MétaCan
Menu
Retour à la cohorte
Enregistrement W2524812397 · doi:10.1109/tsp.2016.2614487

Sequential Likelihood Ratio Test for Cognitive Radios

2016· article· en· W2524812397 sur OpenAlexafffund
Julien Renard, Lutz Lampe, François Horlin

Notice bibliographique

RevueIEEE Transactions on Signal Processing · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueCognitive Radio Networks and Spectrum Sensing
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDetectorCognitive radioRobustness (evolution)Covariance matrixLikelihood-ratio testDetection theoryComputer scienceAlgorithmGaussianCovarianceGaussian noiseSignal-to-noise ratio (imaging)Speech recognitionStatisticsMathematicsTelecommunicationsWirelessPhysics

Résumé

récupéré en direct d'OpenAlex

This paper presents a sequential likelihood ratio test (SLRT) detector for spectrum sensing scenarios in cognitive radios (CRs). Similar to other CR detectors, we exploit the structure of the sample covariance matrix of the received signal to achieve detection with minimal information regarding the signal. Unlike the majority of covariance-based CR detectors, the SLRT is a sequential detector that allows for smaller detection delays, which is a prized asset in CR systems. Using methods borrowed from the theory of continuous-time diffusion processes, we derive the statistical properties of the SLRT detector and compare it with an eigenvalue-based sequential detector, which has been presented in previous work for CR systems. The comparison also includes detection scenarios with non-Gaussian noise to illustrate the robustness of the proposed detector in these situations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil0,706

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,259
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Signal ProcessingMême sujetCognitive Radio Networks and Spectrum SensingTravaux en français237 207