公开(公告)号：CN112003662B

公开(公告)日：2023-04-18

申请号：CN202010594289.X

申请日：2020-06-24

申请人： 常州工学院

发明人： 崔翠梅 ,  杨德智 ,  杨倪子 ,  殷昌永

IPC分类号： H04B17/382 ,  G06F18/23 ,  G06F18/214

摘要： 本发明提供一种认知网络中的基于降维和聚类的协作频谱感知方法、装置，认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用PCA算法将多维特征矩阵转换为低维特征矩阵，根据K‑means++算法，并将低维特征矩阵作为分类器的输入训练分类器，以对频谱进行感知。该方法采用将PCA算法与K‑Means++算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练分类器，可以大大节省训练时间，降低计算复杂度。

公开(公告)号：CN112165364A

公开(公告)日：2021-01-01

申请号：CN202010799418.9

申请日：2020-08-11

申请人： 常州工学院

发明人： 崔翠梅 ,  殷昌永 ,  杨德智 ,  裴彤

IPC分类号： H04B17/318 ,  H04B17/336 ,  H04B17/382

摘要： 本发明提供一种窄带频谱感知系统的增强频谱感知方法，所述方法包括以下步骤：授权用户在待测信道发送信号；认知用户感知接收信号，并进行FFT、平方器处理，以获取频谱的能量中心值Z，再利用CA‑CFAR算法对频谱进行处理，以获取信号的能量检测门限值T，最后，根据中心值Z与门限值T进行频谱感知判决。本发明将CA‑CFAR算法融入到频谱感知的能量检测方法中，一方面解决了能量检测过程中对噪声功率的先验估计这一难题，另一方面解决了噪声不确定性对多信道感知性能的影响，在动态时变的复杂异构网络环境中，认知用户可以自适应调节各待测信道的能量检测门限值，以提高频谱感知准确度，减少感知时间。

公开(公告)号：CN117856943A

公开(公告)日：2024-04-09

申请号：CN202310231109.5

申请日：2023-03-13

申请人： 常州工学院

发明人： 崔翠梅 ,  殷昌永 ,  于海平 ,  李纪平 ,  成宝芝 ,  费永帅 ,  杨程晖

IPC分类号： H04B17/382

摘要： 本发明提供基于认知无线电的电磁频谱探测装置及其方法，装置包括无线模块，所述无线模块用于检测并选择空闲的信道发送数据，并接收发送的数据进行判断后发送信号上传至单片机；单片机，所述单片机获取信号并进行数据传输后建立通信；显示屏，用于显示地址数据接收以及信号；以及电源稳压模块，用于对电源电压进行稳压后对无线模块进行供电。该基于认知无线电的电磁频谱探测装置及其方法可以实现可靠且有效的频谱分配与共享技术，能做到使认知网络高效的接入到不忙碌的频谱中且又能使主用户在通讯时不受其任何扰乱。

公开(公告)号：CN112003662A

公开(公告)日：2020-11-27

申请号：CN202010594289.X

申请日：2020-06-24

申请人： 常州工学院

发明人： 崔翠梅 ,  杨德智 ,  杨倪子 ,  殷昌永

IPC分类号： H04B17/382 ,  G06K9/62

摘要： 本发明提供一种认知网络中的基于降维和聚类的协作频谱感知方法、装置，认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用PCA算法将多维特征矩阵转换为低维特征矩阵，根据K-means++算法，并将低维特征矩阵作为分类器的输入训练分类器，以对频谱进行感知。该方法采用将PCA算法与K-Means++算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练分类器，可以大大节省训练时间，降低计算复杂度。

公开(公告)号：CN111756460A

公开(公告)日：2020-10-09

申请号：CN202010582060.4

申请日：2020-06-23

申请人： 常州工学院

发明人： 崔翠梅 ,  杨德智 ,  杨倪子 ,  殷昌永

IPC分类号： H04B17/382 ,  H04B17/391 ,  G06K9/62

摘要： 本发明提供一种认知网络中基于无监督学习的协作频谱感知方法、装置，认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用主成分分析算法将多维特征矩阵转换为低维特征矩阵，采用低维特征矩阵和高斯混合模型算法训练聚类器，以对频谱进行感知。该方法采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。