CN116527080B - 一种基于深度学习的电力线频谱感知方法、装置、系统及存储介质 - Google Patents

一种基于深度学习的电力线频谱感知方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN116527080B
CN116527080B CN202310364669.8A CN202310364669A CN116527080B CN 116527080 B CN116527080 B CN 116527080B CN 202310364669 A CN202310364669 A CN 202310364669A CN 116527080 B CN116527080 B CN 116527080B
Authority
CN
China
Prior art keywords
power line
signal
noise
deep learning
received signal
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
CN202310364669.8A
Other languages
English (en)
Other versions
CN116527080A (zh
Inventor
彭薇
王臻
杨镇宇
刘川
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202310364669.8A priority Critical patent/CN116527080B/zh
Publication of CN116527080A publication Critical patent/CN116527080A/zh
Application granted granted Critical
Publication of CN116527080B publication Critical patent/CN116527080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/02—Details
    • H04B3/46—Monitoring; Testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Power Engineering (AREA)
  • Electromagnetism (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种基于深度学习的电力线频谱感知方法、装置和系统，属于电力线信道检测技术领域，所述方法包括：S1：将电力线的接收信号转化为频谱信号并作为训练数据；S2：利用训练数据对基于深度学习的初始残差网络进行训练，得到包括多个残差块的目标残差网络；S3：利用目标残差网络对残差块电力线的当前接收信号进行感知，判断残差块当前接收信号为高斯噪声、脉冲噪声或信号加噪声。利用基于深度学习的残差网络进行电力线接收信号的感知，判断其为高斯噪声、脉冲噪声或信号加噪声，能够快速缺精准获悉信道占用情况，便于根据电力线的信道占用情况进行信道使用，由此解决现有频谱感知方法计算复杂度但估计精度低的技术问题。

Description

一种基于深度学习的电力线频谱感知方法、装置、系统及存储 介质
技术领域
本发明属于电力线信道检测技术领域，更具体地，涉及一种基于深度学习的电力线频谱感知方法、装置和系统。
背景技术
非屏蔽电源线容易受到周围环境的电磁干扰(Electromagnetic Interference，EMI)。因此，电力线通信(Power Line Communication，PLC)信号还会在重叠频带中的非PLC服务中引起不希望的EMI。许多非PLC服务，如广播、业余和公民波段无线电，在用于宽带PLC的2-100MHz的频带中运行。为了保护这些服务，监管机构限制宽带PLC设备使用大多数这些频率。由于这些波段经常闲置，因此永久开槽会浪费宝贵的频谱资源。较新的宽带PLC标准，如EN50561-1，允许使用动态刻槽利用分配给广播无线电服务的频谱，只要它们空闲。已经开展了许多认知PLC活动，以确定有效的策略和标准来检测这些广播无线电干扰的存在。
传统的频谱感知方法包括能量检测、基于匹配滤波的检测、循环平稳特征的检测、其中，能量检测因其易于实现的优点而得到了广泛的应用，但它严重受到噪声不确定性的影响。基于匹配滤波的检测是最优检测算法，但其需要信号的先验信息才能使用。基于循环平稳特征的检测在低信噪比(SNR)场景下具有优势，但是该方法具有很高的计算复杂度。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习的电力线频谱感知方法、装置和系统，其目的在于利用基于深度学习的残差网络进行电力线接收信号的感知，判断其为高斯噪声、脉冲噪声或信号加噪声，能够快速缺精准获悉信道占用情况，便于根据电力线的信道占用情况进行信道使用，由此解决现有频谱感知方法计算复杂度但估计精度低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习的电力线频谱感知方法，包括：
S1：将电力线的接收信号转化为频谱信号，并作为训练数据；
S2：利用所述训练数据对基于深度学习的初始残差网络进行训练，得到目标残差网络；所述目标残差网络包括：多个级联的残差块；
S3：利用所述目标残差网络对所述电力线的当前接收信号进行感知，判断所述当前接收信号为高斯噪声、脉冲噪声或信号加噪声。
在其中一个实施例中，所述目标残差网络表示为：
其中，x0表示输入，F(xi,Wi)表示残差结构的正向传播函数，xi表示第i层的输出，Wi表示第i层权重，L表示残差网络层数。
在其中一个实施例中，第l+1的所述残差块的表达式为：xl+1＝xl+F(xl,Wl)；
其中，F(xl,Wl)为残差结构的正向传播函数，Wl为第l层权重；xl为第l层输出。
在其中一个实施例中，还包括：
当判定所述当前接收信号为所述信号加噪声时，暂停利用所述电力线传输待发送信号。
在其中一个实施例中，还包括：
当判定所述当前接收信号为所述脉冲噪声时，暂停利用所述电力线传输待发送信号。
在其中一个实施例中，所述脉冲噪声的概率密度函数表示为：
其中，A是脉冲指数，为噪声中高斯分量功率/>与脉冲分量功率/>的比值，/>为噪声的总功率，βm为中间参量。
在其中一个实施例中，所述S1包括：
将所述电力线的接收信号进行功率归一化处理得到归一化信号；
对所述归一化信号进行FFT变换得到频域信号；
将所述归一化信号的模和所述频域信号的模作为所述训练数据。
按照本发明的另一方面，提供了一种基于深度学习的电力线频谱感知装置，包括：
预处理模块，用于将电力线的接收信号转化为频谱信号，并作为训练数据；
训练模块，用于利用所述训练数据对基于深度学习的初始残差网络进行训练，得到目标残差网络；所述目标残差网络包括：多个级联的残差块；感知模块，用于利用所述目标残差网络对所述电力线的当前接收信号进行感知，判断所述当前接收信号为高斯噪声、脉冲噪声或信号加噪声。
感知模块，用于利用所述目标残差网络对所述电力线的当前接收信号进行感知，判断所述当前接收信号为高斯噪声、脉冲噪声或信号加噪声。
按照本发明的另一方面，提供了一种基于深度学习的电力线频谱感知系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明利用基于深度学习的残差网络进行电力线接收信号的感知，判断其为高斯噪声、脉冲噪声或信号加噪声，计算复杂度更低，所需的先验信息更少。能够快速缺精准获悉信道占用情况，便于根据电力线的信道占用情况进行信道使用，由此解决现有频谱感知方法计算复杂度但估计精度低的技术问题。此外，利用基于深度学习的残差网络进行频谱感知可以在更低的信噪比条件下工作，克服了噪声功率不确定性的影响；
(2)每个残差块结构相同，具有较好的稳定性，每一个卷积层使用多个滤波器，较多的滤波器数量可学习更深层次的特征，在卷积层之间加入批标准化层以达到减少梯度消失，加快收敛速度，防止过拟合的作用，每个卷积层的激活函数为‘RELU’函数，这个函数对训练过程有加速作用。
(3)能够对脉冲噪声进行判别，可以让认知节点有更丰富的信息，可以在当感知到电力线上存在脉冲噪声存在时，关闭相应频段的数据传输，提高传输的可靠性。
附图说明
图1是本发明实施例1提供的基于深度学习的电力线频谱感知方法的流程图。
图2和图3为实施例7与能量检测算法对于awgn噪声下的频谱感知ROC曲线图。
图4和图5为实施例7与能量检测算法对于middleton_A class噪声下的频谱感知ROC曲线图。
图6a和图6b分别为middletonA class噪声与高斯噪声的时域波形图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
如图1所示，本实施例提供了一种基于深度学习的电力线频谱感知方法，包括：
S1：将电力线的接收信号转化为频谱信号，并作为训练数据；
S2：利用训练数据对基于深度学习的初始残差网络进行训练，得到目标残差网络；目标残差网络包括：多个级联的残差块；
S3：利用目标残差网络对电力线的当前接收信号进行感知，判断当前接收信号为高斯噪声、脉冲噪声或信号加噪声。
实施例2
目标残差网络表示为：
其中，x0表示输入，F(xi,Wi)表示残差结构的正向传播函数，xi表示第i层的输出，Wi表示第i层权重，L表示残差网络层数。
对于任意深的残差网络L的每个残差块xL可以表达为浅层单元l的特征xl加上一个形如的残差函数，表明了任何单元L和l之间都具有残差特性。即，对于任意深的残差网络L，可以表示为：之前所有残差块的残差函数输出的总和再加上x0。
实施例3
第l+1的残差块的表达式为：xl+1＝xl+F(xl,Wl)；
其中，F(xl,Wl)为残差结构的正向传播函数，Wl为第l层权重；xl为第l层输出。
具体的，对于反向传播，假设损失函数为ε，根据反向传播的链式法则可以得到：
式子被分为两个部分：不通过权重层的传递:和通过权重层的传递：其中，前者保证了信号能够直接传回到任意的浅层xl，同时这个公式也保证了不会出现梯度消失的现象，因为/>不可能为-1。
需说明的是，残差网络根据网络模型内部结构及实际训练需求，当输入数据和经过一个残差块后与直接输出的数据维度不匹配时，采用设定卷积核对输入数据进行升维操作。
实施例4
本发明提供的基于深度学习的电力线频谱感知方法，还包括：
当判定当前接收信号为信号加噪声时，暂停利用电力线传输待发送信号。
实施例5
本发明提供的基于深度学习的电力线频谱感知方法，还包括：
当判定当前接收信号为脉冲噪声时，暂停利用电力线传输待发送信号。
实施例6
脉冲噪声的概率密度函数表示为：
其中，A是脉冲指数，为噪声中高斯分量功率/>与脉冲分量功率/>的比值，/>为噪声的总功率。
实施例7
S1包括：将电力线的接收信号进行功率归一化处理得到归一化信号；对归一化信号进行FFT变换得到频域信号；将归一化信号的模和频域信号的模作为训练数据。
具体的，以电力线的接收信号是16QAM信号为例进行描述，此处省略接收机解调过程。功率归一化可通过对接收信号除以平均功率得到。对归一化处理后的信号进行FFT变换，FFT指快速傅里叶变换(Fast Fourier Transform，FFT)，即利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称。其公式为：其中，x[n]为输入信号，N为做FFT的点数。
图2和图3为本实施例与能量检测算法对于awgn噪声下的频谱感知ROC曲线图，由图可知，以要求虚警概率为0.1时，检测概率需达到0.9为例，本实施例设计方法在信噪比为-14dB以上即可达到，而能量检测算法则需要在信噪比为-10dB以上时才满足要求，即awgn噪声下本实施例可在低于能量检测算法能正常工作的信噪比4dB时仍能正常工作。可见本实施例在awgn噪声下的频谱感知正确率明显优于能量检测方法。
图4和图5为本实施例与能量检测算法对于middleton_A class噪声下的频谱感知ROC曲线图，以要求虚警概率为0.2时，检测概率需达到0.8为例，本实施例设计方法在信噪比为-14dB以上即可达到，而能量检测算法则需要在信噪比为0dB以上时才满足要求，即在middleton_A class噪声下，本实施例可在低于能量检测算法能正常工作的信噪比14dB时仍能正常工作。可见本实施例在middleton_A class噪声下的频谱感知正确率明显优于能量检测方法。图6a和图6b能够对比middletonA class噪声与高斯噪声的时域波形。
实施例8
本实施例提供了一种基于深度学习的电力线频谱感知装置，包括：
预处理模块，用于将电力线的接收信号转化为频谱信号，并作为训练数据；
训练模块，用于利用训练数据对基于深度学习的初始残差网络进行训练，得到目标残差网络；目标残差网络包括：多个级联的残差块；
感知模块，用于利用目标残差网络对电力线的当前接收信号进行感知，判断当前接收信号为高斯噪声、脉冲噪声或信号加噪声。
其中，预处理模块，用于将电力线的接收信号转化为频谱信号，并与原信号一起作为训练数据，信号可以为16QAM，64QAM，4PSK等多种调制方式信号，通过对特定功率的信号加上不同功率的高斯噪声和脉冲噪声实现不同信噪比的需求。为了使网络训练不产生偏向，样本中高斯噪声：脉冲噪声：信号加噪声等于1:1:2。其中信号加噪声这一类中信号加高斯噪声与信号加脉冲噪声的样本数比值为1:1；
