CN109167642B - 基于历史判决数据学习的低开销实时频谱图构建方法 - Google Patents

基于历史判决数据学习的低开销实时频谱图构建方法 Download PDF

Info

Publication number
CN109167642B
CN109167642B CN201810875938.6A CN201810875938A CN109167642B CN 109167642 B CN109167642 B CN 109167642B CN 201810875938 A CN201810875938 A CN 201810875938A CN 109167642 B CN109167642 B CN 109167642B
Authority
CN
China
Prior art keywords
spectrum
boundary
decision data
historical
spectrogram
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
CN201810875938.6A
Other languages
English (en)
Other versions
CN109167642A (zh
Inventor
曾歆
高煜
黄新林
唐小伟
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201810875938.6A priority Critical patent/CN109167642B/zh
Publication of CN109167642A publication Critical patent/CN109167642A/zh
Application granted granted Critical
Publication of CN109167642B publication Critical patent/CN109167642B/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
    • H04B17/382—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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明涉及一种基于历史判决数据学习的低开销实时频谱图构建方法，包括：步骤S1：载入采集的大规模认知无线电网络中所有感知节点通过单点频谱感知算法得到的目标频谱可用性历史判决数据；步骤S2：使用最小二乘支持向量机分析载入的历史判决数据确定频谱状态边界以构建频谱图；步骤S3：通过边界用户搜索算法确定历史判决数据中的支持向量以优化频谱图。与现有技术相比，本发明通过边界用户搜索算法筛选出距离频谱状态边界较远的次要用户，这些次要用户可无需参与检测目标频段，从而降低频谱图构建的能量开销和时间开销。

Description

基于历史判决数据学习的低开销实时频谱图构建方法
技术领域
本发明涉及一种频谱图构建方法，尤其是涉及一种基于历史判决数据学习的低开销实时频谱图构建方法。
背景技术
当今的无线通信环境中干扰频发，无线电干扰导致的公共网络通信中断问题大量存在。认知无线电技术(CR)能够有效解决这些问题。认知无线电被定义为一种建立在软件无线电(SDR)基础上的智能无线通信技术。它能够连续不断地感知周围的无线电环境，并进行分析，做出决策，动态地选择空闲的频率进行通信，然后运用无线电知识表示语言(RKRL)自适应地修改设备内部的通信参数。
认知无线电网络由两类用户组成，分别是拥有授权频段使用权限的主要用户(PU)以及具备认知功能，机会式地使用授权频段的次要用户(SU)。认知能力指的是认知无线电用户可以在其工作的无线环境中捕获或检测有用信息的能力。在无线环境中获取感知数据并进行分析，最终获得目标频谱可用性判决结果的过程即为频谱感知。频谱感知可分为单点频谱感知和多点协作频谱感知，分别由一个次要用户和多个次要用户来完成。传统的频谱感知多选择协作频谱感知策略，将次要用户根据其频谱状态分簇，即可对簇内节点的感知信息统一处理做出可用性判决。在本发明面对的大规模认知无线电网络中，次要用户频谱状态由于地形、主要用户位置等原因无法准确分簇，因此在各个感知节点上使用单点频谱感知策略，即各节点根据其自身感知到的信息对目标频段独立做出可用性判决。
目前的频谱感知对于历史数据的利用并不充分，还有很大的研究空间，而将机器学习算法引入认知无线电领域也是提高认知无线电网络性能的行之有效的方式。在大规模认知无线电网络中，由于历史数据具有数据量较大、冗余信息多等特点，使用现有技术建立频谱图的时间复杂度较高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于历史判决数据学习的低开销实时频谱图构建方法。
本发明的目的可以通过以下技术方案来实现：
一种基于历史判决数据学习的低开销实时频谱图构建方法，包括：
步骤S1：载入采集的大规模认知无线电网络中所有感知节点通过单点频谱感知算法得到的目标频谱可用性历史判决数据；
步骤S2：使用最小二乘支持向量机分析载入的历史判决数据确定频谱状态边界以构建频谱图；
步骤S3：通过边界用户搜索算法确定历史判决数据中的支持向量以优化频谱图。
所述步骤S1具体包括：
步骤S11：设定单点频谱感知的能量判决门限；
步骤S12：建立某一时刻网络中所有次要用户的接收信号能量集合；
步骤S13：对接收信号能量集合中每个元素与能量判决门限比较，若信号能量小于判决门限，则该次要用户将判定目标频谱可用，反之，该次要用户将判定目标频谱不可用；
步骤S14：根据所有元素的判决结果形成判决结果集；
步骤S15：将判决结果集和次要用户位置信息形成的特征集汇入数据融合中心。
所述步骤S2具体包括：
步骤S21：构建频谱状态边界的约束方程；
步骤S22：通过拉格朗日乘子法求解约束方程；
步骤S23：根据求解结果确定核函数以构建频谱图。
所述步骤S21具体包括：
步骤S211：构建样本空间或更高维空间中的频谱状态边界公式：
wTφ(x)+b＝0
其中：w＝{w1,w2,...,wN}T为频谱状态边界的法向量，N为空间维数，b为频谱状态边界的位移参数，φ(x)为位置信息向量x在更高维空间上的映射函数，若不需要映射到更高维空间，则φ(x)＝x；
步骤S212：构建法向量w的约束方程：
Figure BDA0001753249950000031
s.t.Sm＝wTφ(xm)+b+ξm,m＝1,2,...,M
其中：||·||2为范数的平方，ξm为第m个次要用户根据位置信息和频谱状态边界所划分的频谱状态与频谱可用性判决结果之间的误差，C为对误差ξm的容忍度参数，M为次要用户数，Sm为第m个次要用户的频谱可用性判决结果，xm为第m个次要用户的位置信息向量。
所述步骤S22具体包括：
步骤S221：将
Figure BDA0001753249950000032
代入步约束方程中，解出拉格朗日乘子集α；
步骤S222：根据拉格朗日乘子集α得到频谱状态边界的法向量w和位移参数b，得到频谱状态边界。
所述步骤S221中变形后的约束方程为：
Figure BDA0001753249950000033
Figure BDA0001753249950000034
其中：α＝{α1,α2,…αm,…,αM}。
所述法向量为：
Figure BDA0001753249950000035
所述位移参数通过使拉格朗日函数
Figure 1
取最小值得到。
所述核函数为径向基函数：
exp(-||xi-xj||2/2σ2)。
其中：σ为径向基函数的宽度参数。
所述步骤S3具体包括：
步骤S31：设置迭代步伐门限θf和分类准确度门限θa；
步骤S32：进行非边界用户筛选迭代；
步骤S33：将第T-1次迭代后获得的特征集
Figure BDA0001753249950000037
所对应的次要用户作为边界用户，其中，T为步骤S32的迭代次数。
所述步骤S32具体包括：
步骤S321：对于前一次迭代后的拉格朗日乘子集
Figure BDA0001753249950000038
特征集
Figure BDA0001753249950000041
和对应的频谱判决结果集
Figure BDA0001753249950000042
将拉格朗日乘子集αt-1根据其绝对值大小由大到小排序，将最小的θf×Mt-1个拉格朗日乘子所对应的次要用户的特征向量及频谱判决结果从特征集Xt-1和频谱判决结果集St-1中移除，得到移除后的特征集
Figure BDA0001753249950000043
和频谱判决结果集
Figure BDA0001753249950000044
其中：θf为迭代步伐门限，Mt-1表示第t-1次迭代后需要继续监测目标频段的次要用户数，Mt表示第t次迭代后需要继续监测目标频段的次要用户数；
步骤S322：使用第t次迭代后得到的特征集Xt和频谱判决结果集St经由步骤 S2计算得到新的拉格朗日乘子集
Figure BDA0001753249950000045
和频谱状态边界 wt Tφ(x)+bt＝0；
步骤S323：对获得的频谱状态边界wt Tφ(x)+bt＝0用前一时刻的历史数据进行测试，获得分类准确度da；
步骤S324：将分类准确度da与分类准确度门限θa比较，若da小于θa，执行步骤S33；否则继续进行迭代。
与现有技术相比，本发明具有以下有益效果：
1)基于支持向量机模型，根据历史判决数据建立大规模认知无线电网络中的频谱图，利用支持向量机的二分类问题中数据样本在样本空间或更高维空间上线性可分的特点，确定频谱状态边界，从而构建能够直观展示大规模认知无线电网络目标频段可用性的频谱状态图。
2)通过边界用户搜索算法筛选出距离频谱状态边界较远的次要用户，这些次要用户可无需参与检测目标频段，从而降低频谱图构建的能量开销和时间开销。
附图说明
图1为本发明的主要步骤流程示意图；
图2为频谱图构建策略示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
在进行本申请的详细叙述之前，有必要作出以下解释：
主要用户为拥有授权频段使用权限的用户
次要用户为没有授权频谱的使用权限，然而具备认知功能，可以在不影响主要用户通信的前提下机会式地使用授权频段的用户
能量判决门限为判断目标频段是否被占用的能量强度门限，若小于能量判决门限，则认为目标频段未被占用，次要用户即可使用该频段。
一种基于历史判决数据学习的低开销实时频谱图构建方法，如图1和图2所示，包括：
步骤S1：载入采集的大规模认知无线电网络中所有感知节点通过单点频谱感知算法得到的目标频谱可用性历史判决数据，具体包括：
步骤S11：设定单点频谱感知的能量判决门限Eθ。对于某次要用户m的感知信号能量强度Em，若有Em＜Eθ，则该次要用户将判定目标频谱可用(未被主要用户占用)；反之，若有Em≥Eθ，该次要用户将判定目标频谱不可用(已被主要用户占用)。能量判决门限Eθ的设定可根据应用环境不同和系统性能的需要来进行。
步骤S12：建立某一时刻网络中所有次要用户的接收信号能量集合：
E＝{E1,E2,...,Em,...,EM}，
其中：Em为次要用户m在该时刻的接收信号能量，E为所有次要用户的接收能量集合，M为次要用户个数。
步骤S13：将接收信号能量集E中每个元素Em与能量判决门限Eθ比较，并做出对应的频谱可用性判决，用Sm表示。Sm取值为0或1，0表示频谱未被主要用户占用，1表示频谱已被主要用户占用；
步骤S14：最后对所有次要用户的频谱可用性判决结果Sm建立频谱判决结果集S＝{S1,S2,...,Sm,...,SM}；
步骤S15：将每个次要用户所在的位置信息(三维坐标)形成特征集 X＝{x1,x2,...,xm,...,xM}，其中xm为次要用户m所在的三维坐标向量。并将特征集 X和判决结果集S汇入数据融合中心进行频谱图构建。
步骤S2：使用最小二乘支持向量机分析载入的历史判决数据确定频谱状态边界以构建频谱图，基于支持向量机模型，认为在二分类问题下，两种类型的样本在样本空间或某个更高维空间中线性可分，且频谱状态边界可根据相对距离最大原则确定。频谱状态分类边界确定过程如下。
步骤S21：根据支持向量机模型，构建频谱状态边界的约束方程，具体包括：
步骤S211：构建样本空间或更高维空间中的频谱状态边界公式：
wTφ(x)+b＝0
其中：w＝{w1,w2,...,wN}T为频谱状态边界的法向量，N为空间维数，b为频谱状态边界的位移参数，φ(x)为位置信息向量x在更高维空间上的映射函数，若不需要映射到更高维空间，则φ(x)＝x；
步骤S212：构建法向量w的约束方程，样本空间中各样本点到频谱状态分类边界的相对边界距离γ＝2/||w||。根据相对距离最大原则，使||w||2/2取值最小的w 值即法向量的解：
Figure BDA0001753249950000061
s.t.Sm＝wTφ(xm)+b+ξm,m＝1,2,...,M
其中：||·||2为求范数平方的运算，ξm为第m个次要用户根据位置信息和频谱状态边界所划分的频谱状态与频谱可用性判决结果之间的误差，C为对误差ξm的容忍度参数，M为次要用户数，Sm为第m个次要用户的频谱可用性判决结果，xm为第m个次要用户的位置信息向量。
步骤S22：通过拉格朗日乘子法求解约束方程，具体为采用引入拉格朗日乘子集α＝{α1,α2,...,αM}，用拉格朗日乘子法求解构建的约束方程，约束方程转换为的拉格朗日函数为
Figure BDA0001753249950000062
则使L(w,b,a)偏导为0的w即为约束方程的解，即
Figure BDA0001753249950000063
具体包括：
步骤S221：将
Figure BDA0001753249950000064
代入步约束方程中，解出拉格朗日乘子集α，代入w后的约束方程转换为
Figure BDA0001753249950000065
Figure BDA0001753249950000066
此时的约束方程转换为线性约束，可直接根据约束求解。
步骤S222：根据拉格朗日乘子集α得到频谱状态边界的法向量w和位移参数b，得到频谱状态边界，所述法向量为：
Figure BDA0001753249950000067
所述位移参数通过使拉格朗日函数
Figure 2
取最小值得到，此外，位移参数b可通过使拉格朗日函数
Figure BDA0001753249950000069
取最小值得到。如此即确定了频谱状态边界。
步骤S23：根据求解结果确定核函数以构建频谱图，其中，确定核函数κ(xi,xj)。核函数定义为κ(xi,xj)＝φ(xi)Tφ(xj)，其中xi和xj为任意两个次要用户的位置信息向量。在支持向量机模型中，可通过直接选择核函数κ(xi,xj)的方式替代映射函数φ(x)的确定过程。在本发明所描述的频谱状态边界确定过程中，选择径向基函数exp(-||xi-xj||2/2σ2)作为核函数，其中：σ为径向基函数的宽度参数，用以控制函数的径向作用范围。
步骤S3：通过边界用户搜索算法确定历史判决数据中的支持向量以优化频谱图，本发明认为在大规模认知无线电网络中，频谱状态边界主要由边界附近的次要用户(即边界用户)的历史数据决定，而离边界较远的次要用户(即非边界用户) 对频谱状态边界的确定几乎没有影响。即边界用户的重要性高，而非边界用户重要性低。因此，在频谱状态边界确定过程中，非边界用户可放弃检测目标频段而不影响频谱图的分类准确度，从而降低频谱图构建过程中的能量开销和时间开销。本发明中的边界用户搜索过程如下：
步骤S31：设置迭代步伐门限θf和分类准确度门限θa，迭代步伐θf(θf∈(0,1)) 定义为每次参与迭代的次要用户中有θf会被认定为非边界用户。分类准确度门限θa(θa∈(0,1))定义为当某次迭代后频谱图的分类准确度小于θa时，迭代过程终止，上一次迭代的结果会作为最终结果返回。
步骤S32：进行非边界用户筛选迭代，具体包括：
步骤S321：对于前一次迭代后的拉格朗日乘子集
Figure BDA0001753249950000071
特征集
Figure BDA0001753249950000072
和对应的频谱判决结果集
Figure BDA0001753249950000073
将拉格朗日乘子集αt-1根据其绝对值大小由大到小排序，将最小的θf×Mt-1个拉格朗日乘子所对应的次要用户的特征向量及频谱判决结果从特征集Xt-1和频谱判决结果集St-1中移除，得到移除后的特征集
Figure BDA0001753249950000074
和频谱判决结果集
Figure BDA0001753249950000075
其中：θf为迭代步伐门限，Mt-1表示第t-1次迭代后需要继续监测目标频段的次要用户数，Mt表示第t次迭代后需要继续监测目标频段的次要用户数；
步骤S322：使用第t次迭代后得到的特征集Xt和频谱判决结果集St经由步骤 S2计算得到新的拉格朗日乘子集
Figure BDA0001753249950000076
和频谱状态边界 wt Tφ(x)+bt＝0；
步骤S323：对获得的频谱状态边界wt Tφ(x)+bt＝0用前一时刻的历史数据进行测试，获得分类准确度da，分类准确度da的定义为前一时刻的历史判决数据被频谱状态边界分类的准确率。
步骤S324：将分类准确度da与分类准确度门限θa比较，若da小于θa，执行步骤S33；否则继续进行迭代。
步骤S33：将第T-1次迭代后获得的特征集
Figure BDA0001753249950000083
所对应的次要用户作为边界用户，其中，T为步骤S32的迭代次数。
最后，选择长30千米、宽20千米的仿真场景，通过仿真说明边界用户搜索算法的有效性。在仿真场景中，发射功率为30mW的主要用户位置随机，分类准确度门限θa设为0.95。仿真结果见表1和表2。表1为次要用户数为500时，不同迭代步伐θf下的频谱图构建性能；表2为迭代步伐θf为0.02时，不同次要用户数量下的频谱图构建性能。表1和表2体现了本专利所提出的频谱图构建方法以及边界用户搜索算法在不同条件下的有效性，即频谱图具有高分类精度的同时降低了时间开销与能量开销。
表1迭代步伐θf对频谱图构建的影响
Figure BDA0001753249950000081
表2次要用户数量对频谱图构建的影响
Figure BDA0001753249950000082

Claims (8)

1.一种基于历史判决数据学习的低开销实时频谱图构建方法，其特征在于，包括：
步骤S1：载入采集的大规模认知无线电网络中所有感知节点通过单点频谱感知算法得到的目标频谱可用性历史判决数据，
步骤S2：使用最小二乘支持向量机分析载入的历史判决数据确定频谱状态边界以构建频谱图，
步骤S3：通过边界用户搜索算法确定历史判决数据中的支持向量以优化频谱图；
所述步骤S2具体包括：
步骤S21：构建频谱状态边界的约束方程，
步骤S22：通过拉格朗日乘子法求解约束方程；，
步骤S23：根据求解结果确定核函数以构建频谱图；
所述步骤S21具体包括：
步骤S211：构建样本空间或更高维空间中的频谱状态边界公式：
wTφ(x)+b＝0
其中：w＝{w1,w2,...,wN}T为频谱状态边界的法向量，N为空间维数，b为频谱状态边界的位移参数，φ(x)为位置信息向量x在更高维空间上的映射函数，若不需要映射到更高维空间，则φ(x)＝x，
步骤S212：构建法向量w的约束方程：
Figure FDA0002307052450000011
s.t.Sm＝wTφ(xm)+b+ξm,m＝1,2,...,M
其中：||·||2为范数的平方，ξm为第m个次要用户根据位置信息和频谱状态边界所划分的频谱状态与频谱可用性判决结果之间的误差，C为对误差ξm的容忍度参数，M为次要用户数，Sm为第m个次要用户的频谱可用性判决结果，xm为第m个次要用户的位置信息向量。
2.根据权利要求1所述的一种基于历史判决数据学习的低开销实时频谱图构建方法，其特征在于，所述步骤S1具体包括：
步骤S11：设定单点频谱感知的能量判决门限；
步骤S12：建立某一时刻网络中所有次要用户的接收信号能量集合；
步骤S13：对接收信号能量集合中每个元素与能量判决门限比较，若信号能量小于判决门限，则该次要用户将判定目标频谱可用，反之，该次要用户将判定目标频谱不可用；
步骤S14：根据所有元素的判决结果形成判决结果集；
步骤S15：将判决结果集和次要用户位置信息形成的特征集汇入数据融合中心。
3.根据权利要求1所述的一种基于历史判决数据学习的低开销实时频谱图构建方法，其特征在于，所述步骤S22具体包括：
步骤S221：将
Figure FDA0002307052450000021
代入步约束方程中，解出拉格朗日乘子集α；
步骤S222：根据拉格朗日乘子集α得到频谱状态边界的法向量w和位移参数b，得到频谱状态边界。
4.根据权利要求3所述的一种基于历史判决数据学习的低开销实时频谱图构建方法，其特征在于，所述步骤S221中变形后的约束方程为：
Figure FDA0002307052450000022
Figure FDA0002307052450000023
其中：α＝{α1,α2,…αm,…,αM}。
5.根据权利要求3所述的一种基于历史判决数据学习的低开销实时频谱图构建方法，其特征在于，所述法向量为：
Figure FDA0002307052450000024
所述位移参数通过使拉格朗日函数
Figure FDA0002307052450000025
取最小值得到。
6.根据权利要求1所述的一种基于历史判决数据学习的低开销实时频谱图构建方法，其特征在于，所述核函数为径向基函数：
exp(-||xi-xj||2/2σ2)
其中：σ为径向基函数的宽度参数。
7.根据权利要求3所述的一种基于历史判决数据学习的低开销实时频谱图构建方法，其特征在于，所述步骤S3具体包括：
步骤S31：设置迭代步伐门限θf和分类准确度门限θa；
步骤S32：进行非边界用户筛选迭代；
步骤S33：将第T-1次迭代后获得的特征集
Figure FDA0002307052450000031
所对应的次要用户作为边界用户，其中，T为步骤S32的迭代次数。
8.根据权利要求7所述的一种基于历史判决数据学习的低开销实时频谱图构建方法，其特征在于，所述步骤S32具体包括：
步骤S321：对于前一次迭代后的拉格朗日乘子集
Figure FDA0002307052450000032
特征集
Figure FDA0002307052450000033
和对应的频谱判决结果集
Figure FDA0002307052450000034
将拉格朗日乘子集αt-1根据其绝对值大小由大到小排序，将最小的θf×Mt-1个拉格朗日乘子所对应的次要用户的特征向量及频谱判决结果从特征集Xt-1和频谱判决结果集St-1中移除，得到移除后的特征集
Figure FDA0002307052450000035
和频谱判决结果集
Figure FDA0002307052450000036
其中：θf为迭代步伐门限，Mt-1表示第t-1次迭代后需要继续监测目标频段的次要用户数，Mt表示第t次迭代后需要继续监测目标频段的次要用户数；
步骤S322：使用第t次迭代后得到的特征集Xt和频谱判决结果集St经由步骤S2计算得到新的拉格朗日乘子集
Figure FDA0002307052450000037
和频谱状态边界wt Tφ(x)+bt＝0；
步骤S323：对获得的频谱状态边界wt Tφ(x)+bt＝0用前一时刻的历史数据进行测试，获得分类准确度da；
步骤S324：将分类准确度da与分类准确度门限θa比较，若da小于θa，执行步骤S33；否则继续进行迭代。
CN201810875938.6A 2018-08-03 2018-08-03 基于历史判决数据学习的低开销实时频谱图构建方法 Active CN109167642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810875938.6A CN109167642B (zh) 2018-08-03 2018-08-03 基于历史判决数据学习的低开销实时频谱图构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810875938.6A CN109167642B (zh) 2018-08-03 2018-08-03 基于历史判决数据学习的低开销实时频谱图构建方法

Publications (2)

Publication Number Publication Date
CN109167642A CN109167642A (zh) 2019-01-08
CN109167642B true CN109167642B (zh) 2020-04-28

Family

ID=64898841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810875938.6A Active CN109167642B (zh) 2018-08-03 2018-08-03 基于历史判决数据学习的低开销实时频谱图构建方法

Country Status (1)

Country Link
CN (1) CN109167642B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116866925A (zh) * 2023-06-30 2023-10-10 中山大学 基于可信度的无人机频谱感知方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
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
CN109302250A (zh) * 2018-09-13 2019-02-01 西安交通大学 能量传输全双工中继进行中继选择与发送功率分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
CN109302250A (zh) * 2018-09-13 2019-02-01 西安交通大学 能量传输全双工中继进行中继选择与发送功率分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Historical Spectrum Sensing Data Miningfor Cognitive Radio Enabled Vehicular Ad-Hoc Networks;Xin-Lin Huang;《IEEE》;20160228;第13卷(第1期);1-12 *

Also Published As

Publication number Publication date
CN109167642A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
Koçkaya et al. Spectrum sensing in cognitive radio networks: threshold optimization and analysis
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
Zhang et al. MIMO spectrum sensing for cognitive radio-based Internet of things
Sung et al. Asymptotic locally optimal detector for large-scale sensor networks under the Poisson regime
CN109525994B (zh) 基于支持向量机的高能效频谱感知方法
CN108337645B (zh) 网格化无线电信号监测系统架构及干扰信号联合检测方法
CN110224771B (zh) 基于bp神经网络与信息几何的频谱感知方法及装置
Goyal et al. Deep learning application for sensing available spectrum for cognitive radio: An ECRNN approach
CN109167642B (zh) 基于历史判决数据学习的低开销实时频谱图构建方法
Zecchin et al. Robust Bayesian learning for reliable wireless AI: Framework and applications
CN110649982B (zh) 基于次用户节点选择的双阈值能量检测方法
CN111934797B (zh) 基于协方差特征值和均值漂移聚类的协作频谱感知方法
De Souza et al. Compressive learning in communication systems: a neural network receiver for detecting compressed signals in OFDM systems
Halme et al. Bayesian multiple hypothesis testing for distributed detection in sensor networks
CN110351884B (zh) 一种基于双层多臂老虎机统计模型的频谱机会接入方法
Li et al. Accurate Anomaly Detection with Energy-Efficiency in IoT-Edge-Cloud Collaborative Networks
CN108490877B (zh) 基于对称点模式和空间密度聚类的数控机床故障诊断方法
CN113747441A (zh) 一种基于特征降维的移动网络流量异常检测方法及系统
Yaseen et al. Graph signal processing-based network health estimation for next generation wireless systems
Liu et al. Topology sensing of wireless networks based on Hawkes process
Bharathy et al. Gini index test metric based collaborative sensing of spectrum for cognitive networks
CN109347583A (zh) 噪声不确定情况下基于核空间优化的合作频谱感知方法
CN116318444B (zh) 二维频谱感知方法、装置、电子设备和存储介质
CN111148107A (zh) 基于压缩滤波的宽带频谱感知方法和装置
Suriya et al. SPECTRUMNET: Cooperative Spectrum Monitoring Using Deep Neural Networks

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