MMSep, 2019

基于深度学习分类的认知无线电频谱感知

PDF
TL;DR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。
发现论文，激发创造
  • 基于特征值的认知无线电频谱感知算法

    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

  • 未知和动态频谱环境下的无线电信号分类深度学习

    本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

    Sep, 2019

  • 应用深度学习对 3.5GHz 频段频谱图进行分类及其对于频谱感知的应用

    本文研究了在 3.5 GHz 频段内使用 13 种不同的算法（包括信号检测理论和机器学习）以及深度学习架构进行 SPN-43 雷达检测的性能表现，并发现机器学习算法优于传统信号检测方法。

    Jun, 2018

  • 基于端到端学习的光谱数据处理：一种用于频谱监测应用中的无线信号识别的深度学习方法

    本论文介绍了无线电信号标识的深度学习方法，提出了端到端学习框架和通用方法，通过调查不同的数据表示方法及其不同的影响，研究了无线电信号的分类方法，降低了设计无线电信号分类器的复杂度并提升了准确性。

    Dec, 2017

  • 基于深度学习网络的 OFDM 系统频谱感知方法

    本文提出了两种基于深度学习网络的 OFDM 信号感知框架，分别为 SAE-SS 和 SAE-TF，与传统的 OFDM 感知方法相比，这两种方法可以更好地处理噪声不确定性、时延和载波频偏，同时提高了感知准确度。

    Jul, 2018

  • 认知无线电频谱共享的智能功率控制：深度强化学习方法

    本文提出了一种基于深度强化学习的方法，用于共享主要用户和次要用户之间的频谱，并设计了一组空间部署的传感器节点以帮助感知无线环境中的接收信号强度信息，从而使得次要用户可以与主要用户有效地交互以达到传输数据的设定目标状态。

    Dec, 2017

  • 多个认知用户的频谱感知联合检测算法

    利用频谱感知技术进行多用户频谱感知，提高虚警概率和检测概率，从而有效地探测闲置时段的频谱资源，优化信息资源的重新分配。

    Nov, 2023

  • 认知无线电网络的宽带频谱感知：一项调查

    介绍了各种宽带频谱感知算法及其优缺点和挑战问题，并特别关注了子奈奎斯特技术的应用，包括压缩感知和多通道子奈奎斯特采样技术。

    Feb, 2013

  • 深度感知：基于卷积神经网络的合作频谱感知

    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

  • 基于人工智能的蜂窝网络信号频谱感知中的攻击缓解

    本文通过使用基于人工智能的语义分割模型，对用于识别受攻击的移动网络信号的频谱感知方法进行漏洞分析，并证明缓解方法可以显著减少基于人工智能的频谱感知模型面对敌对攻击的漏洞。

    Sep, 2022