CN112311488A - 基于小波分解的频谱感知方法 - Google Patents
基于小波分解的频谱感知方法 Download PDFInfo
- Publication number
- CN112311488A CN112311488A CN202011222546.3A CN202011222546A CN112311488A CN 112311488 A CN112311488 A CN 112311488A CN 202011222546 A CN202011222546 A CN 202011222546A CN 112311488 A CN112311488 A CN 112311488A
- Authority
- CN
- China
- Prior art keywords
- sequence
- lstm
- value
- frequency
- time
- 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
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001228 spectrum Methods 0.000 title claims abstract description 27
- 239000002245 particle Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000001149 cognitive effect Effects 0.000 abstract description 6
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于小波分解的频谱感知方法,本发明所要解决的是LSTM未能发掘时间序列在其频域里的隐含信息而提供基于小波分解和LSTM的频谱感知方法,本发明优化了更新权重的方法,在一定程度上提高模型的拟合能力和模型训练的效果。本发明通过对服务拥塞率序列进行预测建模,可以有助于认知用户更好的分析授权用户群的频谱使用情况,得到其活跃度的趋势性、周期性的波动性规律,以此来预测将来的活跃度,为认知用户的频谱接入策略选择提供帮助。
Description
技术领域
本发明涉及一种基于小波分解的频谱感知方法。
背景技术
SCR序列是一个一维的时间序列,对于SCR序列的分析,本质上来讲的是单变量的时间序列的分析与预测。LSTM可以克服学习嵌入在时间序列的长期依赖关系。但是长短时记忆网络(LSTM)属于时域方法的范畴,未能发掘时间序列在其频域里的隐含信息。
发明内容
本发明的目的在于提供一种基于小波分解的频谱感知方法。
为解决上述问题,本发明提供一种基于小波分解的频谱感知方法,包括:
步骤1.获取SCR序列,通过SCR序列得到训练集Dtrain和测试集Dtest;
步骤2.根据训练集Dtrain,利用序列滑动窗口的大小对SCR序列进行处理,得到处理后的序列,将其作为网络的输入序列,设序列滑动窗口的大小为L;
步骤3.通过二层小波分解成三个序列,并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型;
步骤4.将三个LSTM网络的输出连接到一个全连接层的回归分析网络中,最后输出预测值。在测试阶段,根据网络中最后的输出向量,将输出向量的最后一个值的输入向量除去第一个值之后的所有值再次组成一个向量作为输出,以此类推,最后得到预测序列,再根据预测序列和真实值计算出APSO-LSTM模型的均方根误差(RMSE),计算公式如下:
进一步的,在上述方法中,步骤1.获取SCR序列,包括:
统计信道占用状态(CS)、服务(service)和服务拥塞率(SCR)。有如下两个公式:
CS(t,f)=ε,ε={0,1},
SCR(t,S)=∑c∈SCS(t,c)/n,
其中,t代表的时间点,f代表某一频率,“0”代表空闲,“1”代表占用,n代表该服务中的总信道数量,SCR序列的值在0和1之间,用来度量某一服务的拥塞程度,对于SCR序列获取采用M/D/C的频谱占用模型,其中,规定M代表频谱接入次数,参数D代表用户占用频段的时间长短,参数C为总的通信数量。假设顾客的到达过程是一个参数为λ的泊松分布{H(t)},服务时间是一个非负的一般随机变量B,其概率分布函数B(.)表示,均值为EB=μ/1,M表示PU的到达间隔服从泊松分布,G表示PU占用信道的时间服从几何分布,1表示单信道,泊松分布和几何分布的表达式分别为:
p(X=m)=(1-p)m-1p,
SCR序列是一个一维的时间序列记为X={x1,...,xt,...xT}。
进一步的,在上述方法中,步骤3.通过二层小波分解成三个序列,并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型,包括:
多层次离散小波分解是一种基于小波变换的离散信号分析方法,它将时间序列分解为低频和高频子序列,从而提取时间序列中隐藏的多变时频特征。输入时间序列表示为X={x1,...xt,...xT},第i级生成的低频、高频子序列分别为xl(i)和xh(i);然后在i+1层次,小波分解部分中使用低通滤波器l={l1,...lk,...lK}和高通滤波器h={h1,...hk,...hK},使用公式来卷积上层的低频子序列:
其中,为第i层低频子序列的第n个元素;假设Xl(0)为输入序列集合,则第i层的低频和高频子序列Xl(i)和Xh(i),第i层的低频和高频子序列Xl(i)和Xh(i)是通过中间变量序列1/2向下采样生成的,其表达式如下:
子序列集合X(i)={Xh(1),Xh(2),...Xh(i),Xl(i)}成为X的第i级分解结果,通过X(i)完全重构X;从Xh(i)到Xl(i)的频率是高到低;不同的层次,有不同的时间和频率分辨率,随着i的增加,频率分辨率增加,时间分辨率降低,特别是低频子序列,由于X中频率不同的子序列与原始序列X保持相同的顺序信息,因此将小波分解部分是为时频分解;
使用以下两个函数分层分解时间序列函数如下:
al(i)=σ(Wl(i)Xl(i-1))+bl(i)) (9)
ah(i)=σ(Wh(i)Xh(i-1))+bh(i)) (10)
其中,σ(·)是一个激活函数,bl(i)和bh(i)是可训练的偏差向量,初始化时将其设置为接近零的随机值,Xl和Xh也表示在第i层生成的X的低频和高频子序列,Xl和Xh是通过中间变量al(i)和ah(i)使用得到的,分小波分解中低通和高通滤波器一般采用db4中的参数,如下式:
l={-0.0106,0.0329,0.0308,-0.187,-0.028,0.6309,0.7148,0.2304} (11)
h={-0.2304,0.7148,-0.6309,0.028,0.187,0.0308,-0.0329,-0.0106} (12)
接下来训练LSTM模型,其中,采用基于APSO的LSTM模型,定义适应度函数为:
进一步的,在上述方法中,训练LSTM模型,包括:
(1)确定LSTM算法中的输入层节点数和输出层节点数,APSO算法中的种群规模、粒子位置、粒子速度的取值区间;
(2)随机生成粒子种群M(n,ε,iter),其中n代表隐藏层神经元的节点数,ε代表LSTM的学习率,iter代表LSTM的迭代数;
(4)确定适应度函数,通过计算对比每个粒子的适应度值来选取最有粒子适应度值,可以根据下面两个式子的个体极值和全局极值来更新新的粒子自身的速度和位置:
ω=ωmax,f>favg,其中,ωmax、ωmin分别为ω的最大最小值;f为粒子当前的适应度值;fmin、favg分别表示当前所有粒子适应度的最小值和适应度的平均度值;
达到模型选取的最大迭代次数和模型精度后,输出最优粒子种群位置,将得到的参数赋值给LSTM的网络超参数。
与现有技术相比,本发明所要解决的是LSTM未能发掘时间序列在其频域里的隐含信息而提供基于小波分解和LSTM的频谱感知方法,本发明优化了更新权重的方法,在一定程度上提高模型的拟合能力和模型训练的效果。
本发明通过对服务拥塞率(SCR)序列进行预测建模,可以有助于认知用户更好的分析授权用户群的频谱使用情况,得到其活跃度的趋势性、周期性的波动性规律,以此来预测将来的活跃度,为认知用户的频谱接入策略选择提供帮助。
附图说明
图1是本发明一实施例的基于小波分解频谱感知方法的流程示意图;
图2是本发明一实施例的WD-LSTM模型网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种基于小波分解的频谱感知方法,包括:
步骤1.获取SCR序列,通过SCR序列得到训练集Dtrain和测试集Dtest;
我们需要统计信道占用状态(CS)、服务(service)和服务拥塞率(SCR)。有如下两个公式:
CS(t,f)=ε,ε={0,1} (1),
SCR(t,S)=∑c∈SCS(t,c)/n (2),
其中,t代表的时间点,f代表某一频率,“0”代表空闲,“1”代表占用,n代表该服务中的总信道数量,SCR序列的值在0和1之间,用来度量某一服务的拥塞程度,对于SCR序列获取采用M/D/C的频谱占用模型,其中,规定M代表频谱接入次数,参数D代表用户占用频段的时间长短,参数C为总的通信数量。假设顾客的到达过程是一个参数为λ的泊松分布{H(t)},服务时间是一个非负的一般随机变量B,其概率分布函数B(.)表示,均值为EB=μ/1,M表示PU的到达间隔服从泊松分布,G表示PU占用信道的时间服从几何分布,1表示单信道,泊松分布和几何分布的表达式分别为:
p(X=m)=(1-p)m-1p (4),SCR序列是一个一维的时间序列记为X={x1,...,xt,...xT}。
步骤2.根据训练集Dtrain,利用序列滑动窗口的大小对SCR序列进行处理,得到处理后的序列,将其作为网络的输入序列,设序列滑动窗口的大小为L,
步骤3.通过二层小波分解成三个序列,并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型;
多层次离散小波分解是一种基于小波变换的离散信号分析方法,它将时间序列分解为低频和高频子序列,从而提取时间序列中隐藏的多变时频特征。输入时间序列表示为X={x1,...xt,..x.T,第i级生成的低频、高频子序列分别为xl(i)和xh(i);然后在i+1层次,小波分解部分中使用低通滤波器l={l1,...lk,...lK}和高通滤波器h={h1,...hk,...hK},使用公式来卷积上层的低频子序列:
其中,为第i层低频子序列的第n个元素;假设Xl(0)为输入序列集合,则第i层的低频和高频子序列Xl(i)和Xh(i),第i层的低频和高频子序列Xl(i)和Xh(i)是通过中间变量序列1/2向下采样生成的,其表达式如下:
子序列集合X(i)={Xh(1),Xh(2),...Xh(i),Xl(i)}成为X的第i级分解结果,通过X(i)完全重构X;从Xh(i)到Xl(i)的频率是高到低;不同的层次,有不同的时间和频率分辨率,随着i的增加,频率分辨率增加,时间分辨率降低,特别是低频子序列,由于X中频率不同的子序列与原始序列X保持相同的顺序信息,因此将小波分解部分是为时频分解。
在本小波分解部分的结构图如图2所示。使用以下两个函数分层分解时间序列函数如下:
al(i)=σ(Wl(i)Xl(i-1))+bl(i)) (9)
ah(i)=σ(Wh(i)Xh(i-1))+bh(i)) (10)
其中,σ()是一个激活函数,bl(i)和bh(i)是可训练的偏差向量,初始化时将其设置为接近零的随机值。Xl和Xh也表示在第i层生成的X的低频和高频子序列,他们是通过中间变量al(i)和ah(i)使用得到的,分小波分解中低通和高通滤波器一般采用db4中的参数,如下式:
l={-0.0106,0.0329,0.0308,-0.187,-0.028,0.6309,0.7148,0.2304} (11)
h={-0.2304,0.7148,-0.6309,0.028,0.187,0.0308,-0.0329,-0.0106} (12)
接下来训练LSTM模型,其中,采用基于APSO的LSTM模型,定义适应度函数为:
其中,LSTM模型的训练流程如下:
(1)确定LSTM算法中的输入层节点数和输出层节点数,APSO算法中的种群规模、粒子位置、粒子速度的取值区间;
(2)随机生成粒子种群M(n,ε,iter),其中n代表隐藏层神经元的节点数,ε代表LSTM的学习率,iter代表LSTM的迭代数;
(4)确定适应度函数,通过计算对比每个粒子的适应度值来选取最有粒子适应度值,可以根据下面两个式子的个体极值和全局极值来更新新的粒子自身的速度和位置:
ω=ωmax,f>favg (15)
其中,ωmax、ωmin分别为ω的最大最小值;f为粒子当前的适应度值;fmin、favg分别表示当前所有粒子适应度的最小值和适应度的平均度值;
(5)达到模型选取的最大迭代次数和模型精度后,输出最优粒子种群位置,将得到的参数赋值给LSTM的网络超参数。
步骤4.将三个LSTM网络的输出连接到一个全连接层的回归分析网络中,最后输出预测值。在测试阶段,根据网络中最后的输出向量,将输出向量的最后一个值的输入向量除去第一个值之后的所有值再次组成一个向量作为输出,以此类推,最后得到预测序列,再根据预测序列和真实值计算出APSO-LSTM模型的均方根误差(RMSE),计算公式如下:
通过计算RMSE值可以衡量预测精度。
具体的,长短时记忆网络(LSTM)属于时域方法的范畴,未能发掘时间序列在其频域里的隐含信息,小波分解可以解决这个问题,可以充分捕捉到时间序列中的频率信息,提高预测精度。本发明选取自适应粒子群算法(APSO)作为粒子群算法(PSO)的改进,对LSTM神经网络中的隐藏层神经节点数、迭代次数和学习率进行网络参数优化,在一定程度上提高模型的拟合能力和模型训练的效果。
本发明所要解决的是LSTM未能发掘时间序列在其频域里的隐含信息而提供基于小波分解和LSTM的频谱感知方法,本发明优化了更新权重的方法,在一定程度上提高模型的拟合能力和模型训练的效果。
本发明通过对服务拥塞率(SCR)序列进行预测建模,可以有助于认知用户更好的分析授权用户群的频谱使用情况,得到其活跃度的趋势性、周期性的波动性规律,以此来预测将来的活跃度,为认知用户的频谱接入策略选择提供帮助。
本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。
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发明的范围。显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (4)
1.一种基于小波分解的频谱感知方法,其特征在于,包括:
步骤1.获取SCR序列,通过SCR序列得到训练集Dtrain和测试集Dtest;
步骤2.根据训练集Dtrain,利用序列滑动窗口的大小对SCR序列进行处理,得到处理后的序列,将其作为网络的输入序列,设序列滑动窗口的大小为L;
步骤3.通过二层小波分解成三个序列,并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型;
步骤4.将三个LSTM网络的输出连接到一个全连接层的回归分析网络中,最后输出预测值。在测试阶段,根据网络中最后的输出向量,将输出向量的最后一个值的输入向量除去第一个值之后的所有值再次组成一个向量作为输出,以此类推,最后得到预测序列,再根据预测序列和真实值计算出APSO-LSTM模型的均方根误差,计算公式如下:
2.如权利要求1所述的基于小波分解的频谱感知方法,其特征在于,步骤1.获取SCR序列,包括:
统计信道占用状态、服务和服务拥塞率,有如下两个公式:
CS(t,f)=ε,ε={0,1},
SCR(t,S)=∑c∈SCS(t,c)/n,
其中,t代表的时间点,f代表某一频率,“0”代表空闲,“1”代表占用,n代表该服务中的总信道数量,SCR序列的值在0和1之间,用来度量某一服务的拥塞程度,对于SCR序列获取采用M/D/C的频谱占用模型,其中,规定M代表频谱接入次数,参数D代表用户占用频段的时间长短,参数C为总的通信数量。假设顾客的到达过程是一个参数为λ的泊松分布{H(t)},服务时间是一个非负的一般随机变量B,其概率分布函数B(.)表示,均值为EB=μ/1,M表示PU的到达间隔服从泊松分布,G表示PU占用信道的时间服从几何分布,1表示单信道,泊松分布和几何分布的表达式分别为:
p(X=m)=(1-p)m-1p,
SCR序列是一个一维的时间序列记为X={x1,...,xt,...xT}。
3.如权利要求1所述的基于小波分解的频谱感知方法,其特征在于,步骤3.通过二层小波分解成三个序列,并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型,包括:
多层次离散小波分解是一种基于小波变换的离散信号分析方法,它将时间序列分解为低频和高频子序列,从而提取时间序列中隐藏的多变时频特征,输入时间序列表示为X={x1,...xt,...xT},第i级生成的低频、高频子序列分别为xl(i)和xh(i);然后在i+1层次,小波分解部分中使用低通滤波器l={l1,...lk,...lK}和高通滤波器h={h1,...hk,...hK},使用公式来卷积上层的低频子序列:
其中,为第i层低频子序列的第n个元素;假设Xl(0)为输入序列集合,则第i层的低频和高频子序列Xl(i)和Xh(i),第i层的低频和高频子序列Xl(i)和Xh(i)是通过中间变量序列1/2向下采样生成的,其表达式如下:
子序列集合X(i)={Xh(1),Xh(2),...Xh(i),Xl(i)}成为X的第i级分解结果,通过X(i)完全重构X;从Xh(i)到Xl(i)的频率是高到低;不同的层次,有不同的时间和频率分辨率,随着i的增加,频率分辨率增加,时间分辨率降低,特别是低频子序列,由于X中频率不同的子序列与原始序列X保持相同的顺序信息,因此将小波分解部分是为时频分解;
使用以下两个函数分层分解时间序列函数如下:
al(i)=σ(Wl(i)Xl(i-1))+bl(i)),
ah(i)=σ(Wh(i)Xh(i-1))+bh(i)),
其中,σ(·)是一个激活函数,bl(i)和bh(i)是可训练的偏差向量,初始化时将其设置为接近零的随机值,Xl和Xh也表示在第i层生成的X的低频和高频子序列,Xl和Xh是通过中间变量al(i)和ah(i)使用得到的,分小波分解中低通和高通滤波器采用db4中的参数,如下式:
l={-0.0106,0.0329,0.0308,-0.187,-0.028,0.6309,0.7148,0.2304},
h={-0.2304,0.7148,-0.6309,0.028,0.187,0.0308,-0.0329,-0.0106},
接下来训练LSTM模型,其中,采用基于APSO的LSTM模型,定义适应度函数为:
4.如权利要求3所述的基于小波分解的频谱感知方法,其特征在于,训练LSTM模型,包括:
(1)确定LSTM算法中的输入层节点数和输出层节点数,APSO算法中的种群规模、粒子位置、粒子速度的取值区间;
(2)随机生成粒子种群M(n,ε,iter),其中n代表隐藏层神经元的节点数,ε代表LSTM的学习率,iter代表LSTM的迭代数;
(4)确定适应度函数,通过计算对比每个粒子的适应度值来选取最有粒子适应度值,可以根据下面两个式子的个体极值和全局极值来更新新的粒子自身的速度和位置:
ω=ωmax,f>favg,
其中,ωmax、ωmin分别为ω的最大最小值;f为粒子当前的适应度值;fmin、favg分别表示当前所有粒子适应度的最小值和适应度的平均度值;
(5)达到模型选取的最大迭代次数和模型精度后,输出最优粒子种群位置,将得到的参数赋值给LSTM的网络超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222546.3A CN112311488A (zh) | 2020-11-05 | 2020-11-05 | 基于小波分解的频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222546.3A CN112311488A (zh) | 2020-11-05 | 2020-11-05 | 基于小波分解的频谱感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112311488A true CN112311488A (zh) | 2021-02-02 |
Family
ID=74325070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011222546.3A Pending CN112311488A (zh) | 2020-11-05 | 2020-11-05 | 基于小波分解的频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112311488A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113849374A (zh) * | 2021-09-28 | 2021-12-28 | 平安科技(深圳)有限公司 | 中央处理器占用率预测方法、系统、电子设备及存储介质 |
CN114124260A (zh) * | 2022-01-11 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
CN115276853A (zh) * | 2022-06-16 | 2022-11-01 | 宁波大学 | 一种基于cnn-cbam的频谱感知方法 |
CN115290053A (zh) * | 2022-10-09 | 2022-11-04 | 南通钰昇智能科技有限公司 | 一种高层建筑施工建设异常快速检测方法 |
CN117119465A (zh) * | 2023-10-20 | 2023-11-24 | 电子科技大学 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490793A (zh) * | 2018-10-11 | 2019-03-19 | 西安电子科技大学 | 一种基于小波分解和lstm的x射线高压电源故障预测方法 |
EP3543917A1 (en) * | 2018-03-19 | 2019-09-25 | SRI International Inc. | Dynamic adaptation of deep neural networks |
CN111310902A (zh) * | 2020-02-24 | 2020-06-19 | 石家庄铁道大学 | 神经网络模型的训练方法、边坡位移预测方法及相关装置 |
-
2020
- 2020-11-05 CN CN202011222546.3A patent/CN112311488A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3543917A1 (en) * | 2018-03-19 | 2019-09-25 | SRI International Inc. | Dynamic adaptation of deep neural networks |
CN109490793A (zh) * | 2018-10-11 | 2019-03-19 | 西安电子科技大学 | 一种基于小波分解和lstm的x射线高压电源故障预测方法 |
CN111310902A (zh) * | 2020-02-24 | 2020-06-19 | 石家庄铁道大学 | 神经网络模型的训练方法、边坡位移预测方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
罗欢等: "认知无线网络中频谱预测技术研究进展", 《应用技术学报》 * |
许达: "基于频谱数据的时频域预测算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113849374A (zh) * | 2021-09-28 | 2021-12-28 | 平安科技(深圳)有限公司 | 中央处理器占用率预测方法、系统、电子设备及存储介质 |
CN113849374B (zh) * | 2021-09-28 | 2023-06-20 | 平安科技(深圳)有限公司 | 中央处理器占用率预测方法、系统、电子设备及存储介质 |
CN114124260A (zh) * | 2022-01-11 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
CN114124260B (zh) * | 2022-01-11 | 2023-12-12 | 中国人民解放军国防科技大学 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
CN115276853A (zh) * | 2022-06-16 | 2022-11-01 | 宁波大学 | 一种基于cnn-cbam的频谱感知方法 |
CN115276853B (zh) * | 2022-06-16 | 2023-10-03 | 宁波大学 | 一种基于cnn-cbam的频谱感知方法 |
CN115290053A (zh) * | 2022-10-09 | 2022-11-04 | 南通钰昇智能科技有限公司 | 一种高层建筑施工建设异常快速检测方法 |
CN117119465A (zh) * | 2023-10-20 | 2023-11-24 | 电子科技大学 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
CN117119465B (zh) * | 2023-10-20 | 2023-12-22 | 电子科技大学 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112311488A (zh) | 基于小波分解的频谱感知方法 | |
CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112468326B (zh) | 基于时间卷积神经网络的访问流量预测方法 | |
KR20210011361A (ko) | 시불변 분류 | |
JP2001502831A (ja) | 測定可能な時系列の統計的依存性の分類方法 | |
CN111371626B (zh) | 一种基于神经网络的带宽预测方法 | |
CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN112258262A (zh) | 一种基于卷积自注意力网络的会话推荐方法 | |
Kao et al. | Anomaly detection for univariate time series with statistics and deep learning | |
JP2024519657A (ja) | 精度が向上し、計算リソースの消費が減少した拡散モデル | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN115015719A (zh) | 一种基于光纤超声传感信号的套管局部放电识别算法 | |
Zhou et al. | Functional networks and applications: A survey | |
Feng et al. | Spatiotemporal prediction based on feature classification for multivariate floating-point time series lossy compression | |
Alves et al. | An extension of nonstationary fuzzy sets to heteroskedastic fuzzy time series. | |
CN111144424A (zh) | 一种基于聚类算法的人员特征检分析方法 | |
CN116933119A (zh) | 一种基于卷积神经网络的信号数据去除趋势方法 | |
CN115389743A (zh) | 一种变压器油中溶解气体含量区间预测方法、介质及系统 | |
CN115033893A (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
CN111160419A (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
Vrba | Adaptive novelty detection with generalized extreme value distribution |
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: 20210202 |
|
RJ01 | Rejection of invention patent application after publication |