CN109286937B - 利用小特征值估计噪声功率的协方差矩阵频谱感知方法 - Google Patents

利用小特征值估计噪声功率的协方差矩阵频谱感知方法 Download PDF

Info

Publication number
CN109286937B
CN109286937B CN201811059875.3A CN201811059875A CN109286937B CN 109286937 B CN109286937 B CN 109286937B CN 201811059875 A CN201811059875 A CN 201811059875A CN 109286937 B CN109286937 B CN 109286937B
Authority
CN
China
Prior art keywords
eigenvalues
covariance matrix
eigenvalue
sorted
small
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
CN201811059875.3A
Other languages
English (en)
Other versions
CN109286937A (zh
Inventor
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.)
Dragon Totem Technology Hefei Co ltd
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 CN201811059875.3A priority Critical patent/CN109286937B/zh
Publication of CN109286937A publication Critical patent/CN109286937A/zh
Application granted granted Critical
Publication of CN109286937B publication Critical patent/CN109286937B/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/20—Monitoring; Testing of receivers
    • H04B17/26—Monitoring; Testing of receivers using historical data, averaging values or statistics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Complex Calculations (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开了一种利用小特征值估计噪声功率的协方差矩阵频谱感知方法，其处理过程为：在当前感知时隙内，对来自多个通道的信号进行多次采样，将每次采样得到的多个样本构成样本向量；然后根据所有样本向量计算协方差矩阵；接着计算协方差矩阵的所有特征值，并按从小到大排序；之后将排序后的所有特征值对应的修正特征值的前一半作为小特征值，根据所有小特征值来估计噪声功率；再根据协方差矩阵中的所有元素的值的绝对值之和及噪声功率，计算检验统计量；最后通过比较检验统计量与判决门限的大小，判定当前感知时隙内是否存在授权用户信号；优点是其利用小特征值来估计噪声功率，估计的噪声功率与接收信号的功率不同，从而获得了较好的感知性能。

Description

利用小特征值估计噪声功率的协方差矩阵频谱感知方法
技术领域
本发明涉及一种认知无线电频谱感知技术，尤其是涉及一种利用小特征值估计噪声功率的协方差矩阵频谱感知方法。
背景技术
移动通信业务多样化的迅猛发展极大程度地丰富和便利了人们的工作和生活，但是，相应地无线设备数量和移动数据流量的需求呈爆炸式增长，这就导致了频谱资源短缺问题。近几年，频谱资源短缺问题已经逐渐显现，而且在可预见的未来会变得愈加严重。然而，这却不是因为物理频谱资源不足造成的，而是因为现有的固定频谱分配策略使很多频谱资源无法得到充分利用，极大地降低了频谱利用率。因此，提高频谱利用率成为了解决这个问题的关键。针对这个问题，Mitola博士提出了认知无线电技术。认知无线电技术是指无线设备能够与所处的通信环境进行交互并根据交互结果改变自身传输参数，从而实现以动态、自适应的方式灵活地利用潜在的空闲频谱。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、快速地发现空闲频谱，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。
目前，接收信号协方差矩阵已被广泛应用于认知无线电的频谱感知中，Zeng等人在2009年发表的《Spectrum-SensingAlgorithms for Cognitive Radio BasedonStatistical Covariances》(认知无线电中基于统计协方差的频谱感知方法)中提出的传统的协方差矩阵频谱感知方法被大量的应用，然而，传统的协方差矩阵频谱感知方法是使用当前感知时隙的协方差矩阵的迹来估计噪声功率的，由于当前感知时隙的协方差矩阵的迹的值等于当前感知时隙的接收信号的功率(接收信号可能只有噪声信号，也可能包含噪声信号和授权用户的信号)，因此这使得估计的噪声功率与接收信号的功率完全相同，进而会引起检验统计量的分子和分母的值具有相同的变化趋势的问题，从而会严重降低频谱感知方法的性能。
发明内容
本发明所要解决的技术问题是提供一种利用小特征值估计噪声功率的协方差矩阵频谱感知方法，其利用小特征值来估计噪声功率，估计的噪声功率与接收信号功率不同，从而获得了较好的感知性能。
本发明解决上述技术问题所采用的技术方案为：一种利用小特征值估计噪声功率的协方差矩阵频谱感知方法，其特征在于该协方差矩阵频谱感知方法的处理过程为：在当前感知时隙内，对来自多个通道的信号进行多次采样，并将每次采样得到的多个样本构成一个样本向量；然后根据所有样本向量计算协方差矩阵；接着计算协方差矩阵的所有特征值，并对所有特征值按从小到大的顺序排序，对排序后的每个特征值进行修正；之后将排序后的所有特征值对应的修正特征值的前一半作为小特征值，根据所有小特征值的平均值来估计噪声功率；再根据协方差矩阵中的所有元素的值的绝对值之和及噪声功率，计算检验统计量；最后通过比较检验统计量与判决门限的大小，判定当前感知时隙内是否存在授权用户信号。
该协方差矩阵频谱感知方法具体包括以下步骤：
步骤一：在认知无线电系统中配置有M个通道；将当前想要采样的感知时隙定义为当前感知时隙；然后在当前感知时隙内，对来自M个通道的信号进行同时采样，共进行N次采样，每次采样得到M个样本；接着将每次采样得到的M个样本构成一个样本向量，将第n次采样得到的M个样本构成的样本向量记为x(n)，x(n)＝[x1(n),x2(n),…,xM(n)]T；其中，M≥3，N≥2M，n为正整数，1≤n≤N，符号“[]”为向量表示符号，[x1(n),x2(n),…,xM(n)]T为[x1(n),x2(n),…,xM(n)]的转置，x1(n),x2(n),…,xM(n)对应表示第n次采样得到的第1个样本、第n次采样得到的第2个样本、……、第n次采样得到的第M个样本；
步骤二：根据N个样本向量，计算协方差矩阵，记为R，
Figure BDA0001796782750000021
其中，R的维数为M×M，(x(n))H为x(n)的共轭转置；
步骤三：计算R中的所有元素的值的绝对值之和，记为A；并计算R的M个特征值；然后对R的M个特征值按从小到大的顺序进行排序，将排序后的第m个特征值记为λm，λ1＜λ2＜…＜λm＜…＜λM；其中，m为正整数，1≤m≤M，λ1,λ2,…,λm,…,λM对应表示排序后的第1个特征值、排序后的第2个特征值、……、排序后的第m个特征值、……、排序后的第M个特征值；
步骤四：对排序后的每个特征值进行修正，得到排序后的每个特征值对应的修正特征值，将λm对应的修正特征值记为
Figure BDA0001796782750000031
Figure BDA0001796782750000032
其中，/>
Figure BDA0001796782750000033
e为自然基数；
步骤五：将
Figure BDA0001796782750000034
都作为小特征值，根据所有小特征值的平均值来估计噪声功率，将噪声功率记为/>
Figure BDA0001796782750000035
Figure BDA0001796782750000036
其中，/>
Figure BDA0001796782750000037
表示λ1对应的修正特征值，/>
Figure BDA0001796782750000038
表示λ2对应的修正特征值，/>
Figure BDA0001796782750000039
表示排序后的第/>
Figure BDA00017967827500000310
个特征值/>
Figure BDA00017967827500000311
对应的修正特征值，符号/>
Figure BDA00017967827500000312
为向下取整运算符号，q为正整数，/>
Figure BDA00017967827500000313
Figure BDA00017967827500000314
表示排序后的第q个特征值λq对应的修正特征值；
步骤六：根据A和
Figure BDA00017967827500000315
计算检验统计量，记为T，/>
Figure BDA00017967827500000316
步骤七：判断T是否大于判决门限d，如果T＞d，则判定当前感知时隙内存在授权用户信号；否则，判定当前感知时隙内不存在授权用户信号；其中，d满足给定的虚警概率Pf，并通过计算机仿真获得，Pf∈[0,1]。
与现有技术相比，本发明的优点在于：
1)本发明方法将协方差矩阵的所有特征值按从小到大排序后再修正，将前一半修正特征值作为小特征值，再根据所有小特征值的平均值来估计噪声功率，由于小特征值仅包含噪声信号的功率，不包含授权用户的信号的功率，因此当授权用户的信号存在时，利用小特征值仍然能够准确估计噪声功率，解决了传统的协方差矩阵频谱感知方法中的估计的噪声功率与接收信号的功率相同的问题，从而使得本发明方法能够获得较好的感知性能。
2)本发明方法在计算检验统计量时利用了协方差矩阵的所有元素的值的绝对值之和，以及估计得到的噪声功率，由于估计得到的噪声功率稳定性好，因此解决了传统的协方差矩阵频谱感知方法中的检验统计量的分子和分母的值具有相同的变化趋势的问题，从而使得本发明方法能够获得较好的感知性能。
附图说明
图1为本发明方法的总体流程框图；
图2为取M＝4、N＝100、Pf＝0.1、信噪比区间为-15分贝到0分贝时，采用本发明方法和传统的协方差矩阵频谱感知方法的检测概率示意图。
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。
本发明提出的一种利用小特征值估计噪声功率的协方差矩阵频谱感知方法，其总体流程框图如图1所示，其处理过程为：在当前感知时隙内，对来自多个通道的信号进行多次采样，并将每次采样得到的多个样本构成一个样本向量；然后根据所有样本向量计算协方差矩阵；接着计算协方差矩阵的所有特征值，并对所有特征值按从小到大的顺序排序，对排序后的每个特征值进行修正；之后将排序后的所有特征值对应的修正特征值的前一半作为小特征值，根据所有小特征值的平均值来估计噪声功率；再根据协方差矩阵中的所有元素的值的绝对值之和及噪声功率，计算检验统计量；最后通过比较检验统计量与判决门限的大小，判定当前感知时隙内是否存在授权用户信号。
该协方差矩阵频谱感知方法具体包括以下步骤：
步骤一：在认知无线电系统中配置有M个通道；将当前想要采样的感知时隙定义为当前感知时隙；然后在当前感知时隙内，对来自M个通道的信号进行同时采样，共进行N次采样，每次采样得到M个样本；接着将每次采样得到的M个样本构成一个样本向量，将第n次采样得到的M个样本构成的样本向量记为x(n)，x(n)＝[x1(n),x2(n),…,xM(n)]T；其中，M≥3，在本实施例中取M＝4，N≥2M，在本实施例中取N＝100，n为正整数，1≤n≤N，符号“[]”为向量表示符号，[x1(n),x2(n),…,xM(n)]T为[x1(n),x2(n),…,xM(n)]的转置，x1(n),x2(n),…,xM(n)对应表示第n次采样得到的第1个样本、第n次采样得到的第2个样本、……、第n次采样得到的第M个样本。
步骤二：根据N个样本向量，计算协方差矩阵，记为R，
Figure BDA0001796782750000051
其中，R的维数为M×M，(x(n))H为x(n)的共轭转置。
步骤三：计算R中的所有元素的值的绝对值之和，记为A；并采用现有的特征值计算方法计算R的M个特征值，M个特征值与M个通道中的M为同一个数值；然后对R的M个特征值按从小到大的顺序进行排序，将排序后的第m个特征值记为λm，λ1＜λ2＜…＜λm＜…＜λM；其中，m为正整数，1≤m≤M，λ1,λ2,…,λm,…,λM对应表示排序后的第1个特征值、排序后的第2个特征值、……、排序后的第m个特征值、……、排序后的第M个特征值。
步骤四：对排序后的每个特征值进行修正，得到排序后的每个特征值对应的修正特征值，将λm对应的修正特征值记为
Figure BDA0001796782750000052
Figure BDA0001796782750000053
其中，/>
Figure BDA0001796782750000054
e为自然基数。
步骤五：将
Figure BDA0001796782750000055
都作为小特征值，根据所有小特征值的平均值来估计噪声功率，将噪声功率记为/>
Figure BDA0001796782750000056
Figure BDA0001796782750000057
其中，/>
Figure BDA0001796782750000058
表示λ1对应的修正特征值，/>
Figure BDA0001796782750000059
表示λ2对应的修正特征值，/>
Figure BDA00017967827500000510
表示排序后的第/>
Figure BDA00017967827500000511
个特征值/>
Figure BDA00017967827500000512
对应的修正特征值，符号/>
Figure BDA0001796782750000061
为向下取整运算符号，q为正整数，/>
Figure BDA0001796782750000062
Figure BDA0001796782750000063
表示排序后的第q个特征值λq对应的修正特征值。
步骤六：根据A和
Figure BDA0001796782750000064
计算检验统计量，记为T，/>
Figure BDA0001796782750000065
步骤七：判断T是否大于判决门限d，如果T＞d，则判定当前感知时隙内存在授权用户信号；否则，判定当前感知时隙内不存在授权用户信号；其中，d满足给定的虚警概率Pf，并通过计算机仿真获得，Pf∈[0,1]，在本实施例中取Pf＝0.1，满足给定的虚警概率Pf的判决门限可采用现有技术并通过计算机仿真获得。
本发明方法的可行性和有效性可以通过以下仿真结果进一步说明。
假设认知无线电系统中配置有M＝4个通道，信号采样次数为N＝100，给定的虚警概率为Pf＝0.1，信噪比区间为-15分贝到0分贝，采用本发明方法和传统的协方差矩阵频谱感知方法的检测概率如图2所示。从图2中可以看出，随着信噪比的增大，采用本发明方法的检测概率和采用传统的协方差矩阵频谱感知方法的检测概率都在增大，但是信噪比小于-10分贝时，采用传统的协方差矩阵频谱感知方法的检测概率随信噪比的增大变化不明显，而采用本发明方法的检测概率明显得到提升；当信噪比为-8分贝时，采用本发明方法的检测概率接近0.9，而采用传统的协方差矩阵频谱感知方法的检测概率不到0.3；当信噪比大于或等于-6分贝时，采用本发明方法的检测概率已达到1，而采用传统的协方差矩阵频谱感知方法只有当信噪比为0分贝时才能达到1，这足以说明本发明方法的感知性能优于传统的协方差矩阵频谱感知方法的感知性能。

Claims (1)

1.一种利用小特征值估计噪声功率的协方差矩阵频谱感知方法，其特征在于该协方差矩阵频谱感知方法的处理过程为：在当前感知时隙内，对来自多个通道的信号进行多次采样，并将每次采样得到的多个样本构成一个样本向量；然后根据所有样本向量计算协方差矩阵；接着计算协方差矩阵的所有特征值，并对所有特征值按从小到大的顺序排序，对排序后的每个特征值进行修正；之后将排序后的所有特征值对应的修正特征值的前一半作为小特征值，根据所有小特征值的平均值来估计噪声功率；再根据协方差矩阵中的所有元素的值的绝对值之和及噪声功率，计算检验统计量；最后通过比较检验统计量与判决门限的大小，判定当前感知时隙内是否存在授权用户信号；
该协方差矩阵频谱感知方法具体包括以下步骤：
步骤一：在认知无线电系统中配置有M个通道；将当前想要采样的感知时隙定义为当前感知时隙；然后在当前感知时隙内，对来自M个通道的信号进行同时采样，共进行N次采样，每次采样得到M个样本；接着将每次采样得到的M个样本构成一个样本向量，将第n次采样得到的M个样本构成的样本向量记为x(n)，x(n)＝[x1(n),x2(n),…,xM(n)]T；其中，M≥3，N≥2M，n为正整数，1≤n≤N，符号“[]”为向量表示符号，[x1(n),x2(n),…,xM(n)]T为[x1(n),x2(n),…,xM(n)]的转置，x1(n),x2(n),…,xM(n)对应表示第n次采样得到的第1个样本、第n次采样得到的第2个样本、……、第n次采样得到的第M个样本；
步骤二：根据N个样本向量，计算协方差矩阵，记为R，
Figure FDA0003829305560000011
其中，R的维数为M×M，(x(n))H为x(n)的共轭转置；
步骤三：计算R中的所有元素的值的绝对值之和，记为A；并计算R的M个特征值；然后对R的M个特征值按从小到大的顺序进行排序，将排序后的第m个特征值记为λm，λ1＜λ2＜…＜λm＜…＜λM；其中，m为正整数，1≤m≤M，λ1,λ2,…,λm,…,λM对应表示排序后的第1个特征值、排序后的第2个特征值、……、排序后的第m个特征值、……、排序后的第M个特征值；
步骤四：对排序后的每个特征值进行修正，得到排序后的每个特征值对应的修正特征值，将λm对应的修正特征值记为
Figure FDA0003829305560000021
Figure FDA0003829305560000022
其中，
Figure FDA0003829305560000023
e为自然基数；
步骤五：将
Figure FDA0003829305560000024
都作为小特征值，根据所有小特征值的平均值来估计噪声功率，将噪声功率记为
Figure FDA0003829305560000025
Figure FDA0003829305560000026
其中，
Figure FDA0003829305560000027
表示λ1对应的修正特征值，
Figure FDA0003829305560000028
表示λ2对应的修正特征值，
Figure FDA0003829305560000029
表示排序后的第
Figure FDA00038293055600000210
个特征值
Figure FDA00038293055600000211
对应的修正特征值，符号
Figure FDA00038293055600000212
为向下取整运算符号，q为正整数，
Figure FDA00038293055600000213
Figure FDA00038293055600000214
表示排序后的第q个特征值λq对应的修正特征值；
步骤六：根据A和
Figure FDA00038293055600000215
计算检验统计量，记为T，
Figure FDA00038293055600000216
步骤七：判断T是否大于判决门限d，如果T＞d，则判定当前感知时隙内存在授权用户信号；否则，判定当前感知时隙内不存在授权用户信号；其中，d满足给定的虚警概率Pf，并通过计算机仿真获得，Pf∈[0,1]。
CN201811059875.3A 2018-09-12 2018-09-12 利用小特征值估计噪声功率的协方差矩阵频谱感知方法 Active CN109286937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811059875.3A CN109286937B (zh) 2018-09-12 2018-09-12 利用小特征值估计噪声功率的协方差矩阵频谱感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811059875.3A CN109286937B (zh) 2018-09-12 2018-09-12 利用小特征值估计噪声功率的协方差矩阵频谱感知方法

