CN107995628A - 一种深度学习的认知无线网络多用户协作频谱感知方法 - Google Patents
一种深度学习的认知无线网络多用户协作频谱感知方法 Download PDFInfo
- Publication number
- CN107995628A CN107995628A CN201711366712.5A CN201711366712A CN107995628A CN 107995628 A CN107995628 A CN 107995628A CN 201711366712 A CN201711366712 A CN 201711366712A CN 107995628 A CN107995628 A CN 107995628A
- Authority
- CN
- China
- Prior art keywords
- user
- frequency spectrum
- layer
- neural networks
- convolutional neural
- 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
- 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
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明提供了一种深度学习的认知无线网络多用户协作频谱感知方法,利用相邻次用户和频率信道在空间和频谱域的相关性,采用卷积神经网络对频谱感知数据进行细粒度特征区分从而提高感知精度。其具体实施时,首先利用各个用户感知数据对构建的多层卷积神经网络模型进行训练,然后把次用户当前频谱感知结果输入已训练完成的卷积神经网络模型,该模型自动地提取感知数据的特征,并根据提取的特征进行分类识别,获得次用户对主用户当前频率信道的协作频谱感知结果。
Description
技术领域
本发明属于认知无线网络领域,尤其涉及一种深度学习的认知无线网络多用户协作频谱感知方法。
背景技术
科技的快速发展带动了通信技术不断的进步和提升,在新兴无线通信技术推动下,我国无线移动网络规模不断扩大,移动终端用户数快速增长,无线通信业务应用蓬勃发展。这在满足人们通信业务需求的同时也带来频谱资源匮乏短缺的严重问题。因此,提高无线通信系统频谱效率并主动适应复杂网络电磁环境一直是通信领域的研究热点和难点。目前,以软件无线电为基础的认知无线电(CR)技术被认为是提高频谱资源利用率的有效途径。基于CR技术思想提出认知无线网络(CRN)因其具备自学习和自适应能力,被认为是实现未来智能无线网络的基础和核心。
认知无线网络中,次用户(SU)利用先进的频谱感知技术实时检测当前无线环境,获取频谱数据并进行分析,识别出未被使用的空闲频谱资源。CRN频谱感知面临的主要挑战在于因信道衰落、噪声与干扰的时变特性而降低其性能。虽然已提出能量检测、匹配滤波、循环平稳检测、智能感知和协作频谱感知等多种方法,但随着业务的多样性和接入场景的多元化,形成的复杂异构认知无线网络对频谱感知技术提出了更高要求。而现有技术在性能及复杂度等方面均存在提升空间,故需要结合CRN网络发展态势,特别是其智能化演进趋势,研究基于机器学习的频谱感知新方法来提高CRN网络性能。
作为人工智能的核心技术,机器学习,特别是具备理解、认知能力的深度学习(Deep Learning,DL)可促进CRN频谱感知智能化,增强对复杂电磁环境的适应性。深度学习作为机器学习的一个重要研究热点受到广泛关注。随着计算资源和预训练技术的发展,深度学习在人工智能领域取得了重大突破,特别在图像处理、语音识别和自然语言处理方面,与一般方法相比,深度学习方法取得了令人瞩目的成功。典型的深度学习模型包括卷积神经网络(CNN)、深度置信网络(DBN)、堆栈自编码网络(SAE)和递归神经网络(RNN)等。DL的基本思想是通过多层神经网络和非线性变换,结合低层特征,形成抽象的、易于区分的高层表示,以发现数据的分布式特征表示。虽然DL目前主要用于在计算机科学领域,但其也可用于无线通信系统。
本发明针对认知无线网络,提出一种基于CNN的协作频谱感知方法。CNN已广泛应用于图像处理领域,其利用图像空间特征,即相邻像素之间的相关性,通过多维卷积提取其空间特征,对图像进行分类。CNN的基本结构由输入层、卷积层、采样层、全连接层及输出层构成。卷积层和采样层一般会取若干个,采用卷积层和采样层交替设置,即一个卷积层连接一个采样层,采样层后再连接一个卷积层,依此类推。随着网络层数的增加,卷积神经网络能够从原始数据中抽取更抽象的特征,有利于频谱感知信息的识别。
发明内容
本发明提供一种深度学习的认知无线网络多用户协作频谱感知方法,利用CNN模型融合各个次用户独立感知结果来判定主用户频谱使用状况。因为对于位置邻近的次用户和相邻主用户频率信道而言,由于其空间和频谱域的相关性,其频谱感知结果可能相同。若把次用户的频谱感知结果视作像素,利用CNN对其进行分类,则可更准确地判定主用户频谱使用状况。
为实现上述目的,本发明采用如下的技术方案:
一种深度学习的认知无线网络多用户协作频谱感知方法,包括以下步骤,
步骤1:离线训练阶段,不同位置空间处的次用户独立地对主用户的频率信道进行频谱感知;
步骤2:次用户把感知结果发送到融合中心;
步骤3:融合中心利用感知结果生成CNN的输入数据矩阵,该矩阵中每个元素可以是硬判决或软判决值;
步骤4:构建用于频谱感知的多层卷积神经网络模型;
步骤5:利用步骤3中的样本对步骤4中构建的卷积神经网络模型进行训练;
步骤6:在线感知阶段,次用户把当前频谱感知数据传送到融合中心;
