认知无线电网络中基于噪声功率估计的能量检测性能

来源 :电子与信息学报 | 被引量 : 26次 | 上传用户:VANDY115
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
该文分析了利用噪声功率估计值进行能量检测时判决门限的计算问题,推导出检测性能的Q函数表达式。为达到期望的检测性能,判决门限不能直接由噪声功率估计值替换已知的噪声功率得到,必须进行修正。文中给出了修正判决门限的闭合表达式,极大地简化了检测性能分析和判决门限计算。仿真结果表明,在估计样点数为20时,对比原判决门限,基于修正判决门限的误警概率减少了15%,有效地提高了认知无线电网络的吞吐量。
其他文献
基于核方法的支持向量机(SVM)以其良好的推广性在图像分类等领域已经得到广泛应用,运用支持向量机的关键是设计有效的核函数。为克服传统核函数较少融合先验知识的弱点,该文提出基于数据驱动的核函数构建方法;并结合词包(BOW)模型,设计了一种基于TF-IDF规则的加权二次卡方(Weighted Quadritic Chisquared,WQC)距离的直方图核函数;在计算直方图之间距离时充分考虑到不同量化
该文针对支持向量机(SVM)及其变种的不足,提出一种基于熵理论和核密度估计的最大间隔学习机MLMEK。MLMEK引入了核密度估计和熵的概念,用核密度估计表征样本数据的分布特征,用熵表征分类的不确定性。MLMEK真实反映样本数据的分布特征;同时解决两类分类问题和单类分类问题;比传统SVM具有更好的分类性能。UCI数据集上的实验验证了MLMEK的有效性。