CN110071773A - 一种频谱感知方法、系统及装置 - Google Patents

一种频谱感知方法、系统及装置 Download PDF

Info

Publication number
CN110071773A
CN110071773A CN201910349712.7A CN201910349712A CN110071773A CN 110071773 A CN110071773 A CN 110071773A CN 201910349712 A CN201910349712 A CN 201910349712A CN 110071773 A CN110071773 A CN 110071773A
Authority
CN
China
Prior art keywords
matrix
perceptual signal
frequency spectrum
spectrum sensing
sensing method
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
Application number
CN201910349712.7A
Other languages
English (en)
Inventor
张勇威
刘德荣
王永华
张顺超
万频
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910349712.7A priority Critical patent/CN110071773A/zh
Publication of CN110071773A publication Critical patent/CN110071773A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本申请公开了一种频谱感知方法，包括接收各次用户获取的感知信号，并根据所述感知信号分别得到各所述次用户对应的感知信号矩阵；将所述感知信号矩阵分簇，并分别对各簇中的所述感知信号矩阵进行矩阵重组得到重组矩阵；将所述重组矩阵转化为协方差矩阵并根据所述协方差矩阵与黎曼均值确定所述感知信号的特征向量；利用K‑medoids聚类算法分析所述特征向量判断主用户是否存在。该频谱感知方法能够有效提高频谱感知性能。本申请还公开了一种频谱感知系统、装置及计算机可读存储介质，均具有上述技术效果。

Description

一种频谱感知方法、系统及装置
技术领域
本申请涉及认知无线电技术领域，特别涉及一种频谱感知方法；还涉及一种频谱感知系统、装置以及计算机可读存储介质。
背景技术
认知无线电是一种能够充分利用无线频谱资源的方法，其允许次用户在不影响主用户正常使用的情况下动态地接入频谱。其中，频谱感知作为认知无线电系统中的第一步，主要负责感知出主用户是否存在。目前，针对频谱感知的方案较多且各异，如能量检测方案、匹配滤波方案、循环平稳特征检测方案等。而无论哪一种方案，均存在不同程度的缺陷，影响频谱感知性能。如能量检测方案中的判决门限难以确定，且在低信噪比的环境下容易受到噪声不确定性影响而导致误判；匹配滤波方法则需要事先获知主用户的先验信息，不利于广泛使用；循环平稳检测方法的算法负责度较高，检测时间较长，检测效率低；等。
因此，如何提供一种频谱感知方法，以提高频谱感知性能是本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种频谱感知方法，能够有效提高频谱感知性能。本申请的另一个目的是提供一种频谱感知系统、装置以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种频谱感知方法，包括：
接收各次用户获取的感知信号，并根据所述感知信号分别得到各所述次用户对应的感知信号矩阵；
将所述感知信号矩阵分簇，并分别对各簇中的所述感知信号矩阵进行矩阵重组得到重组矩阵；
将所述重组矩阵转化为协方差矩阵并根据所述协方差矩阵与黎曼均值确定所述感知信号的特征向量；
利用K-medoids聚类算法分析所述特征向量判断主用户是否存在。
可选的，所述根据所述感知信号分别得到各所述次用户对应的感知信号矩阵前还包括：
对所述感知信号进行降噪处理。
可选的，所述对所述感知信号进行降噪处理包括：
对所述感知信号进行小波变换得到小波系数；
对所述小波系数进行阈值处理得到估计系数；
根据所述估计系数进行小波重构得到降噪后的感知信号。
可选的，所述将所述感知信号矩阵分簇包括：
若M＝2，则
若M＞2且为奇数，则
当M＞2且为偶数，则
其中，所述M表示所述次用户的个数，所述所述表示簇，y表示所述感知信号矩阵。
可选的，所述利用K-medoids聚类算法分析所述特征向量判断主用户是否存在包括：
判断所述特征向量是否满足
若满足，则所述主用户存在；
其中，所述表示未知感应信号的特征向量，所述ψ表示质心，所述K表示聚类个数，所述ξ为参数。
为解决上述技术问题，本申请还提供了一种频谱感知系统，包括：
接收模块，用于接收各次用户获取的感知信号，并根据所述感知信号分别得到各所述次用户的感知信号矩阵；
分簇模块，用于将所述感知信号矩阵分簇，并分别对各簇中的所述感知信号矩阵进行矩阵重组得到重组矩阵；
确定模块，用于将所述重组矩阵转化为协方差矩阵并根据所述协方差矩阵与黎曼均值确定所述感知信号的特征向量；
判断模块，用于利用K-medoids聚类算法分析所述特征向量判断主用户是否存在。
可选的，还包括：
降噪模块，用于对所述感知信号进行降噪处理。
为解决上述技术问题，本申请还提供了一种频谱感知装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一种频谱感知方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种频谱感知方法的步骤。
本申请所提供的频谱感知方法，包括接收各次用户获取的感知信号，并根据所述感知信号分别得到各所述次用户对应的感知信号矩阵；将所述感知信号矩阵分簇，并分别对各簇中的所述感知信号矩阵进行矩阵重组得到重组矩阵；将所述重组矩阵转化为协方差矩阵并根据所述协方差矩阵与黎曼均值确定所述感知信号的特征向量；利用K-medoids聚类算法分析所述特征向量判断主用户是否存在。
可见，本申请所提供的频谱感知方法在得到感知信号矩阵的基础上对感知信号矩阵进行分簇处理，以在逻辑上增加协作用户数，从而更好的克服多径衰减、阴影等问题的影响。同时，本申请所提供的频谱感知方法，将重组矩阵转化为协方差矩阵并根据协方差矩阵与黎曼均值确定感知信号的特征向量，即利用信息几何理论将特征向量的提取问题转换为几何分析问题，从而实现了感知信号的直观分析。另外，确定感知信号的特征向量后，本申请采用K-medoids聚类算法对特征向量进行分析，判断是否存在主用户，而无需推导门限值，从而有效的突破了门限值对频谱感知性能的局限，有效的提高了频谱感知性能。
本申请所提供的频谱感知系统、装置以及计算机可读存储介质，均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种频谱感知方法的流程示意图；
图2为本申请实施例所提供的另一种频谱感知方法的流程示意图；
图3为本申请实施例所提供的一种仿真示意图；
图4为本申请实施例所提供的一种频谱感知系统的示意图；
图5为本申请实施例所提供的一种频谱感知装置的示意图。
具体实施方式
本申请的核心是提供一种频谱感知方法，能够提高频谱感知性能。本申请的另一个核心是提供一种频谱感知系统、装置以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种频谱感知方法的流程示意图；结合图1，该频谱感知方法包括：
S101：接收各次用户获取的感知信号，并根据传感信号分别得到各次用户对应的感知信号矩阵；
具体的，频谱感知通常是在复杂环境中进行的，且由于单次用户的频谱感知往往会受到多径衰减、阴影、隐藏终端等问题的影响而导致频谱感知性能下降，因此，为了保障频谱感知性能，本申请采用协作感知的方式进行频谱感知。具体而言，系统接收各次用户的各天线获取的感知信号，并进一步根据感知信号分别得到各次用户对应的感知信号矩阵，从而后续基于各次用户获取的感知信号进行特征向量的提取以及主用户存在与否的判断。其中，感知信号矩阵具体表示如下：
yi表示第i个次用户的感知信号矩阵，A表示天线数，N表示采样点数，即表示第i个次用户的第A根天线获取的第N个感知信号。
S102：将感知信号矩阵分簇，并分别对各簇中的感知信号矩阵进行矩阵重组得到重组矩阵；
具体的，为实现在逻辑上增加协作用户数，以更好的克服多径衰减、阴影、隐藏终端等问题的影响的目的，在得到各次用户的感知信号矩阵的基础上，本申请首先对各感知信号矩阵进行分簇。
其中，在一种具体的实施方式中，上述将感知信号矩阵分簇包括：若M＝2，则若M＞2且为奇数，则若M＞2且为偶数，则其中，M表示次用户的个数， 表示簇，y表示感知信号矩阵。
具体的，为便于提取特征向量，本实施例具体设置两个簇，即与且当次用户的个数为2时，两个次用户的感知信号矩阵分别分入与当次用户的个数大于2时，则根据次用户的个数的奇偶进行分簇，具体而言，若次用户的个数为奇数，则第1个次用户、第3个次用户至第M个次用户的感知信号矩阵分入同一个簇中；对应的，第2个次用户、第4个次用户至第M-1个次用户的感知信号矩阵分入另一个簇中。若次用户的个数为偶数，则第1个次用户、第3个次用户至第M-1个次用户的感知信号矩阵分入簇第2个次用户、第4个次用户至第M个次用户的感知信号矩阵分入簇
当然，上述分簇的方式仅为本申请所提供的一种实施例，而非唯一限定，可以结合实际应用需要进行差异性设置。
将各感知信号矩阵分簇后，进一步分别将各簇中的感知信号矩阵进行矩阵重组得到重组矩阵。例如，在簇的个数为2、次用户的个数大于2且为奇数的情况下，对簇中的各感知信号矩阵进行矩阵重组得到重组矩阵X及对簇中的各感知信号矩阵重组得到重组矩阵Y分别如下：
其中，重组矩阵X为的矩阵，重组矩阵Y为的矩阵。类似的，在簇的个数为2、次用户的个数大于2且为偶数的情况下，同样可以重组得到对应的两个重组矩阵，此时，各重组矩阵均为的矩阵。
S103：将重组矩阵转化为协方差矩阵并根据协方差矩阵与黎曼均值确定感知信号的特征向量；
具体的，本步骤旨在进行特征向量提取，具体通过计算得到重组矩阵X对应的协方差矩阵RX，通过计算得到重组矩阵Y对应的协方差矩阵RY。进一步，分别计算各协方差矩阵与黎曼均值的测地线距离，具体可根据得到协方差矩阵RX与黎曼均值的测地线距离dX，根据得到协方差矩阵RY与黎曼均值的测地线距离dY。进而，根据测地线距离dX与dY，得到特征向量T＝[dX,dY]。其中，ηi表示的特征值，ηj表示的特征值。
进一步，得到上述黎曼均值的方式具体如下：
分别对p个环境噪声信号矩阵进行分簇，从而得到p个矩阵 以及p个矩阵其中，若p＝2，则根据分别计算得到黎曼均值与若p＞2，则根据0≤τ≤1分别得到黎曼均值与上式中，τ为迭代速度，t为迭代次数。
S104：利用K-medoids聚类算法分析特征向量判断主用户是否存在。
具体的，K-medoids聚类算法将聚类内的真实样本点作为中心点，该中心点具有聚类内所有样本点距离最小的特性。相较于与之类似的K-means聚类算法所计算得到的质心点，K-medoids聚类算法确定的中心点具有受极端值影响较少的优势，拥有更好的聚类效果，因此，本实施例具体利用K-medoids聚类算法对特征向量进行分析，从而判断是否存在主用户。具体可判断特征向量是否满足即将特征向量代入上式中的位置，判断其是否成立。若满足，则主用户存在；相反，若不满足，则主用户不存在。上式中表示未知感应信号的特征向量；ψ表示质心，K表示聚类的个数；ξ为参数，并具体用于在频谱感知过程中控制漏检概率与虚警概率。
其中，K-medoids聚类算法训练得到的过程如下：
将训练集中的训练特征向量分为K个非重叠聚类，设表示属于聚类k的训练特征向量的集合，k＝1,2,...K，则 具有其相对应的质心ψk，且的质心固定为特征向量在H0条件下。另外，由于实际的聚类仅包含噪声样本，质心可以离线确定，因此，定义定义其他聚类的质心为定义K-medoids聚类算法的失真函数其中，||·||2表示2范数。进一步，由于K-medoids聚类算法试图最小化失真函数，因此，优化目标表述为进而基于此优化目标在K-medoids聚类算法训练成功后得到上式。
