CN113283576B - 一种基于鲸鱼算法优化lstm的频谱感知方法 - Google Patents
一种基于鲸鱼算法优化lstm的频谱感知方法 Download PDFInfo
- Publication number
- CN113283576B CN113283576B CN202110066736.9A CN202110066736A CN113283576B CN 113283576 B CN113283576 B CN 113283576B CN 202110066736 A CN202110066736 A CN 202110066736A CN 113283576 B CN113283576 B CN 113283576B
- Authority
- CN
- China
- Prior art keywords
- layer
- lstm
- sequence
- spectrum sensing
- network
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 27
- 241000283153 Cetacea Species 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000007787 long-term memory Effects 0.000 claims abstract description 11
- 230000006403 short-term memory Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000000611 regression analysis Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 abstract description 6
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于认知无线电技术领域，更具体地，涉及一种基于鲸鱼算法优化LSTM的频谱感知方法。该方法包括如下步骤，步骤1、获取SCR序列，通过SCR序列得到训练集和测试集；步骤2、根据训练集，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；步骤3、确定长短期记忆网结构，构建基于LSTM的频谱感知预测模型；步骤4、利用鲸鱼算法优化频谱感知直接预测模型中的关键参数；步骤5、利用优化数据确定最优的频谱感知直接预测模型；步骤6、将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。
Description
技术领域
本发明属于认知无线电技术领域，更具体地，涉及一种基于鲸鱼算法优化LSTM的频谱感知方法。
背景技术
随着时代的进步与发展，无线通讯技术日益完善，无线接入设备的数量急剧增加，致使无线频谱资源短缺和频谱利用率低下的矛盾日益突出。为此，人们提出了认知无线电网络CRNs(Cognitive Radio Networks)技术。CRNs通过动态频谱接入技术，采用高效的频谱管理和资源分配技术，可以有效缓解无线频谱资源短缺的问题，提高频谱利用率，进而提高网络系统容量。
补充背景技术
发明内容
针对现有技术存在的不足之处，本发明利用WOA对长短时记忆神经网络(LSTM)进行优化，在一定程度上提高模型的拟合能力和模型训练的效果。
本发明采用如下技术方案：
一种基于鲸鱼算法优化LSTM的频谱感知方法，包括如下步骤，
步骤1、获取SCR序列D，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；
步骤3、确定长短期记忆网结构，构建基于LSTM的频谱感知预测模型；
步骤4、利用鲸鱼算法优化频谱感知直接预测模型中的关键参数，得到基于鲸鱼优化LSTM网络的直接预测模型；
步骤5、利用优化数据确定最优的频谱感知直接预测模型，将训练集样本作为长短期记忆网络模型的输入，然后再通过优化得到的其他参数训练长短期记忆网络，训练后的长短期记忆网络模型为最优网络结构；
步骤6、将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。
本技术方案进一步的优化，所述步骤1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∈S CS(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值在0和1之间，用来度量某一服务的拥塞程度。
本技术方案进一步的优化，所述步骤1中对于序列获取采用M/D/C的频谱占用模型，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。
本技术方案进一步的优化，所述步骤3中基于LSTM的频谱感知模型包括输入层、LSTM层、第一层全连接层、Droupout层、第二层全连接层、回归层以及输出层。
本技术方案更进一步的优化，所述第一层全连接层中每个神经元与其前一层LSTM层进行全连接，起到特征融合的作用；将Droupout层添加到第一层全连接层之后，起到防止过拟合和提高泛化能力的作用；Droupout层在每次参数训练过程中，以概率p舍弃部分神经元，剩余神经元以1-p的概率予以率保留；同时在Droupout层之后添加神经元个数为1的第二层全连接层以及回归层，确保输出结果为连续的预测值。
本技术方案进一步的优化，所述步骤4中直接预测模型中的关键参数包括训练集长度numTrain、验证集长度numValidation以及LSTM网络的结构参数LSTM网络隐含层神经元节点数numHiddenUnits、全连接层节点数numfullyConnected Layer、Droupout层舍弃概率prodropoutLayer、训练过程最大训练次数max Epochs和初始学习率initialLeamRate七个参数。
