基于图像K-means聚类分析的频谱感知算法

近年来,基于能量检测的协作频谱感知算法被广泛应用于频谱感知领域。由于该方法在计算能量检测的判决门限受噪声影响较大以及受限于认知用户的数量等问题,导致其检测性能受到影响。为了解决这一问题,本文提出一种基于图像K-means聚类分析的频谱感知算法。这种方法利用主用户信号存在与否的两种认知信号状态映射成图像,经过调整图像强度和高斯滤波预处理之后利用提取图像像素分布直方图的方法提取出特征向量,然后利用改进的K均值聚类算法对这些特征向量进行训练得到分类模型。最后利用训练好的分类模型对未知信号进行检测,从而实现频谱感知。仿真结果表明,本文所提出的频谱感知算法,在检测性能上优于传统能量检测以及协作频谱感知算法,尤其在低虚警概率、低信噪比的环境下效果更加突出。      

基于信噪比墙的协作能量检测算法

认知无线电技术可有效地检测到授权频段的频谱空洞,从而提高频谱效率.能量检测由于不需要授权用户的先验信息而被广泛应用.然而由于接收的噪声存在不确定性,使得在信噪比低于某一闸值时,无论观测时间多长,都无法保证检测结果满足要求的检测性能,这一闸值被称作“信噪比墙”.本文通过信噪比墙这一现象进行分析,同时由于协作感知算法在确定噪声下在提高检测性能方便表现出的优势,提出一种基于信噪比墙的协作能量检测算法,通过仿真结果分析,表明本文算法在检测性能和节能上较已有的协作算法具有优势.     

基于能量和协方差的两步频谱感知

频谱感知是认知无线电中的一项关键技术,主要功能是能够快速准确检测出频谱中是否存在授权用户。频谱感知的能量检测算法简单,但在低信噪比情形下的检测性能不佳,而协方差算法在低信噪比环境下具有较好检测性能。针对上述情况提出了一种这两步相结合检测的算法,从而具有更准确的频谱感知性。仿真结果表明,两步检测算法在低信噪比情况下无需授权用户的先验信息,同时使算法的平均计算量相对于协方差算法有一定程度的降低,并能有效地提高频谱感知性能。     

夜间边境非法越界热成像智能监测方法

国家边界线夜间非法越境监测和报警是一个重要的研究课题,目前存在的监控系统智能性低、误检率高、计算时间慢。为了实现智能监测,提出了一种热成像智能监测方法。首先使用高斯背景建模提取前景目标,使用HOG+SVM的方法对前景目标进行越界人检测;为了消除动物的干扰,利用STC算法进一步跟踪并分析目标速度和运动轨迹。实验结果表明,设计的方法提高了越界人检测的准确率,检测时间提高到60 ms左右,满足了现场应用。     

Compressive spectrum sensing in the cognitive radio networks by exploiting the sparsity of active radios

Spectrum sensing is a key technology to detect spectrum holes in cognitive network. It has been demonstrated that collaboration among cognitive users can improve the probability of detecting the primary users, but the fusion center is the bottleneck when a lot of collaborative information is transmitted. In this paper, we consider the cognitive radio users only transmit part of sensing information to relieve the transmission load. Besides, the sensing information will be inevitably influenced by various noise in the process of transmission. Therefore, the challenge is how we can detect spectrum holes successfully from these incomplete and inexact measurements. Most recently, there are some research results on this but the detection performance is not satisfactory. In this paper, we firstly formulate the collaborative spectrum sensing as an optimization model and then present a novel adaptive orthogonal matching pursuit algorithm by exploiting the sparsity of active primary users. Statistical property of the sensing data plays a crucial role in spectrum sensing. Theoretical analysis shows the presented scheme can detect active primary users rapidly and efficiently. Simulation results verify that the proposed method can obtain better detection performance with stronger noise background, which is more attractive in real applications.     

基于因子图的分布式变分稀疏贝叶斯压缩感知简

提出了一种基于因子图的分布式变分稀疏贝叶斯压缩感知算法。该算法利用因子图和变分方法将全局感知问题分解为简单的局部问题,通过认知用户邻居间的置信传播实现“软融合”,使每个认知用户能够获得全局最优估计。且充分利用邻居间传递的信息所具有的时间和空间二维相关性,提高认知用户在低信噪比下的感知性能。同时,算法在迭代过程中自适应地删除不收敛的超参数及对应的基函数,降低通信负载。实验结果表明：该方法在低采样率和低信噪比下有较好的感知性能。     

