CN111181669A - 基于预评估处理的自适应频谱感知方法、系统、介质及终端 - Google Patents

基于预评估处理的自适应频谱感知方法、系统、介质及终端 Download PDF

Info

Publication number
CN111181669A
CN111181669A CN202010005634.1A CN202010005634A CN111181669A CN 111181669 A CN111181669 A CN 111181669A CN 202010005634 A CN202010005634 A CN 202010005634A CN 111181669 A CN111181669 A CN 111181669A
Authority
CN
China
Prior art keywords
sensing
spectrum sensing
frequency band
users
target 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.)
Granted
Application number
CN202010005634.1A
Other languages
English (en)
Other versions
CN111181669B (zh
Inventor
徐天衡
周婷
胡宏林
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.)
Shanghai Advanced Research Institute of CAS
Original Assignee
Shanghai Advanced Research Institute of CAS
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 Shanghai Advanced Research Institute of CAS filed Critical Shanghai Advanced Research Institute of CAS
Priority to CN202010005634.1A priority Critical patent/CN111181669B/zh
Publication of CN111181669A publication Critical patent/CN111181669A/zh
Application granted granted Critical
Publication of CN111181669B publication Critical patent/CN111181669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基于预评估处理的自适应频谱感知方法、系统、介质及终端，包括以下步骤：对于多根天线，获取每根天线对于其他用户在目标频段的侦测信息；根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果，并在所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知或按照第二转移概率执行最终判决。本发明的基于预评估处理的自适应频谱感知方法、系统、介质及终端利用用户终端设备多天线之间的信号接收独立性，基于多根天线的检测结果进行频谱感知的预评估，然后进行综合感知判决，从而显著提升了频谱感知的精度。

Description

基于预评估处理的自适应频谱感知方法、系统、介质及终端
技术领域
本发明涉及无线通信的技术领域，特别是涉及一种基于预评估处理的自适应频谱感知方法、系统、介质及终端。
背景技术
近年来，随着无线通信技术的发展和智能终端的普及，移动用户对于数据通信的需求大幅度地增长，这给有限的频谱资源带来了巨大的压力。为了更加有效地利用频谱资源，认知无线电(Cognitive Radio，CR)技术得到了学术界和工业界广泛关注。CR网络是由主用户和认知用户构成的。认知用户可以通过频谱感知技术识别当前没有被主用户使用的空白频段，并利用这些频谱资源进行临时的数据传输。因此，在CR网络中，认知用户的频谱感知准确度是影响其性能的主要因素。
频谱感知的通用检测流程中，认知用户具备一个默认的循环周期。该循环周期由一个较短的感知周期和一个较长的信号传输周期组成。在感知周期内，认知用户收集一小段目标频段上的信号数据，然后对其进行频谱感知，检测主用户是否正在传输数据。若感知判决认为主用户不在传输，则认知用户可在本循环周期的信号传输周期内传输数据；反之，本循环周期的信号传输周期则留空。
现有技术中有许多可用于标识和检测主用户的技术。其中最为主流的为以下两大类：
(1)能量检测类
能量检测类技术的基本原理在于，将信号能量作为主用户正在传输的标志。给定一个特定的能量门限，认知用户周期性地对目标频段上的信号能量进行监测，若当前目标频段信号能量高于给定的能量门限时，判定为主用户正在传输；反之，则判定主用户不在传输。
(2)特征检测类
特征检测类技术的基本原理在于，事先给主用户打上特定的特征标签，认知用户周期性地对目标频段上的信号特征进行监测，若当前目标频段信号特征符合要求时，判定为判定为主用户正在传输；反之，则判定主用户不在传输。
然而，上述方法具有以下不足：
一方面，传统的频谱感知技术由于用户终端设备的限制，利用接收端的单天线进行处理，频谱感知的不确定性较大。
另一方面，传统感知算法较为直接，通常基于侦测内容直接进行感知操作，不经过预评估处理，感知过程较为粗糙。
随着移动通信技术的高速发展，用户终端设备装载多天线及以上配置已成为常态，与此同时，人工智能的流行使得机器学习等具备自动改进功能的非线性高级算法也逐渐普及，使得频谱感知的非线性预评估处理成为可能。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于预评估处理的自适应频谱感知方法、系统、介质及终端，利用用户终端设备多天线之间的信号接收独立性，基于多根天线的检测结果进行频谱感知的预评估，然后进行综合感知判决，从而显著提升了频谱感知的精度。
为实现上述目的及其他相关目的，本发明提供一种基于预评估处理的自适应频谱感知方法，包括以下步骤：对于多根天线，获取每根天线对于其他用户在目标频段的侦测信息；根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果，并在所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知或按照第二转移概率执行最终判决。
于本发明一实施例中，所述侦测信息包括以下任意一种：
能量特征侦测信息；
用户信号特征侦测信息；
用户信号波形匹配侦测信息。
于本发明一实施例中，根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果包括以下步骤：
对于每根天线，基于对应的侦测信息判断所述其他用户是否在所述目标频段进行传输；
设定第一预设数量指标m1和第二预设数量指标m2，其中1≤m1＜m2≤I，I表示天线的总数量；
当所述其他用户在所述目标频段进行传输的天线数量小于m1时，所述感知结果为所述其他用户不在所述目标频段进行传输；当所述其他用户在所述目标频段进行传输的天线数量大于等于m2时，所述感知结果为所述其他用户在所述目标频段进行传输；当所述其他用户在所述目标频段进行传输的天线数量大于等于m1且小于m2时，判定所述感知结果处于不稳定状态。
于本发明一实施例中，不同天线采用相同或不同的侦测方式获取所述侦测信息。
于本发明一实施例中，基于对应的侦测信息判断所述其他用户是否在所述目标频段进行传输时，若所述侦测信息小于检测阈值，则判断所述其他用户不在所述目标频段进行传输；所述侦测信息大于等于检测阈值所述其他用户在所述目标频段进行传输。
于本发明一实施例中，根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果包括以下步骤：
将各根天线的侦测信息进行加权合并，生成最终加权特征；
设定第一预设门限指标Γ1和第二预设门限指标Γ2，其中Γ1＜Γ2；
当所述最终加权特征小于Γ1时，所述感知结果为所述其他用户不在所述目标频段进行传输；当所述最终加权特征大于等于Γ2时，所述感知结果为所述其他用户在所述目标频段进行传输；当所述最终加权特征大于等于Γ1且小于Γ2时，判定所述感知结果处于不稳定状态。
于本发明一实施例中，加权合并所采用的算法为以下任意一种：选择性合并算法、等增益合并算法、最大比合并算法和自定义加权合并算法。
于本发明一实施例中，在所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知，或按照第二转移概率执行最终判决；所述第一转移概率和所述第二转移概率之和为1。
于本发明一实施例中，所述第一转移概率和所述第二转移概率采用以下任一方式获取：
预先设定；
在每个感知周期开始时随机生成。
于本发明一实施例中，所述第一转移概率和所述第二转移概率的取值在频谱感知过程中始终保持不变，或基于预设的转移概率修正算法在不同的感知周期内或单个感知周期内的频谱感知过程中动态变化。
于本发明一实施例中，所述转移概率修正算法采用以下任意一种：机器学习算法或自定义线性/非线性算法。
于本发明一实施例中，所述机器学习算法采用Q-Learning强化学习算法。
于本发明一实施例中，重新进行频谱感知的启动时间为以下任意一种：
在当前感知周期后的信号传输周期立即进行频谱感知；
在下一感知周期立即进行频谱感知。
于本发明一实施例中，重新进行频谱感知时，若在当前信号传输周期内重新进行频谱感知的次数达到预设次数，则放弃当前信号传输周期的传输机会；若在当前信号传输周期内重新进行频谱感知的次数未达到预设次数，则继续进行频谱感知。
于本发明一实施例中，执行最终判决包括以下任意一种方式：
放弃当前信号传输周期的传输机会；
在当前信号传输周期直接进行传输；
在当前信号传输周期随机选择是否传输；
在当前信号传输周期按照预设的触发概率P直接进行传输，以(1-P)的概率放弃传输；
将每根天线的侦测信息进行加权合并，得到最终加权特征；当所述最终加权特征小于预设的第一综合判决指标时，判定所述其他用户不在所述目标频段进行传输；否则判定所述其他用户在所述目标频段进行传输；
获取每个天线独立的感知结果，当判定所述其他用户在所述目标频段进行传输的天线数量小于预设的第二综合判决指标时，判定所述其他用户不在所述目标频段进行传输；否则判定所述其他用户在所述目标频段进行传输。
对应地，本发明提供一种基于预评估处理的自适应频谱感知系统，包括获取模块和感知模块；
所述获取模块用于对于多根天线，获取每根天线对于其他用户在目标频段的侦测信息；
所述感知模块用于根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果，并在所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知或按照第二转移概率执行最终判决。
本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于预评估处理的自适应频谱感知方法。
最后，本发明提供一种终端，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的基于预评估处理的自适应频谱感知方法。
如上所述，本发明的基于预评估处理的自适应频谱感知方法、系统、介质及终端，具有以下有益效果：
(1)利用用户终端设备多天线之间的信号接收独立性，基于多根天线的检测结果进行频谱感知的预评估，然后进行综合感知判决；
(2)与现有频谱感知技术相比，在同等系统参数下显著提高了频谱感知的精度；
(3)应用范围广，适用于各类型频谱感知技术，例如能量检测类感知、特征检测类感知等等；
(4)技术易于实施，无需改动现有系统的硬件结构，便于实际推广与应用。
附图说明
图1显示为本发明的基于预评估处理的自适应频谱感知方法于一实施例中的流程图；
图2显示为特征检测类频谱感知中主用户发射机于一实施例中的结构示意图；
图3显示为本发明的频谱感知方法和现有技术中的频谱感知方法的感知性能对比图；
图4显示为本发明的基于预评估处理的自适应频谱感知系统于一实施例中的结构示意图；
图5显示为本发明的终端于一实施例中的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的基于预评估处理的自适应频谱感知方法、系统、介质及终端充分利用了用户终端设备多天线之间的信号接收独立性，基于多根天线的检测结果进行频谱感知的预评估，再基于强化学习算法进行综合感知判决，从而提升了频谱感知的精度，极具实用性。
如图1所示，于一实施例中，本发明的基于预评估处理的自适应频谱感知方法包括以下步骤：
步骤S1、对于多根天线，获取每根天线对于其他用户在目标频段的侦测信息。
如图2所示，假设主用户配置了两根天线，使用正交频分复用(OrthogonalFrequency Division Multiplexing，OFDM)技术发送信号，并使用循环延时分集(CyclicDelay Diversity，CDD)技术将主用户特征Δ嵌入在发送的OFDM信号流中。主用户在第一根天线上发送信号s1(n)，而在第二根天线上将s1(n)循环移位Δ后进行发送，即第二根天线上的发送信号为s2(n)＝s1(n)e-j2πΔ/N，其中N表示子载波总数。上述过程中，循环移位Δ即为主用户的专属特征。
在本发明中，认知用户针对每根天线分别独立地获取其针对其他用户在目标频段的侦测信息。于本发明一实施例中，所述侦测信息包括以下任意一种：能量特征侦测信息、用户信号特征侦测信息和用户信号波形匹配侦测信息。
优选地，不同天线采用相同或不同的侦测方式获取所述侦测信息。
步骤S2、根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果，并在所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知或按照第二转移概率执行最终判决。
具体地，所述认知用户首先根据所述侦测信息进行预评估，以获取所述其他用户是否在所述目标频段进行传输的感知结果：(a)所述其他用户不在所述目标频段进行传输；(b)所述其他用户在所述目标频段进行传输；(c)所述感知结果处于不稳定状态，需进一步进行判断。
于本发明一实施例中，根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果包括以下步骤：
21a)对于每根天线，基于对应的侦测信息判断所述其他用户是否在所述目标频段进行传输。其中，若所述侦测信息小于检测阈值，则判断所述其他用户不在所述目标频段进行传输；所述侦测信息大于等于检测阈值所述其他用户在所述目标频段进行传输。优选地，优选地，不同天线采用相同或不同的侦测方式获取所述侦测信息。只需根据所述侦测信息能够获取感知结果即可。
22a)设定第一预设数量指标m1和第二预设数量指标m2，其中1≤m1＜m2≤I，I表示天线的总数量。
23a)当所述其他用户在所述目标频段进行传输的天线数量小于m1时，所述感知结果为所述其他用户不在所述目标频段进行传输；当所述其他用户在所述目标频段进行传输的天线数量大于等于m2时，所述感知结果为所述其他用户在所述目标频段进行传输；当所述其他用户在所述目标频段进行传输的天线数量大于等于m1且小于m2时，判定所述感知结果处于不稳定状态。
于本发明另一实施例中，根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果包括以下步骤：
21b)将各根天线的侦测信息进行加权合并，生成最终加权特征。于本发明一实施例中，加权合并所采用的算法为以下任意一种：选择性合并算法、等增益合并算法、最大比合并算法和自定义加权合并算法。
22b)设定第一预设门限指标Γ1和第二预设门限指标Γ2，其中Γ1＜Γ2。
23b)当所述最终加权特征小于Γ1时，所述感知结果为所述其他用户不在所述目标频段进行传输；当所述最终加权特征大于等于Γ2时，所述感知结果为所述其他用户在所述目标频段进行传输；当所述最终加权特征大于等于Γ1且小于Γ2时，判定所述感知结果处于不稳定状态。
在本发明中，当所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知，或按照第二转移概率执行最终判决；所述第一转移概率和所述第二转移概率之和为1。
其中，所述第一转移概率和所述第二转移概率可以预先设定，也可以在每个感知周期开始时随机生成。同时，所述第一转移概率和所述第二转移概率的取值在频谱感知过程中始终保持不变，或基于预设的转移概率修正算法在不同的感知周期内或单个感知周期内的频谱感知过程中动态变化。于本发明一实施例中，所述转移概率修正算法采用以下任意一种：机器学习算法或自定义线性/非线性算法。于本发明一实施例中，所述机器学习算法采用Q-Learning强化学习算法。
于本发明一实施例中，重新进行频谱感知的启动时间为以下任意一种：在当前感知周期后的信号传输周期立即进行频谱感知或在下一感知周期立即进行频谱感知。同时，重新进行频谱感知的次数是有限制的。若在当前信号传输周期内重新进行频谱感知的次数达到预设次数，则放弃当前信号传输周期的传输机会；若在当前信号传输周期内重新进行频谱感知的次数未达到预设次数，则继续进行频谱感知。优选地，所述预设次数可以为1次、多次或不限次数，以满足不同应用场景下的需求。
于本发明一实施例中，执行最终判决包括以下任意一种方式：
A、放弃当前信号传输周期的传输机会。
B、在当前信号传输周期直接进行传输。
C、在当前信号传输周期随机选择是否传输。
D、在当前信号传输周期按照预设的触发概率P直接进行传输，以(1-P)的概率放弃传输。
E、将每根天线的侦测信息进行加权合并，得到最终加权特征；当所述最终加权特征小于预设的第一综合判决指标时，判定所述其他用户不在所述目标频段进行传输；否则判定所述其他用户在所述目标频段进行传输。
F、获取每个天线独立的感知结果，当判定所述其他用户在所述目标频段进行传输的天线数量小于预设的第二综合判决指标时，判定所述其他用户不在所述目标频段进行传输；否则判定所述其他用户在所述目标频段进行传输。
下面通过具体实施例来进一步阐述本发明的基于预评估处理的自适应频谱感知方法。
假设主用户配置了两根天线，使用OFDM技术发送信号，并使用CDD技术将主用户特征Δ嵌入在发送的OFDM信号流中。主用户在第一根天线上发送信号s1(n)，而在第二根天线上将s1(n)循环移位Δ后进行发送，即第二根天线上的发送信号为s2(n)＝s1(n)e-j2πΔ/N，其中N表示子载波总数。上述过程中，循环移位Δ即为主用户的专属特征。
实施例一、特征检测，多天线数量判决
步骤1、设定认知用户的接收端共有I根接收天线，每根天线独立执行各自的判决过程。首先，根据系统给定的感知周期长度，各天线采集周期长度范围内的信号。其中第i根天线(i∈[1,I])上的接收信号可以表示为ri(n)＝his(n)+vi(n)，n∈[0,nn-1]表示各个采样点，nn表示采样点的总数，该数量与系统给定的感知周期长度有关。hi＝[hi1,hi2]是主用户的两根发射天线与认知用户的第i根接收天线之间的信道状态，s(n)＝[s1(n),s2(n)]T，vi(n)表示第i根天线上的加性高斯白噪声。
步骤2、每根接收天线各自的ri(n)收集完毕后，将与其自身循环移位Δ后的信号ri(n+Δ)进行自相关操作，得到各天线上的信号特征Fi。其中所述的自相关操作方式包括但不限于
Figure BDA0002355176590000081
其中，L为感知周期长度，M为n与循环前缀长度之和。
步骤3、每根接收天线各自将所得的信号特征幅值|Fi|与预设的检测阈值
Figure BDA0002355176590000082
进行比较，以判断所述主用户是否在目标频段进行传输。优选地，所述比较方式包括但不限于：如果
Figure BDA0002355176590000083
则第i根天线判断当前主用户没有进行传输，如果
Figure BDA0002355176590000084
则第i根天线判断当前主用户正在进行传输。
步骤4、获取作为综合判决指标的第一预设数量指标m1和第二预设数量指标m2(1≤m1＜m2≤I)，若当前频谱感知过程中，小于m1根的接收天线均判断当前主用户正在传输，则认知用户最终判定主用户不在传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若m2根及以上的接收天线判断当前主用户正在传输，则认知用户最终判定主用户正在传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成；若上述两种条件都不满足，则认知用户判定当前处于感知结果不稳定状态，进入后续步骤5。
步骤5、若认知用户判决当前处于感知结果不稳定状态，则基于强化学习算法按第一转移概率P1选择进入后续步骤6：即进行重复感知；或进入后续步骤7：即按第二转移概率P2直接执行最终判决。在该实施例中，所述认知用户预设有第一转移概率P1与第二转移概率P2。上述两个概率会受强化学习的影响，在后续每轮执行过程后发生变化，且两者之间恒定保持P1+P2＝1。
步骤6、当自动重复感知启动后，执行步骤跳至步骤1。其中，执行自动重复感知的启动时间位置包括但不限于：(1)占用本轮信号传输周期的部分时间段，紧跟着本轮感知周期之后立即进行重复感知；(2)替代下一轮的常规感知，在下一轮感知周期中进行本轮常规感知对应的自动重复感知。
步骤7、直接执行最终判决，其判决方式包括但不限于：(1)认知用户直接放弃本轮传输机会，本轮感知操作完成；(2)将多天线的独立感知结果进行加权合并，得到最终加权特征。所述的加权合并操作包括但不限于
Figure BDA0002355176590000091
其中，Wi表示第i根天线对应的权重。将最终加权特征F与事先给定综合判决指标Γ进行比较；若F＜Γ，则认知用户最终判定当前主用户没有进行传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若F≥Γ，则认知用户最终判定当前主用户正在进行传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成。
实施例二、特征检测，多天线特征合并判决
步骤1、认知用户的接收端共有I根接收天线，每根天线独立执行各自的判决过程。首先，根据系统给定的感知周期长度，各天线采集周期长度范围内的信号。其中第i根天线(i∈[1,I])上的接收信号可以表示为ri(n)＝his(n)+vi(n)，n∈[0,nn-1]表示各个采样点，nn表示采样点的总数，该数量与系统给定的感知周期长度有关。hi＝[hi1,hi2]是主用户的两根发射天线与认知用户的第i根接收天线之间的信道状态，s(n)＝[s1(n),s2(n)]T，vi(n)表示第i根天线上的加性高斯白噪声。
步骤2、每根接收天线各自的ri(n)收集完毕后，将与其自身循环移位Δ后的信号ri(n+Δ)进行自相关操作，得到各天线上的信号特征Fi。所述的自相关操作方式包括但不限于
Figure BDA0002355176590000101
其中，L为感知周期长度，M为n与循环前缀长度之和。
步骤3、将多天线的独立感知结果进行加权合并，得到最终加权特征。所述的加权合并操作包括但不限于
Figure BDA0002355176590000102
其中，Wi表示第i根天线对应的权重。
步骤4、将最终加权特征F与作为综合判决指标的第一预设门限指标Γ1和第二预设门限指标Γ2(Γ1＜Γ2)进行比较，若F＜Γ1，则认知用户最终判定当前主用户没有进行传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若F≥Γ2，则认知用户最终判定当前主用户正在进行传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成；若上述两种条件都不满足，则认知用户判定当前处于感知结果不稳定状态，进入后续步骤5。
步骤5、基于强化学习算法按第一转移概率P1选择进入后续步骤6：即进行重复感知(；或按第二转移概率P2进入后续步骤7：即直接执行最终判决。上述两个概率会受强化学习的影响，在后续每轮执行过程后发生变化，且两者之间恒定保持P1+P2＝1。
步骤6、当自动重复感知启动后，执行步骤跳至步骤1。其中，执行自动重复感知的启动时间位置包括但不限于：(1)占用本轮信号传输周期的部分时间段，紧跟着本轮感知周期之后立即进行重复感知；(2)替代下一轮的常规感知，在下一轮感知周期中进行本轮常规感知对应的自动重复感知。
步骤7、直接执行最终判决，其判决方式包括但不限于：(1)认知用户直接放弃本轮传输机会，本轮感知操作完成；(2)将多天线的独立感知结果进行加权合并，得到最终加权特征。所述的加权合并操作包括但不限于
Figure BDA0002355176590000103
其中，Wi表示第i根天线对应的权重。将最终加权特征F与事先给定综合判决指标Γ进行比较；若F＜Γ，则认知用户最终判定当前主用户没有进行传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若F≥Γ，则认知用户最终判定当前主用户正在进行传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成。
实施例三、能量检测，多天线数量判决
步骤1、认知用户的接收端共有I根接收天线，每根天线独立执行各自的判决过程。首先，根据系统给定的感知周期长度，各天线采集周期长度范围内的信号。其中第i根天线(i∈[1,I])上的接收信号可以表示为ri(n)＝his(n)+vi(n)，n∈[0,nn-1]表示各个采样点，nn表示采样点的总数，该数量与系统给定的感知周期长度有关。hi＝[hi1,hi2]是主用户的两根发射天线与认知用户的第i根接收天线之间的信道状态，s(n)＝[s1(n),s2(n)]T，vi(n)表示第i根天线上的加性高斯白噪声。
步骤2、每根接收天线各自的ri(n)收集完毕后，对其能量进行检测，得到各天线上的能量特征Fi。所述的能量检测方式包括但不限于
Figure BDA0002355176590000111
其中，L为感知周期长度，M为n与循环前缀长度之和。
步骤3、每根接收天线各自将所得能量特征|Fi|与预设的检测阈值
Figure BDA0002355176590000112
进行比较。所述比较方式包括但不限于：如果
Figure BDA0002355176590000113
则第i根天线判断当前主用户没有进行传输，如果
Figure BDA0002355176590000114
则第i根天线判断当前主用户正在进行传输。
步骤4、获取作为综合判决指标的第一预设数量指标m1和第二预设数量指标m2(1≤m1＜m2≤I)，若当前频谱感知过程中，小于m1根的接收天线均判断当前主用户正在传输，则认知用户最终判定主用户不在传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若m2根及以上的接收天线判断当前主用户正在传输，则认知用户最终判定主用户正在传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成；若上述两种条件都不满足，则认知用户判定当前处于感知结果不稳定状态，进入后续步骤5。
步骤5、基于强化学习算法按第一转移概率P1选择进入后续步骤6：即进行重复感知(；或按第二转移概率P2进入后续步骤7：即直接执行最终判决。上述两个概率会受强化学习的影响，在后续每轮执行过程后发生变化，且两者之间恒定保持P1+P2＝1。
步骤6、当自动重复感知启动后，执行步骤跳至步骤1。其中，执行自动重复感知的启动时间位置包括但不限于：(1)占用本轮信号传输周期的部分时间段，紧跟着本轮感知周期之后立即进行重复感知；(2)替代下一轮的常规感知，在下一轮感知周期中进行本轮常规感知对应的自动重复感知。
步骤7、直接执行最终判决，其判决方式包括但不限于：(1)认知用户直接放弃本轮传输机会，本轮感知操作完成；(2)将多天线的独立感知结果进行加权合并，得到最终加权特征。所述的加权合并操作包括但不限于
Figure BDA0002355176590000115
其中，Wi表示第i根天线对应的权重。将最终加权特征F与事先给定综合判决指标Γ进行比较；若F＜Γ，则认知用户最终判定当前主用户没有进行传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若F≥Γ，则认知用户最终判定当前主用户正在进行传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成。
实施例四、能量检测，多天线能量合并判决
步骤1、认知用户的接收端共有I根接收天线，每根天线独立执行各自的判决过程。首先，根据系统给定的感知周期长度，各天线采集周期长度范围内的信号。其中第i根天线(i∈[1,I])上的接收信号可以表示为ri(n)＝his(n)+vi(n)，n∈[0,nn-1]表示各个采样点，nn表示采样点的总数，该数量与系统给定的感知周期长度有关。hi＝[hi1,hi2]是主用户的两根发射天线与认知用户的第i根接收天线之间的信道状态，s(n)＝[s1(n),s2(n)]T，vi(n)表示第i根天线上的加性高斯白噪声。
步骤2、每根接收天线各自的ri(n)收集完毕后，对其能量进行检测，得到各天线上的能量特征Fi。所述的能量检测方式包括但不限于
Figure BDA0002355176590000121
其中，L为感知周期长度，M为n与循环前缀长度之和。
步骤3、将多天线的独立感知结果进行加权合并，得到最终加权特征。所述的加权合并操作包括但不限于
Figure BDA0002355176590000122
其中，Wi表示第i根天线对应的权重。
步骤4、将最终加权特征F与作为综合判决指标的第一预设门限指标Γ1和第二预设门限指标Γ2(Γ1＜Γ2)进行比较，若F＜Γ1，则认知用户最终判定当前主用户没有进行传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若F≥Γ2，则认知用户最终判定当前主用户正在进行传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成；若上述两种条件都不满足，则认知用户判定当前处于感知结果不稳定状态，进入后续步骤5。
步骤5、基于强化学习算法按第一转移概率P1选择进入后续步骤6：即进行重复感知(；或按第二转移概率P2进入后续步骤7：即直接执行最终判决。上述两个概率会受强化学习的影响，在后续每轮执行过程后发生变化，且两者之间恒定保持P1+P2＝1。
步骤6、当自动重复感知启动后，执行步骤跳至步骤1。其中，执行自动重复感知的启动时间位置包括但不限于：(1)占用本轮信号传输周期的部分时间段，紧跟着本轮感知周期之后立即进行重复感知；(2)替代下一轮的常规感知，在下一轮感知周期中进行本轮常规感知对应的自动重复感知。
步骤7、直接执行最终判决，其判决方式包括但不限于：(1)认知用户直接放弃本轮传输机会，本轮感知操作完成；(2)将多天线的独立感知结果进行加权合并，得到最终加权特征。所述的加权合并操作包括但不限于
Figure BDA0002355176590000131
其中，Wi表示第i根天线对应的权重。将最终加权特征F与事先给定综合判决指标Γ进行比较；若F＜Γ，则认知用户最终判定当前主用户没有进行传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若F≥Γ，则认知用户最终判定当前主用户正在进行传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成。
实施例五
在该实施例中设定认知用户配置有2根接收天线。
步骤1、认知用户接收端的2根天线独立执行各自的判决过程。首先，根据系统给定的感知周期长度，各天线采集周期长度范围内的信号。其中第i根天线(i∈[1,2])上的接收信号可以表示为ri(n)＝his(n)+vi(n)，n∈[0,6399]表示各个采样点，其中hi＝[hi1,hi2]是主用户的两根发射天线与认知用户的第i根接收天线之间的信道状态，s(n)＝[s1(n),s2(n)]T，vi(n)表示第i根天线上的加性高斯白噪声。
步骤2、每根接收天线各自的ri(n)收集完毕后，将与其自身循环移位Δ后的信号ri(n+Δ)进行自相关操作，得到各天线上的信号特征Fi。所述的自相关操作方式包括但不限于
Figure BDA0002355176590000132
其中，L为感知周期长度，M为n与循环前缀长度之和。
步骤3、每根接收天线各自将各自的信号特征|Fi|与预设的检测阈值
Figure BDA0002355176590000133
进行比较，所述的比较方式包括但不限于：如果
Figure BDA0002355176590000134
则该天线判断当前主用户没有进行传输，如果
Figure BDA0002355176590000135
则该天线判断当前主用户正在进行传输。
步骤4、若2根接收天线均判决当前主用户不在传输，则认知用户最终判定主用户不在传输，认知用户在本轮信号传输周期内可以传输数据，本轮感知操作完成；若2根接收天线均判决当前主用户正在传输，则认知用户最终判定主用户正在传输，认知用户在本轮信号传输周期内不得传输数据，本轮感知操作完成；若2根天线判决不一致，则认知用户判定当前处于感知结果不稳定状态，进入后续步骤5。
步骤5、若认知用户判决当前处于感知结果不稳定状态，则基于经典Q-Learning算法，按概率为P1＝0.5选择进入后续步骤6：即进行重复感知；或进入后续步骤7：即按概率P2＝0.5直接执行最终判决。认知用户事先存有默认的概率P1与P2，上述两个概率会经典Q-Learning算法的影响，在后续每轮执行过程后发生变化，两者之间恒定保持P1+P2＝1。
步骤6、若认知用户在本轮信号传输周期内重复感知次数已达到5次，则直接放弃本轮传输机会，本轮感知操作完成；若认知用户在本轮信号传输周期内重复感知次数未达到5次，则开始执行自动重复感知，启动时间位置为：紧跟着本轮感知周期之后立即进行重复感知。当自动重复感知启动后，执行步骤跳至步骤1。
步骤7、在感知结果不稳定状态下直接执行最终判决，其判决方式为：直接放弃本轮传输机会，本轮感知操作完成。
在实施例五中，系统参数如表1所示，主用户特征标识映射关系如表2所示。通过仿真，可得如图3所示的本发明的频谱感知方法和现有技术中的频谱感知方法的感知性能对比图。其中下方曲线表示现有技术中的频谱感知方式，上方曲线表示本发明的自适应频谱感知技术。由图可知，本发明有效提高了频谱感知的精度。
如图4所示，于一实施例中，本发明的基于预评估处理的自适应频谱感知系统包括获取模块41和感知模块42。
所述获取模块41用于对于多根天线，获取每根天线对于其他用户在目标频段的侦测信息。
所述感知模块42与所述获取模块41相连，用于根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果，并在所述感知结果处于不稳定状态时，基于强化学习算法获取所述感知结果。
其中，获取模块41和感知模块42的结构和原理与上述基于预评估处理的自适应频谱感知方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如：x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现。此外，x模块也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，一个或多个微处理器(Digital Singnal Processor，简称DSP)，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该程序被处理器执行时实现上述的基于预评估处理的自适应频谱感知方法。优选地，所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图5所示，于一实施例中，本发明的终端包括：处理器51和存储器52。
所述存储器52用于存储计算机程序。
所述存储器52包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器51与所述存储器52相连，用于执行所述存储器52存储的计算机程序，以使所述终端执行上述的基于预评估处理的自适应频谱感知方法。
优选地，所述处理器51可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明的基于预评估处理的自适应频谱感知方法、系统、介质及终端利用用户终端设备多天线之间的信号接收独立性，基于多根天线的检测结果进行频谱感知的预评估，然后进行综合感知判决；与现有频谱感知技术相比，在同等系统参数下显著提高了频谱感知的精度；应用范围广，适用于各类型频谱感知技术，例如能量检测类感知、特征检测类感知等等；技术易于实施，无需改动现有系统的硬件结构，便于实际推广与应用。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (18)

1.一种基于预评估处理的自适应频谱感知方法，其特征在于：包括以下步骤：
对于多根天线，获取每根天线对于其他用户在目标频段的侦测信息；
根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果，并在所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知或按照第二转移概率执行最终判决。
2.根据权利要求1所述的基于预评估处理的自适应频谱感知方法，其特征在于：所述侦测信息包括以下任意一种：
能量特征侦测信息；
用户信号特征侦测信息；
用户信号波形匹配侦测信息。
3.根据权利要求1所述的基于预评估处理的自适应频谱感知方法，其特征在于：不同天线采用相同或不同的侦测方式获取所述侦测信息。
4.根据权利要求1所述的基于预评估处理的自适应频谱感知方法，其特征在于：根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果包括以下步骤：
对于每根天线，基于对应的侦测信息判断所述其他用户是否在所述目标频段进行传输；
设定第一预设数量指标m1和第二预设数量指标m2，其中1≤m1＜m2≤I，I表示天线的总数量；
当所述其他用户在所述目标频段进行传输的天线数量小于m1时，所述感知结果为所述其他用户不在所述目标频段进行传输；当所述其他用户在所述目标频段进行传输的天线数量大于等于m2时，所述感知结果为所述其他用户在所述目标频段进行传输；当所述其他用户在所述目标频段进行传输的天线数量大于等于m1且小于m2时，判定所述感知结果处于不稳定状态。
5.根据权利要求4所述的基于预评估处理的自适应频谱感知方法，其特征在于：基于对应的侦测信息判断所述其他用户是否在所述目标频段进行传输时，若所述侦测信息小于检测阈值，则判断所述其他用户不在所述目标频段进行传输；所述侦测信息大于等于检测阈值所述其他用户在所述目标频段进行传输。
6.根据权利要求1所述的基于预评估处理的自适应频谱感知方法，其特征在于：根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果包括以下步骤：
将各根天线的侦测信息进行加权合并，生成最终加权特征；
设定第一预设门限指标Γ1和第二预设门限指标Γ2，其中Γ1＜Γ2；
当所述最终加权特征小于Γ1时，所述感知结果为所述其他用户不在所述目标频段进行传输；当所述最终加权特征大于等于Γ2时，所述感知结果为所述其他用户在所述目标频段进行传输；当所述最终加权特征大于等于Γ1且小于Γ2时，判定所述感知结果处于不稳定状态。
7.根据权利要求6所述的基于预评估处理的自适应频谱感知方法，其特征在于：加权合并所采用的算法为以下任意一种：选择性合并算法、等增益合并算法、最大比合并算法和自定义加权合并算法。
8.根据权利要求1所述的基于预评估处理的自适应频谱感知方法，其特征在于：在所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知，或按照第二转移概率执行最终判决；所述第一转移概率和所述第二转移概率之和为1。
9.根据权利要求8所述的基于预评估处理的自适应频谱感知方法，其特征在于：所述第一转移概率和所述第二转移概率采用以下任一方式获取：
预先设定；
在每个感知周期开始时随机生成。
10.根据权利要求8所述的基于预评估处理的自适应频谱感知方法，其特征在于：所述第一转移概率和所述第二转移概率的取值在频谱感知过程中始终保持不变，或基于预设的转移概率修正算法在不同的感知周期内或单个感知周期内的频谱感知过程中动态变化。
11.根据权利要求10所述的基于预评估处理的自适应频谱感知方法，其特征在于：所述转移概率修正算法采用以下任意一种：机器学习算法或自定义线性/非线性算法。
12.根据权利要求11所述的基于预评估处理的自适应频谱感知方法，其特征在于：所述机器学习算法采用Q-Learning强化学习算法。
13.根据权利要求8所述的基于预评估处理的自适应频谱感知方法，其特征在于：重新进行频谱感知的启动时间为以下任意一种：
在当前感知周期后的信号传输周期立即进行频谱感知；
在下一感知周期立即进行频谱感知。
14.根据权利要求8所述的基于预评估处理的自适应频谱感知方法，其特征在于：重新进行频谱感知时，若在当前信号传输周期内重新进行频谱感知的次数达到预设次数，则放弃当前信号传输周期的传输机会；若在当前信号传输周期内重新进行频谱感知的次数未达到预设次数，则继续进行频谱感知。
15.根据权利要求8所述的基于预评估处理的自适应频谱感知方法，其特征在于：执行最终判决包括以下任意一种方式：
放弃当前信号传输周期的传输机会；
在当前信号传输周期直接进行传输；
在当前信号传输周期随机选择是否传输；
在当前信号传输周期按照预设的触发概率P直接进行传输，以(1-P)的概率放弃传输；
将每根天线的侦测信息进行加权合并，得到最终加权特征；当所述最终加权特征小于预设的第一综合判决指标时，判定所述其他用户不在所述目标频段进行传输；否则判定所述其他用户在所述目标频段进行传输；
获取每个天线独立的感知结果，当判定所述其他用户在所述目标频段进行传输的天线数量小于预设的第二综合判决指标时，判定所述其他用户不在所述目标频段进行传输；否则判定所述其他用户在所述目标频段进行传输。
16.一种基于预评估处理的自适应频谱感知系统，其特征在于：包括获取模块和感知模块；
所述获取模块用于对于多根天线，获取每根天线对于其他用户在目标频段的侦测信息；
所述感知模块用于根据所述侦测信息获取所述其他用户是否在所述目标频段进行传输的感知结果，并在所述感知结果处于不稳定状态时，按照第一转移概率重新进行频谱感知或按照第二转移概率执行最终判决。
17.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至15中任一项所述的基于预评估处理的自适应频谱感知方法。
18.一种终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至15中任一项所述的基于预评估处理的自适应频谱感知方法。
CN202010005634.1A 2020-01-03 2020-01-03 基于预评估处理的自适应频谱感知方法、系统、介质及终端 Active CN111181669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010005634.1A CN111181669B (zh) 2020-01-03 2020-01-03 基于预评估处理的自适应频谱感知方法、系统、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010005634.1A CN111181669B (zh) 2020-01-03 2020-01-03 基于预评估处理的自适应频谱感知方法、系统、介质及终端

Publications (2)

Publication Number Publication Date
CN111181669A true CN111181669A (zh) 2020-05-19
CN111181669B CN111181669B (zh) 2022-02-11

Family

ID=70656208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010005634.1A Active CN111181669B (zh) 2020-01-03 2020-01-03 基于预评估处理的自适应频谱感知方法、系统、介质及终端

Country Status (1)

Country Link
CN (1) CN111181669B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100248760A1 (en) * 2009-03-25 2010-09-30 Futurewei Technologies, Inc. System and Method for Cooperative Spectrum Sensing in Cognitive Radio Systems
CN102256286A (zh) * 2011-05-06 2011-11-23 中国人民解放军理工大学 基于状态转移概率估计的感知时隙长度优化方法
CN103327504A (zh) * 2013-07-12 2013-09-25 北京交通大学 一种认知无线电网络中频谱感知间隔的决策方法
CN108235328A (zh) * 2018-01-08 2018-06-29 中国科学院上海高等研究院 自动频谱重感知方法、系统、计算机可读存储介质及终端
CN109039505A (zh) * 2018-06-29 2018-12-18 河海大学常州校区 一种认知无线电网络中信道状态转移概率预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100248760A1 (en) * 2009-03-25 2010-09-30 Futurewei Technologies, Inc. System and Method for Cooperative Spectrum Sensing in Cognitive Radio Systems
CN102256286A (zh) * 2011-05-06 2011-11-23 中国人民解放军理工大学 基于状态转移概率估计的感知时隙长度优化方法
CN103327504A (zh) * 2013-07-12 2013-09-25 北京交通大学 一种认知无线电网络中频谱感知间隔的决策方法
CN108235328A (zh) * 2018-01-08 2018-06-29 中国科学院上海高等研究院 自动频谱重感知方法、系统、计算机可读存储介质及终端
CN109039505A (zh) * 2018-06-29 2018-12-18 河海大学常州校区 一种认知无线电网络中信道状态转移概率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIANHENG XU等: "Automatic Repeat Spectrum Sensing for 5G IoT Communications with Unstable Channel Conditions", 《2019 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS》 *
邢晓双: "认知无线电网络中的频谱预测技术研究", 《中国优秀博士学位论文全文数据库信息科技辑》 *

Also Published As

Publication number Publication date
CN111181669B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN112702294B (zh) 一种基于深度学习的多层次特征提取的调制识别方法
CN105721106B (zh) 基于串行策略的scma上行通信系统多用户检测方法
CN108322277B (zh) 一种基于协方差矩阵反特征值的频谱感知方法
CN102546059A (zh) 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法
CN108242961B (zh) 基于集成学习的全双工认知无线电网络合作频谱感知方法
CN105471771A (zh) 信道方向信息的获取方法和设备
CN107547598A (zh) 一种定位方法、服务器及终端
CN105721123A (zh) 一种用户配对及功率分配方法及装置
CN106792506B (zh) 一种WiFi定位方法及服务器
Chen et al. Smartphone-based indoor fingerprinting localization using channel state information
CN116257750A (zh) 一种基于样本增强和深度学习的射频指纹识别方法
CN116192307A (zh) 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质
CN110224771A (zh) 基于bp神经网络与信息几何的频谱感知方法及装置
CN111431825B (zh) 一种基于深度多流神经网络的信号自动分类识别方法
CN113365323A (zh) 一种用于无线传感网络中的低能耗多径传输方法
Liu et al. Location-based visible region recognition in extra-large massive MIMO systems
CN111181669B (zh) 基于预评估处理的自适应频谱感知方法、系统、介质及终端
CN109067678B (zh) 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统
CN114298086A (zh) 基于深度学习和四阶滞后矩谱的stbc-ofdm信号盲识别方法和装置
CN117082614A (zh) 终端定位方法、装置、计算机设备和存储介质
CN110365434B (zh) 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法
CN108235328B (zh) 自动频谱重感知方法、系统、计算机可读存储介质及终端
CN108055096B (zh) 基于信号和噪声特征检测的频谱感知方法
CN115459879A (zh) 一种大维信号处理方法、装置和电子设备
CN105050110B (zh) 一种认知无线电网络的能效提升方法

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