一种基于极值特征值之差的全盲多天线频谱感知算法

提出了一种新的基于接收信号取样协方差矩阵（SCM）极值特征值之差的多天线频谱感知算法BDDEE,其以SCM的最大最小特征值之差与接收信号平均能量之比作为感知判决量,在检测过程中摆脱了对噪声方差的依赖,且无须使用主用户信号及无线传输信道等相关参数.在此基础上,基于有限维Wishart随机矩阵有序特征值分布的相关结果,从理论上提出了一种精确的虚警概率和判决门限的分析和计算方法;更进一步,考虑到次级用户计算和存储资源的限制,利用高维Wishart随机矩阵中极值特征值的分布理论,通过融合最大和最小特征值极限分布所对应的判决门限,提出了一种低计算复杂度的判决门限计算方法.综合考虑检测性能和虚警性能指标来看,新算法比经典的CAV、MME和DMME算法具有更优的感知性能,在样本数目有限的条件下能获得更加稳健的检测结果,数值仿真结果证明了所提BDDEE算法的有效性.     

基于随机矩阵的特征值方差频谱感知检测算法

传统的频谱感知能量检测易受噪声方差不确定性的影响,存在信噪比墙效应。频谱感知特征值检测跟能量检测一样,不需要信号任何先验信息,并且能在低信噪比下取得较好的检测性能。经典的特征值检测有最大最小特征值(maximum-minimum eigenvalues,MME)之比算法,最大最小特征值之差(maximum-minimum eigenvalues difference,DMM)算法等。这些算法只利用特征值的一阶统计量,不能充分反映全部特征值的统计特征。利用特征值二阶统计量提出一种基于特征值方差的频谱感知算法,选取能反映特征值整体波动的方差当作观测统计量,并利用矩阵迹的性质推导出该算法的理论门限。仿真证明:当噪声方差不确定性等于0 d B时,该算法的检测性始终优于MME算法。当噪声方差不确定性等于0. 2 d B时,能量检测(energy detection,ED)算法检测概率急剧下降,而特征值方差(eigenvalue variance,EV)算法检测概率仅下降10%左右,并且当信噪比(signal noise ratio,SNR)大于-17 d B时,EV算法的检测概率优于ED算法和MME算法。     

基于随机矩阵理论的盲MEHM频谱感知算法

利用随机矩阵理论中样本协方差矩阵极限特征值的分布结果,设计了一种新的最大特征值-调和平均(NMEHM)盲频谱感知算法.NMEHM算法无需主用户信号及无线信道的先验知识,可以有效克服噪声不确定性的影响.仿真实验结果表明,相对于一些基于特征值检测的频谱感知算法,NMEHM算法的检测概率更高,且获得了比最大特征值-调和平均(MEHM)算法更优异的检测性能.     

基于随机矩阵的特征值方差的频谱感知检测算法

传统的频谱感知能量检测易受噪声方差不确定性的影响,存在\"信噪比墙\"效应。频谱感知特征值检测跟能量检测一样,不需要信号任何先验信息,并且能在低信噪比下取得较好的检测性能。经典的特征值检测有最大最小特征值(maximum-minimum eigenvalues,MME)之比算法,最大最小特征值之差(maximum-minimum eigenvalues difference,DMM)算法等。这些算法只利用特征值的一阶统计量,不能充分反映全部特征值的统计特征。利用特征值二阶统计量提出一种基于特征值方差的频谱感知算法,选取能反映特征值整体波动的方差当作观测统计量,并利用矩阵迹的性质推导出该算法的理论门限。仿真证明:当噪声方差不确定性等于0 d B时,该算法的检测性始终优于MME算法。当噪声方差不确定性等于0. 2 d B时,能量检测(energy detection,ED)算法检测概率急剧下降,而特征值方差(eigenvalue variance,EV)算法检测概率仅下降10%左右,并且当信噪比(signal noise ratio,SNR)大于-17 d B时,EV算法的检测概率优于ED算法和MME算法。     

一种改进的基于MME的盲频谱感知算法（英文）

基于最大-最小特征值(MME)之比的盲频谱感知算法,最大的优势是感知判决过程无需无线信道、噪声方差和主用户信号等先验信息.然而在实际应用过程中,MME算法的理论判决门限值的确定相当麻烦.基于改进判决门限的MME盲频谱感知算法,相比传统的MME算法检测结果更可靠.实验仿真结果验证了新算法的有效性.     

