成多组,进而获得在这种分组情况下的门限值和主用户占空比的均方误差;在重新分组判定条件不成立的前提下,将倒数第二次的分组数作为针对主用户占空比估计的最优样本组数;最后,根据最优样本组数,计算每组内的所有样本的平均功率,然后将每组内的所有样本的平均功率与在对应分组情况下的门限值作比较,接着将平均功率大于在对应分组情况下的门限值的所有组所占比例作为主用户占空比的估计值。
4.根据权利要求3所述的一种使用样本分组方法估计主用户占空比的方法,其特征在于具体包括以下步骤:
步骤一:在认知无线电系统中,任选一个时隙作为当前时隙;然后对当前时隙内的信号进行N次采样,采样得到N个样本;其中,N为2的整数次幂,N=2M,M为大于10的正整数;
步骤二:计算初始的门限值,记为λ0,其中,Q-1()表示Q()的反函数,Q()表示标准正态分布的互补累计分布函数,Pf表示预先设定的虚警概率,Pf∈[0,1],E0表示认知无线电系统中的噪声功率;
步骤三:根据λ0,计算主用户占空比的初始均方误差,记为V0,V0=(Pd,0+Pf)((1-Pd,0)+(1-Pf))+(Pd,0+Pf-1)2;其中,E1表示主用户信号功率和E0之和;
步骤四:将对当前时隙内的信号进行采样得到的N个样本中连续的2M-k个样本分到同一组,共平均分成2k组,将这种分组情况作为第k种分组情况;其中,k为正整数,k的初始值为1,1≤k≤M;
步骤五:计算在第k种分组情况下的门限值,记为λk,
步骤六:根据λk,计算在第k种分组情况下主用户占空比估计值的均方误差,记为Vk,其中,
步骤七:判断重新分组判定条件Vk-Vk-1<0是否成立,如果成立,则令k=k+1,再返回步骤四继续执行;如果不成立,则执行步骤八;其中,k=1时Vk-1即为V0,k≠1时Vk-1表示在第k-1种分组情况下的主用户占空比估计值的均方误差,k=k+1中的“=”为赋值符号;
步骤八:将第k-1种分组情况作为针对主用户占空比估计的最优分组情况,认为2k-1为针对主用户占空比估计的最优样本组数;然后执行步骤九;
步骤九:将对当前时隙内的信号进行采样得到的N个样本平均分成2k-1组;然后计算每组内的2M-k+1个样本的平均功率,将第i组内的2M-k+1个样本的平均功率记为Ti,其中,符号“||”为取模运算符号,i和j为正整数,1≤i≤2k-1,1≤j≤2M-k+1,xi(j)表示第i组内的第j个样本;
步骤十:将每组内的2M-k+1个样本的平均功率与λk-1作比较,列出平均功率大于λk-1的所有组,若Ti大于λk-1,则将第i组列出;然后计算列出的所有组的组数与2k-1的比值,将该比值作为主用户占空比的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811218628.3A CN109104741B (zh) | 2018-10-19 | 2018-10-19 | 一种样本分组方法及使用其估计主用户占空比的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811218628.3A CN109104741B (zh) | 2018-10-19 | 2018-10-19 | 一种样本分组方法及使用其估计主用户占空比的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109104741A true CN109104741A (zh) | 2018-12-28 |
CN109104741B CN109104741B (zh) | 2021-05-04 |
Family
ID=64869154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811218628.3A Active CN109104741B (zh) | 2018-10-19 | 2018-10-19 | 一种样本分组方法及使用其估计主用户占空比的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109104741B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110311743A (zh) * | 2019-06-05 | 2019-10-08 | 宁波大学 | 一种变分推断估计主用户占空比的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2334021A1 (fr) * | 2009-12-14 | 2011-06-15 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Méthode d'estimation aveugle de paramètres ofdm par adaptation de covariance |
CN102832967A (zh) * | 2012-08-31 | 2012-12-19 | 中国人民解放军空军工程大学 | 一种超宽带脉冲信号检测方法 |
CN107330443A (zh) * | 2017-05-30 | 2017-11-07 | 浙江工业大学 | 一种以子集分组为辅助信息进行矩阵分解的聚类方法 |
-
2018
- 2018-10-19 CN CN201811218628.3A patent/CN109104741B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2334021A1 (fr) * | 2009-12-14 | 2011-06-15 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Méthode d'estimation aveugle de paramètres ofdm par adaptation de covariance |
CN102832967A (zh) * | 2012-08-31 | 2012-12-19 | 中国人民解放军空军工程大学 | 一种超宽带脉冲信号检测方法 |
CN107330443A (zh) * | 2017-05-30 | 2017-11-07 | 浙江工业大学 | 一种以子集分组为辅助信息进行矩阵分解的聚类方法 |
Non-Patent Citations (1)
Title |
---|
王会 等: "CR网络中基于最优阈值选取的攻击感知算法", 《西南大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110311743A (zh) * | 2019-06-05 | 2019-10-08 | 宁波大学 | 一种变分推断估计主用户占空比的方法 |
CN110311743B (zh) * | 2019-06-05 | 2021-06-22 | 宁波大学 | 一种变分推断估计主用户占空比的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109104741B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107276696A (zh) | 一种低信噪比条件下信号检测算法 | |
CN101753232B (zh) | 协作频谱检测方法和系统 | |
CN101711032A (zh) | 对未知环境模型特性的认知无线电动态智能频谱接入方法 | |
CN110649982B (zh) | 基于次用户节点选择的双阈值能量检测方法 | |
CN102013928B (zh) | 一种认知无线电系统中的快速频谱感知方法 | |
CN101409923B (zh) | 一种正交频分复用系统中资源分配方法、装置和基站 | |
CN109219055B (zh) | 一种主用户占空比估计方法 | |
CN109104741B (zh) | 一种样本分组方法及使用其估计主用户占空比的方法 | |
Vlădeanu et al. | Spectrum sensing with energy detection in multiple alternating time slots | |
CN105979590B (zh) | 认知无线电系统中基于有效容量的用户调度与功率分配方法 | |
CN109219054B (zh) | 一种认知网络内双次用户的频谱感知方法 | |
CN111328146A (zh) | 一种基于遗传算法优化传输速率权重的业务调度方法 | |
Hu et al. | Slotted Aloha for cognitive radio users and its tagged user analysis | |
CN108471619B (zh) | 认知无线传感器网络的信道选择方法 | |
CN102118200B (zh) | 一种基于协方差绝对值法的频谱检测方法 | |
CN104469811A (zh) | 认知无线传感网络分簇合作频谱感知硬融合方法 | |
Sun et al. | Selection of sensing nodes in cognitive radio system based on correlation of sensing information | |
CN110289924B (zh) | 一种变分推断估计噪声功率的方法 | |
CN102468890A (zh) | 认知无线网络中的多用户协作信道选择方法 | |
CN103841601B (zh) | 一种精准评估td‑scdma小区间频率扰码干扰严重等级的方法 | |
CN114448536B (zh) | 一种全双工频谱感知方法 | |
CN110289925B (zh) | 一种判决后变分推断估计主用户占空比的方法 | |
CN110166153B (zh) | 一种针对认知无线网络的栅格协同频谱检测方法 | |
CN110311743A (zh) | 一种变分推断估计主用户占空比的方法 | |
Nerandžić et al. | Impact of AWGN estimation on classification performance of AMC algorithms based on higher order cumulants |
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 |