CN111162853B - 认知无线网络中基于监督学习的协作宽带压缩频谱检测方法 - Google Patents

认知无线网络中基于监督学习的协作宽带压缩频谱检测方法 Download PDF

Info

Publication number
CN111162853B
CN111162853B CN202010026679.7A CN202010026679A CN111162853B CN 111162853 B CN111162853 B CN 111162853B CN 202010026679 A CN202010026679 A CN 202010026679A CN 111162853 B CN111162853 B CN 111162853B
Authority
CN
China
Prior art keywords
spectrum
broadband
sub
sparsity
prediction 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
Application number
CN202010026679.7A
Other languages
English (en)
Other versions
CN111162853A (zh
Inventor
马彬
王宏明
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010026679.7A priority Critical patent/CN111162853B/zh
Publication of CN111162853A publication Critical patent/CN111162853A/zh
Application granted granted Critical
Publication of CN111162853B publication Critical patent/CN111162853B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，针对当前宽带频谱检测中存在的信号稀疏度未知和次用户检测开销过大的问题。首先考虑使用使用采样向量二范数和子频谱块长度作为监督学习算法的特征向量，提出了一种自适应稀疏度预测模型。其次，基于该预测模型提出了一种协作宽带频谱筛选算法，利用次用户之间的协作在宽带频谱中找到待重构的稀疏频谱集。最后，基于预测模型和筛选算法提出一种协作宽带压缩频谱检测方案。实验结果表明，本发明所提的检测方案能够有效降低次用户采样率和频谱重构时延，同时改善了预测模型的拟合效果，增强了模型的自适应性。

Description

认知无线网络中基于监督学习的协作宽带压缩频谱检测方法
技术领域
本发明属于认知无线网络中的频谱检测方法，属于移动通信领域。特别涉及一种利用监督学习和协作压缩感知的宽带频谱检测方法。
背景技术
在认知无线电技术中，频谱检测是保证次用户在不影响主用户的前提下充分利用空闲频谱的关键技术。为了支持大量新兴的5G设备，频谱管理机构已开始制定使用高频段的服务政策。在高频段执行的宽带频谱检测技术需要克服传统采样定理所带来的高采样率问题。为了解决这一问题，研究人员提出了宽带压缩频谱检测方案。该方案利用宽带信号固有的稀疏特性，使用亚奈奎斯特速率对宽带信号进行采样重构，有效的降低了次用户采样率。在此基础上，为了解决由于阴影和多径衰落引起的隐藏终端问题，研究人员进一步提出了协作宽带压缩频谱检测。在宽带压缩频谱检测中，宽带信号的稀疏度是一个至关重要的参数，一方面，稀疏度可以计算重构信号所需要的观测值数目，另一方面，稀疏度也反映了频谱的占用情况。然而在实际操作中，由于宽带信号是未知或动态变化的，获取信号的真实稀疏度非常困难。当前研究中，大都直接将稀疏度设置为一个固定值，这种做法严重降低了宽带压缩频谱检测的性能。因此，为了实时预测信号的稀疏度，研究人员提出了基于机器学习的稀疏度预测模型。目前机器学习在认知无线网络中的带宽分配、频谱可用性估计、资源分配等领域已经得到了广泛应用，这使得利用机器学习研究频谱检测成为一种可行的思路。与传统的预测模型相比，学习预测模型不需要某些严格的先验条件，具有较强的适应性。
文献[Li Z,Wu W,Liu X,et al.Improved cooperative spectrum sensingmodel based on machine learning for cognitive radio networks[J].IETCommunications,2018,12(19):2485-2492]系统的提出了机器学习和模式识别在窄带频谱检测中的应用，利用能量向量作为特征向量训练分类器，对窄带谱进行在线分类。文献[Thilina K M,Choi K W,Saquib N,et al.Machine Learning Techniques forCooperative Spectrum Sensing in Cognitive Radio Networks[J].IEEE Journal onSelected Areas in Communications,2013,31(11):2209-2221]提出了一种基于支撑向量机的窄带协作频谱检测方案，采用用户分组的方法，减少了协作开销，提高了检测性能。文献[Chang H,Song H,Yi Y,et al.Distributive Dynamic Spectrum Access ThroughDeep Reinforcement Learning:A Reservoir Computing-Based Approach[J].IEEEInternet of Things Journal,2019,6(2):1938-1948]利用深度强化学习使得次用户可以仅根据其当前和过去的频谱检测结果分布式地做出频谱切换决策。文献[吕斌,杨震,林畅.采用支持向量机的宽带频谱感知算法[J].信号处理,2014,(12):1502-1509]使用支撑向量机建立频谱检测分类器，代替宽带信号重构和检测的过程。文献[Khalfi B,Zaid A,Hamdaoui B.When machine learning meets compressive sampling for widebandspectrum sensing[A].2017 13th International Wireless Communications andMobile Computing Conference(IWCMC).2017:1120-1125]使用监督学习算法，在宽带压缩频谱检测中利用次用户的观测值等作为特征训练回归模型，实时预测宽带频谱稀疏度。但是在宽带压缩频谱检测中，以观测值作为特征向量的学习预测模型都存在着预测模型的特征维度过高，无法动态更新观测值等问题，导致频谱检测性能下降，此外，在宽带压缩频谱检测中通常对整个宽带频谱执行频谱重构，给次用户带来巨大的检测开销，主要是采样成本和重构时间的增加。
发明内容
本发明旨在解决以上现有技术的问题，提出一种认知无线网络中基于监督学习的协作宽带压缩频谱检测方法。
本发明采用的技术方案是：认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，包括以下步骤：
融合中心对认知无线网络中的次用户进行划分，分为若干个次用户群，并为每个次用户群设置窗口长度，依据窗口长度分别为每个次用户群划分整个宽带频谱；
利用监督学习算法，使用采样向量的二范数和子频谱块长度作为特征向量，使用梯度下降或支撑向量回归训练自适应稀疏度预测模型，采用协作宽带频谱筛选算法找到宽带频谱中的稀疏频谱集，通过比较请求接入的次用户数目来确定最终的待重构频谱集，最后使用稀疏度自适应匹配追踪算法对待重构频谱集进行频谱重构，确定空闲信道，完成频谱检测。
本发明采用以上技术方案具有的有益效果如下：
1.本发明针对宽带压缩频谱检测中信号稀疏度未知的问题，提出了一种自适应稀疏度预测模型。由于现有的以观测值作为特征向量的学习预测模型都存在着预测模型的特征维度过高，无法动态更新观测值的问题，通过对认知无线网络中的次用户进行分群，利用压缩采样向量二范数和子频谱块长度作为监督学习算法的特征向量，提出了一种自适应稀疏度预测模型，降低了模型的特征维度，提高了模型的拟合精度和自适应性。
2.基于自适应稀疏度预测模型设计了宽带协作频谱筛选算法，由于在宽带压缩频谱检测中通常对整个频谱执行重构，造成采样成本和重构时间等开销增加。通过对认知无线网络中的次用户进行分群，通过次用户之间的协作及请求接入的次用户数目来找到宽带频谱中待重构的稀疏频谱集，对其执行频谱重构，从而降低了次用户采样率和信号重构时延。
附图说明
图1是本发明中认知无线网络模型示意图；
图2是FC为次用户划分频谱的窗口机制；
图3是单个次用户环境下预测模型的拟合效果对比；
图4是协作次用户数目为5时自适应预测模型的拟合效果；
图5是自适应预测模型的均方根误差随合作次用户数目变化的结果；
图6是采样数目对自适应预测模型的影响；
图7是协作协作宽带频谱筛选算法的筛选结果；
图8是对选定的稀疏频谱集的重构效果；
图9是不同稀疏度下的次用户采样率对比；
图10是次用户的频谱重构时延对比。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本方法综合考虑了特征向量的选取对稀疏度预测模型的性能影响以及传统宽带压缩频谱检测对次用户带来的高开销问题，能够有效提高预测模型的拟合效果和自适应性，降低次用户的采样率和重构时间。
本发明提出的频谱检测方法包括以下步骤：
101、对认知无线网络中的次用户进行划分，分为若干个次用户群，融合中心(Fusion Center，FC)为每个次用户群设置不同的窗口长度，依据窗口长度分别为每个次用户群划分整个宽带频谱；
102、利用监督学习算法，使用稀疏随机矩阵作为感知矩阵，使用压缩采样向量的二范数和子频谱块长度作为特征向量，提出自适应稀疏度预测模型。宽带信号在经过压缩采样后，其二范数与样本向量的二范数具有一定的缩放关系，能够有效的反映出宽带信号的实际占用水平；
103、基于该模型设计了一种协作宽带频谱筛选算法，该算法利用次用户之间的协作来找到宽带频谱中的稀疏频谱集。通过比较请求接入的次用户数目来确定最终的待重构频谱集，最后使用稀疏度自适应匹配追踪算法对待重构频谱集进行频谱重构，确定空闲信道，完成频谱检测。
进一步的，在本发明考虑实际宽带频谱中，信号的稀疏度未知同时预测模型的特征维度过高、观测值无法动态更新的特点，使用采样向量二范数和子频谱块长度作为监督学习算法的特征向量，提出了自适应稀疏度预测模型，并基于该模型设计了一种协作宽带频谱筛选算法。
进一步的，认知无线网络模型如图1所示，PU为主用户，SU为次用户，假设在感兴趣的宽带频谱长度为N，即有N个信道，在某一时刻每个信道只能容纳一个用户。将网络中的所有次用户划分为m个次用户群，每个次用户群都有n个次用户，SUij表示第i个次用户群的第j个次用户。FC为不同次用户群提供不同的频谱划分方案(如图2所示)，即每个次用户群都将对整个宽带频谱进行划分，但是不同的次用户群具有不同的窗口大小，FC根据窗口大小将宽带谱分为若干块，即N＝aiWi+li，其中Wi表示FC为第i个次用户群设置的窗口大小，ai表示第i个次用户群中频谱长度为Wi的子频谱块数，li表示剩余频谱块长度。所以对于任意次用户群，FC根据窗口大小将宽带频谱划分为ai+1个子频谱块。
所述步骤102中，选取压缩采样向量的二范数和子频谱块长度作为特征向量，分别使用梯度下降和支撑向量回归(Support Vector Regression，SVR)，训练自适应稀疏度预测模型，具体包括步骤：
构造稀疏随机矩阵A＝ΘG，Θ是一个M×N的矩阵，其每一列有d个非零元素，其值为
Figure GDA0003255303080000041
矩阵G是一个对角矩阵，其对角线元素等概率取±1。M为观测值数目，N为宽带频谱长度。
宽带信号在经过压缩采样后，其二范数与样本向量的二范数具有一定的缩放关系为了进一步提高模型预测的准确性，还选取了子频谱带长度作为特征之一。
在确定特征向量后，将选取的特征向量分别带入梯度下降和SVR中，得到相应的预测模型。其中，预测模型的输入为特征向量z，z＝[yi1||2,...,||yij||2,...,||yin||,si]，i＝[1,m]，其中yij表示第i个次用户群的第j个次用户的压缩采样样本，si表示第i个次用户群所采样的子频谱块长度，si等于Wi或li，模型的输出为相应子频谱块的稀疏度k，通过训练样本，得到最优的权值向量w。
(1)梯度下降梯度下降将稀疏度预测函数建模为特征向量的线性函数，即
Figure GDA0003255303080000042
其中w为权值向量，b为位移量，kw(z)为模型预测结果。那么代价函数
Figure GDA0003255303080000043
L表示训练样本数目，z(l)表示第l组训练样本，k(l)表示第l组训练样本对应的稀疏度。接下来使用梯度下降来搜索最优的权值向量使得J(w)最小，权值更新公式如下：
Figure GDA0003255303080000044
μ表示步长。
(2)支撑向量回归SVR需要在满足误差小于阈值ε的情况下寻找最佳线性回归函数，需要解决的优化问题如下：
Figure GDA0003255303080000045
s.t.kq-(wTz(q)+b)＜ε+ξq
Figure GDA0003255303080000046
Figure GDA0003255303080000047
其中P是惩罚因子，ξq和
Figure GDA0003255303080000048
是松弛变量，分别代表上下边界的松弛因子。其代价函数J为：
Figure GDA0003255303080000049
Figure GDA00032553030800000410
其中αq、
Figure GDA00032553030800000411
αr、
Figure GDA00032553030800000412
为拉格朗日乘子，z(q)、z(r)分别表示第q组和第r组训练样本。
上式为线性SVR所需要求解的问题。一般情况下，当数据集是线性不可分时，线性SVR可能无法达到最优回归。因此，在此基础上可以使用核函数将数据集转换到高维空间，以执行线性分离。在这种情况下，非线性SVR的代价函数为：
Figure GDA0003255303080000051
Figure GDA0003255303080000052
其中K(z(q)z(r))＝φ(z(q))Tφ(z(r))，φ为投影函数，通常使用高斯核函数
Figure GDA0003255303080000053
σ为函数的宽度参数。
进一步的，所述并基于稀疏度预测模型设计协作宽带频谱筛选算法，如算法1所示。其中kij表示第i个次用户群的第j个子频谱块的估计稀疏度，N1为集合C1的长度，SUs表示请求接入的次用户数目，Me表示单个次用户用于计算特征向量的采样数目。
算法1协作宽带频谱筛选算法
Figure GDA0003255303080000054
每个次用户利用预测模型将其所划分的子频谱块划分为占用率高和占用率低两类，FC对所有次用户群的划分结果进行处理，通过对所有标记为占用水平低的频谱块做交集得到最稀疏频谱集C1，通过对所有标记为占用水平低的频谱块做并集得到次稀疏频谱次C2。比较请求接入的次用户数目SUs与C1的稀疏度预测值k1的大小，如果SUs>k1，选择C2作为待重构频谱集，如果SUs<k1，选择C1作为待重构频谱集，最后使用稀疏度自适应匹配追踪算法对待重构频谱集进行频谱重构，确定空闲信道，完成频谱检测。
为了对本发明进行验证，接下来在MATLAB平台上进行了仿真实验，并设置如下仿真环境：数据集维度为300，训练集维度为250，测试集维度为50，宽带信号长度N＝1200，合作次用户群m＝3，每个次用户群的合作次用户数目n＝5，采样数目Me＝40，感知矩阵中的d＝4，观测值数目M＝1.7klog(N/k)。
为了进一步突出本发明中自适应稀疏预测模型的优越性，将本发明所提预测模型与文献[Khalfi B,Zaid A,Hamdaoui B.When machine learning meets compressivesampling for wideband spectrum sensing[A].2017 13th International WirelessCommunications and Mobile Computing Conference(IWCMC).2017:1120-1125.]中以观测值为特征向量的预测模型的拟合效果进行比较。
图3是单个次用户环境下预测模型的拟合效果对比。确定系数(R Square，R2)反映预测模型的拟合效果，R2越接近于1，表示模型的拟合效果越好。图3(a)为使用观测值作为特征向量的模型拟合结果，图3(b)是使用本发明所提出的特征向量的模型拟合结果。由图3(a)可知，以观测值作为特征向量的模型拟合结果较差，其中线性SVR的效果最好，其次是非线性SVR，梯度下降效果最差。由图3(b)可知，在本发明所提出的预测模型中，线性SVR和非线性SVR的拟合效果最好，梯度下降次之，三者的差距较小。对比图3(a)和图3(b)可以发现，在使用相同的监督学习算法的情况下，使用本发明所提特征向量的预测模型的R2值均大于以观测值作为特征向量的模型的R2值，这表明本发明的模型拟合效果要大幅优于该模型拟合效果，故使用采样向量二范数作为特征向量的特征能够显著提高预测模型的拟合效果。
图4是本发明所提预测模型在协作次用户数目为5时的拟合效果。由图4可知，非线性SVR的拟合效果最好，R2值最大，其次是线性SVR和梯度下降。对比图4和图3(b)可以发现，在本发明所提预测模型中，当协作次用户数目增加时，模型的拟合效果的得到显著提升，其中SVR的拟合效果较好。
图5是本发明所提模型的均方根误差(Root Mean Square Error，RMSE)随协作次用户数目变化的结果。由图5可知，本发明所提预测模型RMSE的总体趋势都是随着合作次用户数目的增加而下降，在SUs＝12左右时，预测模型的RMSE逐渐趋于平稳。可以得出随着合作次用户的数目的增加，预测模型的拟合精度会越来越高，但是当合作次用户达到一定数目时，预测模型的拟合精度会趋于平稳。
接下来验证本发明所提预测模型的自适应性，注意考虑了采样数目对预测模型拟合精度的影响，结果如图6所示，随着采样数目的增加，预测模型的RMSE都在较小的范围内波动，趋于稳定，其中非线性SVR的RMSE最小。这是由于本发明采用采样向量二范数作为特征向量，在模型训练成功后，动态调整采样数目，仍然能够取得较好的预测结果。而在以观测值为特征向量的预测模型中，只要模型训练成功，就无法根据信号的实时变化而动态调整采样数目，适应性较差。
接下来对本发明所提频谱筛选算法的性能进行了验证。图7是频谱筛选的效果，上方图片表示原宽带信号，中间表示最稀疏频谱集C1，下方表示次稀疏频谱集C2，由筛选算法决定待重构频谱集选择C1还是C2，在本例中，选择C1作为待重构频谱集。由图7可知，无论是C1还是C2，都是原宽带信号中占用水平较低的频谱块，且筛选出的频谱块长度都小于N。图8是对待重构频谱集的重构效果，由图8可知，重构信号中非零元素在位置和幅度均与原始待重构频谱集保持了一致，这表明了本发明所提出的频谱筛选算法能够有效的筛选出原宽带频谱中的稀疏分量，并且能成功对所选择的稀疏频谱分量进行重构。
图9和图10验证了本发明在降低次用户检测开销方面的效果，图9是不同稀疏度下次用户采样率，图10是对频谱重构时延的比较。由图9可知，对本发明所筛选出的待重构频谱集进行重构所需的采样率均低于对整个宽带谱执行重构的采样率，其中最稀疏的频谱集C1的采样率低于次稀疏频谱集C2。由图10可知，对本发明所筛选的待重构频谱集进行重构的时延远低于对整个宽带频谱重构的时延，其中C1的重构时延最低。采样率及重构时延的降低均是由于本发明所提出的频谱筛选算法有效的剔除了宽带频谱中的密集分量，减小了待重构频谱集的长度。结果表明本发明所提频谱检测方案在满足次用户需求的同时极大的降低了检测开销。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，其特征在于，包括以下步骤：
融合中心对认知无线网络中的次用户进行划分，分为若干个次用户群，并为每个次用户群设置窗口长度，依据窗口长度分别为每个次用户群划分整个宽带频谱；
利用监督学习算法，使用采样向量的二范数和子频谱块长度作为特征向量，使用梯度下降或支撑向量回归训练自适应稀疏度预测模型；具体包括以下步骤：
构造稀疏随机矩阵A＝ΘG，Θ是一个M×N的矩阵，它的每一列有d个非零元素，其值为
Figure FDA0003255303070000011
矩阵G是一个对角矩阵，其对角线元素等概率取±1，M为观测值数目，N为宽带频谱长度；
将特征向量带入梯度下降或支撑向量回归中，得到相应的预测模型；预测模型的输入为特征向量z，z＝[||yi1||2,...,||yij||2,...,||yin||,si]，i＝[1,m]，其中yij表示第i个次用户群的第j个次用户的压缩采样样本，si表示第i个次用户群所采样的子频谱块长度；模型的输出为相应子频谱块的稀疏度k，通过训练样本，得到最优的权值向量w；
梯度下降将稀疏度预测函数建模为特征向量的线性函数，即
Figure FDA0003255303070000012
其中w为权值向量，b为位移量，kw(z)为模型预测结果，那么代价函数
Figure FDA0003255303070000013
L表示训练样本数目，z(l)表示第l组训练样本，k(l)表示第l组训练样本对应的稀疏度；接下来使用梯度下降来搜索最优的权值向量使得J(w)最小，权值更新公式如下：
Figure FDA0003255303070000014
μ表示步长；
支撑向量回归需要在满足误差小于阈值ε的情况下寻找最佳线性回归函数，需要解决的优化问题如下：
Figure FDA0003255303070000015
s.t.kq-(wTz(q)+b)＜ε+ξq
Figure FDA0003255303070000016
Figure FDA0003255303070000017
其中P是惩罚因子，ξq和
Figure FDA0003255303070000018
是松弛变量，分别代表上下边界的松弛因子，w为权值向量，b为位移量，kq表示在训练预测模型时使用第q组训练样本时的输出，其代价函数J为：
Figure FDA0003255303070000021
Figure FDA0003255303070000022
其中αq、
Figure FDA0003255303070000023
αr、
Figure FDA0003255303070000024
为拉格朗日乘子，z(q)、z(r)分别表示第q组和第r组训练样本；
采用协作宽带频谱筛选算法找到宽带频谱中的稀疏频谱集，通过比较请求接入的次用户数目来确定最终的待重构频谱集，最后使用稀疏度自适应匹配追踪算法对待重构频谱集进行频谱重构，确定空闲信道，完成频谱检测。
2.根据权利要求1所述认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，其特征在于：所述融合中心对认知无线网络中的次用户进行划分具体包括，将网络中的所有次用户划分为m个次用户群，每个次用户群都有n个次用户，SUij表示第i个次用户群的第j个次用户，融合中心根据窗口大小将宽带谱分为若干块，即N＝aiWi+li，其中Wi表示融合中心为第i个次用户群设置的窗口大小，ai表示第i个次用户群中频谱长度为Wi的子频谱块数，li表示剩余频谱块长度，N表示信道个数，对于任意次用户群，融合中心根据窗口大小将宽带频谱划分为ai+1个子频谱块。
3.根据权利要求1所述认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，其特征在于：当数据集是线性不可分时，将所述支撑向量回归中的代价函数，使用核函数将数据集转换到高维空间，以执行线性分离。
4.根据权利要求1-3任一项所述认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，其特征在于：所述协作宽带频谱筛选算法具体包括以下步骤：
每个次用户利用预测模型对子频谱带的占用水平进行划分，并将划分结果发送给融合中心；
融合中心对所有次用户群的划分结果进行处理，通过对所有标记为占用水平低的频谱块做交集得到最稀疏频谱集C1，通过对所有标记为占用水平低的频谱块做并集得到次稀疏频谱次C2；
比较请求接入的次用户数目SUs与C1的稀疏度预测值k1的大小，如果SUs>k1，选择C2作为待重构频谱集，如果SUs<k1，选择C1作为待重构频谱集。
CN202010026679.7A 2020-01-10 2020-01-10 认知无线网络中基于监督学习的协作宽带压缩频谱检测方法 Active CN111162853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010026679.7A CN111162853B (zh) 2020-01-10 2020-01-10 认知无线网络中基于监督学习的协作宽带压缩频谱检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010026679.7A CN111162853B (zh) 2020-01-10 2020-01-10 认知无线网络中基于监督学习的协作宽带压缩频谱检测方法

Publications (2)

Publication Number Publication Date
CN111162853A CN111162853A (zh) 2020-05-15
CN111162853B true CN111162853B (zh) 2021-11-16

Family

ID=70562431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010026679.7A Active CN111162853B (zh) 2020-01-10 2020-01-10 认知无线网络中基于监督学习的协作宽带压缩频谱检测方法

Country Status (1)

Country Link
CN (1) CN111162853B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102833020A (zh) * 2012-09-10 2012-12-19 杭州电子科技大学 认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法
CN105512635A (zh) * 2015-12-15 2016-04-20 鲁东大学 一种融合类别属性的深度网络地下目标识别方法及系统
CN110213000A (zh) * 2018-02-28 2019-09-06 索尼公司 频谱管理设备和系统、方法以及计算机可读存储介质
CN110224771A (zh) * 2019-06-25 2019-09-10 广东工业大学 基于bp神经网络与信息几何的频谱感知方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI482518B (zh) * 2011-06-02 2015-04-21 Univ Nat Chiao Tung 合作式頻譜估測與定位方法及系統

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102833020A (zh) * 2012-09-10 2012-12-19 杭州电子科技大学 认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法
CN105512635A (zh) * 2015-12-15 2016-04-20 鲁东大学 一种融合类别属性的深度网络地下目标识别方法及系统
CN110213000A (zh) * 2018-02-28 2019-09-06 索尼公司 频谱管理设备和系统、方法以及计算机可读存储介质
CN110224771A (zh) * 2019-06-25 2019-09-10 广东工业大学 基于bp神经网络与信息几何的频谱感知方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
When machine learning meets compressive sampling for wideband spectrum sensing;Bassem Khalfi等;《 2017 13th International Wireless Communications and Mobile Computing Conference (IWCMC)》;20170720;1120-1125页 *
稀疏随机矩阵有限等距性质分析;张波等;《电子与信息学报》;20140131;第36卷(第1期);169-174页 *

Also Published As

Publication number Publication date
CN111162853A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
Wang et al. Spatiotemporal modeling and prediction in cellular networks: A big data enabled deep learning approach
CN112003663A (zh) 基于lstm神经网络的认知无线电频谱感知方法
Jianli et al. Based on neural network spectrum prediction of cognitive radio
KR20210126912A (ko) 인지 무선 시스템에서 합성곱 신경망 기반 스펙트럼 센싱 방법 및 장치
CN112766467B (zh) 基于卷积神经网络模型的图像识别方法
Iliya et al. Application of artificial neural network and support vector regression in cognitive radio networks for RF power prediction using compact differential evolution algorithm
Leinonen et al. Compressed sensing with applications in wireless networks
Wu et al. Proactive caching and bandwidth allocation in heterogenous networks by learning from historical numbers of requests
Xie et al. Few-shot unsupervised specific emitter identification based on density peak clustering algorithm and meta-learning
CN111162853B (zh) 认知无线网络中基于监督学习的协作宽带压缩频谱检测方法
CN107196722B (zh) 一种自适应压缩频谱感知方法
Valadão et al. Cooperative spectrum sensing system using residual convolutional neural network
Gao et al. Joint multi-channel multi-step spectrum prediction algorithm
Zhou et al. Wide-band spectrum sensing using neighbor orthogonal matching pursuit
Zuo et al. Spectrum prediction for frequency bands with high burstiness: Analysis and method
Li et al. MTF 2 N: Multi-Channel Temporal-Frequency Fusion Network for Spectrum Prediction
CN112702132B (zh) 一种基于卷积神经网络分类器的宽带频谱感知方法
Serrano et al. Random sampling for effective spectrum sensing in cognitive radio time slotted environment
CN108183757B (zh) 感知时长和资源分配联合优化的分段近似凸分解方法
Samuel et al. A low-complexity multistage polyphase filter bank for wireless microphone detection in CR
Yadav et al. Application of Machine Learning Framework for Next‐Generation Wireless Networks: Challenges and Case Studies
CN109412718B (zh) 宽带频谱信号检测方法
Tsvetkov et al. Channel Activity Analysis of Cognitive Radio with PCA Preprocessing and Different Clustering Methods
CN113037406A (zh) 一种时频特性提取及压缩感知融合的高效协作频谱感知方法
Romero et al. Online spectrum cartography via quantized measurements

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