基于改进循环平稳特征的分布式频谱感知
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 概述 | 第11页 |
| 1.2 研究背景与研究意义 | 第11-18页 |
| 1.2.1 研究背景与研究现状 | 第11-16页 |
| 1.2.2 研究目的与意义 | 第16-18页 |
| 1.3 主要研究内容及论文结构 | 第18-19页 |
| 第二章 认知无线电网络中的频谱感知技术 | 第19-29页 |
| 2.1 频谱感知的数学模型 | 第19-20页 |
| 2.2 单节点频谱感知算法 | 第20-22页 |
| 2.2.1 基于发射机的信号检测算法 | 第20-22页 |
| 2.2.2 基于接收机的信号检测算法 | 第22页 |
| 2.3 协作感知算法 | 第22-23页 |
| 2.4 频谱感知与机器学习算法 | 第23-27页 |
| 2.4.1 频谱感知中的机器学习建模 | 第23页 |
| 2.4.2 监督学习中的统计学习三要素 | 第23-25页 |
| 2.4.3 SVM最大间隔算法 | 第25-26页 |
| 2.4.4 神经元模型与层级连接 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 基于信号与噪声相关性的改进循环平稳检测 | 第29-53页 |
| 3.1 传统循环平稳检测算法 | 第29-34页 |
| 3.1.1 传统循环平稳检测模型 | 第29-31页 |
| 3.1.2 算法流程及工程实现 | 第31-33页 |
| 3.1.3 传统循环平稳检测的优化思路 | 第33-34页 |
| 3.2 基于信号与噪声相关性的改进特征 | 第34-40页 |
| 3.2.1 改进循环平稳检测的数学模型 | 第34-35页 |
| 3.2.2 检测模型的判决统计量推导 | 第35-38页 |
| 3.2.3 检测模型中的特征增强处理 | 第38-40页 |
| 3.3 理论性能分析及工程实现 | 第40-45页 |
| 3.3.1 理论性能与复杂度分析 | 第40-43页 |
| 3.3.2 检测模型的工程实现步骤 | 第43-45页 |
| 3.4 基于机器学习的判决检测 | 第45-49页 |
| 3.4.1 机器学习分类建模及算法流程 | 第45-48页 |
| 3.4.2 机器学习算法训练过程的参数更新 | 第48-49页 |
| 3.5 仿真实验结果 | 第49-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第四章 基于局部网络平均去噪的分布式频谱感知 | 第53-69页 |
| 4.1 传统协作频谱感知算法 | 第53-57页 |
| 4.1.1 协作频谱感知算法 | 第53-55页 |
| 4.1.2 传统分布式协作频谱感知算法 | 第55-57页 |
| 4.2 局部网络特征增强算法 | 第57-61页 |
| 4.2.1 多幅图像平均去噪算法 | 第57-58页 |
| 4.2.2 基于多幅图像平均去噪的特征增强 | 第58-61页 |
| 4.3 基于改进循环平稳特征的分布式频谱感知 | 第61-64页 |
| 4.3.1 改进分布式频谱感知的数学模型 | 第61-62页 |
| 4.3.2 算法流程与复杂度分析 | 第62-64页 |
| 4.4 ROC曲线映射与仿真结果 | 第64-68页 |
| 4.4.1 ROC曲线与检测指标的映射 | 第64-65页 |
| 4.4.2 仿真结果 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 论文总结 | 第69-70页 |
| 5.2 工作展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者在读期间的研究成果 | 第77页 |