本技术方案进一步的优化，所述直接预测模型适应度函数为：
其中k代表预测序列的总长度，代表WOA-LSTM网络模型在i时刻的预测输出值，yi为在i时刻的真实值。
本技术方案进一步的优化，所述步骤4采用鲸鱼算法优化频谱感知直接预测模型中的关键参数具体步骤如下，
(1)参数初始化，初始化时主要设置代理数量和最大迭代次数即可，其他的算法相关参数因为和当前迭
代次数相关，需要在迭代中设置；
(2)种群初始化，随机初始化所有代理各个维度上的位置值，需要保证在取值范围内；
(3)种群评估，评估种群中每个代理的目标值；
(4)设置和迭代次数相关算法的算法参数；
(5)对每个代理的每一个维度进行位置更新；
位置更新公式如下：
其中为当前最优的鲸鱼的位置，A的每一维为均匀分布在(-a，a)内的随机数，a的初始值为2，随着迭代次数线性递减至0，C为均匀分布在(0，2)内的随机数，||表示数的绝对值，即/>
每一维的值都是非负数。
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。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。LSTM针对循环神经网络的缺陷进行改进，一是在隐含层的内部添加了遗忘门、输入门和输出门，二是增加一条信息流，用来代表长期记忆，这两项改进使长短期记忆网络具有较好的长短期记忆能力，能够更好的解决时间序列预测问题。鲸鱼优化算法(WOA)是一种元启发式优化算法。一种新的模拟座头鲸狩猎行为的元启发式优化算法(鲸鱼优化算法，WOA)。目前的工作与其他群优化算法相比的主要区别在于，采用随机或最佳搜索代理来模拟捕猎行为，并使用螺旋来模拟座头鲸的泡泡网攻击机制。本文利用WOA对长短时记忆神经网络(LSTM)进行优化，从而进行频谱感知预测。
附图说明
图1是基于鲸鱼算法优化LSTM频谱感知方法的流程示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
参阅图1所示，本发明优选一实施例的一种基于鲸鱼算法优化LSTM频谱感知方法的流程示意图。该方法包括以下步骤：
步骤1、获取SCR序列D，通过SCR序列得到训练集Dtain和测试集Dtest。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值在0和1之间，用来度量某一服务的拥塞程度。对于序列获取采用M/D/C的频谱占用模型，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}，对应的标签序列记为Y＝{y1，…，yt，..yT}，(yi＝0，1)。
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，设窗口大小为L。
步骤3、确定长短期记忆网结构，构建基于LSTM的频谱感知模型，预测模型包括输入层、LSTM层、第一层全连接层、Droupout层、第二层全连接层、回归层以及输出层。第一层全连接层中每个神经元与其前一层LSTM层进行全连接，起到特征融合的作用；将Droupout层添加到第一层全连接层之后，起到防止过拟合和提高泛化能力的作用；Droupout层在每次参数训练过程中，以概率p舍弃部分神经元，剩余神经元以1-P的概率予以率保留；同时在Droupout层之后添加神经元个数为1的第二层全连接层以及回归层，确保输出结果为连续的预测值。
步骤4、利用鲸鱼算法优化频谱感知直接预测模型中的关键参数，得到基于鲸鱼优化LSTM网络的直接预测模型，直接预测模型中的关键参数包括训练集长度numTrain、验证集长度numValidation以及LSTM网络的结构参数LSTM网络隐含层神经元节点数numHiddenUnits、全连接层节点数numfullyConnected Layer、Droupout层舍弃概率prodropoutLayer、训练过程最大训练次数max Epochs和初始学习率initialLeamRate七个参数。定义适应度函数为：
其中k代表预测序列的总长度，代表WOA-LSTM网络模型在i时刻的预测输出值，yi为在i时刻的真实值。
优化流程如下：
(1)参数初始化。初始化时主要设置代理数量和最大迭代次数即可，其他的算法相关参数因为和当前迭代次数相关，需要在迭代中设置。
(2)种群初始化。随机初始化所有代理各个维度上的位置值，需要保证在取值范围内。
(3)种群评估。评估种群中每个代理的目标值，如有某个代理由于当前最优解，则将其设为最优解。
(4)设置和迭代次数相关算法的算法参数。
(5)对每个代理的每一个维度进行位置更新。
位置更新公式如下：
其中为当前最优的鲸鱼的位置，A的每一维为均匀分布在(-a，a)内的随机数，a的初始值为2，随着迭代次数线性递减至0；C为均匀分布在(0，2)内的随机数。||表示数的绝对值，即/>每一维的值都是非负数。
步骤5、利用优化数据确定最优的频谱感知直接预测模型，将训练集样本作为长短期记忆网络模型的输入；然后再通过优化得到的其他参数训练长短期记忆网络，训练后的长短期记忆网络模型为最优网络结构。
步骤6、将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WOA-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。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (4)
1.一种基于鲸鱼算法优化LSTM的频谱感知方法，其特征在于：包括如下步骤，
步骤1、获取SCR序列, 通过SCR序列得到训练集/>和测试集/>；
