An EM Approach for Cooperative Spectrum Sensing in Multiantenna CR Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, a cooperative wideband spectrum sensing scheme based on the expectation-maximization (EM) algorithm is proposed for the detection of a primary user (PU) system in multiantenna cognitive radio (CR) networks. Given noisy signal observations from N secondary users (SUs) over multiple subbands at a fusion center (FC), prior works on cooperative spectrum sensing often use the set of received subband energy as decision statistics over the sensing interval. However, to achieve satisfactory performance, knowledge of the channel state information (CSI) and the noise variances at all the SUs is required by these algorithms. To overcome this limitation, our proposed method, which is referred to as joint detection and estimation (JDE), adopts the EM algorithm to jointly detect the PU signal and estimate the unknown channel frequency responses and noise variances over multiple subbands in an iterative manner. Various aspects of this proposed EM-JDE scheme are investigated, including a reliable initialization strategy to ensure convergence under practical conditions and a distributed implementation to reduce communication overhead. Under the assumption of perfect estimation for the channel frequency responses and noise variances, we further show that the proposed EM-JDE converges to the maximum-likelihood (ML) solution, which serves as an upper bound on its performance. Monte Carlo simulations over Rayleigh fading channels show that the proposed scheme significantly improves the performance of spectrum detection by exploiting the diversity of the spatially distributed SUs with multiple antennas.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle