CN111756460A - 认知网络中基于无监督学习的协作频谱感知方法、装置 - Google Patents

认知网络中基于无监督学习的协作频谱感知方法、装置 Download PDF

Info

Publication number
CN111756460A
CN111756460A CN202010582060.4A CN202010582060A CN111756460A CN 111756460 A CN111756460 A CN 111756460A CN 202010582060 A CN202010582060 A CN 202010582060A CN 111756460 A CN111756460 A CN 111756460A
Authority
CN
China
Prior art keywords
matrix
dimensional feature
feature matrix
energy
low
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.)
Withdrawn
Application number
CN202010582060.4A
Other languages
English (en)
Inventor
崔翠梅
杨德智
杨倪子
殷昌永
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.)
Changzhou Institute of Technology
Original Assignee
Changzhou Institute 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 Changzhou Institute of Technology filed Critical Changzhou Institute of Technology
Priority to CN202010582060.4A priority Critical patent/CN111756460A/zh
Publication of CN111756460A publication Critical patent/CN111756460A/zh
Withdrawn legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种认知网络中基于无监督学习的协作频谱感知方法、装置，认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用主成分分析算法将多维特征矩阵转换为低维特征矩阵，采用低维特征矩阵和高斯混合模型算法训练聚类器，以对频谱进行感知。该方法采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。

Description

认知网络中基于无监督学习的协作频谱感知方法、装置
技术领域
本发明涉及通信技术领域，具体涉及一种认知网络中基于无监督学习的协作频谱感知方法、一种认知网络中基于无监督学习的协作频谱感知装置、一种非临时性计算机可读存储介质和一种计算机设备。
背景技术
随着移动互联网、物联网、云计算等各类通信及处理技术的迅猛发展，海量智能化终端的不断涌现与接入，随之产生的数据流量呈现爆炸式增长，导致了对电磁频谱与带宽需求与日俱增。
5G和超5G网络呈现的超密集、大连接、高异构、低时延、智能化的新特征，可供分配的频谱资源少之又少海量频谱信息快速准确获取难度大，感知成本巨大。
相关技术中，一般采用单纯提高频谱复用率的频谱感知算法，包括硬融合算法和软融合算法。然而该方法不能很好适应未来高动态复杂无线电磁场景，无法处理海量的频谱感知数据和提供相匹配的算力，且不能自适应地学习周围的网络拓扑环境，每次感知时需要周围环境的先验知识，而且不能对下一次的感知结果做出预测，感知准确度和感知器的训练时间有进一步提升的空间。
发明内容
为解决上述技术问题，本发明提供了一种认知网络中基于无监督学习的协作频谱感知方法该方法采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。
本发明还提供了一种认知网络中基于无监督学习的协作频谱感知装置。
本发明还提供了一种非临时性计算机可读存储介质。
本发明还提供了一种计算机设备。
本发明采用的技术方案如下：
本发明的第一方面实施例提供了一种认知网络中基于无监督学习的协作频谱感知方法，所述认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：步骤S1，所述认知用户检测频谱的能量并组成能量向量，并根据所述能量向量获取多维特征矩阵；步骤S2，采用所述低维特征矩阵和高斯混合模型算法训练聚类器，以对所述频谱进行感知利用PCA(Principal Components Analysis，主成分分析)算法将所述多维特征矩阵转换为低维特征矩阵；步骤S3，采用所述低维特征矩阵和高斯混合模型算法训练聚类器，以对所述频谱进行感知。
根据本发明的一个实施例，认知用户检测频谱的能量并组成能量向量，包括：步骤S101，所述认知用户感知选定信道的信号Yj(n)；步骤S102，获取通过噪声功率谱密度归一化的能级Yj；步骤S103，每个所述认知用户将所述能级Yj传输给融合中心，所述融合中心将所述能级Yj组成所述能量向量。
根据本发明的一个实施例，利用PCA算法将所述多维特征矩阵转换为低维特征矩阵，包括：步骤S201，将所述多维特征矩阵零均值化，以获取零均值化矩阵；步骤S202，根据所述零均值化矩阵获取所述多维特征矩阵的协方差矩阵；步骤S203，计算所述协方差矩阵的特征值和对应的特征向量；步骤S204，将所述特征向量按对应的特征值大小从上到下按行排成矩阵，取前预设行组成能量矩阵；步骤S205，将所述多维特征矩阵投影到所述能量矩阵中，以获取所述低维特征矩阵。
根据本发明的一个实施例，采用所述低维特征矩阵和高斯混合模型算法训练聚类器，包括：步骤301，初始化所述混合高斯模型的参数，所述参数包括：期望、协方差和权值；步骤302，依据当前参数，计算所述低维特征矩阵中每个数据来自子模型的可能性，所述子模型包括空闲频谱和繁忙频谱；步骤303，根据所述低维特征矩阵中每个数据来自子模型的可能性计算新一轮迭代的参数；步骤304，重复所述步骤S302-S303，直至收敛。
本发明第二方面实施例提出了一种认知网络中基于无监督学习的协作频谱感知装置，所述认知网络包括：一个授权用户和至少一个认知用户，所述装置包括：检测模块，所述检测模块用于将所述认知用户检测的频谱的能量组成能量向量，，并根据所述能量向量获取多维特征矩阵；转换模块，所述转换模块用于利用主成分分析算法将所述多维特征矩阵转换为低维特征矩阵；感知模块，所述感知模块用于所述感知模块用于采用所述低维特征矩阵和高斯混合模型算法训练聚类器，以对所述频谱进行感知。
根据本发明的一个实施例，所述检测模块进一步用于：获取认知用户感知选定信道的信号Yj(n)；获取通过噪声功率谱密度归一化的能级Yj；将每个所述认知用户的能级Yj传输给融合中心，所述融合中心将所述能级Yj组成所述能量向量。
根据本发明的一个实施例，所述转换模块进一步用于：将所述多维特征矩阵零均值化，以获取零均值化矩阵；根据所述零均值化矩阵获取所述多维特征矩阵的协方差矩阵；计算所述协方差矩阵的特征值和对应的特征向量；将所述特征向量按对应的特征值大小从上到下按行排成矩阵，取前预设行组成能量矩阵；将所述多维特征矩阵投影到所述能量矩阵中，以获取所述低维特征矩阵。
根据本发明的一个实施例，所述感知模块进一步用于：初始化所述混合高斯模型的参数，所述参数包括：期望、协方差和权值；依据当前参数，计算所述低维特征矩阵中每个数据来自子模型的可能性，所述子模型包括空闲频谱和繁忙频谱；根据所述低维特征矩阵中每个数据来自子模型的可能性计算新一轮迭代的参数；重复计算所述低维特征矩阵中每个数据来自子模型的可能性和所述参数，直至收敛。
本发明第三方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面实施例所述的认知网络中基于无监督学习的协作频谱感知方法。
本发明第四方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据本发明第一方面实施例所述的认知网络中基于无监督学习的协作频谱感知方法。
本发明的有益效果：
采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。
附图说明
图1是根据本发明一个实施例的认知网络中基于无监督学习的协作频谱感知方法的流程图；
图2是根据本发明另一个实施例的认知网络中基于无监督学习的协作频谱感知方法的流程图；
图3a是特征矩阵的散点分布图；
图3b是特征矩阵经过PCA降维后的散点分布图；
图4是根据本发明一个具体示例的认知网络的架构图；
图5是根据本发明一个实施例的高斯混合模型算法对低维特征矩阵(PU＝200时)聚类分布图；
图6是根据本发明一个实施例的经过PCA降维后的训练时间和未经PCA降维后的训练时间的对比图；
图7a是根据本发明一个实施例的在认知网络CRN-1中GMM方案和PCA-GMM方案中聚类器的训练时间对比折线图；
图7b是根据本发明一个实施例的在认知网络CRN-2中GMM方案和PCA-GMM方案中聚类器的训练时间对比折线图；
图8是根据本发明一个实施例的在认知网络CRN-1和CRN-2中PCA-GMM方案的聚类器的训练时间对比折线图；
图9是根据本发明一个实施例的认知网络中基于无监督学习的协作频谱感知装置的方框示意图。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
图1是根据本发明一个实施例的认知网络中基于无监督学习的协作频谱感知方法的流程图。其中，认知网络包括：一个授权用户PU和至少一个认知用户SUn，如图1所示，协作频谱感知方法包括以下步骤：
步骤S1，认知用户SUn检测频谱的能量并组成能量向量
Figure BDA0002552664810000051
根据能量向量
Figure BDA0002552664810000052
获取多维特征矩阵YL×N。
步骤S2，利用主成分分析算法将多维特征矩阵YL×N转换为低维特征矩阵YL×R。
步骤S3，采用低维特征矩阵YL×R和高斯混合模型(Gaussian Mixture Model，GMM)算法训练聚类器，以对频谱进行感知。
具体地，频谱感知是认知无线电的核心技术和前提。频谱感知技术的任务是感知认知用户周围的无线电环境，发现特定时间的空闲频谱资源，此时认知用户就能够伺机接入该频谱进行信息传输。认知用户(Secondary User，SU)在占用空闲频谱后，还要继续对该频谱进行频谱感知，以防授权用户重新使用该频谱。如果发现授权用户(Primary User，PU)，认知用户应该立即停止工作并切换到别的频谱，避免影响到授权用户的正常通信。利用频谱感知技术，认知用户能够实现对其周围无线电环境的检测和信息交互，获得特定时间和空间的空闲频谱资源。
本发明中，首先将认知用户SUn感知到的能量信息通过数据融合中心划分为不同等级的能量向量
Figure BDA0002552664810000061
并构建特征矩阵YL×N。其次，利用PCA算法将特征矩阵转换成低维特征矩阵YL×R，降低特征矩阵的维度。然后，利用低维特征矩阵YL×R训练无监督学习GMM聚类器，用降维矩阵训练聚类器时大大节省了训练时间，以降低频谱数据量和训练复杂度。最后，利用训练好的GMM聚类器便可将所需要感知的频谱划分为空闲频谱(认知用户可接入)和繁忙频谱(认知用户不可接入)。由此，该方法采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。
根据本发明的一个实施例，如图2所示，步骤S1，认知用户SUn检测频谱的能量并组成能量向量
Figure BDA0002552664810000062
可以包括
步骤S101，认知用户SUn感知选定信道的信号Yj(n)。
步骤S102，获取通过噪声功率谱密度归一化的能级Yj。
步骤S103，每个认知用户将能级Yj传输给融合中心，融合中心将能级Yj组成能量向量
Figure BDA0002552664810000071
具体地，假设认知网络中仅有一个授权用户和N个认知用户，授权用户用PU表示，认知用户用SUn表示，其中n＝1,2,3…N表示认知用户序数。状态H0表示待测授权信道上的PU处于非活跃(空闲)状态，状态H1表示选定信道上的PU处于活跃(工作)状态。第j个认知用户感知选定信道的信号用yj(n)表示：
Figure BDA0002552664810000072
其中vj(n)表示高斯白噪声，其均值为0，方差为
Figure BDA0002552664810000073
sj(n)表示选定信道中传输的主用户信号，βj表示PU端到SUn端的信道增益。
通过噪声功率谱密度归一化的能级Yj被定义为：
Figure BDA0002552664810000074
其中η为噪声功率谱，
Figure BDA0002552664810000075
τ表示认知用户一次能量检测的时间，ω表示采样频率，因此一个周期内的样本总数被表示为W＝ωτ。由于yj(n)服从正态分布，所以Yj服从非中心卡方分布。Yj的自由度为
Figure BDA0002552664810000076
非中心参数λ可以被下式计算得出：
Figure BDA0002552664810000081
其中ρm是主用户PU的传输能量，
Figure BDA0002552664810000082
A值是随待测授权信道上的PU非状态变化而变化，当主用户处于活跃状态H0时,A＝0，当主用户处于活跃状态H1时，A＝1。
若随机变量Z服从卡方分布，自由度为θ，非中心参数为λ，那么根据非中心卡方分布的性质可知：Z的数学期望为θσ 2+λ，方差为2θσ4+4λσ2。Yj服从非中心卡方分布，所以Yj的数学期望为
Figure BDA0002552664810000083
方差为
Figure BDA0002552664810000084
其中θ＝ωτ，
Figure BDA0002552664810000085
λ由上述公式给出。从而可以化简推得
Figure BDA0002552664810000086
和
Figure BDA0002552664810000087
Figure BDA0002552664810000088
Figure BDA0002552664810000089
Figure BDA00025526648100000810
Figure BDA00025526648100000811
上文假设认知网络中只有一个主用户，当认知网络中有M个PU时，Yj的期望和方差如下：
Figure BDA00025526648100000812
Figure BDA00025526648100000813
Figure BDA0002552664810000091
Figure BDA0002552664810000092
其中hm,n＝|βj|2，表示PUm到SUn的功率衰减.hm,n又可以由下式求出：
hm,n＝d-α·ψm,n·υm,n
其中d表示PUm到SUn的欧氏距离,α表示信道损耗，ψm,n表示阴影损耗，υm,n表示多径损耗。
每个认知用户将能级Yj传输给融合中心，然后融合中心将能级Yj组成能量向量
Figure BDA0002552664810000093
其中L表示采样次数，i＝1,2,...,L。能量向量
Figure BDA0002552664810000094
又可以组成特征矩阵YL×N，
Figure BDA0002552664810000095
维度为L×N，特征矩阵YL×N就是后文要训练聚类器的输入。
特征矩阵YL×N的具体表达形式为：
Figure BDA0002552664810000096
根据本发明的一个实施例，如图2所示，步骤S2，利用PCA算法将多维特征矩阵YL×N转换为低维特征矩阵YL×R，可以包括：
步骤S201，将多维特征矩阵YL×N零均值化，以获取零均值化矩阵Y**。
也就是，
Figure BDA0002552664810000097
步骤S202，根据零均值化矩阵Y**获取多维特征矩阵YL×N的协方差矩阵C。
具体可以利用公式
Figure BDA0002552664810000098
获取。
步骤S203，计算协方差矩阵C的特征值λi和对应的特征向量Xi。
步骤S204，将特征向量Xi按对应的特征值大小从上到下按行排成矩阵，取前预设行R组成能量矩阵W。
步骤S205，将多维特征矩阵YL×N投影到能量矩阵W中，以获取低维特征矩阵YL×R。
具体地，多维特征矩阵YL×N零均值化的目的是标准化输入数据集YL×N，使维特征矩阵YL×N成比例缩小。对YL×N标准化的原因是PCA对初始数据YL×N的方差非常敏感，如果方差较大，就会导致YL×N转换后的主成分偏差。零均值化完成后，初始矩阵YL×N将转换成矩阵Y**，Y**里面的变量的范围是[0-1]。
获取多维特征矩阵YL×N的协方差矩阵C的目的是了解输入数据集的YL×N变量相对于彼此平均值变化，也就是查看它们是否存在内在关系。所计算出的协方差矩阵用C表示，协方差矩阵C是表示变量相关性的矩阵。计算YL×N的协方差矩阵C以识别YL×N中变量的相关性以及冗余信息。
计算协方差矩阵C的特征值λi和对应的特征向量Xi以识别主成分，特征向量Xi和特征值λi是需要从协方差矩阵计算的线性代数概念，以便确定数据YL×N的主要成分。解释方差被定义为每个主成分特征值的和除以所有特征值的总和，代表着变换后矩阵的信息量占原来矩阵的比值，也就是说，解释方差越大，保留下来的信息越多。
特征向量Xi按对应的特征值λi大小从上到下按行排成矩阵，取前R行组成能量矩阵W。正如在步骤S203中所看到的，计算特征向量Xi并按其对应的特征值λi按降序排序，以便于够按重要性顺序找到YL×N中的主成分。此步所需做的是选择保留所有这些组件还是丢弃那些重要性较低的组件(低特征值λi)，并与其余组件形成一个特征向量的能量矩阵W。这是降维处理的重要一步，因为如果选择仅保留L个特征向量中的R个，则最终数据集将只有R维。
最后,，映射降维，将数据转换到R个特征向量构建的新空间中，即YL×R＝YL×N×W。转换后的低维矩阵YL×N降低数据复杂度的同时，并包含了YL×N的大部分主要信息，YL×R具体表达式为：
Figure BDA0002552664810000111
其中
Figure BDA0002552664810000112
表示降维转换后的能量向量。
为了比较能量矩阵降维处理的优劣，将使用PCA算法将三维特征矩阵YL×3转换成了二维矩阵YL×2。仿真结果如图3a-3b所示。其中解释方差为91％，也就是说YL×2里包含了YL× 391％的信息。YL×3的散点分布如图3a所示，YL×2的散点分布如图3b所示。从图3a和图3b可以看出，经过PCA降维的YL×2的散点分布和YL×3的散点分布大体是相同的，做分类处理时它们之间的差异可以忽略不计。
因此，将特征矩阵从高维空间转换到低维空间，能量特征矩阵通过降维处理则可以更好地表示样本数据的结构以及样本之间的内在关系，并降低了感知数据处理量和无监督学习训练的复杂度。
根据本发明的一个实施例，如图2所示，步骤S3，采用低维特征矩阵YL×R和高斯混合模型算法训练聚类器，步骤包括：
步骤301，初始化混合高斯模型的参数期望μk、协方差σk和权值αk。
可采用随机初始化。
步骤302，依据当前参数，计算低维特征矩阵YL×R中每个数据来自子模型的可能性γjk，子模型包括空闲频谱和繁忙频谱。
步骤303，根据低维特征矩阵YL×R中每个数据来自子模型的可能性γjk计算新一轮迭代的参数(期望μk、协方差σk和权值αk)。
步骤304，判断低维特征矩阵YL×R中每个数据来自子模型的可能性γjk和参数(期望μk、协方差σk和权值αk)是否收敛。如果是，则执行步骤S305；如果否，则返回步骤S302。
S305，结束。
具体地，高斯混合模型(Gaussian Mixture Model，GMM)可以看作是由K个单高斯模型组合而成的模型，这K个子模型是混合模型的隐变量。一般来说，一个混合模型可以使用任何概率分布，这里使用高斯分布是因为高斯分布拥有良好的数学性质并易于计算。GMM被誉为万能分布近似器，其拥有强悍的数据建模能力。GMM使用若干个高斯分布的加权和作为对观测数据集进行建模的基础分布，由中心极限定理可知，大量独立同分布的随机变量的均值在做适当标准化之后会依分布收敛于高斯分布，这使得高斯分布具有普适性的建模能力，继而奠定了使用高斯分布作为主要构成部件的GMM进行数据建模的理论基础。由于GMM在建模时引入了隐变量的概念，致使我们无法直接使用极大似然估计(MaximumLikelihood Estimate，MLE)进行参数估计，进而引入了最大期望算法(EM)算法来对含有隐变量的模型进行训练。EM算法通过迭代地构造似然函数下限的方式不断地提升似然函数的取值，从而完成对含有隐变量模型的参数估计，其典型的应用包括GMM、HMM(Hidden MarkovModel，隐马尔可夫模型)的参数估计。
对于GMM，首先定义如下信息：
1)Xj表示第j个观测数据，j＝1,2,…N；
2)k是混合模型中子高斯模型的数量，k＝1,2,…K；
3)αk是观测数据属于第k个子模型的数量，αk≥0，
Figure BDA0002552664810000121
4)φ(x|θk)是第k个子模型高斯分布密度函数，
Figure BDA0002552664810000131
其展开形式与上面的单高斯模型相同；
5)γjk表示第j个观测数据属于第k个模型的概率
高斯混合模型的概率分布为：
Figure BDA0002552664810000132
参数
Figure BDA0002552664810000133
是每个子模型的期望、方差(或协方差)、在混合模型中发生的概率。
对于单高斯模型，可以用MLE估算参数θ的值。但是对于混合高斯模型，最大似然法无法求得参数，因为对于每个观测数据点来说，事先并不知道它是属于哪个子分布的，因此log里面还有求和，K个高斯模型的和不是一个高斯模型，对于每个子模型都有未知的μk，σk，αk，直接求导无法计算。需要通过迭代的方法求解。
上文已经提到，EM算法通过迭代地构造似然函数下限的方式不断地提升似然函数的取值,从而完成对含有隐变量模型的参数估计。每次迭代包含两个步骤：
1)E-step：求期望E(yjk|X，θ)，j＝1，2，...，N；
2)M-step：求极大，计算新一轮迭代的模型参数
通过EM迭代推算出高斯混合模型的最佳参数的步骤如下：
1)首先初始化参数
2)E-step：依据当前参数，计算每个数据j来自子模型k的可能性：
Figure BDA0002552664810000134
3)M-step：计算新一轮迭代的模型参数：
Figure BDA0002552664810000141
Figure BDA0002552664810000142
Figure BDA0002552664810000143
4)重复计算E-step和M-step直至收敛。
至此，便可找到高斯混合模型的参数μk，∑k，αk。需要注意的是，EM算法具备收敛性，但并不保证找到全局最大值，有可能找到局部最大值。解决方法是初始化几次不同的参数μk，∑k，αk进行迭代，选取结果最好的那次。但对于包含信道能量信息的特征矩阵
Figure BDA0002552664810000144
来说，需要将信道状态聚类为两簇，即K＝2，通过EM算法得到的参数通常是全局最优解。
一旦聚类器被训练完成，便可根据包含信道能量信息的低维特征矩阵将当前频谱分类为空闲频谱(认知用户可接入)和繁忙频谱(认知用户不可接入)。
为了验证本发明所提出的方法，我们架构了一个小型的认知网络，如图4所示，它由1个PU(授权用户)和4个SU(认知用户)组成(M＝1and N＝4)。在此网络架构中，次用户SU1、SU2、SU3和SU4分布在授权用户PU1的四周，距离分别为500m、500m、1500m、2000m，授权用户PU1的能量分别为50mW、100mW、200mW、300mW、400mW，样本个数为1000，采样频率设置为5MHz,感知周期τ设置为100μs,噪声谱密度η设置为-145.23dBm，路径损耗指数α设置为4，阴影损耗指数ψm,n和多径损耗指数υm都设置为1。仿真程序使用Python 3.6.3编写，程序运行在IDE Pycharm 2017.1.5。
首先，对特征矩阵进行PCA降维分析。在这个认知网络中(M＝1and N＝4)，我们想要将4维特征矩阵YL×4降到R维特征矩阵YL×R(R≤4)。解释方差如表1所示。在本次PCA降维分析中，我们选择解释方差的阈值为0.8，也就是说，YL×R至少拥有YL×480％的信息量。
表1 解释方差
PU能量 维度变化 解释方差
50mW 4→4 1
100mW 4→3 0.833586
200mW 4→2 0.805380
300mW 4→1 0.812094
400mW 4→1 0.877334
当特征矩阵进行PCA分析后，降维后的特征矩阵就能根据K-means++算法训练聚类器。图5是当主用户PU1的能量为200mW时，训练好的聚类器对频谱的聚类分布。深色Cluster1部分表示PU1处于活跃状态(频谱不可被次用户使用)，浅色Cluster2部分表示PU1处于非活跃状态(频谱可被次用户使用)黑色的大圆点分别是Cluster1和Cluster2的中心。黑色点表示提前被标记的PU处于非活跃状态，黑色叉表示提前被标记的PU处于活跃状态，标记的目的是计算所提出方法的感知准确度。具体来说，当黑色点处于Cluster2里时，聚类器分类正确，即感知准确，相反，当黑色点处于Cluster2里时，则聚类器分类错误，即感知错误。对于黑色叉亦然。
训练时间的对比我们列在了表2中，第一列是PU的能量，从50mW到400mW；第二列是经过PCA降维处理后的训练时间；第三列是没经过PCA降维处理后的训练时间。图6是更直观的训练时间对比折线图。表2和图6能够清楚的表明，经过PCA降维处理后，训练时间有较好的提升。例如，当PU的能量是400mW时，训练时间分别是0.010021s和0.015658s,提升了大约35.9％。
表2.训练时间(s)(PCA和No PCA)
Figure BDA0002552664810000161
协同频谱感知方法的感知准确度列在了表3中，第一列是PU的能量，从50mW到400mW，第二列是感知准确度。从表3中可以看出，当PU能量增加时，感知准确度不断提升，当PU能量提升到200mW时，感知准确度就处于了一个较高的水平，为98％。
表3 感知准确度
Figure BDA0002552664810000162
Figure BDA0002552664810000171
表4则描述了在认知网络CRN-1和CRN-2中GMM聚类器的训练时间。对特征矩阵进行PCA处理方案称为PCA-GMM，没有对特征矩阵进行PCA处理的方案直接称为GMM。该表所示第一列为PU的功率，功率设置从50mW递增到400mW。从表中可以看出，随着PU功率的增加，不管是在CRN-1中还是在CRN-2中，PCA-GMM方案和GMM方案中聚类器训练时间都是逐渐降低的。
表4 GMM和PCA-GMM训练时间
Figure BDA0002552664810000172
GMM方案和PCA-GMM方案中聚类器的训练时间对比折线图如图7a和图7b所示。图7a是在认知网络CRN-1中的训练时间对比折线图，图7b是在认知网络CRN-2中的训练时间对比折线图，可以清晰地看出，低维特征矩阵作为输入的聚类器训练时间明显小于原本特征矩阵作为输入的聚类器训练时间，也就是说，PCA处理能够明显的降低无监督学习聚类器GMM的训练时间。例如，当PU的功率为400mW时，在CRN-1中，低维特征矩阵的训练时间为0.002998S(PCA-GMM方案)，没经过PCA处理的特征矩阵的训练时间为0.004012S(GMM方案)，训练时间提升了约25.4％。
同样地，无论是在认知网络CRN-1中还是认知网络CRN-2中，特征矩阵经过PCA处理后，聚类器(PCA-GMM方案)的训练时间都会减少。接下来对比PCA-GMM方案在不同规模的认知网络(CRN-1和CRN-2)中的聚类器的训练时间，如图8所示。从图8中可以看出，PCA-GMM方案中聚类器的训练时间在网络规模较小的CRN-1中要小于在网络规模较大的CRN-2中。
由上可知，本发明的认知网络中基于无监督学习的协作频谱感知方法具有如下有益效果：
(1)本发明所设计基于降维和聚类的协同频谱感知方法将GMM机器学习算法融合到传统的频谱感知算法中，使之能够处理海量的频谱感知数据。
(2)使用PCA(主成分析降维)算法有效地降低了特征矩阵的维度，从而用降维矩阵训练聚类器时大大节省了训练时间，降低了计算复杂度。
(3)本发明频谱聚类器完成第一次训练后，就能够自适应地学习周围的网络拓扑环境，不需要每次都需要周围的先验知识，甚至能为下一次的频谱决策作出预测。
(4)与传统的频谱感知算法相比，本发明使协同频谱感知的准确度有较大幅度的提升，当主用户的能量大于等于200mW时，感知准确度提高约100％。
综上所述，根据本发明实施例的认知网络中基于无监督学习的协作频谱感知方法，认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用主成分分析算法将多维特征矩阵转换为低维特征矩阵，采用低维特征矩阵和高斯混合模型算法训练聚类器，以对频谱进行感知。该方法采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。
与上述的认知网络中基于无监督学习的协作频谱感知方法相对应，本发明还提出一种认知网络中基于无监督学习的协作频谱感知装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图7是根据本发明一个实施例的认知网络中基于无监督学习的协作频谱感知装置的方框示意图。认知网络包括：一个授权用户PU和至少一个认知用户SUn，如图7所示，该装置包括：检测模块1、转换模块2和感知模块3。
其中，检测模块1用于将认知用户SUn检测的频谱的能量并组成能量向量
Figure BDA0002552664810000191
根据能量向量
Figure BDA0002552664810000192
获取多维特征矩阵YL×N；转换模块2用于利用PCA算法将多维特征矩阵YL×N转换为低维特征矩阵YL×R；感知模块3用于采用低维特征矩阵YL×R和高斯混合模型算法训练聚类器，以对频谱进行感知。
具体地，频谱感知是认知无线电的核心技术和前提。频谱感知技术的任务是感知认知用户周围的无线电环境，发现特定时间的空闲频谱资源，此时认知用户就能够伺机接入该频谱进行信息传输。认知用户(Secondary User，SU)在占用空闲频谱后，还要继续对该频谱进行频谱感知，以防授权用户重新使用该频谱。如果发现授权用户(Primary User，PU)，认知用户应该立即停止工作并切换到别的频谱，避免影响到授权用户的正常通信。利用频谱感知技术，认知用户能够实现对其周围无线电环境的检测和信息交互，获得特定时间和空间的空闲频谱资源。
本发明中，首先，检测模块1将认知用户SUn感知到的能量信息通过数据融合中心划分为不同等级的能量向量
Figure BDA0002552664810000193
并构建特征矩阵YL×N。其次，转换模块2利用PCA算法将特征矩阵转换成低维特征矩阵YL×R，降低特征矩阵的维度。然后，感知模块3利用低维特征矩阵YL×R训练无监督学习GMM聚类器，用降维矩阵训练聚类器时大大节省了训练时间，以降低频谱数据量和训练复杂度。最后，利用训练好的GMM聚类器便可将所需要感知的频谱划分为空闲频谱(认知用户可接入)和繁忙频谱(认知用户不可接入)。由此，该装置采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。
检测模块1进一步用于：获取认知用户SUn感知选定信道的信号Yj(n)；获取通过噪声功率谱密度归一化的能级Yj；将每个认知用户能级Yj传输给融合中心，融合中心将能级Yj组成能量向量
Figure BDA0002552664810000201
转换模块2进一步用于：计算协方差矩阵C的特征值λi和对应的特征向量Xi；将特征向量Xi按对应的特征值大小从上到下按行排成矩阵，取前预设行R组成能量矩阵W；将多维特征矩阵YL×N投影到能量矩阵W中，以获取低维特征矩阵YL×R。
感知模块3进一步用于：随机初始化混合高斯模型的参数，参数包括：期望μk、协方差σk和权值αk；依据当前参数，计算低维特征矩阵YL×R中每个数据来自子模型的可能性，子模型包括空闲频谱和繁忙频谱；根据低维特征矩阵中每个数据来自子模型的可能性计算新一轮迭代的参数；重复计算低维特征矩阵中每个数据来自子模型的可能性和参数，直至低维特征矩阵中每个数据来自子模型的可能性和参数收敛。
根据本发明实施例的认知网络中基于无监督学习的协作频谱感知装置，通过检测模块将认知用户SUn检测的频谱的能量并组成能量向量
Figure BDA0002552664810000202
根据能量向量
Figure BDA0002552664810000211
获取多维特征矩阵YL×N，然后，转换模块利用主成分分析算法将多维特征矩阵YL×N转换为低维特征矩阵YL×R，最后，感知模块采用低维特征矩阵和高斯混合模型算法训练聚类器，以对频谱进行感知。由此，该装置采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。
本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明上述实施例所述的认知网络中基于无监督学习的协作频谱感知方法。
根据本发明实施例的非临时性计算机可读存储介质，当存储在其上的程序被处理器执行时，认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用主成分分析算法将多维特征矩阵转换为低维特征矩阵，采用低维特征矩阵和高斯混合模型算法训练聚类器，以对频谱进行感知，由此，采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。
此外，本发明还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据本发明上述实施例所述的认知网络中基于无监督学习的协作频谱感知方法。
根据本发明实施例的计算机设备，存储在存储器上的计算机程序被处理器运行时，认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用主成分分析算法将多维特征矩阵转换为低维特征矩阵，采用低维特征矩阵和高斯混合模型算法训练聚类器，以对频谱进行感知，由此，采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种认知网络中基于无监督学习的协作频谱感知方法，其特征在于，所述认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：
步骤S1，所述认知用户检测频谱的能量并组成能量向量，根据所述能量向量获取多维特征矩阵；
步骤S2，利用主成分分析算法将所述多维特征矩阵转换为低维特征矩阵；
步骤S3，采用所述低维特征矩阵和高斯混合模型算法训练聚类器，以对所述频谱进行感知。
2.根据权利要求1所述的认知网络中基于无监督学习的协作频谱感知方法，其特征在于，认知用户检测频谱的能量并组成能量向量，包括：
步骤S101，所述认知用户感知选定信道的信号Yj(n)；
步骤S102，获取通过噪声功率谱密度归一化的能级Yj；
步骤S103，每个所述认知用户将所述能级Yj传输给融合中心，所述融合中心将所述能级Yj组成所述能量向量。
3.根据权利要求1所述的认知网络中基于无监督学习的协作频谱感知方法，其特征在于，利用主成分分析算法将所述多维特征矩阵转换为低维特征矩阵，包括：
步骤S201，将所述多维特征矩阵零均值化，以获取零均值化矩阵；
步骤S202，根据所述零均值化矩阵获取所述多维特征矩阵的协方差矩阵；
步骤S203，计算所述协方差矩阵的特征值和对应的特征向量；
步骤S204，将所述特征向量按对应的特征值大小从上到下按行排成矩阵，取前预设行组成能量矩阵；
步骤S205，将所述多维特征矩阵投影到所述能量矩阵中，以获取所述低维特征矩阵。
4.根据权利要求1所述的认知网络中基于无监督学习的协作频谱感知方法，其特征在于，采用所述低维特征矩阵和高斯混合模型算法训练聚类器，包括：
步骤301，初始化所述混合高斯模型的参数，所述参数包括：期望、协方差和权值；
步骤302，依据当前参数，计算所述低维特征矩阵中每个数据来自子模型的可能性，所述子模型包括空闲频谱和繁忙频谱；
步骤303，根据所述低维特征矩阵中每个数据来自子模型的可能性计算新一轮迭代的参数；
步骤304，重复所述步骤S302-S303，直至所述低维特征矩阵中每个数据来自子模型的可能性和所述参数收敛。
5.一种认知网络中基于无监督学习的协作频谱感知装置，其特征在于，所述认知网络包括：一个授权用户和至少一个认知用户，所述装置包括：
检测模块，所述检测模块用于将所述认知用户检测的频谱的能量组成能量向量，并根据所述能量向量获取多维特征矩阵；
转换模块，所述转换模块用于利用主成分分析算法将所述多维特征矩阵转换为低维特征矩阵；
感知模块，所述感知模块用于采用所述低维特征矩阵和高斯混合模型算法训练聚类器，以对所述频谱进行感知。
6.根据权利要求5所述的认知网络中基于无监督学习的协作频谱感知装置，其特征在于，所述检测模块进一步用于：
获取所述认知用户感知选定信道的信号Yj(n)；
获取通过噪声功率谱密度归一化的能级Yj；
将每个所述认知用户的所述能级Yj传输给融合中心，所述融合中心将所述能级Yj组成所述能量向量。
7.根据权利要求5所述的认知网络中基于无监督学习的协作频谱感知装置，其特征在于，所述转换模块进一步用于：
将所述多维特征矩阵零均值化，以获取零均值化矩阵；
根据所述零均值化矩阵获取所述多维特征矩阵的协方差矩阵；
计算所述协方差矩阵的特征值和对应的特征向量；
将所述特征向量按对应的特征值大小从上到下按行排成矩阵，取前预设行组成能量矩阵；
将所述多维特征矩阵投影到所述能量矩阵中，以获取所述低维特征矩阵。
8.根据权利要求5所述认知网络中基于无监督学习的协作频谱感知装置，其特征在于，所述感知模块进一步用于：
初始化所述混合高斯模型的参数，所述参数包括：期望、协方差和权值；
依据当前参数，计算所述低维特征矩阵中每个数据来自子模型的可能性，所述子模型包括空闲频谱和繁忙频谱；
根据所述低维特征矩阵中每个数据来自子模型的可能性计算新一轮迭代的参数；
重复计算所述低维特征矩阵中每个数据来自子模型的可能性和所述参数，直至所述低维特征矩阵中每个数据来自子模型的可能性和所述参数收敛。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-4中任一项所述的认知网络中基于无监督学习的协作频谱感知方法。
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据权利要求1-4中任一项所述的认知网络中基于无监督学习的协作频谱感知方法。
CN202010582060.4A 2020-06-23 2020-06-23 认知网络中基于无监督学习的协作频谱感知方法、装置 Withdrawn CN111756460A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010582060.4A CN111756460A (zh) 2020-06-23 2020-06-23 认知网络中基于无监督学习的协作频谱感知方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010582060.4A CN111756460A (zh) 2020-06-23 2020-06-23 认知网络中基于无监督学习的协作频谱感知方法、装置

Publications (1)

Publication Number Publication Date
CN111756460A true CN111756460A (zh) 2020-10-09

Family

ID=72676866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010582060.4A Withdrawn CN111756460A (zh) 2020-06-23 2020-06-23 认知网络中基于无监督学习的协作频谱感知方法、装置

Country Status (1)

Country Link
CN (1) CN111756460A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115250156A (zh) * 2021-09-09 2022-10-28 李枫 一种基于联邦学习的无线网络多信道频谱接入方法
CN115277249A (zh) * 2022-09-22 2022-11-01 山东省计算中心（国家超级计算济南中心） 一种多层异构网络协同的网络安全态势感知方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115250156A (zh) * 2021-09-09 2022-10-28 李枫 一种基于联邦学习的无线网络多信道频谱接入方法
CN115277249A (zh) * 2022-09-22 2022-11-01 山东省计算中心（国家超级计算济南中心） 一种多层异构网络协同的网络安全态势感知方法

Similar Documents

Publication Publication Date Title
Banerjee et al. Validating clusters using the Hopkins statistic
Parrish et al. Classifying with confidence from incomplete information
US7007001B2 (en) Maximizing mutual information between observations and hidden states to minimize classification errors
US7868825B2 (en) Apparatus and method for transforming signal strength of wireless positioning system
US7010167B1 (en) Method of geometric linear discriminant analysis pattern recognition
Wang et al. A cluster validity measure with outlier detection for support vector clustering
Menardi Density-based Silhouette diagnostics for clustering methods
US10685008B1 (en) Feature embeddings with relative locality for fast profiling of users on streaming data
US10936868B2 (en) Method and system for classifying an input data set within a data category using multiple data recognition tools
CN110224771B (zh) 基于bp神经网络与信息几何的频谱感知方法及装置
CN104093203A (zh) 一种用于无线室内定位的接入点选择算法
CN111756460A (zh) 认知网络中基于无监督学习的协作频谱感知方法、装置
Li et al. Simultaneous localized feature selection and model detection for Gaussian mixtures
CN117154263A (zh) 锂电池梯次利用充放电系统及控制方法
Ma et al. A novel indoor fingerprint localization system based on distance metric learning and AP selection
CN114925767A (zh) 一种基于变分自编码器的场景生成方法和装置
CN111601358A (zh) 一种多阶段分层分簇空间相关性温度感知数据去冗余方法
CN112003662B (zh) 认知网络中的基于降维和聚类的协作频谱感知方法、装置
CN112541530B (zh) 针对聚类模型的数据预处理方法及装置
CN111401440B (zh) 目标分类识别方法、装置、计算机设备及存储介质
CN117095254A (zh) 基于分层自编码器的开放集射频指纹识别方法
CN112968740A (zh) 一种基于机器学习的卫星频谱感知方法
CN113869238A (zh) 一种认知车联网智能频谱感知方法及系统
Liu et al. Hierarchical fingerprinting and feature extraction for indoor localization
Luebke et al. Linear dimension reduction in classification: adaptive procedure for optimum results

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201009

WW01 Invention patent application withdrawn after publication