Asymptotic Performance Analysis for 1-bit Bayesian Smoothing
节能信号处理系统需要对利用低复杂度设备收集的数据进行操作的估计方法。使用具有$1$位幅度分辨率的模数转换器（ADC）已被确定为一种可能的选择，以便获得低功耗。与采用$\infty$位ADC的理想接收机相比，$1$位性能损失是公认的，并且对于低SNR应用（$2/π$或$-1.96$ dB）而言是中等的。最近已经表明，对于用状态空间模型的参数估计，用贝叶斯滤波的$1$比特性能损失可以显著更小（$\sqrt{2/π}$或$-0.98$ dB）。在这里，我们扩展到贝叶斯平滑的分析，额外的测量用于重建系统参数的当前状态。我们的研究结果表明，一个$1$位接收机执行平滑是能够优于一个理想的$\infty$位系统进行过滤的成本额外的处理延迟$Δ$。
2015-11-17 cs.IT math.IT
A Cooperative Bayesian Nonparametric Framework for Primary User Activity Monitoring in Cognitive Radio Network
本文介绍了一种新的方法，使一些认知无线电设备，观察一些主要用户（PU）的可用性模式，合作和使用\emph{Bayesian nonparametric}技术来估计PU的活动模式的分布，假设是完全未知的。在所提出的模型中，每个认知节点可能有自己的个人认为每个PU的分布，因此，寻求找到合作伙伴具有相关的感知。为了解决这个问题，联盟之间的认知设备和合作联盟形成的算法制定的博弈。结果表明，所提出的联盟形成算法允许的认知节点，正在经历一个类似的行为，从一些PU自组织成不相交的，独立的联盟。在每个联盟内部，合作的认知节点使用贝叶斯非参数模型的组合，如Dirichlet过程和统计拟合优度技术，以提高估计PU的活动分布的准确性。仿真结果表明，该算法显着提高了估计的PU的分布和产量的性能优势，在减少的平均实现Kullback-Leibler距离之间的真实和估计的分布，达到36.5%，相对于非合作估计。结果还表明，该算法使认知节点，以适应他们的合作决策时，实际PU的分布变化，例如，PU的移动性。
2012-02-02 cs.GT cs.IT math.IT
Spectral Efficiency Optimized Adaptive Transmission for Cognitive Radios in an Interference Channel
在本文中，我们考虑了一个主用户和一个认知用户在无线衰落干扰信道上的传输。主用户以恒定功率发射，并利用满足比特出错率要求的自适应调制和编码（AMC）方案。我们提出了一种链路自适应方案，以最大限度地提高认知无线电的平均频谱效率，而主用户所需的最低频谱效率被规定。所得到的问题被约束为还满足比特出错率要求和认知链路的功率约束。认知发射机的AMC模式选择和功率控制基于两个链路的缩放的信号与噪声加干扰比反馈来优化。然后，该问题被投射为一个非线性离散优化问题，提出了一个快速有效的次优解。我们还提出了一个方案与速率自适应和一个恒定的功率。所提出的方案的一个重要特点是，用户之间不需要协商。与自适应传输的认知无线电的交织和交织方法的比较证明了所提出的解决方案的效率。
2009-02-28 cs.IT math.IT
Spectral Efficiency Optimization for an Interfering Cognitive Radio with Adaptive Modulation and Coding
在本文中，我们考虑了一个主用户和一个认知用户在无线衰落干扰信道上的传输。主用户以恒定功率发射，并利用满足比特出错率要求的自适应调制和编码（AMC）方案。我们提出了一种链路自适应方案，以最大限度地提高认知无线电的平均频谱效率，而主用户所需的最低频谱效率被规定。所得到的问题被约束为还满足比特出错率要求和认知链路的功率约束。在认知发射机处的AMC模式选择和功率控制基于两个链路的修改的信号噪声加干扰比反馈来优化。然后，该问题被投射为一个非线性离散优化问题，提出了一个快速有效的次优解。本文还提出了一种速率自适应恒功率认知无线电方案。所提出的方案的一个重要特征是，由于认知无线电活动，没有计算或协调开销施加在主无线电上。数值结果和与认知无线电交织方法的比较表明，所提出的解决方案的有效性。
