CN109219054B - 一种认知网络内双次用户的频谱感知方法 - Google Patents

一种认知网络内双次用户的频谱感知方法 Download PDF

Info

Publication number
CN109219054B
CN109219054B CN201810970941.6A CN201810970941A CN109219054B CN 109219054 B CN109219054 B CN 109219054B CN 201810970941 A CN201810970941 A CN 201810970941A CN 109219054 B CN109219054 B CN 109219054B
Authority
CN
China
Prior art keywords
spectrum sensing
user
frequency band
users
authorized frequency
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.)
Active
Application number
CN201810970941.6A
Other languages
English (en)
Other versions
CN109219054A (zh
Inventor
郝崇正
党小宇
李�杰
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.)
Nanjing University Of Aeronautics And Astronautics Wuxi Research Institute
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University Of Aeronautics And Astronautics Wuxi Research Institute
Nanjing University of Aeronautics and Astronautics
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 Nanjing University Of Aeronautics And Astronautics Wuxi Research Institute, Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University Of Aeronautics And Astronautics Wuxi Research Institute
Priority to CN201810970941.6A priority Critical patent/CN109219054B/zh
Publication of CN109219054A publication Critical patent/CN109219054A/zh
Application granted granted Critical
Publication of CN109219054B publication Critical patent/CN109219054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Abstract

本发明涉及一种认知网络内双次用户的频谱感知方法，包括：建立包含两个次用户的频谱感知网络系统模型；在主用户端对所述的频谱感知网络系统模型进行频谱检测运算，判断主用户的授权频段内是否存在次用户的信号，若否则表明主用户可以直接接入授权频段，完成频谱感知；若是则建立单主用户和双次用户接入检测的二元假设检验问题模型，通过对二元假设检验问题模型进行求解，确定主用户的授权频段内存在的次用户的信号数量，完成频谱感知。与现有技术相比，本发明具有突破单次用户模型的局限、主用户重新接入授权频段的主动性高以及可靠性高等优点。

Description

一种认知网络内双次用户的频谱感知方法
技术领域
本发明涉及数字通信领域，特别涉及一种认知网络内双次用户的频谱感知方法。
背景技术
无线通信设备的广泛应用使得频谱资源日益紧张。优化频谱资源的使用成为解决迅猛增加的无线通讯业务和稀缺的频谱资源两者矛盾的关键。目前，无线频谱管理方案主要是将频段固定的分配给一些通信系统，并且不同的系统使用不同的频段。该频谱管理方案中，主用户(Primary User,PU)即授权用户独占授权频谱，即使在其没有通信业务时，该频段也不能被次用户(Secondary User,SU)即非授权用户使用。如此一来，空闲的授权频谱无法得到充分利用，由此便造成了大量的资源浪费。因此，新的频谱接入方式亟待提出，以解决现有情况下频谱利用率低下的问题。
认知无线电(Cognitive Radio,CR)的概念最早由Joseph Mitola教授提出。CR技术是一种不断采集外部环境的各种信息，进行加工处理，然后与其他认知无线电终端利用RKRL完成交流，其最终的结果是将整个网络调整到最合适的工作状态，从而提供始终可靠的通信保障，同时获得最优的频谱利用率。频谱感知技术诞生的时间早于CR技术，但是直到它作为 CR执行动态频谱检测的关键技术才逐渐成为研究热门。CR系统中，SU需要独立完成对PU 的发射信号的频谱感知检测工作，利用可靠的频谱感知结果选择满足服务质量的频带，同时保证SU使用授权频带通信时不干扰PU。
目前，已有的研究多数基于单个PU和单个SU的认知无线电系统，少量系统具备多个 SU。然而，在PU需要对授权频段具有绝对的优先使用权的前提下，这些系统模型无一例外都假设PU不具备感知功能，而是仅仅依靠SU的感知功能来保证PU对频段的正常使用。可以想象的是，这种情况下PU重新接入授权频段就要依赖SU的感知灵敏度、可靠性以及工作效率。
因此目前十分需要一种频谱感知方法，既可以突破多数研究中单个SU模型的局限，同时也能降低PU重新接入授权频段的被动性。
发明内容
本发明的目的是针对上述问题提供一种认知网络内双次用户的频谱感知方法。
本发明的目的可以通过以下技术方案来实现：
一种认知网络内双次用户的频谱感知方法，所述的方法包括以下步骤：
(1)建立包含两个次用户的频谱感知网络系统模型；
(2)在主用户端对所述的频谱感知网络系统模型进行频谱检测运算，判断主用户的授权频段内是否存在次用户的信号，若是则进入步骤(3)，若否则表明主用户可以直接接入授权频段，完成频谱感知；
(3)建立单主用户和双次用户接入检测的二元假设检验问题模型，通过对二元假设检验问题模型进行求解，确定主用户的授权频段内存在的次用户的信号数量，完成频谱感知。
优选地，所述频谱检测运算具体为：利用含最大后验概率参数估计的基于广义似然比检验的频谱感知方法进行运算。
优选地，所述频谱检测运算具体包括以下步骤：
(21)确定频谱感知网络系统模型的广义似然比检验判决式；
(22)通过最大后验概率参数估计准则和逆卡方分布，得到频谱感知网络系统模型中不同假设条件下观测信号的未知参数估计值；
(23)根据步骤(22)得到的未知参数估计值，计算步骤(21)中广义似然比检验判决式的判决结果，将判决结果作为主用户的授权频段内是否存在次用户的信号的判断依据。
优选地，所述频谱感知网络系统模型的广义似然比检验判决式具体为：
Figure GDA0001839092490000021
其中，L为广义似然比检验判决结果，X为接收信号，
Figure GDA0001839092490000022
为假设H1条件下未知噪声的方差，
Figure GDA0001839092490000023
为假设H0条件下未知噪声的方差，φ为相位偏移量，p为概率密度函数，h1，h2为信道参数，s1为次用户1的发送信号，s2为次用户2的发送信号。
优选地，所述步骤(23)具体包括以下步骤：
(231)根据步骤(22)得到的未知参数估计值，计算步骤(21)中广义似然比检验判决式的判决结果；
(232)将步骤(231)得到的判决结果与预设的判决门限进行比较，确定比较结果；
(233)根据步骤(232)得到的比较结果，判断频谱感知网络系统模型中成立的假设，根据成立的假设确定主用户的授权频段内是否存在次用户的信号。
优选地，所述步骤(3)具体包括以下步骤：
(31)建立单主用户和双次用户接入检测的二元假设检验问题模型；
(32)对二元假设检验问题模型进行频谱检测计算，得到二元假设检验问题模型的检验统计量表达式；
(33)分别计算二元假设检验问题模型在不同先验分布下噪声方差的不同估计值；
(34)将步骤(33)得到的不同估计值分别代入到步骤(32)中得到的检验统计量表达式中，得到判决结果；
(35)根据步骤(34)得到的判决结果，确定主用户的授权频段内存在的次用户的信号数量，完成频谱感知。
优选地，所述二元假设检验问题模型具体为：
H0:只有一个SU的发送信号；X～p(X|H0)
H1:两个SU同时发送信号；X～p(X|H1)
其中，H0和H1分别为两种假设，SU为次用户，X为接收信号，p为概率密度函数。
优选地，所述对二元假设检验问题模型进行频谱检测计算具体为：利用含最大后验概率参数估计的基于广义似然比检验的频谱感知方法对二元假设检验问题模型进行计算。
优选地，所述不同先验分布包括：逆卡方先验分布、逆高斯先验分布和不含信息量的先验分布。
优选地，所述步骤(35)具体为：在所有先验分布下的判决结果都表明主用户的授权频段内次用户的信号数量为2时，说明主用户的授权频段内存在两个次用户的信号，否则说明主用户的授权频段内只存在一个次用户的信号。
与现有技术相比，本发明具有以下有益效果：
(1)本发明提出的方法，通过建立包含两个次用户的频谱感知网络系统模型进行实现，克服了现有研究中只是对单个次用户模型的局限，具有更广的适用范围，适用性更强。
(2)本发明提出的方法，在对建立的模型进行频谱检测运算时，是在主用户端来实现的，这种方法利用了主用户的感知功能，通过主用户主动检测噪声中是否存在次用户的信号，从而判断授权频段是否被次用户占用，这样的实现方式可以减少主用户重新接入的被动情况，提高主用户的主动性，从而提高主用户重新接入授权频段的准确性。
(3)本发明提出的频谱感知方法，依次建立了频谱感知网络系统模型和二元假设检验问题模型，首先通过频谱感知网络系统模型的计算确定了主用户的授权频段内是否存在被次用户占用的情况，再通过二元假设检验问题模型的计算确定了在授权频段被占用时具体占用的信号数量，这样的方法准确性较高，方便主用户确定接入的次用户信号个数，为多个次用户之间相互协调提供了更多的信息。
附图说明
图1为本发明中认知网络内双次用户的频谱感知方法的步骤流程图；
图2为双次用户系统的示意图；
图3为不同采样数的检测概率随信噪比变化的性能曲线；
图4为不同虚警概率的检测概率随信噪比变化的性能曲线；
图5为单SU和双SU接入检测的示意图；
图6为逆卡方分布下不同采样数的检测概率随信噪比变化的性能曲线；
图7为逆卡方分布下不同虚警概率的检测概率随信噪比变化的性能曲线；
图8为逆高斯分布下不同采样数的检测概率随信噪比变化的性能曲线；
图9为逆高斯分布下不同虚警概率的检测概率随信噪比变化的性能曲线；
图10为先验分布不含信息量时不同采样数的检测概率随信噪比变化的性能曲线；
图11为先验分布不含信息量时不同虚警概率的检测概率随信噪比变化的性能曲线；
图12为先验分别为逆高斯、逆卡方以及不含信息量时检测概率随信噪比变化的性能曲线。
具体实施方式
为了能够更清楚地理解本发明的技术内容，特举以下实施例详细说明。
如图1所示，为本发明认知网络内双次用户的频谱感知方法的步骤流程图。
在一种实施方式中，该认知网络内双次用户的频谱感知方法，主要包括以下步骤：
(s1)建立包含两个次用户的频谱感知网络系统模型；
(s2)在主用户端对所述的频谱感知网络系统模型进行频谱检测运算，判断主用户的授权频段内是否存在次用户的信号，若是则进入步骤(3)，若否则表明主用户可以直接接入授权频段，完成频谱感知；
(s3)建立单主用户和双次用户接入检测的二元假设检验问题模型，通过对二元假设检验问题模型进行求解，确定主用户的授权频段内存在的次用户的信号数量，完成频谱感知。
上述步骤的具体过程如下：
步骤1：建立拥有两个次用户(SU)和一个主用户(PU)的频谱感知网络系统模型，在PU端进行频谱感知检测，检测授权频段中是否存在两个SU的信号。
步骤2：利用含最大后验概率(Maximum aPosteriori Probability，MAP)参数估计的基于广义似然比检验(GLRT)的频谱检测算法对步骤1中的模型进行运算，其中，MAP准则对两个参数的估计值表达式如下：
Figure GDA0001839092490000051
θ0,θ1分别表示步骤1中不同假设H0和H1条件下观测信号的未知参数，并且两者对应的概率密度函数(Probability Density Function，PDF)可表示为p(θ0)和p(θ1)，
Figure GDA0001839092490000052
表示未知参数θ0,θ1的估计值，GLRT判决式表述为：
Figure GDA0001839092490000053
其中，信道参数hi,i＝1,2为常数，噪声w[n]服从循环对称复高斯分布，即w[n]～CN(0,σ2)。同时，噪声方差σ2服从已知的随机分布函数。接收信号是长度为Ns的一段离散信号 x[n],n＝1,...,Ns。
Figure GDA0001839092490000054
是相位偏移量φ服从-π～π内的均匀分布。式中对φ进行积分运算来平滑数据以消除其对检测性能的影响。
步骤3：使用逆卡方分布作为未知噪声方差的先验分布，利用MAP准则求得假设H0中噪声方差σ2的估计值
Figure GDA0001839092490000055
和假设H1中噪声方差σ2的估计值
Figure GDA0001839092490000056
逆卡方分布的数学表达式为：
Figure GDA0001839092490000057
式中，α表示逆卡方的自由度，β是一个标量参数，通常为给定的某个常数。
步骤4：联合噪声方差估计值
Figure GDA0001839092490000058
和
Figure GDA0001839092490000059
则可得到步骤1模型下采用逆卡方分布时GLRT 判决表达式的最终形式LG(x)，将LG(x)的判决结果与事先确定的门限γ进行比较，如果 LG(x)＞γ，则判定假设H1为真，即存在SU占用授权频带，反之判定为假设H0为真，即SU未占用授权频带。
步骤5：将包含SU的认知无线电网络中PU端的检测建模成二元假设检验问题模型，PU 待检测信号的二元假设检验形式可以表达为：
H0:只有一个SU的发送信号；X～p(X|H0)
H1:两个SU同时发送信号；X～p(X|H1) (4)
步骤6：利用含MAP参数估计的基于GLRT的频谱检测算法对步骤5中的模型进行运算，最终的检验统计量可表述为；
Figure GDA0001839092490000061
其中，γ为判决门限。
步骤7：分别使用逆卡方、逆高斯以及不含信息量三种不同的先验分布，获得每种先验分布中的噪声方差σ2的不同估计值
Figure GDA0001839092490000062
和
Figure GDA0001839092490000063
步骤8：利用步骤7中噪声方差估计值
Figure GDA0001839092490000064
和
Figure GDA0001839092490000065
获得步骤5模型下，不同先验分布的GLRT 判决表达式，从而完成PU对SU个数的判定。每种先验分布下，如果LG(X)＞γ，则假设H1为真，即存在两个SU同时发送信号，反之假设H0为真，即只有一个SU的发送信号。
在实际应用中，本发明认知网络内双次用户的频谱感知方法的具体实现方式，通过以下实施例说明。
实施例1
本实施例提出的认知网络中双次用户的频谱感知方法包括：利用PU主动检测噪声中是否存在两个SU的发送信号和根据SU的发送信号判断需要接入频段的SU的个数。本实施例提出的这种频谱感知方法已经在Matlab平台上进行了验证。从仿真结果可以看出采样个数、虚警概率以及先验分布等参数对检测性能具有不同的影响。附图2和附图5分别为两种检测模型的示意图。
下面给出本实施例实现的具体步骤：
首先使用含MAP参数估计的基于GLRT的频谱检测算法对附图2中建立的双SU系统的二元假设模型进行分解，其中，公式(2)的分子和分母部分可分别表述为：
Figure GDA0001839092490000066
Figure GDA0001839092490000071
使用MAP准则和逆卡方分布p(σ2)～χ-2(α,β)对未知方差σ2进行估计，可求得假设H0中σ2的估计值：
Figure GDA0001839092490000072
由于无法通过上面描述的步骤2中解析的方法获得假设H1中的噪声方差的最大似然估计值，本实施例中使用多项式拟合的方法对上面描述的步骤1中的公式(6)进行数值拟合从而获得噪声方差的估计值
Figure GDA0001839092490000073
假设进行的是5阶多项式的拟合，其表达式为：
Figure GDA0001839092490000074
多项式系数ai,i＝0,1...5由具体的仿真条件决定。令已知范围内的5阶多项式的值最大的噪声方差为我们需要的未知参数估计值。即
Figure GDA0001839092490000075
则有：
Figure GDA0001839092490000076
式中，f-1(x)为f(x)的反函数。
根据方差估计值，附图2中双SU系统的二元假设模型下的GLRT判决式可以表述为：
Figure GDA0001839092490000077
将判决结果与事先确定的门限γ进行比较，如果LG(X)＞γ，则判定为假设H1为真的情况，反之判定为假设H0为真的情况。
本实施例在得到了上述判决结果后，还通过改变采样数和虚警概率来观察双SU系统模型中两者对检测概率的影响，具体详见附图3和附图4。由附图3可知，虚警概率保持不变时，改变采样个数的值，根据图中的3条曲线分布趋势可以看出，采样个数的增加能够提高检测性能；由附图4的仿真结果可知，采样个数保持不变时，提高虚警概率的数值，能够使得检测性能变好。
在确定了PU的授权频段内存在SU信号时，为了确定授权频段内SU信号的个数，根据附图5建立单SU和双SU接入检测的二元假设模型，同时，使用基于未知参数先验的PDF 和接收信号的PDF获得最终的检验统计量：
Figure GDA0001839092490000081
式中，γ为判决门限。
Figure GDA0001839092490000082
表示未知参数θ0,θ1的估计值。
使用逆卡方分布和MAP准则对未知的噪声方差σ2进行估计，可获得假设H0和假设H1条件下的方差的估计值
Figure GDA0001839092490000083
和
Figure GDA0001839092490000084
Figure GDA0001839092490000085
Figure GDA0001839092490000086
逆卡方分布下上面描述的步骤6中二元检测模型的GLRT判决式表述为：
Figure GDA0001839092490000087
在门限γ已知的情形下，如果LG(X)＞γ，则假设H1为真，即两个SU同时发送信号，反之假设H0为真，即只有一个SU发送信号。
参照上面描述的步骤2到步骤4，使用数值拟合的方法获得假设H0和假设H1条件下的方差的估计值
Figure GDA0001839092490000088
和
Figure GDA0001839092490000089
根据噪声方差的估计值将逆高斯分布下中GLRT判决式表述为：
Figure GDA0001839092490000091
在门限γ取值已知时，如果LG(X)＞γ，则假设H1的情况为真，即两个SU同时发送信号，反之，假设H0为真，即只有一个SU发送信号。
参照上面描述的步骤7中的步骤，使用解析计算的方法获得不含信息量的随机分布下噪声方差的估计值
Figure GDA0001839092490000092
和
Figure GDA0001839092490000093
根据噪声方差的估计值将不含信息量分布下GLRT判决式表述为：
Figure GDA0001839092490000094
在门限γ取值已知时，如果LG(X)＞γ，则假设H1的情况为真，即两个SU同时发送信号，反之，假设H0为真，即只有一个SU发送信号。
本实施例在得到了上述判决结果后，还探讨了在不同分布条件下通过改变采样数和虚警概率来观察单SU和双SU接入检测模型中两者对检测概率的影响，如附图6～附图11所示。根据非频率选择性慢衰落信道的特性，将SU端U1和U2到PU端节点的信道参数hi,i＝1,2设为常数，Ns为采样数，Pfa为虚警概率。不同的分布条件下仿真参数设定如下：逆卡方分布中 l＝0.1，ν＝10；逆高斯先验分布和不含信息量分布中Ns＝32，Pfa＝0.1，信号的数字调制制式定为QPSK方式，采用Monte Carlo进行仿真。附图12对比了三种先验分布对于最终的检测性能产生的影响。
通过附图6可知，采样数一定时，随着虚警概率值的增大，能够在较小的SNR上获得较好的检测性能；附图7可知，当虚警概率确定时，越大的采样数能够获得越好的检测性能结果；采用逆高斯分布的附图8和附图9，采用不含信息量分布的附图10和附图11具有相同的性质。附图12比较了三种不同的先验分布下虚警概率固定时，采样数对检测性能的影响。由图可知，采样数为32的检测性能仿真结果都好于采样数为8的检测结果。先验分布为逆高斯的检测性能是三者中最为突出的，并且在SNR越低的情况下，其性能优势越大。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (7)

1.一种认知网络内双次用户的频谱感知方法，其特征在于，所述的方法包括以下步骤：
(1)建立包含两个次用户的频谱感知网络系统模型；
(2)在主用户端对所述的频谱感知网络系统模型进行频谱检测运算，判断主用户的授权频段内是否存在次用户的信号，若是则进入步骤(3)，若否则表明主用户可以直接接入授权频段，完成频谱感知，其中，所述频谱检测运算具体为：利用含最大后验概率参数估计的基于广义似然比检验的频谱感知方法进行运算，所述广义似然比检验判决式具体为：
Figure FDA0003197484880000011
其中，L为广义似然比检验判决结果，X为接收信号，
Figure FDA0003197484880000012
为假设H1条件下未知噪声的方差，
Figure FDA0003197484880000013
为假设H0条件下未知噪声的方差，φ为相位偏移量，p为概率密度函数，h1，h2为信道参数，s1为次用户1的发送信号，s2为次用户2的发送信号；
(3)建立单主用户和双次用户接入检测的二元假设检验问题模型，通过对二元假设检验问题模型进行求解，确定主用户的授权频段内存在的次用户的信号数量，完成频谱感知，所述二元假设检验问题模型具体为：
H0:只有一个SU的发送信号；X～p(X|H0)
H1:两个SU同时发送信号；X～p(X|H1)
其中，H0和H1分别为两种假设，SU为次用户，X为接收信号，p为概率密度函数。
2.根据权利要求1所述认知网络内双次用户的频谱感知方法，其特征在于，所述频谱检测运算具体包括以下步骤：
(21)确定频谱感知网络系统模型的广义似然比检验判决式；
(22)通过最大后验概率参数估计准则和逆卡方分布，得到频谱感知网络系统模型中不同假设条件下观测信号的未知参数估计值；
(23)根据步骤(22)得到的未知参数估计值，计算步骤(21)中广义似然比检验判决式的判决结果，将判决结果作为主用户的授权频段内是否存在次用户的信号的判断依据。
3.根据权利要求2所述认知网络内双次用户的频谱感知方法，其特征在于，所述步骤(23)具体包括以下步骤：
(231)根据步骤(22)得到的未知参数估计值，计算步骤(21)中广义似然比检验判决式的判决结果；
(232)将步骤(231)得到的判决结果与预设的判决门限进行比较，确定比较结果；
(233)根据步骤(232)得到的比较结果，判断频谱感知网络系统模型中成立的假设，根据成立的假设确定主用户的授权频段内是否存在次用户的信号。
4.根据权利要求1所述认知网络内双次用户的频谱感知方法，其特征在于，所述步骤(3)具体包括以下步骤：
(31)建立单主用户和双次用户接入检测的二元假设检验问题模型；
(32)对二元假设检验问题模型进行频谱检测计算，得到二元假设检验问题模型的检验统计量表达式；
(33)分别计算二元假设检验问题模型在不同先验分布下噪声方差的不同估计值；
(34)将步骤(33)得到的不同估计值分别代入到步骤(32)中得到的检验统计量表达式中，得到判决结果；
(35)根据步骤(34)得到的判决结果，确定主用户的授权频段内存在的次用户的信号数量，完成频谱感知。
5.根据权利要求4所述认知网络内双次用户的频谱感知方法，其特征在于，所述对二元假设检验问题模型进行频谱检测计算具体为：利用含最大后验概率参数估计的基于广义似然比检验的频谱感知方法对二元假设检验问题模型进行计算。
6.根据权利要求4所述认知网络内双次用户的频谱感知方法，其特征在于，所述不同先验分布包括：逆卡方先验分布、逆高斯先验分布和不含信息量的先验分布。
7.根据权利要求4所述认知网络内双次用户的频谱感知方法，其特征在于，所述步骤(35)具体为：在所有先验分布下的判决结果都表明主用户的授权频段内次用户的信号数量为2时，说明主用户的授权频段内存在两个次用户的信号，否则说明主用户的授权频段内只存在一个次用户的信号。
CN201810970941.6A 2018-08-24 2018-08-24 一种认知网络内双次用户的频谱感知方法 Active CN109219054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810970941.6A CN109219054B (zh) 2018-08-24 2018-08-24 一种认知网络内双次用户的频谱感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810970941.6A CN109219054B (zh) 2018-08-24 2018-08-24 一种认知网络内双次用户的频谱感知方法