步骤7:融合中心把次用户当前频谱感知结果输入已训练完成的卷积神经网络模型,CNN模型自动地提取感知数据的特征,并根据提取的特征进行分类识别,获得次用户对当前频率信道的协作频谱感知结果。
本发明的CNN多用户协作频谱感知技术,利用了相邻用户—信道的空间—频域相关性,对用户感知数据进行细粒度分类,提高了协作频谱感知精度,且无需复杂的显式数学计算。
附图说明
图1为本发明所涉及方法的流程图;
图2为CNN网络模型结构图。
具体实施方式
下面结合附图和实施步骤对本发明做进一步说明。
如图1所示,本发明提供一种深度学习的认知无线网络多用户协作频谱感知方法,包括以下步骤:
步骤1:离线训练阶段,不同位置空间处的NSU个次用户独立地对主用户的NB个频率信道进行频谱感知。
步骤2:次用户把感知结果发送到融合中心。
步骤3:融合中心利用感知结果生成CNN的二维输入数据矩阵,该矩阵中每个元素可以是硬判决或软判决值。
步骤4:构建用于频谱感知的多层卷积神经网络模型。
具体地,该卷积神经网络模型如图2,包括依次连接的第一卷积层、激励层(线性纠正单元ReLu)、第一采样层、第二卷积层、ReLu、第二采样层、第三卷积层、ReLu、第三采样层、全连接层、ReLu、全连接层、Softmax层。
CNN网络的卷积层提取输入数据的空间特征,线性纠正单元(ReLu)引入非线性激励函数对非线性数据特征进行分类,采样层(即池化层)进行二次特征提取后,全连接层把分布式特征表示映射到样本标记空间,全连接层的输出值被传递给Softmax层进行分类,该层处理之后把结果传递给输出层,得到经过CNN网络训练之后的频谱感知模型。该模型反映了不同位置的用户对主用户频率信道的协作频谱感知信息。
步骤5:利用步骤3中的样本对步骤4中构建的卷积神经网络模型进行训练。
步骤6:在线感知阶段,次用户把当前频谱感知数据传递到融合中心。
步骤7:融合中心把次用户当前频谱感知结果输入已训练完成的卷积神经网络模型,CNN模型自动地提取感知数据的特征,并根据提取的特征进行分类识别,获得次用户对当前频率信道的协作频谱感知结果。
实施例1:
一种深度学习的认知无线网络多用户协作频谱感知方法,包括以下步骤:
步骤1:位置A、B、C三处的次用户SUA、SUB、SUC每隔5秒独立地对主用户的频率信道Ch1、Ch2进行感知,可利用能量检测等频谱感知算法。
假设各用户对这两个频率信道的感知结果分别为t时刻t+5时刻这里采用硬判决方式,“1”表示信道被占用,“0”表示信道空闲。
步骤2:次用户SUA、SUB、SUC把各自频谱感知结果发送到融合中心。
步骤3:融合中心把接收到的感知结果生成CNN的二维输入数据矩阵,最后构成的3行、128×128=16384列的感知结果为
步骤4:构建用于频谱感知的多层卷积神经网络模型。
譬如,构建3层卷积神经网络模型,其包括依次连接的第一卷积层、激励层(线性纠正单元ReLu)、第一采样层、第二卷积层、ReLu、第二采样层、第三卷积层、ReLu、第三采样层、全连接层、ReLu、全连接层、Softmax层。
为了减少学习时间,采用相对较少的层数,即使用3个5×5卷积层,第1,第2和第3卷积层的深度分别设定为32,64和128,来提取输入数据的空间特征。
ReLu层引入非线性激励函数对非线性数据特征进行分类。即当ReLU层的输入为x,输出为max(x,0),对于ReLU而言,若输入大于0,则输出与输入相等,否则输出为0。使用ReLU函数,输出不会随着输入的逐渐增加而趋于饱和。
把每个用户的感知结果转换为128×128的数据矩阵,对每个次用户感知数据第一卷积层使用32个5×5大小的卷积核,对大小为128×128的输入图像进行卷积运算以提取特征,得到该层的32个124×124特征图;第一采样层对第一卷积层中每个特征图的5×5邻域取平均值以进行下采样,得到32个62×62大小的特征图;第二卷积层使用64个5×5大小的卷积核对第一采样层的每个特征图进行卷积运算以提取特征,得到该层的64个58×58特征图;第二采样层对第二卷积层中每个特征图的2×2邻域取平均值以进行采样,得到64个29×29大小的特征图;第三卷积层使用128个5×5大小的卷积核对第二采样层的每个特征图进行卷积运算以提取特征,得到该层的128个25×25大小的特征图。全连接层的输入为将第三采样层的所有特征图全部展开而形成的1×625行向量。
上述操作中,CNN网络的卷积层提取输入数据的空间特征,线性纠正单元(ReLu)引入非线性激励函数对非线性数据特征进行分类,采样层(即池化层)进行二次特征提取后,全连接层把分布式特征表示映射到样本标记空间,全连接层的输出值被传递给Softmax层进行分类,该层处理之后把结果传递给输出层,得到经过CNN网络训练之后的频谱感知模型。该模型反映了不同位置的用户对主用户频率信道的协作频谱感知信息,假设上述SUA、SUB、SUC频谱数据的感知结果为1,即主用户频道被占用,同时为感知结果打下类别标签向量{111}。
步骤5:利用步骤3中的样本对步骤4中构建的卷积神经网络模型进行训练;
把构建好的卷积神经网络模型中各层的权值参数和卷积核中元素值初始化为[-0.04,0.04]区间中的随机有限小数,且偏置参数均初始化为零。设定CNN模型的迭代次数为180,对卷积神经网络模型进行迭代训练。每次迭代中,随机将每25个样本编为1组,每组样本通过CNN网络模型得到类别输出后,便调整一次网络各层的权值参数、卷积核中元素值及偏置参数。当卷积神经网络模型完成180次迭代后停止,完成CNN网络训练。
类似地,重复步骤1-5,把其他位置处的次用户感知数据样本也输入CNN网络进行训练。
步骤6:在线感知阶段,次用户把位置A、B、C三处的当前频谱感知数据传递到融合中心;
步骤7:融合中心把次用户当前频谱感知数据输入已训练完成的卷积神经网络模型,CNN模型自动地提取感知数据的特征,并根据提取的特征进行分类识别,若其输出类别标签向量为{111},则判定次用户对当前频率信道的协作频谱感知结果为1,即主用户频道被占用。
Claims (2)
1.一种深度学习的认知无线网络多用户协作频谱感知方法,其特征在于:包括以下步骤,
步骤1:离线训练阶段,不同位置空间处的次用户独立地对主用户的频率信道进行频谱感知;
步骤2:次用户把感知结果发送到融合中心;
步骤3:融合中心利用感知结果生成CNN的输入数据矩阵,该矩阵中每个元素可以是硬判决或软判决值;
步骤4:构建用于频谱感知的多层卷积神经网络模型;
步骤5:利用步骤3中的样本对步骤4中构建的卷积神经网络模型进行训练;
步骤6:在线感知阶段,次用户把当前频谱感知数据传送到融合中心;
步骤7:融合中心把次用户当前频谱感知结果输入已训练完成的卷积神经网络模型,CNN模型自动地提取感知数据的特征,并根据提取的特征进行分类识别,获得次用户对当前频率信道的协作频谱感知结果。
2.如权利要求1所述的度学习的认知无线网络多用户协作频谱感知方法,其特征在于,该卷积神经网络模型包括:依次连接的第一卷积层、激励层(线性纠正单元ReLu)、第一采样层、第二卷积层、ReLu、第二采样层、第三卷积层、ReLu、第三采样层、全连接层、ReLu、全连接层、Softmax层;其中,
CNN网络的卷积层提取输入数据的空间特征,线性纠正单元ReLu引入非线性激励函数对非线性数据特征进行分类,采样层进行二次特征提取后,全连接层把分布式特征表示映射到样本标记空间,全连接层的输出值被传递给Softmax层进行分类,该层处理之后把结果传递给输出层,得到经过CNN网络训练之后的频谱感知模型;该模型反映了不同位置的用户对主用户频率信道的协作频谱感知信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711366712.5A CN107995628A (zh) | 2017-12-18 | 2017-12-18 | 一种深度学习的认知无线网络多用户协作频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711366712.5A CN107995628A (zh) | 2017-12-18 | 2017-12-18 | 一种深度学习的认知无线网络多用户协作频谱感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107995628A true CN107995628A (zh) | 2018-05-04 |
Family
ID=62038690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711366712.5A Pending CN107995628A (zh) | 2017-12-18 | 2017-12-18 | 一种深度学习的认知无线网络多用户协作频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107995628A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379153A (zh) * | 2018-12-17 | 2019-02-22 | 电子科技大学 | 一种频谱感知方法 |
CN109450573A (zh) * | 2018-12-17 | 2019-03-08 | 电子科技大学 | 一种基于深度神经网络的频谱感知方法 |
CN109614930A (zh) * | 2018-12-11 | 2019-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于深度学习的无人机频谱探测方法 |
CN110138480A (zh) * | 2019-03-11 | 2019-08-16 | 全球能源互联网研究院有限公司 | 训练频谱感知模型的方法及系统、频谱感知方法及系统 |
CN110138475A (zh) * | 2019-05-08 | 2019-08-16 | 南京邮电大学 | 一种基于lstm神经网络的自适应门限信道占用状态预测方法 |
CN110309914A (zh) * | 2019-07-03 | 2019-10-08 | 中山大学 | 基于边缘服务器与移动端设备协同的深度学习模型推理加速方法 |
WO2020010639A1 (zh) * | 2018-07-13 | 2020-01-16 | 华为技术有限公司 | 一种用于神经网络的卷积方法及装置 |
CN112054861A (zh) * | 2020-09-01 | 2020-12-08 | 西北工业大学 | 一种协同频谱感知网络次级用户选择方法、介质及设备 |
CN112671486A (zh) * | 2020-12-28 | 2021-04-16 | 电子科技大学 | 一种基于神经网络的联合频谱感知方法及系统 |
CN112702132A (zh) * | 2020-12-23 | 2021-04-23 | 重庆邮电大学 | 一种基于卷积神经网络分类器的宽带频谱感知方法 |
CN112968740A (zh) * | 2021-02-01 | 2021-06-15 | 南京邮电大学 | 一种基于机器学习的卫星频谱感知方法 |
CN113300796A (zh) * | 2021-07-26 | 2021-08-24 | 南京邮电大学 | Noma系统中基于机器学习的频谱感知方法和装置 |
CN114567398A (zh) * | 2022-04-11 | 2022-05-31 | 浙江工业大学 | 一种基于卷积长短时记忆神经网络的频谱感知方法 |
US12035144B2 (en) | 2019-01-29 | 2024-07-09 | Sony Group Corporation | Spectrum management device, electronic device, radio communication method, and storage medium |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101867424A (zh) * | 2010-06-25 | 2010-10-20 | 西安交通大学 | 一种认知无线电网络的协作频谱感知方法 |
CN102291188A (zh) * | 2011-08-04 | 2011-12-21 | 电子科技大学 | 一种认知无线电系统中的合作频谱感知方法 |
US8135424B2 (en) * | 2008-12-03 | 2012-03-13 | Motorola Solutions, Inc. | Method to improve diversity gain in a cooperative spectrum sensing network |
-
2017
- 2017-12-18 CN CN201711366712.5A patent/CN107995628A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8135424B2 (en) * | 2008-12-03 | 2012-03-13 | Motorola Solutions, Inc. | Method to improve diversity gain in a cooperative spectrum sensing network |
CN101867424A (zh) * | 2010-06-25 | 2010-10-20 | 西安交通大学 | 一种认知无线电网络的协作频谱感知方法 |
CN102291188A (zh) * | 2011-08-04 | 2011-12-21 | 电子科技大学 | 一种认知无线电系统中的合作频谱感知方法 |
Non-Patent Citations (1)
Title |
---|
WOONGSUP LEE; MINHOE KIM; DONG-HO CHO: "Deep Cooperative Sensing: Cooperative Spectrum Sensing Based on Convolutional Neural Networks", 《ARXIV: 1705.08164V2》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010639A1 (zh) * | 2018-07-13 | 2020-01-16 | 华为技术有限公司 | 一种用于神经网络的卷积方法及装置 |
CN109614930A (zh) * | 2018-12-11 | 2019-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于深度学习的无人机频谱探测方法 |
CN109450573A (zh) * | 2018-12-17 | 2019-03-08 | 电子科技大学 | 一种基于深度神经网络的频谱感知方法 |
CN109450573B (zh) * | 2018-12-17 | 2019-12-06 | 电子科技大学 | 一种基于深度神经网络的频谱感知方法 |
CN109379153A (zh) * | 2018-12-17 | 2019-02-22 | 电子科技大学 | 一种频谱感知方法 |
US12035144B2 (en) | 2019-01-29 | 2024-07-09 | Sony Group Corporation | Spectrum management device, electronic device, radio communication method, and storage medium |
CN110138480A (zh) * | 2019-03-11 | 2019-08-16 | 全球能源互联网研究院有限公司 | 训练频谱感知模型的方法及系统、频谱感知方法及系统 |
CN110138475A (zh) * | 2019-05-08 | 2019-08-16 | 南京邮电大学 | 一种基于lstm神经网络的自适应门限信道占用状态预测方法 |
CN110309914A (zh) * | 2019-07-03 | 2019-10-08 | 中山大学 | 基于边缘服务器与移动端设备协同的深度学习模型推理加速方法 |
CN112054861A (zh) * | 2020-09-01 | 2020-12-08 | 西北工业大学 | 一种协同频谱感知网络次级用户选择方法、介质及设备 |
CN112702132A (zh) * | 2020-12-23 | 2021-04-23 | 重庆邮电大学 | 一种基于卷积神经网络分类器的宽带频谱感知方法 |
CN112671486B (zh) * | 2020-12-28 | 2022-06-24 | 电子科技大学 | 一种基于神经网络的联合频谱感知方法及系统 |
CN112671486A (zh) * | 2020-12-28 | 2021-04-16 | 电子科技大学 | 一种基于神经网络的联合频谱感知方法及系统 |
CN112968740A (zh) * | 2021-02-01 | 2021-06-15 | 南京邮电大学 | 一种基于机器学习的卫星频谱感知方法 |
CN112968740B (zh) * | 2021-02-01 | 2022-07-29 | 南京邮电大学 | 一种基于机器学习的卫星频谱感知方法 |
CN113300796A (zh) * | 2021-07-26 | 2021-08-24 | 南京邮电大学 | Noma系统中基于机器学习的频谱感知方法和装置 |
CN113300796B (zh) * | 2021-07-26 | 2021-10-08 | 南京邮电大学 | Noma系统中基于机器学习的频谱感知方法和装置 |
CN114567398A (zh) * | 2022-04-11 | 2022-05-31 | 浙江工业大学 | 一种基于卷积长短时记忆神经网络的频谱感知方法 |
CN114567398B (zh) * | 2022-04-11 | 2024-04-23 | 浙江工业大学 | 一种基于卷积长短时记忆神经网络的频谱感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107995628A (zh) | 一种深度学习的认知无线网络多用户协作频谱感知方法 | |
Anandakumar et al. | A bio-inspired swarm intelligence technique for social aware cognitive radio handovers | |
Shi et al. | Deep learning-based automatic modulation recognition method in the presence of phase offset | |
Zhang et al. | NAS-AMR: Neural architecture search-based automatic modulation recognition for integrated sensing and communication systems | |
CN110288978A (zh) | 一种语音识别模型训练方法及装置 | |
CN110837842A (zh) | 一种视频质量评估的方法、模型训练的方法及装置 | |
Huang et al. | Visualizing deep learning-based radio modulation classifier | |
CN106203399A (zh) | 一种图像处理方法、装置和计算设备 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN105244042B (zh) | 一种基于有限状态自动机的语音情感交互装置与方法 | |
CN109866230A (zh) | 客服机器人控制方法、装置、计算机设备及存储介质 | |
CN112069883A (zh) | 一种融合一维二维卷积神经网络的深度学习信号分类方法 | |
Zhang et al. | Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set | |
Lin et al. | GLR-SEI: green and low resource specific emitter identification based on complex networks and fisher pruning | |
CN108712397A (zh) | 基于深度学习的通信协议识别方法 | |
Zhang | Application of AI-based real-time gesture recognition and embedded system in the design of English major teaching | |
CN107797751A (zh) | 移动终端握持手势识别方法、移动终端及可读存储介质 | |
Qian et al. | AIEM: AI-enabled affective experience management | |
Mo et al. | A deep learning-based human identification system with wi-fi csi data augmentation | |
Lyu et al. | Robust automatic modulation classification based on convolutional and recurrent fusion network | |
CN105553574A (zh) | 一种认知无线电中基于支持向量机的mac协议识别方法 | |
Dridi et al. | Transfer learning for classification and prediction of time series for next generation networks | |
CN115276857B (zh) | 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法 | |
Xu et al. | Time-frequency analysis-based deep interference classification for frequency hopping system | |
Zheng et al. | Deep reinforcement learning for joint channel selection and power allocation in cognitive internet of things |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180504 |