arXiv 1102.50302011-02-24cs.ITmath.IT

基于盲学习特征的频谱感知演示

Demonstration of Spectrum Sensing with Blindly Learned Feature

Peng Zhang, Robert Qiu, Nan Guo

摘要：

频谱感知是认知无线电的核心技术。通过定义前导\textit{eigenvector}作为特征，提出了一种盲特征学习算法（FLA）和一种利用学习到的特征进行频谱感知的特征模板匹配（FTM）算法。我们在Lyrtech软件定义的无线电平台上实现了这两种算法。通过硬件实验验证了该特征可以盲学习。我们在硬件上将FTM与盲检测器进行了比较，结果表明FTM的检测性能优于约3dB。

英文摘要：

Spectrum sensing is essential in cognitive radio. By defining leading \textit{eigenvector} as feature, we introduce a blind feature learning algorithm (FLA) and a feature template matching (FTM) algorithm using learned feature for spectrum sensing. We implement both algorithms on Lyrtech software defined radio platform. Hardware experiment is performed to verify that feature can be learned blindly. We compare FTM with a blind detector in hardware and the results show that the detection performance for FTM is about 3 dB better.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

秩1假设下基于GLRT的盲学习频谱感知算法

GLRT-Based Spectrum Sensing with Blindly Learned Feature under Rank-1 Assumption

先验知识可以提高频谱感知的性能。而不是使用通用功能作为先验知识，我们建议盲目学习的本地化功能在次要用户。受机器学习中模式识别的启发，我们将信号特征定义为信号样本协方差矩阵的前导特征向量。提出了用于盲特征学习的特征学习算法（FLA）和用于频谱感知的特征模板匹配算法（FTM）。此外，我们在硬件上实现了FLA和FTM。仿真和硬件实验表明，信号特征可以盲学习。此外，利用信号特征作为先验知识，检测性能可提高约2dB。基于实验结果，本文在秩1假设下，以信号特征、信号功率和噪声功率为参数，推导了几种基于广义似然比的频谱感知算法。我们提出的算法的性能进行了测试，合成秩1信号和捕获的DTV数据，并与其他国家的最先进的协方差矩阵为基础的频谱感知算法。在一般情况下，我们的GLRT算法具有更好的检测性能。另外，将信号特征作为先验知识的算法比没有先验知识的算法性能好约2dB。

2011-03-01cs.ITmath.IT

基于盲学习信号特征的频谱感知

Spectrum Sensing Based on Blindly Learned Signal Feature

频谱感知是认知无线电面临的主要挑战。我们建议学习局部特征，并将其作为先验知识，以提高检测性能。我们将局部特征定义为从接收到的信号样本中导出的领先特征向量。提出了一种特征学习算法（FLA）来盲学习特征。然后，以局部特征为先验知识，提出了用于频谱感知的特征模板匹配算法（FTM）。我们使用离散的Karhunen-Lo {è}ve变换（DKLT）表明，这样的功能是对噪声的鲁棒性，并具有最大的有效信噪比（SNR）。捕获的真实世界数据表明，学习的特征随着时间的推移非常稳定。在25秒内几乎没有变化。然后，我们测试了FTM在极低信噪比下的检测性能。仿真结果表明，FTM算法比盲算法性能好约2 dB，且不存在噪声不确定性问题。

2011-02-18cs.ITmath.IT

基于分析的盲压缩感知

Analysis Based Blind Compressive Sensing

在这项工作中，我们解决的问题，盲目重建压缩感知信号，利用共稀疏分析模型。在分析模型中，假设信号乘以分析运算符会产生稀疏向量。我们提出了一种算法，学习的运营商自适应重建过程中。所产生的优化问题是通过几何共轭梯度法。通过简单地交换数据保真度项来处理不同类型的采样噪声。数值实验进行了破坏高斯以及脉冲噪声的测量，以显示我们的方法的有效性。

2013-03-26cs.ITmath.IT

基于先验支持质量信息的压缩感知及其在大规模时间相关MIMO信道估计中的应用

Compressive Sensing with Prior Support Quality Information and Application to Massive MIMO Channel Estimation with Temporal Correlation

在本文中，我们考虑的问题，压缩感知（CS）恢复与先验支持和先验支持质量信息可用。与传统的盲目利用先验支持度的算法不同，本文提出了一种基于质量信息自适应地利用先验支持度的CS恢复算法。我们分析了所提出的算法恢复信号的失真范围，我们表明，一个更好的质量先验支持可以导致更好的CS恢复性能。我们还表明，该算法将收敛于$\mathcal{O}\left(\log\mbox{SNR}\right)$步骤。为了容忍可能的模型失配，我们进一步提出了一些鲁棒性设计，以打击不正确的先验支持质量信息。最后，我们提出的框架，稀疏信道估计在大规模MIMO系统的时间相关性，以进一步减少所需的导频训练开销。

2015-06-02cs.ITmath.IT

感知辅助的6G无人机通信：真实世界数据集与演示

Sensing-Aided 6G Drone Communications: Real-World Datasets and Demonstration

针对mmWave/THz无人机通信中频繁波束对齐带来的高训练开销，提出融合视觉与位置等多模态感知数据的机器学习框架，实现波束方向及未来对齐预测，并基于真实数据集验证。

2024-12-06cs.ITeess.SPmath.IT

近优自适应压缩感知

Near-Optimal Adaptive Compressed Sensing

本文提出了一种简单的自适应感知和分组测试算法，用于稀疏信号恢复。该算法，被称为压缩自适应感测和搜索（CASS），被证明是接近最佳的，因为它成功地在尽可能低的信噪比（SNR）的水平，改善以前的工作在自适应压缩感知。与传统的基于随机非自适应设计矩阵的压缩感知算法一样，CASS算法只需要k log n个测量值就可以恢复n维k稀疏信号。然而，CASS在比标准压缩感测所需的小因子log n的SNR水平下成功。从构建和实现的感测操作以及计算的重建的角度来看，所提出的算法是大大低于标准的压缩感知的计算密集型。CASS也被证明是在实践中通过仿真执行得更好。据我们所知，这是第一次演示的自适应压缩感知算法与接近最佳的理论保证和优良的实际性能。本文还表明，压缩感知、分组测试和池化等方法的优势不仅仅在于减少测量或测试的数量，与非自适应直接（未压缩）感知相比，这些方法的自适应版本还可以提高检测和估计性能。

2014-04-29cs.ITmath.ITstat.ML