Publications (2)

Publication Number Publication Date
CN109219054A CN109219054A (zh) 2019-01-15
CN109219054B true CN109219054B (zh) 2021-10-22

Family

ID=64989320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810970941.6A Active CN109219054B (zh) 2018-08-24 2018-08-24 一种认知网络内双次用户的频谱感知方法

Country Status (1)

Country Link
CN (1) CN109219054B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110913398B (zh) * 2019-11-29 2020-07-31 北京邮电大学 一种无线通信系统的频谱识别方法及装置
CN112994813B (zh) * 2021-05-19 2021-09-28 北京邮电大学 自适应采样的频谱感知方法及相关装置
CN115001606A (zh) * 2022-05-31 2022-09-02 重庆大学 一种多节点协作频谱检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013134714A1 (en) * 2012-03-08 2013-09-12 The Trustees Of Columbia University In The City Of New York Methods, systems, and media for determining whether a signal of interest is present
CN104243072A (zh) * 2014-10-14 2014-12-24 中国人民解放军总参谋部第六十三研究所 一种基于均匀量化结构的多比特频谱感知方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013134714A1 (en) * 2012-03-08 2013-09-12 The Trustees Of Columbia University In The City Of New York Methods, systems, and media for determining whether a signal of interest is present
CN104243072A (zh) * 2014-10-14 2014-12-24 中国人民解放军总参谋部第六十三研究所 一种基于均匀量化结构的多比特频谱感知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《GLRT-Based Spectrum Sensing for Cognitive Radio with Prior Information》;Josep Font-Segura 等;《IEEE Transactions on Communications》;20100731;第58卷(第7期);全文 *

Also Published As

Publication number Publication date
CN109219054A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109219054B (zh) 一种认知网络内双次用户的频谱感知方法
CN103338082B (zh) 一种基于“k秩”准则的双门限协作频谱感知方法
Altrad et al. A new mathematical analysis of the probability of detection in cognitive radio over fading channels
CN101577564A (zh) 基于判决门限自适应的信号频谱感知与检测方法
CN101710848B (zh) 基于模糊积分和最优化理论的合作式频谱感知方法
CN101521896A (zh) 认知无线电中的基于似然比的协同频谱感知方法
CN105025583A (zh) 基于能量与协方差检测的分步频谱感知方法
CN104253659B (zh) 一种频谱检测方法及其装置
CN110601779A (zh) 基于双门限功率谱双平均比值的能量检测方法
CN103780318A (zh) 一种动态双门限协作频谱感知方法
CN112702133B (zh) 一种基于动态贝叶斯隐马尔可夫模型的信道状态预测方法
Chen et al. Triple-threshold cooperative spectrum sensing algorithm based on energy detection
CN112099057B (zh) 一种基于模糊逻辑的双门限协作gnss干扰检测算法
CN111465023B (zh) 一种基于历史能量信息的自适应双门限频谱感知方法
Gong et al. Spectrum sensing under distribution uncertainty in cognitive radio networks
CN104022839B (zh) 一种应用于合作频谱感知的信息融合判决方法
Namdar et al. Partial spectrum utilization for energy detection in cognitive radio networks
CN112073138B (zh) 一种基于量化的双门限协作频谱感知方法
CN101944934B (zh) 一种基于载波间干扰消除的认知ofdma系统载波检测方法
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
CN113179143A (zh) 一种基于最大最小值的融合频谱感知方法及系统
Gadze et al. A performance study of energy detection based spectrum sensing for cognitive radio networks
CN106685549B (zh) 一种主用户频谱感知方法与装置
CN110677204A (zh) 一种存在智能干扰的频谱感知时间优化方法
CN110289925B (zh) 一种判决后变分推断估计主用户占空比的方法

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