用深度信念网络启用的频谱传感技术为认知无线电网络进行群优化建模
Saraswathi M1, Logashanmugam E1
1Department of Electronics and Communication Engineering, Sathyabama Institute of Science and Technology, Chennai, Tamil Nadu, India.
PloS one
|August 8, 2024
概括
这项研究介绍了一种用于认知无线电网络 (CRN) 的新型光谱传感技术,使用深度信念网络和群算法. 新方法显著提高了在动态无线电环境中的频谱传感精度和效率.
科学领域:
- 无线通信无线通信
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 认知无线电网络 (CRN) 对高效的频谱利用至关重要.
- 传统的频谱传感技术面临的挑战是信号与噪声比率 (SNR) 低,信号样本有限.
- 现有的模型很难适应动态的无线电环境,影响性能.
研究的目的:
- 为认知无线电网络 (SST-CRN) 提出一种新的光谱传感技术.
- 解决CRN中传统能量检测模型的局限性.
- 通过先进的机器学习来提高频谱传感精度和效率.
主要方法:
- 深度信念网络 (DBN) 用于光谱特征提取和模式识别.
- 群算法 (CSA) 用于建立传感的非线性值.
- SST-CRN技术分为两个阶段运行:线下培训和在线适应.
主要成果:
- 拟议的支持DBN的SST-CRN在-24dBSNR下实现了0.810的更高的检测概率 (Pd).
- 这超过了现有的方法,该方法记录了较低的Pds (0.577和0.736).
- 该技术证明了改善的频谱占用率评估和弹性.
结论:
- DBN和CSA协同作用的框架显著提高了CRN频谱的效率,减少了干扰.
- 深度学习,特别是卷积神经网络,可以自动适应复杂的无线电环境.
- 与传统的频谱传感方法相比,拟议的SST-CRN提供了更高的准确性和灵活性.
更多相关视频
09:09Radio Frequency Identification and Motion-sensitive Video Efficiently Automate Recording of Unrewarded Choice Behavior by Bumblebees
Published on: November 15, 2014
10.9K
08:13SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware
Published on: December 25, 2017
8.1K
