復雜低信噪比場景下的認知網絡頻譜感知技術

第1章 緒論
1.1 研究背景及意義
1.2 認知網絡的發(fā)展現狀
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)展現狀
1.3.1 存在問題
1.3.2 解決方法和技術
1.4 本書的主要工作及內容安排
第2章 認知網絡頻譜感知技術基礎
2.1 認知網絡技術
2.1.1 認知網絡的概念及特點
2.1.2 認知網絡架構
2.1.3 認知網絡關鍵技術
2.2 頻譜感知關鍵技術
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
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)譜特征參數提取
3.5.2 隨機森林的構建
3.5.3 算法描述與實現
3.5.4 仿真實驗與結果分析
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
3.6.2 仿真實驗與結果分析
3.7 本章小結
第4章 復雜低信噪比環(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
4.4.2 仿真實驗與結果分析
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
第5章 復雜低信噪比環(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
5.4.2 仿真實驗與結果分析
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
5.5.2 仿真實驗與結果分析
5.6 本章小結
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間的關系
5.6.4 LLE-RF算法檢測率與各輸出低維嵌入向量維數間的關系
第6章 結論
參考文獻