步骤2、根据训练集，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；
步骤3、确定长短期记忆网结构，构建基于LSTM的频谱感知预测模型；
步骤4、利用鲸鱼算法优化频谱感知直接预测模型中的关键参数，得到基于鲸鱼优化LSTM网络的直接预测模型；
步骤5、利用优化数据确定最优的频谱感知直接预测模型，将训练集样本作为长短期记忆网络模型的输入，然后再通过优化得到的其他参数训练长短期记忆网络，训练后的长短期记忆网络模型为最优网络结构；
步骤6、将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；
所述步骤3中基于LSTM的频谱感知模型包括输入层、LSTM层、第一层全连接层、Droupout层、第二层全连接层、回归层以及输出层；
所述第一层全连接层中每个神经元与其前一层LSTM层进行全连接，起到特征融合的作用；将Droupout层添加到第一层全连接层之后，起到防止过拟合和提高泛化能力的作用；Droupout层在每次参数训练过程中，以概率p舍弃部分神经元，剩余神经元以1-p的概率予以率保留；同时在Droupout层之后添加神经元个数为1的第二层全连接层以及回归层，确保输出结果为连续的预；
所述步骤4中直接预测模型中的关键参数包括训练集长度numTrain、验证集长度numValidation以及LSTM网络的结构参数LSTM网络隐含层神经元节点数 numHiddenUnits、全连接层节点数numfullyConnected Layer、Droupout层舍弃概率prodropoutLayer、训练过程最大训练次数max Epochs和初始学习率initialLeamRate七个参数；
所述步骤4采用鲸鱼算法优化频谱感知直接预测模型中的关键参数具体步骤如下，
(1)参数初始化，初始化时主要设置代理数量和最大迭代次数即可，其他的算法相关参数因为和当前迭代次数相关，需要在迭代中设置；
(2)种群初始化，随机初始化所有代理各个维度上的位置值，需要保证在取值范围内；
(3)种群评估，评估种群中每个代理的目标值；
(4)设置和迭代次数相关算法的算法参数；
(5)对每个代理的每一个维度进行位置更新；
位置更新公式如下：
，
其中为当前最优的鲸鱼的位置，A的每一维为均匀分布在（-a,a）内的随机数，a的初始值为2,随着迭代次数线性递减至0，C为均匀分布在（0,2）内的随机数，/>表示数的绝对值，即/>每一维的值都是非负数。
2.如权利要求1所述的基于鲸鱼算法优化LSTM的频谱感知方法，其特征在于：所述步骤1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：
，
，
其中代表的时间点，/>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值在0和1之间，用来度量某一服务的拥塞程度。
3.如权利要求1所述的基于鲸鱼算法优化LSTM的频谱感知方法，其特征在于：所述步骤1中对于序列获取采用M/D/C的频谱占用模型，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。
4.如权利要求1所述的基于鲸鱼算法优化LSTM的频谱感知方法，其特征在于：所述直接预测模型适应度函数为：
，
其中k代表预测序列的总长度，代表WOA-LSTM网络模型在/>时刻的预测输出值，/>为在/>时刻的真实值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110066736.9A CN113283576B (zh) | 2021-01-18 | 2021-01-18 | 一种基于鲸鱼算法优化lstm的频谱感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110066736.9A CN113283576B (zh) | 2021-01-18 | 2021-01-18 | 一种基于鲸鱼算法优化lstm的频谱感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283576A CN113283576A (zh) | 2021-08-20 |
| CN113283576B true CN113283576B (zh) | 2024-02-06 |
Family
ID=77275408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110066736.9A Active CN113283576B (zh) | 2021-01-18 | 2021-01-18 | 一种基于鲸鱼算法优化lstm的频谱感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283576B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113840297B (zh) * | 2021-10-08 | 2022-08-30 | 南京航空航天大学 | 一种基于射频机器学习模型驱动的频谱预测方法 |
| CN115438833A (zh) * | 2022-07-29 | 2022-12-06 | 国网浙江省电力有限公司 | 一种短期电力负荷混合预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110930A (zh) * | 2019-05-08 | 2019-08-09 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
