Collaborative spectrum sensing improves the spectrum state estimation的简体中文翻译

Collaborative spectrum sensing impr

Collaborative spectrum sensing improves the spectrum state estimation accuracy but is vulnerable to the potentialattacks from malicious secondary cognitive radio (CR) users,and thus raises security concerns. One promising malicioususer detection method is to identify their abnormal statisticalspectrum sensing behaviors. From this angle, two hidden Markovmodels (HMMs) corresponding to honest and malicious usersrespectively are adopted in this paper to characterize theirdifferent sensing behaviors, and malicious user detection isachieved via detecting the difference in the corresponding HMMparameters. To obtain the HMM estimates, an effective inferencealgorithm that can simultaneously estimate two HMMs withoutrequiring separated training sequences is also developed. Byusing these estimates, high malicious user detection accuracycan be achieved at the fusion center, leading to more robust andreliable collaborative spectrum sensing performance (substantially enlarged operational regions) in the presence of malicioususers, as compared to the baseline approaches. Different fusionmethods are also discussed and compared.
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
协作频谱感知提高了频谱状态估计的准确性,但容易受到<br>恶意二级认知无线电(CR)用户的潜在攻击,<br>从而引起安全问题。一种有前途的恶意<br>用户检测方法是识别其异常的统计<br>频谱感知行为。从这个角度出发,本文采用分别<br>对应于诚实用户和恶意用户的两个隐马尔可夫模型(HMM)<br>来刻画其<br>不同的感知行为,<br>通过检测对应的HMM<br>参数的差异来实现恶意用户检测。为了获得 HMM 估计,一个有效的推理<br><br>还开发了无需分离训练序列即可同时估计两个 HMM 的算法。通过<br>使用这些估计,与基线方法相比,<br>融合中心可以实现高恶意用户检测精度,从而在恶意用户存在的情况下实现更强大和<br>可靠的协作频谱感知性能(显着扩大的操作区域)<br>。<br>还讨论和比较了不同的融合方法。
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
协作频谱感知提高了spec  trum状态估计精度,但易受潜在影响<br>来自恶意次要认知无线电(CR)用户的攻击,<br>从而引发了安全问题。一个有希望的人<br>用户检测的方法是识别其异常统计信息<br>频谱感知行为。从这个角度看,两个隐马尔可夫链<br>诚实和恶意用户对应的模型(HMM)<br>本文分别采用两种方法对其进行了表征<br>不同的感知行为和恶意用户检测<br>通过检测相应HMM中的差异来实现<br>参数。为了得到HMM估计,一种有效的推理<br>可以同时估计两个HMM的算法<br>还开发了需要分离的训练序列。通过<br>使用这些估计,恶意用户检测的准确率很高<br>可以在融合中心实现,从而实现更强健和<br>在存在恶意干扰的情况下,可靠的协作频谱感知性能(基本上扩大了操作区域)<br>用户,与基线方法相比。不同融合<br>并对各种方法进行了讨论和比较。<br>
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
协作频谱感知提高了spectrum状态估计的准确性,但容易受到潜在风险的影响来自恶意次级认知无线电用户的攻击,从而引起安全问题。一个承诺的恶意用户检测方法是识别他们的异常统计频谱感知行为。从这个角度来说,两个隐马尔可夫诚实和恶意用户对应的模型本文分别采用了不同的感知行为和恶意用户检测是通过检测相应隐马尔可夫模型中的差异来实现参数。为了获得隐马尔可夫模型估计,一个有效的推断可以同时估计两个头盔显示器的算法还开发了要求分离的训练序列。经过使用这些估计,恶意用户检测的准确性很高可以在融合中心实现,带来更强大的存在恶意的情况下可靠的协作频谱感知性能(substantially扩大的操作区域)与基线方法相比。不同融合对各种方法进行了讨论和比较。
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: