文献

J-GLOBAL ID：201802258173817836   整理番号：18A0520479

スパースBayes学習に基づく高分解能広帯域スペクトルセンシング【Powered by NICT】

High-resolution wideband spectrum sensing based on sparse Bayesian learning

著者 (4件)： Cheng Peng (School of Electrical and Information Engineering, The University of Sydney, Australia) ,  Li Yonghui (School of Electrical and Information Engineering, The University of Sydney, Australia) ,  Chen Zhuo (CSIRO DATA61, Australia) ,  Vucetic Branka (School of Electrical and Information Engineering, The University of Sydney, Australia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： PIMRC  ページ： 1-5  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： は大きな帯域幅を横切る多重活性スペクトルサブバンド(チャネル)を必要とするので,コグニティブ無線のための広帯域スペクトルセンシングは非常に挑戦的である。高速Nyquistサンプリングを実施における技術的に実行不可能あるいは非常に高価である。本論文では,Bayes機械学習における最近の開発を,新しい高分解能広帯域スペクトルセンシング法,サブNyquist支援マトリックススパースBayes学習(M SBL)」を提案した。multicosetサンプリングを使用サンプリング速度を大幅に低減した。学習と潜在変数,顕著なピークは多重活性スペクトルサブバンドを位置決めすることができるを再構成反復的に受けたスペクトルデータからのBayes推論を行うことMSBL法を開発した。シミュレーション結果は,提案した方法が検出精度の従来のもの,特に低信号対雑音比あるいは少数剰余類をよりかなり優れていることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： Bayes推定 ,  多重化 ,  チャネル ,  *高分解能 ,  機械学習 ,  再構成 ,  SN比 ,  剰余類 ,  *広帯域
準シソーラス用語： 検出精度 ,  スペクトルデータ ,  サンプリング速度 ,  コグニティブ無線 ,  *スペクトル検出 ,  *Bayes学習 , 【Automatic Indexing@JST】

分類 (2件)： 無線通信一般  (ND08010L) ,  信号理論  (ND02020G)

タイトルに関連する用語 (4件)： Bayes学習 ,  高分解能 ,  広帯域 ,  スペクトルセンシング