典型文献
基于长短记忆神经网络的频谱感知研究
文献摘要：
频谱感知(Spectrum Sensing,SS)可以使次级用户(Secondary User,SU)在不干扰主用户(Primary User,PU)通信的情况下接入信道,是提高频谱资源利用率的一项非常关键的技术.传统的SS算法通常通过建模得到检验统计量,其检测性能依赖于建模的准确性,没有充分利用历史感知时隙的信息,而且性能受噪声功率不确定度(Noise Power Uncertainty,NU)影响而极大衰落.本文提出了一种数据驱动的基于深度学习(Deep Learning,DL)的SS算法,该算法利用当前和历史的传感数据源来学习固有的PU动态状态,我们使用当前时隙信号的模平方与前若干个时隙信号的模平方组成的矩阵作为神经网络的输入,使得监测状态更有利.另外,为了充分利用历史信息,本文采用了长短记忆神经网络(Long and short memory neural network,LSTM)作为我们的分类器,可避免长期依赖和主动学习能力.大量的仿真实验表明,本文提出的算法模型比传统的SS算法具有更优异的性能.
文献关键词：
频谱感知;深度学习;长短记忆神经网络
中图分类号：
作者姓名：
汤贝
作者机构：
宁波大学信息科学与工程学院 浙江宁波 315211
文献出处：
引用格式：
[1]汤贝-.基于长短记忆神经网络的频谱感知研究)[J].数据通信,2022(03):15-18
A类：
历史感知时隙
B类：
长短记忆神经网络,频谱感知,感知研究,Spectrum,Sensing,SS,次级,级用户,Secondary,User,SU,主用户,Primary,PU,下接,信道,频谱资源利用率,常关,检验统计量,检测性能,噪声功率,不确定度,Noise,Power,Uncertainty,NU,衰落,Deep,Learning,DL,法利,传感数据,数据源,若干个,历史信息,Long,short,memory,neural,network,分类器,主动学习能力,算法模型
AB值：
0.434321
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