训练模块，用于利用训练数据对基于深度学习的初始残差网络进行训练，得到目标残差网络；目标残差网络包括：三个级联的残差块；残差块结构一致，每个残差结构均为3层一维卷积层，这种结构有较好的稳定性，每一个卷积层使用50-100个滤波器，较多的滤波器数量可学习更深层次的特征，在卷积层之间加入批标准化层以达到减少梯度消失，加快收敛速度，防止过拟合的作用，每个卷积层的激活函数为‘RELU’函数，这个函数对训练过程有加速作用。最后利用adam优化算法对整个网络进行训练，相比于基础的随机梯度下降算法，它能更快达到更好的学习效果。
感知模块，用于利用目标残差网络对电力线的当前接收信号进行感知，判断当前接收信号为高斯噪声、脉冲噪声或信号加噪声。
实施例9
本实施例提供了一种基于深度学习的电力线频谱感知系统，包括存储器和处理器，存储器存储有计算机程序，其特征在于，处理器执行计算机程序时实现上述方法的步骤。
实施例10
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
本领域的技术人员容易理解，以上所述仅为本实施例的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的电力线频谱感知方法，其特征在于，包括：
S1：将电力线的接收信号转化为频谱信号，并作为训练数据；
S2：利用所述训练数据对基于深度学习的初始残差网络进行训练，得到目标残差网络；所述目标残差网络包括：多个级联的残差块；
S3：利用所述目标残差网络对所述电力线的当前接收信号进行感知，判断所述当前接收信号为高斯噪声、脉冲噪声或信号加噪声；
目标残差网络表示为：x0表示输入，F(xi,Wi)表示残差结构的正向传播函数，xi表示第i层的输出，Wi表示第i层权重，L表示残差网络层数；
第l+1的残差块的表达式为：xl+1＝xl+F(xl,Wl)；F(xl,Wl)为残差结构的正向传播函数，Wl为第l层权重；xl为第l层输出；
对于反向传播，设损失函数为ε，根据反向传播的链式法则得到：
式子被分为两个部分：不通过权重层的传递的部分和通过权重层的传递的部分 保证了信号能够直接传回到任意的浅层xl，/>的整个表达式保证了不会出现梯度消失的现象，因为/>不可能等于-1。
2.如权利要求1所述的基于深度学习的电力线频谱感知方法，其特征在于，还包括：
当判定所述当前接收信号为所述信号加噪声时，暂停利用所述电力线传输待发送信号。
3.如权利要求2所述的基于深度学习的电力线频谱感知方法，其特征在于，还包括：
当判定所述当前接收信号为所述脉冲噪声时，暂停利用所述电力线传输待发送信号。
4.如权利要求3所述的基于深度学习的电力线频谱感知方法，其特征在于，所述脉冲噪声的概率密度函数表示为：
其中，A是脉冲指数，为噪声中高斯分量功率/>与脉冲分量功率/>的比值，为噪声的总功率，βm为中间参量。
5.如权利要求1-4任一项所述的基于深度学习的电力线频谱感知方法，其特征在于，所述S1包括：
将所述电力线的接收信号进行功率归一化处理得到归一化信号；
对所述归一化信号进行FFT变换得到频域信号；
将所述归一化信号的模和所述频域信号的模作为所述训练数据。
6.一种基于深度学习的电力线频谱感知装置，其特征在于，用于执行权利要求1-5任一项所述的基于深度学习的电力线频谱感知方法，包括：
预处理模块，用于将电力线的接收信号转化为频谱信号，并作为训练数据；
训练模块，用于利用所述训练数据对基于深度学习的初始残差网络进行训练，得到目标残差网络；所述目标残差网络包括：多个级联的残差块；
感知模块，用于利用所述目标残差网络对所述电力线的当前接收信号进行感知，判断所述当前接收信号为高斯噪声、脉冲噪声或信号加噪声。
7.一种基于深度学习的电力线频谱感知系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202310364669.8A 2023-04-07 2023-04-07 一种基于深度学习的电力线频谱感知方法、装置、系统及存储介质 Active CN116527080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310364669.8A CN116527080B (zh) 2023-04-07 2023-04-07 一种基于深度学习的电力线频谱感知方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310364669.8A CN116527080B (zh) 2023-04-07 2023-04-07 一种基于深度学习的电力线频谱感知方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN116527080A CN116527080A (zh) 2023-08-01
CN116527080B true CN116527080B (zh) 2024-03-19

