项目名称: 自适应多分辨率宽带频谱压缩感知

项目编号: No.61271181

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 无线电电子学、电信技术

项目作者: 郭文彬

作者单位: 北京邮电大学

项目金额: 75万元

中文摘要: 宽带频谱压缩感知利用信号的稀疏特征,为低于Nyquist采样率恢复原始信号提供了一种可行的方法,这大大降低了宽带频谱的复杂度。认知无线电提出通过频谱感知和动态再用频谱的概念来提高无线频谱的效率,需要有效感知宽带无线频谱。然而实际宽带频谱通常由多个不同无线系统组成,其信号调制方式、带宽不同,要求频谱感知具有不同分辨率;同时认知用户的不同业务需求也要求频谱感知具有多分辨率。 本项目主要研究具有多分辨率能力的压缩感知架构与算法。考虑到实际应用中,无线信号的传输环境衰落、宽带频谱中授权无线系统用户动态占用与退出,造成感知的无线宽带频谱呈现时变、动态特征,其信号的支撑频率是随时间变化的,分析捕获信号前后稀疏支撑集变化特征,研究针对稀疏度变化的自适应压缩感知方法。研究成果可用于监测雷达系统、无线电监测、认知无线电等系统。

中文关键词: 压缩感知;自适应;高斯-马尔科夫模型;多分辨率;卡尔曼滤波

英文摘要: Compressed sensing is an efficient way to reduce the sampling rate below Nyquist sampling rate while still containing the whole signal's information presuming that the signal is sparse under certain basises. In order to better utilize the radio spectrum, cognitive radio is proposed to dynamically sense the wideband spectrum and agily reuse the licensed spectrum, which will greatly increase the efficiency of the radio spectrum. However, the wideband spectrum consists of many wireless communications with different signal modulations and bandwidth. Moreover, the fading environment may deteriorate the sensing signal and lead to sensing mistakes, that could probably interfere the licensed users greatly. Thus, an efficient wideband spectrum sensing method is necessary to consider the different bandwidh of signals and fading environments. In this proposal, we try to develop efficient multi-resolution based compressed sensing methods and algorithms for the wideband spectrum containing different bandwidth signals. Different resolution sensing can help the cognitive radio to allocate diffent bandwidth to different cognitive users according to their different QoS requirements. More practically, we consider the radio spectrum is dynamic itself that may caused by transmission environment, licensed user occupying and qui

英文关键词: compressed sensing;adaptive;gauss-Markov model;multiresolution;Kalman filtering

成为VIP会员查看完整内容
0

相关内容

压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。 compressive sensing(CS) 又称 compressived sensing ,compressived sample,大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。 与稀疏表示不同,压缩感知关注的是如何利用信号本身所具有的稀疏性,从部分观测样本中恢复原信号。
《终端友好6G技术》未来移动通信论坛
专知会员服务
14+阅读 · 2022年4月15日
《5G/6G毫米波测试技术白皮书》未来移动通信论坛
专知会员服务
16+阅读 · 2022年4月15日
专知会员服务
18+阅读 · 2021年10月1日
专知会员服务
12+阅读 · 2021年9月13日
专知会员服务
14+阅读 · 2021年3月26日
专知会员服务
29+阅读 · 2021年1月9日
深度学习模型终端环境自适应方法研究
专知会员服务
33+阅读 · 2020年11月13日
专知会员服务
45+阅读 · 2020年11月13日
vivo的2021:坚持,修正与突破
36氪
0+阅读 · 2022年2月11日
我的信号是由核辐射传输的,金属屏蔽都挡不住
机器之心
0+阅读 · 2021年11月24日
【经典书】信息论与统计: 教程,116页pdf
专知
1+阅读 · 2021年3月27日
深度学习技术在自动驾驶中的应用
智能交通技术
26+阅读 · 2019年10月27日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
深度学习之视频图像压缩
论智
13+阅读 · 2018年6月15日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
深度学习之图像超分辨重建技术
机器学习研究会
12+阅读 · 2018年3月24日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月18日
Synthesizing Informative Training Samples with GAN
Arxiv
0+阅读 · 2022年4月15日
Max-Margin Contrastive Learning
Arxiv
18+阅读 · 2021年12月21日
Arxiv
31+阅读 · 2021年3月29日
Arxiv
19+阅读 · 2018年3月28日
小贴士
相关VIP内容
《终端友好6G技术》未来移动通信论坛
专知会员服务
14+阅读 · 2022年4月15日
《5G/6G毫米波测试技术白皮书》未来移动通信论坛
专知会员服务
16+阅读 · 2022年4月15日
专知会员服务
18+阅读 · 2021年10月1日
专知会员服务
12+阅读 · 2021年9月13日
专知会员服务
14+阅读 · 2021年3月26日
专知会员服务
29+阅读 · 2021年1月9日
深度学习模型终端环境自适应方法研究
专知会员服务
33+阅读 · 2020年11月13日
专知会员服务
45+阅读 · 2020年11月13日
相关资讯
vivo的2021:坚持,修正与突破
36氪
0+阅读 · 2022年2月11日
我的信号是由核辐射传输的,金属屏蔽都挡不住
机器之心
0+阅读 · 2021年11月24日
【经典书】信息论与统计: 教程,116页pdf
专知
1+阅读 · 2021年3月27日
深度学习技术在自动驾驶中的应用
智能交通技术
26+阅读 · 2019年10月27日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
深度学习之视频图像压缩
论智
13+阅读 · 2018年6月15日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
深度学习之图像超分辨重建技术
机器学习研究会
12+阅读 · 2018年3月24日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员