1. 毕业设计（论文）的内容和要求
本设计是从深度学习出发，将深度学习理论应用到频谱感知过程中，提出了基于CNN的频谱感知算法。
卷积神经网络是一种性能优越的分类器，其卷积运算，可以使原信号特征增强，降低干扰，拥有更好的抗噪性能，可以提高认知无线电系统的智能性和鲁棒性，从而提高频谱检测的性能。
本设计的思想是提取信号的能量等特征，经过预处理，以便CNN模型更好地拟合信号特征，构造出特征矩阵，并以此作为CNN模型的输入，经过训练，CNN模型存储了输入样本的特征值，最终通过训练好的CNN模型对授权用户信号进行感知。
2. 参考文献
[1] 韩冬. 基于深度学习的频谱感知方法研究[D].长春理工大学,2018[2] 鲁华超,赵知劲,尚俊娜,戴绍港.利用卷积神经网络和协方差的协作频谱感知算法[J].信号处理,2019,35(10):1700-1707[3] C. Liu, H. Li, J. Wang, and M. Jin, Optimal eigenvalue weighting detection for multi-antenna cognitive radio networks, IEEE Trans. Wireless Commun., vol. 16, no. 4, pp. 20832096, Apr. 2017[4] L. Zhang, Y.-C. Liang, and M. Xiao, Spectrum sharing for internet of things: a survey, IEEE Wireless Commun., 2018, DOI: 10.1109/MWC.2018.1800259[5] J. Lunden, V. Koivunen, and H. V. Poor, Spectrum exploration and exploitation for cognitive radio: Recent advances, IEEE Signal Process. Mag., vol. 32, no. 3, pp. 123140, Apr. 2015[6] 张孟伯,王伦文,冯彦卿.基于卷积神经网络的OFDM频谱感知方法[J].系统工程与电子技术,2019,41(01):178-186[7] A. Ali and W. Hamouda, Advances on spectrum sensing for cognitive radio networks: Theory and applications, IEEE Commun. Surveys Tuts., vol. 19, no. 2, pp. 12771304, 2nd Quart. 2017[8] 聂建园,包建荣,姜斌,刘超,朱芳,何剑海.基于采样协方差矩阵的混合核SVM高效频谱感知[J].电信科学,2019,35(11):19-26[9]赵文静,李贺,金明录.基于特征值的频谱感知融合算法[J].通信学报,2019,40(11):57-64[10] R. andra and A.Sahai,SNR walls for signal detection,IEEE J. Sel.Topics Signal Proc.,vol.2,no.1,pp.417, Feb.2008
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
