基于隐马尔可夫模型的频谱预测和感知方法研究

发布时间：2017-04-14 15:20

  本文关键词：基于隐马尔可夫模型的频谱预测和感知方法研究，由笔耕文化传播整理发布。

【摘要】：随着通信技术的不断发展,认知无线电成为该领域研究的热门方向之一。其主要思想是让无线电掌握学习的能力,学会与周围环境交互信息,自适应的感知和利用频谱“空洞”,并且要限制次用户对主用户的干扰。其中,频谱感知是整个系统的关键所在。高性能的频谱感知方法要求能够避免次用户和主用户的碰撞机率,提高通信质量。同时,为了使次用户能够充分利用空闲频谱进行通信则需要在较短时间内快速检测到频谱“空洞”。准确而又快速的频谱感知能避免次用户对主用户的干扰,并能提高整个系统的吞吐量。如何实现准确快速的频谱感知是本文研究的主题。为了实现准确快速的频谱感知,可以采用先预测后感知的方法。次用户通过学习频谱感知的历史数据,对下一时刻各信道状态进行预测,然后根据预测结果对可能出现频谱“空洞”的信道优先进行频谱感知。本文首先给出了一种基于离散隐马尔可夫模型的自适应联合频谱预测方法。该方法是次用户根据频谱感知历史信息得到主用户信道状态训练集,用前M个时刻信道的状态组成的矩阵作为待测矩阵与训练集匹配,根据匹配的相似度对下一时刻的信道状态进行预测。仿真结果表明,利用本方法进行的频谱预测具有较高的准确性。为了克服了离散隐马尔可夫模型在处理连续信号矢量量化过程中产生的信息失真问题,并充分利用频谱感知的历史数据,来进一步实现准确快速的频谱感知,本文将连续隐马尔可夫模型应用于频谱感知方法进行研究。研究表明,在信道占用和空闲状态下采样得到的能量值满足不同的高斯分布,故可采用连续隐马尔可夫模型通过模式识别方法进行频谱感知,根据识别的结果判定当前信道是占用还是空闲。仿真结果表明,利用该方法的频谱感知具有较高的准确性。
【关键词】：认知无线电 频谱预测 频谱感知 离散隐马尔可夫模型 连续隐马尔可夫模型
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN925
【目录】：

• 摘要4-5
• abstract5-9
• 第一章 绪论9-18
• 1.1 论文的研究背景及意义9-10
• 1.2 认知无线电及其关键技术10-13
• 1.3 认知无线电研究现状13-15
• 1.3.1 频谱预测研究现状13-14
• 1.3.2 频谱感知研究现状14-15
• 1.4 论文的主要内容及组织结构15-18
• 第二章 认知无线电频谱预测与频谱感知方法18-30
• 2.1 认知无线电频谱预测技术18-24
• 2.1.1 基于回归分析的频谱预测18-19
• 2.1.2 基于神经网络的频谱预测19-20
• 2.1.3 基于马尔可夫链的频谱预测20-24
• 2.2 认知无线电频谱感知方法24-29
• 2.2.1 频谱感知概述24-25
• 2.2.2 本地频谱感知25-27
• 2.2.3 多用户协作频谱感知27-29
• 2.3 本章小结29-30
• 第三章 基于离散隐马尔可夫模型的频谱预测30-44
• 3.1 离散隐马尔可夫模型基本理论30-36
• 3.1.1 定义及模型30-32
• 3.1.2 典型问题32
• 3.1.3 基本算法32-35
• 3.1.4 应用场景35-36
• 3.2 基于HMM的本地频谱预测36-38
• 3.2.1 系统模型36
• 3.2.2 本地频谱预测流程36-38
• 3.3 基于HMM的自适应频谱预测38-43
• 3.3.1 系统模型38-39
• 3.3.2 基于准确度的自适应分组融合算法39-41
• 3.3.3 仿真结果与分析41-43
• 3.4 本章小结43-44
• 第四章 基于连续隐马尔可夫模型的频谱感知44-58
• 4.1 连续隐马尔可夫模型基本理论44-50
• 4.1.1 CHMM参数表示44-45
• 4.1.2 CHMM训练算法存在的问题45-47
• 4.1.3 CHMM算法的改进47-49
• 4.1.4 CHMM和DHMM的对比分析49-50
• 4.2 基于CHMM的多用户协作频谱感知框架50-55
• 4.2.1 系统模型50-51
• 4.2.2 能量向量分布51-53
• 4.2.3 基于CHMM的多用户协作频谱感知算法53-55
• 4.3 仿真结果与分析55-57
• 4.4 本章小结57-58
• 第五章 总结与展望58-60
• 5.1 全文总结58-59
• 5.2 展望59-60
• 参考文献60-63
• 附录1 攻读硕士学位期间撰写的论文63-64
• 致谢64

