CN108242961B - 基于集成学习的全双工认知无线电网络合作频谱感知方法 - Google Patents
基于集成学习的全双工认知无线电网络合作频谱感知方法 Download PDFInfo
- Publication number
- CN108242961B CN108242961B CN201711474793.0A CN201711474793A CN108242961B CN 108242961 B CN108242961 B CN 108242961B CN 201711474793 A CN201711474793 A CN 201711474793A CN 108242961 B CN108242961 B CN 108242961B
- Authority
- CN
- China
- Prior art keywords
- user
- secondary user
- full
- users
- cognitive radio
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims abstract description 7
- 239000002356 single layer Substances 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,包括如下步骤:步骤1:根据次用户的泊松点过程的分布,随机产生区域内各次用户的位置;步骤2:根据全双工认知无线电网络中合作频谱感知的工作特点,构建系统架构;步骤3:基于全双工模式下出现的自干扰和多信号源问题,建立与网络模型相适配的次用户能量检测模型;步骤4:分析训练集中能量级向量的统计属性;步骤5:选择单层决策树为弱分类器,通过计算每个训练数据权值系数和每个弱分类器系数建立强分类器。本发明所达到的有益效果:提升了系统的合作频谱感知性能,也增加了无线频谱资源的利用率,提高了认知无线电网络的吞吐量。
Description
技术领域
本发明涉及一种基于集成学习的全双工认知无线电网络合作频谱感知方法,属于无线电网络技术领域。
背景技术
随着无线通信技术的飞速发展和无线通信系统的广泛应用,频谱需求与资源匮乏之间的矛盾已成为制约移动互联网、物联网、D2D通信、M2M通信等新兴无线通信业态发展的瓶颈之一。无线通信业务的发展越来越趋向多元化,用户对通信的要求也越来越高,导致频谱资源匿乏的问题日趋严重。面对如此严峻的挑战,无非有两种现有的应对措施,一方面,业界将目光瞄准毫米波、可见光频段,试图寻找更多的无线频谱资源,但受传播特性限制,高频段无线电波很难满足宽覆盖要求;另一方面,致力于提高对现有无线频谱资源的利用率。
认知无线电技术(Cognitive Radio,CR)作为能有效缓解频谱资源紧张现状的重要技术,成为近年来学术界和工业界共同的研究热点。例如由电气和电子工程师协会(Institute of Electrical and Electronics Engineers,IEEE)制定的称之为“WRAN”的802.22协议、美国国防高级研究计划局(Defense Advanced Research Projects Agency,DARPA)提出的NeXt Generation项目以及微软和谷歌共同承接的White Space Coalition(WSC)项目。而合作频谱感知(Cooperative Spectrum Sensing,CSS)作为认知无线电中最核心的技术之一,通过次用户之间的协作实现对授权频谱的感知,能有效提高频谱利用率。全双工(Full-Duplex,FD)通信的引入使得认知无线电网络中的各次用户在相同区域实现同时同频的频谱感知和数据传输,在利用主用户授权频段发送数据的同时也能感知主用户的活跃状态,以便当主用户重新占用信道时次用户及时退出主用户的工作信道,大大降低了对主用户造成的干扰,理论上可成倍提高频谱利用率。
合作频谱感知性能很大程度上决定了整个次级网络的吞吐量和频谱资源的利用率。一方面,合作频谱感知的性能反应了次用户发现空闲频谱的能力,性能越高,则其接入空闲频谱的机会就越大;另一方面,合作频谱感知的性能反应了次用户对主用户的保护能力,感知性能越好说明其能很好的解决多径衰落和隐终端问题,从而能够避免造成对主用户的干扰。合作频谱感知可以以集中式或者分布式的合作方式来实现。在集中式实现方式中,认知无线电网络中的融合中心或者基站负责搜集来自所有次用户的感知数据,进而执行合作频谱感知过程;而在分布式实现方式中,次用户之间需要进行信息交互来完成频谱感知。
现有的频谱感知技术可分为三类:主用户发射机检测,主用户接收机检测以及干扰温度检测。由于主用户接收机检测和干扰温度检测的实现复杂度较高,所以到目前为止大多数与频谱感知相关的研究工作集中在对主用户发射机进行检测上。现有的基于主用户发射机检测的频谱感知技术主要包括基于能量检测的感知,基于波形的感知,基于循环平稳的感知,基于无线信号标识的感知,基于匹配滤波的感知等等。其中,基于能量检测的频谱感知算法不需要预先知道主用户信号的特征(如信号调制方式、导引信号等),而且计算复杂度很低,易于实现,因此吸引了大量研究者的目光,成为目前相关研究成果最多的频谱感知技术。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于集成学习的全双工认知无线电网络合作频谱感知方法,提升了系统的合作频谱感知性能,也增加了无线频谱资源的利用率,提高了认知无线电网络的吞吐量。
为了实现上述目标,本发明采用如下的技术方案:
一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,所述全双工认知无线电网络中次用户具备同时进行频谱感知和数据传输的工作模式;所述合作频谱感知指网络中所有的次用户将本地的感知数据传输给数据融合中心统一做决策;
包括如下步骤:
步骤1:根据次用户的泊松点过程的分布,随机产生区域内各次用户的位置;
步骤2:根据全双工认知无线电网络中合作频谱感知的工作特点,构建系统架构;
步骤3:基于全双工模式下出现的自干扰和多信号源问题,建立与网络模型相适配的次用户能量检测模型;
步骤4:分析训练集中能量级向量的统计属性;
步骤5:选择单层决策树为弱分类器,通过计算每个训练数据权值系数和每个弱分类器系数建立强分类器。
前述的一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,所述步骤1)中具体内容为:
构建一个具有多主用户、多次用户的全双工认知无线电网络模型,并根据次用户遵循的泊松点过程的在网络模型中随机产生区域内各次用户的位置:
网络模型中有M个主用户,用表示每个主用户PUm在二维平面内的坐标,其中m=1,...,M;用Sm表示主用户PUm的工作状态,其中Sm=1表示主用户处于工作状态,Sm=0则表示主用户处于空闲状态,S=(S1,...,SM)T表示网络模型中所有主用户状态的向量,其中T表示转置;
主用户的数据传输是以每个时隙来进行的,对授权频段的占用不受任何外界因素的影响,将其视为一个交替的开/关过程;
具备全双工工作模式的次用户配备了两根天线Anti1和Anti2,其中天线Anti1用作频谱感知,天线Anti2用作数据传输,在任意时隙T内,如果检测到目标信道被占用,则所有的次用户仅保持感知动作;而一旦主用户的状态被判断为空闲,则调度某一个次用户进行数据传输,此时天线Anti2则由休眠转为工作状态,而其他次用户仍仅保持感知动作。
前述的一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,所述步骤2)中具体内容为:
系统架构包括可独立运作的训练模块和分类模块:
当次用户网络需要掌握信道可用性时,将次用户通过能量检测得到的能量级向量放入分类模块中,分类模块通过使用分类器来确定信道可用性;
训练模块利用作为训练集的能量级向量来训练分类器,并向分类模块提供已训练完成的分类器;训练模块可以在认知无线电网络首次部署时和无线电环境改变时被激活。
前述的一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,所述步骤3)中具体内容为:
将次用户SU1设为目标信道被判断可用后进行数据传输的唯一次用户,全双工认知无线电网络中,存在两个潜在的信号源:主用户和次用户SU1的传输天线Ant12,当网络中存在任意主用户处于工作状态,则该授权信道不可用,即只有当所有主用户都处于空闲状态时,该授权信道才可用,而且同一时隙内处于工作状态的只能为其中之一;
对于其他次用户SUi(i≠1)来说,网络中是否存在信号源有如下四种情况:其中ui是次用户SUi(i≠1)所处环境的复高斯噪声,his是主用户PU和次用户SUi(i≠1)感知天线Anti1之间的瑞利信道增益参数,sp是主用户的信号功率,di表示主用户和次用户SUi(i≠1)之间的距离,ξ是路损参数,h1i是次用户SU1和次用户SUi(i≠1)感知天线Anti1之间的瑞利信道增益参数,s1是次用户SU1数据传输的功率,Di表示次用户SUi(i≠1)和次用户SU1之间的距离;
Hxy中的左下标x表示次用户SU1是否处于数据传输的状态,x=1时说明天线Ant12在工作,而x=0则表示天线Ant12处于空闲状态;右下标y表示主用户是否处于工作状态,y=1时说明天线Ant12在工作,而y=0则表示天线Ant12处于空闲状态;
当认知无线电网络中所有次用户都将相同时隙内的能量级数据Yi传送给融合中心后,便得到最终的能量级向量Y=(Y1,...,YN)T。
前述的一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,所述步骤4)的具体内容为:
前述的一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,所述步骤5)用于实现以决策树为弱分类器的AdaBoost算法。
本发明所达到的有益效果:本发明应用于为缓解无线频谱资源短缺问题的认知无线电网络中,通过在能量检测方法的基础上引入集成学习算法,以充分利用各次用户之间感知数据的潜在联系,将得到的分类器用于实现对主用户状态的判断;该方法提升了系统的合作频谱感知性能,也增加了无线频谱资源的利用率,提高了认知无线电网络的吞吐量。
附图说明
图1是全双工认知无线电网络系统模型图;
图2是用于仿真实验的认知无线电网络拓扑结构示意图;
图3是次用户规模为3×3、仅有一个主用户时,各方法的ROC曲线对比图;
图4是次用户规模为5×5、仅有一个主用户时,各方法的ROC曲线对比图;
图5是次用户规模为5×5、有两个主用户时,各方法的ROC曲线对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本方法涉及一种基于集成学习的全双工认知无线电网络合作频谱感知方法,全双工认知无线电网络中次用户具备同时进行频谱感知和数据传输的工作模式,合作频谱感知指网络中所有的次用户将本地的感知数据传输给数据融合中心统一做决策。本方法中,各次用户通过合作频谱感知收集到能量级数据,传统方法中是通过监督或无监督的方法来预测未来时间内主用户的工作状态的,本文是利用的AdaBoost集成学习方法,对认知无线电网络中的合作频谱感知提出了全双工模式,且在该模式下使用Adaboost算法求解。
包括如下步骤:
步骤1:根据次用户的泊松点过程的分布,随机产生区域内各次用户的位置。
具体内容为:构建一个具有多主用户、多次用户的全双工认知无线电网络模型,并根据次用户遵循的泊松点过程的在网络模型中随机产生区域内各次用户的位置:
网络模型中有M个主用户,用表示每个主用户PUm在二维平面内的坐标,其中m=1,...,M;用Sm表示主用户PUm的工作状态,其中Sm=1表示主用户处于工作状态,Sm=0则表示主用户处于空闲状态,S=(S1,...,SM)T表示网络模型中所有主用户状态的向量,其中T表示转置;
全双工认知无线电网络由一个主用户、一个融合中心和N个全双工的次用户组成,假设主用户的数据传输是以每个时隙来进行的,对授权频段的占用不受任何外界因素的影响,将其视为一个交替的开/关过程;
具备全双工工作模式的次用户配备了两根天线Anti1和Anti2,其中天线Anti1用作频谱感知,天线Anti2用作数据传输,在任意时隙T内,如果检测到目标信道被占用,则所有的次用户仅保持感知动作;而一旦主用户的状态被判断为空闲,则调度某一个次用户进行数据传输,此时天线Anti2则由休眠转为工作状态,而其他次用户仍仅保持感知动作。
步骤2:根据全双工认知无线电网络中合作频谱感知的工作特点,构建系统架构。系统架构包括可独立运作的训练模块和分类模块:
当次用户网络需要掌握信道可用性时,将次用户通过能量检测得到的能量级向量放入分类模块中,分类模块通过使用分类器来确定信道可用性;
训练模块利用作为训练集的能量级向量来训练分类器,并向分类模块提供已训练完成的分类器;训练模块可以在认知无线电网络首次部署时和无线电环境改变时被激活。
步骤3:基于全双工模式下出现的自干扰和多信号源问题,建立与网络模型相适配的次用户能量检测模型。
将次用户SU1设为目标信道被判断可用后进行数据传输的唯一次用户,全双工认知无线电网络中,存在两个潜在的信号源:主用户和次用户SU1的传输天线Ant12,当网络中存在任意主用户处于工作状态,则该授权信道不可用,即只有当所有主用户都处于空闲状态时,该授权信道才可用,而且同一时隙内处于工作状态的只能为其中之一;
对于其他次用户SUi(i≠1)来说,网络中是否存在信号源有如下四种情况:其中ui是次用户SUi(i≠1)所处环境的复高斯噪声,his是主用户PU和次用户SUi(i≠1)感知天线Anti1之间的瑞利信道增益参数,sp是主用户的信号功率,di表示主用户和次用户SUi(i≠1)之间的距离,ξ是路损参数,h1i是次用户SU1和次用户SUi(i≠1)感知天线Anti1之间的瑞利信道增益参数,s1是次用户SU1数据传输的功率,Di表示次用户SUi(i≠1)和次用户SU1之间的距离;
Hxy中的左下标x表示次用户SU1是否处于数据传输的状态,x=1时说明天线Ant12在工作,而x=0则表示天线Ant12处于空闲状态;右下标y表示主用户是否处于工作状态,y=1时说明天线Ant12在工作,而y=0则表示天线Ant12处于空闲状态;
当认知无线电网络中所有次用户都将相同时隙内的能量级数据Yi传送给融合中心后,便得到最终的能量级向量Y=(Y1,...,YN)T。
步骤4:分析训练集中能量级向量的统计属性。
具体内容为:分析训练集中能量级向量的统计属性,当主用户状态向量S=s,时隙T内的能量级数据Yi近似服从于高斯分布,其中均值和方差分别为:能量级向量Y在和给定S=s的情况下服从多元高斯分布,其中均值向量和协方差矩阵为:
步骤5:选择单层决策树为弱分类器,通过计算每个训练数据权值系数和每个弱分类器系数建立强分类器,用于实现以决策树为弱分类器的AdaBoost算法。
本方法的优劣性:
从统计的方面来看,由于学习任务的假设空间往往很大,可能有多个假设在训练集上达到同等性能。此时如果使用单学习器可能因误选而导致泛化性能不佳,结合多个学习器可以减少这个风险。
从计算方面来讲,学习算法往往会陷入局部极小,有的局部极小点所对应的泛化性能可能很糟糕。通过多次运行之后进行结合,可以降低陷入糟糕局部极小点的风险。
从表示方面来看,某些学习任务的真实假设可能不在当前学习算法所考虑的假设空间中,此时使用单学习器肯定无用,而通过结合多个学习器,由于相应的假设空间有所扩大,有可能学得更好的近似。
如图2所示的参数设置实施例图:在本案中,除非另有说明,否则我们考虑参与合作频谱感知(CSS)的所有次用户(5×5(25SU))均位于4000m×4000m的网格拓扑中,两个主用户(PU)位于固定位置,坐标分别为(500m,500m)和(-1500m,0m)。
图3-5是几种方案的效果对比图,包括强分类器,如SVM,GMM,K-Means和KNN,以及本案提出的集成学习方法(Ensemble-Learning)。
图3的效果图看出在当认知无线电网络中有3×3个次用户SU(即9个SU)参与CSS时,同为无监督方法的K-Means和SVM达到近似的性能。与前两种方法相比,简单加权的KNN算法的检测效果则显稍差。
图4为参与CSS的次用户数量为(5×5)时各方法的检测效果对比图,与图3相比,虽然同样是使用了样本容量为4000的训练集,但是随着次用户数量的增加,样本分布更均匀,几种方法的性能也得到了很大的提高,使得GMM,K-Means和KNN达到了近似的性能。
图5显示了不同CSS方案在有两个主用户(PU,(500m,500m)和(-1500m,0m))时的ROC曲线,且为图中的五种分类器提供了容量为8000的样本集作为训练集。这个图清楚地表明,AdaBoost集成学习算法优于其它有监督和无监督的机器学习方法,非常适合要求高精度的CSS。此外,这个图显示SVM线型分类器在多PU情况下优于其他有监督的学习方法。值得注意的是,随着训练数据的增加,每种方法的性能变得越来越稳定。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,所述全双工认知无线电网络中次用户具备同时进行频谱感知和数据传输的工作模式;所述合作频谱感知指网络中所有的次用户将本地的感知数据传输给数据融合中心统一做决策;
包括如下步骤:
步骤1:根据次用户的泊松点过程的分布,随机产生区域内各次用户的位置;
步骤2:根据全双工认知无线电网络中合作频谱感知的工作特点,构建系统架构;
所述步骤2中具体内容为:
系统架构包括可独立运作的训练模块和分类模块:
当次用户网络需要掌握信道可用性时,将次用户通过能量检测得到的能量级向量放入分类模块中,分类模块通过使用分类器来确定信道可用性;
训练模块利用作为训练集的能量级向量来训练分类器,并向分类模块提供已训练完成的分类器;训练模块可以在认知无线电网络首次部署时和无线电环境改变时被激活;
步骤3:基于全双工模式下出现的自干扰和多信号源问题,建立与网络模型相适配的次用户能量检测模型;
步骤4:分析训练集中能量级向量的统计属性;
所述步骤3中具体内容为:
将次用户SU1设为目标信道被判断可用后进行数据传输的唯一次用户;
ui是次用户SUi所处环境的复高斯噪声,his是主用户PU和次用户SUi感知天线Anti1之间的瑞利信道增益参数,sp是主用户的信号功率,di表示主用户和次用户SUi之间的距离,ξ是路损参数,h1i是次用户SU1和次用户SUi感知天线Anti1之间的瑞利信道增益参数,i≠1,s1是次用户SU1数据传输的功率,Di表示次用户SUi和次用户SU1之间的距离,i≠1;
Hxy中的左下标x表示次用户SU1是否处于数据传输的状态,x=1时说明次用户SU1的传输天线Ant12在工作,而x=0则表示天线Ant12处于空闲状态;右下标y表示主用户是否处于工作状态,y=1时说明主用户在工作,而y=0则表示主用户处于空闲状态;
yi表示次用户在某一时刻通过能量检测得到的能量级数据,在一个完整的时隙内采用多次采样取平均的方法得到最终的能量级数据:其中,NS=fsT表示时隙T内采样数,fs为采样频率,yi(n)表示次用户在某一时刻通过第n次能量检测得到的能量级数据;
当认知无线电网络中所有次用户都将相同时隙内的能量级数据Yi传送给数据融合中心后,得到最终的能量级向量Y=(Y1,...,YN)T,N是该全双工认知无线电网络中次用户的数量;
步骤5:选择单层决策树为弱分类器,通过计算每个训练数据权值系数和每个弱分类器系数建立强分类器;
所述步骤1中具体内容为:
构建一个具有多主用户、多次用户的全双工认知无线电网络模型,并根据次用户遵循的泊松点过程在网络模型中随机产生区域内各次用户的位置:
网络模型中有M个主用户,用CPUm表示每个主用户PUm在二维平面内的坐标,其中m=1,...,M;用Sm表示主用户PUm的工作状态,其中Sm=1表示主用户处于工作状态,Sm=0则表示主用户处于空闲状态,S=(S1,...,SM)T表示网络模型中所有主用户状态的向量,其中T表示转置;
主用户的数据传输以每个时隙来进行,对授权频段的占用不受任何外界因素的影响,将其视为一个交替的开/关过程;
具备全双工工作模式的次用户配备了两根天线Anti1和Anti2,其中天线Anti1用作频谱感知,天线Anti2用作数据传输,在任意时隙T内,如果检测到目标信道被占用,则所有的次用户仅保持感知动作;而一旦主用户的状态被判断为空闲,则调度某一个次用户进行数据传输,此时天线Anti2则由休眠转为工作状态,而其他次用户仍仅保持感知动作。
3.根据权利要求1所述的一种基于集成学习的全双工认知无线电网络合作频谱感知方法,其特征是,所述步骤5用于实现以决策树为弱分类器的AdaBoost算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711474793.0A CN108242961B (zh) | 2017-12-29 | 2017-12-29 | 基于集成学习的全双工认知无线电网络合作频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711474793.0A CN108242961B (zh) | 2017-12-29 | 2017-12-29 | 基于集成学习的全双工认知无线电网络合作频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108242961A CN108242961A (zh) | 2018-07-03 |
CN108242961B true CN108242961B (zh) | 2022-02-08 |
Family
ID=62701242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711474793.0A Active CN108242961B (zh) | 2017-12-29 | 2017-12-29 | 基于集成学习的全双工认知无线电网络合作频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108242961B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109257157A (zh) * | 2018-10-16 | 2019-01-22 | 南京邮电大学 | 一种能效优先的全双工认知系统频谱共享方法 |
CN109286458A (zh) * | 2018-10-31 | 2019-01-29 | 天津大学 | 基于模糊支持向量机的合作频谱感知方法 |
CN109347583A (zh) * | 2018-10-31 | 2019-02-15 | 天津大学 | 噪声不确定情况下基于核空间优化的合作频谱感知方法 |
CN109413660B (zh) * | 2018-11-13 | 2019-08-06 | 南京财经大学 | 一种基于信号极化的全双工认知系统混合式频谱共享方法 |
CN111212433B (zh) * | 2020-01-13 | 2020-09-08 | 电子科技大学 | 一种基于单通道自干扰对消的认知无线电装置及方法 |
CN111740794B (zh) * | 2020-06-04 | 2021-07-09 | 中山大学 | 一种多用户能量收集认知无线电系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8175617B2 (en) * | 2009-10-28 | 2012-05-08 | Digimarc Corporation | Sensor-based mobile search, related methods and systems |
CN101867424B (zh) * | 2010-06-25 | 2013-08-14 | 西安交通大学 | 一种认知无线电网络的协作频谱感知方法 |
CN103326797B (zh) * | 2013-06-21 | 2015-10-28 | 上海交通大学 | 认知网络中的合作式频谱感知方法 |
CN104158604B (zh) * | 2014-07-25 | 2016-05-04 | 南京邮电大学 | 一种基于平均共识的分布式协作频谱感知方法 |
-
2017
- 2017-12-29 CN CN201711474793.0A patent/CN108242961B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108242961A (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108242961B (zh) | 基于集成学习的全双工认知无线电网络合作频谱感知方法 | |
Thilina et al. | Machine learning techniques for cooperative spectrum sensing in cognitive radio networks | |
Huang et al. | A big data enabled channel model for 5G wireless communication systems | |
Shi et al. | Machine learning-enabled cooperative spectrum sensing for non-orthogonal multiple access | |
Janu et al. | Machine learning for cooperative spectrum sensing and sharing: A survey | |
Ahmed et al. | CR-IoTNet: Machine learning based joint spectrum sensing and allocation for cognitive radio enabled IoT cellular networks | |
Zhang et al. | Multi-agent deep reinforcement learning-based cooperative spectrum sensing with upper confidence bound exploration | |
TW201806427A (zh) | 無線場景識別裝置和方法以及無線通訊設備和系統 | |
Zhou et al. | Dynamic spectrum management via machine learning: State of the art, taxonomy, challenges, and open research issues | |
Wang et al. | An novel spectrum sensing scheme combined with machine learning | |
Chen et al. | Smartphone-based indoor fingerprinting localization using channel state information | |
Wang et al. | Thirty years of machine learning: The road to pareto-optimal next-generation wireless networks | |
Ahmed et al. | Deep learning-driven opportunistic spectrum access (OSA) framework for cognitive 5G and beyond 5G (B5G) networks | |
Olawole et al. | Fusion rule and cluster head selection scheme in cooperative spectrum sensing | |
CN111786712A (zh) | 一种基于cr的uav通信网络次级链路吞吐量优化方法 | |
Li et al. | Fog node selection for low latency communication and anomaly detection in fog networks | |
Muhammad et al. | Uplink performance analysis for millimeter wave cellular networks with clustered users | |
Song et al. | Ml-based secure low-power communication in adversarial contexts | |
Mukherjee et al. | Green cooperative communication based cognitive radio sensor networks for IoT applications | |
Tong et al. | Cooperative spectrum sensing based on a modified shuffled frog leaping algorithm in 5G network | |
Parimala et al. | Modified fuzzy C-means and K-means clustering based spectrum sensing using cooperative spectrum for cognitive radio networks applications | |
CN104469811A (zh) | 认知无线传感网络分簇合作频谱感知硬融合方法 | |
Melhem et al. | Machine learning for resource allocation in mobile broadband networks | |
US9503923B2 (en) | Cooperative modulation of classification in cognitive radio networks | |
Agarwal et al. | Hardware implementation of k-means clustering based spectrum sensing using usrp in a cognitive radio system |
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 |