CN106231603B - 一种频谱预测方法及装置 - Google Patents

一种频谱预测方法及装置 Download PDF

Info

Publication number
CN106231603B
CN106231603B CN201610600057.4A CN201610600057A CN106231603B CN 106231603 B CN106231603 B CN 106231603B CN 201610600057 A CN201610600057 A CN 201610600057A CN 106231603 B CN106231603 B CN 106231603B
Authority
CN
China
Prior art keywords
channel
classification
state information
channels
estimation
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
CN201610600057.4A
Other languages
English (en)
Other versions
CN106231603A (zh
Inventor
冯志勇
魏秋实
黄赛
张轶凡
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 CN201610600057.4A priority Critical patent/CN106231603B/zh
Publication of CN106231603A publication Critical patent/CN106231603A/zh
Application granted granted Critical
Publication of CN106231603B publication Critical patent/CN106231603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种频谱预测方法及装置，涉及认知无线通信系统的频谱检测技术领域，所述方法包括：获取所有信道的历史占用状态信息；根据历史占用状态信息，确定所有信道中每两个信道的相关系数，并对所有信道进行聚类，在聚类后具有多个信道的类别中的每一类别内选出多个检测信道；根据所述多个检测信道，确定每一类别内的估计信道，获取每一类别内多个检测信道的当前占用状态信息；根据所述每一类别内多个检测信道的当前占用状态信息，通过预设预测模型，预测所述每一类别内估计信道的当前占用状态信息。应用本发明实施例，可以节省频谱检测时间和能量，提高频谱预测的时间效率。

Description

一种频谱预测方法及装置
技术领域
本发明涉及认知无线通信系统的频谱检测技术领域，特别是涉及一种频谱预测方法及装置。
背景技术
目前，通信技术正朝着海陆空整合性服务发展。其中，无线通信可以实现一毫秒内进行一次通信，如果无线通信中的导频信号遇到短暂脉冲干扰，将会导致无线通信失败。但是，当无线通信实现低于一毫秒的宽带频谱检测时，就可以快速有效的对短暂脉冲产生抵抗。
然而，在实际应用中，用户往往需要去检测一个又一个大量潜在频率的信道来判断信道是否被占用，这种检测方法被称为宽带频谱检测。现有的频谱预测方法是通过预测信道占用状态信息，而不是直接检测信道占用状态信息来处理带宽频谱检测问题。因此频谱预测方法，可以使被检测信道的数量减少，同时所述频谱检测方法具有更早检测更高空闲概率的信道，从而减少检测所需消耗的时间以及能量。例如，在一些文献中，采用了基于马尔科夫链的水下频谱预测模型。通过频谱检测得到信道的使用状态信息以及在信道中传输数据所包含的时间标签；进一步由这些信息得到每个信道的状态转移概率矩阵和所述每个信道的时延信息；将所获得的每个信道的状态转移概率矩阵和时延信息的数据带入到频谱预测模型中，即可得到特定时刻信道空闲概率，为后面的频谱分配提供更加精确的信道状态信息，判断信道是占用还是空闲；同时用最后结果更新之前计算得到的所有数据信息。上述的方法是通过预测信道占用状态代替直接检测的方式。
可见，现有技术在进行信道空闲状态预测时，从各个独立的信道角度出发，分别针对全部信道的历史占用情况，对每个信道的当前占用状态信息进行建模和预测，消耗大量的频谱检测时间和能量。
发明内容
本发明实施例的目的在于提供一种频谱预测方法及装置，以实现节省频谱检测时间和能量，提高频谱预测的时间效率。
为达到上述目的，本发明公开了一种频谱预测方法，包括：
获取所有信道的历史占用状态信息；
根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数；
根据所述相关系数，对所述所有信道进行聚类，并在聚类后具有多个信道的类别中的每一类别内选出多个检测信道；
根据所述多个检测信道，确定所述每一类别内的估计信道，其中，所述估计信道为所述每一类别内除所述多个检测信道外的剩余信道；
获取所述每一类别内多个检测信道的当前占用状态信息；
根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型，预测所述每一类别内估计信道的当前占用状态信息。
较佳的，所述获取所有信道的历史占用状态信息，包括：
在预设时间单元内，检测并获取所有信道的历史占用状态信息。
较佳的，所述根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数，包括：
根据公式：确定所述所有信道中每两个信道的相关系数；
其中，所述M为预设时间单元内的时隙数，所述为第i个信道在第m个时隙下的占用状态信息，所述为第j个信道在第m个时隙下的占用状态信息，所述ρij为信道i与信道j的相关系数，所述⊙为同或操作，所述j为大于1的自然数，所述i为大于1的自然数，所述m为大于1的自然数。
较佳的，所述根据所述相关系数，对所述所有信道进行聚类，并在聚类后具有多个信道的类别中的每一类别内选出多个检测信道，包括：
根据公式：H(ci|cj)＝-ρij×logρij-(1-ρij)×log(1-ρij)，得到所述所有信道中每两个信道状态的相关性；
根据公式：对所述所有信道进行聚类，得到具有多个信道的类别；
根据公式：在所述具有多个信道的类别中的每一类别内选出多个检测信道；
其中，所述H(ci|cj)为所述相关性，所述ci为第i个检测信道，所述cj为第j个估计信道，所述ρij为信道i与信道j之间的相关系数，所述cr为所有估计信道中的一个估计信道，所述dk1dk2...dkn为第k类别内选出的n个检测信道，所述gk为所述聚类后的第k类别内的信道，所述cv为所述gk中的一个信道，所述dk为所述dk1dk2...dkn，所述j为大于1的自然数，所述i为大于1的自然数，所述k为大于1的自然数。
较佳的，在所述根据所述每一类别内多个检测信道的当前占用状态信息，通过预设预测模型，预测所述每一类别内估计信道的当前占用状态信息之前，所述方法还包括：
根据所述每一类别内的信道的历史占用状态信息，对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型；
将所述训练后的隐马尔科夫模型作为所述预设预测模型。
较佳的，所述根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型，预测所述每一类别内估计信道的当前占用状态信息，包括：
根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率；
根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息。
较佳的，所述根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率，包括：
当t＝1时，根据公式：δt(i)＝πibik，确定所述每一类别内估计信道的初始占用状态信息的概率；
当t>1时，根据所述初始占用状态信息的概率及公式：
δt(i)＝maxj(δt-1(j)ajibik)，确定所述每一类别内估计信道的当前占用状态信息的概率；
其中，所述δt(i)为t时刻所述每一类别内估计信道的占用状态信息的概率，所述πi为所述预设预测模型中的估计信道在t＝1时刻的初始占用状态信息i的分布，所述bik为t时刻所述每一类别内估计信道处于状态i与检测信道处于状态k的相关系数，所述δt-1(j)为t-1时刻估计信道的占用状态信息为j概率，所述aji为t-1时刻估计信道的占用状态信息j转移到t时刻估计信道的占用状态信息i的概率，所述i为信道占用状态信息，i为0或1，所述j为信道占用状态信息，j为0或1，所述k为所述多个检测信道在t时刻的占用状态信息。
较佳的，所述根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息，包括：
根据公式：Φt(i)＝arg maxj(δt-1(j)aji)，预测所述每一类别内估计信道的当前占用状态信息；
其中，所述δt-1(j)为t-1时刻所述每一类别内估计信道的占用状态信息为j的概率，所述aji为t-1时刻所述每一类别内估计信道的占用状态信息j转移到t时刻所述每一类别内估计信道的状态信息i的概率，所述Φt(i)为所述每一类别内估计信道的当前占用状态信息，所述i为信道占用状态信息，i取值0或1，所述j为信道占用状态信息，j取值0或1。
为达到上述目的，本发明还公开了一种频谱预测装置，包括：
第一获取单元，用于获取所有信道的历史占用状态信息；
第一确定单元，用于根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数；
聚类筛选单元，用于根据所述相关系数，对所述所有信道进行聚类，并在聚类后具有多个信道的类别中的每一类别内选出多个检测信道；
第二确定单元，用于根据所述多个检测信道，确定所述每一类别内的估计信道，其中，所述估计信道为所述每一类别内除所述多个检测信道外的剩余信道；
第二获取单元，用于获取所述每一类别内多个检测信道的当前占用状态信息；
预测单元，用于根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型，预测所述每一类别内估计信道的当前占用状态信息。
较佳的，所述预测单元，包括：
处理子单元，用于根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率；
预测子单元，用于根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息。
由上述的技术方案可见，本发明实施例提供的频谱预测方法及装置，通过检测信道聚类后的每一类别内多个检测信道当前占用状态信息，预测每一类别内的估计信道的当前占用状态信息，节省了频谱检测的时间和能量。对于信道分配者来说，当多次级用户存在时，也可以节省大量的检测时间和能量。在实际应用中，当通信系统中，检测的频带越宽，通信系统包含的业务就越多，实施本发明所述技术方案的效果也就越明显。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的频谱预测方法的流程示意图；
图2为本发明实施例的状态转移示意图；
图3为本发明实施例的聚类算法的具体流程示意图；
图4为本发明实施例的频谱预测装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面通过具体实施例，对本发明进行详细说明。
参考图1，图1为本发明实施例的频谱预测方法的流程示意图，该方法包括：
S101，获取所有信道的历史占用状态信息；
在本发明实施例的一种实现方式中，在预设时间单元内，对目标业务下所有信道进行扫频检测，获取所述目标业务下所有信道的历史占用状态信息。
S102，根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数；
在扫频获得目标业务下的所有信道的历史占用状态信息后，对所获的所有信道的历史状态信息进行分析，并计算得到目标业务下所有信道中的每两个信道的相关系数，即，通过分析历史占用状态信息，确定所述所用信道中任意两个信道间的相关系数。
S103，根据所述相关系数，对所述所有信道进行聚类，并在聚类后具有多个信道的类别中的每一类别内选出多个检测信道；
基于所有信道中每两个信道的相关系数，对目标业务下的所有信道进行聚类，也就是将目标业务下的所有信道进行分类。
在聚类后的每一类别内选出多个检测信道，多个检测信道的数目为大于1的自然数。
S104，根据所述多个检测信道，确定所述每一类别内的估计信道，其中，所述估计信道为所述每一类别内除所述多个检测信道外的剩余信道；
具体的，每一类别内包括多个检测信道及估计信道，估计信道为每一类别内除多个检测信道外的剩余信道，所以只要在每一类别内选出了多个检测信道信道，每一类别内剩余的信道就为估计信道。
S105，获取所述每一类别内多个检测信道的当前占用状态信息；
对每一类别内的多个检测信道进行扫频检测，获得多个检测信道信道的当前占用状态信息。
S106，根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型，预测所述每一类别内估计信道的当前占用状态信息。
具体的，每一类别内多个检测信道可以为大于1的多个检测信道，例如，所述多个检测信道可以为2个检测信道、3个检查信道、4个检测信道、6个检测信道、8个检测信道、10个检测信道或者更多个检测信道。
在本发明实施例的一个实现方式中，预设预测模型为每一类别内估计信道的历史状态信息训练后的隐马尔科夫模型。通过联合多个检测信道的当前占用状态信息和训练后的隐马尔科夫模型可以预测每一类别内估计信道的当前占用状态信息。
在本发明实施例的一种实现方式中，所述根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数，包括：
根据公式：确定所述所有信道中每两个信道的相关系数；
实际应用中，信道的占用状态信息用“0”和“1”表示，“0”表示信道处于空闲状态，“1”表示信道处于占用状态。对预设时间内的所有信道的每两个信道进行相关性分析，得到的每两个信道的相关系数ρij。可以看出，当ρij值越大，表示两个信道的占用状态信息越相似。例如，当ρij＝1时，表示两个信道的占用状态信息相同，即两个信道的占用状态信息都是“1”或者两个信息的占用状态信息都是“0”。当ρij＝0时，表示两个信道的占用状态信息完全相反，这样，所述两个信道的相关性也非常大。例如，当ρij＝0时，表示目标业务下的两个信道中的一个信道的占用状态信息为“0”时，则另一个信道的占用状态信息一定为“1”；相反的，所述两个信道中的一个信道的占用状态信息为“1”时，则另一个信道的占用状态信息一定为“0”。因此，本发明技术方案为了更准确的描述信道之间的相关性，引入熵的概念来表示每两个信道间的相关性。
其中，M为预设时间单元内的时隙数，为第i个信道在第m个时隙下的占用状态信息，为第j个信道在第m个时隙下的占用状态信息，ρij为信道i与信道j的相关系数，⊙为同或操作，j为大于1的自然数，i为大于1的自然数，m为大于1的自然数。
在本发明实施例的一种实现方式中，根据相关系数，对所有信道进行聚类，并在聚类后具有多个信道的类别中的每一类别内选出多个检测信道。通常，在信息论中，采用熵来表示随机事件的不确定性，熵越大不确定性越大，本发明实施例引入熵的概念对两个信道的相关系数进行操作。例如，将ci作为检测信道，cj作为估计信道，那么用检测信道ci来预测估计信道cj的不确定性，不确定性可以理解为检测信道ci与估计信道cj的相关性，可以由以下公式得到。
根据公式：H(ci|cj)＝-ρij×logρij-(1-ρij)×log(1-ρij)，得到所有信道中每两个信道的相关性；
上述公式中的熵函数H(ci cj)的值越小，表示由检测信道预测估计信道越准确。
根据公式：对所有信道进行聚类，得到具有多个信道的类别；
具体的，本发明预设聚类后类别的数目，并将目标业务下的所有信道聚类为预设聚类后类别的数目。本发明采用联合条件熵对所有信道进行聚类，上式表示，在所有信道中寻找与聚类后的第k类别gk内的检测信道的相关性相差最小的信道加入到第k类别gk内。
根据公式：在每一类别内选出多个检测信道；
通常，为了使每一类别内选出的多个检测信道最为准确、有代表性，每一类别内的多个检测信道应该满足上述公式。这样，选出的检测信道与估计信道的不确定性最小，相关性最大，保证了本发明预测的准确性。
其中，H(ci|cj)为相关性，ci为第i个检测信道，cj为第j个估计信道，ρij为信道i与信道j之间的相关系数，cr为所有估计信道中的一个估计信道，dk1dk2...dkn为第k类别内选出的n个检测信道，gk为聚类后的第k类别内的信道，cv为gk中的一个信道，dk为dk1dk2...dkn，j为大于1的自然数，i为大于1的自然数，k为大于1的自然数。
在本发明实施例的一种实现方式中，在所述根据所述每一类别内多个检测信道的当前占用状态信息，通过预设预测模型，预测所述每一类别内估计信道的当前占用状态信息之前，所述方法还包括：
根据所述每一类别内的信道的历史占用状态信息，对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型，将所述训练后的隐马尔科夫模型作为所述预设预测模型。
需要说明的是，隐马尔科夫模型HMM是一种混合模型，它由两个过程组成：隐藏状态的变化是马尔科夫过程，而在特定隐藏状态下的观测是一个普通的随机过程。HMM模型通常表示为：Λ＝(π,A,B)。
在本发明技术方案的HMM模型中，π表示估计信道的历史占用状态信息的概率分布，可以理解为，当获得所有信道的历史占用状态信息，统计并分析估计信道的历史占用状态信息，得到估计信道的历史占用状态信息为“0”和历史占用状态信息为“1”的比例。例如，当一个估计信道的历史占用状态信息一共有100个状态信息，其中，有30个历史占用状态信息为“0”，有70个历史占用状态信息为“1”，则估计信道的历史占用状态信息为“0”和历史占用状态信息为“1”的比例为0.3:0.7，那么该估计信道的历史占用状态信息的概率分布π＝(0.3,0.7)。这里，用πi＝P(qt＝si)，1≤i≤K来表示t时刻第i个估计信道的历史占用状态信息的概率分布，K为每一类别中估计信道的个数，qt为t时刻每一类别内估计信道的占用状态信息，si为“0”或“1”，P为第i个估计信道的历史占用状态信息是“0”或者“1”的概率。
状态转移矩阵A被定义为：aij＝P(qt+1＝sj|qt＝si)。状态转移矩阵A表示每一类别内估计信道的转移状态概率矩阵，这个转移概率所述每一类别内的估计信道的历史占用状态信息统计得到。具体的，上述公式中，aij为每一类别内估计信道在t的状态i转移到t+1时刻的状态j的概率P，qt为t时刻每一类别内估计信道的占用状态信息，qt+1为t+1时刻每一类别内估计信道的占用状态信息，si为“0”或“1”，sj为“0”或“1”，i为“0”或“1”，j为“0”或“1”。
检测信道的概率分布B为：bij＝P(qt+1＝θj|qt＝si)，bij为每一类别内检测信道与估计信道的相关系数，qt为t时刻每一类别内估计信道的占用状态信息，qt+1为t+1时刻每一类别内检测信道的占用状态信息，si为“0”或“1”，θj为“0”或“1”，i为“0”或“1”，j为“0”或“1”。
具体的，根据所述每一类别内的信道的历史占用状态信息，对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型。如图2所示，图2中示出了对上述隐马尔科夫模型进行训练的过程，该训练过程由每一类内信道的历史占用状态信息进行。其中，所述历史状态信息包括估计信道的历史状态信息(简称估计信道的状态)和检测信道的历史占用状态信息(简称检测信道的状态)。图2中，椭圆形表示ECS(State of Estimate Channel，估计信道的状态)、矩形表示DCS(State of Detect Channel，检测信道的状态)，图2表示两个检测信道作为一个类别对一个估计信道进行预测，两个检测信道的状态可以为00、01、10或11，一个估计信道的状态可以为0或1。可见，用每一类别内信道的历史占用状态信息对隐马尔科夫模型进行，可以得到训练后的隐马尔科夫模型。
在本发明实施例的一种实现方式中，所述根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型，预测所述每一类别内估计信道的当前占用状态信息，包括：
根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率；
根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息。
在本发明实施例的一种实现方式中，所述根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率，包括：
当t＝1时，根据公式：δt(i)＝πibik，确定所述每一类别内估计信道的初始占用状态信息的概率；
当t>1时，根据所述初始占用状态信息的概率及公式：δt(i)＝maxj(δt-1(j)ajibik)，确定所述每一类别内估计信道的当前占用状态信息的概率；
具体的，在t＝1时，即在预设时间单元的初始时刻，δ1(i)＝πibik，此时，πi为训练后的隐马尔科夫模型中估计信道在t＝1时刻的状态分布；
