基于强化学习和共识融合的分布式协作频谱感知方法

在频谱感知中为了解决不同信誉用户网络节点之间的数据融合问题,提出了一种基于强化学习和共识融合的分布式协作频谱感知方法。该方法将每个感知用户认为是一个智能体(agent), agent通过强化学习算法从相邻节点选择合作用户进行共识融合,采用信誉值作为奖励,确保agent倾向于信誉高的节点进行融合,并同时降低恶意用户的信誉值,使其逐渐退出感知网络,最后采用一致性融合方法使整个网络达成共识,并与判决门限对比,完成协作频谱感知。仿真实验表明,该方法能够有效的识别恶意用户,并通过强化学习提高整个网络的感知性能,使协作频谱感知网络更具智能性和稳定性。     

基于卷积神经网络的OFDM频谱感知方法

在认知无线电网络中,高效且准确的频谱感知是必不可少的一个环节。针对传统机器学习算法在频谱感知训练慢的难题,提出一种基于卷积神经网络的正交频分复用(orthogonal frequency division multiplexing,OFDM)频谱感知方法,将深度学习在图像处理上的优势应用到OFDM信号频谱感知中。该方法首先分析OFDM信号的循环自相关和频谱感知模型,对循环自相关进行归一化灰度处理,形成循环自相关灰度图;然后以LeNet-5网络为基础设计卷积神经网络分层地对训练数据进行学习,提取出更加抽象的特征;最后将测试数据输入到训练好的卷积神经网络模型,完成频谱感知。仿真实验表明,该方法能够完成OFDM信号的频谱感知,在低信噪比条件下具有较高的检测概率。     

光学遥感图像目标检测方法

更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。     

认知无线网络中基于联盟博弈的分布式协作频谱感知方法

针对认知无线网络中感知用户(sensing user, SU)之间协作效用低的问题,将联盟博弈论应用到频谱感知中,提出了一种基于联盟博弈的分布式协作频谱感知方法。该方法首先通过SU进行本地频谱感知,然后利用联盟形成规则将SU分成若干联盟,在单用户优先准则下进行联盟间信息交换,经过迭代形成稳定的联盟分区结构,最后融合联盟内的感知信息完成频谱感知。仿真结果表明,采取的单用户优先准则较传统合并分裂准则,灵活性更高,形成的联盟效用值更大,在协作频谱感知中提高检测概率的同时降低了虚警概率,具有更好的频谱感知性能。