一个混合组合和自动编码方案,用于提高认知无线电网络的传感可靠性

科学领域:

• 无线通信无线通信
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 在认知无线电网络 (CRN) 中的合作频谱传感 (CSS) 在可靠性和稳定性方面面临挑战.
• 错误检测用户 (FSU) 和变化的通道条件降低了传统CSS方案的性能.

研究的目的:

• 为提高CSS性能提出一个新的混合组合分类器与Denoising自编码器 (ECDAE) 框架.
• 提高频谱传感的准确性和稳定性,防止错误传感攻击和道不确定性.

主要方法:

• 集成分类器 (EC) 根据检测概率,错误报警率和通道条件动态优化传感时间.
• 在软核聚变之前,Denoising自编码器 (DAE) 预处理软组合能量,以减轻FSU的影响.
• 在不同的信号噪声比 (SNR) 和错误检测场景下,ECDAE框架与各种传统和先进的方法进行了评估.

主要成果:

• 欧洲共同体组件的表现优于其他分类器,如RFC,NN,DT,KNN,GNB,RUSBoost和XGBoost,获得高F1评分 (99.23%),准确性 (99.78%) 和MCC (99.6%).
• 根据ECDAE框架,错误概率显著降低:与IGS/HGS相比降低了99.4%,与IGS/HGS相比降低了98.1%,与PSO/DE-ML/CNN相比降低了92.7%-97.2%.
• 该框架在四种不同的错误检测场景 (NFS,YFS,OFS,YNFS) 中保持了稳定性,确保了最小的全球决策错误概率.

结论:

• 拟议的ECDAE框架为CRN中的CSS提供了卓越的可靠性和稳定性.
• 优化的传感时间和基于DAE的降噪有效地提高了聚变中心的传感性能.
• 与现有方法相比,ECDAE提供了显著的进步,特别是在具有挑战性的SNR和错误传感条件下.