当t>1时，根据t-1时刻的δt-1(i)概率来求t时刻的δt(i)概率。在隐马尔科夫模型中，信道占用状态信息为“0”或“1”两种情况。例如，当计算所有到达0状态的概率时，首先，找到其中最有可能的信道占用状态信息。而到达t时刻信道的占用状态信息为“0”时，该信道占用状态信息必然会经过t-1时刻的“0”或“1”的信道占用状态信息。这样，利用上述公式，可以由上一时刻的信道占用状态信息来得出下一时刻的估计信道的占用状态信息的概率。上述公式可以理解为，上一时刻的概率可以有多个概率，选择多个概率中的最大概率作为下时刻的概率。具体的，例如，当t＝2时，上述公式变为：δ2(i)＝maxj(δ1(j)ajibik)，可以看出，由t＝1时刻的每一类别内估计信道的占用状态信息的概率，得到t＝2时刻的每一类别内估计信道的占用状态信息的概率，以此类推，可以获得t的每一类别内估计信道的占用状态信息的概率。
其中，所述δt(i)为t时刻所述每一类别内估计信道的占用状态信息的概率，所述πi为所述预设预测模型中的估计信道在t＝1时刻的初始占用状态信息i的分布，所述bik为t时刻所述每一类别内估计信道处于状态i与检测信道处于状态k的相关系数，所述δt-1(j)为t-1时刻估计信道的占用状态信息为j概率，所述aji为t-1时刻估计信道的占用状态信息j转移到t时刻估计信道的占用状态信息i的概率，所述i为信道占用状态信息，i为0或1，所述j为信道占用状态信息，j为0或1，所述k为所述多个检测信道在t时刻的占用状态信息。
具体的，获取每一类别内多个检测信道的当前占用状态信息，可以理解为，当多个检测信道的数目为2个时，每一类别内多个检测信道的当前占用状态信息可以为00、01、10及11的4种情况，或者当多个检测信道的数目为3个时，每一类别内多个检测信道的当前占用状态信息可以为000、001、010、011、100、101、110及111的8种情况，所以在计算某一时刻每一类别内估计信道的占用状态信息的概率，获得每一类别内估计信道的占用状态信息的多个概率。实际应用中，选择多个概率的最大概率作为某一时刻的下一时刻的每一类别内估计信道的占用状态信息的概率来预测每一类别内估计信道的当前占用状态信息。
在本发明实施例的一种实现方式中，所述根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息，包括：
根据公式：Φt(i)＝argmaxj(δt-1(j)aji)，预测所述每一类别内估计信道的当前占用状态信息；
其中，所述δt-1(j)为t-1时刻所述每一类别内估计信道的占用状态信息为j的概率，所述aji为t-1时刻所述每一类别内估计信道的占用状态信息j转移到t时刻所述每一类别内估计信道的状态信息i的概率，所述Φt(i)为所述每一类别内估计信道的当前占用状态信息，所述i为信道占用状态信息，i取值0或1，所述j为信道占用状态信息，j取值0或1。
应用上述各个实施例，通过检测目标业务下所有信道的历史占用状态信息，并对所有信道进行聚类，在聚类后的每一类别内选出多个检测信道，对多个检测信道检测，获得多个检测信道的当前占用状态信息，由所述当前占用状态信息来预测每一类别内的估计信道的历史状态信息，遍历所有类别，可以获得目标业务下所有信道的当前占用状态信息。应用本发明实施例，可以节省频谱检测的时间和能量，提高频谱预测的时间效率。
参考图3，图3为本发明实施例的聚类算法的具体流程示意图，具体步骤包括：
S301：获取目标业务下所有信道占用状态信息，并将目标业务下所有信道随机分入Ng个类别中，将赋值给GU，GI＝φ；
S302：当GU≠GI时，令GU＝GI；
S303：在第k类别信道gk中筛选n个信道{dk1,dk2,...,dkn}，并且n个信道满足该公式为了获得第k类别信道gk中相关性最大的n个检测信道，其中{dk1,dk2,...,dkn}；
S304：将{dk1,dk2,...,dkn}赋值给D；
S305：令gk＝dk，其中，k＝1,2,...Ng；
S306：在每一类别gk内选择与估计信道cr(r＝1,2,...Nc)最相关的信道，其中，选择的依据是H(cv|dk)的值最小；
S307：根据公式：gk∪cr→gk，将选出的信道分配到第gk中；
S308：对GU重新赋值，即
S309：当GU≠GI时，结束赋值，并令G＝GU；
S310：返回G,D的值。
其中，Ng为预设所述聚类的类别的数目数，即将目标业务下的所有信道分成类的数目，GU和GI为存储聚类过程的动态变量；n为预设的所述聚类的每一类别内多个检测信道的数目，D为一个集合，该集合包含每一类别内的多个检测信道，cr为所有估计信道中的一个估计信道，{dk1,dk2,...,dkn}为第k类别内选出的n个检测信道，Nc为每一类别内估计信道的数目，gk为所述聚类后的第k类别内的信道，cv为所述gk中的一个信道，dk为所述{dk1,dk2,...,dkn}，k为大于1的自然数。
需要说明的是，在实际应用中，聚类的类别数目越多，聚类的每一类别内的多个检测信道预测聚类的每一类别内的估计信道的当前占用状态信息就越准确，但是消耗将会增大。本发明实施例中的采用最小熵增量算法使得预测估计信道的不确定性被最小化，可以得到最优化的结果。
应用上述各个实施例，通过检测信道聚类后的每一类别内多个检测信道当前占用状态信息，预测每一类别内的估计信道的当前占用状态信息，节省了频谱检测的时间和能量。
参考图4，图4为本发明实施例的频谱预测装置结构示意图，该装置包括：
第一获取单元401，用于获取所有信道的历史占用状态信息；
第一确定单元402，用于根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数；
聚类筛选单元403，用于根据所述相关系数，对所述所有信道进行聚类，并在聚类后具有多个信道的类别中的每一类别内选出多个检测信道；
第二确定单元404，用于根据所述多个检测信道，确定所述每一类别内的估计信道，其中，所述估计信道为所述每一类别内除所述多个检测信道外的剩余信道；
第二获取单元405，用于获取所述每一类别内多个检测信道的当前占用状态信息；
预测单元406，用于根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型，预测所述每一类别内估计信道的当前占用状态信息。
在本发明实施例的一种实现方式中，所述第一获取单元401，具体包括：
在预设时间单元内，检测并获取所有信道的历史占用状态信息。
在本发明实施例的一种实现方式中，所述第一确定单元402，具体包括：
根据公式：确定所述所有信道中每两个信道的相关系数；
其中，所述M为预设时间单元内的时隙数，所述为第i个信道在第m个时隙下的占用状态信息，所述为第j个信道在第m个时隙下的占用状态信息，所述ρij为信道i与信道j的相关系数，所述⊙为同或操作，所述j为大于1的自然数，所述i为大于1的自然数，所述m为大于1的自然数。
在本发明实施例的一种实现方式中，聚类筛选单元403，包括：
计算子单元，用于根据公式：
H(ci|cj)＝-ρij×logρij-(1-ρij)×log(1-ρij)，得到所述所有信道中每两个信道状态的相关性；
聚类子单元，用于根据公式：对所述所有信道进行聚类，得到具有多个信道的类别；
筛选子单元，用于根据公式：
在所述具有多个信道的类别中的每个类别内选出多个检测信道；
其中，所述H(ci|cj)为所述相关性，所述ci为第i个检测信道，所述cj为第j个估计信道，所述ρij为信道i与信道j之间的相关系数，所述cr为所有估计信道中的一个估计信道，所述dk1dk2...dkn为第k类别内选出的n个检测信道，所述gk为所述聚类后的第k类别内的信道，所述cv为所述gk中的一个信道，所述dk为所述dk1dk2...dkn，所述j为大于1的自然数，所述i为大于1的自然数，所述k为大于1的自然数。
在本发明实施例的一种实现方式中，所述装置还包括：
训练单元，用于根据所述每一类别内的信道的历史占用状态信息，对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型；
将所述训练后的隐马尔科夫模型作为所述预设预测模型。
在本发明实施例的一种实现方式中，所述预测单元406包括：
处理子单元，用于根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率；
预测子单元，用于根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息。
在本发明实施例的一种实现方式中，所述处理子单元，具体包括：
当t＝1时，根据公式：δt(i)＝πibik，确定所述每一类别内估计信道的初始占用状态信息的概率；
当t>1时，根据所述初始占用状态信息的概率及公式：
δt(i)＝maxj(δt-1(j)ajibik)，确定所述每一类别内估计信道的当前占用状态信息的概率；
其中，所述δt(i)为t时刻所述每一类别内估计信道的占用状态信息的概率，所述πi为所述预设预测模型中的估计信道在t＝1时刻的初始占用状态信息i的分布，所述bik为t时刻所述每一类别内估计信道处于状态i与检测信道处于状态k的相关系数，所述δt-1(j)为t-1时刻估计信道的占用状态信息为j概率，所述aji为t-1时刻估计信道的占用状态信息j转移到t时刻估计信道的占用状态信息i的概率，所述i为信道占用状态信息，i为0或1，所述j为信道占用状态信息，j为0或1，所述k为所述多个检测信道在t时刻的占用状态信息。
在本发明实施例的一种实现方式中，所述预测子单元具体包括：
根据公式：Φt(i)＝arg max j(δt-1(j)aji)，预测所述每一类别内估计信道的当前占用状态信息；
其中，所述δt-1(j)为t-1时刻所述每一类别内估计信道的占用状态信息为j的概率，所述aji为t-1时刻所述每一类别内估计信道的占用状态信息j转移到t时刻所述每一类别内估计信道的状态信息i的概率，所述Φt(i)为所述每一类别内估计信道的当前占用状态信息，所述i为信道占用状态信息，i为0或1，所述j为信道占用状态信息，j为0或1。
应用上述各个实施例，可以通过检测信道聚类后的每一类别内多个检测信道当前占用状态信息，来预测每一类别内的估计信道的当前占用状态信息，节省了频谱检测的时间和能量。
对于系统、装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.一种频谱预测方法，其特征在于，包括：
获取所有信道的历史占用状态信息；
根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数；
根据所述相关系数，对所述所有信道进行聚类，并在聚类后具有多个信道的类别中的每一类别内选出多个检测信道；
根据所述多个检测信道，确定所述每一类别内的估计信道，其中，所述估计信道为所述每一类别内除所述多个检测信道外的剩余信道；
获取所述每一类别内多个检测信道的当前占用状态信息；
根据所述每一类别内多个检测信道的当前占用状态信息，通过预设预测模型，预测所述每一类别内估计信道的当前占用状态信息；
所述根据所述每一类别内多个检测信道的当前占用状态信息，通过预设预测模型，预测所述每一类别内估计信道的当前占用状态信息，包括：
根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率；
根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息；
所述根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率，包括：
当t＝1时，根据公式：δt(i)＝πibik，确定所述每一类别内估计信道的初始占用状态信息的概率；
当t＞1时，根据所述初始占用状态信息的概率及公式：
δt(i)＝maxj(δt-1(j)ajibik)，确定所述每一类别内估计信道的当前占用状态信息的概率；
其中，所述δt(i)为t时刻所述每一类别内估计信道的占用状态信息的概率，所述πi为所述预设预测模型中的估计信道在t＝1时刻的初始占用状态信息i的分布，所述bik为t时刻所述每一类别内估计信道处于状态i与检测信道处于状态k的相关系数，所述δt-1(j)为t-1时刻估计信道的占用状态信息为j概率，所述aji为t-1时刻估计信道的占用状态信息j转移到t时刻估计信道的占用状态信息i的概率，所述i为信道占用状态信息，i为0或1，所述j为信道占用状态信息，j为0或1，所述k为所述多个检测信道在t时刻的占用状态信息；
所述根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息，包括：
根据公式：Φt(i)＝argmaxj(δt-1(j)aji)，预测所述每一类别内估计信道的当前占用状态信息；
其中，所述δt-1(j)为t-1时刻所述每一类别内估计信道的占用状态信息为j的概率，所述aji为t-1时刻所述每一类别内估计信道的占用状态信息j转移到t时刻所述每一类别内估计信道的状态信息i的概率，所述Φt(i)为所述每一类别内估计信道的当前占用状态信息，所述i为信道占用状态信息，i为0或1，所述j为信道占用状态信息，j为0或1。
2.如权利要求1所述的方法，其特征在于，所述获取所有信道的历史占用状态信息，包括：
在预设时间单元内，检测并获取所有信道的历史占用状态信息。
3.如权利要求1所述的方法，其特征在于，所述根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数，包括：
根据公式：确定所述所有信道中每两个信道的相关系数；
其中，所述M为预设时间单元内的时隙数，所述为第i个信道在第m个时隙下的占用状态信息，所述为第j个信道在第m个时隙下的占用状态信息，所述ρij为信道i与信道j的相关系数，所述⊙为同或操作，所述j为大于1的自然数，所述i为大于1的自然数，所述m为大于1的自然数。
4.如权利要求1所述的方法，其特征在于，所述根据所述相关系数，对所述所有信道进行聚类，并在聚类后具有多个信道的类别中的每个类别内选出多个检测信道，包括：
根据公式：H(ci|cj)＝-ρij×logρij-(1-ρij)×log(1-ρij)，得到所述所有信道中每两个信道状态的相关性；
根据公式：对所述所有信道进行聚类，得到具有多个信道的类别；
根据公式：在所述具有多个信道的类别中的每个类别内选出多个检测信道；
其中，所述H(ci|cj)为所述相关性，所述ci为第i个检测信道，所述cj为第j个估计信道，所述ρij为信道i与信道j之间的相关系数，所述cr为所有估计信道中的一个估计信道，所述dk1dk2...dkn为第k类别内选出的n个检测信道，所述gk为所述聚类后的第k类别内的信道，所述cv为所述gk中的一个信道，所述dk为所述dk1dk2...dkn，所述j为大于1的自然数，所述i为大于1的自然数，所述k为大于1的自然数。
5.如权利要求1所述的方法，其特征在于，在所述根据所述每一类别内多个检测信道的当前占用状态信息，通过预设预测模型，预测所述每一类别内估计信道的当前占用状态信息之前，所述方法还包括：
根据所述每一类别内的信道的历史占用状态信息，对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型；
将所述训练后的隐马尔科夫模型作为所述预设预测模型。
6.一种频谱预测装置，其特征在于，包括：
第一获取单元，用于获取所有信道的历史占用状态信息；
第一确定单元，用于根据所述历史占用状态信息，确定所述所有信道中每两个信道的相关系数；
聚类筛选单元，用于根据所述相关系数，对所述所有信道进行聚类，并在聚类后具有多个信道的类别中的每一类别内选出多个检测信道；
第二确定单元，用于根据所述多个检测信道，确定所述每一类别内的估计信道，其中，所述估计信道为所述每一类别内除所述多个检测信道外的剩余信道；
第二获取单元，用于获取所述每一类别内多个检测信道的当前占用状态信息；
预测单元，用于根据所述每一类别内多个检测信道的当前占用状态信息，通过预设预测模型，预测所述每一类别内估计信道的当前占用状态信息；
所述预测单元包括：处理子单元，用于根据所述每一类别内多个检测信道的当前占用状态信息，通过所述预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率；
预测子单元，用于根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息；
所述根据所述每一类别内多个检测信道的当前占用状态信息，通过预设预测模型中的维特比算法，计算出所述每一类别内估计信道的当前占用状态信息的概率，包括：
当t＝1时，根据公式：δt(i)＝πibik，确定所述每一类别内估计信道的初始占用状态信息的概率；
当t＞1时，根据所述初始占用状态信息的概率及公式：
δt(i)＝maxj(δt-1(j)ajibik)，确定所述每一类别内估计信道的当前占用状态信息的概率；
其中，所述δt(i)为t时刻所述每一类别内估计信道的占用状态信息的概率，所述πi为所述预设预测模型中的估计信道在t＝1时刻的初始占用状态信息i的分布，所述bik为t时刻所述每一类别内估计信道处于状态i与检测信道处于状态k的相关系数，所述δt-1(j)为t-1时刻估计信道的占用状态信息为j概率，所述aji为t-1时刻估计信道的占用状态信息j转移到t时刻估计信道的占用状态信息i的概率，所述i为信道占用状态信息，i为0或1，所述j为信道占用状态信息，j为0或1，所述k为所述多个检测信道在t时刻的占用状态信息；
所述根据所述当前占用状态信息的概率，预测所述每一类别内估计信道的当前占用状态信息，包括：
根据公式：Φt(i)＝argmaxj(δt-1(j)aji)，预测所述每一类别内估计信道的当前占用状态信息；
其中，所述δt-1(j)为t-1时刻所述每一类别内估计信道的占用状态信息为j的概率，所述aji为t-1时刻所述每一类别内估计信道的占用状态信息j转移到t时刻所述每一类别内估计信道的状态信息i的概率，所述Φt(i)为所述每一类别内估计信道的当前占用状态信息，所述i为信道占用状态信息，i为0或1，所述j为信道占用状态信息，j为0或1。
CN201610600057.4A 2016-07-27 2016-07-27 一种频谱预测方法及装置 Active CN106231603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610600057.4A CN106231603B (zh) 2016-07-27 2016-07-27 一种频谱预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610600057.4A CN106231603B (zh) 2016-07-27 2016-07-27 一种频谱预测方法及装置

Publications (2)

Publication Number Publication Date
CN106231603A CN106231603A (zh) 2016-12-14
CN106231603B true CN106231603B (zh) 2019-05-10

Family

ID=57533116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610600057.4A Active CN106231603B (zh) 2016-07-27 2016-07-27 一种频谱预测方法及装置

Country Status (1)

Country Link
CN (1) CN106231603B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109587703B (zh) * 2017-09-28 2022-05-24 阿里巴巴集团控股有限公司 信道优化方法及装置
CN107864489B (zh) * 2017-11-17 2021-03-05 成都奥特为科技有限公司 一种信号预测方法、系统及信号检测方法
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
CN111010207B (zh) * 2019-12-05 2020-11-13 北京邮电大学 一种基于量化相关性的跳频方法及装置
CN113133001B (zh) * 2019-12-30 2024-04-05 南京南瑞信息通信科技有限公司 基于230MHz电力专用频谱的智能频谱感知方法、装置和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103957537A (zh) * 2014-03-26 2014-07-30 北京邮电大学 基于信道聚类的频谱感知方法及装置
CN203911936U (zh) * 2014-05-22 2014-10-29 上海东方明珠广播电视研究发展有限公司 用于广播电视白频谱的感知和重构系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103957537A (zh) * 2014-03-26 2014-07-30 北京邮电大学 基于信道聚类的频谱感知方法及装置
CN203911936U (zh) * 2014-05-22 2014-10-29 上海东方明珠广播电视研究发展有限公司 用于广播电视白频谱的感知和重构系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Channel Classification based Fast Spectrum Sensing;Mingfei Gao et al.;《2014 IEEE International Conference on Communications Workshops (ICC)》;20140614;全文
Fast Spectrum Sensing: a Combination of Channel Correlation and Markov Model;Mingfei Gao et al.;《2014 IEEE Military Communications Conference》;20141008;全文
认知无线电系统中的自适应动态频谱分配方法;苏曦等;《电子与信息学报》;20091231;第31卷(第12期);全文

Also Published As

Publication number Publication date
CN106231603A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106231603B (zh) 一种频谱预测方法及装置
CN107395301A (zh) 一种基于k均值算法的频谱感知方法
CN103428704B (zh) 一种频谱感知方法及装置
CN101507151A (zh) 用于对接收信号进行分类的方法、装置和计算机程序
CN105978644B (zh) 基于布谷鸟搜索算法的星地认知系统频谱接入方法
CN109526021A (zh) 一种高速铁路无线信道场景的分类方法及识别方法
CN109151839A (zh) 一种lpwa网络的网络规划方法
CN104039008B (zh) 一种混合定位方法
CN103167505A (zh) 一种小区数据信道配置方法和系统
CN103118394A (zh) 一种适用于宽带系统的多天线频谱感知方法及装置
Li et al. Learning-aided sub-band selection algorithms for spectrum sensing in wide-band cognitive radios
Pattanayak et al. Artificial intelligence based model for channel status prediction: A new spectrum sensing technique for cognitive radio
CN102271022A (zh) 一种基于最大广义特征值的频谱感知方法
Martella et al. From proximity sensing to spatio-temporal social graphs
CN106533592A (zh) 一种用于水声网络的多业务数据通信方法及通信系统
CN103957537A (zh) 基于信道聚类的频谱感知方法及装置
Koufos et al. Distributed sensing in multiband cognitive networks
CN111239724A (zh) 一种基于雷达传感网络的目标识别方法
CN106972900A (zh) 基于广义t2统计量的盲频谱感知方法
CN116489764A (zh) 一种通信感知一体化的方法、设备和系统
CN108134703B (zh) 网络小区隐患故障预测分析方法及装置
Choi et al. Simultaneous crowd estimation in counting and localization using WiFi CSI
CN104994511B (zh) 认知无线电系统中基于合作感知的授权用户参数估计方法
CN108761385A (zh) 一种基于ap虚拟坐标进行指纹点聚类的室内位置定位方法
CN101854217B (zh) 一种基于审查的最优量化协作频谱感知方法

Legal Events

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