利用功率谱极值和几何平均的频谱感知算法

为了提高基于功率谱的频谱感知算法抗噪声不确定性、抗频偏及低信噪比下检测性能,本文利用功率谱的部分样本平均估计最大值,以降低信号频偏对频谱感知性能影响;利用功率谱的最大值与最小值之差与功率谱几何平均之比作为判决统计量,以尽可能消除噪声影响及保留主用户信号;推导得到了检测门限表达式,表明该算法对噪声不确定性不敏感。加性高斯白噪声信道和瑞利衰落信道下的仿真结果表明:该算法频谱感知性能优于已有的基于功率谱的频谱感知算法,降低了未知载波频偏和噪声不确定性对频谱感知算法性能的影响,该算法能够有效检测实际信号。      

基于Word Embedding的遥感影像检测分割

遥感影像检测分割技术通常需提取影像特征并通过深度学习算法挖掘影像的深层特征来实现.然而传统特征（如颜色特征、纹理特征、空间关系特征等）不能充分描述影像语义信息,而单一结构或串联算法无法充分挖掘影像的深层特征和上下文语义信息.针对上述问题,本文通过词嵌入将空间关系特征映射成实数密集向量,与颜色、纹理特征的结合.其次,本文构建基于注意力机制下图卷积网络和独立循环神经网络的遥感影像检测分割并联算法（Attention Graph Convolution Networks and Independently Recurrent Neural Network,ATGIR）.该算法首先通过注意力机制对结合后的特征进行概率权重分配;然后利用图卷积网络（GCNs）算法对高权重的特征进一步挖掘并生成方向标签,同时使用独立循环神经网络（IndRNN）算法挖掘影像特征中的上下文信息,最后用Sigmoid分类器完成影像检测分割任务.以胡杨林遥感影像检测分割任务为例,我们验证了提出的特征提取方法和ATGIR算法能有效提升胡杨林检测分割任务的性能.     

约束最大相关系数的高光谱影像目标探测研究

高光谱遥感影像具有高的空间分辨率和连续的光谱信息,在目标探测领域具有独特的优势。基于高光谱影像的目标探测技术是遥感理论与应用的重要领域之一。本文从统计学中的相关系数的概念出发,提出了基于约束最大相关系数的高光谱影像目标探测算法。利用高光谱影像的线性混合模型,在真实图像中添加目标光谱,获得不同含量的亚像素目标及大目标,利用实验室高光谱成像仪对大目标进行推扫成像获取真实大目标高光谱影像。对仿真图像与真实图像进行约束能量最小化算子和约束最大相关系数算子进行对比,实验结果表明,基于约束最大相关系数的高光谱影像目标探测算法在探测大目标中具有更稳健的探测性能。     

基于可靠次用户信息的协作频谱感知算法研究

对认知无线电系统最基本要求之一就是次用户必须有能力以高的精确率来确定主用户是否存在。而以前对认知无线电频谱感知的研究表明:在实际认知网络中次用户之间的相互协作可以提高其频谱检测性能。然而,对于协作频谱感知而言,随着协作次用户数目的增加,势必会增大用于传输本地检测结果到融合中心的专用控制信道带宽,从而增加系统开销。该文在控制信道带宽有限的约束条件下,提出一种通过考虑可靠次用户信息的协作频谱感知算法来进一步改善频谱检测的性能。该算法的基本思想:只有具有可靠的本地检测结果的次用户才发送自己的检测结果到融合中心,否则,该次用户不发送任何信息。同时,对提出的该算法在理论上进行了推导,通过仿真结果表明:在控制信道带宽受限的约束下,相比于传统的或门协作频谱感知算法,提出的算法能够大大改善对主用户的检测性能。     

基于循环平稳PCA和AdaBoost的频谱感知算法

针对无线信道环境中各低信噪比情况下主用户信号检测率较低的问题,提出一种基于循环平稳特征主成分分析和Ada Boost的主用户信号频谱感知算法。该算法首先对信号采用循环平稳PCA算法进行特征参数提取,获取信号主成分,并生成训练样本和待测样本,再采用Ada Boost算法分别对有无主用户情况下的信号进行分类检测。仿真实验表明,与人工神经网络和最大最小特征值算法相比较,所提算法在各低信噪比情况下,具有较高的分类检测性能,有效地实现了对主用户信号的感知。     

Weight sequential log-likelihood ratio detect algorithm with malicious users removing

Due to the openness of the cognitive radio network, spectrum sensing data falsification (SSDF) can attack the spectrum sensing easily, while there is no effective algorithm proposed in current research work, so this paper introduces the malicious users removing to the weight sequential probability radio test (WSPRT). The terminals' weight is weighted by the accuracy of their spectrum sensing information, which can also be used to detect the malicious user. If one terminal owns a low weight, it can be treated as malicious user, and should be removed from the aggregation center. Simulation results show that the improved WSPRT can achieve higher performance compared with the other two conventional sequential detection methods under different number of malicious users.     

认知无线电中基于信息简约的最大似然协同频谱感知算法

该文针对控制带宽受限条件下认知用户的协同频谱感知问题,提出了基于信息简约的最大似然协同频谱感知算法。算法使用信息简约模块来降低本地感知信息传递需要的网络开销,在基站处使用基于最大似然准则的检测来提高感知性能。理论分析和仿真表明,该算法能够以较少的网络开销有效提高频谱感知性能,特别是在认知用户接收信噪比相差较大的情况下,其性能优势更为明显。     

Non-reconstruction compressive detector for wideband spectrum sensing based on GLRT

Spectrum sensing is an essential ability to detect spectral holes in cognitive radio (CR) networks. The critical challenge to spectrum sensing in the wideband frequency range is how to sense quickly and accurately. Compressive sensing(CS) theory can be employed to detect signals from a small set of non-adaptive, linear measurements without fully recovering the signal. However, the existing compressive detectors can only detect some known deterministic signals and it is not suitable for the time-varying amplitude signal, such as spectrum sensing signals in CR networks. First, a model of signal detect is proposed by utilizing compressive sampling without signal recovery, and then the generalized likelihood ratio test (GLRT) detection algorithm of the time-varying amplitude signal is derived in detail. Finally, the theoretical detection performance bound and the computation complexity are analyzed. The comparison between the theory and simulation results of signal detection performance over Rayleigh and Rician channel demonstrates the validity of the performance bound. Compared with the reconstructed spectrum sensing detection algorithm, the proposed algorithm greatly reduces the data volume and algorithm complexity for the signal with random amplitudes.     

协作频谱感知中基于可靠度原则的节点选择方法研究

多节点协作频谱感知通过融合不同地理位置节点的检测信息,提高了对主用户使用 状态的感知性能。但感知性能与感知节点数目之间是非线性关系,感知节点的增加导致能量 消耗的增加,而信息量少的节点参与协作感知不利于提高感知性能,反而增加了额外的能量 消耗。为提高感知效率,降低能量消耗,提出一种节点选择算法,该算法只调度可信度高的 节点参与协作感知,排除性能差的节点参与协作感知,融合中心通过机器学习机制与外部环 境不断交互信息,对节点性能进行实时评,及时剔除可靠性下降的节点,动态选择高可靠性 的节点参与协作感知,维持高可靠性感知的动态平衡,提高认知网络的鲁棒性。实验结果表 明,本文中的算法在6个能耗单位下检测概率可达到99%,在有效降低 能量消耗的同时显著提高了感知性能,远优于传统感知方法。     

采用支持向量机的宽带频谱感知算法

认知无线电系统中,压缩感知理论已广泛运用于宽带频谱检测。但是,压缩感知中的重构问题造成频谱检测算法计算复杂度高,且在低信噪比下检测效果不佳。本文提出了采用支持向量机的宽带频谱感知算法,该算法利用支持向量机建立频谱检测分类器,代替信号的重构与检测过程。根据系统对实时性的要求,分别设计了多级二元分类器感知算法和单级多元分类器感知算法。前者适用于分级数有限且实时性要求不高的场景,后者可大幅降低系统的算法复杂度,降低感知时间,适用于实时检测系统。仿真结果表明,与基于重构的能量检测算法相比,本文提出的两种算法均可以有效改善系统对噪声的鲁棒性,提高在较小信噪比下的检测性能。      

基于非负矩阵分解的多波段SPOT图像融合及其应用

SPOT遥感图像多光谱波段信息丰富,在土地覆盖、环境变化等诸多领域中得到广泛应用。图像融合近几年来成为学术界研究的热点,可以有效去除多光谱图像中的冗余,保留有用信息。对不同时段多光谱图像的融合进行地物变化检测,在灾害监测工作中具有重要的应用价值。文章利用基于非负矩阵分解的分时融合方法,对不同时段SPOT多波段图像进行融合,通过构造差值影像对变化区域进行检测。利用本文方法得到的图像可以清晰地表示出目标的变化区域,且正确率较高。结果表明,首先利用非负矩阵分解对不同时段图像进行融合,可以分别得到更为准确的融合图像,从而提高变化检测结果的精度。实验结果与传统方法进行了分析对比,证明了该方法的有效性。      

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

低信噪比条件下基于随机共振的感知方法与性能分析

针对认知网络实际环境中常呈现出噪声高动态变化、低信噪比特征,无法快速准确进行频谱感知的问题,本文将物理学非线性领域中的随机共振理论引入到频谱感知中,提出了一种基于广义随机共振的能量检测算法.该算法引入匹配噪声,通过匹配非线性系统、噪声和信号三者的关系,从而改变能量检测统计量的分布,有效地检测信号的存在性.本文从理论上推导了最佳匹配噪声的表达式,并得到了检测性能、受噪声不确定度的影响、感知时间等方面的重要理论结论.仿真结果验证了理论推导的正确性,表明所提算法能够在信噪比为-20dB等低信噪比条件下较现有能量检测算法提高3dB以上,且具有感知速度快、受噪声不确定度影响小等特点.