CN103957537B - 基于信道聚类的频谱感知方法及装置 - Google Patents

基于信道聚类的频谱感知方法及装置 Download PDF

Info

Publication number
CN103957537B
CN103957537B CN201410116936.0A CN201410116936A CN103957537B CN 103957537 B CN103957537 B CN 103957537B CN 201410116936 A CN201410116936 A CN 201410116936A CN 103957537 B CN103957537 B CN 103957537B
Authority
CN
China
Prior art keywords
channel
class
seizure condition
history
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410116936.0A
Other languages
English (en)
Other versions
CN103957537A (zh
Inventor
冯志勇
张轶凡
田玉成
高明菲
晏潇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201410116936.0A priority Critical patent/CN103957537B/zh
Publication of CN103957537A publication Critical patent/CN103957537A/zh
Application granted granted Critical
Publication of CN103957537B publication Critical patent/CN103957537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于信道聚类的频谱感知方法及装置，包括：根据历史检测数据对各个信道的历史占用状态进行统计；根据所述各个信道的历史占用状态分别计算任意两个信道间的相关系数；根据所述相关系数利用信道聚类算法将信道进行聚类，生成预定数目个类；在每个类中分别选出一个检测信道，检测所述检测信道的占用状态；根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内估计；根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计；两个估计结果通过最小熵汇聚法来统一。本发明可以大量减少需检测的信道的数目，从而为频谱感知过程节省大量的时间和能量。

Description

基于信道聚类的频谱感知方法及装置
技术领域
本发明涉及频谱感知技术领域，尤其涉及一种基于信道聚类的频谱感知方法及装置。
背景技术
随着无线电通信业务量的急速增长，频谱紧缺问题越来越严重。通过研究世界各国的频谱检测结果发现，授权频段的利用率普遍较低。然而固定的频谱分配政策使得低利用率的授权频段在空闲时无法被非授权用户使用，造成极大的资源浪费。认知无线电技术的出现为这一类问题的解决提供了很好的途径与方案。
在认知无线电中，次级用户可以在不干扰授权用户通信的情况下动态地接入授权频段，从而提高信道的利用率。为了不影响授权用户的通信，次级用户在接入信道之前要先进行频谱感知来确定信道是否被占用，次级用户只有在信道空闲时才可以接入。所以，频谱感知技术是实现认知无线电技术的关键。信道检测是频谱感知技术的常用方式。传统信道检测采取对信道逐个检测的方式，在时间和能量上的开销都非常大。在信道数目庞大，多个次级用户存在的情况下，这种开销尤其明显。解决这个问题的一个有效的方案就是频谱预测。频谱预测模型是根据各个信道占用的历史情况来预测下一时刻各个信道的占用状态。现有方案中在进行信道空闲状态预测时，都仅仅只是从各个独立的信道角度出发，分别针对每个信道的历史占用情况，进行建模和预测。却忽略了在同一业务中信道之间客观存在的关联性这部分重要信息。
发明内容
（一）要解决的技术问题
本发明所要解决的技术问题是：现有技术中信道检测是对信道一一检测，直到发现可利用信道为止，导致在时间和能量上的开销非常大。基于信道预测的检测方案也仅仅只是从各个独立的信道角度出发，分别针对每个信道的历史占用情况进行建模和预测，预测精度有待提高。
（二）技术方案
为此目的，本发明提出了一种基于信道聚类的频谱感知方法，包括以下步骤：
S1：根据历史检测数据对各个信道的历史占用状态进行统计；
S2：根据所述各个信道的历史占用状态分别计算任意两个信道间的相关系数；
S3：根据所述相关系数利用信道聚类算法将信道进行聚类，生成预定数目个类；
S4：在每个类中分别选出一个检测信道，检测所述检测信道的占用状态；
S5：根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内估计；
S6：根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计；
S7：将所述类内估计和自估计得到的结果进行汇聚，得到类中除所述检测信道之外的其余信道的状态估计。
优选地，在步骤S1之前，所述方法还包括：按预定的时间周期对信道进行检测，将获取的检测数据作为历史检测数据进行保存。
优选地，所述步骤S2具体包括：
获取所述各个信道的历史占用状态矢量；
根据所述各个信道的历史占用状态矢量分别计算任意两个信道间的相关系数ρij，
其中，ρij是信道i与信道j间的相关系数，表示第i个信道在第m个时隙下的状态，表示第j个信道在第m个时隙下的状态，M表示时隙的个数，⊙表示同或操作。
优选地，所述步骤S3具体包括：
设置进行信道聚类所得到的类的数目；
根据所述相关系数和所述类的数目利用最小熵增量算法进行信道聚类。
优选地，所述步骤S5具体为：
在每一类中，利用基于最大后验概率估计的类内估计算法对除所述检测信道之外的其余信道进行占用状态的类内估计。
优选地，所述步骤S6具体为：
利用马尔科夫模型根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计。
优选地，所述步骤S7具体为：
根据最小熵汇聚法对所述类内估计和自估计得到的结果进行统一，得到类中除所述检测信道之外的其余信道的状态估计。
此外，本发明还提供了一种基于信道聚类的频谱感知装置，包括：
历史状态统计模块，用于根据历史检测数据对各个信道的历史占用状态进行统计；
相关系数计算模块，用于根据所述各个信道的历史占用状态分别计算任意两个信道间的相关系数；
信道聚类模块，用于根据所述相关系数利用信道聚类算法将信道进行聚类，生成预定数目个类；
信道检测模块，用于在每个类中分别选出一个检测信道，检测所 述检测信道的占用状态；
类内估计模块，用于根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内估计；
自估计模块，用于根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计；
汇聚模块，用于将所述类内估计和自估计得到的结果进行汇聚，得到类中除所述检测信道之外的其余信道的状态估计。
优选地，所述装置还包括：
历史检测数据获取模块，用于按预定的时间周期对信道进行检测，将获取的检测数据作为历史检测数据进行保存。
优选地，所述相关系数计算模块包括：
获取单元，用于获取所述各个信道的历史占用状态矢量；
计算单元，用于根据所述各个信道的历史占用状态矢量分别计算任意两个信道间的相关系数ρij，
其中，ρij是信道i与信道j间的相关系数，表示第i个信道在第m个时隙下的状态，表示第j个信道在第m个时隙下的状态，M表示时隙的个数，⊙表示同或操作。
（三）有益效果
采用本发明公开的一种基于信道聚类的频谱感知方法及装置，挖掘同一业务下不同信道间占用情况的相关性将信道聚类，检测每一类中一个检测信道的占用状态来预测类中其他信道的状态，并通过历史占用状态信息来预测各个待预测信道的状态，将两个预测结果通过最小熵汇聚法来统一，大量减少需检测的信道的数目，从而为频谱感知 过程节省大量的时间和能量。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1是本发明一种基于信道聚类的频谱感知方法的流程图；
图2是本发明一种基于信道聚类的频谱感知装置的模块图。
具体实施方式
下面将结合附图对本发明的实施例进行详细描述。
本发明实施例提出了一种基于信道聚类的频谱感知方法，如图1所示，包括以下步骤：
S1：根据历史检测数据对各个信道的历史占用状态进行统计；
S2：根据所述各个信道的历史占用状态分别计算任意两个信道间的相关系数；具体包括：
获取所述各个信道的历史占用状态矢量；
根据所述各个信道的历史占用状态矢量分别计算任意两个信道间的相关系数ρij，
其中，ρij是信道i与信道j间的相关系数，表示第i个信道在第m个时隙下的状态，表示第j个信道在第m个时隙下的状态，M表示时隙的个数，⊙表示同或操作。
S3：根据所述相关系数利用信道聚类算法将信道进行聚类，生成预定数目个类；具体包括：
设置进行信道聚类所得到的类的数目；
根据所述相关系数和所述类的数目利用最小熵增量算法进行信道聚类。
S4：在每个类中分别选出一个检测信道，检测所述检测信道的占用状态；
S5：根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内估计；
S6：根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计；
S7：将所述类内估计和自估计得到的结果进行汇聚，得到类中除所述检测信道之外的其余信道的状态估计。
其中，在步骤S1之前，所述方法还包括：按预定的时间周期对信道进行检测，将获取的检测数据作为历史检测数据进行保存。
其中，所述步骤S5具体为：
在每一类中，利用基于最大后验概率估计的类内估计算法对除所述检测信道之外的其余信道进行占用状态的类内估计。
其中，所述步骤S6具体为：
利用马尔科夫模型根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计。
其中，所述步骤S7具体为：
根据最小熵汇聚法对所述类内估计和自估计得到的结果进行统一，得到类中除所述检测信道之外的其余信道的状态估计。
下面通过具体的实施例对本发明一种基于信道聚类的频谱感知方法进行说明。
信道聚类算法主要是通过同一业务内信道间占用状态的相关程度进行信道分组，即信道占用状态的相关程度大的分为一组。
在某一时隙中，信道的状态可以用“1”和“0”来标识，“1”表示信道占用，“0”表示信道空闲。表示信道状态矢量，其中表示第n个信道在第m个时隙下的状态，共有M个时隙。
计算两个信道占用状态的相关系数ρ，如公式（1）：
其中，ρij是信道i与信道j间的相关系数，表示第i个信道在第m个时隙下的状态，表示第j个信道在第m个时隙下的状态，M表示时隙的个数，⊙表示同或操作。信道占用状态的相关系数表示两个信道在某个时隙下状态相同的概率。
熵用来度量一个随机事件的不确定性，相关系数用来估计一些信道的状态。由于待估计信道的真实状态是未知的，因此上述方法存在一些不确定性。
公式（2）描述了一种信道状态估计的方法。
选择ci作为待检测信道，用来估计cj的状态，估计所带来的不确定性可以用公式（3）来表示：
gk={c1,c2,...,cJ}表示信道的某个类，如果ci是此类的检测信道，这个类的聚类熵可以由（4）得到：
为了最大化估计的准确性，选择使得CE(gk)最小化的gk，如（5）所示：
其中，dk表示检测信道，这个最小化的CE(gk)用MCE(gk)表示。此MCE(gk)表示了在类gk中，估计所带来的最小的不确定性。
类数越少，检测消耗越少，但估计的准确性也会随之降低。为了减少检测所消耗的能量，可以合并类，由合并类所增加的估计不确定性我们称为熵增量，如（6）所示：
IE(gnew)=MCE(gnew)-MCE(gi)-MCE(gj) （6）
其中，gnew表示由gi和gj合并的新类。
合并以后，需要检测的信道数就减少了一个，但是同时，整体的不确定性增加。为了尽可能的减少不确定性，我们要合并带来最小熵增量的两个类采用最小熵增量算法，如（7）所示：（7）
最小熵增量算法是迭代算法。在开始时，每个类只包含一个信道，熵为0。每次迭代后，类数减少一个，熵增加，如下所示：
计算各个信道间相关性
初始化G={c1,c2,...,cN},D={c1,c2,...,cN}和MCE={0,0,...,0}
While|G|>T
Do
在G中计算IE=MCE(gnew)-MCE(gi)-MCE(gj)；
选择符合的gi和gj合并为gnew；
G←G-gi-gj+gnew
D←D-di-dj+dnew
返回G，D。
其中，T是预先设定的类的数目，集合D包含了每个类的检测信道。最小熵增量算法可以得到最优化的结果。
信道聚类之后，需要通过检测一个分类内的一个代表信道即检测信道结合需要估计的其他信道的自身历史信息来准确的估计一个分类内所有信道的信道占用状态。
本发明实施例中，对类中除所述检测信道之外的其余信道的状态估计具体包括：根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内估计；根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计；根据最小熵汇聚法将所述类内估计和自估计得到的结果进行统一，得到类中除所述检测信道之外的其余信道的状态估计。
在根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内估计的方法中，每个类需要检测其检测信道，其他信道的状态可以用公式(8)，(9)来进行估计。
得到了基于信道相关性估计的结果。
在根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计的方法中，信道状态序列有很强的自相关性，马尔科夫模型经常被用来描述这种自相关性，如公式(10)所示：
其中，表示信道的历史状态序列，表示信道n待预测的状态，L是马尔科夫链的阶数。马尔科夫转移状态矩阵可以通过历史数据统计出来。通过公式(11)可得出基于历史数据的估计结果:
由于两个估计方法是独立的，所以有可能得出截然相反的结论。这时，需要通过最小熵汇聚法将矛盾的答案统一起来。具体方式如公式（12）所示。
其中，和分别表示基于信道相关性的估计结果和基于历史数据的估计结果，是最终结果。
通过以上分析可知，通过检测信道的占用状态和类内估计信道的历史情况，就可以估计组内每个估计信道的占用状态了。同理，各组内的估计信道的占用情况就都可以估计得到了。通过本方法提出的频谱感知方法每检测一个检测信道可得到一个类内全部信道的占用状态。
此外，本发明实施例二还提出了一种基于信道聚类的频谱感知装置，如图2所示，该装置包括：
历史状态统计模块1，用于根据历史检测数据对各个信道的历史占用状态进行统计；
相关系数计算模块2，用于根据所述各个信道的历史占用状态分别计算任意两个信道间的相关系数；
信道聚类模块3，用于根据所述相关系数利用信道聚类算法将信道进行聚类，生成预定数目个类；
信道检测模块4，用于在每个类中分别选出一个检测信道，检测所述检测信道的占用状态；
类内估计模块5，用于根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内 估计；
自估计模块6，用于根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计；
汇聚模块7，用于将所述类内估计和自估计得到的结果进行汇聚，得到类中除所述检测信道之外的其余信道的状态估计。
优选地，所述装置还包括：
历史检测数据获取模块，用于按预定的时间周期对信道进行检测，将获取的检测数据作为历史检测数据进行保存。
其中，所述相关系数计算模块2包括：
获取单元，用于获取所述各个信道的历史占用状态矢量；
计算单元，用于根据所述各个信道的历史占用状态矢量分别计算任意两个信道间的相关系数ρij，
其中，ρij是信道i与信道j间的相关系数，表示第i个信道在第m个时隙下的状态，表示第j个信道在第m个时隙下的状态，M表示时隙的个数，⊙表示同或操作。
采用本发明公开的一种基于信道聚类的频谱感知方法及装置，挖掘同一业务下不同信道间占用情况的相关性将信道聚类，检测每一类中一个检测信道的占用状态来预测类中其他信道的状态，并通过历史占用状态信息来预测各个待预测信道的状态，将两个预测结果通过最小熵汇聚法来统一，大量减少需检测的信道的数目，从而为频谱感知过程节省大量的时间和能量。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品 的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于信道聚类的频谱感知方法，其特征在于，该方法包括以下步骤：
S1：根据历史检测数据对各个信道的历史占用状态进行统计；
S2：根据所述各个信道的历史占用状态分别计算任意两个信道间的相关系数；
S3：根据所述相关系数利用信道聚类算法将信道进行聚类，生成预定数目个类；
S4：在每个类中分别选出一个检测信道，检测所述检测信道的占用状态；
S5：根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内估计；
S6：根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计；
S7：将所述类内估计和自估计得到的结果进行汇聚，得到类中除所述检测信道之外的其余信道的状态估计；
所述步骤S5具体为：
在每一类中，利用基于最大后验概率估计的类内估计算法对除所述检测信道之外的其余信道进行占用状态的类内估计；
所述步骤S7具体为：
根据最小熵汇聚法对所述类内估计和自估计得到的结果进行统一，得到类中除所述检测信道之外的其余信道的状态估计。
2.根据权利要求1所述的方法，其特征在于，在步骤S1之前，所述方法还包括：按预定的时间周期对信道进行检测，将获取的检测数据作为历史检测数据进行保存。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤S2具体包括：
获取所述各个信道的历史占用状态矢量；
根据所述各个信道的历史占用状态矢量分别计算任意两个信道间的相关系数ρij，
其中，ρij是信道i与信道j间的相关系数，表示第i个信道在第m个时隙下的状态，表示第j个信道在第m个时隙下的状态，M表示时隙的个数，⊙表示同或操作。
4.根据权利要求1或2所述的方法，其特征在于，所述步骤S3具体包括：
设置进行信道聚类所得到的类的数目；
根据所述相关系数和所述类的数目利用最小熵增量算法进行信道聚类。
5.根据权利要求1所述的方法，其特征在于，所述步骤S6具体为：
利用马尔科夫模型根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计。
6.一种基于信道聚类的频谱感知装置，其特征在于，包括：
历史状态统计模块，用于根据历史检测数据对各个信道的历史占用状态进行统计；
相关系数计算模块，用于根据所述各个信道的历史占用状态分别计算任意两个信道间的相关系数；
信道聚类模块，用于根据所述相关系数利用信道聚类算法将信道进行聚类，生成预定数目个类；
信道检测模块，用于在每个类中分别选出一个检测信道，检测所述检测信道的占用状态；
类内估计模块，用于根据检测信道的占用状态利用类内估计算法对每个类中除所述检测信道之外的其余信道进行占用状态的类内估计；
自估计模块，用于根据所述各个信道的历史占用状态对每个类中除所述检测信道之外的其余信道进行占用状态的自估计；
汇聚模块，用于将所述类内估计和自估计得到的结果进行汇聚，得到类中除所述检测信道之外的其余信道的状态估计；
类内估计模块，用于在每一类中，利用基于最大后验概率估计的类内估计算法对除所述检测信道之外的其余信道进行占用状态的类内估计；
汇聚模块，用于根据最小熵汇聚法对所述类内估计和自估计得到的结果进行统一，得到类中除所述检测信道之外的其余信道的状态估计。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
历史检测数据获取模块，用于按预定的时间周期对信道进行检测，将获取的检测数据作为历史检测数据进行保存。
8.根据权利要求6所述的装置，其特征在于，所述相关系数计算模块包括：
获取单元，用于获取所述各个信道的历史占用状态矢量；
计算单元，用于根据所述各个信道的历史占用状态矢量分别计算任意两个信道间的相关系数ρij，
其中，ρij是信道i与信道j间的相关系数，表示第i个信道在第m个时隙下的状态，表示第j个信道在第m个时隙下的状态，M表示时隙的个数，⊙表示同或操作。
CN201410116936.0A 2014-03-26 2014-03-26 基于信道聚类的频谱感知方法及装置 Active CN103957537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410116936.0A CN103957537B (zh) 2014-03-26 2014-03-26 基于信道聚类的频谱感知方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410116936.0A CN103957537B (zh) 2014-03-26 2014-03-26 基于信道聚类的频谱感知方法及装置

Publications (2)

Publication Number Publication Date
CN103957537A CN103957537A (zh) 2014-07-30
CN103957537B true CN103957537B (zh) 2017-11-14

Family

ID=51334740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410116936.0A Active CN103957537B (zh) 2014-03-26 2014-03-26 基于信道聚类的频谱感知方法及装置

Country Status (1)

Country Link
CN (1) CN103957537B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104125579B (zh) * 2014-08-07 2017-07-11 桂林电子科技大学 一种基于时域能量与频域谱熵的频谱感知方法及装置
CN106231603B (zh) * 2016-07-27 2019-05-10 北京邮电大学 一种频谱预测方法及装置
CN108270496B (zh) * 2017-12-12 2020-02-04 广东电网有限责任公司电力调度控制中心 一种基于贝叶斯准则和信道相关性的快速频谱检测方法
CN111107608A (zh) * 2018-10-29 2020-05-05 华为技术有限公司 信道管理方法、接入点和站点
CN113852970B (zh) * 2021-09-30 2022-07-26 中山大学 基于图神经网络的多维频谱预测方法、系统、装置及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101867420A (zh) * 2010-06-18 2010-10-20 华南理工大学 一种基于频谱感知及预测的水下多路通信方法
CN103428704A (zh) * 2013-07-30 2013-12-04 北京邮电大学 一种频谱感知方法及装置
US20140064114A1 (en) * 2012-08-30 2014-03-06 National Tsing Hua University Active sensing method based on spectral correlation for cognitive radio systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101867420A (zh) * 2010-06-18 2010-10-20 华南理工大学 一种基于频谱感知及预测的水下多路通信方法
US20140064114A1 (en) * 2012-08-30 2014-03-06 National Tsing Hua University Active sensing method based on spectral correlation for cognitive radio systems
CN103428704A (zh) * 2013-07-30 2013-12-04 北京邮电大学 一种频谱感知方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Channel Correlation Assisted Fast Spectrum Sensing;Mingfei Gao;《2013 IEEE 78th Vehicular Technology Conference(VTC Fall)》;20130905;全文 *

Also Published As

Publication number Publication date
CN103957537A (zh) 2014-07-30

Similar Documents

Publication Publication Date Title
CN103957537B (zh) 基于信道聚类的频谱感知方法及装置
Xiong et al. iCrowd: Near-optimal task allocation for piggyback crowdsensing
Zhao et al. Predictive task assignment in spatial crowdsourcing: a data-driven approach
Xiong et al. Crowdtasker: Maximizing coverage quality in piggyback crowdsensing under budget constraint
Chen et al. Gaussian process-based decentralized data fusion and active sensing for mobility-on-demand system
CN106527381B (zh) 一种面向并行批处理机动态调度的快速评估方法
TWI564834B (zh) 電力需求預測裝置，電力供給系統，電力需求預測方法及程式
CN103428704B (zh) 一种频谱感知方法及装置
CN109784538A (zh) 厕所推荐方法、装置、计算机设备及存储介质
CN109815995A (zh) 一种缺失观测值条件下锂电池剩余寿命预测方法
CN110058936A (zh) 用于确定专用处理资源的资源量的方法、设备和计算机程序产品
CN103987118A (zh) 基于接收信号强度信号ZCA白化的接入点k-means聚类方法
Lyu et al. R-sharing: Rendezvous for personalized taxi sharing
TW200814708A (en) Power save method and system for a mobile device
Li et al. A novel deep learning approach for tourism volume forecasting with tourist search data
CN106231603A (zh) 一种频谱预测方法及装置
CN104010029A (zh) 基于横向纵向信息集成的分布式计算环境性能预测方法
CN113608855B (zh) 一种边缘计算中服务功能链放置的强化学习方法
Liu et al. Data adaptive functional outlier detection: Analysis of the Paris bike sharing system data
Lin et al. Using Computing Intelligence Techniques to Estimate Software Effort
Shi et al. A new QoS prediction approach based on user clustering and regression algorithms
CN106055665A (zh) 基于异常值剔除的情境感知Web服务推荐方法和系统
Liao et al. Multicore parallel genetic algorithm with Tabu strategy for rainfall-runoff model calibration
Shen et al. Hybrid approach for forecasting tourist arrivals
Yang et al. Short-term demand forecasting for bike sharing system based on machine learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant