基于最大最小特征值检测的认知用户容量分析

讨论在噪声不确定场景下,认知用户配备多根接收天线,采用最大最小特征值检测算法时的系统容量问题,推导得到系统容量与检测概率和虚警概率的关系表达式。仿真结果表明,最大最小特征值检测算法在噪声不确定场景下具有良好的检测性能,认知用户系统容量明显高于采用多天线能量检测算法时得到的容量。

认知无线电中基于特征值检测的频谱感知算法(英文)

频谱感知的任务在于利用感知节点(无线传感器或者认知用户)采集的数据判断频谱空洞是否存在。基于最大特征值检测(MED)和最小特征值检测(SED)的方法最近被应用到频谱感知当中。这两种算法在检测实际应用当中普遍存在的相关信号时表现出良好的检测性能。然而,MED和SED算法对应的判决门限求解非常复杂,从而限制了它们在实际的认知无线电频谱感知中的应用。该文利用取样协方差矩阵的所有特征值,提出了一种新的基于特征值检测(ESD)的算法。利用多元统计理论获得了相应的判决门限。ESD算法无需主信号和无线信道信息参与感知过程。与此同时,它保留了与MED和SED相同的计算复杂度。更重要的是ESD算法对应的判决门限可以通过一个简单的闭合表达式进行求解,其计算复杂度低。仿真结果验证了新算法的有效性。

基于特征值的单矢量水听器目标检测算法

针对水下目标检测在低信噪比与非平稳背景噪声情况下性能下降的问题,结合特征值检测算法原理,给出一种单矢量水听器联合信息互相关检测算法。该算法利用电子旋转导向角度与振速信息构成一种组合振速,并结合声压信息得到一种互相关值,在大快拍无信号条件下,该值满足渐进高斯分布;将该值除以解析振速与声压信息的协方差矩阵最小特征值,得到一种检测统计量;通过与门限值比较,实现目标检测。理论分析可见,所提检测算法无须背景噪声的先验信息,并且可以通过调节导向角度提高检测性能;在单目标情况下,利用检测统计量与导向角度的对应关系可实现目标方位估计。仿真与实测数据结果表明,相比于单矢量水听器最大最小特征值检测算法与能量检测算法,所提算法检测性能优良,适合于单矢量水听器目标预警检测。

一种改进的特征值-LSTM微弱信号盲检测方法

微弱信号盲检测方法中,最大最小特征值检测应用到样本协方差矩阵的信息较少,且其判决门限难以准确估计,导致信噪比较低时检测稳定性差、性能较低。针对以上问题,提出一种基于特征值-长短时记忆(eigenvalue-LSTM)神经网络的微弱信号盲检测方法,在最大最小特征值检测算法的统计量中引入平均特征值,并对检测概率、虚警概率进行了推导分析,最后将改进的统计量作为长短期记忆(LSTM)神经网络输入进行训练得到分类器。仿真实验结果表明,该方法无需估计检测门限,且在相同采样点的条件下,检测性能在-12 dB时较直接采样-LSTM方法提高了9%。因此基于特征值-长短时记忆网络神经网络方法具有更优的检测性能。

基于可信度的加权协作频谱检测算法

协作频谱检测技术可以有效解决认知无线网络本地检测存在的信道衰落、隐藏终端等问题.本文研究了加权协作频谱检测技术,提出一种基于可信度的协作频谱检测算法.每个感知节点基于最大最小值特征值检测完成本地频谱检测,并与融合中心的全局检测结果进行比较,估计各自感知节点的频谱检测可信度;融合中心利用切尾平均法计算参与频谱协作检测的可信度门限,并选择可信度大于门限的感知节点参与协作频谱检测.该算法有效降低了认知网络协作检测的复杂性,提高了频谱检测性能,在噪声波动环境下具有良好的鲁棒性.仿真结果表明,算法频谱检测性能要优于其他加权算法1～3 dB,节省系统开销43.75％左右.