基于极限特征值之差的改进频谱感知算法

基于取样协方差矩阵的最大和最小特征值之差的频谱感知算法,从提高感知判决门限的设置准确度出发,利用Wishart随机矩阵极限特征值分布的最新成果,设计出了一种新的判决门限计算方法.仿真实验结果表明,相对于现有的频谱感知算法,新算法的判决门限计算更加准确,在改善判决结果可靠性的同时,有效地提升了有限样本数量条件下算法的检测性能.     

基于协方差矩阵的自适应盲分离算法

提出了一种新的线性混叠信号的盲分离算法,该算法利用信号相互独立时其协方差矩阵的对角化特征作为分离准则,采用最速下降法进行分离.该算法对源信号和混叠矩阵没有过多要求且计算量不大,理论分析与仿真结果表明:该算法具有很好的分离效果.     

基于节点选择的特征值频谱感知算法

为提高认知无线电系统对微弱信号的频谱检测能力,基于特征值的频谱感知算法越来越受到关注.在统一的框架内研究了随机矩阵特征值的极限分布特性,分析了特征值频谱感知算法中各种设置判决门限方法的特性和性能.为了降低特征值频谱感知算法的计算复杂度,提出了一种认知接收节点选择方法,大大减少了运算量.     

一种基于可靠度的频谱感知算法

认知无线电系统中频谱感知的作用是有能力以尽量快且准确地确定是否有主用户存在。为了达到这个要求,提出了一种通过考虑感知结果可靠性的频谱感知算法。只有当认知同户的感知结果具有足够的可靠性时,才将其判决的二进制结果（0或1）直接发送到MAC层;否则,该认知用户同一阶特征技术重新检测该频段。由于一阶特征检测技术是在时域完成的,因此提出的算法具有实时操作和低功耗等优点。对提出的基于可靠性的频谱感知算法的感知性能进行理论分析研究,并对其进行了仿真。仿真结果表明：提出的这种频谱感知算法能够大大改善频谱感知性能相比于传统的能量检测器和一阶特征检测技术。     

基于矩阵特征值的主用户信号全盲检测算法

在多天线主用户信号检测过程中,在信道空闲和信道被占用2种情况下接收信号取样协方差矩阵的最大和最小特征值存在明显差异.根据这一观察,提出了一种新的基于取样协方差矩阵最大和最小特征值的盲检测算法.该算法以取样协方差矩阵最大与最小特征值的差与和的比值作为感知判决量,再通过引入大维随机矩阵中关于取样协方差矩阵最大和最小特征值分布的最新成果,设计出一种有效的判决门限计算方法.相对于经典的特征值检测算法,蒙特卡罗仿真实验比对结果表明,新算法具有感知判决门限计算准确的优点,能有效地提高检测性能和判决结果的可靠性.     

基于矩阵特征值的主用户信号全盲检测算法

在多天线主用户信号检测过程中,在信道空闲和信道被占用2种情况下接收信号取样协方差矩阵的最大和最小特征值存在明显差异.根据这一观察,提出了一种新的基于取样协方差矩阵最大和最小特征值的盲检测算法.该算法以取样协方差矩阵最大与最小特征值的差与和的比值作为感知判决量,再通过引入大维随机矩阵中关于取样协方差矩阵最大和最小特征值分布的最新成果,设计出一种有效的判决门限计算方法.相对于经典的特征值检测算法,蒙特卡罗仿真实验比对结果表明,新算法具有感知判决门限计算准确的优点,能有效地提高检测性能和判决结果的可靠性.     

改进的基于样本的图像修复算法

针对图像修复过程中相似块匹配时造成的误差,深入研究Criminisi算法关键步骤的基础上,充分考虑图像中的结构性信息,提出了一种新的相似块匹配判定规则。首先,对待修复块和目标块进行颜色空间的相似性度量。然后,获取目标块和待合成块已知区域的结构性信息,并对结构性信息进行相似度度量;最后,将符合判定条件的目标块拷贝至待合成区域,更新修复区域的置信度。实验证明,该方法有效的减少了原Criminisi算法在相似块匹配中所造成的误差,在人为修复痕迹方面效果较好,与周围环境的融合也更加柔和,结果令人满意。     

一种基于小波包熵的频谱检测算法

为了解决能量检测算法在低信噪比条件下频谱检测性能差的问题,提出了一种基于小波包熵的频谱检测算法.首先采用小波包变换对接收信号进行多层分解,并计算最后一层各节点的重构信号;然后计算各个节点重构信号的小波包熵值;最后选取熵值最小的重构信号作为检测信号进行能量检测.理论分析及仿真结果表明,在低信噪比情况下,该算法可以有效地抑制噪声影响,提高频谱检测性能.     

基于DWT的图像分块压缩感知重构算法

运用压缩感知理论对大尺寸图像进行重构耗时较长,观测矩阵要求的存储空间较大,且重构后的图像存在明显的块状效应.根据图像小波变换系数的特点,将图像分块思想与DWT变换相结合,提出了一种改进的基于DWT的图像分块压缩感知算法.将图像子块经DWT变换后,保留图像低频系数,只对高频系数进行观测.重构时采用正交匹配追踪算法（OMP）对高频系数进行恢复.Matlab仿真结果表明,新算法跟基于DCT分块压缩感知算法相比,重构图像的PSNR值提高了2~4 dB,重构时间明显减少,与基于二维离散余弦变换(DCT)的分块压缩感知算法相比,块效应有明显的改善,重构图像质量明显提高.     

基于矩阵的Apriori改进算法与实现

本文分析了关联规则的经典算法Apriori算法,对该算法存在的不足进行了讨论,针对这些不足介绍了一些主要的算法改进方法和思路,并提出了一种基于矩阵的Apriori改进算法,通过减少对数据库的操作来提高效率.     

Compressive Wideband Spectrum Sensing Based on Random Matrix Theory

Spectrum sensing in a wideband regime for cognitive radio network(CRN) faces considerably technical challenge due to the constraints on analog-to-digital converters(ADCs).To solve this problem,an eigenvalue-based compressive wideband spectrum sensing(ECWSS) scheme using random matrix theory(RMT) was proposed in this paper.The ECWSS directly utilized the compressive measurements based on compressive sampling(CS) theory to perform wideband spectrum sensing without requiring signal recovery,which could greatly reduce computational complexity and data acquisition burden.In the ECWSS,to alleviate the communication overhead of secondary user(SU),the sensors around SU carried out compressive sampling at the sub-Nyquist rate instead of SU.Furthermore,the exact probability density function of extreme eigenvalues was used to set the threshold.Theoretical analyses and simulation results show that compared with the existing eigenvalue-based sensing schemes,the ECWSS has much lower computational complexity and cost with no significant detection performance degradation.     

一种改进的分组协作频谱感知方法

认知无线电是一种新兴的智能无线系统,它能够感知授权频段的使用情况,当授权用户不使用时接入通信,当授权用户出现时从该频段退避,以缓解日益紧张的频谱资源使用。文中主要研究的是一种改进的分组协作频谱感知方法。首先分别介绍了两种性能较好的频谱感知算法:双门限频谱检测方法与分组协作方法,并仿真实现。在此基础上提出的改进算法是在分组协作中使用双门限检测方法,最后通过仿真,证明文中提出的融合算法其性能优于只使用分组协作感知或双门限检测方法。