CN107528650A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107528650A CN107528650A CN201710762385.9A CN201710762385A CN107528650A CN 107528650 A CN107528650 A CN 107528650A CN 201710762385 A CN201710762385 A CN 201710762385A CN 107528650 A CN107528650 A CN 107528650A
- Authority
- CN
- China
- Prior art keywords
- neural network
- rbf neural
- gcv
- central point
- output
- 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.)
- Granted
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
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GCV‑RBF神经网络的认知无线电网络频谱的预测方法,包括如下步骤:步骤1:获取信道历史数据信息;步骤2:将信道历史数据信息作为预设的RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,并通过GCV评估方法获取最优的RBF神经网络结构;步骤3:根据信道历史数据信息,通过最优的RBF神经网络结构对当前频谱状态进行预测。相比于现有技术,本发明通过GCV评估方法获取最优的RBF神经网络结构,解决了训练过程中过度拟合的问题,提高了预测准确率。进一步地,RBF神经网络结构作为一种局部逼近网络,具有结构简单,收敛速度快,实时性强等优势,可以充分地适应网络的变化提高了网络的自适应型。
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GCV-RBF神经网络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的等问题。
发明内容
基于此,本发明的目的在于,提供一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法,其具有预测准确率高、网络反应能力好的优点。
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,包括如下步骤:
步骤1:获取信道历史数据信息;
步骤2:将信道历史数据信息作为预设的RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,并通过GCV评估方法获取最优的RBF神经网络结构;
步骤3:根据信道历史数据信息,通过最优的RBF神经网络结构对当前频谱状态进行预测。
相比于现有技术,本发明提供的RBF神经网络结构简单,收敛速度快,通过OLS算法对RBF神经网络进行训练后,可充分的适应网络的变化,再结合GCV评估方法获取最优的RBF神经网络结构,解决了训练过程中过度拟合、陷入局部最优的问题,实现了多方位地对样本进行学习训练,不仅提高了预测准确率,而且提高了网络的自适应型。
进一步地,在步骤2中,预设的RBF神经网络结构包括输入层、隐含层和输出层;
输入层的每个输入样本为x=(x1,x2,...,xT);
隐含层节点j的输出为:
其中,为径向基函数,且该径向基函数为高斯函数,||·||为欧式距离,cj为径向基函数的中心,sj为径向基函数的宽度,M表示RBF神经网络中隐含层的神经元节点数目;
输出层的输出为:其中,θj(x)隐含层第j个径向基函数的输出值,wj表示隐含层第j个节点到输出层的连接权值,M为隐含层节点的个数,f(x)为输出层的输出值。
本发明提供的该RBF神经网络结构简单,收敛速度快,实时性强,可以充分地适应网络的变化,提高了网络的自适应型。
进一步地,在步骤2中,具体包括如下步骤:
步骤21:初始化操作,令k=1,k为迭代次数;
步骤22:将信道历史数据信息作为RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,获取最大误差对应的中心点,并将该中心点加入到RBF神经网络的中心点集合;
步骤23:计算当前中心点的权值,并通过GCV评估方法计算当前RBF神经网络的评估值
步骤24:令k=k+1;将信道历史数据信息作为RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,获取最大误差对应的中心点,并将该中心点加入到RBF神经网络的中心点集合;
步骤25:计算当前中心点的权值,并通过GCV方法计算当前RBF神经网络的评估值
步骤26:比较和的大小,如果则跳到步骤34;否则停止运算,并以当前的RBF神经网络隐含层神经元个数、隐含层基函数中心、隐含层基函数宽度和网络权值作为最优的RBF神经网络结构参数;
其中,RBF神经网络的评估值的计算公式为:
上述公式中,p=N,γ=M,N表示RBF神经网络输入的样本数量,M表示RBF神经网络中隐含层的神经元节点数量;表示输出误差,且
