基于XGBoost与协方差特征的频谱感知算法
发布时间:2024-04-23 01:40
近年来随着盲检测算法的提出,越来越多基于采样协方差矩阵的盲检测算法开始应用于频谱感知。针对基于信号协方差矩阵的频谱感知算法门限无法准确获得,以及特征信息单一等问题,提出基于XGBoost与协方差特征的频谱感知算法。首先提取接收信号采样协方差矩阵统计量作为XGBoost的训练特征向量,并生成训练样本和测试样本,然后对XGBoost进行训练得到频谱感知分类器,最后利用分类器进行频谱感知。仿真结果表明,该算法比支持向量机算法、随机森林算法及传统最大最小特征算法的检测概率更高,在信噪比为-14dB时,该算法检测概率达到0.98,且训练时间与测试时间少于对比算法,具有良好的性能。
【文章页数】:6 页
【部分图文】:
本文编号:3962433
【文章页数】:6 页
【部分图文】:
图1基于XGBoost的频谱感知模型
本文频谱感知方法处理过程如图1所示。算法流程如下:
图2模型在测试数据上AUC值比较
将数据分为3组进行实验对比,第1组训练数据量为11000,每个信噪比数据为1000;第2组训练数据量为22000,每个信噪比数据为2000;第3组训练数据量为33000,每个信噪比数据为3000;测试数据量均为11000,每个信噪比数据为1000。分别用以上3组训....
图3不同认知用户数对模型AUC值影响
图5、图6反映的是当认知用户M为5时,不同采样点数对XGBoost模型性能的影响,由图5、图6得出采样点数越多,检测性能越好。1.0图4不同认知用户数对模型检测概率影响
图4不同认知用户数对模型检测概率影响
图3不同认知用户数对模型AUC值影响图5不同采样点数对模型AUC值影响
本文编号:3962433
本文链接:https://www.wllwen.com/kejilunwen/wltx/3962433.html