CN112787736B - 一种基于协方差矩阵的长短期记忆协作频谱感知方法 - Google Patents
一种基于协方差矩阵的长短期记忆协作频谱感知方法 Download PDFInfo
- Publication number
- CN112787736B CN112787736B CN202011621281.4A CN202011621281A CN112787736B CN 112787736 B CN112787736 B CN 112787736B CN 202011621281 A CN202011621281 A CN 202011621281A CN 112787736 B CN112787736 B CN 112787736B
- Authority
- CN
- China
- Prior art keywords
- signal
- sample
- covariance matrix
- user
- layer
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于协方差矩阵的长短期记忆协作频谱感知方法,包括以:系统包含1个主用户,L个次用户;当主用户PU通信未被干扰时,第i个次用户SUi对PU信号检测,得到连续时间序列;对连续时间序列执行次用户感知信号检测,得到主信号协方差矩阵;将主信号协方差矩阵作为输入,执行信号样本标注,标记为0或1的标签集,分别代表PU存在或不存在频谱空穴;将第i个次用户SUi的样本标签集作为输入,执行LSTM网络训练,得到样本的特征序列;将样本的特征序列作为输入,执行全连接层与Softmax层联合处理,得到每个次用户的PiH0。本发明充分利用接收信号样本,无需构造不稳定参数,提高认知无线电中PU信号检测性能。
Description
技术领域
本发明属于数字通信技术领域,具体涉及一种基于协方差矩阵的长短期记忆协作频谱感知方法。
背景技术
随着无线通信技术的不断发展,以及相关业务的不断丰富,人们对频谱资源的需求不断增长,因此造成了频谱资源短缺的现象,然而国内外的频谱监测显示,很多传输条件较好的黄金频段的频谱利用率非常低,因此认知无线电技术油然而生,并且引起了国内外各研究者的极大兴趣,而在认知无线电技术中,频谱感知技术是必需前提,在认知无线系统中,次用户SU通过实时监测寻找频谱空穴,为此,要求二级用户频繁地频谱感知,即检测主用户的存在。如果检测到主要用户处于非活动状态,则次要用户可以使用频谱通信。另一方面,每当主用户活跃时,次要用户必须以高概率检测到这些用户的存在,并在一定时间内清空信道,利用主用户PU没有使用的频段通信,前提是次用户不能干扰主用户的通信,所以当次用户感知到主用户的信号时,必须迅速退出进而将频谱还给主用户,在整个过程中迅速检测频谱空穴的过程就是频谱感知。
传统的频谱分配是静态的,所以频谱利用率非常低,频谱资源变得越来越少,无线通信的发展到了一定的瓶颈期。随着认知无线电技术的出现,次用户能动态接入未被主用户占用的频段,使频谱资源得到了充分的利用。频谱感知作为认知无线电技术的前提,具有非常重要的作用,目前的频谱感知技术主要有:能量检测、匹配滤波检测、循环平稳特征检测和多用户协作检测等,循环平稳特征检测需要知道PU的循环频率,匹配滤波检测需知道PU的波形和信道。相比之下能量检测实现起来比较简单,所以受到大多数的广泛研究,能量检测不需要检测信号的任何信息,对未知的色散信道具有鲁棒性。然而,能量检测依赖于准确的噪声功率的知识,而对噪声功率的不准确估计会导致信噪比墙和高误报概率。因此能量检测容易受到噪声不确定性的影响。最后,虽然能量检测对于检测独立和同分布(iid)信号是最优的,但对于检测相关信号则不是最佳的,这是大多数实际应用的情况,单用户检测由于信号实际传输过程中会产生阴影衰落、多径衰落等问题,难以达到实际要求,因此通过协方差矩阵与LSTM频谱感知方法应运而生,本发明充分利用了接收信号样本本身,且不需构造其它向量及判决门限等不稳定数值,能显著提高信号检测性能。
本发明设计的一些背景技术如下:
1、协方差矩阵的计算
当次用户SUi(i=1,2,…,L)接收到PU的信号后,对信号采样,采样点数为N,经L个连续信号抽样后,可表示为L×N维的矩阵。此时,采样矩阵Rk可以表示为:
此时,信号的采样协方差可以表示为:
当N值比较大的时候,该矩阵可近似表示为:
2、LSTM网络训练方法
LSTM网络单元结构非常复杂,它专门设计了记忆单元用来保存历史数据。其中,输入门、遗忘门以及输出门,控制着历史数据的使用及更新,且该单元结构由以下参数it,ot,ft,gt,st,ht组成,且各自表达式为:
输入门为:it=sigmoid(Wixxt+Wihht-1+bi)
输出门为:ot=sigmoid(Woxxt+Wohht-1+bo)
遗忘门为:ft=sigmoid(Wfxxt+Wfhht-1+bf)
输入节点为:gt=tanh(Wgxxt+Wghht-1+bg)
新状态为:st=gt.×it+st-1.×ft
隐藏层输出为:ht=tanh(st).×ot
其中,xt为输入,W为各门的权重估计,符号.×代表各元素乘法。三个门都用sigmoid激活函数,将输出结果映射到[0,1]区间内,表示每个门通过的比例,1表示信息全部通过,0则无信息通过。提前设置好的序列S=[s1 s2 s3 ... sN]通过xt输入,经过三个门的遗忘、记忆等运算后,通过输出门输出为TN,维度与输入的维度一致。
3、人工调参
验证数据集X2,输入到已训练好的模型,当模型发散或出现不寻常结果时,终止训练,这时就需要对LSTM中内部参数,如隐藏层层数、权重矩阵w、向量偏差b等参数,进行调整,以得到最优化模型,具体调参方式详见“F.A.Gers,N.N.Schraudolph,Schmidhuber,J&#,and rgen,"Learning precise timing with Istm recurrent networks,"Journalof Machine Learning Research,vol.3,no.1,pp.115-143,2003”。
发明内容
基于现有技术中存在的上述不足,本发明提供一种基于协方差矩阵的长短期记忆协作频谱感知方法。
一种基于协方差矩阵的长短期记忆协作频谱感知方法,包括以下步骤:
S1、典型认知无线系统包含1个主用户,L个次用户,L为自然数;当主用户PU通信未被干扰时,第i个次用户SUi对PU信号检测,得到连续时间序列,其中,i=1,2,…,L;对连续时间序列执行次用户感知信号检测,得到N×N维的主信号协方差矩阵,N为自然数,表示采样点数;
S2、将主信号协方差矩阵作为输入,执行信号样本标注,得到L个次用户的样本标签集,即把每个样本协方差矩阵中的N个序列,标记为0或1的标签集,分别代表PU存在或不存在频谱空穴;
S3、将第i个次用户SUi的样本标签集作为输入,执行LSTM网络训练,得到样本的特征序列;
S4、将样本的特征序列作为输入,执行全连接层与Softmax层联合处理,得到每个次用户0到1间的数值PiH0,表示主用户PU存在频谱空穴的概率。
作为优选方案,所述步骤S1中的次用户感知信号检测,包括以下步骤:
S11、当主用户PU通信未被干扰时,第i个次用户SUi对PU信号检测,接收信号采用二元假设模型表示为:
其中,ri(k)表示第i个次用户在时刻k所接收的连续时间序列,k为整数,hi(k)为表示在时刻k第i个传输信道损耗系数,取值在0到1之间;s(k)表示主用户PU的信号,ni(k)表示第i个次用户在时刻k所接收的均值为0、方差为σ2的加性高斯白噪声,H0表示无PU信号,H1表示有PU信号;
作为优选方案,所述步骤S2的信号样本标注,包括以下步骤:
S21、次用户在k时刻接收的L个连续时间序列,经N次采样后,得到L×N维矩阵Rk,表示为:
S22、通过计算得到维度为N×N的协方差实矩阵SN;然后,将其依次分为N个序列,并表示为:S=[s1 s2 s3 ... sN];sj为1×N维实向量,标记为0或1,分别代表PU存在或不存在频谱空穴;
S23、将标注的相应标签集设为:X={x1 x2 x3 ... xN},xj取值为0或1,分别表示PU不存在或PU存在。
作为优选方案,所述步骤S4中的全连接层与Softmax层联合处理,包括以下步骤:
S41、将SU1得到的样本序列X={x1 x2 x3 ... xN},按一定比例作为训练数据集X1和验证数据集X2,将其余次用户SUi(i=2,3,…,L)中得到的样本序列作为测试集X3;再将训练数据集X1输入LSTM网络,以执行LSTM网络训练,得到训练好的模型Y,输出特征序列TN,N为输出的维度;
S42、从LSTM输出的特征序列TN,输入到全连接层与Softmax层归一化处理,即通过Softmax函数把0和1分类,输出最终的频谱感知结果P1H0;
S43、待训练数据集X1训练结束后,将SU1中得到的验证数据集X2,输入到已训练好的模型Y,当模型发散或出现不寻常结果时,终止训练,执行人工调参,以得到最优模型;
S44、整个系统的映射关系表示为:
PiH0=f(xi) (5)
其中,PiH0为信号通过LSTM网络,在全连接层与Softmax层处理后所得的分类概率;将其余次用户SUi(i=2,3,…,L)中得到的协方差样本序列,作为测试集X3,在LSTM网络及全连接层与Softmax层测试,得到最终测试值PiH0,即为频谱感知结果。
作为优选方案,所述步骤S42,包括:
将LSTM输出的特征序列TN作为输入,TN通过全连接层分类,将特征序列TN维度由N降到1,然后将其输出到样本标记空间,即输出0或1两个实数;之后,将全连接层的输出输入softmax层,以将全连接层的输出结果0和1分类,并输出0和1的概率;其中,softmax层将0和1输出为2个[0,1]区间实数,即PiH0,表示为PU存在频谱空穴的概率;
softmax层在执行分类过程时,采用以下公式:
yt=softmax(wht+b) (4)
其中,xi为全输入层的输出,i为自然数,表示第i次输入,exp(xi)表示输入xi的指数函数,w为权重矩阵,b为向量偏差,ht为隐藏层的输出,yt的最终输出的就是0和1的分类概率,t为时刻。
本发明相对于现有技术,具有如下技术效果:
本发明通过协方差矩阵与LSTM频谱感知方法,充分利用了接收信号样本,且不需构造其它向量及判决门限等不稳定参数,能显著提高认知无线电中PU信号检测性能。
附图说明
图1为本发明实施例的频谱感知系统模型的构架图;
图2为本发明实施例的基于协方差矩阵的长短期记忆协作频谱感知方法的原理框架图;
图3为本发明实施例的信号样本标记的流程图;
图4为本发明实施例的基于协方差矩阵的长短期记忆协作频谱感知方法的流程图。
具体实施方式
以下通过具体实施例对本发明的技术方案作进一步解释说明。
本发明提出了一种基于接收信号协方差矩阵的LSTM协作频谱感知方法。信号和噪声的统计协方差矩阵或自相关通常是不同的。因此,在所提出的方法中,这种差异被用来区分信号分量和信道噪声。实际上,因为只有有限的样本信号。所以检测的方法基于样本协方差矩阵。
如图2所示,本发明实施例的基于协方差矩阵的长短期记忆(LSTM)协作频谱感知方法,通过以下方法或步骤完成:
步骤1.1、如图1所示,典型认知无线系统包含1个主用户,L个次用户,且L为自然数;当主用户PU通信未被干扰时,第i个次用户SUi(i=1,2,…,L)对PU信号检测,得到的连续时间序列。之后,对该序列执行次用户感知信号检测方法,得到N×N维的主信号协方差矩阵,且N为自然数,表示采样点数;
步骤1.2、将步骤1.1所得的主信号样本协方差矩阵,作为输入参数,执行信号样本标注方法,得到L个次用户的样本标签集,即把每个样本协方差矩阵中的N个序列,标记为0或1的标签集,分别代表PU存在或不存在频谱空穴;
步骤1.3、将步骤1.2所得的第i个SUi的样本标签集,作为输入参数,执背景技术所述的LSTM网络训练方法,输出样本的特征序列;
步骤1.4、将步骤1.3所得样本特征序列,作为输入参数,执行全连接层与Softmax层联合处理方法,分别输出每个次用户0到1间的数值PiH0,表示PU存在频谱空穴的概率,即为本发明方法的最终计算结果。
其中,次用户感知信号检测方法,采用以下步骤实现:
步骤2.1、当主用户(PU)通信未被干扰时,次用户SUi(i=1,2,…,L)对PU信号检测:第i个次用户的接收信号SUi可采用二元假设模型表示为:
其中,ri(k)为复数,表示第i个次用户,在时刻k,所接收的连续时间序列,且i为自然数,取值为1到L,k为整数,hi(k)为实数,表示在时刻k第i个传输信道损耗系数,取值在0到1之间;ni(k)为复数,表示第i个次用户所接收的均值为0、方差为σ2的加性高斯白噪声;s(k)表示主用户PU的信号,H0表示无PU信号,H1表示有PU信号;
步骤2.2、对次用户SUi(i=1,2,…,L)接收到的PU信号,执行背景技术所述的协方差矩阵方法,即把所得该PU信号采样为L×N维矩阵Rk,且k为时刻;然后,通过公式计算,得到N×N维样本协方差矩阵SN,N为采样点数。
其中,如图3所示,信号样本标注方法,采用以下步骤实现:
步骤3.1、次用户在k时刻接收的L个连续时间序列,经N次采样后,得到L×N维矩阵Rk,表示为:
步骤3.2、通过公式,可计算得到维度为N×N的协方差实矩阵SN。然后,将其依次分为N个序列,并表示为:S=[s1 s2 s3 ... sN]。其中,si为1×N维实向量,标记为0或1,分别代表PU存在或不存在频谱空穴,即标记为0时,无主用户信号存在,出现频谱空穴;否则无频谱空穴。
步骤3.3、将标注的相应标签集设为:X={x1 x2 x3 ... xN},则xi(i=1,2,…,L)可取值为0或1,分别表示PU不存在或PU存在。
其中,全连接层与Softmax层联合处理方法,通过以下步骤实现:
步骤4.1、将SU1(即i=1)得到的样本序列,按a:b(如8:2等)比例训练数据集X1和验证数据集X2,将其余次用户SUi(i=2,3,…,L)中得到的样本序列作为测试集X3;再将该训练数据集X1输入LSTM网络,以执行背景技术所述的LSTM网络训练方法,来完成模型训练,得到特征序列TN,N为输出的维度。
步骤4.2、从LSTM输出的特征序列TN,输入到设计好的全连接层,即通过每个层的卷积运算,完成标签的分类,再经Softmax层归一化处理,即通过Softmax函数把0和1分类,输出最终的频谱感知结果P1H0。其特征在于,采用以下子步骤完成:
步骤4.2.1、将之前LSTM输出的特征序列TN作为输入,全连接层通过每个层的卷积运算,将特征序列TN维度由N降到1,然后将其输出到样本标记空间,即输出0或1两个实数。之后,将全连接层的输出输入softmax层,该层主要将全连接层的输出结果0和1分类,并输出0和1的概率。其中,softmax层将0和1输出为2个[0,1]区间实数,即PiH0,表示为PU存在频谱空穴的概率。
步骤4.2.2、softmax在执行分类过程时,采用了以下公式:
yt=softmax(wht+b) (4)
其中,xi为全输入层的输出,i为自然数,表示第i次输入,exp(xi)表示输入xi的指数函数,w为权重矩阵,b为向量偏差,ht为隐藏层的输出,yt的最终输出的就是0和1的分类概率,t为时刻;
步骤4.3、待训练数据集X1训练结束后,将SU1中得到的验证数据集X2,输入到已训练好的模型Y,当模型发散或出现不寻常结果时,终止训练,对LSTM中内部参数,如隐藏层层数、权重矩阵w、向量偏差b等参数,进行人工调参,然后再继续训练,以得到最优模型。
步骤4.4、最后整个系统的映射关系可表示为:
PiH0=fw,b(xi) (5)
其中,PiH0为信号通过LSTM网络,在全连接层与Softmax层处理后所得的分类概率。最后,将其余次用户SUi(i=2,3,…,L)中得到的协方差样本序列,作为测试集,在该LSTM网络及全连接层与Softmax层测试,得到最终测试值PiH0,即为频谱感知结果。
如图4所示,本发明的模型算法流程图,整体的流程为:次用户接收信号后将数据处理,采样后算出其协方差矩阵,然后分成N个序列后对每个样本序列标记,输入到LSTM网络中,经过隐藏层提取其主要特性,最后经过全输入层与Softmax层最终输出频谱感知的结果PiH0。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (3)
1.一种基于协方差矩阵的长短期记忆协作频谱感知方法,其特征在于,包括以下步骤:
S1、典型认知无线系统包含1个主用户,L个次用户,L为自然数;当主用户PU通信未被干扰时,第i个次用户SUi对PU信号检测,得到连续时间序列,其中,i=1,2,…,L;对连续时间序列执行次用户感知信号检测,得到N×N维的主信号协方差矩阵,N为自然数,表示采样点数;
S2、将主信号协方差矩阵作为输入,执行信号样本标注,得到L个次用户的样本标签集,即把每个样本协方差矩阵中的N个序列,标记为0或1的标签集,分别代表PU存在或不存在频谱空穴;
S3、将第i个次用户SUi的样本标签集作为输入,执行LSTM网络训练,得到样本的特征序列;
S4、将样本的特征序列作为输入,执行全连接层与Softmax层联合处理,得到每个次用户0到1间的数值PiH0,表示主用户PU存在频谱空穴的概率;
所述步骤S4中的全连接层与Softmax层联合处理,包括以下步骤:
S41、将SU1得到的样本序列X={x1 x2 x3...xN},按一定比例作为训练数据集X1和验证数据集X2,将其余次用户SUi(i=2,3,…,L)中得到的样本序列作为测试集X3,再将训练数据集X1输入LSTM网络,以执行LSTM网络训练,得到训练好的模型Y,输出特征序列TN,N为输出的维度;
S42、从LSTM输出的特征序列TN,输入到全连接层与Softmax层归一化处理,即通过Softmax函数把0和1分类,输出最终的频谱感知结果P1H0;
S43、待训练数据集X1训练结束后,将SU1中得到的验证数据集X2,输入到已训练好的模型Y,当模型发散或出现不寻常结果时,终止训练,执行人工调参,以得到最优模型;
S44、整个系统的映射关系表示为:
PiH0=f(xi) (5)
其中,PiH0为信号通过LSTM网络,在全连接层与Softmax层处理后所得的分类概率;将其余次用户SUi(i=2,3,…,L)中得到的协方差样本序列,作为测试集X3,在LSTM网络及全连接层与Softmax层测试,得到最终测试值PiH0,即为频谱感知结果;
所述步骤S42,包括:
将LSTM输出的特征序列TN作为输入,TN通过全连接层分类,将特征序列TN维度由N降到1,然后将其输出到样本标记空间,即输出0或1两个实数;之后,将全连接层的输出输入softmax层,以将全连接层的输出结果0和1分类,并输出0和1的概率;其中,softmax层将0和1输出为2个[0,1]区间实数,即PiH0,表示为PU存在频谱空穴的概率;
softmax层在执行分类过程时,采用以下公式:
yt=softmax(wht+b) (4)
其中,xi为全输入层的输出,i为自然数,表示第i次输入,exp(xi)表示输入xi的指数函数,w为权重矩阵,b为向量偏差,ht为隐藏层的输出,yt的最终输出的就是0和1的分类概率,t为时刻。
2.根据权利要求1所述的一种基于协方差矩阵的长短期记忆协作频谱感知方法,其特征在于,所述步骤S1中的次用户感知信号检测,包括以下步骤:
S11、当主用户PU通信未被干扰时,第i个次用户SUi对PU信号检测,接收信号采用二元假设模型表示为:
其中,ri(k)表示第i个次用户在时刻k所接收的连续时间序列,k为整数,hi(k)为表示在时刻k第i个传输信道损耗系数,取值在0到1之间;s(k)表示主用户PU的信号,ni(k)表示第i个次用户在时刻k所接收的均值为0、方差为σ2的加性高斯白噪声,H0表示无PU信号,H1表示有PU信号;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011621281.4A CN112787736B (zh) | 2020-12-30 | 2020-12-30 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011621281.4A CN112787736B (zh) | 2020-12-30 | 2020-12-30 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112787736A CN112787736A (zh) | 2021-05-11 |
CN112787736B true CN112787736B (zh) | 2022-05-31 |
Family
ID=75753318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011621281.4A Active CN112787736B (zh) | 2020-12-30 | 2020-12-30 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112787736B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113315593A (zh) * | 2021-05-20 | 2021-08-27 | 南京工业大学 | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 |
CN114337883B (zh) * | 2021-12-28 | 2024-03-01 | 杭州电子科技大学 | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 |
CN114567398B (zh) * | 2022-04-11 | 2024-04-23 | 浙江工业大学 | 一种基于卷积长短时记忆神经网络的频谱感知方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039503A (zh) * | 2018-09-07 | 2018-12-18 | 广东工业大学 | 一种频谱感知方法、装置、设备及计算机可读存储介质 |
CN109379153A (zh) * | 2018-12-17 | 2019-02-22 | 电子科技大学 | 一种频谱感知方法 |
CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
CN110460401A (zh) * | 2019-07-05 | 2019-11-15 | 广东工业大学 | 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法 |
CN111510232A (zh) * | 2020-04-10 | 2020-08-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于神经网络的车联网组合频谱感知方法及其应用 |
CN111600667A (zh) * | 2020-05-25 | 2020-08-28 | 电子科技大学 | 一种基于cnn-lstm的频谱感知方法 |
-
2020
- 2020-12-30 CN CN202011621281.4A patent/CN112787736B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039503A (zh) * | 2018-09-07 | 2018-12-18 | 广东工业大学 | 一种频谱感知方法、装置、设备及计算机可读存储介质 |
CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
CN109379153A (zh) * | 2018-12-17 | 2019-02-22 | 电子科技大学 | 一种频谱感知方法 |
CN110460401A (zh) * | 2019-07-05 | 2019-11-15 | 广东工业大学 | 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法 |
CN111510232A (zh) * | 2020-04-10 | 2020-08-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于神经网络的车联网组合频谱感知方法及其应用 |
CN111600667A (zh) * | 2020-05-25 | 2020-08-28 | 电子科技大学 | 一种基于cnn-lstm的频谱感知方法 |
Non-Patent Citations (3)
Title |
---|
Deep Learning-Based Spectrum Sensing in Cognitive Radio: A CNN-LSTM Approach;Jiandong Xie等;《IEEE Communications Letters ( Volume: 24, Issue: 10, Oct. 2020)》;20200612;全文 * |
基于LSTM神经网络的频谱感知算法;卢光跃等;《信号处理》;20191225(第12期);全文 * |
基于随机矩阵特征值比的机会协作频谱感知;张无际等;《电信科学》;20200220(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112787736A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112787736B (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
WO2021160189A1 (zh) | WiFi干扰环境下的CSI人体跌倒识别方法 | |
Koçkaya et al. | Spectrum sensing in cognitive radio networks: threshold optimization and analysis | |
CN111600667B (zh) | 一种基于cnn-lstm的频谱感知方法 | |
Zhang et al. | Wi-Fi sensing for joint gesture recognition and human identification from few samples in human-computer interaction | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
Ke et al. | Blind detection techniques for non-cooperative communication signals based on deep learning | |
CN114337880B (zh) | 一种考虑主用户信号随机到达和离开的频谱感知方法 | |
CN113114400B (zh) | 基于时序注意力机制和lstm模型的信号频谱空洞感知方法 | |
CN109450573B (zh) | 一种基于深度神经网络的频谱感知方法 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
Zhang et al. | A novel clustering algorithm based on information geometry for cooperative spectrum sensing | |
CN112910812A (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
Wang et al. | A cooperative spectrum sensing method based on a feature and clustering algorithm | |
Zhang et al. | Riemannian mean shift-based data fusion scheme for multi-antenna cooperative spectrum sensing | |
CN113052126A (zh) | 一种基于深度学习的双阈值开集信号调制识别方法 | |
Cai et al. | Spectrum sensing based on spectrogram-aware CNN for cognitive radio network | |
CN115184768A (zh) | 一种输配电智能终端故障诊断与可靠性评估方法 | |
CN113872904B (zh) | 一种基于集成学习的多分类通信信号自动调制识别方法 | |
CN113095162B (zh) | 一种基于半监督深度学习的频谱感知方法 | |
CN111934797B (zh) | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
Zhang et al. | A spectrum sensing algorithm for OFDM signal based on deep learning and covariance matrix graph | |
Wang et al. | Spectrum prediction method for ISM bands based on LSTM |
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 |