频谱感知3:合作频谱检测中的硬合并与软合并
文章目录
- 1、硬合并
- 2、软合并
1、硬合并
我们先来考虑硬判决的情况。假定我们一共有KKK个次用户,第kkk个次用户采用能量检测器得到本地判决
LDk={0:H01:H1,(1.1)\tag{1.1} {\rm LD}_k=\left\{\begin{aligned} 0:&\quad H_0\\ 1:&\quad H_1, \end{aligned}\right. LDk={0:1:H0H1,(1.1)并将其发往融合中心(FC)。FC采用m-out-of-K的方式进行投票,可以得到全局判决为
GD={1;∑k=1KLDk≥m0;∑k=1KLDk<m.(1.2)\tag{1.2} {\rm GD}=\left\{\begin{aligned} 1;&\quad \sum_{k=1}^{K}{\rm LD}_k\ge m\\ 0;&\quad \sum_{k=1}^{K}{\rm LD}_k< m. \end{aligned}\right. GD=⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧1;0;k=1∑KLDk≥mk=1∑KLDk<m.(1.2)因此,FC处的检测概率和虚检概率分别为
Qd=∑k=mK(Kk)Pd,kk(1−Pd,k)K−k(1.3)\tag{1.3} {\rm Q_d}=\sum_{k=m}^{K}\binom{K}{k}{\rm P}^k_{{\rm d},k}(1-{\rm P}_{{\rm d},k})^{K-k} Qd=k=m∑K(kK)Pd,kk(1−Pd,k)K−k(1.3)以及
Qf=∑k=mK(Kk)Pf,kk(1−Pf,k)K−k,(1.4)\tag{1.4} {\rm Q_f}=\sum_{k=m}^{K}\binom{K}{k}{\rm P}^k_{{\rm f},k}(1-{\rm P}_{{\rm f},k})^{K-k}, Qf=k=m∑K(kK)Pf,kk(1−Pf,k)K−k,(1.4)其中
Pd,k=Q[η−E(rk∣H1)Var(rk∣H1)](1.5)\tag{1.5} {\rm P}_{{\rm d},k}=Q\left[\frac{\eta-{\rm E}(r_k|H_1)}{\sqrt{{\rm Var}(r_k|H_1)}} \right] Pd,k=Q[Var(rk∣H1)η−E(rk∣H1)](1.5)为第kkk个用户的检测概率,
Pf,k=Q[η−E(rk∣H0)Var(rk∣H0)](1.6)\tag{1.6} {\rm P}_{{\rm f},k}=Q\left[\frac{\eta-{\rm E}(r_k|H_0)}{\sqrt{{\rm Var}(r_k|H_0)}} \right] Pf,k=Q[Var(rk∣H0)η−E(rk∣H0)](1.6)为第kkk个用户的虚检概率,rkr_krk为第kkk个用户的检测变量,且rkr_krk分布如下:
rk∼N(Nσk2,2Nσk4):H0rk∼N((N+μk)σk2,2(N+2μk)σk4):H1(1.7)\tag{1.7}\begin{aligned} r_k\sim {\mathcal N}(N\sigma_k^2,2N\sigma_k^4): & \quad H_0\\ r_k\sim {\mathcal N}\left((N+\mu_k)\sigma_k^2,2(N+2\mu_k)\sigma_k^4\right):&\quad H_1 \end{aligned}rk∼N(Nσk2,2Nσk4):rk∼N((N+μk)σk2,2(N+2μk)σk4):H0H1(1.7)其中μk=2αk2EsN0\mu_k=\frac{2\alpha_k^2 E_{s}}{N_0}μk=N02αk2Es,α\alphaα为瑞利分布。
在Rayleigh衰落信道条件下的硬判决检测性能如图1所示,这里假定所有用户的衰落与噪声都是独立同分布的。此时γ=12\gamma=12γ=12dB,K=10K=10K=10,m=6m=6m=6。图2给出为固定单用户虚检概率Pf=0.01P_f=0.01Pf=0.01情况下,对于不同节点数KKK,当mmm在1~KKK之间变化时,显然QfQ_fQf减少,漏检概率QmQ_mQm增大。
图1 瑞利衰落信道条件下检测性能曲线
图2 不同节点数情况下硬合并性能曲线,单用户虚检概率为0.01
2、软合并
这里我们考虑软合并。融合节点处,收到来自所有KKK个节点的检测变量rkr_krk,k=1,2,…,Kk=1,2,\ldots,Kk=1,2,…,K,可以表示为
[u1u2⋮uK]=[r1r2⋮rK]+[n1n2⋮nK](2.1)\tag{2.1} \begin{bmatrix} u_1\\ u_2\\ \vdots \\ u_K \end{bmatrix}= \begin{bmatrix} r_1\\ r_2\\ \vdots\\ r_K \end{bmatrix}+\begin{bmatrix} n_1\\ n_2\\ \vdots\\ n_K \end{bmatrix} ⎣⎢⎢⎢⎡u1u2⋮uK⎦⎥⎥⎥⎤=⎣⎢⎢⎢⎡r1r2⋮rK⎦⎥⎥⎥⎤+⎣⎢⎢⎢⎡n1n2⋮nK⎦⎥⎥⎥⎤(2.1)即u=r+n\bf u=r+nu=r+n。这里nkn_knk为从kkk用户到融合节点的信道噪声且nk∼N(0,δk2)n_k\sim{\mathcal N}(0,\delta_k^2)nk∼N(0,δk2)。进一步对这些变量进行加权合并,可以得到FC处的检测变量为
y=∑k=1Kwkuk=∑k=1Kwk(rk+nk)=wTu,(2.2)\tag{2.2} y=\sum_{k=1}^{K}{w_ku_k}=\sum_{k=1}^{K}w_k(r_k+n_k)={\bf w}^{\rm T}{\bf u}, y=k=1∑Kwkuk=k=1∑Kwk(rk+nk)=wTu,(2.2)其中,w≜[w1,w2,…,wK]T{\bf w}\triangleq[w_1,w_2,\ldots,w_K]^{\rm T}w≜[w1,w2,…,wK]T为权重系数,wk≥0w_k\ge 0wk≥0;rkr_krk分布如(1.7)。
由于yyy是本地检测结果的线性组合,显然我们同样可以假定其为正态分布。下面来求它的均值和方差。
- yyy的均值
E[y]=∑k=1KwkE[uk]=∑k=1Kwk(E[rk]+E[nk])(2.3)\tag{2.3} \begin{aligned} {\rm E}[y]&=\sum_{k=1}^{K}{w_k{\rm E}[u_k]}=\sum_{k=1}^{K}w_k({\rm E}[r_k]+{\rm E}[n_k]) \end{aligned} E[y]=k=1∑KwkE[uk]=k=1∑Kwk(E[rk]+E[nk])(2.3)
首先考虑H0H_0H0,可以得到
my0=E[y∣H0]=∑k=1Kwkσk2=NσTw(2.4)\tag{2.4} m_{y0}={\rm E}[y|H_0]=\sum_{k=1}^{K}w_k\sigma^2_k=N{\bm \sigma}^{\rm T}{\bf w}my0=E[y∣H0]=k=1∑Kwkσk2=NσTw(2.4)其中,σ=[σ12,σ22,…,σK2]T{\bm \sigma}=[\sigma_1^2,\sigma_2^2,\ldots,\sigma_K^2]^{\rm T}σ=[σ12,σ22,…,σK2]T。对于H1H_1H1则有
E[y∣H1]=∑k=1Kwk(N+μk)σk2,(2.5)\tag{2.5} {\rm E}[y|H_1]=\sum_{k=1}^{K}w_k(N+\mu_k)\sigma_k^2, E[y∣H1]=k=1∑Kwk(N+μk)σk2,(2.5)由于μk=2αk2EsN0=αk2Esσk2\mu_k=\frac{2\alpha_k^2E_s}{N_0}=\frac{\alpha_k^2E_s}{\sigma_k^2}μk=N02αk2Es=σk2αk2Es,(2.5)可以重写成
my1=E[y∣H1]=∑k=1Kwk(Nσk2+αk2Es)=(Nσ+αEs)Tw,(2.6)\tag{2.6} m_{y1}={\rm E}[y|H_1]=\sum_{k=1}^{K}w_k(N\sigma_k^2+\alpha^2_kE_s)=(N{\bm \sigma}+{\bm \alpha}E_s)^{\rm T}{\bf w}, my1=E[y∣H1]=k=1∑Kwk(Nσk2+αk2Es)=(Nσ+αEs)Tw,(2.6)其中α=[α12,α22,…,αK2]T{\bm \alpha}=[\alpha_1^2,\alpha_2^2,\ldots,\alpha_K^2]^{\rm T}α=[α12,α22,…,αK2]T。
- yyy的方差
下面来看yyy的方差,有
Var[y]=E(y−my)2=wTE[(u−mu)(u−mu)T]w=∑k=1K(Var[rk]+Var[nk])wk2,(2.7)\tag{2.7} \begin{aligned} {\rm Var}[y]&={\rm E}(y-m_y)^2\\ &={\bf w}^{\rm T}{\rm E}[({\bf u}-{\bf m}_u)({\bf u}-{\bf m}_u)^{\rm T}]{\bf w}\\ &=\sum_{k=1}^{K}\left({\rm Var}[r_k]+{\rm Var}[n_k]\right)w_k^2, \end{aligned} Var[y]=E(y−my)2=wTE[(u−mu)(u−mu)T]w=k=1∑K(Var[rk]+Var[nk])wk2,(2.7)对于不同假设可以分别得到方差为Var(y∣H0)=∑k=1K(2Nσk4+δk2)wk2=wTΣH0w(2.8)\tag{2.8}\begin{aligned} {\rm Var}(y|H_0)&=\sum_{k=1}^{K}(2N\sigma_k^4+\delta_k^2)w_k^2\\ &={\bf w}^{\rm T}{\bm \Sigma}_{H_0}{\bf w} \end{aligned} Var(y∣H0)=k=1∑K(2Nσk4+δk2)wk2=wTΣH0w(2.8)以及
Var(y∣H1)=∑k=1K(2Nσk4+4μkσk4+δk2)wk2=∑k=1K(2Nσk4+4αk2σk2+δk2)wk2=wTΣH1w,(2.9)\tag{2.9} \begin{aligned} {\rm Var}(y|H_1)&=\sum_{k=1}^{K}(2N\sigma_k^4+4\mu_k\sigma_k^4+\delta_k^2)w_k^2\\ &=\sum_{k=1}^{K}(2N\sigma_k^4+4\alpha^2_k\sigma_k^2+\delta_k^2)w_k^2\\ &={\bf w}^{\rm T}{\bm \Sigma}_{H_1}{\bf w}, \end{aligned} Var(y∣H1)=k=1∑K(2Nσk4+4μkσk4+δk2)wk2=k=1∑K(2Nσk4+4αk2σk2+δk2)wk2=wTΣH1w,(2.9)其中ΣH0=2Ndiag2(σ)+diag(δ){\bm \Sigma}_{H_0}=2N{\rm diag}^2({\bm \sigma})+{\rm diag}({\bm \delta})ΣH0=2Ndiag2(σ)+diag(δ),ΣH1=2Ndiag2(σ)+diag(δ)+4Esdiag(α)diag(σ){\bm \Sigma}_{H_1}=2N{\rm diag}^2({\bm \sigma})+{\rm diag}({\bm \delta})+4E_s{\rm diag}({\bm \alpha}){\rm diag}({\bm \sigma})ΣH1=2Ndiag2(σ)+diag(δ)+4Esdiag(α)diag(σ)。由此,我们可以得到yyy的分布为
H0:y∼N(NσTw,wTΣH0w)H1:y∼N([Nσ+αEs]Tw,wTΣH1w).(2.10)\tag{2.10}\begin{aligned} &H_0:y\sim {\mathcal N}(N{\bm \sigma}^{\rm T}{\bf w},{\bf w}^{\rm T}{\bm \Sigma}_{H_0}{\bf w})\\ &H_1: y\sim {\mathcal N}\left([N{\bm \sigma}+{\bm \alpha}E_s]^{\rm T}{\bf w},{\bf w}^{\rm T}{\bm \Sigma}_{H_1}{\bf w}\right). \end{aligned}H0:y∼N(NσTw,wTΣH0w)H1:y∼N([Nσ+αEs]Tw,wTΣH1w).(2.10)
因此,若FC处的判决门限为ηFC\eta_{\rm FC}ηFC,我们可以得到软合并时的检测概率为
Qd,sc=Q[ηFC−E(y∣H1)Var(y∣H1)],(2.11)\tag{2.11} {\rm Q}_{{\rm d,sc}}=Q\left[\frac{\eta_{\rm FC}-{\rm E}(y|H_1)}{\sqrt{{\rm Var}(y|H_1)}} \right], Qd,sc=Q[Var(y∣H1)ηFC−E(y∣H1)],(2.11)虚检概率为
Qf,sc=Q[ηFC−E(y∣H0)Var(y∣H0)].(1.6)\tag{1.6} {\rm Q}_{{\rm f,sc}}=Q\left[\frac{\eta_{\rm FC}-{\rm E}(y|H_0)}{\sqrt{{\rm Var}(y|H_0)}} \right]. Qf,sc=Q[Var(y∣H0)ηFC−E(y∣H0)].(1.6)
下面我们来比较软硬合并性能,假定合并后的虚检概率Pf=0.1P_f=0.1Pf=0.1,可以得到漏检率如图3所示。显然软合并性能更好。
图3 不同合并方式、用户数情况下漏检概率与信噪比关系
频谱感知3:合作频谱检测中的硬合并与软合并相关推荐
- 音视频处理中的硬压缩与软压缩
视音频的压缩是视音频处理中的核心部分,压缩通常分两种途径来实现,1.嵌入式CPU进行软压缩,2. 采用硬件芯片进行硬压缩. 软压缩的图像采集通过图像采集芯片完成.即以若干个图像采集芯片为核心,配合周边 ...
- JAVA ulimit,java-从linux中的jvm中查找硬打开和软打开文件限制(ulimit -n和ulimit -Hn)
我有一个问题,我需要从Java / groovy程序中找出Linux中进程的硬打开和软打开文件限制.当我从终端执行ulimit时,它将为硬打开文件限制和软打开文件限制提供单独的值. $ulimit - ...
- 编译选项中的硬浮点与软浮点区别
一.硬浮点与软浮点 1. 硬浮点 编译器将代码直接编译成硬件浮点协处理器(浮点运算单元FPU)能识别的指令,这些指令在执行的时候ARM核直接把它转给协处理器执行.FPU 通常有一套额外的寄存器来完成浮 ...
- 视频中的硬字幕、软字幕和外挂字幕,怎么分别?
随着短视频的发展,视频字幕也越来越重要,今天就分析一下字幕的类型. 1.外挂字幕 外挂字幕是一个外部的字幕文件,格式类型一般有srt.vtt.ass等. 播放视频时,把外挂字幕和视频放在同一目录下,并 ...
- 【机器学习算法专题(蓄力计划)】十八、机器学习中SVM算法中的硬间隔和软间隔
文章目录 感知机 感知机代码实现 支持向量机(硬间隔) 原优化问题的对偶问题 SMO求解对偶问题最优解 软间隔支持向量机 KKT条件 w ∗ , b ∗ w^*,b^*
- LTE系统调试记录14:频谱感知模块——UE发送感知结果到BS进行处理
此过程分为4步: 1.各UE发送代表频谱感知值的序列到BS: 2.BS获取代表频谱感知值的序列,然后和本地ZC序列做相关得出频谱感知值: 3.BS汇总各UE结果,决策出最佳值,通过下发RAR的过程将最 ...
- LTE系统调试记录14:频谱感知模块——UE/BS端采用多窗谱算法测量频谱
MATLAB中对多窗谱算法仿真 产生DPSS序列,然后分别对接收信号进行加窗,最后取平均得到多窗谱估计值,算法如下: clc; clear all; close all;%对信号采样数据为2048点的 ...
- 物体可见性信息在3D检测中的探索CVPR2020(oral)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 前言 本文是一篇来自Carnegie Mellon大学和Argo AI的合作工作,目前已经被CVPR2 ...
- 【频谱分配】基于频谱空洞预留算法的频谱分配算法的matlab仿真
1.软件版本 MATLAB2013a 2.本算法理论知识 基于概率切换和最小化概率切换的频谱切换算法,由于过多的考虑了资源的合理利用,使得次用户的不切换概率并大于等于的情况,从而导致对应的次用户的服务 ...
- 探地雷达技术在道路检测中的应用
在我国,高速公路的发展速度随着经济建设水平的快速提升而较为迅速,评价公路后期维护的路况质量以及检测新建公路质量的工作量也日益攀升.公路建设越来越快,对检测手段的要求也越来越高,显然以往的技术已经无法满 ...
最新文章
- android6 运行,Xbox串流开放测试,只需安卓6即可运行
- cnn stride and padding_CNN中的stride、kernel、padding计算
- 不疯狂的外星人,已疯狂的资本
- 分享人生第一个游戏源代码
- 手写自己的MyBatis框架-这个框架需要解决什么问题?
- python 股票自动交易从零开始_Python股票自动交易从零开始
- uni app map 地图 漂浮问题及方案
- 天联高级版客户端_天高客户端登录出现“如未打开程序,请点击查看链接提示”...
- ip动态分配痕迹会保留多久_段王爷《新国潮七剑》为你解剖新国潮还能潮多久?...
- Oracle密码过期ORA-28001
- FreeMarker标签使用
- 监控IIS的运行状态
- extjs4 视频教程
- redhat7 配置静态ip
- 菜鸟Spring Cloud入门教程
- ubuntu服务器系统分区大小,服务器Ubuntu系统分区教程
- C/C++编程笔记:浪漫流星雨表白程序,七夕想表白,我教你啊!
- Mac能连接手机热点却无法上网问题解决
- 人人互动直播之Swoole通讯服务重启教程
- vim利剑 之插件管理 pathogen
热门文章
- CentOS 7安装Mysql并设置开机自启动
- openstack安装配置(一)
- redis缓存Hash操作的在主数据中的应用
- 2009年11月14日上海讲座-Linux触摸屏驱动PPT
- 学习动态性能表3----v$session_wait
- 计算机硬盘 u盘和光盘属于,磁盘U盘光盘的区别
- 两台服务器安装redis集群_高性能分布式存储服务Minio安装配置入门
- php内置函数什么语言,语言构造和PHP中的“内置”函数有什么区别?
- java中查询redis中hash结构的值_阿里面试官:HashMap 熟悉吧?来聊聊 Redis 吧
- python 自动执行 apdl_在高效的mann中从Python运行ANSYS Mechanical APDL