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.     

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。     

基于循环前缀频域自相关的OFDM信号频谱感知

针对无线通信频谱资源有限并且利用率非常低的问题,研究了认知无线电系统中基于信号典型特征的频谱感知策略,并进行动态频谱检测.提出了一种基于循环前缀频域自相关的频谱感知算法,利用正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)信号的循环前缀具有循环平稳特性,在信...     

随机共振在认知无线电频谱感知中应用的最新研究进展

频谱感知是认知无线电网络的一项关键技术.低信噪比(SNR)环境下频谱检测的性能会大幅降低,而随机共振(SR)能有效提高信号信噪比,所以将其应用到频谱感知中,能增强认知用户对主用户(PU)的检测性能.首先介绍了随机共振在认知无线电频谱感知中应用的最新研究进展,包括随机共振在本地感知中(如能量检测、协方差矩阵频谱感知、循环平稳特征检测)及协作感知中的应用,然后指出了随机共振在认知无线电频谱感知中还有待解决的问题,并提出了下一步的研究方向.     

小样本图像处理方法赋能的宽带频谱感知

针对强噪声环境下频谱感知方法计算复杂度高、难以获取大量标注样本、检测准确率低等问题,该文提出由图像去噪和图像分类思想驱动的频谱感知方法(IDCSS)。首先,对感知用户的接收信号进行时频变换,将无线电数值信号转换为图像。强噪声环境下感知用户接收信号图像与噪声图像相关度高,因此搭建生成对抗网络(GAN)来增加低信噪比下接收信号样本的数量,提高图像的质量。在生成器中,利用残差-长短时记忆网络取代生成网络U-Net结构中的跳跃连接,对图像进行去噪、提取感知用户接收信号图像的多尺度特征、建立基于熵的损失函数来构建网络的抗噪能力;在判决器中,设计适用无线电图像信号的多维度判决器来增强生成图像的质量、保留低信噪比感知用户信号的图像细节。最后利用分类器识别频谱占用状态。仿真结果表明,与现有频谱感知算法相比,所提算法具有较好的检测性能。     

OFDM信号的循环特征检测法及USRP实现

循环平稳特征可应用于认知无线电系统中的频谱感知。本文针对实际无线通信信道,利用GNU Radio和USRP组成的软件无线电平台,搭建了OFDM通信系统。提出了一种稳健的OFDM循环特征频谱感知方法,该方法在设置判决门限时无需噪声功率先验信息,因此对噪声不确定性稳健。实验结果表明所提方法具有较好的频谱感知性能。     

Underlay认知网络中时频重叠OFDM信号的信噪比盲估计

针对underlay认知无线电中时频重叠正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）信号的信噪比（Signal to Noise Ratio,SNR）难以估计的问题,提出了一种基于循环自相关特性的时频重叠OFDM信噪比盲估计方法.该方法提取接收信号的循环自相关函数截面中的离散谱线估计出分量信号的总功率,并结合时延和循环频率均为零时的离散谱线估计出时频重叠OFDM信号的信噪比.仿真结果表明,在无需先验信息的情况下,当SNR大于-7dB时,所提方法估计的均方误差小于0.1,并且对分量信号的功率比和频谱重叠率具有稳健性.     

基于累积和的改进超宽带循环平稳检测算法

针对超宽带循环平稳检测存在的门限难以设定、低信噪比下检测延迟较大的问题,提出了基于累积和的改进超宽带循环平稳检测算法。首先将信号整个三维循环谱归一化为二维灰度图,与噪声对应的灰度图比较差异,再将两类图像放入卷积神经网络（Convolutional Neural Network,CNN）自行训练提取特征,解决门限难以确定的问题。若分析三维循环谱的时间块长过短,将导致信号灰度图特征在有无噪声情况下区别不大;若块长过长会导致检测延迟较大。为此,采用累积和算法提取网络全连接层输出的信号概率作为累积和的观测统计量,自适应检测所需采样时间长度。将所提算法与传统循环平稳检测以及结合了CNN的循环平稳检测进行对比,仿真表明所提算法在低信噪比下性能最优。     

基于OFDM频域内插导频的循环平稳特征频谱感知方法研究

本文研究了基于循环平稳特征的OFDM系统频谱感知算法,提出了一种基于内插导频的循环平稳特征感知算法,并在不同信道条件下对其进行了仿真分析,结果表明该算法不依赖于循环前缀的长度且在低信噪比衰落信道条件下具有良好的检测性能,衰落信道下非相关合并造成的性能损失可以通过适当的延长感知时间得到补偿。此外,对于一个实际的OFDM系统,该算法在导频相位伪随机变化时更具实用性。     

