CN112688746B - 一种基于时空数据的频谱预测方法 - Google Patents
一种基于时空数据的频谱预测方法 Download PDFInfo
- Publication number
- CN112688746B CN112688746B CN202011468034.5A CN202011468034A CN112688746B CN 112688746 B CN112688746 B CN 112688746B CN 202011468034 A CN202011468034 A CN 202011468034A CN 112688746 B CN112688746 B CN 112688746B
- Authority
- CN
- China
- Prior art keywords
- data
- spectrum
- modeling
- spectral
- frequency spectrum
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空数据的频谱预测方法,方法包括:获取真实频谱数据矩阵;对所述真实频谱数据矩阵进行预处理,得到待测数据;通过空间性建模和时间性建模,搭建谱图卷积递归神经网络;将所述待测数据输入所述谱图卷积递归神经网络,得到预测结果;根据频谱熵和所述预测结果,确定待接入信道。本发明能够快速分析高精度大规模频谱历史数据,根据频谱信息时间上和空间上的相关性建模,实现对未来频谱的预测,可广泛应用于无线电技术领域。
Description
技术领域
本发明涉及无线电技术领域,尤其是一种基于时空数据的频谱预测方法。
背景技术
随着移动宽带服务日益增长的需求,无线电频谱资源日益短缺。认知无线电技术是解决频谱资源与频谱利用矛盾的有效途径,其核心思想是认知无线电的闲置资源可以在不影响授权用户的情况下被认知用户使用,使频谱资源分配从静态变为动态,性能从低效变为高效。认知无线电需要充分了解频谱特性,更加充分有效地利用频谱资源,其中最为关键的就是频谱预测技术。
先前关于频谱预测的技术,按照方法主要分为基于回归分析,基于马尔可夫和基于机器学习三大类。
基回归分析的技术,主要包括移动平均预测模型和自回归(AR)预测模型。但是,这类方法大多是一步预测,而且在回归模型中更新系数的高复杂度问题没有被解决。
基于马尔可夫的预测方法有则有着更多的发展。但是该方法是基于信道占用时间和空闲时间服从指数分布的假设,即信道先验知识是完全已知的,但真实环境往往是部分已知或完全未知的,这限制了隐马尔可夫预测方法的应用范围。
基于机器学习的预测方法主要分为支持向量机和神经网络。知识向量机在处理大规模数据集时,学习速度和预测精度明显下降,模型参数不好选择。而之前基于机器学习的认知无线电网络预测技术的研究往往仅仅考虑在空域或时域上的相关性,即固定地点在一定时间内预测未来的频谱状态,或者未考虑时间,在固定空间由已知点的频谱数据预测未知点的频谱数据,而忽略了分析跨越空间和时间域的相关性。
从实际测量的频谱数据之间不难发现,数据在时域、频域、空域和能量域等多个维度上密切相关。为了能够从多个维度建立频谱数据模型,分析、挖掘和利用数据之间的潜在相关性,需要在频率、空间和时间域中获得精确的频谱数据。采集这样一组不同维度的频谱测量数据会产生巨大的数据量。并且,传统的数据挖掘方法难以处理这么大的数据量。
发明内容
有鉴于此,本发明实施例提供一种基于时空数据的频谱预测方法。
本发明实施例提供了一种基于时空数据的频谱预测方法,包括:
获取真实频谱数据矩阵;
对所述真实频谱数据矩阵进行预处理,得到待测数据;
通过空间性建模和时间性建模,搭建谱图卷积递归神经网络;
将所述待测数据输入所述谱图卷积递归神经网络,得到预测结果;
根据频谱熵和所述预测结果,确定待接入信道。
优选地,所述获取真实频谱数据矩阵,包括:
根据预设的扫描频率和扫描次数,通过频谱分析仪获取真实频谱数据矩阵。
