CN107528649A - 一种基于Bagging的认知无线电网络频谱的预测方法 - Google Patents
一种基于Bagging的认知无线电网络频谱的预测方法 Download PDFInfo
- Publication number
- CN107528649A CN107528649A CN201710762368.5A CN201710762368A CN107528649A CN 107528649 A CN107528649 A CN 107528649A CN 201710762368 A CN201710762368 A CN 201710762368A CN 107528649 A CN107528649 A CN 107528649A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- output
- layer
- msubsup
- 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.)
- Pending
Links
Classifications
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Bagging的认知无线电网络频谱的预测方法,包括如下步骤:步骤1:收集CRN中主用户信道的状态数据;并将该预处理后的状态数据作为T个基学习器的输入数据,分别对该T个基学习器进行训练;步骤2:运用结合策略将该T个基学习器结合形成频谱预测模型;步骤3:通过该频谱预测模型对CRN中主用户信道进行频谱预测。本发明基于Bagging的基于Bagging的认知无线电网络频谱的预测方法通过结合不同的基学习器来加强预测的稳定性以及预测能力,不仅提高了学习效果,而且能够增强模型的泛化能力,进而提高频谱预测的准确率,从而提高频谱的利用率。
Description
技术领域
本发明属于无线网络技术领域,尤其涉及一种基于Bagging的认知无线电网络频谱的预测方法。
背景技术
无线通信技术的迅猛发展,激发了越来越多的无线网络业务,而频谱作为无线网络中最宝贵的资源,已经难以满足目前及将来的无线业务需求。为了解决传统固定频谱分配方案造成的资源利用率不高的问题,认知无线电(Cognitive Radio,简称CR)技术作为一种智能的频谱共享技术受到国内外学者的广泛关注,CR技术依靠人工智能技术的支持,动态检测和利用频谱空洞,从根本上解决了频谱利用率低而造成的频谱资源浪费的问题。
CR技术的认知无线电网络(Cognitive Radio Network,简称CRN)中,为了充分降低次用户(Secondary User,简称SU)对主用户(Primary User,简称PU)的干扰,SU需要准确地感知PU的频谱状态,而频谱感知会受到硬件、感知信号强度、感知时间以及感知精度等诸多因素的影响,这些因素会造成由于频谱转移不及时而产生的频谱干扰问题,另外,频谱感知能耗较大,会造成许多不必要的资源浪费。因此,频谱预测作为解决频谱感知问题的关键成为当前的研究热点。
高效的频谱预测可以通过其预测能力快速掌握频谱的使用状态,从而有效的避免不必要的频谱感知过程,进而指导频谱感知的行为,改善网络性能,提高频谱的利用率。但是,传统的频谱预测方法普遍存在预测准确率不高等问题。
发明内容
基于此,本发明的目的在于,提供一种基于Bagging的认知无线电网络频谱的预测方法,稳定性强、预测能力好,可提高频谱预测的准确率的优点。
一种基于Bagging的认知无线电网络频谱的预测方法,包括如下步骤:
步骤1:收集CRN中主用户信道的状态数据;
步骤2:对CRN中主用户信道状态数据进行预处理,并将该预处理后的状态数据作为T个基学习器的输入数据,分别对该T个基学习器进行训练;
步骤3:运用结合策略将该T个基学习器结合形成频谱预测模型;
步骤4:通过该频谱预测模型对CRN中主用户信道进行频谱预测。
相比于现有技术,本发明通过结合不同的基学习器来加强预测的稳定性以及预测能力,不仅提高了学习效果,而且能够增强模型的泛化能力,进而提高频谱预测的准确率,从而提高频谱的利用率。
进一步地,在步骤2中,T个基学习器均采用BP神经网络结构,该BP神经网络结构包括一层输入层、两层隐含层和一层输出层,从输入层输入的信号通过两层隐含层逐层处理后作用于输出层,经过输出层的非线性变换后,产生输出信号;BP神经网络结构的训练参数设计为:输入层的节点个数设置为4,第一层隐含层的节点个数为15,第二层隐含层的节点个数为20,输出层有1个输出神经元;权值的范围为[-1,1],偏置的范围为[0,1]。
本发明提供的该RBF神经网络结构结构简单,收敛速度快,实时性强,可以充分地适应网络的变化,提高网络的自适应性进一步地,在步骤2中,每个基学习器的训练过程包括如下步骤:
步骤21:用预处理后的状态数据作为基学习器的输入数据,获取基学习器实际的输出数据;
步骤22:根据基学习器的实际输出数据和期望输出数据,获取基学习器的输出误差;
步骤23:判断输出误差是否小于预设值或者训练次数是否超过预设次数,若是,则结束训练;否则,将获取的输出误差按原来的连接通路反向反馈,并修改权值和偏置,回到步骤21。
通过不断地迭代修改基学习器的参数结构,以获得最优的基学习器,进而提高预测的准确性。
进一步地,在步骤21中,基学习器的输出数据计算方法如下:
其中,表示第l层第j个节点单元的输入值,表示第l层第j个节点单元的输出值,wij∈[-1,1]为相邻层之间的节点单元连接的权重,为第l层第j个节点单元的阀值;
在步骤22中,所述输出误差的计算方法如下:
对于第t个时刻长度为τ的目标输入样本,对应一个目标输出值为xt+τ。输出层的节点单元输出值表示为它是目标输出值xt+τ的预测值。
通过基学习器,进而准确预测认知无线电网络的频谱。
进一步地,在步骤23中,根据如下方法修改权值和偏置:
wt=wt-1+Δwt
θt=θt-1+Δθt
其中,wt表示在第t个时刻的权值θt表示在第t个时刻的阈值η表示学习速率,设置为0.2,β表示动量因子,设置为0.9。
通过迭代修改权值和偏置,进而获取最优的基学习器,提高预测的准确性。
进一步地,在步骤3中,通过将T个基学习器的预测结果取平均值来得到最终的预测结果。通过结合不同的基学习器的平均值来作为最终的预测结果,可加强预测的稳定性以及预测能力,提高学习效果。
进一步地,在步骤2中,对CRN中主用户信道状态数据进行预处理包括:从CRN中主用户信道状态数据中有放回的进行抽样选择得到T个新的数据集,该T个新的数据集即分别作为T个基学习器的输入数据。通过有放回的抽样对数据进行预处理,能够增强模型的泛化能力,提高频谱的利用率。
相比于现有技术,本发明通过结合不同的基学习器来加强预测的稳定性以及预测能力,不仅提高了学习效果,而且能够增强模型的泛化能力,进而提高频谱预测的准确率,从而提高频谱的利用率。
附图说明
图1是本发明基于Bagging的认知无线电网络频谱的预测方法的流程图;
图2是本发明基于Bagging的认知无线电网络频谱的预测方法的原理框图;
图3是本发明实施例中基学习器的训练流程图;
图4是基学习器正向传播的过程示意图;
图5是基学习器逆向反馈的过程示意图;
图6是本发明频谱预测训练与基于BP神经网络的频谱预测训练均方误差曲线对比图;
图7是本发明频谱预测训练与基于BP神经网络的频谱预测训练预测结果的误差对比图;
图8是预测结果误差对比本发明频谱预测训练与基于BP神经网络的频谱预测训练预测结果的均方误差的平均值对比图。
具体实施方式
本发明提供了一种基于Bagging的认知无线电网络频谱的预测方法,具体包括如下步骤:
请同时参阅图1和图2,图1是本发明基于Bagging的认知无线电网络频谱的预测方法的流程图;图2是本发明基于Bagging的认知无线电网络频谱的预测方法的原理框图。
步骤1:收集CRN中主用户信道的状态数据。
在一个实施例中,本发明使用M/Geo/1的排队模型来对信道状态数据进行仿真模拟。研究表明,M/Geo/1的排队模型可以较好地模拟真实的网络信道状态,本发明使用该模型产生连续的31000个时隙所对应的信道状态数据作为先验数据,其中前1000条数据作为网络的训练数据,后面30000条数据作为集成模型的验证数据。
步骤2:对CRN中主用户信道状态数据进行预处理,并将该预处理后的状态数据作为预设的T个基学习器的输入数据,分别对该T个基学习器进行训练。
在集成学习过程中,基学习器的数目对于最终模型的集成效果具有重要的影响,本发明设定最佳的基学习器数量T为5个。
本发明的T个基学习器均采用BP(back propagation)神经网络,该BP神经网络结构包括一层输入层、两层隐含层和一层输出层,从输入层输入的信号通过两层隐含层逐层处理后作用于输出层,经过输出层的非线性变换后,产生输出信号;BP神经网络的训练参数设计为:输入层的节点个数设置为4,第一层隐含层的节点个数为15,第二层隐含层的节点个数为20,输出层有1个输出神经元;权值的范围为[-1,1],偏置的范围为[0,1]。
本发明中,基学习器的训练样本是从CRN中主用户信道状态数据中的1000个训练样本中有放回的进行抽样选择,T个基学习器则得到T个新的数据集,每个数据集中的数据是允许重复的,每个数据集包括1000个训练样本,即采用Bagging又称自助聚集(BootstrapAGGregatING),是一种根据均匀概率分布从数据集中重复抽样(有放回)的技术,通过为每一个基分类器都构造出一个跟训练集同样大小但各不相同的训练集,从而训练出不同的基本分类器,进而提高算法的准确性。
请参阅图3,其是本发明实施例中基学习器的训练流程图。
本发明中,基学习器的训练过程,包括如下步骤:
步骤21:用预处理后的状态数据作为基学习器的输入数据,获取基学习器的实际的输出数据。
基学习器即BP神经网络的训练学习过程实质就是对网络权重和偏置的调整过程,具体包含有网络信号正向传播和误差信号反向反馈两个过程。
请参阅图4,其是基学习器正向传播的过程示意图。正向传播过程就是信号从输入层逐层向前传递至输出层的过程,具体地,各层的输出数据计算方法如下:
其中,表示第l层第j个节点单元的输入值,表示第l层第j个节点单元的输出值,wij∈[-1,1]为相邻层之间的节点单元连接的权重,为第l层第j个节点单元的阀值。
步骤22:根据基学习器的实际输出数据和期望输出数据,获取基学习器的输出误差;
本发明通过计算实际输出数据和期望输出数据的方差,进而获取基学习器的输出误差,具体地,输出误差的计算方法如下:
本发明中,每个t时刻都有一个训练样本输入,τ表示输入样本的长度,即网络输入层节点的个数,对于第t个时刻长度为τ的目标输入样本,对应一个目标输出值为xt+τ。输出层的节点单元输出值表示为它是目标输出值xt+τ的预测值。
步骤23:判断输出误差是否小于预设值或者训练次数是否超过预设次数,若是,则结束训练;否则,将获取的输出误差按原来的连接通路反向反馈,并修改权值和偏置,回到步骤21。
其中,所述预设值为1*10-5,预设次数为50次。
请参阅图5,其是基学习器逆向反馈的过程示意图。权值和偏置按照如下公式进行修改。
wt=wt-1+Δwt
θt=θt-1+Δθt
其中,wt表示在第t个时刻的权值也可以表示为同理,θt表示在第t个时刻的阈值也可以表示为η表示学习速率,设置为0.2,β表示动量因子,设置为0.9。
步骤3:运用结合策略将该T个基学习器结合形成频谱预测模型。
在集成学习中,结合策略是整个学习过程中非常关键的一步,本发明通过将T个基学习器的预测结果取平均值来得到最终的预测结果。
步骤4:通过该频谱预测模型对CRN中主用户信道进行频谱预测。
对CRN中主用户信道数据进行预处理后,通过该频谱预测模型对CRN中主用户信道进行频谱预测。对主用户信道的数据预处理跟步骤3中的预处理方式相同。
下面通过几组实验来验证本发明基于Bagging的基于Bagging的认知无线电网络频谱的预测方法的可行性和优越性。
请参阅图6,其是本发明基于Bagging频谱预测训练与基于BP神经网络的频谱预测训练均方误差曲线对比图。不同训练次数下进行频谱预测所对应的均方误差的对比,可以从实验结果看出,本发明提出的基于Bagging集成学习频谱预测方法收敛性强,稳定性好。另外,也可以看出,本发明提出的Bagging集成学习频谱预测方法可以充分克服了BP神经网络局部最优的问题,训练结果更佳。
请参阅图7,其是本发明基于Bagging频谱预测训练与基于BP神经网络的频谱预测训练预测结果的误差对比图。图7是取100个数据样本进行预测,分别对应基于Bagging集成学习频谱预测方法与基于BP神经网络频谱预测方法预测的对比情况,从对比结果可以看出,本发明提出的基于Bagging集成学习频谱预测方法预测准确性高,泛化能力强,因此,可以看出,本发明提出的基于Bagging集成学习频谱预测方法可以提高频谱预测的的准确率,进而改善CRN频谱的利用率以及整体性能。
请参阅图8,其是预测结果误差对比本发明基于Bagging频谱预测训练与基于BP神经网络的频谱预测训练预测结果的均方误差的平均值对比图。图8是取30000个训练样本,将其划分为100个数据集合,每个数据集合包含300个数据样本,对基于Bagging集成学习频谱预测方法和基于BP神经网络频谱预测方法中每个数据集合训练样本预测结果的均方误差平均值进行对比,从实验结果进一步可以看出,本发明提出的基于Bagging集成学习频谱预测方法在预测准确率方面具有良好的优势,它不仅能够提高频谱预测的准确性而且具有较好的稳定性,模型泛化能力强,学习能力好,可以充分的提高CRN中频谱的利用率,克服频谱感知的缺陷。
相比于现有技术,本发明基于Bagging的基于Bagging的认知无线电网络频谱的预测方法通过结合不同的基学习器来加强预测的稳定性以及预测能力,不仅提高了学习效果,而且能够增强模型的泛化能力,进而提高频谱预测的准确率,从而提高频谱的利用率。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (7)
1.一种基于Bagging的认知无线电网络频谱的预测方法,其特征在于:包括如下步骤:
步骤1:收集CRN中主用户信道的状态数据;
步骤2:对CRN中主用户信道状态数据进行预处理,并将该预处理后的状态数据作为预设的T个基学习器的输入数据,分别对该T个基学习器进行训练;
步骤3:运用结合策略将该T个基学习器结合形成频谱预测模型;
步骤4:通过该频谱预测模型对CRN中主用户信道的状态数据进行频谱预测。
2.根据权利要求1所述的基于Bagging的认知无线电网络频谱的预测方法,其特征在于:在步骤2中,T个基学习器均采用BP神经网络结构,该BP神经网络结构包括一层输入层、两层隐含层和一层输出层,从输入层输入的信号通过两层隐含层逐层处理后作用于输出层,经过输出层的非线性变换后,产生输出信号;BP神经网络结构的训练参数设计为:输入层的节点个数设置为4,第一层隐含层的节点个数为15,第二层隐含层的节点个数为20,输出层有1个输出神经元;权值的范围为[-1,1],偏置的范围为[0,1]。
3.根据权利要求2所述的基于Bagging的认知无线电网络频谱的预测方法,其特征在于:在步骤2中,每个基学习器的训练过程包括如下步骤:
步骤21:用预处理后的状态数据作为基学习器的输入数据,获取基学习器实际的输出数据;
步骤22:根据基学习器的实际输出数据和期望输出数据,获取基学习器的输出误差;
步骤23:判断输出误差是否小于预设值或者训练次数是否超过预设次数,若是,则结束训练;否则,将获取的输出误差按原来的连接通路反向反馈,并修改权值和偏置,回到步骤21。
4.根据权利要求3所述的基于Bagging的认知无线电网络频谱的预测方法,其特征在于:在步骤21中,基学习器的输出数据计算方法如下:
<mrow>
<msubsup>
<mi>I</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msubsup>
<mi>O</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&theta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>O</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msubsup>
<mi>I</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msubsup>
<mi>I</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,表示第l层第j个节点单元的输入值,表示第l层第j个节点单元的输出值,wij∈[-1,1]为相邻层之间的节点单元连接的权重,为第l层第j个节点单元的阀值;
在步骤22中,所述输出误差的计算方法如下:
<mrow>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<msub>
<mi>&Sigma;e</mi>
<mi>t</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
其中,对于第t个时刻长度为τ的目标输入样本,对应一个目标输出值为xt+τ;表示为输出层的节点单元输出值,它是目标输出值xt+τ的预测值。
5.根据权利要求3所述的基于Bagging的认知无线电网络频谱的预测方法,其特征在于:在步骤23中,根据如下方法修改权值和偏置:
wt=wt-1+Δwt
<mrow>
<msub>
<mi>&Delta;w</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mi>t</mi>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&beta;w</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
θt=θt-1+Δθt
<mrow>
<msub>
<mi>&Delta;&theta;</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&theta;</mi>
<mi>t</mi>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&beta;&Delta;&theta;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
其中,wt表示在第t个时刻的权值θt表示在第t个时刻的阈值η表示学习速率,设置为0.2,β表示动量因子,设置为0.9。
6.根据权利要求1所述的基于Bagging的认知无线电网络频谱的预测方法,其特征在于:在步骤3中,通过将T个基学习器的预测结果取平均值来得到最终的预测结果。
7.根据权利要求1所述的基于Bagging的认知无线电网络频谱的预测方法,其特征在于:在步骤2中,对CRN中主用户信道状态数据进行预处理包括:从CRN中主用户信道状态数据中有放回的进行抽样选择得到T个新的数据集,该T个新的数据集即分别作为T个基学习器的输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710762368.5A CN107528649A (zh) | 2017-08-30 | 2017-08-30 | 一种基于Bagging的认知无线电网络频谱的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710762368.5A CN107528649A (zh) | 2017-08-30 | 2017-08-30 | 一种基于Bagging的认知无线电网络频谱的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107528649A true CN107528649A (zh) | 2017-12-29 |