以本发明提供的GVC方法进行模型的评估,通过多方位的样本学习,避免OLS算法对RBF神经网络进行训练时,陷入局部最优以及训练过程中过度拟合等问题,以提高预测准确率和网络的自适应性。
进一步地,在步骤22中,通过OLS算法对RBF神经网络进行训练时,还包括如下步骤:
步骤221:对隐含层的输出数据qi进行Gram-Schmidt正交化,其中,正交化的数据表示为
步骤222:根据公式计算LS解,公式中,D表示RBF神经网络的输出层输出的数据矩阵;
步骤223:根据公式计算误差;
步骤224:获取最大误差对应的qk,并选择与之对应的中心点加入到中心点集合,其中,选择最大误差对应的中心点的计算公式如下:
本发明提供的该OLS算法作为一种正向的选择算法,其稳定性好、计算量小、迭代次数少,可快速获取最优的RBF神经网络。
进一步地,在步骤23中,计算当前中心点的权值为
其中,
取λj=1,获取的中心点的权值为最优权值。
通过不断迭代试验,获取RBF神经网络的最优权值,进而快速获取最优的RBF神经网络。
进一步地,在步骤24中,通过OLS算法对RBF神经网络进行训练时,还包括如下步骤:
步骤241:对隐含层的输出数据qi进行Gram-Schmidt正交化,正交化的数据表示为:
步骤242:根据公式计算LS解,公式中,D表示RBF神经网络的输出层输出的数据矩阵;
步骤243:根据公式计算误差;
步骤244:获取最大误差对应的qk,并选择与之对应的中心点加入到中心点集合,其中,选择最大误差对应的中心点的计算公式如下:
通过对数据进行Gram-Schmidt正交化,不仅简化了运算,而且很好的保持了数据特性。
进一步地,在步骤2中,RBF神经网络的输入层神经元节点的数目为4,输出层神经元节点数目为1。
通过选择适合的输入层和输出层神经元节点数目,提高预测的准确率,减少预测时间。
相比于现有技术,本发明提供的RBF神经网络结构简单,收敛速度快,通过OLS算法对RBF神经网络进行训练后,可充分的适应网络的变化,再结合GCV评估方法获取最优的RBF神经网络结构,解决了训练过程中过度拟合、陷入局部最优的问题,实现了多方位地对样本进行学习训练,不仅提高了预测准确率,而且提高了网络的自适应型。
附图说明
图1为本发明实施例中基于GCV-RBF神经网络的认知无线电网络频谱的预测方法的流程图;
图2为本发明一个实施例中RBF神经网络结构的原理图;
图3为本发明一个实施例中步骤2的具体流程图;
图4为本发明一个实施例中步骤22的具体流程图;
图5为本发明一个实施例中步骤24的具体流程图;
图6是基于GCV-RBF与基于BP神经网络频谱预测误差对比图;
图7是基于GCV-RBF与基于BP神经网络频谱预测均方误差平均值对比图;
图8是基于GCV-RBF与基于DE-BP神经网络频谱预测误差对比图;
图9是基于GCV-RBF与基于DE-BP神经网络频谱预测均方误差平均值对比图;
图10是基于GCV-RBF与基于K-RBF神经网络频谱预测误差对比图;
图11是基于GCV-RBF与基于K-RBF神经网络频谱预测均方误差平均值对比图。
具体实施方式
请参阅图1,其为本发明实施例中基于GCV-RBF神经网络的认知无线电网络频谱的预测方法的流程图,该基于GCV-RBF神经网络的认知无线电网络频谱的预测方法包括如下步骤:
步骤1:获取信道历史数据信息。
在一个实施例中,本发明采用基于M/Geo/1的排队模型来模拟产生信道状态数据作为实验的先验数据,并从中选取连续的31100组样本数据,其中第1到第1000组数据作为训练样本数据,用来进行模型的训练;第1001到第1100组数据作为预测样本数据,用来进行模型预测准确度的评估。
为了进一步评估模型预测的准确性,在产生的信道状态数据中,继续取30000组样本数据,并且把它们划分为100个样本数据集合,每个集合中包含300组数据样本,将每个样本数据集合预测的均方误差平均值进行模型评估。
步骤2:将信道历史数据信息作为预设的RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,并通过GCV评估方法获取最优的RBF神经网络结构。
径向基函数神经网络(radial basis function neural network,以下简称RBF神经网络)是一种三层前馈神经网络,能够逼近任意非线性函数,具有良好的全局逼近性能和泛化能力,并且学习收敛速度快。
请参阅图2,其为本发明一个实施例中RBF神经网络结构的原理图。在RBF神经网络中,第一层为输入层,进行样本的输入,输入层节点的个数就是样本的维度。第二层为隐含层,也称径向基层,节点的激活函数使用的是径向基函数,隐含层对输入样本进行非线性变换,将低维空间映射到高维的空间上,解决低维空间不可解的问题。本发明中,每个样本都是一个向量,每个向量包含T个元素,共有N个样本,M个隐含层神经元的个数,则输入层的每个输入样本可表示为x=(x1,x2,...,xT),因此,隐含层节点j的输出为:
其中,为径向基函数,且该径向基函数为高斯函数,||·||为欧式距离,cj为径向基函数的中心,sj为径向基函数的宽度,M表示RBF神经网络中隐含层的神经元节点数目。
第三层为输出层,也称为线性层,隐含层和输出层之间有权值连接,它是将隐含层的输出进行一种线性变换,如图1所示,计算公式如下:
其中,θj(x)表示隐含层第j个径向基函数的输出值,wj表示隐含层第j个节点到输出层的连接权值,M为隐含层节点的个数,f(x)为输出层的输出值。
本发明将输入层神经元节点的数目设置为4,输出层神经元节点数目为1。