优选地,所述对所述真实频谱数据矩阵进行预处理,得到待测数据,包括:
对所述真实频谱数据矩阵进行截断奇异值分解,得到待压缩数据;
对所述待压缩数据进行压缩处理,得到压缩数据;
根据所述真实频谱数据中的测量点构建拓扑图,并将所述压缩数据处理为时间序列。
优选地,所述通过空间性建模和时间性建模,搭建谱图卷积递归神经网络,包括:
利用谱图卷积对频谱数据的空间性建模;
以及,
利用门控递归循环单元对频谱数据的时间性建模。
优选地,所述利用谱图卷积对频谱数据的空间性建模,包括:
在图信号和滤波器上进行谱图卷积运算,得到谱图卷积层;
将所述谱图卷积层上的多维特征映射到多维输出;
所述利用门控递归循环单元对频谱数据的时间性建模,包括:
通过谱图卷积代替所述门控递归循环单元中的矩阵惩罚,得到谱图卷积门控递归单元;
根据所述谱图卷积门控递归单元,获取时间性建模的输出结果。
优选地,所述根据频谱熵和所述预测结果,确定待接入信道,包括:
将所述预测结果解压到原始数据空间,得到功率谱密度;
获取历史频谱数据;
根据所述历史频谱数据和所述功率谱密度,计算频谱熵;
从未来信道利用率最低的信道中选择频谱熵,确定待接入信道。
优选地,所述根据所述历史频谱数据和所述功率谱密度,计算频谱熵中,所述频谱熵的计算公式为:
其中,hi代表第i个信道的频谱熵;nk代表采样点处于第k个量化子区间的数量;N代采样点的总数;k代表第k个量化子区间。
本发明的实施例获取真实频谱数据矩阵;对所述真实频谱数据矩阵进行预处理,得到待测数据;通过空间性建模和时间性建模,搭建谱图卷积递归神经网络;将所述待测数据输入所述谱图卷积递归神经网络,得到预测结果;根据频谱熵和所述预测结果,确定待接入信道。本发明能够快速分析高精度大规模频谱历史数据,根据频谱信息时间上和空间上的相关性建模,实现对未来频谱的预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例的步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,首先,需要对大面积的频谱测量记录一个非常宽的波段,具有高分辨率,并记录了时间戳信息和地理位置信息,涵盖了时间和空间变化。然后为了实现快速分析,需要对收集到的频谱数据做预处理。将收集频谱数据按波段每100Mh处理为真实数据矩阵Dm×n,并用截断奇异值分解作降维处理。真实数据矩阵Dm×n经过奇异值分解后,通过逐一检验校正,排除掉不包含有用频谱信息的主成分,确定最终保留的维数k0(k0<<m),得到包含频谱使用的信息右奇异值矩阵然后通过计算真实数据矩阵Dm×n在每个主成分上的投影得到压缩数据然后,在压缩数据上执行预测算法,可以快速计算。紧接着,将压缩数据按照时序处理为时间序列,并将一个个测量点建模为拓扑图上的点,边的权重为测量点之间的距离,并引入谱图卷积递归神经网络,这是一种融合频谱信息中空间和时间相关性的深度学习框架。谱图卷积递归神经网络能够捕捉拓扑图上的空间依赖性,而时间依赖则使用具有计划采样的编解码器体系结构,实现对频谱的多步时空预测。通过频谱预测结果判断未来的信道占用情况,结合该点的历史各个信道的频谱熵,可以更加准确地辅助认知用户选择合适信道。本发明实施例提供了一种基于时空数据的频谱预测方法,如图1所示,包括:
获取真实频谱数据矩阵;
对所述真实频谱数据矩阵进行预处理,得到待测数据;
通过空间性建模和时间性建模,搭建谱图卷积递归神经网络;
将所述待测数据输入所述谱图卷积递归神经网络,得到预测结果;
根据频谱熵和所述预测结果,确定待接入信道。
优选地,所述获取真实频谱数据矩阵,包括:
根据预设的扫描频率和扫描次数,通过频谱分析仪获取真实频谱数据矩阵。
优选地,所述对所述真实频谱数据矩阵进行预处理,得到待测数据,包括:
对所述真实频谱数据矩阵进行截断奇异值分解,得到待压缩数据;
对所述待压缩数据进行压缩处理,得到压缩数据;
根据所述真实频谱数据中的测量点构建拓扑图,并将所述压缩数据处理为时间序列。
优选地,所述通过空间性建模和时间性建模,搭建谱图卷积递归神经网络,包括:
利用谱图卷积对频谱数据的空间性建模;
以及,
利用门控递归循环单元对频谱数据的时间性建模。
优选地,所述利用谱图卷积对频谱数据的空间性建模,包括:
在图信号和滤波器上进行谱图卷积运算,得到谱图卷积层;
将所述谱图卷积层上的多维特征映射到多维输出;
所述利用门控递归循环单元对频谱数据的时间性建模,包括:
通过谱图卷积代替所述门控递归循环单元中的矩阵惩罚,得到谱图卷积门控递归单元;
根据所述谱图卷积门控递归单元,获取时间性建模的输出结果。
优选地,所述根据频谱熵和所述预测结果,确定待接入信道,包括:
将所述预测结果解压到原始数据空间,得到功率谱密度;
获取历史频谱数据;
根据所述历史频谱数据和所述功率谱密度,计算频谱熵;
从未来信道利用率最低的信道中选择频谱熵,确定待接入信道。
优选地,所述根据所述历史频谱数据和所述功率谱密度,计算频谱熵中,所述频谱熵的计算公式为:
其中,hi代表第i个信道的频谱熵;nk代表采样点处于第k个量化子区间的数量;N代表采样点的总数;k代表第k个量化子区间。
下面结合说明书附图,对本发明的具体实现过程进行详细描述:
设在一个几十平方区域部署N台带有含全球定位系统(北斗或者GPS)模块的频谱分析仪作为数据的收集设备。选用ESMD频谱分析仪每100M赫兹分辨率为26215,每5分钟扫描一次300Mhz-4Ghz频段,共分为37个100M赫兹频带。数据收集时长为10个月,所有时长每100M赫兹共扫描次数为60k次,将扫描频段每100M赫兹整合为真实频谱数据矩阵Dm×n。
第一步,对Dm×n作截断奇异值分解并压缩数据。
本步骤为对真实频谱数据的功率谱密度部分作数据预处理,但需要完整保留每次扫描的时间戳和地理位置信息。
将每个100MHz波段的PSD数据,处理为具有m行和n列的矩阵Dm×n,其中m是测量数量,n是100Mhz中频率采样点的数量。
将Dm×n作保留k维的截断奇异值分解公式如下:
Dm×n≈Um×k·Sk×k·(Vn×k)T
其中,Vn×k=[v1,v2,v3,...,vk]最优右奇异向量,包含关于频谱使用的有用信息。这k列向量称为Dm×n前k个主成分。
其中,通过逐一校验校正,得到最佳保留维数。通过对数数据的分析,发现数据的绝大部分有用信息在1000维以下,从1000维从大到小开始,逐一计算每一主成分与高斯分布的夏皮罗-威尔克校验可信度,直到找到一个k0使得其为高斯分布的可信度低于阈值0.99,确定保留的维数为700。
在频域奇异值分解后,取每100Mhz的最大最优维数700。对所有每个100MHz频段作截断奇异值分解并得到主成分矩阵然后通过计算在Dm×n每个主成分上的投影来压缩数据集并减小数据维数,得到压缩数据至此,将所有的数据降为k0维,公式如下:
第二步,输入谱图卷积递归神经网络前的数据预处理。
本步骤根据保留的地理位置信息和时间信息,分别将测量点建成拓扑图和将压缩数据处理为时间序列。
将测量点组成的网络表示为加权拓扑图G=(v,ε,w),其中v是测量节点集合,|v|=N,ε是一组边,W∈RN×N是表示节点邻近性的加权邻接矩阵,边的权重由数据中的经纬度信息根据半正矢公式测算距离,如下:
设X(t)表示在时间t处观察到的图形信号,频谱预测问题旨在学习一个h(·)函数,给定一个图G,函数h(·)将历史拓扑图信号映射到未来的拓扑图信号,
第三步,谱图卷积递归神经网络搭建及训练。
本步骤主要为利用谱图卷积对频谱数据的空间性建模,和利用门控递归循环单元对频谱数据的时间性建模。以扩散卷积门控循环单元搭建序列到序列体系结构,实现多步预测。
其中,谱图卷积利用归一化图拉普拉斯的概念有参数fθ为Λ的K阶多项式,并利用稳定的切比雪夫多项式基计算。归一化处理,用表示将特征值从[0,λmax]映射到[-1,1],其中λmax表示为特征值矩阵L最大的特征值。为关于的K阶多项式,为归一化后的待训练参数,X:,p为图信号.
利用上式子中定义的卷积运算,我们可以建立一个谱图卷积层,将k0维特征映射到Q维输出,如下式,
然后,使用递归神经网络(RNNs)来捕捉时间依赖性。这里使用门控递归单元(GRU),这是RNNs的一个简单而强大的变体。用谱图卷积代替GRU中的矩阵乘法形成谱图卷积门控递归单元(GCGRU),其公式如下,
其中,其中X(t)、H(t)分别表示时间t的输入和输出,r(t)、u(t)分别是时间t的复位门和更新门。表示上述定义的谱图卷积,Θu,ΘC是相应滤波器的参数。用GCGRU来建立递归神经网络层,并通过时间反向传播进行训练。为了实现多步预测中,基于GCGRU搭建序列到序列体系结构,编码器和解码器都包含两个递归层,每个循环层有64个单位。
在训练过程中,将历史时间一个小时序列输入编码器,并使用其最终状态初始化解码器,得到未来一个小时的频谱预测,反复训练。初始学习速率为1e-2,从第20个epoch开始,每10个epoch减少整个网络是通过最大限度地利用时间反向传播生成目标未来时间序列的来训练。在测试时,输入的标签被编码器本身产生的预测所取代。在收集到的数据集中,将频谱数据的70%用于培训,20%用于测试,其余10%用于验证。训练和测试的输入分布之间的差异会导致性能下降。为了缓解这一问题,将计划抽样集成到模型中,通过将输入解码器的真实标签概率逐渐减少到0,以允许模型学习测试分布。
第四步,利用谱图卷积递归神经网络得到预测结果,并引入频谱熵辅助认知用户选择信道。
本步骤通过网络预测得到的未来一个小时预测结果向量,将估计的投影解压回原始数据空间得到未来一个小时测量点处高精度的功率谱密度,并且结合过去24小时历史频谱数据,通过计算每小时的信道利用率,进一步计算得到衡量各个信道稳定的频谱熵(在不同的频段,对信道的划分不同),结合未来的信道状态,辅助认知用户更好选择接入信道。
通过由历史和预测得到的未来功率谱密度与功率阈值(-100dbm)进行比较,计算信道的利用率。并且结合给定信道历史利用率{ui(1),ui(2),…,ui(N)},可以根据以下公式计算频谱熵信道衡量信道的稳定性:
最后在未来信道利用率最低的信道中选择频谱熵最低的,选择最稳定的信道。
综上所述,本发明首先对原始频谱数据采用了特别设计的截断式奇异值分解,能够有效地保留原始数据特征的同时,降低数据的维数,使得后续在压缩空间进行运算,使得对数据的快速分析成为可能。其次,本发明提出了对时空数据类型的频谱信息的建模方式,使用调试的深度学习框架,有效提取频谱数据时间上和空间上的相关性,区别于以往的频谱预测仅仅依赖时间或空间上的相关性进行预测,并且预测的精度更高,结合频谱熵有利于认知用户选择更合适的信道接入。第三,本发明频谱数据对应的地域较广,对频谱数据的预测和收集有利于当地的无线电管理局查明哪些频带在大面积长期无活跃信号,并可以考虑为二次用户开放频带,提高频谱利用率。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于时空数据的频谱预测方法,其特征在于,包括:
获取真实频谱数据矩阵;
对所述真实频谱数据矩阵进行截断奇异值分解,得到待压缩数据;
其中,Dm×n代表真实频谱数据矩阵;Vnxk0 代表最优右奇异向量;m代表测量数量;n代表频率采样点的数量;k0代表压缩后保留维数;
根据所述真实频谱数据中的测量点构建拓扑图,并将所述压缩数据处理为时间序列,所述拓扑图和所述时间序列为待测数据;
通过空间性建模和时间性建模,搭建谱图卷积递归神经网络;
将所述待测数据输入所述谱图卷积递归神经网络,得到预测结果;
根据频谱熵和所述预测结果,确定待接入信道。
2.根据权利要求1所述的一种基于时空数据的频谱预测方法,其特征在于,所述获取真实频谱数据矩阵,包括:
根据预设的扫描频率和扫描次数,通过频谱分析仪获取真实频谱数据矩阵。
3.根据权利要求1所述的一种基于时空数据的频谱预测方法,其特征在于,所述通过空间性建模和时间性建模,搭建谱图卷积递归神经网络,包括:
利用谱图卷积对频谱数据的空间性建模;
以及,
利用门控递归循环单元对频谱数据的时间性建模。
4.根据权利要求3所述的一种基于时空数据的频谱预测方法,其特征在于,所述利用谱图卷积对频谱数据的空间性建模,包括:
在图信号和滤波器上进行谱图卷积运算,得到谱图卷积层;
将所述谱图卷积层上的多维特征映射到多维输出;
所述利用门控递归循环单元对频谱数据的时间性建模,包括:
通过谱图卷积代替所述门控递归循环单元中的矩阵惩罚,得到谱图卷积门控递归单元;
根据所述谱图卷积门控递归单元,获取时间性建模的输出结果。
5.根据权利要求1所述的一种基于时空数据的频谱预测方法,其特征在于,所述根据频谱熵和所述预测结果,确定待接入信道,包括:
将所述预测结果解压到原始数据空间,得到功率谱密度;
获取历史频谱数据;
根据所述历史频谱数据和所述功率谱密度,计算频谱熵;
从未来信道利用率最低的信道中选择频谱熵,确定待接入信道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468034.5A CN112688746B (zh) | 2020-12-14 | 2020-12-14 | 一种基于时空数据的频谱预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468034.5A CN112688746B (zh) | 2020-12-14 | 2020-12-14 | 一种基于时空数据的频谱预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112688746A CN112688746A (zh) | 2021-04-20 |
CN112688746B true CN112688746B (zh) | 2021-11-30 |
Family
ID=75447623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011468034.5A Active CN112688746B (zh) | 2020-12-14 | 2020-12-14 | 一种基于时空数据的频谱预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112688746B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852970B (zh) * | 2021-09-30 | 2022-07-26 | 中山大学 | 基于图神经网络的多维频谱预测方法、系统、装置及介质 |
CN114826459B (zh) * | 2022-03-08 | 2023-02-03 | 南京航空航天大学 | 基于跨域推理的频谱地图精确构建方法 |
CN116527177B (zh) * | 2023-04-28 | 2024-03-12 | 哈尔滨工程大学 | 一种基于相关性分析和图卷积网络的三维频谱预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109245840A (zh) * | 2018-10-15 | 2019-01-18 | 哈尔滨工业大学 | 认知无线电系统中基于卷积神经网络的频谱预测方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111179971A (zh) * | 2019-12-03 | 2020-05-19 | 杭州网易云音乐科技有限公司 | 无损音频检测方法、装置、电子设备及存储介质 |
CN111223301A (zh) * | 2020-03-11 | 2020-06-02 | 北京理工大学 | 一种基于图注意力卷积网络的交通流量预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006124B (zh) * | 2009-08-28 | 2014-05-07 | 华为技术有限公司 | 频谱预测方法、装置和系统 |
CN108009632A (zh) * | 2017-12-14 | 2018-05-08 | 清华大学 | 对抗式时空大数据预测方法 |
-
2020
- 2020-12-14 CN CN202011468034.5A patent/CN112688746B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109245840A (zh) * | 2018-10-15 | 2019-01-18 | 哈尔滨工业大学 | 认知无线电系统中基于卷积神经网络的频谱预测方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111179971A (zh) * | 2019-12-03 | 2020-05-19 | 杭州网易云音乐科技有限公司 | 无损音频检测方法、装置、电子设备及存储介质 |
CN111223301A (zh) * | 2020-03-11 | 2020-06-02 | 北京理工大学 | 一种基于图注意力卷积网络的交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
Spectrum Entropy Prediction Assisted Channel Selection for Secondary Users;Jie Chang等;《IEEE Network》;20190422;第33卷(第3期);190-195页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112688746A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112688746B (zh) | 一种基于时空数据的频谱预测方法 | |
CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN113065283A (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
CN113962314A (zh) | 一种基于联邦学习的非侵入式企业负荷分解方法 | |
CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
He et al. | Random forests based path loss prediction in mobile communication systems | |
CN113112090A (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
Gao et al. | A storm-time ionospheric TEC model with multichannel features by the spatiotemporal ConvLSTM network | |
CN114977176A (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
Wess et al. | Annette: Accurate neural network execution time estimation with stacked models | |
CN112436975A (zh) | 一种天地一体化信息网络流量预测方法及装置 | |
Liu et al. | Hierarchical agglomerative clustering and LSTM-based load prediction for dynamic spectrum allocation | |
CN111859241A (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
CN106404712A (zh) | 基于gt‑kf‑pls近红外光谱自适应模型校正方法及系统 | |
Li et al. | MTF 2 N: Multi-Channel Temporal-Frequency Fusion Network for Spectrum Prediction | |
CN116127833A (zh) | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 | |
CN113095215B (zh) | 基于改进型lstm网络的太阳射电滤波方法及系统 | |
CN114239672A (zh) | 一种基于零样本学习的干扰模式开集识别模型及方法 | |
Hu et al. | Afb: Improving communication load forecasting accuracy with adaptive feature boosting | |
Cisse et al. | IRGAN: CGAN-based Indoor Radio Map Prediction | |
Wang | Ensemble2: Anomaly Detection via EVT-Ensemble Framework for Seasonal KPIs in Communication Network | |
Chen et al. | A Hybrid Model for Time Series Prediction Using Adaptive Variational Mode Decomposition | |
Widjaja et al. | A general spatial-temporal framework for short-term building temperature forecasting at arbitrary locations with crowdsourcing weather data |
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 |