【相似文献】

中国期刊全文数据库 前10条

1 史笑兴,王太君,何振亚;二阶隐马尔可夫模型的学习算法及其与一阶隐马尔可夫模型的关系[J];应用科学学报;2001年01期

2 胡迎松,朱阿柯,陈刚,陈中新;一种基于二维隐马尔可夫模型的图像分类算法[J];计算机应用;2005年04期

3 张慧丽;;基于混合二阶隐马尔可夫模型的基因结构预测[J];电脑知识与技术(学术交流);2007年14期

4 俞琰;;基于隐马尔可夫模型的招聘网络信息抽取[J];北京电子科技学院学报;2008年04期

5 方浩;许鸿文;蔡益宇;;一种基于语义关系改进的隐马尔可夫模型研究[J];通信技术;2008年05期

6 李玉擰;;二维隐马尔可夫模型的几个等价定义[J];北京工业大学学报;2008年06期

7 俞琰;;基于隐马尔可夫模型的招聘网络信息抽取[J];自动化技术与应用;2008年10期

8 侯昭武;;隐马尔可夫模型的拓朴应用[J];河南师范大学学报(自然科学版);2009年06期

9 刘辉;杨俊安;许学忠;;一种改进的隐马尔可夫模型训练方法及其在声目标识别中的应用[J];电路与系统学报;2011年01期

10 黄岗;;马尔可夫及隐马尔可夫模型的应用[J];电子设计工程;2013年17期

中国重要会议论文全文数据库 前10条

1 史笑兴;王太君;何振亚;;论二阶隐马尔可夫模型与一阶隐马尔可夫模型的关系[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

2 马勇;金峗;顾明亮;赵力;;基于隐马尔可夫模型的汉语方言辨识[A];2009’中国西部地区声学学术交流会论文集[C];2009年

3 吴志强;陈珂;迟惠生;;基于隐马尔可夫模型的有限词汇集内与文本无关的说话人辨认的研究[A];第四届全国人机语音通讯学术会议论文集[C];1996年

4 徐毅琼;李弼程;王波;;隐马尔可夫模型在人脸检测与识别中的应用[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年

5 吴成东;柴佩琪;;基于分类的隐马尔可夫模型的声母识别[A];第一届全国语言识别学术报告与展示会论文集[C];1990年

6 徐东风;周萍;景新幸;;改进隐马尔可夫模型的非线性分段技术应用[A];中国声学学会2007年青年学术会议论文集（下）[C];2007年

7 邢颖;南敬昌;;基于隐马尔可夫模型的人脸检测与识别系统[A];2009年中国智能自动化会议论文集（第三分册）[C];2009年

8 秦勇;莫福源;李昌立;关定华;;基于隐马尔可夫模型的汉语二字词音调模式识别[A];第三届全国人机语音通讯学术会议论文集[C];1994年

9 杨文强;邓明华;钱敏平;;隐马尔可夫模型与剪切位点识别[A];中国运筹学会第六届学术交流会论文集（下卷）[C];2000年

10 马晓川;刘冬;赵荣椿;;孤立短语隐马尔可夫模型自动建模软件的实现[A];第四届全国人机语音通讯学术会议论文集[C];1996年

中国博士学位论文全文数据库 前3条

1 李杰;隐马尔可夫模型的研究及其在图像识别中的应用[D];清华大学;2004年

2 夏丽莎;基于隐马尔可夫模型的故障诊断及相关算法研究[D];华中科技大学;2014年

3 刘韬;基于隐马尔可夫模型与信息融合的设备故障诊断与性能退化评估研究[D];上海交通大学;2014年

中国硕士学位论文全文数据库 前10条

1 吴瑞琪;面向农牧民歌旋律的自动伴奏技术研究[D];河南师范大学;2015年

2 张凯;基于隐马尔可夫模型的频谱预测和感知方法研究[D];南京邮电大学;2015年

3 王宇宁;隐马尔可夫模型在信息抽取中的应用研究[D];大连理工大学;2007年

4 杨战;基于隐马尔可夫模型的自动和弦识别[D];哈尔滨工业大学;2010年

5 王国刚;n阶隐马尔可夫模型的参数估计[D];南京邮电大学;2011年

6 郑小飞;基于隐马尔可夫模型的验证码识别方法研究[D];哈尔滨工程大学;2013年

7 刘高文;基于隐马尔可夫模型的视觉行为分析和异常检测研究[D];南京理工大学;2008年

8 陈倩;基于隐马尔可夫模型脉象信号分类[D];哈尔滨工业大学;2010年

9 赵玉明;基于隐马尔可夫模型的网络入侵检测系统研究[D];广东工业大学;2005年

10 杨夏颖;基于特征选择和隐马尔可夫模型的人脸识别[D];西安电子科技大学;2013年

  本文关键词：基于隐马尔可夫模型的频谱预测和感知方法研究，由笔耕文化传播整理发布。

，

本文编号：306288