CN110311743B - 一种变分推断估计主用户占空比的方法 - Google Patents
一种变分推断估计主用户占空比的方法 Download PDFInfo
- Publication number
- CN110311743B CN110311743B CN201910484676.5A CN201910484676A CN110311743B CN 110311743 B CN110311743 B CN 110311743B CN 201910484676 A CN201910484676 A CN 201910484676A CN 110311743 B CN110311743 B CN 110311743B
- Authority
- CN
- China
- Prior art keywords
- gaussian
- distribution
- value
- time slot
- mixture model
- 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
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)
- Monitoring And Testing Of Transmission In General (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种变分推断估计主用户占空比的方法,其对连续的多个时隙内的信号进行采样;根据每个时隙内采集的样本计算每个时隙的平均功率;引入有多个高斯分布的混合高斯模型;利用变分推断方法计算每个高斯分布的混合系数对应的狄利克雷分布参数、均值的两个超参数及精度的两个超参数;根据五个参数计算变分下界;根据变分下界变更前后的值确定判决式,根据判决式确定是否更新每个时隙的平均功率服从各个高斯分布的概率;针对每个时隙的平均功率,根据其对应的多个概率将平均功率分类;根据平均值最小的类别中的平均功率个数及时隙总个数,得到主用户占空比的估计值;优点是能准确估计出主用户占空比,且无需知道噪声功率,也无需设置门限值。
Description
技术领域
本发明涉及一种认知无线电技术,尤其是涉及一种变分推断估计主用户占空比的方法。
背景技术
无线电频谱资源的有限性与人们对无线电频谱资源需求的大幅提升,构成了当今无线通信发展的一大矛盾。大量的研究表明现有的固定频谱资源分配策略使得频谱资源无法得到充分的利用,而充分提高频谱资源的利用率将有效缓解上述矛盾。动态频谱接入技术为提高频谱资源的利用率和缓解频谱资源短缺问题提供了一种可行的方案。动态频谱接入是指无线设备能够与所处通信环境进行交互并根据交互结果改变自身传输参数,从而实现以动态、自适应的方式灵活地利用潜在的空闲频谱。认知无线电是动态频谱接入的一项关键技术,它的性能受到频谱感知和信道选择性能的影响。不正确地识别频谱机会,再加上随后的次优信道选择,将导致认知无线电网络不必要的延迟、吞吐量的降低和整体性能的下降。主用户流量信息的获取可以显著提高次级用户的频谱感知和信道选择性能。表征主用户流量特征的一个关键参数是占空比,它表示主用户信号对许可信道的占用率。
为了提高频谱资源的利用率,主用户占空比的估计至关重要。现有的主用户占空比估计方法有平均估计法、加权估计法和贝叶斯估计方法。平均估计法将门限值与连续的多个时隙内的样本功率作比较,计算出功率大于门限值的时隙所占的比例,作为估计出的主用户占空比。加权估计法在平均估计法的基础上,对每个时隙的判决结果赋予一个权重。贝叶斯估计方法通过求出主用户占空比的后验概率来估计主用户占空比。上述的三种方法都需要先对每个时隙的状态做判决,也就是都需要设置门限值。目前使用较多的是通过恒虚警概率来设置门限值,但是,当虚警概率设置较高且信噪比较高时,上述的三种方法会严重高估主用户的占空比;当虚警概率设置较低且信噪比较低时,上述的三种方法会严重低估主用户的占空比。另外,上述的三种方法需要知道噪声功率才能通过恒虚警概率来设置门限值。
发明内容
本发明所要解决的技术问题是提供一种变分推断估计主用户占空比的方法,其能够准确估计出主用户占空比,而且其无需知道噪声功率,也无需设置门限值。
本发明解决上述技术问题所采用的技术方案为:一种变分推断估计主用户占空比的方法,其特征在于包括以下步骤:
步骤1:在认知无线电系统中,对连续的N个时隙内的信号进行采样,且每个时隙内等时间间隔地采集L个样本,将对第n个时隙内的信号进行采样得到的第j个样本记为rn(j);其中,N≥1000,L≥100,n和j均为正整数,n和j的初始值均为1,1≤n≤N,1≤j≤L;
步骤3:引入混合高斯模型,混合高斯模型中的高斯分布的个数为K个,将混合高斯模型中的第k个高斯分布的均值和精度对应记为μk和λk,混合高斯模型中的所有高斯分布的混合系数的先验分布服从K维的狄利克雷分布;然后设置每个时隙内采集的所有样本的平均功率服从混合高斯模型中的各个高斯分布的概率的初始值,将xn服从混合高斯模型中的第k个高斯分布的概率记为gn,k,并设置gn,k的初始值为其中,K为正整数,K∈[2,20],k为正整数,k的初始值为1,1≤k≤K,μk的先验分布服从均值为mk且精度为βkλk的高斯分布,mk和βk均为超参数,λk的先验分布服从超参数为ak和bk的Gamma分布,狄利克雷分布的K个参数分别为δ1,δ2,…,δk,…,δK,δ1表示狄利克雷分布的第1个参数,δ2表示狄利克雷分布的第2个参数,δk表示狄利克雷分布的第k个参数,δK表示狄利克雷分布的第K个参数;
步骤4:利用变分推断方法,计算混合高斯模型中的每个高斯分布的混合系数对应的狄利克雷分布参数、每个高斯分布的均值对应的两个超参数、每个高斯分布的精度对应的两个超参数,对于混合高斯模型中的第k个高斯分布,其混合系数对应的狄利克雷分布参数δk的计算公式为其均值对应的一个超参数βk的计算公式为其均值对应的另一个超参数mk的计算公式为其精度对应的一个超参数ak的计算公式为其精度对应的另一个超参数bk的计算公式为其中,δ0、β0、a0和b0的值均为1,
步骤7:将ζ1赋值给ζ0;然后更新每个时隙内采集的所有样本的平均功率服从混合高斯模型中的各个高斯分布的概率,将gn,k更新后的值记为g'n,k,接着令gn,k=g'n,k;再返回执行步骤4;其中,exp()为以自然常数e为底的指数函数,gn,k=g'n,k中的“=”为赋值符号;
步骤8:构建K个空的集合,对应记为Ω1,Ω2,…,Ωk,…,ΩK;然后将每个时隙内采集的所有样本的平均功率划分到不同的集合中,对于xn,从gn,1,gn,2,…,gn,k,…,gn,K中找出最大值,当最大值有多个时任选一个最大值,若最大值为gn,k',则将xn划分到第k'个集合Ωk'中;接着计算每个非空的集合中的所有元素的平均值;再统计平均值最小的一个非空的集合中的元素个数,记为Nx;其中,Ω1表示第1个集合,Ω2表示第2个集合,Ωk表示第k个集合,ΩK表示第K个集合,gn,1表示xn服从混合高斯模型中的第1个高斯分布的概率,gn,2表示xn服从混合高斯模型中的第2个高斯分布的概率,gn,K表示xn服从混合高斯模型中的第K个高斯分布的概率,k'为正整数,k'的初始值为1,1≤k'≤K,gn,k'表示xn服从混合高斯模型中的第k'个高斯分布的概率;
与现有技术相比,本发明的优点在于:
1)利用本发明方法估计主用户占空比的过程中,只需知道每个时隙内采集的所有样本的平均功率,而无需知道噪声功率,能够有效对抗噪声不确定性。
2)利用本发明方法估计主用户占空比的过程中,不存在判决过程,因此不需要设置门限值,避免了因门限值设置不恰当而带来的高估或者低估的问题。
3)本发明方法自动将所有时隙对应的平均功率划分到多个集合中,即划分成多个类别,这种方式能够有效地应对信道变化的情况。
4)变分推断可以有效地对数据进行分类,本发明方法通过变分推断对所有时隙对应的平均功率进行分类,可以有效地区别噪声和主用户信号,从而知道哪些时隙是存在主用户信号的,因此可以准确地估计出主用户占空比的大小。
附图说明
图1为本发明方法的总体流程框图;
图2为分别利用本发明方法和现有的平均估计法得到的主用户占空比的估计值的均方误差随信噪比变化的曲线对比图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种变分推断估计主用户占空比的方法,其总体流程框图如图1所示,其包括以下步骤:
步骤1:在认知无线电系统中,对连续的N个时隙内的信号进行采样,且每个时隙内等时间间隔地采集L个样本,将对第n个时隙内的信号进行采样得到的第j个样本记为rn(j);其中,N≥1000,如取N=1500,L≥100,如取L=100,n和j均为正整数,n和j的初始值均为1,1≤n≤N,1≤j≤L。
步骤3:引入混合高斯模型,混合高斯模型中的高斯分布的个数为K个,将混合高斯模型中的第k个高斯分布的均值和精度对应记为μk和λk,混合高斯模型中的所有高斯分布的混合系数的先验分布服从K维的狄利克雷分布;然后设置每个时隙内采集的所有样本的平均功率服从混合高斯模型中的各个高斯分布的概率的初始值,将xn服从混合高斯模型中的第k个高斯分布的概率记为gn,k,并设置gn,k的初始值为其中,K为正整数,K∈[2,20],k为正整数,k的初始值为1,1≤k≤K,μk的先验分布服从均值为mk且精度为βkλk的高斯分布,mk和βk均为超参数,λk的先验分布服从超参数为ak和bk的Gamma分布,狄利克雷分布的K个参数分别为δ1,δ2,…,δk,…,δK,δ1表示狄利克雷分布的第1个参数,δ2表示狄利克雷分布的第2个参数,δk表示狄利克雷分布的第k个参数,δK表示狄利克雷分布的第K个参数。
步骤4:利用变分推断方法,计算混合高斯模型中的每个高斯分布的混合系数对应的狄利克雷分布参数、每个高斯分布的均值对应的两个超参数、每个高斯分布的精度对应的两个超参数,对于混合高斯模型中的第k个高斯分布,其混合系数对应的狄利克雷分布参数δk的计算公式为其均值对应的一个超参数βk的计算公式为其均值对应的另一个超参数mk的计算公式为其精度对应的一个超参数ak的计算公式为其精度对应的另一个超参数bk的计算公式为其中,δ0、β0、a0和b0的值均为1,
步骤6:判断是否成立,如果成立,则执行步骤8;如果不成立,则执行步骤7;其中,abs()为求绝对值函数,ζ0的初始值为一个较小的任意负实数,如取ζ0=-1000,ε表示预设的判决阈值,ε是一个很小的值,如取ε=10-8。
步骤7:将ζ1赋值给ζ0;然后更新每个时隙内采集的所有样本的平均功率服从混合高斯模型中的各个高斯分布的概率,将gn,k更新后的值记为g'n,k,接着令gn,k=g'n,k;再返回执行步骤4;其中,exp()为以自然常数e为底的指数函数,gn,k=g'n,k中的“=”为赋值符号。
步骤8:构建K个空的集合,对应记为Ω1,Ω2,…,Ωk,…,ΩK;然后将每个时隙内采集的所有样本的平均功率划分到不同的集合中,对于xn,从gn,1,gn,2,…,gn,k,…,gn,K中找出最大值,当最大值有多个时任选一个最大值,若最大值为gn,k',则将xn划分到第k'个集合Ωk'中;接着计算每个非空的集合中的所有元素的平均值;再统计平均值最小的一个非空的集合中的元素个数,记为Nx,平均值最小的一个非空的集合作为噪声,其它集合存在主用户信号;其中,Ω1表示第1个集合,Ω2表示第2个集合,Ωk表示第k个集合,ΩK表示第K个集合,gn,1表示xn服从混合高斯模型中的第1个高斯分布的概率,gn,2表示xn服从混合高斯模型中的第2个高斯分布的概率,gn,K表示xn服从混合高斯模型中的第K个高斯分布的概率,k'为正整数,k'的初始值为1,1≤k'≤K,gn,k'表示xn服从混合高斯模型中的第k'个高斯分布的概率。
通过以下仿真来进一步说明本发明方法的可行性和有效性。
图2给出了分别利用本发明方法和现有的平均估计法得到的主用户占空比的估计值的均方误差随信噪比变化的曲线对比图。在仿真中,取L=100,主用户的信噪比由小到大从-10dB到10dB变化,同时还考虑了0.5dB的噪声不确定度,真实的主用户占空比为0.3。从图2中可以看出,两种方法的均方误差都随着信噪比的增大而减小,并且本发明方法的均方误差要比现有的平均估计法的均方误差小,即本发明方法的性能要优于现有的平均估计法;同时也可以发现,本发明方法在信噪比低的情况下,估计的主用户占空比还是较差的,这时如果条件允许则可以通过增大每个时隙的采样数L来提高估计的准确性。综上,本发明方法的估计性能优于现有的平均估计法。
Claims (1)
1.一种变分推断估计主用户占空比的方法,其特征在于包括以下步骤:
步骤1:在认知无线电系统中,对连续的N个时隙内的信号进行采样,且每个时隙内等时间间隔地采集L个样本,将对第n个时隙内的信号进行采样得到的第j个样本记为rn(j);其中,N≥1000,L≥100,n和j均为正整数,n和j的初始值均为1,1≤n≤N,1≤j≤L;
步骤3:引入混合高斯模型,混合高斯模型中的高斯分布的个数为K个,将混合高斯模型中的第k个高斯分布的均值和精度对应记为μk和λk,混合高斯模型中的所有高斯分布的混合系数的先验分布服从K维的狄利克雷分布;然后设置每个时隙内采集的所有样本的平均功率服从混合高斯模型中的各个高斯分布的概率的初始值,将xn服从混合高斯模型中的第k个高斯分布的概率记为gn,k,并设置gn,k的初始值为其中,K为正整数,K∈[2,20],k为正整数,k的初始值为1,1≤k≤K,μk的先验分布服从均值为mk且精度为βkλk的高斯分布,mk和βk均为超参数,λk的先验分布服从超参数为ak和bk的Gamma分布,狄利克雷分布的K个参数分别为δ1,δ2,…,δk,…,δK,δ1表示狄利克雷分布的第1个参数,δ2表示狄利克雷分布的第2个参数,δk表示狄利克雷分布的第k个参数,δK表示狄利克雷分布的第K个参数;
步骤4:利用变分推断方法,计算混合高斯模型中的每个高斯分布的混合系数对应的狄利克雷分布参数、每个高斯分布的均值对应的两个超参数、每个高斯分布的精度对应的两个超参数,对于混合高斯模型中的第k个高斯分布,其混合系数对应的狄利克雷分布参数δk的计算公式为其均值对应的一个超参数βk的计算公式为其均值对应的另一个超参数mk的计算公式为其精度对应的一个超参数ak的计算公式为其精度对应的另一个超参数bk的计算公式为其中,δ0、β0、a0和b0的值均为1,
步骤7:将ζ1赋值给ζ0;然后更新每个时隙内采集的所有样本的平均功率服从混合高斯模型中的各个高斯分布的概率,将gn,k更新后的值记为g'n,k,接着令gn,k=g'n,k;再返回执行步骤4;其中,exp()为以自然常数e为底的指数函数,gn,k=g'n,k中的“=”为赋值符号;
步骤8:构建K个空的集合,对应记为Ω1,Ω2,…,Ωk,…,ΩK;然后将每个时隙内采集的所有样本的平均功率划分到不同的集合中,对于xn,从gn,1,gn,2,…,gn,k,…,gn,K中找出最大值,当最大值有多个时任选一个最大值,若最大值为gn,k',则将xn划分到第k'个集合Ωk'中;接着计算每个非空的集合中的所有元素的平均值;再统计平均值最小的一个非空的集合中的元素个数,记为Nx;其中,Ω1表示第1个集合,Ω2表示第2个集合,Ωk表示第k个集合,ΩK表示第K个集合,gn,1表示xn服从混合高斯模型中的第1个高斯分布的概率,gn,2表示xn服从混合高斯模型中的第2个高斯分布的概率,gn,K表示xn服从混合高斯模型中的第K个高斯分布的概率,k'为正整数,k'的初始值为1,1≤k'≤K,gn,k'表示xn服从混合高斯模型中的第k'个高斯分布的概率;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910484676.5A CN110311743B (zh) | 2019-06-05 | 2019-06-05 | 一种变分推断估计主用户占空比的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910484676.5A CN110311743B (zh) | 2019-06-05 | 2019-06-05 | 一种变分推断估计主用户占空比的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110311743A CN110311743A (zh) | 2019-10-08 |
CN110311743B true CN110311743B (zh) | 2021-06-22 |
Family
ID=68075270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910484676.5A Active CN110311743B (zh) | 2019-06-05 | 2019-06-05 | 一种变分推断估计主用户占空比的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110311743B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114070747B (zh) * | 2021-11-15 | 2023-04-18 | 四川启睿克科技有限公司 | 基于vi算法的高斯混合模型的物联网设备状态检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166993A (zh) * | 2014-07-25 | 2014-11-26 | 南京邮电大学 | 一种基于加权变分期望最大化准则的图像分割方法 |
CN106295653A (zh) * | 2016-07-29 | 2017-01-04 | 宁波大学 | 一种水质图像分类方法 |
CN107370693A (zh) * | 2017-08-07 | 2017-11-21 | 电子科技大学 | 大规模mimo系统和dp先验下多用户信道估计方法 |
CN107947881A (zh) * | 2018-01-10 | 2018-04-20 | 西安交通大学 | 一种混合高斯噪声稀疏贝叶斯频谱感知方法 |
WO2018082531A1 (en) * | 2016-11-01 | 2018-05-11 | Huawei Technologies Co., Ltd. | Apparatus and method for ranking content categories |
CN109104741A (zh) * | 2018-10-19 | 2018-12-28 | 宁波大学 | 一种样本分组方法及使用其估计主用户占空比的方法 |
CN109192200A (zh) * | 2018-05-25 | 2019-01-11 | 华侨大学 | 一种语音识别方法 |
CN109219055A (zh) * | 2018-10-19 | 2019-01-15 | 宁波大学 | 一种主用户占空比估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10776712B2 (en) * | 2015-12-02 | 2020-09-15 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
-
2019
- 2019-06-05 CN CN201910484676.5A patent/CN110311743B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166993A (zh) * | 2014-07-25 | 2014-11-26 | 南京邮电大学 | 一种基于加权变分期望最大化准则的图像分割方法 |
CN106295653A (zh) * | 2016-07-29 | 2017-01-04 | 宁波大学 | 一种水质图像分类方法 |
WO2018082531A1 (en) * | 2016-11-01 | 2018-05-11 | Huawei Technologies Co., Ltd. | Apparatus and method for ranking content categories |
CN107370693A (zh) * | 2017-08-07 | 2017-11-21 | 电子科技大学 | 大规模mimo系统和dp先验下多用户信道估计方法 |
CN107947881A (zh) * | 2018-01-10 | 2018-04-20 | 西安交通大学 | 一种混合高斯噪声稀疏贝叶斯频谱感知方法 |
CN109192200A (zh) * | 2018-05-25 | 2019-01-11 | 华侨大学 | 一种语音识别方法 |
CN109104741A (zh) * | 2018-10-19 | 2018-12-28 | 宁波大学 | 一种样本分组方法及使用其估计主用户占空比的方法 |
CN109219055A (zh) * | 2018-10-19 | 2019-01-15 | 宁波大学 | 一种主用户占空比估计方法 |
Non-Patent Citations (4)
Title |
---|
Online Learning of a Dirichlet Process Mixture of Beta-Liouville Distributions Via Variational Inference;Wentao Fan 等;《IEEE Transactions on Neural Networks and Learning Systems》;20130626;全文 * |
Variational Bayesian Learning for Dirichlet Process Mixture of Inverted Dirichlet Distributions in Non-Gaussian Image Feature Modeling;Zhanyu Ma 等;《IEEE Transactions on Neural Networks and Learning Systems》;20180702;全文 * |
信息融合理论研究进展:基于变分贝叶斯的联合优化;潘泉 等;《自动化学报》;20181218;全文 * |
基于变分求解的有监督狄利克雷过程混合主成分分析;李康;《中国优秀硕士学位论文全文库》;20160615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110311743A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN109462853B (zh) | 一种基于神经网络模型的网络容量预测方法 | |
CN111626514B (zh) | 一种电动汽车充电负荷预测方法及装置 | |
CN110380881B (zh) | 一种网络扩容预测方法及装置 | |
CN112105048B (zh) | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 | |
CN112968739B (zh) | 一种短波应急通信信道评估分配方法及系统 | |
CN110311743B (zh) | 一种变分推断估计主用户占空比的方法 | |
CN116593896B (zh) | 一种电池储能系统的状态检测方法、系统及电子设备 | |
CN113014340A (zh) | 一种基于神经网络的卫星频谱资源动态分配方法 | |
CN113037410A (zh) | 信道识别方法、装置、传输方法、传输设备、基站、介质 | |
CN109219055B (zh) | 一种主用户占空比估计方法 | |
CN103916969A (zh) | 联合授权用户感知与链路状态估计方法与装置 | |
CN112187382B (zh) | 一种基于粘性隐马尔可夫模型的噪声功率估计方法 | |
CN110289924B (zh) | 一种变分推断估计噪声功率的方法 | |
CN113886454A (zh) | 一种基于lstm-rbf的云资源预测方法 | |
CN109818811B (zh) | 一种识别分配类及混合类mac协议的方法 | |
CN111010695A (zh) | 基于信道空闲时长预测的信道分配方法 | |
CN110289925B (zh) | 一种判决后变分推断估计主用户占空比的方法 | |
CN114661463A (zh) | 基于bp神经网络的系统资源预测方法及系统 | |
CN111913797B (zh) | 一种智能模型的分配方法、分配系统及应用系统 | |
CN109104741B (zh) | 一种样本分组方法及使用其估计主用户占空比的方法 | |
CN107465471B (zh) | 协作感知中基于公平和节能的认知用户选择方法 | |
CN102958090A (zh) | 一种信道性能评估方法及装置 | |
CN112801415A (zh) | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 | |
CN114785433A (zh) | 信道场景识别的方法、网络设备及存储介质 |
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 |