利用矩阵补全的合作式频谱感知方法进行思维无线电网络的稀疏观测
本文提出一种应对网络安全攻击的战术通信系统的通道感知、协作和传输算法,通过节点感知、合作和选择疑似未被攻击的信道来提高网络频谱知识和减少受到攻击的传输频率。
Mar, 2020
利用多颗卫星的多样数据进行协作感知以及利用图神经网络进行有效的频谱感知,同时采用联合子 - Nyquist 采样和自动编码器数据压缩框架以及对丢失数据进行对比学习,以实现高效的频谱感知性能并在频谱感知准确性上超越传统深度学习算法。
May, 2024
本文提出了基于二级用户接收信号的协方差矩阵特征值的新型感知方法,包括基于最大特征值与最小特征值比率以及基于平均特征值与最小特征值比率的感知算法,并使用最新的随机矩阵理论量化了两种算法的误警概率和检测概率,验证了方法的有效性。
Apr, 2008
本研究旨在解决无线传感器网络中观测稀疏信号在通道衰落条件下的恢复问题,采用稀疏随机矩阵降低信息转发中的通信成本,并通过分析重尾随机矩阵的特性,量化在非同一高斯信道存在的情况下确保可靠信号恢复所需的附加测量次数。研究结果提供了关于如何控制每个节点的传感器传输概率以最小化收集到融合中心的测量次数的见解,并讨论了任意随机投影矩阵中给定的子指数范数下给定稀疏信号的恢复保证。
Apr, 2015
该论文提出了一种深度协作感知(DCS),用于在认知无线电网络(CRN)中进行协作频谱感知(CSS),以检测可能同时占用多个波段的主用户(PU),通过使用卷积神经网络(CNN)学习 SUs 的单独感测结果的组合策略,DCS 发现一种环境特定的 CSS,即使单独感测结果被量化或未量化,也可以以自适应的方式考虑个体感测结果的频谱和空间相关性,仿真表明,即使训练样本数量较少,建议使用低复杂度 DCS 可以提高 CSS 的性能。
May, 2017
我们提出了一个基于数据驱动的框架,用于网络化的无人机协同宽带频谱感知和调度,其作为次级用户为探测到的频谱空隙提供机会利用。为此,我们提出了一个多类分类问题,用于基于采集到的 I/Q 样本检测空闲频谱位置的宽带频谱感知。为了提高频谱感知模块的准确性,我们在无人机系统交通管理 (UTM) 生态系统中的服务器上对各个单独无人机进行的多类分类结果进行融合。在频谱调度阶段,我们利用强化学习 (RL) 解决方案将探测到的频谱空隙动态分配给次级用户 (即无人机)。为了评估所提出的方法,我们建立了一个综合的仿真框架,利用 MATLAB LTE 工具箱生成一个接近真实的合成数据集,其中包括所选兴趣区域内基站 (BS) 位置、射线跟踪和模拟主用户的信道使用情况的 I/Q 样本。这种评估方法提供了一个灵活的框架,可以生成用于开发基于机器学习 / 人工智能的空中设备频谱管理解决方案的大型频谱数据集。
Aug, 2023
研究了在分布式估计中实现传感器协作的问题,以期找到在信息或能量约束条件下的优化稀疏合作方案,并提出了有效的方法以获得接近最优解。同时探讨了当每个传感器参与估计方案存在成本时的情况,并引入了一种统一的框架来联合设计最佳传感器选择和协作方案。发现在给定估计性能的情况下,存在传感器选择和协作之间的权衡。
Aug, 2014
该研究介绍了一种基于深度学习分类的频谱感知方法,通过对接收信号功率进行归一化处理来克服噪声功率不确定性,使用尽可能多的信号类型和噪声数据训练模型,使得训练的网络模型能够适应未经训练的新信号,并使用迁移学习策略来改进实际信号的性能,实验证明该方法的性能超过了传统的频谱感知方法,并且适应不同类型的新信号,对于彩色噪声有更优越的检测性能。
Sep, 2019