復(fù)雜低信噪比場景下的認知網(wǎng)絡(luò)頻譜感知技術(shù)

第1章 緒論
1.1 研究背景及意義
1.2 認知網(wǎng)絡(luò)的發(fā)展現(xiàn)狀
1.2.1 美國聯(lián)邦通信委員會(FCC)
1.2.2 IEEE工作組
1.2.3 美國國防部先進研究項目局(DARPA)
1.2.4 歐盟框架計劃FP6和FP7
1.2.5 Nautilus項目
1.3 頻譜感知的發(fā)展現(xiàn)狀
1.3.1 存在問題
1.3.2 解決方法和技術(shù)
1.4 本書的主要工作及內(nèi)容安排
第2章 認知網(wǎng)絡(luò)頻譜感知技術(shù)基礎(chǔ)
2.1 認知網(wǎng)絡(luò)技術(shù)
2.1.1 認知網(wǎng)絡(luò)的概念及特點
2.1.2 認知網(wǎng)絡(luò)架構(gòu)
2.1.3 認知網(wǎng)絡(luò)關(guān)鍵技術(shù)
2.2 頻譜感知關(guān)鍵技術(shù)
2.2.1 本地頻譜檢測算法
2.2.2 主用戶接收端檢測
2.2.3 協(xié)作頻譜感知
2.2.4 基于機器學習的頻譜感知算法
2.2.5 主用戶信號類型識別算法
2.3 本章小結(jié)
第3章 低信噪比環(huán)境下基于循環(huán)譜的頻譜感知算法
3.1 引言
3.2 循環(huán)譜分析
3.3 隨機森林
3.4 系統(tǒng)模型
3.5 基于循環(huán)譜分析與隨機森林的頻譜感知算法
3.5.1 循環(huán)譜特征參數(shù)提取
3.5.2 隨機森林的構(gòu)建
3.5.3 算法描述與實現(xiàn)
3.5.4 仿真實驗與結(jié)果分析
3.6 基于循環(huán)譜分析與隨機森林的主用戶信號類型識別算法
3.6.1 算法描述與實現(xiàn)
3.6.2 仿真實驗與結(jié)果分析
3.7 本章小結(jié)
第4章 復(fù)雜低信噪比環(huán)境下基于主成分分析的頻譜感知算法
4.1 引言
4.2 主成分分析
4.3 系統(tǒng)描述
4.4 基于主成分分析與隨機森林的頻譜感知算法
4.4.1 算法描述與實現(xiàn)
4.4.2 仿真實驗與結(jié)果分析
4.5 基于主成分分析與隨機森林的主用戶信號類型識別算法
4.6 本章小結(jié)
第5章 復(fù)雜低信噪比環(huán)境下基于流形學習的頻譜感知算法
5.1 引言
5.2 流形學習
5.3 系統(tǒng)描述
5.4 基于局部線性嵌人與隨機森林的頻譜感知算法
5.4.1 算法描述與實現(xiàn)
5.4.2 仿真實驗與結(jié)果分析
5.5 基于局部線性嵌入與隨機森林的主用戶信號類型識別算法
5.5.1 算法描述與實現(xiàn)
5.5.2 仿真實驗與結(jié)果分析
5.6 本章小結(jié)
5.6.1 基于局部線性嵌入與隨機森林算法的檢測率
5.6.2 基于局部線性嵌入與隨機森林算法的虛警率
5.6.3 LLE-RF算法檢測率與不同的樣本鄰近點個數(shù)間的關(guān)系
5.6.4 LLE-RF算法檢測率與各輸出低維嵌入向量維數(shù)間的關(guān)系
第6章 結(jié)論
參考文獻