Spectrum Sensing Based on Deep Learning Classification for Cognitive Radios

Spectrum sensing is a key technology for cognitive radios.We present spectrum sensing as a classification problem and propose a sensing method based on deep learning classification.We normalize the received signal power to overcome the effects of noise power uncertainty.We train the model with as many types of signals as possible as well as noise data to enable the trained network model to adapt to untrained new signals.We also use transfer learning strategies to improve the performance for real-world signals.Extensive experiments are conducted to evaluate the performance of this method.The simulation results show that the proposed method performs better than two traditional spectrum sensing methods,i.e.,maximum-minimum eigenvalue ratio-based method and frequency domain entropy-based method.In addition,the experimental results of the new untrained signal types show that our method can adapt to the detection of these new signals.Furthermore,the real-world signal detection experiment results show that the detection performance can be further improved by transfer learning.Finally,experiments under colored noise show that our proposed method has superior detection performance under colored noise,while the traditional methods have a significant performance degradation,which further validate the superiority of our method.     

基于监督学习的协作宽带压缩频谱检测方案

宽带压缩频谱检测存在信号稀疏度未知和次用户检测开销过大的问题.因此,本文提出一种高效的协作宽带压缩频谱检测方案.首先,推导了一种基于学习的稀疏度自适应预测模型.其次,设计了一种宽带频谱筛选算法.最后,提出一种协作宽带压缩频谱检测方案.仿真结果表明,自适应预测模型的拟合效果优于现有预测模型,并且所提检测方案也有效地降低了次用户采样率和频谱重构时延.     

一种多用户协同频谱感知功率控制方案

分析和研究了多用户协同频谱感知原理,通过时分方式,实现了多用户之间的频谱共享。同时为避免对主用户产生有害的干扰,从用户通过一种算法控制它的发射功率,保证主用户的通信服务质量。最后对多用户协同频谱感知和单用户频谱感知的性能进行了仿真研究,结果表明多用户协同频谱感知可以明显提高频谱感知的性能,克服阴影/衰落作用的不利影响,提高频谱利用率。     

基于竞争双深度Q网络的频谱感知和接入

认知用户通过频谱感知和接入过程识别频谱状态并占用空闲频谱,可有效利用频谱资源。针对频谱感知中存在感知错误和频谱接入中存在用户碰撞的问题,首先建立多用户多信道模型,设计频谱感知和频谱接入过程;然后通过结合双深度Q网络和竞争Q网络,设计竞争双深度Q网络,解决过估计问题的同时优化网络结构;最后通过智能体与所设计模型中状态、观测、回报和策略的交互,完成使用竞争双深度Q网络解决频谱感知和接入问题的一体化研究。仿真结果表明,相比于已有深度强化学习方法,使用竞争双深度Q网络得到的数值结果更稳定且感知正确率和信道利用率都提高了4%。     

基于协同学习的频谱智能感知方法

目前无线通信网络频谱环境时空分布复杂多变,现有多用户协同感知方法数据预处理繁琐,感知效率低下。为此,在由用户感知层和边缘融合层构成的系统架构下,提出了一种基于协同学习的频谱智能感知算法。用户感知层采用多分支卷积循环门控神经网络,利用原始归一化能量信号的底层结构信息,实现本地感知。边缘融合层基于自注意力机制进行消息传播,融合用户感知层中各个非授权用户的感知结果得出最终决策。实验表明,在信噪比为-20 dB以及5个用户协同感知的情况下,该方法能在虚警概率为1.91%时达到18.3%的检测概率,相比对比模型提升了6.1%,且不需要对原始数据额外预处理,降低了算法的复杂度。     

频谱感知中的协作检测方法分析

针对认知无线电频谱感知中单用户检测时的阴影衰落、隐藏终端等问题,介绍了协作检测的结构,对单用户的能量检测,信息融合进行了分析。提出了一种多门限多用户的协作检测方式,在多门限协作检测过程中设定多个能量区域及对应不同的权系数,增加传输和融合的信息量。仿真结果证明,在相同条件下多门限的协作检测方式能明显地提高系统检测的准确性。     

Energy-Based Collaborative Spectrum Sensing for Cognitive UWB Impulse Radio

This paper focuses on the issue of collaborative spectrum sensing in cognitive ultra wideband (CUWB) impulse radio. We employ energy-based signal detection method and apply the Neyman-Pearson (NP) deci...     

