A Simple Sequential Spectrum Sensing Scheme for Cognitive Radio
认知无线电支持对授权频谱的二次和机会性接入，在显著提高频谱利用率方面显示出巨大的潜力。频谱感知是认知无线电的一项关键技术，由次级用户检测未被占用的频段。本文提出了一种截断序贯频谱感知方案，即序贯移位卡方检验（SSCT）。SSCT具有简单的测试统计量，并且不依赖于关于主信号的任何确定性知识。作为品质因数，导出了准确的虚警概率，并通过使用数值积分算法来评估漏检概率以及平均样本数（SNR）。确证的数值例子表明，与固定样本大小的检测方案，如能量检测相比，SSCT提供了相当大的减少的信噪比，同时保持相当的检测性能。
2009-05-28 cs.IT math.IT
Cooperative Sequential Spectrum Sensing Algorithms for OFDM
研究了认知无线电网络中主用户采用正交频分复用（OFDM）技术时的频谱感知问题。基于能量检测器和循环前缀的自相关特性，提出了OFDM系统中的协作序列检测算法，并对它们的性能进行了比较。我们表明，顺序检测提供了更好的性能比传统的固定样本大小（快照）的检测器。我们还研究了模型的不确定性，如定时和频率偏移，IQ不平衡和噪声和发射功率的不确定性对检测器性能的影响。我们修改的检测器，以减轻这些损害的影响。所提出的算法的性能进行了研究，通过仿真。结果表明，能量检测器的性能显着优于基于CP的检测器，除了在与噪声功率不确定性的快照检测器的情况下。此外，与基于CP的检测器不同，大多数上述损伤对能量检测器没有影响。
2010-05-09 cs.IT math.IT
Sequential Interval Passing for Compressed Sensing
针对压缩感知中稀疏信号重建问题，受LDPC码序贯置信传播启发提出序贯区间传递算法，可在不降低重建精度的前提下平均显著降低消息传递复杂度，部分场景降幅达36%。
2025-05-20 cs.IT math.IT
Distributed Spectrum Sensing with Sequential Ordered Transmissions to a Cognitive Fusion Center
协作频谱感知是一种增强主授权用户检测概率的鲁棒策略。然而，大量的检测器报告的融合中心的最终决定导致显着的延迟，也假定不合理的通信资源的可用性在网络的处置搜索频谱的机会。在这项工作中，我们采用顺序检测的想法，以获得一个快速，但可靠的，关于主要活动的决定。本地检测器进行测量，并且只有少数检测器将对数似然比（LLR）以LLR幅度的降序传输到融合中心。融合中心运行顺序测试，其中对可以报告其LLR测量的传感器的数量施加最大值。我们使用两种方法计算检测阈值。第一个实现了相同的错误概率的最佳块检测器。第二种方法构造目标函数，通过逆向归纳法得到决策阈值，优化目标函数。目标函数直接与具有主要操作的内置特权的主要和次要吞吐量相关。仿真结果表明，本文提出的方法的增强性能。我们还研究了本地传感器和融合中心之间的衰落信道的情况下，在这种情况下，传感成本可以忽略不计。
2011-05-30 cs.IT math.IT
Distributed Nonparametric Sequential Spectrum Sensing under Electromagnetic Interference
提出了一种非参数分布式顺序算法，用于快速检测认知无线电系统中的频谱空洞。两个或多个本地节点做出决定，并通过报告多址信道（MAC）通知融合中心（FC），融合中心然后做出最终决定。在存在衰落、重尾电磁干扰（EMI）和离群值的情况下，本地节点使用能量检测，FC使用均值检测。主信号、通道增益或EMI的统计数据是未知的。不同的非参数顺序算法进行比较，以选择合适的算法在本地节点和FC使用。最近开发的随机游走测试的修改被选择用于能量检测的本地节点以及用于均值检测的融合中心。通过仿真和分析表明，非参数分布式算法的衰落，EMI的存在下，表现良好，是鲁棒的离群值。该算法本质上是迭代的，使得计算和存储需求最小。
2015-04-30 cs.IT math.IT
Cooperative Sequential Spectrum Sensing Based on Level-triggered Sampling
我们提出了一种用于认知无线电网络中协作频谱感知的新框架，该框架基于一类新型非均匀采样器（称为事件触发采样器）和顺序检测。在该方案中，每个次用户根据自己的信道输出计算其本地感知判决统计量，当该判决统计量超过预定义的阈值时，次用户将向融合中心发送一个（或多个）比特的信息。融合中心异步接收来自不同次用户的比特，并更新全局感知决策统计，以执行顺序概率比测试（SPRT），以达到感知决策。我们提供了上述方案的渐近分析，并在不同的条件下，我们比较了它与传统的基于均匀采样和顺序检测的合作感知方案。仿真结果表明，在目标错误概率、信噪比和SU数变化的情况下，该方案即使只使用1比特，也能优于使用无穷多比特的均匀采样方案。
2012-05-16 cs.IT math.IT stat.AP
Cooperative Distributed Sequential Spectrum Sensing
我们认为合作频谱感知认知无线电。我们开发了一个能量有效的检测器，具有低检测延迟，使用顺序假设检验。在局部节点和融合中心均采用序贯概率比检验（SPRT）。我们还分析了该算法的性能，并与仿真结果进行了比较。模型的分布参数的不确定性被认为是。考虑了认知无线电系统中存在和不存在理想信道状态信息时的慢衰落。
2012-11-23 cs.IT math.IT stat.AP
A Novel Algorithm for Cooperative Distributed Sequential Spectrum Sensing in Cognitive Radio
本文研究了认知无线电中的协作频谱感知问题。在我们以前的工作中，我们已经开发了DualSPRT，一个分布式算法的合作频谱感知使用顺序概率比测试（SPRT）在认知无线电以及在融合中心。该算法运行良好，但不是最优的。在本文中，我们提出了一种改进的算法- SPRT-CSPRT，这是从累积和程序（CSPUM）的动机。我们从理论上进行了分析。我们也修改这个算法来处理SNR和衰落的不确定性。
2012-11-23 cs.IT math.IT stat.AP
Sequential Compressed Sensing
压缩感知允许仅使用少量随机测量来完美地恢复稀疏信号（或在某种基础上稀疏的信号）。压缩感知文献中的现有结果集中于通过界定给定信号稀疏度水平所需的样本数量来表征可实现的性能。然而，使用这些界限来最小化样本的数量需要未知信号的稀疏性的先验知识，或者近稀疏信号的衰减结构。此外，有一些流行的恢复方法，没有这样的界限是已知的。在本文中，我们研究了另一种情况下，观测序列。对于任何恢复方法，这意味着现在存在候选重建的序列。我们提出了一种方法来估计重建误差直接从样本本身，在这个序列中的每个候选人。该估计是通用的，因为它仅基于测量集合，而不是基于恢复方法或未知信号的任何假设的稀疏水平。有了这些估计，现在只要有合理的确定性，可以立即停止观察，或者精确或足够准确的重建。它们还提供了一种方法来获得“运行时”的恢复方法，否则缺乏先验的性能界限的保证。我们调查连续（如高斯）和离散（如伯努利）随机测量合奏，无论是精确稀疏和一般近稀疏信号，噪声和无噪声测量。
2010-03-01 cs.IT math.IT
Spectrum Sensing using Distributed Sequential Detection via Noisy Reporting MAC
本文研究了认知无线电系统中的协作频谱感知算法，该算法的主要目标是减少检测样本的数量，以实现可靠的检测。我们开发了一个能量有效的检测器与低检测延迟使用分散序贯假设检验。我们的算法在认知无线电采用异步传输方案，考虑到在融合中心的噪声。我们从分布式算法DualSPRT开始，其中认知无线电顺序收集观测，使用SPRT（顺序概率比测试）进行本地决策，并将其发送到融合中心。融合中心顺序地处理这些接收到的本地决策损坏的噪声，使用SPRT的过程，以达到最终的决定。从理论上分析了其误码率和平均检测时延。我们还渐近研究其性能。即使DualSPRT执行渐近好，在融合节点的修改提供了更多的控制算法参数的设计，然后在认知无线电系统中的错误的通常的操作概率更好地执行。并对改进算法进行了理论分析。稍后，我们修改这些算法来处理SNR和衰落的不确定性。
2013-08-28 cs.IT math.IT stat.AP
Sub-Nyquist SAR via Fourier Domain Range Doppler Processing
传统的合成孔径雷达（SAR）系统在满足日益增长的空间分辨率和更大覆盖范围的需求方面能力有限。对高分辨率的需求需要高采样率，而覆盖范围受到脉冲重复频率的限制。因此，降低采样率在SAR成像中具有很高的实用价值。本文介绍了一种新的算法，等效于著名的距离-多普勒方法，利用原始信号的傅里叶级数系数来处理SAR数据。然后，我们演示了如何利用算法的功能，以减少采样率在距离和方位轴和处理的信号在次奈奎斯特速率，通过使用压缩感知（CS）工具。特别是，我们证明了图像的恢复只使用一部分的接收信号的带宽，同时也下降了很大比例的发射脉冲。互补脉冲可以用于在相同的相干处理间隔内捕获其他场景。此外，我们建议利用能力，从窄带重建图像，以动态地适应传输的波形能量的空闲频谱带，铺平了道路，认知SAR。所提出的恢复算法形成了一种新的CS-SAR成像方法，可应用于在距离和方位角上以亚奈奎斯特速率采集的高分辨率SAR数据。我们的方法的性能评估使用模拟和真实的数据集。最后，我们的方法是在硬件中实现的，使用以前建议的Xcadron雷达原型。
2017-05-09 cs.IT math.IT
Covert Online Decision Making: From Sequential Hypothesis Testing to Stochastic Bandits
研究隐蔽在线决策问题，通过将系统建模为Markov核，分别表述为序贯假设检验和老虎机最佳臂识别问题，并刻画了识别错误概率随块长平方根呈指数衰减的规律。
2023-11-20 cs.IT math.IT
Sequential Information Guided Sensing
我们研究的顺序压缩感知中的信息的价值，通过表征的顺序信息引导传感在实际情况下，当信息是不准确的性能。特别地，我们假设信号分布通过具有估计的均值和协方差矩阵的高斯或高斯混合来参数化，并且我们可以通过噪声线性投影或使用一个稀疏向量来压缩测量，即，每次观察信号的一个条目。我们通过捕获条件熵（这也与不确定性的大小有关）以及由于不准确的信息而达到所需精度所需的额外功率，通过后验均值为信号估计器的偏差和方差建立了一组性能界限。在此基础上，我们进一步研究了如何基于直接样本或协方差草图估计协方差。数值算例也表明了信息贪婪感知算法的优越性能相比，他们的随机和非自适应同行。
2015-09-01 cs.IT math.IT math.ST
Info-Greedy sequential adaptive compressed sensing
提出 Info-Greedy Sensing 自适应压缩感知框架，通过序贯选择最大化条件信息增益的测量，为 k-稀疏、高斯及 GMM 信号设计算法，并验证其性能与鲁棒性。
2015-02-02 cs.IT math.IT math.ST
Censored Truncated Sequential Spectrum Sensing for Cognitive Radio Networks
Delft University of Technology（代尔夫特理工大学）
提出一种删失截断序贯频谱感知技术，通过最小化每个传感器的最大能耗并约束检测概率和虚警率，实现节能与性能平衡。
2013-03-14 cs.IT cs.SY eess.SY
Spectrum Sensing in Low SNR Regime via Stochastic Resonance
频谱感知是认知无线电实现动态频谱接入的关键。在许多场景中，主用户信号必须在所需的感测时间下在低信噪比（SNR）状态下被可靠地检测。我们建议使用随机共振，具有一定的谐振频率的非线性滤波器，检测主用户时，信噪比很低。块和顺序检测方案进行了研究。仿真结果表明，在满足虚警率要求的情况下，检测概率和平均检测时延都有较大的提高。还讨论了一些实施问题。
2009-06-03 cs.IT math.IT
Sequential Sensing with Model Mismatch
Tsinghua University（清华大学）；Georgia Institute of Technology（佐治亚理工学院）
当真实信号模型和假设模型（可能是样本估计）之间存在不匹配时，我们描述了顺序信息引导感知（信息贪婪感知）的性能。特别是，我们考虑一个设置，其中信号是低秩高斯和测量的方向上的特征向量的协方差阵的特征值的降序。我们建立了一组性能界限时，使用不匹配的协方差阵，在信号后验熵的差距，以及所需的额外的功率量，以达到相同的信号恢复精度。在此基础上，我们进一步研究了如何使用样本协方差阵或使用有效的协方差草图方案来选择信息贪婪感知的初始值。
2015-03-16 cs.IT cs.LG math.IT
An Efficient Algorithm for Cooperative Spectrum Sensing in Cognitive Radio Networks
本文研究了认知无线电系统中的频谱感知问题。我们已经开发了一个分布式算法，次级用户可以运行，以感测信道合作。它是基于顺序检测算法，最佳地使用过去的意见。虽然该算法也可以与匹配滤波器和其他频谱感知算法一起使用，但我们将其用于具有能量检测器的次级用户。该算法提供了非常低的检测延迟，也消耗很少的能量。此外，它对主用户造成低干扰。我们比较这个算法最近提出的几个算法，并表明它检测到的频谱变化比这些算法更快，使用显着更少的能量。
2008-09-17 cs.IT math.IT
Sub-Nyquist Radar: Principles and Prototypes
在过去的几年中，新的方法，雷达信号处理已被引入，使雷达执行信号检测和参数估计从少得多的测量比所需的奈奎斯特采样。这些系统-被称为子奈奎斯特雷达-将接收信号建模为具有有限的创新率，并采用XNUS框架来获得信号的低速率样本。亚奈奎斯特雷达利用目标场景稀疏的事实，促进在信号恢复中使用压缩感知（CS）方法。在本章中，我们将回顾几种基于这些原理的脉冲多普勒雷达系统。与其他基于CS的设计相反，我们的公式直接解决了空间和时间上的速率降低的模拟采样，避免了令人望而却步的字典大小，并且对噪声和杂波具有鲁棒性。首先，我们引入时间的亚奈奎斯特处理，用于估计目标位置，使用比传统系统更少的带宽。这为认知雷达与其他通信服务共享其发射频谱铺平了道路，从而为频谱拥挤环境中的共存提供了强大的解决方案。接下来，在不损害多普勒分辨率的情况下，我们通过在相干处理间隔或“慢时间”内以稀缺的方式发送交织雷达脉冲来减少停留时间。然后，我们考虑多输入多输出阵列雷达，并演示了空间亚奈奎斯特处理，它允许使用几个天线单元，而不会降低角分辨率。最后，我们展示了次奈奎斯特和认知雷达成像系统，如合成孔径雷达的应用。对于每种设置，我们提出了一个国家的最先进的硬件原型设计，以证明亚奈奎斯特雷达的实时可行性。
2019-02-04 cs.IT math.IT
Sequential adaptive compressed sampling via Huffman codes
压缩感知主要有两种方法：几何方法和组合方法。在本文中，我们介绍了一个信息理论的方法，并使用霍夫曼码理论的结果来构建一个序列的二进制采样向量，以确定一个稀疏信号。与其他方法不同，我们的方法是自适应的，在这个意义上，每个采样向量取决于前一个样本。对于n维空间中的k稀疏向量，我们需要的测量次数不超过O（k log n），重建时间为O（k）。
2009-06-25 cs.IT math.IT
Deep Active Learning Approach to Adaptive Beamforming for mmWave Initial Alignment
本文提出了一种深度学习方法，用于在具有单路径信道的毫米波环境中的初始接入阶段的自适应和顺序波束成形设计问题。对于一个单用户的情况下，该问题相当于设计的序列感测波束形成器来学习的主要路径的到达角（AoA），我们提出了一种新的深度神经网络（DNN），设计的自适应传感矢量顺序的基础上，到目前为止在基站（BS）。通过认识到AoA后验分布是解决初始接入问题的充分统计量，我们使用后验分布作为所提出的DNN的输入，用于设计自适应感知策略。然而，当信道衰落系数未知时，计算后验分布可能在计算上具有挑战性。为了解决这个问题，本文提出了使用衰落系数的估计来计算后验分布的近似。此外，本文表明，所提出的DNN可以处理实际的波束成形约束，如恒模约束。数值结果表明，与现有的自适应和非自适应波束形成方案相比，所提出的基于DNN的自适应感知策略实现了显着更好的AoA捕获性能。
2021-05-21 cs.IT math.IT
Latency Analysis for Sequential Detection in Low-Complexity Binary Radio Systems
我们考虑的问题作出快速决定，有利于两个可能的物理信号模型之一，而数值测量的传感设备具有最小的数字化复杂性。因此，可用于统计处理的数字数据流是二进制的，并且表现出时间和空间依赖性。为了处理棘手的多元二进制数据模型，我们首先考虑指数族分布的序贯检验。在这个通用的概率框架内，我们确定自适应近似的对数似然比和Kullback-Leibler分歧。结果允许设计的二进制无线电系统的顺序检测器，并分析其平均运行时间沿经典参数的沃尔德。特别是，衍生的测试利用雕刻到二进制测量的模拟传感器信号的时空相关结构。作为一个应用程序，我们认为，规范的二进制感知架构的认知无线电和GNSS频谱监测，我们的结果特征的顺序检测延迟的时间过采样和天线的数量的函数。最后，我们评估所提出的算法的效率，并说明我们的分析通过蒙特卡洛模拟的准确性。
2019-10-27 cs.IT eess.SP math.IT
Sequentiality and Adaptivity Gains in Active Hypothesis Testing
考虑一个决策者，他负责收集观察结果，以便以快速的方式增强他对感兴趣的潜在现象的信息。决策者选择感测动作的策略可以基于以下两个因素进行分类：i）顺序与非顺序; ii）自适应与非自适应。非序贯策略收集固定数量的观测样本，然后做出最终决策;而在序贯策略下，样本大小最初是未知的，由观测结果决定。在自适应策略下，决策者依赖于先前收集的样本来选择下一个感知动作;而在非自适应策略下，动作的选择与过去的观测结果无关。在本文中，性能界限提供的政策在每一类。使用这些界限，序列性增益和自适应性增益，即，表征了动作的顺序和自适应选择的增益。
2012-11-10 cs.IT math.IT math.ST
Robust Cooperative Spectrum Sensing Scheduling Optimization in Multi-Channel Dynamic Spectrum Access Networks
动态频谱接入（DSA）使得次级网络能够发现并有效地利用频谱机会。DSA网络设计的一个关键因素是多用户多信道的频谱感知算法。多用户协作信道感知减少了感知时间，从而提高了传输吞吐量。然而，在多信道系统中，问题变得更加复杂，因为还必须考虑将用户分配到并行感测信道的益处。因此，必须创建向每个用户指示其应当在不同感测时刻感测的信道的感测调度，以优化系统性能。在本文中，我们制定了一般的传感调度优化问题，然后提出了几种传感策略，根据网络参数的同类传感器的用户进行调度。稍后，我们将结果扩展到异构传感器，并提出了一个强大的调度设计时，我们有流量和信道的不确定性。我们提出了三个感测策略，并在每一个，几个解决方案，达到吞吐量性能和计算复杂性之间的平衡，提出。此外，我们表明，一个顺序的信道感知策略是一个首选时，感知时间是小的，信道的数量是大的，和用户的数量是小的。对于所有其他情况下，建议在吞吐量性能方面采用并行信道检测策略。我们还表明，提出的混合顺序并行信道检测策略在所有情况下，以额外的内存和计算复杂度为代价，实现了最佳性能。
2015-05-19 cs.IT math.IT math.OC
Active Sensing for Communications by Learning
University of Toronto（多伦多大学）
本文提出了一种深度学习方法来解决无线通信中的一类主动感知问题，其中代理在预定数量的时间帧内顺序地与环境交互以收集信息，以便执行感知或致动任务以最大化某些效用函数。在这样的主动学习设置中，代理需要基于到目前为止所做的观察来顺序地设计自适应感测策略。为了解决这样一个具有挑战性的问题，其中历史观测的维度随着时间的推移而增加，我们建议使用长短期记忆（LSTM）网络来利用观测序列中的时间相关性，并将每个观测映射到固定大小的状态信息向量。然后，我们使用深度神经网络（DNN）将每个时间帧的LSTM状态映射到下一个测量步骤的设计。最后，我们使用另一个DNN将最终的LSTM状态映射到所需的解决方案。我们研究了无线通信中的自适应信道感知问题的性能所提出的框架。特别是，我们考虑毫米波波束对准的自适应波束形成问题和反射对准的自适应可重构智能表面传感问题。数值结果表明，所提出的深度主动传感策略优于现有的自适应或非自适应传感方案。
2022-02-08 cs.IT cs.LG math.IT
A NLLS Based Sub-Nyquist Rate Spectrum Sensing for Wideband Cognitive Radio
对于需要了解可用频带的系统和设备，例如认知无线电和网络，频谱感测具有重要作用。该领域的主要挑战是在宽带信号的感测中需要高采样率。本文提出了一种宽带频谱感知方法，该方法利用欠采样方案，在采样率方面带来了实质性的节省。有限数量的噪声样本的相关矩阵的计算和使用的非线性最小二乘（NLLS）估计检测占用和空闲的频谱通道。我们提供了作为采样参数和噪声功率的函数的检测阈值的表达式。同时，提出了一种顺序前向选择算法，以较低的复杂度找到占用信道。该方法可应用于相关和不相关的宽带多通道信号。与传统的能量检测使用奈奎斯特采样率的比较表明，所提出的方案可以产生类似的性能为SNR大于4 dB的小采样率的一个因素。
2014-08-20 cs.IT math.IT
Massive Random Access with Sporadic Short Packets: Joint Active User Detection and Channel Estimation via Sequential Message Passing
本文考虑了上行链路大规模机器类型通信（mMTC）场景，其中大量用户设备连接到基站（BS）。提出了一种新的免授权的大规模随机接入（MRA）策略，同时考虑了零星的用户业务和短数据包的特点。具体地，引入活动检测时间（ADT）和活动检测时段（ADP）的概念，使得可以在一个相干时间内多次执行活动用户检测。通过考虑零星的用户流量和短数据包的功能，我们建模的联合主动用户检测和信道估计问题到一个动态的压缩感知（CS）问题的基础稀疏信号表现出大量的时间相关性。本文建立了一个概率模型来捕捉时间结构，并建立了相应的因素图。设计了一种新的顺序近似消息传递（S-AMP）算法，从一个ADT到下一个ADT顺序执行推理并恢复稀疏信号。然后推导出贝叶斯活动用户检测器和相应的信道估计器。数值结果表明，在我们的场景下，所提出的S-AMP算法提高了主动用户检测和信道估计性能的竞争算法。
2021-02-22 cs.IT math.IT
Energy-Efficient Online Data Sensing and Processing in Wireless Powered Edge Computing Systems
本文主要研究随机衰落信道下无线供电MEC系统的节能在线数据处理策略。特别是，我们考虑一个混合接入点（HAP）发送RF能量和处理从多个WD卸载的感测数据。在HAP的平均功率约束下，我们的目标是最大化WD的长期平均数据感知速率，同时保持任务数据队列的稳定性。我们制定的问题作为一个多阶段的随机优化控制的能量转移和任务的数据处理在连续的时隙。在不了解未来信道衰落的情况下，确定由电池和数据缓冲器动态紧密耦合的顺序控制动作是非常具有挑战性的。为了解决这个问题，我们提出了一个在线算法名为LEESE，应用扰动李雅普诺夫优化技术分解的多阶段随机问题为每个插槽的确定性优化问题。我们表明，每个插槽的问题可以等价地转化为一个凸优化问题。为了便于在大规模MEC系统中的在线实现，而不是用现成的凸算法来解决每个时隙的问题，我们提出了一种基于块坐标下降（BCD）的方法，该方法在小于0.04%的计算延迟内产生接近最优解。仿真结果表明，该算法比已有的典型算法提高了21.9%的数据感知速率，同时具有亚毫秒级的计算延迟，适用于衰落信道下的实时控制.
2021-11-04 cs.IT eess.SP math.IT
Throughput and Collision Analysis of Multi-Channel Multi-Stage Spectrum Sensing Algorithms
多阶段感知是一个新的概念，它是指将感知过程划分为多个连续阶段的一般频谱感知算法。感测阶段的数量和每个阶段的感测技术可以用于优化关于次要用户吞吐量和主要用户与次要用户之间的冲突概率的性能。到目前为止，多阶段感知对网络吞吐量和碰撞概率的影响，一个现实的网络模型是相对未探讨。因此，我们提出了第一个分析框架，使性能评估的不同的多信道多阶段频谱感知算法的主动频谱接入网络。我们的工作的贡献在于研究以下参数对性能的影响：感测阶段的数量，物理层感测技术和每个阶段的持续时间，单个和并行信道感测和访问，可用信道的数量，主要和次要用户流量，传入的次要用户流量的缓冲，以及MAC层感测算法。分析的性能指标包括平均次级用户吞吐量和主用户和次级用户之间的平均冲突概率。我们的研究结果表明，当主用户误检测的概率受到约束，多阶段的感知的性能，在大多数情况下，优于单阶段的感知。此外，在感知的第一阶段，延长信道观测时间可以大大降低冲突概率，同时保持吞吐量在可接受的水平。最后，在实际的主用户业务场景中，使用两个阶段的感测提供了次用户吞吐量和冲突概率之间的良好平衡，同时满足成功检测约束条件下的主动频谱接入通信。
2012-08-29 cs.IT cs.NI cs.PF
Active Sensing for Two-Sided Beam Alignment and Reflection Design Using Ping-Pong Pilots
本文针对毫米波通信中的双端波束对齐问题，提出基于乒乓导频和两个LSTM网络的深度主动感知框架，无需显式反馈即可设计测量向量和波束成形器，并可扩展至RIS反射设计，实验显示性能显著提升。
2023-05-11 cs.IT eess.SP math.IT
Distilled Sensing: Adaptive Sampling for Sparse Detection and Estimation
自适应采样的结果显着改善恢复稀疏信号在高斯白噪声。提出并分析了一种称为蒸馏传感（DS）的顺序自适应采样和细化过程。DS是一种多阶段试验设计和测试的形式。由于数据收集的自适应性质，DS可以检测和定位比非自适应测量可能的信号弱得多的信号。特别是，可靠的检测和定位（支持估计），使用非自适应样本是可能的，只有当信号幅度的增长与问题的维度。在这里，它示出，使用自适应采样，可靠的检测是可能的，提供的幅度超过一个常数，和本地化是可能的，当幅度超过任何任意缓慢增长的功能的尺寸。
2010-05-27 cs.IT math.IT math.ST
Localization with Reconfigurable Intelligent Surface: An Active Sensing Approach
University of Toronto（多伦多大学）
针对RIS辅助的上行链路用户定位问题，提出基于LSTM与DNN的主动感知策略，自适应调整感知向量实现定位，性能优于非主动方法及多基站对比方案，且具备可解释性与阶段可推广性。
2023-12-15 cs.IT cs.LG eess.SP
Cost-Aware Learning and Optimization for Opportunistic Spectrum Access
The Pennsylvania State University（宾夕法尼亚州立大学）；University of Science and Technology of China（中国科学技术大学）
本文研究了认知无线电系统中多信道机会频谱接入的代价感知联合学习和优化问题。我们研究了一个离散时间模型，其中时间轴被划分为帧。每个帧由感测阶段和随后的传输阶段组成。在感测阶段，用户能够在决定在接下来的传输阶段使用其中一个之前顺序地感测通道的子集。我们假设信道状态根据帧到帧的独立伯努利随机过程在忙和空闲之间交替。为了捕捉信道感知中固有的不确定性，我们假设当信道空闲时每次传输的奖励是随机变量。我们还将随机成本与传感和传输行为相关联。我们的目标是理解在离线和在线设置中，动作的成本和回报将如何影响用户的最佳行为，并且设计相应的机会主义频谱接入策略以最大化预期的累积净回报（即，奖励减去成本）。我们从一个离线设置开始，在这个设置中，渠道状态、成本和奖励的统计数据是事先已知的。我们发现，最优策略表现出递归的双阈值结构，用户需要比较的信道统计与这些阈值顺序，以决定其行动。有了这样的见解，我们然后研究在线设置，其中的渠道，成本和奖励的统计信息是未知的先验。我们明智地平衡探索和利用，并表明，累积的遗憾规模在O（log T）。我们还建立了一个匹配的下界，这意味着我们的在线算法是顺序最优的。仿真结果证实了我们的理论分析。
2018-04-11 cs.IT cs.LG cs.NI