Publications (2)

Publication Number Publication Date
CN109286937A CN109286937A (zh) 2019-01-29
CN109286937B true CN109286937B (zh) 2023-03-24

Family

ID=65180712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811059875.3A Active CN109286937B (zh) 2018-09-12 2018-09-12 利用小特征值估计噪声功率的协方差矩阵频谱感知方法

Country Status (1)

Country Link
CN (1) CN109286937B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116346259B (zh) * 2023-05-24 2023-09-19 北京星河亮点技术股份有限公司 基于功率方差比较的信道占用状态预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103297160A (zh) * 2013-05-27 2013-09-11 东南大学 基于归一化特征值的拟合优度检验的频谱感知方法及装置
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
CN108322277A (zh) * 2018-04-04 2018-07-24 宁波大学 一种基于协方差矩阵反特征值的频谱感知方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG182709A1 (en) * 2010-01-27 2012-08-30 Agency Science Tech & Res Method for spectrum sensing and communication device

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103297160A (zh) * 2013-05-27 2013-09-11 东南大学 基于归一化特征值的拟合优度检验的频谱感知方法及装置
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
CN108322277A (zh) * 2018-04-04 2018-07-24 宁波大学 一种基于协方差矩阵反特征值的频谱感知方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Eigenvalue-Based Cooperative Spectrum Sensing algorithm;Shibing Zhang;《2012 Second International Conference on Instrumentation, Measurement, Computer, Communication and Control》;全文 *
基于最小特征值的合作频谱感知新算法;曹开田;《仪器仪表学报》;第32卷(第4期);全文 *
基于随机矩阵非渐近谱理论的协作频谱感知算法研究;许炜阳;《电子与信息学报》;第40卷(第1期);全文 *

Also Published As

Publication number Publication date
CN109286937A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
CN108322277B (zh) 一种基于协方差矩阵反特征值的频谱感知方法
CN107733541B (zh) 频谱感知的方法、装置、设备以及计算机可读存储介质
CN101507151B (zh) 用于对接收信号进行分类的方法和装置
CN107682103B (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
CN110868723B (zh) 一种基于功率方差比较的多频带迭代频谱感知方法
CN109450573B (zh) 一种基于深度神经网络的频谱感知方法
CN108900268B (zh) 利用小特征值估计噪声功率的最大特征值频谱感知方法
CN107770778B (zh) 一种基于软融合策略的盲协作频谱感知方法
CN110932806A (zh) 一种alpha稳定噪声衰落信道下多天线频谱感知方法
CN109286937B (zh) 利用小特征值估计噪声功率的协方差矩阵频谱感知方法
CN109194417A (zh) 一种协方差矩阵频谱感知方法
CN109219055B (zh) 一种主用户占空比估计方法
CN109067483B (zh) 一种利用以往感知时隙数据的最大特征值频谱感知方法
CN111934797B (zh) 基于协方差特征值和均值漂移聚类的协作频谱感知方法
CN110190917B (zh) 一种LTE230MHz电力无线专网的频谱空洞感知方法、装置及设备
KR20210128161A (ko) 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치
CN114465681B (zh) 一种用于电力物联网的多节点协作频谱感知方法及装置
CN109120361B (zh) 一种利用以往感知时隙数据的协方差矩阵频谱感知方法
CN109150342A (zh) 一种最大特征值频谱感知方法
FI129551B (en) Analysis of operation of communication networks
CN112887245B (zh) 高动态信道的符号检测方法、装置、设备及存储介质
CN109067484B (zh) 一种利用以往感知时隙数据的能量检测频谱感知方法
CN112073135B (zh) 一种集中式频谱感知方法、系统、储存介质及通信设备
CN107196720B (zh) 针对时间同步且不存在频偏情况下的ofdm信号频谱感知方法
CN106100775B (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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240102

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 315211, Fenghua Road, Jiangbei District, Zhejiang, Ningbo 818

Patentee before: Ningbo University