认知无线电中基于机器学习的频谱感知算法研究

针对于认知无线电中传统感知算法受信噪比(SNR)影响、过度依赖主用户先验知识和感知时间长等问题,提出基于支持向量机(SVM)的频谱感知算法,通过将信号能量值、SNR值与类别标签作为训练数据,对其进行SVM学习后,得出此CR环境下的分类模型。仿真结果显示在低SNR环境下,机器学习频谱感知算法检测概率比能量检测的提高了近40%,分类错误率仅为1.4%,因此具有更优良的感知性能。     

遗传算法优化神经网络在图像目标识别中的应用研究

针对传统的目标识别方法存在易陷入局部最佳值和识别精度低的问题。提出基于遗传算法优化神经网络的图像目标识别方法,通过灰度共生矩阵运算出图像的纹理特征值,并融合像素灰度值构成分类图像的特征矢量,将特征矢量输入到神经网络中实施训练。神经网络先采用遗传算法获取最佳检索范围,再通过高阶神经网络实施寻优运算,获取最佳的图像目标识别结果。实验结果说明,所提方法在图像目标识别精度和效率方面具有较高的优越性。     

一种基于扩张残差网络的雷达信号识别方法

针对低信噪比(SNR)条件下雷达信号识别率低的问题,提出一种基于多时频图像融合和扩张残差网络的识别方法。首先,通过多种时频分析方法,将雷达信号变换为不同的时频图,并对这些时频图进行融合和处理。然后,构建一种新网络模型,将扩张残差网络与特征融合提取模块相结合,对10类雷达信号进行识别。仿真结果表明,当SNR为-6 dB时,所提方法对10类雷达信号整体识别准确率达到98.7%。     

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。      

基于多头类特定残差注意力和图卷积的多标签图像分类算法

针对ML-GCN中全局最大池化所获得的图像特征对特定类别在不同图像区域上缺乏针对性和丢失图像局部特征信息的问题,提出了类特定残差注意力(CSRA)模块.该模块可以有效捕获不同类别对象所占据的不同空间区域.此外,将提出的类特定残差注意力与图卷积神经网络相结合,提出了基于多头类特定残差注意力与图卷积的多标签图像分类算法(ML-CSRA).首先利用卷积神经网络提取通用的图像特征图,之后将提出的类特定残差注意力扩展为多头形式,并将其应用于通过卷积神经网络提取到的通用图像特征图,提取各个区域对应不同类别的特征.最后将图卷积神经网络提取的标签相关特征与多头类特定残差注意力提取的图像特征结合,得到最后的多标签图像分类结果.在MS-COCO 2014和VOC-2007数据集上的实验结果表明提出算法在所有评估指标上都优于目前已有算法.     

基于LSTM神经网络的卫星频谱多门限感知算法

针对在卫星认知通信场景下传统频谱感知算法感知性能低、受通信时延影响大的问题,提出了一种基于长短期记忆(LSTM)神经网络的卫星频谱多门限感知算法。首先构建卫星认知通信模型,其次将仿真数据送入长短期记忆(LSTM)神经网络进行预测感知,采用动量随机梯度下降(SGDM)算法对网络进行更新,然后提出多门限算法对网络输出进行优化,最后与其他神经网络算法作性能对比。该算法无需构建特征值,实验结果表明:在卫星信道条件下,当面对低接收信噪比及低网络迭代次数时,该算法频谱感知性能要优于其他神经网络算法。      

动态频谱分配与频谱共享研究综述

文中针对当前无线频谱政策和无线频谱技术局限所导致的频谱整体利用率低的问题,分析了能有效提高频谱利用率的动态频谱分配和共享技术的研究现状,包括相邻和分片动态频谱分配技术,共存和覆盖式频谱共享技术,感知无线电技术,以及频谱池技术,并讨论了其未来的研究方向,尤其是感知无线电和基于OFDM的频谱池方法.     

基于PSO-LSSVM的非重构宽带压缩频谱感知方法

频谱感知是认知无线电的关键技术之一，而宽带环境使采样设备压力大，宽带压缩频谱感知有效地解决了此问题，但压缩重构造成巨大计算复杂度，并且传统检测方法受门限限制，在低信噪比下检测率低。提出将机器学习与非重构压缩感知技术应用到频谱感知当中的方法，原始信号经压缩感知得到测量值，对其进行采样协方差预处理后，通过改进PSO-LSSVM算法对数据进行训练分类，解决门限困扰，并适用于宽带频谱感知。仿真结果表明，此方法在低信噪比下，与传统检测相比有较好的检测结果。     

基于非负矩阵分解的频谱感知技术研究

为了提高认知无线电系统中低信噪比条件下的频谱感知性能,提出了基于非负矩阵分解的频谱感知方法。在无需知道被感知信号的先验信息的条件下,将原始信号进行短时傅里叶变换后,利用非负矩阵分解的噪声与信号之间的特征矩阵存在的差异性,将特征矩阵作为检测统计量进行频谱感知。仿真结果表明,基于非负矩阵分解的频谱感知方法在低信噪比条件下,具有较传统的能量检测方法与循环平稳检测方法更优的感知性能。