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Wishart矩阵特征值的频谱感知算法

为了提高频谱感知性能,克服经典算法的缺点,提出了一种新的基于Wishart随机矩阵理论的协作频谱感知算法.根据多个认知用户接收信号样本协方差矩阵特征值的对数分布特性,利用样本协方差矩阵最大特征值与几何平均特征值的比值,得到简单的判决阈值闭式表达式,实现频谱感知判决.该算法不需要知道主用户的任何先验信息,不受噪声不确定性的影响.仿真结果表明,所提算法在协作用户数少、信噪比低、采样点数极少的情况下,仍能获得较高的感知性能.该算法受虚警概率和极端值的影响较小,比同类算法有更好的检测性能.     

基于随机矩阵特征值比的频谱感知改进算法

针对认知无线电中现有频谱感知方法的不足,利用大维随机矩阵理论分析了随机矩阵的渐近谱特性,研究了接收信号样本协方差矩阵平均特征值的分布特性,提出两种基于随机矩阵特征值比的频谱感知改进算法.改进算法不需要知道主用户信号的先验信息,也不需要知道背景噪声的功率,得到的判决阈值也具有十分简单的闭式表达式.仿真结果表明,在低样本点、低协作用户数、低信噪比和低虚警概率的条件下,改进算法也可以获得很好的感知性能.     

一种基于随机共振增强的协方差矩阵频谱感知算法

为了在避免对主用户系统产生有害干扰的同时 提高频谱利用效率,要求认知无线电系统的频谱感知算法能在极低的信噪比下快速检测出主用户信号。由于可以避免能量检测面临的噪声不确定性问题,基于协方差矩阵的检测算法是一种有效的盲频谱感知算法。为了进一步提高极低信噪比下的性能,本文提出了一种基于随机共振的协方差矩阵频谱感知算法。该算法通过在接收信号中加入优化的特定信号,利用随机共振原理,增大有无主用户信号下的检测统计量概率分布函数的分离度,提高频谱感知的性能。仿真结果表明,相对于现有的协方差矩阵频谱感知算法 ,在相同的虚警概率下,所提算法可以显著提高极低信噪比下的检测概率,同时大幅度缩减检测时间。      

基于LSTM神经网络的频谱感知算法

在频谱感知中经典的能量检测算法在低信噪比时检测性能较低且门限难以估计,基于机器学习的感知算法受限于检验统计量的构造会造成接收信号原有结构信息的丢失。针对这些问题,本文提出一种基于LSTM神经网络的频谱感知方法,首先利用接收信号序列作为神经网络的输入特征向量,然后使用LSTM神经网络进行训练得到分类器,最后使用训练好的模型实现频谱感知。该方法无需估计检测门限值,也无需构造特征向量,仿真结果表明,所提算法在采样点和次级用户更少的情况下仍优于对比算法。      

基于采样协方差矩阵的混合核SVM高效频谱感知

近年来随着盲检测算法的提出,越来越多的基于采样协方差矩阵的盲检测算法应用于频谱感知。针对其检测门限是近似值,检测性能会受到影响等问题,提出了基于采样协方差矩阵的混合核函数的支持向量机（support vector machine,SVM）高效频谱感知,通过感知信号采样协方差矩阵的最大最小特征值（maximum minimum eigenvalue,MME）和协方差绝对值（covariance absolute value,CAV）提取的统计量作为SVM的特征向量并训练其生成频谱感知的分类器,无需计算检测门限并且特征提取减少了样本集的大小。利用遗传算法（genetic algorithm,GA）优化混合核函数的SVM的参数。实验结果表明,该方法比MME算法和CAV算法的检测概率有所提高,并且比SVM减少了感知时间,具有良好的实用性。     

非高斯背景下基于信号相关性的频谱感知算法

本文研究了一类Laplace非高斯背景噪声下的频谱检测问题,提出一种基于采样信号相关性的多用户协作频谱感知算法.此算法利用接收信号的统计相关性,设计了一种将协作用户统计协方差之和作为检测统计量的频谱检测算法,推导了该检测算法的统计门限、检测概率和虚警概率的闭式表达式.通过蒙特卡罗仿真,分析比较了Laplace非高斯噪声...     

基于随机共振和信息几何的协作频谱感知方法

为提高频谱感知系统在低信噪比环境下对微弱信号的感知性能,提出了一种基于随机共振技术和信息几何理论的频谱感知方法。首先通过随机共振技术增强输入信号的能量,以提高感知信号的信噪比。然后,基于信息几何理论将信号矩阵的协方差矩阵对应成流形上的点,并计算流形上样本点之间的散度距离作为感知信号的特征数据。最后,采用BP神经网络对信号特征数据进行分类,有效避免了决策阈值的计算,快速实现了频谱决策。仿真实验证明,所提方法在低信噪比条件下具有更好的感知性能,有效提高了复杂环境下的频谱检测概率。     

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。     

一种基于特征值极限分布理论的盲多天线频谱感知算法

当信道空闲时接收信号取样协方差矩阵的特征值在数值上均近似等于噪声方差,而主用户信号的出现则改变了这些特征值的大小。基于这一事实,论文提出一种基于取样协方差矩阵特征值的频谱感知算法。该算法以取样协方差矩阵的最大特征值与其他特征值的和之比作为感知判决量。基于大维随机矩阵理论的特征值极限分布理论,分析了算法的理论虚警性能,在此基础上提出了理论判决门限的计算方法。新算法在感知判决过程中无需事先知道噪声方差、主用户信号和信道增益等先验信息。因而,新算法属于一种全盲多天线频谱感知算法,具有广泛的适用范围。进一步的数值仿真结果验证了新方法的有效性。     

认知无线电中基于阵列天线和协方差矩阵的频谱感知算法

该文提出一种基于阵列天线和协方差矩阵的频谱感知算法,该算法能够在噪声不确定性的条件下进行盲频谱感知。该算法在协方差矩阵的基础上,构建新的检测统计量,推导判决门限,对检测统计量与判决门限进行比较进而做出最终判决;在主用户信号到达方向与认知用户接收天线法线方向不一致的情况下,为使认知用户能完全接收主用户信号,利用了阵列天线技术。仿真结果表明,与Zeng等人(2009)提出的绝对值协方差矩阵频谱感知算法(Covariance Absolute Value Spectrum Sensing, CAVSS)相比,该算法判决门限的计算方法更加准确;在相同条件下,该算法的检测概率高于CAVSS。     

蜂群优化神经网络的频谱感知

由于神经网络训练收敛速度慢、易陷入局部最优解,而最优解对神经网络的频谱感知算法性能影响大,因此为提高神经网络的频谱感知算法性能,采用蜂群算法交叉训练神经网络,加快训练收敛速度,降低均方误差。采用信号的能量、循环功率谱作为特征参数,提出了蜂群优化神经网络的频谱感知算法。仿真结果表明,在给定迭代次数下,相比能量法、循环平稳特征法、无蜂群算法交叉训练神经网络或RBF神经网络的频谱感知算法,本文算法具有更好的感知性能。      

采用低秩稀疏建模的盲频谱检测算法

频谱检测技术是认知无线电的一项关键技术,传统的频谱检测方法或依赖于相关的先验信息,或受限于低信噪比和运算复杂度的影响,在实际应用中均有一定的缺陷。针对此问题,本文基于协方差矩阵的检测算法,结合低秩稀疏建模理论,建立了频谱检测的低秩稀疏模型,提出了一种改进的频谱检测新方法。所提方法不需要事先获取主用户信号和噪声功率等先验信息,对信号样本的协方差矩阵进行低秩稀疏分解,以低秩矩阵之间的特征差异来判决当前是否存在主用户信号。仿真实验验证了所提方法具有较好的检测性能和鲁棒性。      

一种基于改进残差神经网络的直扩信号感知方法

非合作条件下直扩信号感知问题一直是通信对抗领域研究的热点，传统的感知方法在低信噪比条件下性能下降严重。为有效提升直扩信号感知的性能，提出了一种基于改进残差神经网络的直扩信号感知方法。首先，通过广义互相关算法，快速提取直扩信号的相关峰特性；然后，以残差神经网络为基础，融合注意力机制，建立网络模型，分析识别抽象特征；最后，在仿真的数据集中进行实验验证。结果表明，相较于时域自相关法、卷积神经网络法等，所提方法具备更好的感知效果，能够在信噪比为-16 dB的情形下有效地感知直扩信号。     

基于小波变换和残差神经网络的全盲频谱感知方法

为了解决非平稳信号的时频图特征难以提取的问题,提出了基于小波变换和残差神经网络的全盲频谱感知方法。该方法通过连续小波变换将捕获的主用户信号变换成时频信息矩阵,同时转化为图片作为输入,通过残差网络进行训练和识别。仿真测试了不同小波基对非平稳信号的分解能力和所提算法在各种复杂无线信道环境下对非平稳信号的检测性能和泛化能力,以及对不同主用户信号的适应能力。结果表明,在信噪比为-16 dB时,该方法能在虚警概率为0.1时达到0.92的检测概率,同时amor小波更适合用于非平稳信号的分解且训练识别能力更优。