共查询到20条相似文献,搜索用时 46 毫秒
1.
2.
3.
4.
基于带有恶意节点的更为实际的频谱感知环境,研究了基于合作感知的频谱共享网络模型,次级用户将会根据合作感知结果动态地调整其发射功率。为了防止恶意节点对感知系统的感知性能造成严重影响,研究了如何进行合作感知以提高感知性能。在一定的检测概率和相关功率约束下,建立了一个以最大化次级网络的吞吐量为目标函数的优化问题。仿真实验首先突出说明了恶意节点数目对频谱感知影响重大,同时还表明无论是否存在恶意节点,提出的算法均可有效地计算出最优的感知时间和发射功率,且在降低最大干扰功率限制和最大发射功率限制时,网络的吞吐量是增大的。 相似文献
5.
针对非理想感知情况下感知时间与频谱分配联合优化问题,同时考虑漏检与主用户重新占用频谱两种场景所造成的主次用户碰撞,并通过量化主用户对认知用户的干扰,给出有无主用户存在时认知系统可获得的吞吐量。在总传输功率约束以及对主用户的最大干扰功率约束两个限制条件下,以最大化系统平均吞吐量为优化目标,给出感知时间与频谱分配联合优化算法。算法首先通过折半法搜索最优感知时间,在既定的感知时间下,将子信道分配给能获得最大平均吞吐量的认知用户,在此基础上,利用凸优化相关理论求得最优功率分配。仿真结果表明,本文所提算法相比于传统频谱分配算法系统平均吞吐量性能提升了10%左右。 相似文献
6.
7.
8.
频谱感知是认知无线电系统的关键技术环节,为了减少系统间的相互干扰,要求频谱感知具有短时性、分辨率高等特点.为此,提出了基于最大熵谱估计的频谱感知方法,理论分析与仿真结果表明,基于最大熵谱估计的频谱感知方法具有感知时间短、频谱分辨率高、系统复杂度低等突出优势,可以作为认知无线通信系统设计的选择方案. 相似文献
9.
10.
认知无线电网络中合作频谱感知机制的优化 总被引:4,自引:0,他引:4
为了提高检测效率和频谱利用率,该文对认知无线电中合作频谱感知的感知机制进行了优化。针对信道监测和信道搜索两个不同的感知场景,分别给出了检测周期、检测时间和搜索时间的选取和优化方法,并提出了新的信道搜索方式。研究分析和仿真结果可以看出,合作频谱感知和主动感知方式的引入可以提高检测性能和传输速率,对感知机制和策略的选取和优化有效地提高系统吞吐量,降低感知时延和开销,这样可以提高认知无线电网络的性能和灵敏性,在保证授权用户不被干扰的同时最大化空闲频谱的接入机会。 相似文献
11.
12.
针对基于压缩感知(Compressed Sensing, CS)理论的传统遥感图像融合算法未能考虑源图像信息相关性的特点,该文提出一种基于分布式压缩感知(Distributed Compressed Sensing, DCS)的遥感图像融合改进算法。通过DCS的第1联合稀疏模型(Joint Sparsity Model-1, JSM-1)提取源图像低频信息的公共部分和独有部分,再利用独有特征添加(UFA)的融合规则进行融合,从而提高融合精度。选取QuickBird卫星实测图像数据对该文方法和多个传统融合方法进行仿真实验并进行评价指标的对比,结果表明该文方法融合性能相对传统遥感图像融合方法都有不同程度的提高。 相似文献
13.
Iulian B. Ciocoiu 《Circuits, Systems, and Signal Processing》2015,34(3):1001-1015
14.
CMOS器件感受新机遇 总被引:1,自引:0,他引:1
在过去几年中,人们一直期望CMOS(互补金属氧化物半导体)感光器件能够获得快速发展,但面对CCD(电荷耦合器件)器件的压倒性优势,这种技术却遇到了巨大的挑战,在数字相机领域中就是如此。 iSuppli预测全球CMOS市场将从2001年的1800万美元增长到2005年的7200万美元。同时,CCD的增长将相当缓慢,只是从2000年的4900万 相似文献
15.
光纤传感技术 总被引:1,自引:0,他引:1
传感技术是现代信息社会的神经中枢,光纤传感则是一种新兴的现代传感技术,由于它具有灵敏度高、响应速度快以及抗干扰、抗各种恶劣条件等一系列优点而成为传感领域的姣姣者,因而在光学与光电子学科中占有重要地位。光纤传感划分为非功能型和功能型两大类:前者简单易行、无需特殊技术,因此巳被广泛研究,并有相当数量进入实用化;功能型传感则要求条件苛刻,多数仍处于研制阶段,但因其具有极高灵敏度,属于高性能传感类,故仍为光纤传感的主要发展方向。文中以表格形式概要列示了这两类光纤传感的基本状况,表明光纤传感有广泛应用前景。 光纤传感器今后的发展趋势是:加速光纤传感器的实用化进程;大力开展光纤传感技术的集成化研究;积极开展多功能光纤传感及其网络化研究,以及不断推出新型光纤传感器并开拓新的应用领域等。 相似文献
16.
Bayesian Compressive Sensing 总被引:12,自引:0,他引:12
The data of interest are assumed to be represented as N-dimensional real vectors, and these vectors are compressible in some linear basis B, implying that the signal can be reconstructed accurately using only a small number M Lt N of basis-function coefficients associated with B. Compressive sensing is a framework whereby one does not measure one of the aforementioned N-dimensional signals directly, but rather a set of related measurements, with the new measurements a linear combination of the original underlying N-dimensional signal. The number of required compressive-sensing measurements is typically much smaller than N, offering the potential to simplify the sensing system. Let f denote the unknown underlying N-dimensional signal, and g a vector of compressive-sensing measurements, then one may approximate f accurately by utilizing knowledge of the (under-determined) linear relationship between f and g, in addition to knowledge of the fact that f is compressible in B. In this paper we employ a Bayesian formalism for estimating the underlying signal f based on compressive-sensing measurements g. The proposed framework has the following properties: i) in addition to estimating the underlying signal f, "error bars" are also estimated, these giving a measure of confidence in the inverted signal; ii) using knowledge of the error bars, a principled means is provided for determining when a sufficient number of compressive-sensing measurements have been performed; iii) this setting lends itself naturally to a framework whereby the compressive sensing measurements are optimized adaptively and hence not determined randomly; and iv) the framework accounts for additive noise in the compressive-sensing measurements and provides an estimate of the noise variance. In this paper we present the underlying theory, an associated algorithm, example results, and provide comparisons to other compressive-sensing inversion algorithms in the literature. 相似文献
17.
Multitask Compressive Sensing 总被引:2,自引:0,他引:2
《Signal Processing, IEEE Transactions on》2009,57(1):92-106
18.
19.
频谱感知的第一步就是采集无线信号进行分析,越来越高的采样率成为宽带频谱感知研究中的难点。实际通信中主用户占用频谱具有稀疏特性,符合压缩感知理论的前提条件。因此,本文利用分布式压缩感知实现宽带频谱感知,提出基于差分信号分布式压缩感知(DS_DCS)的加权宽带频谱感知算法。该算法针对宽带频谱采样率高的问题,利用压缩感知技术降低采样率,同时引入差分处理方法降低计算复杂度;又针对单点检测带来的深衰落、隐节点以及抗噪声能力差等问题,采用分布式感知系统进行多节点协同检测并利用信噪比的估计对信号进行加权处理。仿真证明,该算法能有效降低各节点采样率,大幅提高系统检测概率,显著改善系统对噪声的鲁棒性。 相似文献