Multiband joint detection with correlated spectral occupancy in wideband cognitive radios
Notice bibliographique
Résumé
Recently, a wideband spectrum sensing scheme referred to as multiband joint detection has been proposed by Quan et al., in which a set of frequency dependent detection thresholds are optimized to achieve the best trade-off between aggregate measures of opportunistic throughput and interference to primary users in cognitive radio (CR) networks. While this scheme shows significant performance gains over benchmark approaches, it employs a frequency-decoupled detector structure that is not optimal in the presence of correlation between subband occupancies, a common situation in CR applications. In this paper, we investigate how a frequency-coupled optimum linear energy combiner (OLEC) structure, recently proposed for single user scenarios, can be integrated into the above multiband joint detection framework to take further advantage of subband occupancy correlation in wideband spectrum sensing. We first analyze the performance of the single-user OLEC and derive expressions for its probabilities of false alarm and missed detection. Using these expressions, we then formulate joint optimization problems for the detection thresholds used by a bank of subband OLECs, with the aim to maximize the aggregate opportunistic throughput under interference constraints. Through numerical experiments with a Markov model of subband occupancy, we show that the use of the OLEC in wideband spectrum sensing can significantly enhance CR performance in terms of these global metrics, when compared to the decoupled multiband processing structure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».