Family
ID=60682924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710762368.5A Pending CN107528649A (zh) | 2017-08-30 | 2017-08-30 | 一种基于Bagging的认知无线电网络频谱的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107528649A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109391511A (zh) * | 2018-09-10 | 2019-02-26 | 广西华南通信股份有限公司 | 一种基于可拓展训练网络的智能通信资源分配策略 |
CN110162961A (zh) * | 2019-05-13 | 2019-08-23 | 华东师范大学 | 基于集成学习的群体口令强度评价方法 |
CN110751289A (zh) * | 2019-09-29 | 2020-02-04 | 江苏大学 | 基于Bagging_BP算法的在线学习行为分析方法 |
CN111524520A (zh) * | 2020-04-22 | 2020-08-11 | 星际(重庆)智能装备技术研究院有限公司 | 一种基于误差逆向传播神经网络的声纹识别方法 |
CN113840297A (zh) * | 2021-10-08 | 2021-12-24 | 南京航空航天大学 | 一种基于射频机器学习模型驱动的频谱预测方法 |
CN113919594A (zh) * | 2021-11-18 | 2022-01-11 | 贵州电网有限责任公司 | 一种基于深度森林的需求响应潜力评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
WO2014052992A1 (en) * | 2012-11-07 | 2014-04-03 | Massachusetts Institute Of Technology | Cognitive radio method and apparatus for achieving ad hoc interference multiple access wireless communication |
CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
-
2017
- 2017-08-30 CN CN201710762368.5A patent/CN107528649A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
WO2014052992A1 (en) * | 2012-11-07 | 2014-04-03 | Massachusetts Institute Of Technology | Cognitive radio method and apparatus for achieving ad hoc interference multiple access wireless communication |
CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
Non-Patent Citations (2)
Title |
---|
张振宇: ""基于Boosting算法的感知无线电决策研究及其应用"", 《中国优秀博士学位论文全文数据库》 * |
胡翩翩: ""基于HS-BP神经网络的认知无线电频谱预测技术"", 《计算机工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109391511A (zh) * | 2018-09-10 | 2019-02-26 | 广西华南通信股份有限公司 | 一种基于可拓展训练网络的智能通信资源分配策略 |
CN109391511B (zh) * | 2018-09-10 | 2020-06-05 | 广西华南通信股份有限公司 | 一种基于可拓展训练网络的智能通信资源分配策略 |
CN110162961A (zh) * | 2019-05-13 | 2019-08-23 | 华东师范大学 | 基于集成学习的群体口令强度评价方法 |
CN110751289A (zh) * | 2019-09-29 | 2020-02-04 | 江苏大学 | 基于Bagging_BP算法的在线学习行为分析方法 |
CN110751289B (zh) * | 2019-09-29 | 2022-06-21 | 江苏大学 | 一种基于Bagging_BP算法的在线学习行为分析方法 |
CN111524520A (zh) * | 2020-04-22 | 2020-08-11 | 星际(重庆)智能装备技术研究院有限公司 | 一种基于误差逆向传播神经网络的声纹识别方法 |
CN113840297A (zh) * | 2021-10-08 | 2021-12-24 | 南京航空航天大学 | 一种基于射频机器学习模型驱动的频谱预测方法 |
CN113840297B (zh) * | 2021-10-08 | 2022-08-30 | 南京航空航天大学 | 一种基于射频机器学习模型驱动的频谱预测方法 |
CN113919594A (zh) * | 2021-11-18 | 2022-01-11 | 贵州电网有限责任公司 | 一种基于深度森林的需求响应潜力评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107528649A (zh) | 一种基于Bagging的认知无线电网络频谱的预测方法 | |
Sun et al. | Reducing offloading latency for digital twin edge networks in 6G | |
CN101873638B (zh) | 基于模糊神经网络的异构无线网络接入选择方法 | |
CN106022463A (zh) | 基于改进粒子群算法的个性化学习路径优化方法 | |
CN103108382A (zh) | 一种基于网络层次分析法的异构网络多属性决策方法 | |
CN101282243A (zh) | 无线传感器网络分布式融合识别方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN107528650B (zh) | 一种基于gcv-rbf神经网络的认知无线电网络频谱的预测方法 | |
CN113452642B (zh) | 一种可重构智能表面增强的siso-ofdm下行传输方法 | |
CN103313354A (zh) | 基于四种权值向量的异构网络选择方法 | |
CN108566253A (zh) | 一种基于对信号功率谱拟合特征提取的信号识别方法 | |
CN113473580B (zh) | 异构网络中基于深度学习的用户关联联合功率分配方法 | |
CN109598381A (zh) | 一种基于状态频率记忆神经网络的短时交通流预测方法 | |
CN101902416A (zh) | 模糊控制的动态小波神经网络反馈盲均衡方法 | |
Chen et al. | A deep learning based resource allocation scheme in vehicular communication systems | |
CN104504280A (zh) | 考虑规划需求的电动汽车充电桩集群管理系统通信方式综合评价方法 | |
CN109548044A (zh) | 一种基于ddpg的能量可收集通信的比特率优化算法 | |
CN103209417B (zh) | 基于神经网络的频谱占用状态的预测方法以及装置 | |
CN105391490A (zh) | 一种基于认知的卫星通信网络选择算法 | |
Liu et al. | Edge learning with unmanned ground vehicle: Joint path, energy, and sample size planning | |
CN108566255A (zh) | 基于多任务学习的时间相关mimo系统信道预测方法 | |
Wang et al. | Age-of-information minimization in federated learning based networks with Non-IID dataset | |
Huang et al. | Reinforcement learning based resource management for 6G-enabled mIoT with hypergraph interference model | |
CN103906135B (zh) | 一种用于蜂窝网络中的p2p节点选择方法及系统 | |
Yao et al. | Umim: Utility-maximization incentive mechanism for mobile crowd sensing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |
|
RJ01 | Rejection of invention patent application after publication |