Family

ID=87393182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310364669.8A Active CN116527080B (zh) 2023-04-07 2023-04-07 一种基于深度学习的电力线频谱感知方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116527080B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495198A (zh) * 2019-01-25 2019-03-19 西安电子科技大学 基于残差相关矩阵检测的欠采样频谱感知方法
CN112350790A (zh) * 2020-09-25 2021-02-09 深圳大学 一种基于深度学习的频谱感知检测方法、装置及设备
CN113595664A (zh) * 2021-08-13 2021-11-02 电子科技大学长三角研究院(湖州) 一种基于深度学习的多用户宽带通信系统的频谱感知方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9634722B2 (en) * 2013-07-03 2017-04-25 Viavi Solutions Inc. Cable network spectral measurement during upstream packet transmission

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495198A (zh) * 2019-01-25 2019-03-19 西安电子科技大学 基于残差相关矩阵检测的欠采样频谱感知方法
CN112350790A (zh) * 2020-09-25 2021-02-09 深圳大学 一种基于深度学习的频谱感知检测方法、装置及设备
CN113595664A (zh) * 2021-08-13 2021-11-02 电子科技大学长三角研究院(湖州) 一种基于深度学习的多用户宽带通信系统的频谱感知方法

Also Published As

Publication number Publication date
CN116527080A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Gecgel et al. Jammer detection based on artificial neural networks: A measurement study
Tekbıyık et al. Spectrum sensing and signal identification with deep learning based on spectral correlation function
US8923771B2 (en) Method, apparatus and computer program product for identifying frequency bands, and a method, apparatus and computer program product for evaluating performance
CN101106402A (zh) 时域中的信噪比(snr)确定
CN111965604B (zh) 基于循环平稳的雷达干扰识别与抑制方法
CN101588191B (zh) 无线电信号认知方法及设备
CN107276696A (zh) 一种低信噪比条件下信号检测算法
CN111050391A (zh) 基于cr-vanet的车载雷达通信一体化系统的时间和功率联合分配方法
CN108810923B (zh) Afh干扰频点的判断方法及装置、计算机可读存储介质、接收机
CN104253659B (zh) 一种频谱检测方法及其装置
CN111726182A (zh) 一种非高斯噪声衰落信道下多主用户动态频谱感知方法
CN116527080B (zh) 一种基于深度学习的电力线频谱感知方法、装置、系统及存储介质
CN108400826B (zh) 一种基于循环矩阵特征值的频谱感知方法
CN113132034B (zh) 基于差分幅值的干扰检测方法和装置
Kalhoro et al. Matched filter based spectrum sensing technique for 4G cellular network
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
DE102022133941A1 (de) Vorrichtung, system und verfahren zur detektion von änderungen in einer umgebung eines drahtlosen kommunikationsgeräts
Fink et al. Effects of arbitrarily spaced subcarriers on detection performance in OFDM radar
Imani et al. Using weighted multilevel wavelet decomposition for wideband spectrum sensing in cognitive radios
CN101997590B (zh) 随机接入信号的检测方法和基带处理板以及基站
JP5252430B2 (ja) 信号検出方法，プログラム，情報記憶媒体，及びセンサー
CN104468426A (zh) Lte上行信道估计方法及系统
Molchanov et al. A novel bispectrum-based frequency encoding technique developed for noisy and multipath fading radio links
Yildirim et al. Impact of Interference on OFDM based Radars
CN112910518A (zh) 无人机通信中非高斯噪声下mimo系统发射天线数估计方法

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