Graph Learning-Based Cooperative Spectrum Sensing in Cognitive Radio Networks
Graph Learning-Based Cooperative Spectrum Sensing in Cognitive Radio Networks
复制标题
认知无线电网络中基于图学习的协作频谱感知
DOI：
10.1109/lwc.2022.3219413
复制
发表时间：
2023-01
影响因子：
6.3
通讯作者：
Juan Liu
中科院分区：
文献类型：
--
作者：
Tao Jiang;Ming Jin;Qinghua Guo;Ye Tian;Juan Liu
在协作频谱感知中，多个次用户的接收信号强度被合并以提高感知性能。在现有的CSS方案中，RSS级别通常被假设为相同的数量级，然而，由于例如，在某些情况下会产生阴影，导致性能下降。为了解决这个问题，在这封信中，我们首先揭示了期望的RSS矩阵从SU具有低秩的属性。然后，利用这个属性，我们提出了一个图学习方法来选择相同顺序的RSS水平的SU。具体而言，图的边缘的概率矩阵被用来表示SU的相关性，和图学习问题制定学习的概率矩阵，这是进一步解决使用交替方向乘法器（ADMM）。然后收集具有高相关性的SU用于实现CSS。此外，虚警和检测概率的建议检测器进行了分析。数值结果表明，所提出的检测器相比，国家的最先进的检测器的优越性。
In cooperative spectrum sensing (CSS), received signal strengths (RSSs) of multiple secondary users (SUs) are combined to improve sensing performance. In existing CSS schemes, RSS levels are often assumed in the same order of magnitude, which, however, is not the case due to, e.g., shadowing in some scenarios, leading to performance degradation. To address this issue, in this letter, we first reveal that the expectation of a RSS matrix from SUs has the property of low rank. Then, using this property, we propose a graph learning method to select SUs of the same order of RSS levels. Specifically, a probability matrix of graph edges is used to represent the correlations of SUs, and a graph learning problem is formulated for learning the probability matrix, which is further solved by using alternating direction method of multipliers (ADMM). Then SUs with high correlations are collected for implementing CSS. Moreover, false-alarm and detection probabilities of the proposed detector are analyzed. Numerical results demonstrate the superiority of the proposed detector compared to state-of-the-art detectors.
登录
查看更多内容
DOI：
10.23919/ropaces.2017.7916282
发表时间：
2017-03
期刊：
2017 International Applied Computational Electromagnetics Society Symposium - Italy (ACES)
影响因子：
--
作者：
R. Hoppe;G. Wölfle;U. Jakobus
通讯作者：
R. Hoppe;G. Wölfle;U. Jakobus
DOI：
10.1109/ojcoms.2020.3012906
发表时间：
2020-01-01
影响因子：
7.9
作者：
Gharib, Anastassia;Ejaz, Waleed;Ibnkahla, Mohamed
通讯作者：
Ibnkahla, Mohamed
影响因子：
10.4
作者：
Qi-hui Wu;Guoru Ding;Jinlong Wang;Yu-dong Yao
通讯作者：
Qi-hui Wu;Guoru Ding;Jinlong Wang;Yu-dong Yao
从噪声数据中进行鲁棒图学习
影响因子：
11.8
作者：
Kang, Zhao;Pan, Haiqi;Xu, Zenglin
通讯作者：
Xu, Zenglin
频谱异构认知无线传感器网络中频谱感知感知节点选择性融合方案
影响因子：
4.3
作者：
Zhi Zhang;Xianbin Wen;Haixia Xu;Liming Yuan
通讯作者：
Liming Yuan