SATSense:卫星合作框架下的频谱感知
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
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
使用最近的矩阵完备技术来解决协作无线电节点之间的协作感知问题,结果表明,即使在无噪声的情况下,当主用户数量增加时,只需使用不到 17%的完全感知信息即可达到 95.55%的检测率。
Jan, 2010
我们在本论文中提出了一种数据驱动的框架,用于协同宽带频谱感知和调度网络化的无人机,其充当二级用户来机会性地利用检测到的 "频谱空洞"。我们的框架包括三个主要阶段:模型训练阶段,协同频谱推断阶段以及频谱调度阶段。我们还提出了一个多联邦学习架构,将无线数据集生成直接集成到联邦学习训练过程中。我们利用强化学习解决方案动态分配检测到的频谱空洞给二级用户。通过建立综合的仿真框架来评估所提出的方法,我们能够生成近乎真实的合成数据集,用于发展基于机器学习 / 人工智能的航空设备频谱管理解决方案。
Jun, 2024
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
本研究介绍了一种深度学习方法,利用多模态图像和频谱数据相结合,实现动态频谱访问,并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象(例如可能携带发射器的车辆),我们提出了一种协作系统,其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策,以确定潜在的发射器是否存在。通过任务导向的通信,在发射器上使用编码器进行联合源编码、信道编码和调制,从而高效传输用于对象分类的精简维度的重要信息。同时,发送的信号可能会反射到物体并返回到发射器,从而实现目标感知数据的收集。然后,在发射器上对收集到的感知数据进行第二轮编码,通过任务导向的通信将降维后的信息传回融合中心。在接收端,解码器通过联合感知和任务导向的通信,执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练,实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型,我们展示了所提出方法的有效性,在各种信道条件下取得了发射器识别的高准确性,并保持低延迟的决策过程。
Dec, 2023
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
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