| CN110380801A (zh) * | 2019-06-04 | 2019-10-25 | 杭州电子科技大学 | 基于lstm的协作感知算法及多usrp实现的方法 |
| CN110502806A (zh) * | 2019-07-31 | 2019-11-26 | 电子科技大学 | 一种基于lstm网络的无线频谱占用度预测方法 |
| 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 |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN112003663A (zh) * | 2020-07-22 | 2020-11-27 | 哈尔滨工业大学 | 基于lstm神经网络的认知无线电频谱感知方法 |
-
2021
- 2021-01-18 CN CN202110066736.9A patent/CN113283576B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110110930A (zh) * | 2019-05-08 | 2019-08-09 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
| CN110380801A (zh) * | 2019-06-04 | 2019-10-25 | 杭州电子科技大学 | 基于lstm的协作感知算法及多usrp实现的方法 |
| CN110502806A (zh) * | 2019-07-31 | 2019-11-26 | 电子科技大学 | 一种基于lstm网络的无线频谱占用度预测方法 |
| 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 |
| CN112003663A (zh) * | 2020-07-22 | 2020-11-27 | 哈尔滨工业大学 | 基于lstm神经网络的认知无线电频谱感知方法 |
Non-Patent Citations (1)
| Title |
|---|
| 卢光跃 ; 施聪 ; 吕少卿 ; 周亮 ; .基于LSTM神经网络的频谱感知算法.信号处理.2019,(第12期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283576A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Long-term mobile traffic forecasting using deep spatio-temporal neural networks | |
| CN113283576B (zh) | 一种基于鲸鱼算法优化lstm的频谱感知方法 | |
| CN111612281B (zh) | 一种地铁站人流量峰值的预测方法、装置和计算机设备 | |
| CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
| CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
| CN110474808B (zh) | 一种流量预测方法及装置 | |
| CN109710404B (zh) | 分布式系统中的任务调度方法 | |
| CN110210656B (zh) | 基于站点行为分析的共享单车流量预测方法及系统 | |
| CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
| CN111723257A (zh) | 基于用水规律的用户画像方法与系统 | |
| CN114584406B (zh) | 一种联邦学习的工业大数据隐私保护系统及方法 | |
| CN114202065B (zh) | 一种基于增量式演化lstm的流数据预测方法及装置 | |
| CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
| CN117971475A (zh) | 一种gpu算力池智能管理方法及系统 | |
| CN113886454A (zh) | 一种基于lstm-rbf的云资源预测方法 | |
| US12019712B2 (en) | Enhanced reinforcement learning algorithms using future state prediction scaled reward values | |
| CN116431346A (zh) | 一种用于电子设备主存储器容量的补偿方法 | |
| JP7384999B2 (ja) | 機械学習モデル決定システム及び機械学習モデル決定方法 | |
| CN113935407A (zh) | 一种异常行为识别模型确定方法及装置 | |
| CN116957166B (zh) | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 | |
| CN112383965B (zh) | 基于drqn和多传感器模型的认知无线电功率分配方法 | |
| CN117933446A (zh) | 风力发电预测方法、装置、网络设备及存储介质 | |
| Wu et al. | CLPREM: A real-time traffic prediction method for 5G mobile network | |
| CN117221143A (zh) | 一种物联网设备的流量预测方法 | |
| CN115577307A (zh) | 数据中心的pue预测方法、装置及存储介质 |
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 |