CN109743121A - 一种信道占用状态检测方法、装置、电子设备及存储介质 - Google Patents

一种信道占用状态检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN109743121A
CN109743121A CN201910156413.1A CN201910156413A CN109743121A CN 109743121 A CN109743121 A CN 109743121A CN 201910156413 A CN201910156413 A CN 201910156413A CN 109743121 A CN109743121 A CN 109743121A
Authority
CN
China
Prior art keywords
channel
matrix
sample
reorganizing
splitting
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
Application number
CN201910156413.1A
Other languages
English (en)
Inventor
杨贺淞
王永华
万频
齐蕾
陈煌
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910156413.1A priority Critical patent/CN109743121A/zh
Publication of CN109743121A publication Critical patent/CN109743121A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种信道占用状态检测方法,为优化无法被K‑means聚类算法准确处理的不服从高斯分布的信号,本申请利用谱聚类算法中的高斯核函数将对应于实际信号的实际特征映射至高维空间,使得即使不服从高斯分布的信号也能够在该高维空间中很好的表达,并参与后续的特征分类,使得基于高斯核函数的谱聚类算法构造出的信道占用分类器相比于K‑means聚类算法构造出的分类器拥有更高的分类精准度。本申请还同时公开了一种信道占用状态检测装置、电子设备及计算机可读存储介质,具有上述有益效果。

Description

一种信道占用状态检测方法、装置、电子设备及存储介质
技术领域
本申请涉及频谱感知技术领域,特别涉及一种信道占用状态检测方法、装置、电子设备及计算机可读存储介质。
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。现有的固定频谱分配方式使得频谱利用率低且严重不均,通过调查研究发现,任意时间、任意地点的频谱平均利用率低于5%。所以,频谱利用率过低是目前面临的一个主要的问题。
频谱利用率主要通过将当前处于空闲状态的信道分配给其它需要使用的用户的方式来提升,此种方式下最重要的部分是如何检测信道是否处于占用状态或空闲状态。比较常用的最为简单的能量检测算法、基于随机矩阵理论的检测方法,随着数据复杂度的上升和对检测精准度要求的提升,基于机器学习的聚类算法因能够带来更好的分类检测结果被引入频谱感知领域。
现今应用在频谱感知领域中用于判别信道占用状态的聚类算法绝大多数为K-means聚类算法(中文称K均值聚类算法),但K-means聚类算法采取二次欧氏距离作为相似性的度量,并且假设分类时的聚类误差是服从正态分布(高斯分布)的,因此K-means聚类算法在处理非标准正态分布和非均匀样本集合时会得到不甚理想的聚类效果。
因此,如何提供一种比K-means算法更优的聚类算法来提升频谱感知领域下对信道占用状态的检测精准度,是本领域技术人员亟待解决的问题。
发明内容
本申请的目的在于提供一种信道占用状态检测方法、装置、电子设备及检测方法,旨在提供一种信道占用状态检测精准度比现有K-means聚类算法更高的聚类算法,以尽可能的降低因检测结果错误带来的信道冲突现象的发生概率。
为实现上述目的,本申请提供一种信道占用状态检测方法,该方法包括:
获取目标信道的实际信号,并根据所述实际信号构造目标采样矩阵;
从所述目标采样矩阵中提取得到实际特征;
利用根据谱聚类算法构造的信道占用分类器确定特征为所述实际特征的目标信道是否处于被占用状态;其中,所述信道占用分类器是利用所述谱聚类算法下的高斯核函数构造得到的。
可选的,构造得到所述信道占用分类器的过程包括:
获取样本信道的样本信号,并根据所述样本信号构造样本采样矩阵;
从所述样本采样矩阵中提取得到样本特征;
利用所述高斯核函数将所述样本特征在高维空间进行表达,得到高维样本特征;
利用将聚类中心数预设为2的谱聚类算法对各所述高维样本特征进行聚类处理,得到聚类结果;
根据所述聚类结果构造得到所述信道占用分类器。
可选的,从所述目标采样矩阵中提取得到实际特征,包括:
对所述目标采样矩阵分别按照顺序拆分重组和间隔拆分重组的方式进行拆分重组,对应得到第一拆分重组矩阵和第二拆分重组矩阵;
分别根据所述第一拆分重组矩阵和所述第二拆分重组矩阵提取得到第一实际特征和第二实际特征。
可选的,该信道占用状态检测方法还包括:
将能够被所述信道占用分类器确定信道是否处于被占用状态的实际特征作为新特征补充至所述信道占用分类器的特征分类库。
可选的,该信道占用状态检测方法还包括:
将无法被所述信道占用分类器确定信道是否处于被占用状态的实际特征标记为异常特征,并将与所述异常特征对应的实际信号通过预设路径上传至异常信息处理中心。
为实现上述目的,本申请还提供了一种信道占用状态检测装置,该装置包括:
信道信号获取及矩阵构造单元,用于获取目标信道的实际信号,并根据所述实际信号构造目标采样矩阵;
信道实际特征提取单元,用于从所述目标采样矩阵中提取得到实际特征;
信道占用分类器判断单元,用于利用根据谱聚类算法构造的信道占用分类器确定特征为所述实际特征的目标信道是否处于被占用状态;其中,所述信道占用分类器是利用所述谱聚类算法下的高斯核函数构造得到的。
可选的,该信道占用状态检测装置还包括:
样本信号获取及矩阵构造单元,用于获取样本信道的样本信号,并根据所述样本信号构造样本采样矩阵;
信道样本特征提取单元,用于从所述样本采样矩阵中提取得到样本特征;
高斯核函数处理单元,用于利用所述高斯核函数将所述样本特征在高维空间进行表达,得到高维样本特征;
谱聚类算法处理单元,用于利用将聚类中心数预设为2的谱聚类算法对各所述高维样本特征进行聚类处理,得到聚类结果;
信道占用分类器构造单元,用于根据所述聚类结果构造得到所述信道占用分类器。
可选的,所述信道实际特征提取单元包括:
拆分重组子单元,用于对所述目标采样矩阵分别按照顺序拆分重组和间隔拆分重组的方式进行拆分重组,对应得到第一拆分重组矩阵和第二拆分重组矩阵;
多样化特征提取子单元,用于分别根据所述第一拆分重组矩阵和所述第二拆分重组矩阵提取得到第一实际特征和第二实际特征。
可选的,该信道占用检测装置还包括:
特征分类库持续更新单元,用于将能够被所述信道占用分类器确定信道是否处于被占用状态的实际特征作为新特征补充至所述信道占用分类器的特征分类库。
可选的,该信道占用检测装置还包括:
异常特征处理单元,用于将无法被所述信道占用分类器确定信道是否处于被占用状态的实际特征标记为异常特征,并将与所述异常特征对应的实际信号通过预设路径上传至异常信息处理中心。
为实现上述目的,本申请还提供了一种电子设备,该电子设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述内容所描述的信道占用状态检测方法。
为实现上述目的,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述内容所描述的信道占用状态检测方法。
根据本申请提供的信道占用状态检测方法可以看出,为优化无法被K-means聚类算法准确处理的不服从高斯分布的信号,本申请利用谱聚类算法中的高斯核函数将对应于实际信号的实际特征映射至高维空间,使得即使不服从高斯分布的信号也能够在该高维空间中很好的表达,并参与后续的特征分类,使得基于高斯核函数的谱聚类算法构造出的信道占用分类器相比于K-means聚类算法构造出的分类器拥有更高的分类精准度。
本申请同时还提供了一种信道占用状态检测装置、电子设备及计算机可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种信道占用状态检测方法的流程图;
图2为本申请实施例提供的一种信道占用分类器的构造方法的流程图;
图3为本申请实施例提供的一种特征多样化处理方法的流程示意图;
图4为本申请实施例提供的一种信道占用状态检测装置的结构框图。
具体实施方式
本申请的目的在于提供一种信道占用状态检测方法、装置、电子设备及检测方法,旨在提供一种信道占用状态检测精准度比现有K-means聚类算法更高的聚类算法,以尽可能的降低因检测结果错误带来的信道冲突现象的发生概率。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
实施例一
请参见图1,图1为本申请实施例提供的一种信道占用状态检测方法的流程图,其包括以下步骤:
S101:获取目标信道的实际信号,并根据实际信号构造目标采样矩阵;
本步骤的执行主体通常为次用户,次用户是相对于主用户存在的一种用户,主用户是指长期租借了某个信道的用户,类似于购买了固定带宽(50M、100M)的宽带线路的用户,虽然该主用户拥有该信道的主要使用权,但通常并不会24小时不间断的使用,该信道在主用户不使用的时候就将处于空闲状态,为充分利用处于空闲状态的信道来传输数据,就出现使用权限低于主用户的次用户,即次用户是在该信道不被主用户使用时的使用者。
因此,基于此种优先级的设置,次用户在想要使用某个拥有主用户的信道时,需要预先检测该信道是否处于占用状态,实际上就是检测该信道当前是否被主用户占用。
本步骤旨在由次用户收集目标信道的实际信号,并根据该实际信号中包含的参数构造得到便于特征提取的目标采样矩阵。
一种包括但不限于的实现方式为:
假设在认知无线电网络中存在着一个主用户以及M个次用户,并且每个次用户在一端时间内的采样点的数量为N。H0假设表示该无线电网络中不存在主用户信号,H1表示存在主用户信号。因此在两种假设下,接收信号的模型可表示为如下形式:
其中si(n)表示主用户信号,wi(n)表示均值为0,方差σ2为高斯白噪声信号。设置S=1和S=0分别表示主用户信号的存在状态,其中S=1表示存在主用户信号,S=0表示不存在主用户信号,相对应的,信道的可用性A将可以被定义为:
其中A=0表示频道不能使用,A=1表示频道可以使用。
假设xi=[xi(1)x2(2),...,xi(N)]表示第i个次用户的采样向量,则在一个感知时间段内的感知矩阵Y可以表示为:
因此信号的协方差矩阵(目标采样矩阵)可以表示为
以上内容为根据以上自定义假设得到的一种可能的实现方式,由于本步骤并非是本申请的发明点,此部分内容也已被本领域技术人员所熟知,因此本申请并不再一一对其它可行方式进行列举和说明。
S102:从目标采样矩阵中提取得到实际特征;
在S101的基础上,本步骤旨在从目标采样矩阵中提取得到可以表征信道占用状态的特征,本领域现今存在多种特征提取方式,在此不再进行赘述。
由于通常的特征提取方式均为使用单一的特征提取算法提取得到与一个样本对应的一个特征,此种方式无法很好的满足当采样数量较少时的对提取得到的特征的数量要求,因此为了丰富能够得到的特征,不仅可以同时分别使用多种相同或相似特征提取算法从一个样本处得到多个特征,还可以使用特殊的拆分重组方式得到从不同角度切入得到的各式特征。后续提供了一种具体的实施例对如何通过拆分重组方式得到更多特征进行了阐述,可参见实施例二。
S103:利用根据谱聚类算法构造的信道占用分类器确定特征为实际特征的目标信道是否处于被占用状态;其中,信道占用分类器是利用谱聚类算法下的高斯核函数构造得到的。
在S102的基础上,本步骤旨在利用根据谱聚类算法构造的信道占用分类器确定特征为实际特征的目标信道是否处于被占用状态,具体的是,该信道占用分类器是利用谱聚类算法下的高斯核函数构造得到的。相比于现有技术使用的假设数据服从正态分布的K-means聚类算法,本申请所使用的谱聚类算法下的高斯核函数能够将提取得到的特征在更高维的空间进行表达,即使是不服从正态分布的数据也能够通过高斯核函数的处理很好的参与聚类中心的选定过程,消除了K-means聚类算法无法对不服从正态分布的数据进行很好的分类的技术缺陷。
本步骤仅对构造信道占用分类器的核心技术进行了阐述,具体构造过程颇为复杂且多样化,在核心技术使用原理下可以存在很多种不同的构造方式,即每种构造方式间存在参数或构造步骤的略微差异,为加深理解,本申请还提供了一种更加具体的信道占用分类器的构造方法,请参见如图2所示的流程图:
S201:获取样本信道的样本信号,并根据样本信号构造样本采样矩阵;
S202:从样本采样矩阵中提取得到样本特征;
S203:利用高斯核函数将样本特征在高维空间进行表达,得到高维样本特征;
S204:利用将聚类中心数预设为2的谱聚类算法对各高维样本特征进行聚类处理,得到聚类结果;
之所以要将聚类中心数设置为2,是因为在本申请所要应用的场景下,仅需要构造出的分类器得到信道被占用或信道未被占用两种分类结果,换句话说,就是与实际信号对应的实际特征经信道占用分类器的分类得到该实际特征隶属信道被占用或隶属信道未被占用的结论,即二分分类器,因此在此种要求下,需要将聚类中心数预设为2,这样训练出来的信道占用分类器将能够很好输出信道是否被占用的结论。
进一步的,当还需要分类器输出更复杂的结论时,还可以根据实际需求灵活调整聚类中心数,此处不做具体限定。
S205:根据聚类结果构造得到信道占用分类器。
更具体的,在实际处理过程中,还必不可少的需要进行一些数学运算,例如在利用高斯核函数(Gaussian Radial Basis Function)将特征表达在高维空间时,还会计算出每组特征信号的相似度,之后再根据信号间的相似度计算得到邻接矩阵W,根据邻接计算度矩阵D,再根据邻接矩阵W与度矩阵D间的关系构造出拉普拉斯矩阵L=D-W,得到标准化后的拉普拉斯矩阵接着计算最小的k1个特征值所各自对应的特征向量f,将各自对应的特征向量f组成的矩阵按行进行标准化处理,最终组成n×k1维的特征矩阵F,将F中的每一行作为一个k1维的样本,一共将得到n个样本,再对这n个样本按2个聚类中心进行聚类,得到簇划分C(c1,c2,…,ck2)。
从当前簇中选取这样一个它到其他所有(当前簇中的)点的距离最小的点作为聚类中心。更进一步的,考虑到频谱感知的实际情况,可以把训练矩阵分为两类,所有上式k2=2。一类表示只有噪声(即不存在主用户信号)的情况,另一类表示信号加噪声(即存在主用户信号)。
更进一步的,还可以将能够被信道占用分类器确定信道是否处于被占用状态的实际特征作为新特征补充至信道占用分类器的特征分类库,以实现分类器的持续更新,使得分类精准度不断得到优化。
除正常能够被信道占用分类器确定信道是否处于被占用状态的实际特征,在实际情况中往往还会出现一些无法被信道占用分类器确定信道是否处于被占用状态的实际特征(通常距任一聚类中心的距离都远超其他特征距任一聚类中心的距离),还可以将此类实际特征标记为异常特征,并将与异常特征对应的实际信号通过预设路径上传至异常信息处理中心,以寻求后台管理员或权威技术人员的技术支持。
根据本实施例提供的信道占用状态检测方法可以看出,为优化无法被K-means聚类算法准确处理的不服从高斯分布的信号,本申请利用谱聚类算法中的高斯核函数将对应于实际信号的实际特征映射至高维空间,使得即使不服从高斯分布的信号也能够在该高维空间中很好的表达,并参与后续的特征分类,使得基于高斯核函数的谱聚类算法构造出的信道占用分类器相比于K-means聚类算法构造出的分类器拥有更高的分类精准度。
实施例二
请参见图3,图3为本申请实施例提供的一种特征多样化处理方法的流程示意图,包括如下步骤:
拆分重组步骤:对目标采样矩阵分别按照顺序拆分重组和间隔拆分重组的方式进行拆分重组,对应得到第一拆分重组矩阵和第二拆分重组矩阵;
特征提取步骤:分别根据第一拆分重组矩阵和第二拆分重组矩阵提取得到第一实际特征和第二实际特征;
特征合并步骤:整合第一实际特征和第二实际特征为合并特征矩阵。
本申请具体使用了两种拆分重组方式来从目标采样矩阵中获取更丰富的的特征,具体为顺序拆分重组(Order-DAR,简写为O-DAR)法和间隔拆分重组(Interval-DAR,简写为I-DAR),顾名思义,前者是按顺序的进行拆分重组,后者则属于不按照顺序的拆分重组,通过拆分重组能够在不增加样本数的前提下获得更丰富的特征,得以显著减轻因样本数量少对分类器分类效果造成的影响。
为方便理解,本申请还提供了具体的数学实现过程:
在O-DAR过程中,将xi(i=1,2,...,M)按顺序拆分成q(q>0)段、长度均为k=N/q的子信号向量,则xi(i=1,2,...,M)可被拆分成如下形式:
将感知矩阵Y按照上式进行拆分,然后将拆分后的信号向量进行重组,则可以得到一个(qM)×k维的信号矩阵X1
与O-DAR过程的拆分方式不同,I-DAR过程采用间隔采样拆分,即每隔q-1个单位在已采样数据中选取采样点,再重组信号矩阵。根据拆分方式,可以将已采样数据拆分成q(q>0)段k=N/q长的子信号向量,则xi(i=1,2,...,K)可以被拆分成为如下形式:
将感知矩阵Y按照上式进行拆分,然后将拆分后的信号向量进行重组,则可以得到一个(qM)×k维的信号矩阵X2
因此可以分别获得协方差矩阵然后计算出每个协方差矩阵对应的特征值T1和T2,最后令T=[T1,T2]表示每一组的信号特征。
因为情况复杂,无法一一列举进行阐述,本领域技术人员应能意识到根据本申请提供的基本方法原理结合实际情况可以存在很多的例子,在不付出足够的创造性劳动下,应均在本申请的保护范围内。
实施例三
下面请参见图4,图4为本申请实施例提供的一种信道占用状态检测装置的结构框图,该装置可以包括:
信道信号获取及矩阵构造单元100,用于获取目标信道的实际信号,并根据实际信号构造目标采样矩阵;
信道实际特征提取单元200,用于从目标采样矩阵中提取得到实际特征;
信道占用分类器判断单元300,用于利用根据谱聚类算法构造的信道占用分类器确定特征为实际特征的目标信道是否处于被占用状态;其中,信道占用分类器是利用谱聚类算法下的高斯核函数构造得到的。
进一步的,该信道占用状态检测装置还可以包括:
样本信号获取及矩阵构造单元,用于获取样本信道的样本信号,并根据样本信号构造样本采样矩阵;
信道样本特征提取单元,用于从样本采样矩阵中提取得到样本特征;
高斯核函数处理单元,用于利用高斯核函数将样本特征在高维空间进行表达,得到高维样本特征;
谱聚类算法处理单元,用于利用将聚类中心数预设为2的谱聚类算法对各高维样本特征进行聚类处理,得到聚类结果;
信道占用分类器构造单元,用于根据聚类结果构造得到信道占用分类器。
其中,该信道实际特征提取单元200可以包括:
拆分重组子单元,用于对目标采样矩阵分别按照顺序拆分重组和间隔拆分重组的方式进行拆分重组,对应得到第一拆分重组矩阵和第二拆分重组矩阵;
多样化特征提取子单元,用于分别根据第一拆分重组矩阵和第二拆分重组矩阵提取得到第一实际特征和第二实际特征。
更进一步的,该信道占用检测装置还可以包括:
特征分类库持续更新单元,用于将能够被信道占用分类器确定信道是否处于被占用状态的实际特征作为新特征补充至信道占用分类器的特征分类库;
和/或,
异常特征处理单元,用于将无法被信道占用分类器确定信道是否处于被占用状态的实际特征标记为异常特征,并将与异常特征对应的实际信号通过预设路径上传至异常信息处理中心。
本实施例作为一个对应于上述方法实施例的装置实施例存在,各单元的功能实现原理的过程已在方法实施例中进行过阐述,拥有方法实施例的全部有益效果,在此不再一一赘述。
基于上述实施例,本申请还提供了一种电子设备,该电子设备可以包括存储器和处理器,其中,该存储器中存有计算机程序,该处理器调用该存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然,该电子设备还可以包括各种必要的网络接口、电源以及其它零部件等。
本申请还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行终端或处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种信道占用状态检测方法,其特征在于,包括:
获取目标信道的实际信号,并根据所述实际信号构造目标采样矩阵;
从所述目标采样矩阵中提取得到实际特征;
利用根据谱聚类算法构造的信道占用分类器确定特征为所述实际特征的目标信道是否处于被占用状态;其中,所述信道占用分类器是利用所述谱聚类算法下的高斯核函数构造得到的。
2.根据权利要求1所述的信道占用状态检测方法,其特征在于,构造得到所述信道占用分类器的过程包括:
获取样本信道的样本信号,并根据所述样本信号构造样本采样矩阵;
从所述样本采样矩阵中提取得到样本特征;
利用所述高斯核函数将所述样本特征在高维空间进行表达,得到高维样本特征;
利用将聚类中心数预设为2的谱聚类算法对各所述高维样本特征进行聚类处理,得到聚类结果;
根据所述聚类结果构造得到所述信道占用分类器。
3.根据权利要求1或2所述的信道占用状态检测方法,其特征在于,从所述目标采样矩阵中提取得到实际特征,包括:
对所述目标采样矩阵分别按照顺序拆分重组和间隔拆分重组的方式进行拆分重组,对应得到第一拆分重组矩阵和第二拆分重组矩阵;
分别根据所述第一拆分重组矩阵和所述第二拆分重组矩阵提取得到第一实际特征和第二实际特征。
4.根据权利要求1所述的信道占用状态检测方法,其特征在于,还包括:
将能够被所述信道占用分类器确定信道是否处于被占用状态的实际特征作为新特征补充至所述信道占用分类器的特征分类库。
5.根据权利要求1所述的信道占用状态检测方法,其特征在于,还包括:
将无法被所述信道占用分类器确定信道是否处于被占用状态的实际特征标记为异常特征,并将与所述异常特征对应的实际信号通过预设路径上传至异常信息处理中心。
6.一种信道占用状态检测装置,其特征在于,包括:
信道信号获取及矩阵构造单元,用于获取目标信道的实际信号,并根据所述实际信号构造目标采样矩阵;
信道实际特征提取单元,用于从所述目标采样矩阵中提取得到实际特征;
信道占用分类器判断单元,用于利用根据谱聚类算法构造的信道占用分类器确定特征为所述实际特征的目标信道是否处于被占用状态;其中,所述信道占用分类器是利用所述谱聚类算法下的高斯核函数构造得到的。
7.根据权利要求6所述的信道占用状态检测装置,其特征在于,还包括:
样本信号获取及矩阵构造单元,用于获取样本信道的样本信号,并根据所述样本信号构造样本采样矩阵;
信道样本特征提取单元,用于从所述样本采样矩阵中提取得到样本特征;
高斯核函数处理单元,用于利用所述高斯核函数将所述样本特征在高维空间进行表达,得到高维样本特征;
谱聚类算法处理单元,用于利用将聚类中心数预设为2的谱聚类算法对各所述高维样本特征进行聚类处理,得到聚类结果;
信道占用分类器构造单元,用于根据所述聚类结果构造得到所述信道占用分类器。
8.根据权利要求6或7所述的信道占用状态检测装置,其特征在于,所述信道实际特征提取单元包括:
拆分重组子单元,用于对所述目标采样矩阵分别按照顺序拆分重组和间隔拆分重组的方式进行拆分重组,对应得到第一拆分重组矩阵和第二拆分重组矩阵;
多样化特征提取子单元,用于分别根据所述第一拆分重组矩阵和所述第二拆分重组矩阵提取得到第一实际特征和第二实际特征。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的信道占用状态检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的信道占用状态检测方法。
CN201910156413.1A 2019-03-01 2019-03-01 一种信道占用状态检测方法、装置、电子设备及存储介质 Pending CN109743121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910156413.1A CN109743121A (zh) 2019-03-01 2019-03-01 一种信道占用状态检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910156413.1A CN109743121A (zh) 2019-03-01 2019-03-01 一种信道占用状态检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN109743121A true CN109743121A (zh) 2019-05-10

Family

ID=66369060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910156413.1A Pending CN109743121A (zh) 2019-03-01 2019-03-01 一种信道占用状态检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN109743121A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103220052A (zh) * 2013-04-11 2013-07-24 南京邮电大学 一种认知无线电中检测频谱空洞的方法
CN107395301A (zh) * 2017-08-17 2017-11-24 广东工业大学 一种基于k均值算法的频谱感知方法
CN108462544A (zh) * 2018-03-27 2018-08-28 广东工业大学 一种频谱感知方法及装置
CN108616996A (zh) * 2018-03-19 2018-10-02 山东大学 一种Femtocell网络的频谱和功率分配方法、装置及系统
CN109004997A (zh) * 2018-08-09 2018-12-14 广东工业大学 一种频谱感知方法、装置和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103220052A (zh) * 2013-04-11 2013-07-24 南京邮电大学 一种认知无线电中检测频谱空洞的方法
CN107395301A (zh) * 2017-08-17 2017-11-24 广东工业大学 一种基于k均值算法的频谱感知方法
CN108616996A (zh) * 2018-03-19 2018-10-02 山东大学 一种Femtocell网络的频谱和功率分配方法、装置及系统
CN108462544A (zh) * 2018-03-27 2018-08-28 广东工业大学 一种频谱感知方法及装置
CN109004997A (zh) * 2018-08-09 2018-12-14 广东工业大学 一种频谱感知方法、装置和计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张莉: "频谱数据挖掘算法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
翟旭平: "基于SOM-SVM频谱感知算法", 《电子测量技术》 *

Similar Documents

Publication Publication Date Title
CN103117903B (zh) 上网流量异常检测方法及装置
CN105631003B (zh) 支持海量数据分组统计的智能索引构建、查询及维护方法
CN102662988B (zh) 一种用于rfid中间件的冗余数据过滤方法
CN109828721A (zh) 数据删除方法、装置、计算机设备及存储介质
CN106375120B (zh) 一种it基础设施快速拓扑方法及装置
CN107169768A (zh) 异常交易数据的获取方法和装置
CN109995611B (zh) 流量分类模型建立及流量分类方法、装置、设备和服务器
CN108320089A (zh) 坐席分配方法、电子装置及计算机可读存储介质
CN108090165A (zh) 一种基于嵌入式图数据库的图谱变化差异的获取方法
CN104750826B (zh) 一种结构化数据资源元数据自动甄别与动态注册方法
CN110717551B (zh) 流量识别模型的训练方法、装置及电子设备
CN113133035B (zh) 一种lte高负荷小区甄别方法及系统
CN104506394B (zh) 一种移动互联网流量统计方法和系统
CN113037567A (zh) 一种用于电网企业的网络攻击行为仿真系统及其仿真方法
CN104965846B (zh) MapReduce平台上的虚拟人建立方法
CN105825311B (zh) 一种套餐确定方法及系统
CN109743121A (zh) 一种信道占用状态检测方法、装置、电子设备及存储介质
CN103647824A (zh) 一种存储资源优化调度发现算法
CN110809309B (zh) 接入点的识别方法、装置及存储介质
CN110377741A (zh) 文本分类方法、智能终端及计算机可读存储介质
CN115935231A (zh) 一种数据分类方法、装置、设备及存储介质
CN103037375A (zh) 小区话务场景划分方法及装置
CN112269879B (zh) 基于k-means算法的中台日志分析方法及设备
CN107506398B (zh) 一种为图书添加标签属性的方法
CN104219110B (zh) 一种数据包抽样方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190510

RJ01 Rejection of invention patent application after publication