普通最小二乘法(Ordinary Least Square,以下简称“OLS”)具有稳定性好、计算量小、迭代次数少的优点。在CRN频谱预测的研究中,由于样本规模相对较小,导致训练模型泛化能力较差,另外,OLS算法并没有考虑过度拟合的问题,因此,为了多方位地进行样本的学习,提高数据样本的利用率,解决训练过程中过度拟合的问题,引入了广义交叉验证(generalized cross validation,以下简称GCV)评估方法,GCV方法作为一种评估方法,其具有不依靠特定参数模型,完全基于数据进行评估的优点,可提高数据样本的利用率,解决训练过程中过度拟合的问题。为此,本发明利用OLS算法和GCV方法获取最优的RBF神经网络。
请参阅图3,其为本发明一个实施例中步骤2的具体流程图,在一个实施例的步骤2中,具体包括如下步骤:
步骤21:初始化操作,令k=1,k为迭代次数。
步骤22:将信道历史数据信息作为RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,获取最大误差对应的中心点,并将该中心点加入到RBF神经网络的中心点集合。
假设有N个训练样本,隐含层有M个神经元节点,因此,可以得到下列线性回归模型:
其中,ε(x)表示误差;
上式写成矩阵形式如下:
F对应M个基向量为(q1,q2,...,qM),使用下式对F进行Gram-Schmidt正交化。
q1=θ1
其中,aik,qk对应的就是式(7)中的每个分量,因为需要对(q1,q2,...,qM)这M个基向量进行正交化得到[q1 q2 L qM],因此需要进行M次正交化,k就是正交化的次数。
其中,当k=2,3,...,M时,通过上式的计算可以得到:
其中,上式可以记为:
Φ=QA (8)
其中,Q为正交矩阵,A为对角线为1的上角矩阵,使用上式的这种正交表示,RBF神经网络的输出值可以表示为:
D=ΦW+E=QG+E (9)
G=(Q'Q)-1Q'D (10)
其中,G=[g1,g2,..,gM]
由于qi是正交的,因此目标输出D的平方和为:
所以,D的方差为:
从上式可以看到,每个正交向量qi对方差的贡献为因此可以定义误差为:
在一个实施例中,本发明采用1000组训练样本进行RBF神经网络模型的训练,每组样本数据包括4个输入样本和1个输出样本。
请参阅图4,其为本发明一个实施例中步骤22的具体流程图。综上公式分析,当k=1时,对于1<i<M,通过OLS算法对RBF神经网络进行训练时,具体包括如下步骤:
步骤221:对隐含层的输出数据qi进行Gram-Schmidt正交化,正交化的数据表示为
步骤222:根据公式计算LS解,公式中,D表示RBF神经网络的输出层输出的数据矩阵;
步骤223:根据公式计算误差;
步骤224:获取最大误差对应的qk,并选择与之对应的中心点加入到中心点集合,其中,选择最大误差对应的中心点的计算公式如下:
步骤23:利用最优权值计算方法计算当前中心点的权值,并通过GCV方法计算当前RBF神经网络的评估值
在确定RBF神经网络最优权值时,本发明定义一个代价函数如下:
其中,C表示评价值,yi表示目标输出,f(xi)表示预测输出,lj为调整因子,wj为网络输出权值。
将上述代价函数对wj求偏导,最终可以得到下式:
其中,
所以,
令ΘTΘ+Λ为A,则上式可以写成:
在本发明中,将λj设置为1,此时,获取的中心点的权值为最优权值。
通过GCV方法计算当前RBF神经网络的评估值时,假设对于输入样本xi,则RBF神经网络的输出值为:
因此,联合最优权值计算公式,可以得到N个输入样本的网络输出值为:
通过下式计算N个输入样本的网络输出误差为:
其中,P=In-ΘA-1ΘT
所以,
对于平方损失下的线性拟合,GCV是对留一交叉验证(Leave-One-Out,简称LOO)交叉验证的一种优化,主要是为了能够减少LOO交叉验证的计算复杂度。最终,对LOO简化之后,GCV模型评估公式为:
其中,p=N,γ=M,N表示RBF神经网络输入的样本数量,M表示RBF神经网络中隐含层的神经元节点数量;表示实际输出,f表示RBF神经网络的输出,表示输出误差。
步骤24:令k=k+1;将信道历史数据信息作为RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,获取最大误差对应的中心点,并将该中心点加入到RBF神经网络的中心点集合。
请参阅图5,其为本发明一个实施例中步骤24的具体流程图。
根据步骤22的推导可知,当k≥2时,对于1<i<M,通过OLS算法对RBF神经网络进行训练时,还包括如下步骤:
步骤241:对隐含层的输出数据qi进行Gram-Schmidt正交化,正交化的数据表示为:
步骤242:根据公式计算LS解,公式中,D表示RBF神经网络的输出层输出的数据矩阵;
步骤243:根据公式计算误差;
步骤244:获取最大误差对应的qk,并选择与之对应的中心点加入到中心点集合,其中,选择最大误差对应的中心点的计算公式如下:
步骤25:利用最优权值计算方法计算当前中心点的权值,并通过GCV方法计算当前RBF神经网络的评估值
根据步骤23的最优值计算方法计算当前中心点的权值;根据步骤33中的GCV模型评估公式计算当前RBF神经网络的评估值。
步骤26:比较和的大小,如果则跳到步骤34;否则停止运算,并以当前的RBF神经网络隐含层神经元个数、隐含层基函数中心、隐含层基函数宽度和网络权值作为最优的RBF神经网络结构参数。
步骤3:根据RBF神经网络的输出状态,预测当前频谱状态。
下面通过几组实验来验证本发明提出的方法的可行性和优越性。
(1)与BP神经网络频谱预测对比分析
分别进行基于BP神经网络和本发明基于GCV-RBF神经网络训练,使用100组预测样本分别进行频谱预测误差对比分析,请参阅图6,其是基于GCV-RBF与基于BP神经网络频谱预测误差对比图,从实验结果可以看出,本发明提出的基于GCV-RBF神经网络频谱预测的准确性要明显优于基于BP神经网络频谱预测的准确性。
下面仍然使用1000组数据作为训练样本进行训练,使用前面得到的100个数据集合作为预测样本,计算其均方误差平均值进行对比,请参阅图7,其是基于GCV-RBF与基于BP神经网络频谱预测均方误差平均值对比图,从实验结果可以进一步看出,本发明提出的基于GCV-RBF神经网络频谱预测的误差要明显小于基于BP神经网络频谱预测的误差,进一步验证了该方法的可行性,下面分别对训练过程和预测过程的时间进行对比,如表1所示。
表1基于GCV‐RBF与基于BP神经网络频谱预测训练和预测时间对比
从结果可以看出,本发明提出的基于GCV-RBF神经网络频谱预测的训练时间要略高于基于BP神经网络频谱预测的训练时间,其主要原因是本文引入了GCV进行模型评估,增加了样本的训练维度,但时间差距不大。从100组样本数据的预测时间可以看出,本发明提出的基于GCV-RBF神经网络频谱预测的预测时间要少于基于BP神经网络频谱预测的预测时间,说明本文提出的基于GCV-RBF神经网络频谱预测预测效率更高,另外,从100组样本数据集合的时间对比可以进一步证明本发明提出的基于GCV-RBF神经网络频谱预测具有明显的时间效率。
(2)与DE-BP神经网络频谱预测对比分析
下面将本发明提出的基于GCV-RBF神经网络频谱预测与基于DE-BP神经网络频谱预测进行对比。请参阅图8,其是基于GCV-RBF与基于DE-BP神经网络频谱预测误差对比图,取100组样本数据进行预测,并对预测误差进行对比。可以看出,基于DE-BP神经网络频谱预测的准确性相比于基于BP神经网络频谱预测的准确性有所提高,但仍然低于本文提出的基于GCV-RBF神经网络频谱预测的准确度,这也充分的说明了本文提出的基于GCV-RBF神经网络频谱预测具有良好的预测准确性。为了进一步验证本文提出算法的优越性,同样使用100组样本数据集合的均方误差的平均值进行对比,请参阅图9,其是基于GCV-RBF与基于DE-BP神经网络频谱预测均方误差平均值对比图,可以进一步看出,本发明提出的基于GCV-RBF神经网络频谱预测在准确性方面仍然具有一定的优势。下面分别对它们的训练时间和预测时间进行对比,如表2所示。
表2基于GCV‐RBF与基于DE‐BP神经网络频谱预测训练和预测时间对比
从表格数据可以看出,虽然使用DE算法提高BP神经网络频谱预测的准确度,但同时增加了训练负担,训练时间急剧增加,另外,也可以看出本发明提出的基于GCV-RBF神经网络频谱预测在保证预测准确度的同时,在训练时间和预测时间上也有相当大的优势,具有明显的优越性。
(3)与K-RBF神经网络频谱预测对比
同样,将基于K-RBF神经网络的频谱预测与本发明提出的基于GCV-RBF神经网络频谱预测进行对比,请同时参阅图10和图11,图10是基于GCV-RBF与基于K-RBF神经网络频谱预测误差对比图;图11是基于GCV-RBF与基于K-RBF神经网络频谱预测均方误差平均值对比图,其中图10和图11分别为100组样本数据预测数据的误差对比以及100组样本数据集合预测的均方误差平均值对比。由于基于K-RBF神经网络的频谱预测与本发明提出的基于GCV-RBF神经网络频谱预测使用相同的网络结构,因此,只对其预测准确性进行对比。从实验结果可以看出,基于K-RBF神经网络的频谱预测的拟合程度较差,预测准确性要低于本发明提出的基于GCV-RBF神经网络频谱预测,因此,这样验证了本发明提出的基于GCV-RBF神经网络频谱预测方法在预测准确性方面具有一定的优越性。
相比于现有技术,本发明通过GCV评估方法获取最优的RBF神经网络结构,解决了训练过程中过度拟合的问题,提高了预测准确率。进一步地,RBF神经网络结构作为一种局部逼近网络,具有结构简单,收敛速度快,实时性强等优势,可以充分地适应网络的变化提高了网络的自适应型,减少训练预测时间。
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GCV-RBF神经网络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:获取信道历史数据信息;
步骤2:将信道历史数据信息作为预设的RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,并通过GCV评估方法获取最优的RBF神经网络结构;
步骤3:根据信道历史数据信息,通过最优的RBF神经网络结构对当前频谱状态进行预测。
2.根据权利要求1所述的基于GCV-RBF神经网络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,预设的RBF神经网络结构包括输入层、隐含层和输出层;
输入层的每个输入样本为x=(x1,x2,...,xT);
隐含层节点j的输出为:
其中,为径向基函数,且该径向基函数为高斯函数,||·||为欧式距离,cj为径向基函数的中心,sj为径向基函数的宽度,M表示RBF神经网络中隐含层的神经元节点数目;
输出层的输出为:其中,θj(x)隐含层第j个径向基函数的输出值,wj表示隐含层第j个节点到输出层的连接权值,M为隐含层节点的个数,f(x)为输出层的输出值。
3.根据权利要求2所述的基于GCV-RBF神经网络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,具体包括如下步骤:
步骤21:初始化操作,令k=1,k为迭代次数;
步骤22:将信道历史数据信息作为RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,获取最大误差对应的中心点,并将该中心点加入到RBF神经网络的中心点集合;
步骤23:计算当前中心点的权值,并通过GCV评估方法计算当前RBF神经网络的评估值
步骤24:令k=k+1;将信道历史数据信息作为RBF神经网络的输入样本,通过OLS算法对RBF神经网络进行训练,获取最大误差对应的中心点,并将该中心点加入到RBF神经网络的中心点集合;
步骤25:计算当前中心点的权值,并通过GCV方法计算当前RBF神经网络的评估值
步骤26:比较和的大小,如果则跳到步骤34;否则停止运算,并以当前的RBF神经网络隐含层神经元个数、隐含层基函数中心、隐含层基函数宽度和网络权值作为最优的RBF神经网络结构参数;
其中,RBF神经网络的评估值的计算公式为:
<mrow>
<msubsup>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>G</mi>
<mi>C</mi>
<mi>V</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<msup>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mi>P</mi>
<mn>2</mn>
</msup>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
上述公式中,p=N,γ=M,N表示RBF神经网络输入的样本数量,M表示RBF神经网络中隐含层的神经元节点数量;表示输出误差,且
4.根据权利要求3所述的基于GCV-RBF神经网络的认知无线电网络频谱的预测方法,其特征在于:在步骤22中,通过OLS算法对RBF神经网络进行训练时,还包括如下步骤:
步骤221:对隐含层的输出数据qi进行Gram-Schmidt正交化,其中,正交化的数据表示为
步骤222:根据公式计算LS解,公式中,D表示RBF神经网络的输出层输出的数据矩阵;
步骤223:根据公式计算误差;
步骤224:获取最大误差对应的qk,并选择与之对应的中心点加入到中心点集合,其中,选择最大误差对应的中心点的计算公式如下:
5.根据权利要求4所述的基于GCV-RBF神经网络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,计算当前中心点的权值为
其中,A=ΘTΘ+Λ,λj=1,获取的中心点的权值为最优权值。
6.根据权利要求5所述的基于GCV-RBF神经网络的认知无线电网络频谱的预测方法,其特征在于:在步骤24中,通过OLS算法对RBF神经网络进行训练时,还包括如下步骤:
步骤241:对隐含层的输出数据qi进行Gram-Schmidt正交化,正交化的数据表示为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>a</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<mo>&prime;</mo>
</msup>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<msup>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<mo>&prime;</mo>
</msup>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>j</mi>
<mo><</mo>
<mi>k</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>q</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msubsup>
<mi>a</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msubsup>
<mi>q</mi>
<mi>j</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
步骤242:根据公式计算LS解,公式中,D表示RBF神经网络的输出层输出的数据矩阵;
步骤243:根据公式计算误差;
步骤244:获取最大误差对应的qk,并选择与之对应的中心点加入到中心点集合,其中,选择最大误差对应的中心点的计算公式如下:
7.根据权利要求5所述的基于GCV-RBF神经网络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,预设的RBF神经网络的输入层神经元节点的数目为4,输出层神经元节点数目为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710762385.9A CN107528650B (zh) | 2017-08-30 | 2017-08-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710762385.9A CN107528650B (zh) | 2017-08-30 | 2017-08-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107528650A true CN107528650A (zh) | 2017-12-29 |
CN107528650B CN107528650B (zh) | 2020-12-22 |
Family
ID=60682944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710762385.9A Active CN107528650B (zh) | 2017-08-30 | 2017-08-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107528650B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109698726A (zh) * | 2019-01-10 | 2019-04-30 | 华中科技大学 | 一种基于机器学习的无线频谱资源分配方法 |
CN110224771A (zh) * | 2019-06-25 | 2019-09-10 | 广东工业大学 | 基于bp神经网络与信息几何的频谱感知方法及装置 |
CN110708129A (zh) * | 2019-08-30 | 2020-01-17 | 北京邮电大学 | 一种无线信道状态信息获取方法 |
CN111565431A (zh) * | 2020-03-26 | 2020-08-21 | 北京邮电大学 | 基于神经网络的swipt认知无线电网络的中继选择方法及装置 |
CN112414997A (zh) * | 2020-10-27 | 2021-02-26 | 北京工商大学 | 基于rbf神经网络的icp-aes重叠谱线分离方法 |
CN114186478A (zh) * | 2021-11-15 | 2022-03-15 | 北京奥信化工科技发展有限责任公司 | 基于rbf神经网络的爆破块度预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
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 CN201710762385.9A patent/CN107528650B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
Non-Patent Citations (2)
Title |
---|
何加宝: ""多段径向基函数网络的正交最小二乘法和正则最小二乘法"", 《中国优秀硕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 (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109698726A (zh) * | 2019-01-10 | 2019-04-30 | 华中科技大学 | 一种基于机器学习的无线频谱资源分配方法 |
CN109698726B (zh) * | 2019-01-10 | 2020-05-19 | 华中科技大学 | 一种基于机器学习的无线频谱资源分配方法 |
CN110224771A (zh) * | 2019-06-25 | 2019-09-10 | 广东工业大学 | 基于bp神经网络与信息几何的频谱感知方法及装置 |
CN110224771B (zh) * | 2019-06-25 | 2021-10-08 | 广东工业大学 | 基于bp神经网络与信息几何的频谱感知方法及装置 |
CN110708129A (zh) * | 2019-08-30 | 2020-01-17 | 北京邮电大学 | 一种无线信道状态信息获取方法 |
CN110708129B (zh) * | 2019-08-30 | 2023-01-31 | 北京邮电大学 | 一种无线信道状态信息获取方法 |
CN111565431A (zh) * | 2020-03-26 | 2020-08-21 | 北京邮电大学 | 基于神经网络的swipt认知无线电网络的中继选择方法及装置 |
CN112414997A (zh) * | 2020-10-27 | 2021-02-26 | 北京工商大学 | 基于rbf神经网络的icp-aes重叠谱线分离方法 |
CN112414997B (zh) * | 2020-10-27 | 2022-06-14 | 北京工商大学 | 基于rbf神经网络的icp-aes重叠谱线分离方法 |
CN114186478A (zh) * | 2021-11-15 | 2022-03-15 | 北京奥信化工科技发展有限责任公司 | 基于rbf神经网络的爆破块度预测方法 |
CN114186478B (zh) * | 2021-11-15 | 2023-01-17 | 北京奥信化工科技发展有限责任公司 | 基于rbf神经网络的爆破块度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107528650B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
Lan et al. | Constructive hidden nodes selection of extreme learning machine for regression | |
Zhang et al. | NAS-AMR: Neural architecture search-based automatic modulation recognition for integrated sensing and communication systems | |
Zeng et al. | The design of top-hat morphological filter and application to infrared target detection | |
Xu et al. | Outage probability performance analysis and prediction for mobile IoV networks based on ICS-BP neural network | |
CN104361393A (zh) | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 | |
Li et al. | Joint design of measurement matrix and sparse support recovery method via deep auto-encoder | |
Zhang et al. | An iterative multi-objective particle swarm optimization-based control vector parameterization for state constrained chemical and biochemical engineering problems | |
Bai et al. | Spectrum prediction based on improved-back-propagation neural networks | |
CN106372426A (zh) | 基于主成分分析与神经网络的多响应参数优化方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
Chen et al. | Deep-broad learning system for traffic flow prediction toward 5G cellular wireless network | |
CN111162888A (zh) | 分布式天线系统、远程接入单元、功率分配方法和介质 | |
Zhu et al. | Uncertainty quantification of proton-exchange-membrane fuel cells degradation prediction based on Bayesian-Gated Recurrent Unit | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN115065728A (zh) | 一种基于多策略强化学习的多目标内容存储方法 | |
Kumar et al. | Prediction of flow stress for carbon steels using recurrent self-organizing neuro fuzzy networks | |
Abubakar et al. | A lightweight cell switching and traffic offloading scheme for energy optimization in ultra-dense heterogeneous networks | |
CN113038612B (zh) | 基于深度学习的认知无线电功率控制方法 | |
CN107240028B (zh) | 一种Fedora系统组件复杂网络中的重叠社区检测方法 | |
Du et al. | Decentralized federated learning with markov chain based consensus for industrial iot networks | |
CN111797363A (zh) | 基于数据的污水处理系统自学习轨迹跟踪方法 | |
Zhu et al. | Rbf neural network-based frequency band prediction for future frequency hopping communications | |
Wang et al. | Intelligent access selection in cognitive networks: A fuzzy neural network approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |