CN112819236A - 一种基于神经网络的低轨卫星物联网活跃终端预测方法 - Google Patents
一种基于神经网络的低轨卫星物联网活跃终端预测方法 Download PDFInfo
- Publication number
- CN112819236A CN112819236A CN202110176994.2A CN202110176994A CN112819236A CN 112819236 A CN112819236 A CN 112819236A CN 202110176994 A CN202110176994 A CN 202110176994A CN 112819236 A CN112819236 A CN 112819236A
- Authority
- CN
- China
- Prior art keywords
- terminal
- neural network
- active
- active terminal
- signal
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于神经网络的低轨卫星物联网活跃终端预测方法,包括活跃终端识别、组合神经网络模型构建、活跃终端预测三个部分。活跃终端识别是从混合信号中提取最大功率信号对应的活跃终端,对其进行信道估计获取相应的信道系数及活跃终端信号,从混合信号中减去该活跃终端信号,通过不断迭代直到识别出所有活跃终端信号;组合神经网络模型由卷积神经网络和双向长短期记忆神经网络组合构成;活跃终端预测是利用训练好的神经网络预测模型和终端状态的历史数据,对未来的活跃终端进行预测。本案方法可以对低轨卫星物联网活跃终端进行预测,结合物联网终端信号检测,可以实现对每个活跃终端的具体状态的预测。
Description
技术领域
本发明涉及一种基于神经网络的低轨卫星物联网活跃终端预测方法,属于认知无线电通信技术。
背景技术
如今地面移动通信系统虽然已经发展的非常成熟,但是在山地、荒漠及海上等偏远地区或者受灾严重的地区,缺少了基站,地面通信系统就丧失了它的优势,因此卫星作为地面的补充和延伸成为未来发展的趋势。物联网作为新一代信息技术的高度集成的综合体,对新一轮产业变革和经济社会绿色、智能、可持续发展具有重要意义。地面物联网技术发展非常迅速,具有相当成熟可靠的物联网解决方案。作为卫星与地面移动通信系统融合的典型范例,卫星物联网的概念进入公众的视线。通过卫星对地面物联网系统进行补充和延伸,可以有效的解决地面网络在部署时所面临的环境受限问题。同时,卫星覆盖范围广、不受环境约束等特点使得卫星物联网具有部署灵活,终端布设无空间限制;抗毁性强,在发生自然灾害、突发事件等紧急情况下依旧能够正常工作。与此同时低地球轨道卫星因其具有相对较低的传播时延及传播损耗,更有利于满足卫星物联网终端小型化、低功耗、低成本的要求,从而被视为卫星物联网的主要承载平台。然而,与地面物联网相比,低轨通信卫星特殊的传输环境会给低轨卫星物联网的实现带来众多挑战,相较于地面物联网可忽略不计的时延,低轨卫星物联网的时延则是不可忽略。随着深度学习的迅速发展,利用组合神经网络的自学习功能和超强的高速寻找优化解的能力,通过预测物联网活跃终端的方式,缓解低轨卫星物联网的时延问题。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于神经网络的低轨卫星物联网活跃终端预测方法,可以对低轨卫星物联网活跃终端数进行预测,结合物联网终端信号检测,可以实现对每个活跃终端的具体状态的预测,从而达到对低轨卫星物联网终端具体活跃状态掌握的目的。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于神经网络的低轨卫星物联网活跃终端预测方法,包括活跃终端识别、组合神经网络模型构建、活跃终端预测三个部分,具体步骤如下:
(1)活跃终端识别:从固定的卫星频段接收到的混合信号中,提取最大功率信号对应的活跃终端的身份信息,对该活跃终端进行信道估计获取该活跃终端的信道系数,将该活跃终端的信号从混合信号中剔除;迭代该过程直到残留的混合信号低于所设定的残留信号阈值,停止迭代;
(2)神经网络预测模型构建及训练:包括数据预处理、构建神经网络预测模型和模型训练三个部分:
(2.1)数据预处理:将活跃终端的状态标记为1,非活跃终端的状态标记为0,生成终端序号与终端活跃状态的二维数据,按照设定长度对该二维数据进行划分,构成神经网络预测模型的训练集;
(2.2)构建神经网络预测模型:神经网络预测模型包括前半部分和后半部分;前半部分为卷积神经网络,由两层卷积网络和对应的池化层组成,用于挖掘活跃终端的空间特征;后半部分为双向长短期记忆神经网络,由两个反向的长短期记忆层和一个全连接输出层组成,用于提取历史活跃终端的固有特性;
(2.3)模型训练:设置优化目标和耐心值,将训练集输入到神经网络预测模型中进行模型训练;通过耐心值决定在一个模型训练过程中优化目标保持不变或恶化的最大允许次数,当达到该耐心值时停止模型训练并输出此时的最优参数,否则继续训练;
(3)活跃终端预测:利用训练好的神经网络预测模型和终端状态的历史数据,对未来的活跃终端进行预测,统计活跃终端总数。
具体的,所述步骤(1)中,基于竞争的无授权访问,使得许多终端同时在特定的竞争区域进行无线传输,所以需要对接收到的混合信号进行分析,识别出所有的活跃终端;活跃终端识别具体包括如下步骤:
(1.1)初始化t时刻第n个终端的状态为Ωn,t=0,n=1,2,…,N,N为终端总数;
(1.2)将t时刻含有N个终端的混合信号yN(t)使用实际的活跃终端的信号值表示,即其中:K为t时刻实际的活跃终端总数,hk为第k个活跃终端的信道系数,为第k个活跃终端的信号值,(Pk,bk)为第k个活跃终端的身份信息,δ(t)为t时刻的高斯白噪声;
(1.3)从混合信号yN(t)中提取最大功率信号对应的活跃终端的身份信息(P*,b*),将活跃终端(P*,b*)的状态更新为1;对活跃终端(P*,b*)进行信道估计,得到活跃终端(P*,b*)的信道系数其中:||·||表示求取·的欧几里得范数,表示h*为使得取得最小值时的hk,c表示光速;
(1.5)N=N-1,yN(t)=yN-1(t);
(1.6)判断||yN(t)||是否大于所设定的残留信号阈值δ:若大于,则返回步骤(1.3);否则,进入步骤(1.7);
(1.7)在时间域T内对所有终端的状态进行整理,生成终端序号与终端活跃状态的二维数据:
其中:Ωn,t为t时刻第n个终端的状态,t=1,2,…,T;Ωn,t=1表示t时刻第n个终端为活跃终端;Ωn,t=0表示t时刻第n个终端为非活跃终端。
具体的,所述步骤(2)中,神经网络预测模型构建及训练具体包括如下步骤:
(2.1)数据预处理:使用固定历史回溯窗口L对二维数据ΩN×T进行划分,得到神经网络预测模型的训练集,训练集包括输入集和输出集,样本总数均为M=T-L-1:
输入集为:D[]M×N×S={Ω[1:N,1:1+L],Ω[1:N,2:2+L],…,Ω[1:N,M:T-1]}
输出集为:Tar[]M×N={Ω[1:N,1+L+1],Ω[1:N,2+L+1],…,Ω[1:N,T]}
(2.2)构建神经网络预测模型:通过卷积神经网络挖掘终端的空间特征,通过双向长短期记忆神经网络挖掘终端作为活跃终端的历史活跃信号并提取历史活跃信号的固有特征;包括如下步骤:
(2.2.1)卷积神经网络两个卷积层的激活函数均使用LeakReLU(·)函数:
LeakReLU(x)=max(0,x)+a×min(0,x)
其中:x表示LeakReLU(·)函数的输入值,a表示Leaky常数,max(0,x)表示取0和x中的最大值,min(0,x)表示取0和x中的最小值;
(2.2.2)双向长短期记忆神经网络全连接输出层的激活函数使用Sigmoid(·)函数:
其中:x表示Sigmoid(·)函数的输入值;
(2.2.3)神经网络预测模型的优化目标为:
其中:γn,t为Sigmoid(·)函数的输出值,表示神经网络预测模型对t时刻第n个终端是否为活跃终端的预测置信度;
(2.3)模型训练:设置优化目标和耐心值,将训练集输入到神经网络预测模型中进行模型训练,使用网格搜索法和K折交叉验证法评估神经网络预测模型的参数(K折交叉验证法,即将模型训练集划分为K个子集,在K折交叉验证的K个子集,使用选中子集外的其他子集来训练神经网络预测模型,用选中子集验证训练后的神经网络预测模型),使用Nadam优化器以获得更快的收敛速度和更好的收敛效果,通过耐心值避免过拟合。
具体的,所述步骤(3)中,在进行活跃终端预测时,先对t时刻检测到的混合信号进行活跃终端识别,得到一个二维数据,再将该二维数据输入到训练好的神经网络预测模型中进行活跃终端预测,输出t+1时刻各终端是否为活跃终端的预测,统计t+1时刻被预测为活跃终端的总数
具体的,所述步骤(3)中,在进行活跃终端预测时,同时对神经网络预测模型的性能进行监测,若性能评估指标低于设定阈值,则重新进行神经网络预测模型的训练;性能评估指标为预测精确度,表示如下:
有益效果:本发明提供的基于神经网络的低轨卫星物联网活跃终端预测方法,可以对低轨卫星物联网活跃终端数进行预测,结合物联网终端信号检测,可以实现对每个活跃终端的具体状态的预测,从而达到对低轨卫星物联网终端具体活跃状态掌握的目的。
附图说明
图1为本发明的实施流程图;
图2为神经网络预测模型的输入输出关系图;
图3为神经网络预测模型的结构示意图;
图4为本发明方法在终端不同业务量下的预测结果与传统LSTM预测方法对比图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示为一种基于神经网络的低轨卫星物联网活跃终端预测方法,通过从卫星频段接收到的混合信号中,识别出所有活跃终端信号;通过构建的组合神经网络模型中进行训练,学习每个终端的内在规律;通过将实时识别到的活跃终端信号输入到训练好的模型中,输出预测的每个终端未来的活跃状态,并统计每个时刻活跃终端总数。该方法包括活跃终端识别、组合神经网络模型构建、活跃终端预测三个部分,下面就各个部分做出具体说明。
一、活跃终端识别
基于竞争的无授权访问,使得许多终端同时在特定的竞争区域进行无线传输,所以需要对接收到的混合信号进行分析,识别出所有的活跃终端;活跃终端识别具体包括如下步骤:
(1.1)初始化t时刻第n个终端的状态为Ωn,t=0,n=1,2,…,N,N为终端总数。
(1.2)将t时刻含有N个终端的混合信号yN(t)使用实际的活跃终端的信号值表示,即其中:K为t时刻实际的活跃终端总数,hk为第k个活跃终端的信道系数,为第k个活跃终端的信号值,(Pk,bk)为第k个活跃终端的身份信息,δ(t)为t时刻的高斯白噪声。
(1.3)从混合信号yN(t)中提取最大功率信号对应的活跃终端的身份信息(P*,b*),将活跃终端(P*,b*)的状态更新为1;对活跃终端(P*,b*)进行信道估计,得到活跃终端(P*,b*)的信道系数其中:||·||表示求取·的欧几里得范数,表示h*为使得取得最小值时的hk,c表示光速。
(1.5)N=N-1,yN(t)=yN-1(t)。
(1.6)判断||yN(t)||是否大于所设定的残留信号阈值δ:若大于,则返回步骤(1.3);否则,进入步骤(1.7)。
(1.7)在时间域T内对所有终端的状态进行整理,生成终端序号与终端活跃状态的二维数据:
其中:Ωn,t为t时刻第n个终端的状态,t=1,2,…,T;Ωn,t=1表示t时刻第n个终端为活跃终端;Ωn,t=0表示t时刻第n个终端为非活跃终端。
二、组合神经网络模型(CNN-BiLSTM模型)构建及训练
(2.1)数据预处理:如图2所示,使用固定历史回溯窗口L对二维数据ΩN×T进行划分,得到神经网络预测模型的训练集,训练集包括输入集和输出集,样本总数均为M=T-L-1:
输入集为:D[]M×N×S={Ω[1:N,1:1+L],Ω[1:N,2:2+L],…,Ω[1:N,M:T-1]}
输出集为:Tar[]M×N={Ω[1:N,1+L+1],Ω[1:N,2+L+1],…,Ω[1:N,T]}
(2.2)构建神经网络预测模型,如图3所示,神经网络预测模型包括前半部分和后半部分;前半部分为卷积神经网络,由两层卷积网络和对应的池化层组成,用于挖掘活跃终端的空间特征;后半部分为双向长短期记忆神经网络,由两个反向的长短期记忆层(LSTM层)和一个全连接输出层组成,用于提取历史活跃终端的固有特性;通过Flatten层、全连接层和Reshape层连接前半部分和后半部分。卷积神经网络用于挖掘多个终端的空间特征,双向长短期记忆神经网络可以在多个方向上挖掘终端作为活跃终端的历史活跃信号,从而在提取历史活跃数据信号的固有特征方面具有先天优势。
(2.2.1)卷积神经网络两个卷积层的激活函数均使用LeakReLU(·)函数:
LeakReLU(x)=max(0,x)+a×min(0,x)
其中:x表示LeakReLU(·)函数的输入值,a表示Leaky常数,max(0,x)表示取0和x中的最大值,min(0,x)表示取0和x中的最小值。
(2.2.2)双向长短期记忆神经网络全连接输出层的激活函数使用Sigmoid(·)函数:
其中:x表示Sigmoid(·)函数的输入值。
(2.2.3)神经网络预测模型的优化目标为:
其中:γn,t为Sigmoid(·)函数的输出值,表示神经网络预测模型对t时刻第n个终端是否为活跃终端的预测置信度。
(2.3)模型训练:设置优化目标和耐心值,将训练集输入到神经网络预测模型中进行模型训练,使用网格搜索法和K折交叉验证法评估神经网络预测模型的参数(K折交叉验证法,即将模型训练集划分为K个子集,在K折交叉验证的K个子集,使用选中子集外的其他子集来训练神经网络预测模型,用选中子集验证训练后的神经网络预测模型),使用Nadam优化器以获得更快的收敛速度和更好的收敛效果,通过耐心值避免过拟合。
三、活跃终端预测
在进行活跃终端预测时,先对t时刻检测到的混合信号进行活跃终端识别,得到一个二维数据,再将该二维数据输入到训练好的神经网络预测模型中进行活跃终端预测,输出t+1时刻各终端是否为活跃终端的预测,统计t+1时刻被预测为活跃终端的总数
在进行活跃终端预测时,同时对神经网络预测模型的性能进行监测,若性能评估指标低于设定阈值,则重新进行神经网络预测模型的训练;性能评估指标为预测精确度,表示如下:
模拟有20个低轨卫星物联网终端在同一频段进行竞争的无授权通信情况下,这些物联网终端的业务量符合泊松到达服务,图4为在不同的业务量下,本发明方法的CNN-BiLSTM预测模型的预测精度和基于传统的LSTM预测方法的对比图,本发明方法在相同的到达率下,频谱预测精度明显高于传统的基于LSTM的活跃终端预测方法。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于神经网络的低轨卫星物联网活跃终端预测方法,其特征在于:包括活跃终端识别、组合神经网络模型构建、活跃终端预测三个部分,具体步骤如下:
(1)活跃终端识别:从卫星频段接收到的混合信号中,提取最大功率信号对应的活跃终端的身份信息,对该活跃终端进行信道估计获取该活跃终端的信道系数,将该活跃终端的信号从混合信号中剔除;迭代该过程直到残留的混合信号低于所设定的残留信号阈值,停止迭代;
(2)神经网络预测模型构建及训练:包括数据预处理、构建神经网络预测模型和模型训练三个部分:
(2.1)数据预处理:将活跃终端的状态标记为1,非活跃终端的状态标记为0,生成终端序号与终端活跃状态的二维数据,按照设定长度对该二维数据进行划分,构成神经网络预测模型的训练集;
(2.2)构建神经网络预测模型:神经网络预测模型包括前半部分和后半部分;前半部分为卷积神经网络,由两层卷积网络和对应的池化层组成;后半部分为双向长短期记忆神经网络,由两个反向的长短期记忆层和一个全连接输出层组成;
(2.3)模型训练:设置优化目标和耐心值,将训练集输入到神经网络预测模型中进行模型训练;
(3)活跃终端预测:利用训练好的神经网络预测模型和终端状态的历史数据,对未来的活跃终端进行预测,统计活跃终端总数。
2.根据权利要求1所述的基于神经网络的低轨卫星物联网活跃终端预测方法,其特征在于:所述步骤(1)中,活跃终端识别具体包括如下步骤:
(1.1)初始化t时刻第n个终端的状态为Ωn,t=0,n=1,2,…,N,N为终端总数;
(1.2)将t时刻含有N个终端的混合信号yN(t)使用实际的活跃终端的信号值表示,即其中:K为t时刻实际的活跃终端总数,hk为第k个活跃终端的信道系数,k=1,2,…,K,为第k个活跃终端的信号值,(Pk,bk)为第k个活跃终端的身份信息,δ(t)为t时刻的高斯白噪声;
(1.3)从混合信号yN(t)中提取最大功率信号对应的活跃终端的身份信息(P*,b*),将活跃终端(P*,b*)的状态更新为1;对活跃终端(P*,b*)进行信道估计,得到活跃终端(P*,b*)的信道系数其中:||·||表示求取·的欧几里得范数,表示h*为使得取得最小值时的hk,c表示光速;
(1.5)N=N-1,yN(t)=yN-1(t);
(1.6)判断||yN(t)||是否大于所设定的残留信号阈值δ:若大于,则返回步骤(1.3);否则,进入步骤(1.7);
(1.7)在时间域T内对所有终端的状态进行整理,生成终端序号与终端活跃状态的二维数据:
其中:Ωn,t为t时刻第n个终端的状态,t=1,2,…,T;Ωn,t=1表示t时刻第n个终端为活跃终端;Ωn,t=0表示t时刻第n个终端为非活跃终端。
3.根据权利要求2所述的基于神经网络的低轨卫星物联网活跃终端预测方法,其特征在于:所述步骤(2)中,神经网络预测模型构建及训练具体包括如下步骤:
(2.1)数据预处理:使用固定历史回溯窗口L对二维数据ΩN×T进行划分,得到神经网络预测模型的训练集,训练集包括输入集和输出集,样本总数均为M=T-L-1:
输入集为:D[]M×N×S={Ω[1:N,1:1+L],Ω[1:N,2:2+L],…,Ω[1:N,M:T-1]}
输出集为:Tar[]M×N={Ω[1:N,1+L+1],Ω[1:N,2+L+1],…,Ω[1:N,T]}
(2.2)构建神经网络预测模型:通过卷积神经网络挖掘终端的空间特征,通过双向长短期记忆神经网络挖掘终端作为活跃终端的历史活跃信号并提取历史活跃信号的固有特征;包括如下步骤:
(2.2.1)卷积神经网络两个卷积层的激活函数均使用LeakReLU(·)函数:
LeakReLU(x)=max(0,x)+a×min(0,x)
其中:x表示LeakReLU(·)函数的输入值,a表示Leaky常数,max(0,x)表示取0和x中的最大值,min(0,x)表示取0和x中的最小值;
(2.2.2)双向长短期记忆神经网络全连接输出层的激活函数使用Sigmoid(·)函数:
其中:x表示Sigmoid(·)函数的输入值;
(2.2.3)神经网络预测模型的优化目标为:
其中:γn,t为Sigmoid(·)函数的输出值,表示神经网络预测模型对t时刻第n个终端是否为活跃终端的预测置信度;
(2.3)模型训练:设置优化目标和耐心值,将训练集输入到神经网络预测模型中进行模型训练,使用网格搜索法和K折交叉验证法评估神经网络预测模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110176994.2A CN112819236B (zh) | 2021-02-07 | 2021-02-07 | 一种基于神经网络的低轨卫星物联网活跃终端预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110176994.2A CN112819236B (zh) | 2021-02-07 | 2021-02-07 | 一种基于神经网络的低轨卫星物联网活跃终端预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819236A true CN112819236A (zh) | 2021-05-18 |
CN112819236B CN112819236B (zh) | 2022-03-29 |
Family
ID=75864547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110176994.2A Active CN112819236B (zh) | 2021-02-07 | 2021-02-07 | 一种基于神经网络的低轨卫星物联网活跃终端预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819236B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297704A (zh) * | 2021-06-17 | 2021-08-24 | 上海交通大学 | 基于混合深度神经网络的谐波减速器功率实时预测方法及系统 |
CN116170066A (zh) * | 2023-04-21 | 2023-05-26 | 南京邮电大学 | 一种面向低轨卫星物联网的负载预测方法 |
CN116319187A (zh) * | 2023-02-20 | 2023-06-23 | 中国人民解放军军事科学院系统工程研究院 | 一种用于卫星物联网系统的数据处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5924015A (en) * | 1996-04-30 | 1999-07-13 | Trw Inc | Power control method and apparatus for satellite based telecommunications system |
CN108809460A (zh) * | 2018-06-11 | 2018-11-13 | 中国科学技术大学 | 一种稀疏活跃设备检测下的信号辅助信道估计的方法 |
CN110855413A (zh) * | 2019-11-13 | 2020-02-28 | 哈尔滨工业大学(深圳) | 基于空间信息网络的叠加导频通信方法和系统 |
CN112188520A (zh) * | 2020-09-11 | 2021-01-05 | 哈尔滨工业大学(深圳) | 基于神经网络负载预测的卫星物联网传输控制方法与系统 |
-
2021
- 2021-02-07 CN CN202110176994.2A patent/CN112819236B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5924015A (en) * | 1996-04-30 | 1999-07-13 | Trw Inc | Power control method and apparatus for satellite based telecommunications system |
CN108809460A (zh) * | 2018-06-11 | 2018-11-13 | 中国科学技术大学 | 一种稀疏活跃设备检测下的信号辅助信道估计的方法 |
CN110855413A (zh) * | 2019-11-13 | 2020-02-28 | 哈尔滨工业大学(深圳) | 基于空间信息网络的叠加导频通信方法和系统 |
CN112188520A (zh) * | 2020-09-11 | 2021-01-05 | 哈尔滨工业大学(深圳) | 基于神经网络负载预测的卫星物联网传输控制方法与系统 |
Non-Patent Citations (2)
Title |
---|
HAOYU LI等: "Online Spectrum Prediction With Adaptive Threshold Quantization", 《IEEE ACCESS》 * |
XIAOJIN DING等: "Deep Learning Aided Spectrum Prediction for Satellite Communication Systems", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297704A (zh) * | 2021-06-17 | 2021-08-24 | 上海交通大学 | 基于混合深度神经网络的谐波减速器功率实时预测方法及系统 |
CN116319187A (zh) * | 2023-02-20 | 2023-06-23 | 中国人民解放军军事科学院系统工程研究院 | 一种用于卫星物联网系统的数据处理方法及装置 |
CN116319187B (zh) * | 2023-02-20 | 2023-10-17 | 中国人民解放军军事科学院系统工程研究院 | 一种用于卫星物联网系统的数据处理方法及装置 |
CN116170066A (zh) * | 2023-04-21 | 2023-05-26 | 南京邮电大学 | 一种面向低轨卫星物联网的负载预测方法 |
CN116170066B (zh) * | 2023-04-21 | 2023-09-19 | 南京邮电大学 | 一种面向低轨卫星物联网的负载预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112819236B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819236B (zh) | 一种基于神经网络的低轨卫星物联网活跃终端预测方法 | |
CN111600667B (zh) | 一种基于cnn-lstm的频谱感知方法 | |
CN109640269B (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN100546232C (zh) | 一种基于可靠度的分布式频谱检测方法 | |
CN112818891B (zh) | 通信干扰信号类型智能识别方法 | |
Ke et al. | Blind detection techniques for non-cooperative communication signals based on deep learning | |
Yu et al. | Spectrum availability prediction for cognitive radio communications: A DCG approach | |
Liu et al. | Deep learning-based spectrum sensing in space-air-ground integrated networks | |
CN114337880A (zh) | 一种考虑主用户信号随机到达和离开的频谱感知方法 | |
CN113468703A (zh) | 一种ads-b报文异常检测器及检测方法 | |
CN115276855A (zh) | 一种基于ResNet-CBAM的频谱感知方法 | |
CN113887330A (zh) | 一种基于遥感图像的目标检测系统 | |
CN113344470A (zh) | 一种基于区块链的供电系统智能管理方法 | |
Gao et al. | Deep learning based location prediction with multiple features in communication network | |
CN116170066B (zh) | 一种面向低轨卫星物联网的负载预测方法 | |
CN116961805A (zh) | 一种基于时空图神经网络的短波预测方法 | |
Valadão et al. | Cooperative spectrum sensing system using residual convolutional neural network | |
CN113435263B (zh) | 基于cgan数据增强的频谱感知方法及系统 | |
Li et al. | MTF 2 N: Multi-Channel Temporal-Frequency Fusion Network for Spectrum Prediction | |
CN115314925A (zh) | 一种基于gnn和lstm的智能电网融合网络流量预测方法 | |
Peng et al. | Hmm-lstm for proactive traffic prediction in 6g wireless networks | |
CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
Zhang et al. | Accurate spectrum prediction based on joint lstm with cnn toward spectrum sharing | |
Mantoro et al. | Mobile user location determination using extreme learning machine | |
Gu et al. | Radio frequency fingerprinting driven drone identification based on complex-valued CNN |
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 |