综上所述，本申请所提供的频谱感知方法在得到感知信号矩阵的基础上对感知信号矩阵进行分簇处理，以在逻辑上增加协作用户数，从而更好的克服多径衰减、阴影等问题的影响。同时，本申请所提供的频谱感知方法，将重组矩阵转化为协方差矩阵并根据协方差矩阵与黎曼均值确定感知信号的特征向量，即利用信息几何理论将特征向量的提取问题转换为几何分析问题，从而实现了感知信号的直观分析。另外，确定感知信号的特征向量后，本申请采用K-medoids聚类算法对特征向量进行分析，判断是否存在主用户，而无需推导门限值，从而有效的突破了门限值对频谱感知性能的局限，有效的提高了频谱感知性能。
请参考图2，图2为本申请实施例所提供的另一种频谱感知方法的流程示意图；结合图2，该频谱感知方法包括：
S201：接收各次用户获取的感知信号；
S202：对感知信号进行降噪处理，并根据降噪处理后的感知信号分别得到各次用户对应的感知信号矩阵；
S203：将感知信号矩阵分簇，并分别对各簇中的感知信号矩阵进行矩阵重组得到重组矩阵；
S204：将重组矩阵转化为协方差矩阵并根据协方差矩阵与黎曼均值确定感知信号的特征向量；
S205：利用K-medoids聚类算法分析特征向量判断主用户是否存在。
具体的，对于步骤S201以及S203至S205，本申请在此不再赘述，参见上述实施例中的对应描述即可，以下针对步骤S202中对感知信号进行降噪处理做具体阐述：为降低噪声对频谱感知性能的影响，本实施例中，系统在接收各次用户获取的感知信号后，首先对各感知信号进行降噪处理，进而在降噪处理完成后，根据降噪后处理后的感知信号分别得到各次用户对应的感知信号矩阵。
其中，在一种具体的实施方式中，上述对感知信号进行降噪处理包括：对感知信号进行小波变换得到小波系数；对小波系数进行阈值处理得到估计系数；根据估计系数进行小波重构得到降噪后的感知信号。
具体的，本实施例具体采用小波阈值去噪的方式对感知信号进行降噪处理，即首先对感知信号进行小波变换得到小波系数，进而对小波系数进行阈值处理得到估计系数，具体可基于软阈值函数对小波系数进行阈值处理。上式中W表示估计系数，W表示小波系数，γ为阈值，且满足其中，σn为噪声的标准偏差，N为采样点数。
进一步，为便于直观展示本申请所提供的频谱感知方法的技术效果，设定信噪比SNR＝-16db，次用户数M＝2，进行仿真试验，请参考图3所示的仿真示意图，图3中WTIGK表示本申请所提供的频谱感知方法，IQMSE，IQMME，IQDMM及IQRMET均为现有的频谱感知方法。参考图3可知，在同等环境下，本申请所提供的频谱感知方法具有更好的频谱感知性能。
本申请还提供了一种频谱感知系统，下文描述的该频谱感知系统可以与上文描述的频谱感知方法相互对应参照。请参考图4，图4为本申请实施例所提供的一种频谱感知系统的示意图，结合图4，该频谱感知系统包括：
接收模块10，用于接收各次用户获取的感知信号，并分别得到各次用户的感知信号矩阵；
分簇模块20，用于将感知信号矩阵分簇，并分别对各簇中的感知信号矩阵进行矩阵重组得到重组矩阵；
确定模块30，用于将重组矩阵转化为协方差矩阵并根据协方差矩阵与黎曼均值确定感知信号的特征向量；
判断模块40，用于利用K-medoids聚类算法分析特征向量判断主用户是否存在。
在上述实施例的基础上，优选的，该频谱感知系统还包括：
降噪模块，用于对感知信号进行降噪处理。
本申请还提供了一种频谱感知装置，请参考图5，图5为本申请实施例所提供一种的频谱感知装置的示意图；参考图5，该设备包括：
存储器1，用于存储计算机程序；
处理器2，用于执行所述计算机程序时实现如下的步骤：
接收各次用户获取的感知信号，并分别得到各次用户对应的感知信号矩阵；将感知信号矩阵分簇，并分别对各簇中的感知信号矩阵进行矩阵重组得到重组矩阵；将重组矩阵转化为协方差矩阵并根据协方差矩阵与黎曼均值确定感知信号的特征向量；利用K-medoids聚类算法分析特征向量判断主用户是否存在。
对于本申请所提供的装置的介绍请参照上述方法的实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如下的步骤：
接收各次用户获取的感知信号，并分别得到各次用户对应的感知信号矩阵；将感知信号矩阵分簇，并分别对各簇中的感知信号矩阵进行矩阵重组得到重组矩阵；将重组矩阵转化为协方差矩阵并根据协方差矩阵与黎曼均值确定感知信号的特征向量；利用K-medoids聚类算法分析特征向量判断主用户是否存在。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统、装置以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的频谱感知方法、系统、装置以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (9)

1.一种频谱感知方法，其特征在于，包括：
接收各次用户获取的感知信号，并根据所述感知信号分别得到各所述次用户对应的感知信号矩阵；
将所述感知信号矩阵分簇，并分别对各簇中的所述感知信号矩阵进行矩阵重组得到重组矩阵；
将所述重组矩阵转化为协方差矩阵并根据所述协方差矩阵与黎曼均值确定所述感知信号的特征向量；
利用K-medoids聚类算法分析所述特征向量判断主用户是否存在。
2.根据权利要求1所述的频谱感知方法，其特征在于，所述根据所述感知信号分别得到各所述次用户对应的感知信号矩阵前还包括：
对所述感知信号进行降噪处理。
3.根据权利要求2所述的频谱感知方法，其特征在于，所述对所述感知信号进行降噪处理包括：
对所述感知信号进行小波变换得到小波系数；
对所述小波系数进行阈值处理得到估计系数；
根据所述估计系数进行小波重构得到降噪后的感知信号。
4.根据权利要求1所述的频谱感知方法，其特征在于，所述将所述感知信号矩阵分簇包括：
若M＝2，则
若M＞2且为奇数，则
当M＞2且为偶数，则
其中，所述M表示所述次用户的个数，所述所述表示簇，y表示感知信号矩阵。
5.根据权利要求1所述的频谱感知方法，其特征在于，所述利用K-medoids聚类算法分析所述特征向量判断主用户是否存在包括：
判断所述特征向量是否满足
若满足，则所述主用户存在；
其中，所述表示未知感应信号的特征向量，所述ψ表示质心，所述K表示聚类个数，所述ξ为参数。
6.一种频谱感知系统，其特征在于，包括：
接收模块，用于接收各次用户获取的感知信号，并根据所述感知信号分别得到各所述次用户的感知信号矩阵；
分簇模块，用于将所述感知信号矩阵分簇，并分别对各簇中的所述感知信号矩阵进行矩阵重组得到重组矩阵；
确定模块，用于将所述重组矩阵转化为协方差矩阵并根据所述协方差矩阵与黎曼均值确定所述感知信号的特征向量；
判断模块，用于利用K-medoids聚类算法分析所述特征向量判断主用户是否存在。
7.根据权利要求6所述的频谱感知系统，其特征在于，还包括：
降噪模块，用于对所述感知信号进行降噪处理。
8.一种频谱感知装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的频谱感知方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的频谱感知方法的步骤。
CN201910349712.7A 2019-04-28 2019-04-28 一种频谱感知方法、系统及装置 Pending CN110071773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910349712.7A CN110071773A (zh) 2019-04-28 2019-04-28 一种频谱感知方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910349712.7A CN110071773A (zh) 2019-04-28 2019-04-28 一种频谱感知方法、系统及装置

Publications (1)

Publication Number Publication Date
CN110071773A true CN110071773A (zh) 2019-07-30

Family

ID=67369259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910349712.7A Pending CN110071773A (zh) 2019-04-28 2019-04-28 一种频谱感知方法、系统及装置

Country Status (1)

Country Link
CN (1) CN110071773A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103684634A (zh) * 2013-12-03 2014-03-26 南京邮电大学 异构无线传感网中基于定位信息的压缩频谱感知方法
WO2014206253A1 (zh) * 2013-06-24 2014-12-31 电信科学技术研究院 认知无线电系统中的传输调度方法和装置
CN108712222A (zh) * 2018-05-17 2018-10-26 广东工业大学 一种协作频谱感知方法及相关装置
CN109004997A (zh) * 2018-08-09 2018-12-14 广东工业大学 一种频谱感知方法、装置和计算机可读存储介质
CN109039500A (zh) * 2018-08-28 2018-12-18 广东工业大学 一种频谱感知方法、装置、设备、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014206253A1 (zh) * 2013-06-24 2014-12-31 电信科学技术研究院 认知无线电系统中的传输调度方法和装置
CN103684634A (zh) * 2013-12-03 2014-03-26 南京邮电大学 异构无线传感网中基于定位信息的压缩频谱感知方法
CN108712222A (zh) * 2018-05-17 2018-10-26 广东工业大学 一种协作频谱感知方法及相关装置
CN109004997A (zh) * 2018-08-09 2018-12-14 广东工业大学 一种频谱感知方法、装置和计算机可读存储介质
CN109039500A (zh) * 2018-08-28 2018-12-18 广东工业大学 一种频谱感知方法、装置、设备、系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金智明: "认知无线电中频谱感知技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN104135327B (zh) 基于支持向量机的频谱感知方法
CN105844216B (zh) 一种利用WiFi信号识别手写字母的检测与匹配机制
CN109039503A (zh) 一种频谱感知方法、装置、设备及计算机可读存储介质
CN107733541A (zh) 频谱感知的方法、装置、设备以及计算机可读存储介质
JP6501320B2 (ja) 電子装置、方法及びコンピュータ読取可能な媒体
CN108322277B (zh) 一种基于协方差矩阵反特征值的频谱感知方法
CN114155445B (zh) 基于改进YOLOv3的SAR图像目标检测方法
CN110932807B (zh) 一种非高斯噪声下mimo系统的频谱感知方法及系统
CN110224771A (zh) 基于bp神经网络与信息几何的频谱感知方法及装置
CN108197581A (zh) 一种基于改进AC-WGANs的无人机信号识别检测算法
CN105550702A (zh) 一种基于svm的gnss欺骗式干扰识别方法
CN108090462A (zh) 一种基于盒维数的辐射源指纹特征提取方法
CN110929842A (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN110288025A (zh) 基于信息几何与谱聚类的频谱感知方法、装置及设备
CN106170139A (zh) 一种频谱检测方法及系统
CN106448694B (zh) 一种基于复角检测的欠定盲源分离中的时频单源点提取方法
CN113627377B (zh) 基于Attention-Based CNN的认知无线电频谱感知方法及系统
CN105429913B (zh) 基于特征值的多电平检测与识别方法
CN105743756B (zh) WiFi系统中基于adaboost算法的帧检测方法
CN112350790B (zh) 一种基于深度学习的频谱感知检测方法、装置及设备
CN108768563A (zh) 一种协作频谱感知方法及相关装置
CN110071773A (zh) 一种频谱感知方法、系统及装置
EP3594948A1 (en) Audio signal classifier
CN109525339A (zh) 认知无线电的频谱感知方法、装置、设备以及存储介质
CN112994813A (zh) 自适应采样的频谱感知方法及相关装置

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

Application publication date: 20190730

RJ01 Rejection of invention patent application after publication