认知无线电系统的动态双门限协作能量检测算法

认知无线电系统中,认知用户间协作检测有利于提高频谱检测的准确性。基于OR(或)协作方式和多门限能量检测算法,提出了一种动态双门限协作能量检测算法,并根据认知用户接收到的主用户信噪比确定检测门限。理论分析和仿真结果表明,该算法可以有效提高频谱检测概率,降低系统漏检概率。

认知无线网络中动态双门限协作频谱感知性能的优化方案

频谱感知作为认知无线电的关键技术,得到广泛深入的研究。其中衡量协作频谱感知性能的主要参数为全局虚警概率和全局漏检概率,它们之和被定义为全局错误概率。本文研究基于双门限能量检测的协作频谱感知性能的优化方案,首先,固定双门限能量检测的检测门限值,对表决融合准则的投票门限进行优化,使得在该能量检测门限值条件下,协作频谱感知的全局错误概率最小;然后在表决融合准则的投票门限取最优值的前提下,对双门限能量检测的检测门限值进行了优化,在不同接收信噪比条件下,最优的检测门限值是动态的,所以要根据信噪比确定最优的检测门限值,使得协作频谱感知的全局错误概率在各信噪比条件下都达到最小值,从而提高了协作频谱感知的性能。仿真结果表明,表决融合准则的投票门限和双门限能量检测的检测门限值取得各自的最优值时,全局错误概率最低,检测性能最好。

加权全序列卷积神经网络方法的帕金森声纹识别研究

帕金森患者由于无法稳定控制发声器官,导致声纹与健康人有所不同,使得利用声纹识别进行帕金森疾病检测成为可能.本文提出一种动态帧双门限端点检测方法,通过将帧能量升序排列进行阈值设定,实现静音区的剔除,解决准确捕捉有效音频区域问题;将小波变换融入提取过程,改进滤波器结构,更好拟合非平稳的音频信号,保留高频中的细节特征,获得高频梅尔频率倒谱小波系数(HMFCWC)特征,充分获取音频中有效信息;设计加权全序列卷积神经网络(Weighted Deep Fully Convolutional Necural Netw ork,W-DFCNN),通过引入特征加权层,有效区分两类人群的特征进行加权并分类,在Sakar数据集上进行了实验验证,结果表明该方案识别确率达95.1%,优于其他传统分类方法,为帕金森疾病的声纹检测提供了可靠参考.