基于深度学习的无人机遥感影像车辆检测

伴随着城市的发展,车辆数量在不断地增加。这一现象不仅增加了城市拥挤状态,而且还促使交通事故频发。要提高城市治理能力,就必须提高对城市车辆的监测能力。使用无人机对上海、赤峰地区的四个场景进行了低空摄影,获取了航空遥感影像数据,然后结合深度学习的Unet卷积神经网络技术对无人机影像中的车辆进行了单目标提取。结果表明,深度学习对无人机影像中车辆的识别能力远高于传统机器学习中的随机森林方法,达到了99%的超高精确度,且每个场景内汽车数的估算结果与真实数量极其接近。根据研究结果可知,将无人机和深度学习技术相结合的车辆检测方法具备实时性和现实可行性,可为城市的车辆实时监测和交通管理提供可靠的技术手段。     

基于优化贝叶斯压缩感知算法的频谱检测

近年来,压缩感知理论依旧是信号处理领域的研究热点之一。将压缩感知应用于频谱检测技术可以突破传统的奈奎斯特采样定理,降低检测时采样率,因此可以减轻硬件处理的压力。因此适合用在频谱检测技术中,特别是宽带信号的频谱检测。本文对贝叶斯压缩感知理论（BCS,Bayesian Compressed Sensing）进行研究,并将其引入频谱检测技术中。在BCS算法的基础上,通过进一步减小高斯随机观测矩阵列向量的相关度,实现对观测矩阵的优化,得到一种优化的贝叶斯压缩感知算法（称其为OBCS算法,即Optimized BCS）。在MATLAB仿真中,本文提出将数零法作为频谱检测判决规则,并使用BCS和OMP算法作为对照,验证了OBCS算法无论在重构误差、检测概率还是虚警概率等指标上都具有最佳的效果。      

指数加权协作频谱感知算法分析及应用

为进一步提高认知无线电网络协作频谱感知性能,提出了一种新的加权软合并算法,该算法以信噪比指数形式进行权值计算,其目标是使权值-信噪比曲线更好地逼近检测概率-信噪比曲线,从而更好地利用信噪比信息来提高网络的协作感知性能。在单用户感知的基础上,介绍了指数加权软合并算法的思想和模型;其后以能量感知为基础,分别在Rayleigh和Nakagami衰落信道下,将指数加权软合并算法与传统软合并算法进行仿真比较,并分析得到了该算法的最优门限值;最后将新算法应用到基于簇的协作频谱感知中并进行仿真分析。仿真结果表明,新算法具有明显的性能提升。     

能量检测在认知无线电频谱感知中的应用

随着无线通信技术的飞速发展,无线电频谱资源日趋紧张。认知无线电已经成为解决现有频谱资源匮乏的非常有前途有前景的技术。认知无线电是一种智能的无线通信系统,它能够感知周围的无线环境,通过一定的方法相应地改变某些工作参数来实时地适应环境,从而达到提高频谱利用率、缓解频谱资源紧张的目的。频谱感知是认知无线电中最具挑战的问题之一。详细介绍了基于能量检测的频谱感知方法,并从理论上分析研究能量检测法的检测性能,最后通过MATLAB仿真分析能量检测法对于OFDM信号的检测性能。     

一种分阶段频谱感知算法的研究

能量检测算法简单并有利于伺机快速接入,但是不能很好地区分出不同的用户;循环特征检测算法可区分出不同的用户且有利于规避干扰,但是其算法复杂并且接入十分缓慢。针对上述两种算法的各自优势和不足,提出了一种分阶段联合检测算法,分阶段地利用能量检测和循环特征检测,不但能够保证接入快速并且可以较好地规避干扰。增大了基站的业务量并且进一步提高了频谱利用效率。     

一种新的联合频谱能量检测方法

认知无线电技术被认为是解决未来频谱资源紧张的一种有效方法。而频谱感知技术是认知无线电中的一种关键技术,只有通过有效的频谱感知才能合理利用空间的频谱空洞。在传统的时域能量检测的基础上给出了一种结合时域与频域的新的频谱感知方法。该方法充分利用了时域与频域能量检测的优点,理论分析与仿真结果表明,该方法具有感知准确率高,功耗小的优点。适合于未来认知无线电中的应用。     

图像分类问题的几种深度学习策略

针对图像分类学习不够深入的问题,提出图像分类问题的几种深度学习策略研究。通过分析当前主流的主动深度学习图像、多标签图像和多尺度网络图像三种深度学习方法的工作原理和存在的优势与不足,探讨图像分类问题的优化学习策略。随后采用图像分类问题的几种深度学习策略实验的方式加以对比,实验结果表明,参数共享的深度学习图像分类方法不仅提高了预测速度,而且还能确保模型的准确性。     

基于双门限能量检测的自适应协作频谱感知

针对认知无线电中传统单门限能量检测由于单一门限造成的低信噪比情况下容易误判从而导致错失频谱接入机会的不足,提出了一种基于双门限能量检测方法的自适应协作频谱感知模型.该模型以加性高斯白噪声信道模型为基础,由传统双门限能量检测方法改进而成,针对接收到的能量统计值的大小采用不同的判决方法,各个判决结果直接由所采用的判决方法决定.仿真结果表明,在较低信噪比条件下,与传统单门限能量检测模型相比,该自适应协作频谱感知模型具有更好的识别性能,随着用户数量的增加,识别性能更优.     

基于中继的协作频谱感知

频谱感知技术是认知无线电系统实现的前提和基础。由于无线衰落环境下单节点频谱感知结果可靠性不高,主要讨论协作频谱感知中的中继协作频谱感知技术。针对单个中继节点的协作频谱感知网络,分析了在AF协议下的频谱感知结果。导出了在瑞利衰落环境下中继节点参与协作感知的检测概率上限的闭合表达式,并进行了数值仿真。数值分析结果表明中继节点参与协作能够提高频谱感知性能。     

一种新的认知无线电频谱感知方法

认知无线电是一种用于提高无线电通信频谱利用率的新的智能技术。首先简述了认知无线电的背景和概念,然后针对认知无线电频谱感知的能力,对比分析了现有的三种频谱检测方法：匹配滤波器法、能量检查法和循环平稳特征检测法,在对其进行研究的基础上,提出一种将能量检测法和循环平稳特征检测法相结合的双门限检测法,通过仿真验证了该方法的有效性和优越性。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明：与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

基于多尺度小波模极大融合的宽带频谱感知算法

针对传统宽带频谱感知算法速度慢、设备复杂度高、对实际信号适用性不强等问题,提出了一种基于多尺度小波模极大融合的宽带频谱感知算法,根据信号带宽等因素选择合适尺度下的小波变换结果进行信号检测,能够准确估计频带范围内信号个数、载频、带宽、信噪比等参数.实际信号测试证明了这一算法的有效性.该算法对频谱监测、认知无线电(CR)频...     

多信道频谱感知与频谱接入的优化与折衷

基于贝叶斯推理的多信道频谱感知方法和思想,文章通过多个认知用户随机地选择部分信道进行协作感知并利用特殊设计的贝叶斯推理法则来快速有效地获取所有信道的活动状态。贝叶斯推理的多信道频谱感知方法也是多分辨率频谱感知的基础,具有重要的应用价值。文章还通过分析多用户多信道条件下频谱感知和频谱接入之间复杂而微妙的内在联系,对其进行适当地优化与折衷,以提高认知系统的性能和效率。