CN108683469B - 一种电力无线专网频谱噪声预测方法及系统 - Google Patents

一种电力无线专网频谱噪声预测方法及系统 Download PDF

Info

Publication number
CN108683469B
CN108683469B CN201810430214.0A CN201810430214A CN108683469B CN 108683469 B CN108683469 B CN 108683469B CN 201810430214 A CN201810430214 A CN 201810430214A CN 108683469 B CN108683469 B CN 108683469B
Authority
CN
China
Prior art keywords
noise
power
spectrum noise
private network
wireless private
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
CN201810430214.0A
Other languages
English (en)
Other versions
CN108683469A (zh
Inventor
缪巍巍
于鹏飞
张小建
吴鹏
蒋承伶
张明轩
刘锐
余勇
冯谷
曹婉恬
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.)
Global Energy Interconnection Research Institute
Nari Information and Communication Technology Co
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Global Energy Interconnection Research Institute
Nari Information and Communication Technology Co
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
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 Global Energy Interconnection Research Institute, Nari Information and Communication Technology Co, Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical Global Energy Interconnection Research Institute
Priority to CN201810430214.0A priority Critical patent/CN108683469B/zh
Publication of CN108683469A publication Critical patent/CN108683469A/zh
Application granted granted Critical
Publication of CN108683469B publication Critical patent/CN108683469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种电力无线专网频谱噪声预测方法及系统，获取设定时间段内设定频率的频谱噪声功率；根据所述频谱噪声功率确定电力无线专网频谱噪声预测的马尔科夫链模型；利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率。本发明利用已知一段时间内固定时间间隔检测到的某一频率的频谱噪声功率值组，采用马尔科夫链模型，进行下一时刻的某一频率的频谱噪声的预测。

Description

一种电力无线专网频谱噪声预测方法及系统
技术领域
本发明涉及电力无线专网频谱噪声预测技术，具体涉及一种电力无线专网频谱噪声预测方法及系统。
背景技术
1.8GHz频段是电力无线专网建设采用频谱资源之一，该频段为能源、轨道交通、航空等行业共用，而且电力终端的部署环境复杂，频谱资源存在各种突发的干扰。这种突发的干扰往往具有一定的规律性，如其它行业的无线设备的通信，邻区无线设备的通信，会带来突发干扰，但又具有很强的规律性。如高速公路附近的车流，高铁的车流，附近其它的生产、生活日间与夜间的情况，也有一定的规律性。此外，电力无线终端的部署具有准静态的特点，即部署后一般不会大范围的移动，接收无线信号不会因移动产生大的变化。这些规律为电力无线专网频谱噪声预测提供了有利的条件。
现有的预测方法不能很好的对电力无线终端运行环境的具有一定规律的频谱突发噪声进行预测，预测出来的频谱突发噪声不能满足电力业务对无线通信低延时、高可靠的需求。
发明内容
为解决上述现有技术中的不足，本发明的目的是提供一种电力无线专网频谱噪声预测方法及系统，本发明利用已知一段时间内固定时间间隔检测到的某一频率的频谱噪声功率值组，采用马尔科夫链模型，进行下一时刻的某一频率的频谱噪声的预测。
本发明的目的是采用下述技术方案实现的：
本发明提供一种电力无线专网频谱噪声预测方法，其改进之处在于：
获取设定时间段内设定频率的频谱噪声功率；
根据所述频谱噪声功率确定电力无线专网频谱噪声预测的马尔科夫链模型；
利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率。
进一步地：所述获取设定时间段内设定频率的频谱噪声功率，包括：
以设定时间内n次固定时间间隔检测到的设定频率的频谱噪声功率作为初始输入X0，X1，X2，……，Xn；n表示固定时间间隔的次数，X0，X1，X2，……，Xn分别表示第一次频谱噪声功率，第二次频谱噪声功率，……，第n次频谱噪声功率。
进一步地：所述根据所述频谱噪声功率确定电力无线专网频谱噪声预测马尔科夫链模型，包括：
通过初始统计获取所述频谱噪声功率包含突发噪声的概率P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)；
利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型。
进一步地：所述利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型，包括：
a.从初始输入P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)中抽取长度为m的序列Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)，将Pi(Xi)与Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)关联，获取电力无线专网频谱噪声预测马尔科夫链模型：Pi(Xi)＝Pi(Xi|Xi-m-1，Xi-m，……，Xi-1)；
b.重复步骤a，若连续2次输出的电力无线专网频谱噪声预测马尔科夫链模型满足收敛条件，则结束训练，输出最后一次训练所得电力无线专网频谱噪声预测马尔科夫链模型。
进一步地：所述步骤b中，按下式确定所述收敛条件：
Figure GDA0004053450960000021
式中：
Figure GDA0004053450960000022
(Xi)为第t次训练所得电力无线专网频谱噪声预测马尔科夫链模型，/>
Figure GDA0004053450960000023
(Xi)为第t-1次训练所得电力无线专网频谱噪声预测马尔科夫链模型，δ表示收敛阈值。
进一步地：所述根据所述预测函数预测未来下一时刻频谱噪声发生概率，包括：
将当前时刻及历史前m-1个时刻所述频谱噪声功率包含突发噪声的概率代入所述预测函数，获取未来下一时刻频谱噪声发生概率。
本发明还提供一种电力无线专网频谱噪声预测系统，其改进之处在于：
获取模块，用于获取设定时间段内设定频率的频谱噪声功率；
确定模块，用于根据所述频谱噪声功率确定电力无线专网频谱噪声预测的马尔科夫链模型；
预测模块，用于利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率。
进一步地：所述获取模块，还用于：
以设定时间内n次固定时间间隔检测到的设定频率的频谱噪声功率作为初始输入X0，X1，X2，……，Xn；n表示固定时间间隔的次数，X0，X1，X2，……，Xn分别表示第一次频谱噪声功率，第二次频谱噪声功率，……，第n次频谱噪声功率。
进一步地：所述确定模块，包括；
获取联单元，用于通过初始统计获取所述频谱噪声功率包含突发噪声的概率P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)；
训练单元，用于利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型。
进一步地：所述训练单元，包括；
关联子单元，用于从初始输入P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)中抽取长度为m的序列Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)，将Pi(Xi)与Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)关联，获取电力无线专网频谱噪声预测马尔科夫链模型：Pi(Xi)＝Pi(Xi|Xi-m-1，Xi-m，……，Xi-1)；
判定子单元，用于判定若连续2次输出的电力无线专网频谱噪声预测马尔科夫链模型满足收敛条件，则结束训练，输出最后一次训练所得电力无线专网频谱噪声预测马尔科夫链模型。
进一步地：所述预测模块，还用于将当前时刻及历史前m-1个时刻所述频谱噪声功率包含突发噪声的概率代入所述预测函数，获取未来下一时刻频谱噪声发生概率。
与最接近的现有技术相比，本发明提供的技术方案具有的有益效果是：
本发明提供一种电力无线专网频谱噪声预测方法，获取设定时间段内设定频率的频谱噪声功率；根据所述频谱噪声功率确定电力无线专网频谱噪声预测的马尔科夫链模型；利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率。利用已知一段时间内固定时间间隔检测到的某一频率的频谱噪声功率值组，采用马尔科夫链模型，进行下一时刻的某一频率的频谱噪声的预测。
电力无线专网建设采用TD-LTE制式，其中1.8GHz频段为多种行业共用，且电力无线终端所处环境复杂，因此频谱噪声包含背景噪声和突发噪声。通过对某一频率的频谱噪声的预测，有助于电力无线通信系统选择合适质量的无线资源实施数据传输，保证无线通信的传输速率以及稳定性、可靠性。
附图说明
图1是本发明提供的电力无线专网频谱噪声预测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
为了满足电力业务对无线通信低延时、高可靠的需求，本发明提供一种电力无线专网频谱噪声预测方法，采用马尔科夫链模型，利用已知一段时间内固定时间间隔检测到的某一频率的频谱噪声功率值组，进行下一时刻的某一频率的频谱噪声的预测，有助于实现电力无线专网的频率资源的优化分配。
本发明提供一种电力无线专网频谱噪声预测方法，本发明的流程图如图1所示，包括如下步骤：
获取设定时间段内设定频率的频谱噪声功率，包括：
根据所述频谱噪声功率确定电力无线专网频谱噪声预测的马尔科夫链模型；
利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率。
进一步地：所述获取设定时间段内设定频率的频谱噪声功率，包括：
以设定时间内n次固定时间间隔检测到的设定频率的频谱噪声功率作为初始输入X0，X1，X2，……，Xn；n表示固定时间间隔的次数，X0，X1，X2，……，Xn分别表示第一次频谱噪声功率，第二次频谱噪声功率，……，第n次频谱噪声功率。
进一步地：所述根据所述频谱噪声功率确定电力无线专网频谱噪声预测马尔科夫链模型，包括：
通过初始统计获取所述频谱噪声功率包含突发噪声的概率P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)；
利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型。
进一步地：所述利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型，包括：
a.从初始输入P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)中抽取长度为m的序列Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)，将Pi(Xi)与Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)关联，获取电力无线专网频谱噪声预测马尔科夫链模型：Pi(Xi)＝Pi(Xi|Xi-m-1，Xi-m，……，Xi-1)；
b.重复步骤a，若连续2次输出的电力无线专网频谱噪声预测马尔科夫链模型满足收敛条件，则结束训练，输出最后一次训练所得电力无线专网频谱噪声预测马尔科夫链模型。
进一步地：所述步骤b中，按下式确定所述收敛条件：
Figure GDA0004053450960000051
式中：
Figure GDA0004053450960000052
(Xi)为第t次训练所得电力无线专网频谱噪声预测马尔科夫链模型，/>
Figure GDA0004053450960000053
(Xi)为第t-1次训练所得电力无线专网频谱噪声预测马尔科夫链模型，δ表示收敛阈值。δ值越小，本发明预测的精度越高，消耗的系统计算资源越多，因此δ值也可以由具体的电力无线通信的稳定性、可靠性和实时性需求调整。
在实际操作中，以连续2次的Pi(Xi)收敛值误差在5％以内即可以认为足够收敛。
Figure GDA0004053450960000054
Pi(Xi)收敛的程度会影响本发明预测的精度；收敛程度越高，消耗的系统资源越多，因此Pi(Xi)的收敛程度也可以由具体的电力无线通信的稳定性、可靠性和实时性需求调整误差值。
进一步地：所述根据所述预测函数预测未来下一时刻频谱噪声发生概率，包括：
将所有收敛后的Pi(Xi)值Xi-m-1，Xi-m，……，Xi-1按照是否包含突发噪声的不同状态组合排列，形成一组根据前序m个某一频率的频谱噪声功率检测值的预测权值。根据该预测权值，即可完成下一时刻是否包含突发噪声的预测。将当前时刻及历史前m-1个时刻所述频谱噪声功率包含突发噪声的概率代入所述预测函数，获取未来下一时刻频谱噪声发生概率。
实施例二、
基于同样的发明构思，本发明的还提供一种电力无线专网频谱噪声预测系统，包括：
获取模块，用于获取设定时间段内设定频率的频谱噪声功率；
确定模块，用于根据所述频谱噪声功率确定电力无线专网频谱噪声预测的马尔科夫链模型；
预测模块，用于利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率。
进一步地：所述获取模块，还用于：
以设定时间内n次固定时间间隔检测到的设定频率的频谱噪声功率作为初始输入X0，X1，X2，……，Xn；n表示固定时间间隔的次数，X0，X1，X2，……，Xn分别表示第一次频谱噪声功率，第二次频谱噪声功率，……，第n次频谱噪声功率。
进一步地：所述确定模块，包括；
获取联单元，用于通过初始统计获取所述频谱噪声功率包含突发噪声的概率P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)；
训练单元，用于利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型。
进一步地：所述训练单元，包括；
关联子单元，用于从初始输入P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)中抽取长度为m的序列Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)，将Pi(Xi)与Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)关联，获取电力无线专网频谱噪声预测马尔科夫链模型：Pi(Xi)＝Pi(Xi|Xi-m-1，Xi-m，……，Xi-1)；
判定子单元，用于判定若连续2次输出的电力无线专网频谱噪声预测马尔科夫链模型满足收敛条件，则结束训练，输出最后一次训练所得电力无线专网频谱噪声预测马尔科夫链模型。
进一步地：所述预测模块，还用于将当前时刻及历史前m-1个时刻所述频谱噪声功率包含突发噪声的概率代入所述预测函数，获取未来下一时刻频谱噪声发生概率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (2)

1.一种电力无线专网频谱噪声预测方法，其特征在于：
获取设定时间段内设定频率的频谱噪声功率；
根据所述频谱噪声功率确定电力无线专网频谱噪声预测的马尔科夫链模型；
利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率；
所述获取设定时间段内设定频率的频谱噪声功率，包括：
以设定时间内n次固定时间间隔检测到的设定频率的频谱噪声功率作为初始输入X0，X1，X2，……，Xn；n表示固定时间间隔的次数，X0，X1，X2，……，Xn分别表示第一次频谱噪声功率，第二次频谱噪声功率，……，第n次频谱噪声功率；
所述根据所述频谱噪声功率确定电力无线专网频谱噪声预测马尔科夫链模型，包括：
通过初始统计获取所述频谱噪声功率包含突发噪声的概率P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)；
利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型；
所述利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型，包括：
a.从初始输入P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)中抽取长度为m的序列Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)，将Pi(Xi)与Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)关联，获取电力无线专网频谱噪声预测马尔科夫链模型：Pi(Xi)＝Pi(Xi|Xi-m-1，Xi-m，……，Xi-1)；
b.重复步骤a，若连续2次输出的电力无线专网频谱噪声预测马尔科夫链模型满足收敛条件，则结束训练，输出最后一次训练所得电力无线专网频谱噪声预测马尔科夫链模型；
所述步骤b中，按下式确定所述收敛条件：
Figure FDA0004053450950000011
式中：
Figure FDA0004053450950000021
为第t次训练所得电力无线专网频谱噪声预测马尔科夫链模型，/>
Figure FDA0004053450950000022
为第t-1次训练所得电力无线专网频谱噪声预测马尔科夫链模型，δ表示收敛阈值；
所述利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率，包括：
将当前时刻及历史前m-1个时刻所述频谱噪声功率包含突发噪声的概率代入所述马尔科夫链模型，获取未来下一时刻频谱噪声发生概率。
2.一种电力无线专网频谱噪声预测系统，其特征在于：
获取模块，用于获取设定时间段内设定频率的频谱噪声功率；
确定模块，用于根据所述频谱噪声功率确定电力无线专网频谱噪声预测的马尔科夫链模型；
预测模块，用于利用所述电力无线专网频谱噪声预测的马尔科夫链模型预测未来下一时刻频谱噪声发生概率；
所述获取模块，还用于：
以设定时间内n次固定时间间隔检测到的设定频率的频谱噪声功率作为初始输入X0，X1，X2，……，Xn；n表示固定时间间隔的次数，X0，X1，X2，……，Xn分别表示第一次频谱噪声功率，第二次频谱噪声功率，……，第n次频谱噪声功率；
所述确定模块，包括；
获取联单元，用于通过初始统计获取所述频谱噪声功率包含突发噪声的概率P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)；
训练单元，用于利用所述频谱噪声功率包含突发噪声的概率训练电力无线专网频谱噪声预测马尔科夫链模型；
所述训练单元，包括；
关联子单元，用于从初始输入P0(X0)，P1(X1)，P2(X2)，...，Pn(Xn)中抽取长度为m的序列Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)，将Pi(Xi)与Pi-m-1(Xi-m-1)，Pm-1(Xm-1)，...，Pi-1(Xi-1)关联，获取电力无线专网频谱噪声预测马尔科夫链模型：Pi(Xi)＝Pi(Xi|Xi-m-1，Xi-m，……，Xi-1)；
判定子单元，用于判定若连续2次输出的电力无线专网频谱噪声预测马尔科夫链模型满足收敛条件，则结束训练，输出最后一次训练所得电力无线专网频谱噪声预测马尔科夫链模型；
所述判定子单元中，按下式确定所述收敛条件：
Figure FDA0004053450950000031
式中：
Figure FDA0004053450950000032
为第t次训练所得电力无线专网频谱噪声预测马尔科夫链模型，/>
Figure FDA0004053450950000033
为第t-1次训练所得电力无线专网频谱噪声预测马尔科夫链模型，δ表示收敛阈值；
所述预测模块，还用于将当前时刻及历史前m-1个时刻所述频谱噪声功率包含突发噪声的概率代入所述马尔科夫链模型，获取未来下一时刻频谱噪声发生概率。
CN201810430214.0A 2018-05-08 2018-05-08 一种电力无线专网频谱噪声预测方法及系统 Active CN108683469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810430214.0A CN108683469B (zh) 2018-05-08 2018-05-08 一种电力无线专网频谱噪声预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810430214.0A CN108683469B (zh) 2018-05-08 2018-05-08 一种电力无线专网频谱噪声预测方法及系统

Publications (2)

Publication Number Publication Date
CN108683469A CN108683469A (zh) 2018-10-19
CN108683469B true CN108683469B (zh) 2023-05-23

Family

ID=63801941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810430214.0A Active CN108683469B (zh) 2018-05-08 2018-05-08 一种电力无线专网频谱噪声预测方法及系统

Country Status (1)

Country Link
CN (1) CN108683469B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105915300A (zh) * 2016-04-16 2016-08-31 广西大学 一种在cr网络中基于rlnc的退避频谱预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7899761B2 (en) * 2005-04-25 2011-03-01 GM Global Technology Operations LLC System and method for signal prediction
CN103607219B (zh) * 2013-11-07 2016-02-03 电子科技大学 一种电力线通信系统的噪声预测方法
CN104168075B (zh) * 2014-08-28 2017-06-23 北京邮电大学 一种噪声方差未知情况下的频谱检测方法与装置
CN104333424B (zh) * 2014-10-16 2018-01-05 北京邮电大学 一种频谱检测与未知噪声方差跟踪估计方法与装置
CN106027122A (zh) * 2016-07-05 2016-10-12 重庆电力高等专科学校 一种低压电力线信道背景噪声建模方法
CN107070569A (zh) * 2017-03-06 2017-08-18 广西大学 基于hmm模型的多点协作频谱感知方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105915300A (zh) * 2016-04-16 2016-08-31 广西大学 一种在cr网络中基于rlnc的退避频谱预测方法

Also Published As

Publication number Publication date
CN108683469A (zh) 2018-10-19

Similar Documents

Publication Publication Date Title
CN106933649B (zh) 基于移动平均和神经网络的虚拟机负载预测方法及系统
WO2021123139A1 (en) Systems and methods for enhanced feedback for cascaded federated machine learning
JP7166584B2 (ja) チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム
CN110167176B (zh) 一种基于分布式机器学习的无线网络资源分配方法
RU2005119157A (ru) Способ и устройство для предсказания изменения ячейки
CN104780008A (zh) 一种基于自适应压缩感知的宽带频谱感知方法
CN103024915A (zh) 一种实现上行侦听参考信号周期自适应的方法
Eltholth Forward backward autoregressive spectrum prediction scheme in cognitive radio systems
CN113239632A (zh) 无线性能预测方法及装置、电子设备和存储介质
Liu et al. Prediction algorithms for train arrival time in urban rail transit
CN108683469B (zh) 一种电力无线专网频谱噪声预测方法及系统
Dangi et al. 5G network traffic control: a temporal analysis and forecasting of cumulative network activity using machine learning and deep learning technologies
CN103209417A (zh) 基于神经网络的频谱占用状态的预测方法以及装置
KR102390190B1 (ko) 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치
CN110753367B (zh) 移动通信系统的安全性能预测方法
CN115996403B (zh) 5g工业时延敏感业务资源调度方法、装置、电子设备
Zhang et al. A mac protocol identification approach based on convolutional neural network
Liu et al. Enhanced asynchronous cooperative spectrum sensing based on dempster-shafer theory
Zhang et al. Machine learning based protocol classification in unlicensed 5 GHz bands
Strelkovskaya et al. Multimedia traffic prediction based on wavelet-and spline-extrapolation
CN107563573B (zh) 一种基于自适应学习混合模型的太阳能发电量的预测方法
CN116669089A (zh) 经由信道聚合预测服务质量
Li et al. MTF 2 N: Multi-Channel Temporal-Frequency Fusion Network for Spectrum Prediction
Zhang et al. Resource allocation in URLLC with online learning for mobile users
CN111669241A (zh) 一种短波通信信道可用性的高效预测方法

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