项目名称: 非重构框架下的认知MIMO频谱感知算法研究

项目编号: No.61301101

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 无线电电子学、电信技术

项目作者: 高玉龙

作者单位: 哈尔滨工业大学

项目金额: 24万元

中文摘要: MIMO和认知无线电的结合提高了系统容量和频谱利用率,但同时也增加了频谱感知的软硬件复杂度。简单地把单天线频谱感知方法直接应用到认知MIMO中,只能有限提高感知性能。因此,研究计算复杂度较低、性能较好的频谱感知算法具有重要的理论意义和实际应用价值。课题首先根据MIMO信号间和信号内相关性,扩展联合稀疏模型,提出测量矩阵优化方法,利用它们对多信号进行压缩采样得到压缩采样矩阵。然后,在非重构框架下利用非渐进随机矩阵理论直接对压缩采样矩阵进行分析,得到有无信号时压缩采样矩阵极端奇异值的不同特征,以此进行频谱感知。非重构框架下的频谱感知无需数据重构算法恢复采样数据,能降低计算复杂度,非渐进随机理论使频谱感知算法减少对主用户、信道和噪声等先验信息的依赖,克服噪声不确定性,提高算法在低信噪比下的感知性能。该研究课题能充分挖掘认知MIMO的潜在优势,为认知MIMO的应用提供具有实用价值的频谱感知算法。

中文关键词: 认知MIMO;频谱感知;联合稀疏;非重构;随机矩阵

英文摘要: The combination of MIMO and cognitive radio can improve system capacity and spectrum efficiency, but also increases hardware and software complexity of spectrum sensing. Direct application of single antenna spectrum sensing method to cognitive MIMO only finitley improve sensing performance. So, research on spectrum sensing algorithm with lower computational complexity and better performance has important theoretical significance and practical value. Firstly, according to the intra-signal and inter-signal correlation, we expand the joint sparsity model and propose the optimization method for measurement matrix, and then exploit them to compress and sample the multiple signals of MIMO system to obtain the compression sample matrix. And then, compression sample matrix is processed directly using non-asymptotic RTM under non-reconstruction frame to get the different character of extreme singular values for different receiving signals, spectrum sensing is performed based on them. The spectrum sensing algorithm under non-recontruction frame does not need data reconstruction algorithm to reconstruct sample data, which will decrease computational complication.Spectrum sensing algorithm using non-asymptotic RTM does not depend on some prior information, such as primary user, channel information and noise, and can overcom

英文关键词: cognitive MIMO;spectrum sensing;joint sparsity;non-reconstruction;random matrix

成为VIP会员查看完整内容
2

相关内容

【AAAI2022】不确定性感知的多视角表示学习
专知会员服务
45+阅读 · 2022年1月25日
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
面向大数据处理框架的JVM优化技术综述
专知会员服务
16+阅读 · 2021年11月27日
专知会员服务
7+阅读 · 2021年10月4日
专知会员服务
16+阅读 · 2021年7月31日
专知会员服务
17+阅读 · 2021年6月12日
专知会员服务
16+阅读 · 2021年2月17日
专知会员服务
45+阅读 · 2020年11月13日
大规模时间序列分析框架的研究与实现,计算机学报
专知会员服务
58+阅读 · 2020年7月13日
【SIGIR2020】用于冷启动推荐的内容感知神经哈希
专知会员服务
22+阅读 · 2020年6月2日
【WWW2022】图上的聚类感知的监督对比学习
Nest Hub 的增强型睡眠感知
TensorFlow
1+阅读 · 2021年12月21日
IJCAI 2021 | 不确定性感知小样本图像分类模型,实现SOTA性能
微软研究院AI头条
0+阅读 · 2021年8月19日
【学界】DeepMind论文:深度压缩感知,新框架提升GAN性能
GAN生成式对抗网络
14+阅读 · 2019年5月23日
深度学习在自动驾驶感知领域的应用
AI100
11+阅读 · 2019年3月6日
网络安全态势感知
计算机与网络安全
25+阅读 · 2018年10月14日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
深度学习时代的目标检测算法
炼数成金订阅号
39+阅读 · 2018年3月19日
干货 | 目标识别算法的进展
计算机视觉战队
17+阅读 · 2017年6月29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 · 2012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
6+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
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
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月17日
Challenges for Open-domain Targeted Sentiment Analysis
Multi-Domain Multi-Task Rehearsal for Lifelong Learning
Arxiv
12+阅读 · 2020年12月14日
小贴士
相关VIP内容
【AAAI2022】不确定性感知的多视角表示学习
专知会员服务
45+阅读 · 2022年1月25日
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
面向大数据处理框架的JVM优化技术综述
专知会员服务
16+阅读 · 2021年11月27日
专知会员服务
7+阅读 · 2021年10月4日
专知会员服务
16+阅读 · 2021年7月31日
专知会员服务
17+阅读 · 2021年6月12日
专知会员服务
16+阅读 · 2021年2月17日
专知会员服务
45+阅读 · 2020年11月13日
大规模时间序列分析框架的研究与实现,计算机学报
专知会员服务
58+阅读 · 2020年7月13日
【SIGIR2020】用于冷启动推荐的内容感知神经哈希
专知会员服务
22+阅读 · 2020年6月2日
相关资讯
【WWW2022】图上的聚类感知的监督对比学习
Nest Hub 的增强型睡眠感知
TensorFlow
1+阅读 · 2021年12月21日
IJCAI 2021 | 不确定性感知小样本图像分类模型,实现SOTA性能
微软研究院AI头条
0+阅读 · 2021年8月19日
【学界】DeepMind论文:深度压缩感知,新框架提升GAN性能
GAN生成式对抗网络
14+阅读 · 2019年5月23日
深度学习在自动驾驶感知领域的应用
AI100
11+阅读 · 2019年3月6日
网络安全态势感知
计算机与网络安全
25+阅读 · 2018年10月14日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
深度学习时代的目标检测算法
炼数成金订阅号
39+阅读 · 2018年3月19日
干货 | 目标识别算法的进展
计算机视觉战队
17+阅读 · 2017年6月29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 · 2012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
6+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
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
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员