2009-12-07 cs.IT math.IT
Joint Optimization of Spectrum Sensing and Accessing in Multiuser MISO Cognitive Networks
提出了一种多用户认知网络联合频谱感知和接入优化框架，以显著提高频谱利用率。对于这样一个认知网络，有两个重要的和有限的资源，应该在一个全面的方式分配，即反馈比特和时间持续时间。首先，关于反馈比特，存在两个组件：感测组件（用于传送各个用户的感测结果）和接入组件（用于反馈信道状态信息）。一个大的感知组件可以支持更多的用户进行协作感知，这导致高的感知精度。然而，大的接入组件也是优选的，因为当利用诸如迫零波束成形（ZFBF）的多天线技术时，它对多用户认知网络中的性能具有直接影响。其次，需要确定传输间隔中的感测和接入持续时间的折衷，使得在满足干扰约束的同时优化总传输速率。此外，上述两种资源在一定条件下是相互关联、相互转化的。具体地，对于给定的性能目标，可以通过利用更多的感测反馈比特来节省感测时间。因此，资源应以联合方式分配。基于联合优化框架和两种资源之间的内在关系，提出了两种多用户多天线认知网络中以最大化平均和传输速率为目标的联合资源分配方案。仿真结果表明，采用联合资源分配策略，与传统的固定策略相比，可以获得明显的性能增益。
2014-06-30 cs.IT math.IT
Bayesian hypothesis testing for one bit compressed sensing with sensing matrix perturbation
这封信提出了一个低计算的贝叶斯算法噪声稀疏恢复的上下文中的一位压缩感知与感知矩阵扰动。所提出的算法被称为BHT-MLE包括一个稀疏支持检测器和一个幅度估计器。支持检测器使用贝叶斯假设检验，而幅度估计器使用通过求解凸优化问题获得的ML估计器。仿真结果表明，BHT-MLE算法以较低的计算代价提供了比ML估计（MLE）更高的重建精度。
2015-11-18 cs.IT math.IT stat.ML
Constrained Bayesian Active Learning of Interference Channels in Cognitive Radio Networks
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科中心（SnT））
在本文中，顺序探测方法的干扰约束学习提出了允许一个集中式认知无线电网络（CRN）接入主用户（PU）的频带在一个设计的PU保护规范的认知场景。其主要思想是CRN探测PU并随后窃听反向PU链路以获取二进制ACK/NACK分组。该反馈指示探测引起的干扰是否有害，并且可以用于学习PU干扰约束。该顺序探测过程的认知部分是次用户（SU）的功率电平的选择，其目的是以最小数量的探测尝试来学习PU干扰约束，同时对时间窗口上的有害探测引起的干扰事件的数量或等同的NACK分组观测的数量设置限制。这种约束设计问题的研究范围内的主动学习（AL）的框架和最优的解决方案，推导和实施一个复杂的，准确的和快速的贝叶斯学习方法，期望传播（EP）。该解决方案的性能也证明了通过数值模拟，并与我们在早期的工作中开发的AL技术的修改版本相比。
2017-10-23 cs.IT cs.LG math.IT
Variational Bayesian algorithm for quantized compressed sensing
压缩感知（Compressed Sensing，CS）是在稀疏先验下从高维信号的低维线性测量中恢复高维信号的算法，在实际应用中，测量数据的数字量化是不可避免的。在现有的文献中，量化误差通常被建模为加性噪声，并且使用不同的处理方法和程序分别处理多比特和1比特量化CS问题。本文提出了一种新的基于变分贝叶斯推理的压缩感知算法，它统一了多比特和1比特压缩感知处理，适用于无噪/有噪环境和量化器不饱和/饱和的各种情况。通过将量化误差与测量噪声解耦，量化误差被建模为随机变量并且与被恢复的信号联合估计。这种新的量化误差的表征结果在优越的性能的算法，这是证明了广泛的模拟与国家的最先进的方法相比，多位和1位CS问题。
2013-03-29 cs.IT math.IT
Bayesian signal reconstruction for 1-bit compressed sensing
1比特压缩感测框架使得能够从其线性变换的每个条目的符号信息恢复稀疏向量x。丢弃幅度信息可以显著减少数据量，这在实际应用中是非常有利的。本文提出了一种基于贝叶斯理论的1比特压缩感知信号重构方法，并利用统计力学分析了该方法的典型性能。利用副本的方法，我们表明，贝叶斯方法可以更好地重建比L1-范数最小化方法，渐近饱和时获得的性能的非零条目位置的信号是已知的。我们还测试了一个消息传递算法的信号重建的基础上的信念传播。数值实验结果与理论分析结果一致。
2014-10-07 cs.IT math.IT physics.data-an
Multimedia Transmission over Cognitive Radio Channels under Sensing Uncertainty
该文研究了在发射功率和干扰功率受限的情况下，认知无线电（CR）系统中基于分层调制的多媒体传输的性能。研究了采用分层正交幅度调制（HQAM）的数据传输的不等差错保护（UEP），其中高优先级（HP）数据比低优先级（LP）数据受到更多的保护。在这种设置中，封闭形式的比特出错率（BER）的表达式，HP数据和LP数据中得出Nakagami- $m$衰落信道中存在的感知错误。在此基础上，推导了在峰值/平均发射功率和平均干扰功率约束下，使HP比特和LP比特的平均误码率加权和或其上界最小的最优功率控制，并提出了一种低复杂度的功率控制算法。在三种不同的场景中确定功率电平，这取决于传输和干扰链路的完美信道辅助信息（CSI）、两个链路的统计CSI或传输链路的完美CSI和干扰链路的不完美CSI的可用性。认知传输的出错率性能的不完善的信道感知决策的影响也进行了评估。此外，重新传输的次数，衰落的严重程度，和峰值信噪比（PSNR）的质量之间的权衡进行了数值分析。此外，多媒体传输与传统的正交幅度调制（QAM）和HQAM的性能比较，以及建议的功率控制策略进行的接收数据质量和重传次数。
2015-09-02 cs.IT math.IT
Bayesian Compressive Sensing with Circulant Matrix for Spectrum Sensing in Cognitive Radio Networks
对于宽带频谱感知，压缩感知已经被提出作为加速高维信号感知和降低计算复杂度的解决方案。压缩感知包括从稀疏信号中获取必要的信息，并在接收机处基于有效的采样矩阵和重构技术来恢复它。为了处理不确定性，提高信号捕获性能，降低感知和重构过程中的随机性，压缩感知需要一个鲁棒的采样矩阵和高效的重构技术。在本文中，我们提出了一种方法，结合了循环矩阵与贝叶斯模型的优点。这种方法的实施，广泛的测试，其结果进行了比较的l1范数最小化与循环或随机矩阵的基础上的几个指标。这些指标是均方误差、重建误差、相关性、恢复时间、采样时间和处理时间。结果表明，我们的技术是更快，更有效。
2018-02-09 cs.IT eess.SP math.IT
Power Allocation for Outage Minimization in Cognitive Radio Networks with Limited Feedback
提出了在窄带频谱共享认知无线电网络中，在次发射机（SU-TX）处的长期平均发射功率约束和主接收机（PU-RX）处的平均干扰功率约束下，最小化允许与主用户（PU）共存的次用户（SU）的中断概率的最优发射功率分配问题，在SU-TX处具有量化的信道状态信息（CSI）（包括从SU-TX到SU-RX的信道，表示为$g_1$，以及从SU-TX到PU-RX的信道，表示为$g_0$）。矢量信道空间中的最优量化区域被示出为具有“逐步”结构。利用这种结构，上述中断最小化问题可以通过采用Karush-Kuhn-Tucker（KKT）必要最优性条件来明确地公式化和求解，以获得局部最优量化功率码本。针对反馈比特数较大的情况，推导出一种低复杂度的近优量化功率分配算法。还提供了一个显式表达式的渐近SU中断概率在高速率量化（反馈位数趋于无穷大），并示出近似的最佳中断行为非常好的反馈位数很大，通过数值模拟。数值结果还表明，与6比特的反馈，推导出的算法提供SU中断性能非常接近，在SU-TX与全CSI。
2011-11-11 cs.IT math.IT math.OC
Error Performance of Wireless Powered Cognitive Relay Networks with Interference Alignment
研究了一种采用干扰对齐技术的两跳解码转发认知无线电系统。能量受限的中继节点通过功率分配（PS）中继协议从干扰信号中收获能量。首先，主要和次要网络的波束形成矩阵的设计进行了演示。然后，计算了PS协议在理想和不理想信道状态信息（CSI）情况下系统的比特出错率（BER）性能。最后，仿真了CSI失配参数对系统误码率性能的影响。
2017-12-13 cs.IT math.IT
Throughput Analysis of Cognitive Wireless Networks with Poisson Distributed Nodes Based on Location Information
本文提供了一个统计特性的个人可达到的速率位/秒/赫兹和双极泊松无线网络的空间吞吐量位/秒/赫兹/米$^2$。我们假设所有的发射机都有认知能力知道到它们的接收机的最近的发射机的距离，因此它们可以单独地调整它们的编码速率，以避免每个空间实现的中断事件。考虑到最接近的干扰近似于所有发射机的总干扰作为噪声处理，我们推导出封闭形式的表达式的概率密度函数的可实现的速率下两个解码规则：作为噪声处理的干扰，并联合检测最强的干扰信号处理的其他噪声。基于这些规则和双极模型，我们近似的预期最大空间吞吐量，后者的解码规则的最佳性能。这些结果也比较的参考方案，发射机没有认知能力，编码他们的消息在预定的速率，选择优化预期的空间吞吐量-无论特定的实现-这会产生中断。我们证明，当考虑相同的解码规则和网络密度，认知空间吞吐量总是优于其他选项。
2014-04-27 cs.IT cs.MA math.IT
Cooperative Spectrum Sensing for Amplify-and-Forward Cognitive Networks
我们开发了一个合作放大转发认知无线电网络中的频谱感知框架。我们考虑一个随机模型，中继分配在认知无线电网络中的主用户的信号传输到一个认知辅助基站（SBS）。我们开发的贝叶斯最优决策规则下的各种情况下的信道状态信息（CSI）从完美到不完美的CSI。为了获得基于似然比检验（LRT）的最优决策规则，需要逐点评估与存在或不存在传输相关的每个假设下的边际似然。然而，在某些情况下，LRT的评价不能解析地进行，由于所涉及的多维积分的棘手性。在其他情况下，检验统计量的分布不能准确地获得。为了克服这些困难，我们设计了两个算法来近似边缘似然，并获得决策规则。第一种是基于高斯近似，我们通过Berry-Esseen界的多变量版本量化近似的准确性。第二种算法是基于拉普拉斯近似的边际似然，这导致在一个非凸优化问题，有效地解决了通过贝叶斯期望最大化方法。我们还利用Laguerre级数展开近似的分布的检验统计量的情况下，它的分布不能得到准确的。性能通过分析界和数值模拟进行评估。
2011-11-01 cs.IT math.IT
Channel Decoding with a Bayesian Equalizer
低密度奇偶校验（LPDC）解码器假设信道状态信息（CSI）是已知的，并且它们对每个传输比特具有真实的后验概率（APP）。但在大多数感兴趣的情况下，CSI需要在短训练序列的帮助下进行估计，并且LDPC解码器必须使用错误的APP估计来解码接收到的字。在本文中，我们研究了CSI估计的不确定性，以及它如何影响LDPC解码器输出的比特出错率（BER）。为了改善这些APP估计，我们提出了一个贝叶斯均衡器，它不仅考虑到由于信道中的噪声的不确定性，而且还考虑到CSI估计的不确定性，降低了LDPC解码器后的BER。
2010-06-04 cs.IT math.IT
Analytic Performance Evaluation of Underlay Relay Cognitive Networks with Channel Estimation Errors
该文研究了在瑞利衰落信道下，采用译码转发（DF）中继的中继认知网络在任意跳数下的出错率（BER）性能。为了便于性能评估分析，我们推导出一种新的精确的封闭形式表示相应的误码率，通过广泛的比较与蒙特卡洛模拟的结果进行验证。所提出的表达式涉及众所周知的基本和特殊的功能，使其计算实现相当简单和直接。因此，可以最终省略对费力、耗能和耗时的计算机模拟的需要。大量的研究结果表明，中继认知网络的性能是，如预期的那样，显着下降的信道估计误差，这是高度依赖于网络拓扑结构和跳数。
2016-12-29 cs.IT math.IT
A Novel Resource Allocation for Anti-jamming in Cognitive-UAVs: an Active Inference Approach
University of Genoa（热那亚大学）；Queen Mary University of London（伦敦玛丽女王大学）；Italian National Consortium for Telecommunications（意大利国家电信联盟）
提出了一种基于主动推理的认知无线电抗干扰资源分配策略（$\textit{AIn}$），并以认知无人机为例进行了仿真研究。提出了一种主动广义动态贝叶斯网络（Active-GDBN）来表示外部环境，将信号的物理动态特性和无人机与干扰机之间的动态相互作用共同编码在频谱中。我们将行动和计划转化为贝叶斯推理问题，可以通过在在线学习期间避免意外状态（最小化异常）来解决。仿真结果验证了所提出的$\textit{AIn}$方法在最小化异常（最大化奖励）方面的有效性，并与传统的跳频和Q学习方法进行了比较，结果表明该方法具有较高的收敛速度。
2022-08-10 cs.AI cs.IT cs.LG
Bayesian Design of Tandem Networks for Distributed Detection With Multi-bit Sensor Decisions
我们考虑的问题，分散的假设检验下的通信约束的拓扑结构中，几个外围节点串联排列。每个节点接收到一个观测结果，并向其后继节点发送一个消息，最后一个节点然后决定哪个假设是真的。我们假设，在不同的节点上的观察，条件下的真实假设，独立的和任何两个连续的节点之间的信道被认为是无误差的，但速率约束。我们提出了一个循环的数值设计算法的节点设计，使用一个人一个人的方法与最小的预期错误概率作为设计标准，其中的通信消息的数量不一定等于假设的数量。该方法中外围节点的数目原则上是任意的，通过量化每个节点的输入来满足信息速率约束。所提出的方法的性能为不同的信息速率约束，在一个二进制假设检验，进行比较，由于Swaszek和覆盖提出的方法的最佳速率一个解决方案，它是数值计算表明，增加信道速率可以显着提高性能的串联网络。$M$ -ary假设检验的仿真结果也表明，通过增加信道速率，串联网络的性能显着改善。
2014-11-10 cs.IT math.IT
Online Bayesian Meta-Learning for Cognitive Tracking Radar
Virginia Tech（弗吉尼亚理工大学）；US Army Research Laboratory（美国陆军研究实验室）
认知雷达的一个关键组成部分是泛化能力，或在一系列感知环境中实现一致的性能，因为物理场景的各个方面可能会随时间而变化。这对基于学习的波形选择方法提出了挑战，因为在一个场景中有效的传输策略在另一个场景中可能是非常次优的。我们解决这个问题的战略偏见的学习算法，通过利用高层次的结构跟踪实例，称为元学习。在这项工作中，我们开发了一种在线元学习方法，用于波形敏捷跟踪。该方法使用从先前目标跟踪中获得的信息来加速和增强新跟踪实例中的学习。这导致在样本有效的学习，通过利用固有的相似性，在跟踪场景中，由于共同的物理元素，如目标类型或杂波统计的一类有限状态目标通道。我们制定的贝叶斯学习的框架内的在线波形选择问题，并提供先验依赖的性能界限的元学习问题，使用概率近似正确（PAC）贝叶斯理论。我们提出了一个计算上可行的元后验采样算法，并研究了在不同场景的仿真研究中的性能。最后，我们研究了与波形敏捷跟踪的在线元学习相关的潜在性能优势和实际挑战。
2023-02-07 cs.IT cs.LG cs.SY
On Energy Cooperation in Energy Harvesting Underlay Cognitive Radio Network
在本文中，我们考虑了一个能量收集认知无线电网络（EH-CRN），其中主用户和次用户共存于GPRS模式。两个发射器都具有能量收集能力，并配备有有限容量电池以存储收集的能量。此外，次级用户（SU）具有独立的能量传输单元，使得其可以将其收集的能量的一部分传输给初级用户（PU）。我们得到了一个最佳的发射功率和能量传输策略为单时隙和一个次优的策略为多时隙的情况下，最大限度地提高了由SU传输的比特数在离线设置下的主要和速率约束。对于这两种情况下，能量合作对系统性能的影响进行了研究，并观察到能量合作导致更高的SU吞吐量。
2016-03-10 cs.IT math.IT
Spectrum Sharing in Cognitive Radio with Quantized Channel Information
我们考虑一个宽带频谱共享系统，其中一个次要用户可以共享多个正交频带，其中每个频带被授权给一个单独的主要用户。我们解决的问题，其遍历容量最大化的最佳二次发射功率分配的平均总和（跨频带）的发射功率约束和个人平均干扰约束的主要用户。我们的工作的主要贡献在于考虑量化的信道状态信息（CSI）（矢量信道空间，包括所有的次级到次级和次级到初级信道）在次级发射机。假设频带管理器或认知无线电服务提供商可以访问来自辅接收器和主接收器的完整CSI信息，并且基于信道的统计信息（信道分布）设计（离线）最佳功率码本，并且经由无延迟无噪声有限反馈信道，针对每个信道实现实时地将码本的索引反馈给辅发射器。设计了一种改进的广义高斯型算法（GLA），用于推导最优功率码本。一个近似量化功率分配（AQPA）算法也被提出，执行非常接近其GLA为基础的对应大量的反馈比特，是显着更快。我们还提出了一个扩展的改进的GLA为基础的量化功率码本设计算法的情况下，反馈信道是嘈杂的。数值研究表明，只有3-4位的反馈，修改后的GLA为基础的算法提供二级遍历能力非常接近，实现了完全CSI和只有4位的反馈，AQPA提供了一个相当的性能，从而使它成为一个有吸引力的选择，为实际的实施。
2010-06-03 cs.IT math.IT math.OC
Permutation Trellis Coded Multi-level FSK Signaling to Mitigate Primary User Interference in Cognitive Radio Networks
本文采用基于排列格码（PTC）的多级频移键控信令来减轻认知无线电网络（CRN）中主用户（PU）对次用户（SU）性能的影响。PU被假定为动态的，因为它们间歇地出现并且在未知的持续时间内保持活跃。我们的方法是基于使用PTC结合多级FSK调制，使SU可以提高其数据率，通过增加其传输带宽，同时在低功耗下工作，而不是创建破坏性的干扰PU。我们评估系统的性能，通过获得一个近似的实际比特出错率（BER），使用维特比解码器的属性，并进行了彻底的性能分析方面的BER和吞吐量。结果表明，所提出的编码系统实现了：i）通过确保SU在存在严重PU干扰的情况下具有稳定的吞吐量来实现鲁棒性，以及ii）在存在多个动态PU的情况下提高了SU链路对干扰的弹性。
2014-12-12 cs.IT math.IT
Analytical Studies of Fragmented-Spectrum Multi-Level OFDM-CDMA Technique in Cognitive Radio Networks
在本文中，我们提出了一个多用户资源分配框架使用分段频谱同步OFDM-CDMA调制在频率选择性衰落信道。具体地，给定系统正在操作的频谱中的预先存在的通信，使用信道感测和估计方法来获得子载波可用性的信息。给定该信息，为出现的新用户提供一些实值多级正交码，其是具有值$\{\pm1,\pm2,\pm3,\pm4, ... \}$的正交码，即，认知无线电用户此外，还得到了认知无线电接收机的误比特率出错率随主用户检测概率、认知用户感知时间和认知用户信噪比的封闭表达式。此外，本文所得到的仿真结果表明，精度的分析结果已在上述系统建模。
2016-04-25 cs.IT cs.NI math.IT
Multi-channel Sensing And Resource Allocation in Energy Constrained Cognitive Radio Networks
我们考虑一个认知无线电网络中的多信道许可的环境。如果信道被感测为空闲，则次用户在信道中发送。这导致感测时间和传输时间之间的折衷。当次用户能量受限时，如果更多的能量用于感测，则可用于传输的能量更少。这就产生了能量的权衡。对于多个主信道，次用户必须在每个信道中决定适当的感测时间和发送功率，以最大化每个帧持续时间内的平均聚合比特吞吐量，同时确保主用户的服务质量。考虑到时间和能源的有限资源，我们制定了这个问题作为一个资源分配问题。最初考虑单个二级用户场景，并使用分解和交替优化技术获得解决方案。之后我们将分析扩展到多个二级用户的情况。仿真结果研究了信道占用、衰落和能量可用性对该方法性能的影响。
2017-01-17 cs.IT cs.NI math.IT
Diffusion of Cooperative Behavior in Decentralized Cognitive Radio Networks with Selfish Spectrum Sensors
本文研究了分布式认知无线电网络中自私频谱感知用户的协作行为随时间的扩散。用户可以单独选择是否参与协作频谱感知，以最大化他们的感知虚警率和发送能量消耗方面定义的个人收益。该系统被建模为一个部分连接的网络与统计分布的程度的用户，谁发挥他们的短视的最佳反应，他们的邻居在每次迭代的行动。在此模型的基础上，我们研究了扩散博弈的贝叶斯纳什均衡的存在性和特征。接下来分析了网络拓扑结构、信道衰落统计、传感协议和多天线对扩散过程结果的影响。模拟结果表明，如何有利于不同的网络场景的扩散合作提出了进一步的见解，我们的结论与额外的改进和值得追求的问题进行了讨论。
2013-02-06 cs.GT cs.IT math.IT
Rate-Distortion Analysis of Minimum Excess Risk in Bayesian Learning
Sharif University of Technology（谢里夫理工大学）
在参数贝叶斯学习中，假定先验是关于确定样本分布的参数$W$的。在此设置中，最小超额风险（MER）定义为从数据中学习时可实现的最小预期损失与观察到$W$时可实现的最小预期损失之间的差值。在本文中，我们建立并扩展了（Xu & Raginsky，2020）的最新结果，以分析贝叶斯学习中的MER，并推导出其信息理论界。我们将问题表示为（受约束的）率失真优化，并展示了解决方案如何通过其他两个更容易研究的率失真函数上下界。下限表示使用来自参数$W$的$R$信息位的任何过程可实现的最小可能超额风险。对于上界，优化被进一步约束为使用来自训练集的$R$位，该设置将MER与频率主义学习中的泛化间隙上的信息理论界相关联。我们推导出这些上限和下限之间的差异的信息理论界，并表明，他们可以提供有序紧速率MER在一定条件下。这种分析提供了更多的洞察贝叶斯学习的信息理论的性质，以及提供新的界限。
2021-07-17 cs.IT cs.LG math.IT
Cognitive Learning-Aided Multi-Antenna Communications
University of Luxembourg（卢森堡大学）；Duzce University（迪兹杰大学）；United States Army Research Laboratory（美国陆军研究实验室）
认知通信已经成为一种有前途的解决方案，可以增强、适应和发明超越传统无线网络的新工具和功能。深度学习（DL）在实现认知系统的基本功能方面至关重要，因为它具有快速预测性能，自适应行为和无模型结构。这些特征对于产生和处理大量数据的多天线无线通信系统尤其重要。多个天线可提供分别改善容量、误比特率或信号与干扰加噪声比的复用、分集或天线增益。在实际应用中，多天线认知通信面临着数据复杂性和多样性、硬件复杂性以及无线信道动态性等方面的挑战。诸如联邦学习、迁移学习和在线学习的DL解决方案在通信处理的各个阶段解决这些问题，包括多信道估计、混合波束形成、用户定位和稀疏阵列设计。本文概述了各种基于DL的方法，可将认知行为赋予多天线无线通信，以提高鲁棒性并适应环境变化，同时提供令人满意的频谱效率和计算时间。我们从数据、学习和收发器架构的角度讨论DL设计挑战。特别是，我们建议量化的学习模型，数据/模型并行化和分布式学习方法来解决上述挑战。
2022-04-02 cs.AI cs.IT cs.LG
