基于分数低阶理论和深度学习的频谱感知算法的研究与实现开题报告

1. 研究目的与意义（文献综述包含参考文献）

长期以来，频谱分配采用静态分配策略来保证无线通信业务的质量，但随着5g商用时代的到来以及无线通信业务的飞速发展，有限的频谱资源变得日益稀缺，而静态分配方式造成了频谱资源的严重浪费，如何找到有效的频谱资源并将其利用从而提高人们的工作效率和生活品质成为一项巨大的挑战。

在此背景下，认知无线电（cr）的概念在1999年被joseph mitola博士提出[1]，其核心思想是cr具有学习能力，能与周围环境交互信息，以感知和利用在该空间的可用频谱，并限制和降低冲突的发生。

认知无线电主要包含三大技术：频谱感知，自适应频谱分配和功率控制。

2. 研究的基本内容、问题解决措施及方案

2.1 基于flos的频谱感知数据集的预处理和特征提取初始化一个神经网络的模型，与传统的模型驱动频谱感知方法不同，需要大量的观测数据以及数据的特征。

虽然alpha分布不具有二阶统计量，但是，可对采样数据进行预处理转换，让数据重新具有二阶统计量。

本课题采用分数低阶矩对观测数据进行预处理，获得分数低阶矩协方差矩阵。