CN113300796A - Noma系统中基于机器学习的频谱感知方法和装置 - Google Patents

Noma系统中基于机器学习的频谱感知方法和装置 Download PDF

Info

Publication number
CN113300796A
CN113300796A CN202110842622.9A CN202110842622A CN113300796A CN 113300796 A CN113300796 A CN 113300796A CN 202110842622 A CN202110842622 A CN 202110842622A CN 113300796 A CN113300796 A CN 113300796A
Authority
CN
China
Prior art keywords
energy
spectrum
observation
layer
dense
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
Application number
CN202110842622.9A
Other languages
English (en)
Other versions
CN113300796B (zh
Inventor
孙君
任正国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110842622.9A priority Critical patent/CN113300796B/zh
Publication of CN113300796A publication Critical patent/CN113300796A/zh
Application granted granted Critical
Publication of CN113300796B publication Critical patent/CN113300796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种NOMA系统中基于机器学习的频谱感知方法、装置、计算机设备和存储介质。该方法包括：当需要采用目标频段发送消息时，向对应基站发送目标频段的感知申请，使基站向覆盖范围内的各次用户发布对目标频段的频谱感知任务；获取基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号；根据各次用户的位置信息，将各频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，对获得的能量观测矩阵进行预处理，将处理后的能量观测矩阵进行图像转化，获得灰度图像输入到基于Shuffle‑Dense神经网络的频谱感知模型进行识别，输出目标频段当前的信道状态，提高了频谱感知准确率。

Description

NOMA系统中基于机器学习的频谱感知方法和装置
技术领域
本申请涉及无线通信技术领域，特别是涉及一种NOMA系统中基于机器学习的频谱感知方法、装置、计算机设备和存储介质。
背景技术
随着自动驾驶、远程医疗、增强现实等新兴应用的产生，以及智能手机、无人机等智能终端数量的快速增长，传统的移动通信网络已经无法满足当代用户的业务需求，无线通信网络在高速率，低时延，海量接入等方面的要求越来越高。5G网络的数据速率需求呈指数增长，迫切需要大量频谱资源。NOMA（Non Orthogonal Multiple Access，非正交多址接入）技术通过功率域复用和码域非正交的方式进一步提升了系统容量，提高了频谱资源的利用率。
认知无线电技术（Cognitive Radio, CR）通过动态频谱接入方式（DynamicSpectrum Access, DSA），让次用户（Secondary User, SU）感知主用户（Primary User,PU）的频谱使用状态，检测频谱空穴并进行动态接入，提升了授权频段的利用率。将NOMA和CR技术结合，可以大大提高SU访问授权频段的机会，从而进一步提高系统吞吐量。频谱感知是CR通信能够进行DSA的前提条件，准确的频谱感知能够帮助用户正确的占用频谱空穴，否则就会出现低频谱利用率或者多用户干扰问题，为了提升频谱感知准确率，现在大多采用协作频谱感知(Cooperative Spectrum Sensing, CSS)代替单用户频谱感知。由于NOMA物理层实现的复杂性，如复杂的接收机和复杂的功率分配，限制了NOMA的应用，NOMA下的CSS情况更加复杂，数学求解更为困难，因此选择利用机器学习算法解决这一系列非凸优化问题。
现有方案对功率域NOMA下的CSS进行了详尽的数学描述，并分析了无监督学习算法（K-Means和GMM）和监督学习算法(DAG-SVM、KNN和BP神经网络)在处理NOMA下CSS问题上的性能，但是现有的频谱感知的准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高频谱感知的准确性的NOMA系统中基于机器学习的频谱感知方法、装置、计算机设备和存储介质。
一种NOMA系统中基于机器学习的频谱感知方法，所述方法包括：
当需要采用目标频段发送消息时，向对应基站发送所述目标频段的感知申请，使所述基站向覆盖范围内的各次用户发布对所述目标频段的频谱感知任务；
获取所述基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号；
根据各所述次用户的位置信息，将各所述频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵；
对所述能量观测矩阵进行预处理，获得处理后的能量观测矩阵；
将所述处理后的能量观测矩阵进行图像转化，获得灰度图像；
将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态。
在其中一个实施例中，所述将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态的步骤，包括：
将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型的第一卷积层进行特征提取，获得初步特征图像；
将所述初步特征图像输入，所述频谱感知模型中由多个通道混叠稠密块级联而成的神经网络单元进行特征提取，输出最终混合特征；
将所述混合特征输入到所述频谱感知模型的全局最大池化层中，进行平面到点的转换，获得特征值；
将所述特征值输入至所述频谱感知模型中全连接层进行分类计算，输出所述目标频段当前的信道状态。
在其中一个实施例中，所述神经网络单元是多个所述通道混叠稠密块之间通过最大池化层级联而成，所述最大池化层的维度为2×2，步长为2。
在其中一个实施例中，所述神经网络单元进行特征提取的步骤，包括：
将所述初步特征图像输入到神经网络单元的第一个通道混叠稠密块中，采用通道分离技术分为两组，获得第一初步特征组和第二初步特征组；
将所述第一初步特征组输入到所述神经网络单元的第一子网络进行深度提取，输出深度特征；
将所述第二初步特征组输入到所述神经网络单元的第二子网络进行维度处理，输出原始特征；
将所述深度特征与所述原始特征在通道维度上进行混合，获得初步混合特征；
将所述初步混合特征通过所述神经网络单元的最大池化层进行池化后，输入到下一个通道混叠稠密块进行特征提取，由最后一个通道混叠稠密块输出最终混合特征。
在其中一个实施例中，所述第一子网络包括：类稠密块和末端卷积层；
所述类稠密块的每个卷积层的输入包含之前所有卷积层的输出，即：
Figure 242964DEST_PATH_IMAGE001
其中，
Figure 721481DEST_PATH_IMAGE002
表示类稠密块的输入，
Figure 413494DEST_PATH_IMAGE003
表示第1层的输出，
Figure 681664DEST_PATH_IMAGE004
表示第2层的输出，
Figure 408312DEST_PATH_IMAGE005
表示第
Figure 838156DEST_PATH_IMAGE006
层的输出，
Figure 548623DEST_PATH_IMAGE007
表示第l层的输出，
Figure 541856DEST_PATH_IMAGE008
表示第l层的非线性变换；
所述卷积层依次包括BN-RELU模块、1×1的卷积模块和3×3组卷积；
所述BN-RELU模块对输入的特征进行归一化处理后，输入所述1×1的卷积模块进行降维，将降维后的特征输入到所述3×3组卷积，按照一个卷积核处理一个通道的特征的方式，对所述降维后的特征进行组卷积，将组卷积后的特征输入到下一个卷积层进行卷积；
最后一个卷积层输出的特征与之前所有卷积层输出的特征进行拼接后，输入至末端卷积层进行特征整合、特征降维处理，获得深度特征。
在其中一个实施例中，所述全连接层的激活函数为softmax函数，所述softmax函数的表达式为：
Figure 185327DEST_PATH_IMAGE009
式中，
Figure 989335DEST_PATH_IMAGE010
为全连接层第j种结果的输出，
Figure 921519DEST_PATH_IMAGE011
表示第j种结果的预测概率，n表示分 类的结果总个数，
Figure 531492DEST_PATH_IMAGE012
为全连接层第i种结果的输出，e为自然对数函数的底数。
在其中一个实施例中，所述对能量观测矩阵进行预处理，获得处理后的能量观测矩阵的步骤，包括：
将所述能量观测矩阵中大于能量阈值的频谱观测能量值修改为所述能量阈值，获得处理后的能量观测矩阵，所述能量阈值为所述能量观测矩阵中频谱观测能量值按照从大到小排序，排在第q位的频谱观测能量值。
一种NOMA系统中基于机器学习的频谱感知装置，所述装置包括：
感知申请发送模块，用于当需要采用目标频段发送消息时，向对应基站发送所述目标频段的感知申请，使所述基站向覆盖范围内的各次用户发布对所述目标频段的频谱感知任务；
能量信号接收模块，用于获取所述基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号；
矩阵填入模块，用于根据各所述次用户的位置信息，将各所述频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵；
预处理模块，用于对所述能量观测矩阵进行预处理，获得处理后的能量观测矩阵；
图像转化模块，用于将所述处理后的能量观测矩阵进行图像转化，获得灰度图像；
识别模块，用于将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
上述NOMA系统中基于机器学习的频谱感知方法、装置、计算机设备和存储介质，通过当需要采用目标频段发送消息时，向对应基站发送所述目标频段的感知申请，使所述基站向覆盖范围内的各次用户发布对所述目标频段的频谱感知任务；获取所述基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号；根据各所述次用户的位置信息，将各所述频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵；对能量观测矩阵进行预处理，获得处理后的能量观测矩阵；将所述处理后的能量观测矩阵进行图像转化，获得灰度图像；将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态。结合次用户的位置特征和主用户发射信号的衰落特性，利用各次用户的能量感知结果进行协作频谱感知，直接将小区能量观测矩阵输入神经网络进行识别，减少了复杂的数学计算；且在网络结构上进行优化，整体计算参数较少，计算速度较现有网络有大幅提升，是一个轻量级高精度网络，可以直接在次用户上运行，减轻基站负担。网络特征深度传递能力较强，在网络层数增加时，依旧能够稳定的传递特征，提高了频谱感知的准确率。
附图说明
图1为一个实施例中NOMA系统中基于机器学习的频谱感知方法的场景意图；
图2为一个实施例中NOMA系统中基于机器学习的频谱感知方法的流程示意图；
图3为一个实施例中基于Shuffle-Dense神经网络的频谱感知模型的整体结构示意图；
图4为一个实施例中基于Shuffle-Dense神经网络的频谱感知模型的通道混叠稠密块结构示意图；
图5为一个实施例中类稠密块的组卷积的结构示意图；
图6为一个实施例中NOMA系统中基于机器学习的频谱感知装置的结构框图。
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。
本申请提供的NOMA系统中基于机器学习的频谱感知方法，可以应用于如图1所示 的应用环境中。其中，基站的小区内（也称为覆盖范围内）随机分布M个主用户（不同的主用 户发射功率是固定的且各不相同，如图1的PU1和PU2）和N个次用户（SU），主用户（PU）采用功 率域NOMA接入同一频段，且每个主用户（PU）发射功率固定。设每个主用户（PU）的状态s∈ {0，1}，状态0表示该主用户（PU）当前时隙空闲，状态1表示该主用户（PU）当前时隙正在工 作，因此M个主用户（PU）总共包含
Figure 232731DEST_PATH_IMAGE013
种信道状态。NOMA系统中基于机器学习的频谱感知方 法可在任意一个次用户（SU）中执行，当前想要发送消息的次用户（即图1的SU2），被标记为 簇头，执行NOMA系统中基于机器学习的频谱感知方法，向对应基站发送目标频段的感知申 请，使基站向覆盖范围内的各次用户（小区内的其他次用户（即图1的SU1）和标记为簇头的 次用户（即图1的SU2））发布对所述目标频段的频谱感知任务，获取所述基站的覆盖范围内 的各次用户在感知时隙内采集的频谱观测能量信号；根据各次用户的位置信息，将各频谱 观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵；对能 量观测矩阵进行预处理，获得处理后的能量观测矩阵；将处理后的能量观测矩阵进行图像 转化，获得灰度图像；将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型 进行识别，输出所述目标频段当前的信道状态。
在一个实施例中，如图2所示，提供了一种NOMA系统中基于机器学习的频谱感知方法，以被标记为簇头的次用户作为执行主体进行说明，包括以下步骤：
步骤S220，当需要采用目标频段发送消息时，向对应基站发送目标频段的感知申请，使基站向覆盖范围内的各次用户发布对目标频段的频谱感知任务。
步骤S240，获取基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号。
其中，将小区内空间按照位置分为
Figure 975951DEST_PATH_IMAGE014
个等面积网格，保证每个次用户的位置
Figure 457748DEST_PATH_IMAGE015
在其中一个网格中，每个次用户的位置信息可以用网格编号代替。当次用户想要发 送消息时，当前次用户即被标记为簇头，簇头次用户向基站发送目标频段的感知申请，基站 发布频谱感知任务，小区内所有次用户采用能量感知的方式，感知目标频段中主用户发射 的能量信息，第n个次用户在感知时隙接收到的第t个频谱观测能量信号可以表示为：
Figure 543516DEST_PATH_IMAGE016
式中，
Figure 161579DEST_PATH_IMAGE017
表示第m个主用户当前的工作状态，
Figure 41810DEST_PATH_IMAGE018
表示第m个主用户使用的发射功 率，
Figure 745324DEST_PATH_IMAGE019
表示第m个主用户到第n个次用户的信道增益，
Figure 634783DEST_PATH_IMAGE020
表示第m个主用户的发射信号，
Figure 107352DEST_PATH_IMAGE021
表示第n个次用户接收机处均值为0，方差为
Figure 673332DEST_PATH_IMAGE022
的高斯白噪声，
Figure 864142DEST_PATH_IMAGE023
表示第n个次用户 在感知时隙接收到的第t个频谱观测能量信号。
信道增益和次用户、主用户之间的距离成负相关，距离相关公式为：
Figure 557291DEST_PATH_IMAGE024
式中，k为固定传输损耗，d为主用户和次用户之间的距离，坐标
Figure 353209DEST_PATH_IMAGE025
表示主用 户的地理位置，坐标
Figure 840822DEST_PATH_IMAGE026
表示次用户的地理位置，
Figure 253349DEST_PATH_IMAGE027
表示路径损耗指数。从距离相关公式 可以得出，当主用户和次用户距离较远时，次用户参与频谱感知时接收到的信号微弱，反之 接收到的信号就越强。
各次用户在感知时隙内采集频谱观测能量信号，将采集到的频谱观测能量信号发送给被标记为簇头的次用户，被标记为簇头的次用户接收到，各次用户发送的频谱观测能量信号，即获取到基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号。
步骤S260，根据各次用户的位置信息，将各频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵。
其中，被标记为簇头的次用户将各次用户的频谱观测能量信号对应的频谱观测能 量值，根据各次用户的位置信息，按照位置标签填入
Figure 235342DEST_PATH_IMAGE028
大小的频谱能量观测矩阵：
Figure 682504DEST_PATH_IMAGE029
频谱能量观测矩阵
Figure 341019DEST_PATH_IMAGE030
中每个元素
Figure 506421DEST_PATH_IMAGE031
表示当前网格的频谱观测能量值：
Figure 275794DEST_PATH_IMAGE032
步骤S280，对能量观测矩阵进行预处理，获得处理后的能量观测矩阵。
在一个实施例中，对能量观测矩阵进行预处理，获得处理后的能量观测矩阵的步骤，包括：将能量观测矩阵中大于能量阈值的频谱观测能量值修改为能量阈值，获得处理后的能量观测矩阵，能量阈值为能量观测矩阵中频谱观测能量值按照从大到小排序，排在第q位的频谱观测能量值。
其中，各次用户采用能量感知方式进行初步感知，设每次频谱感知任务，每个次用 户在感知时隙内对目标频段的信号采样T次，对于第i个次用户，在感知时隙内得到的频谱 观测能量信号的频谱观测能量值
Figure 780724DEST_PATH_IMAGE033
为
Figure 672457DEST_PATH_IMAGE034
式中，
Figure 246527DEST_PATH_IMAGE035
表示感知时隙内第t次频谱观测能量信号，T表示感知时隙内对目标频 段的频谱观测能量信号采样总次数。
由于次用户位置的不确定性，当某次用户与某主用户距离特别近时，其频谱观测 能量信号的频谱观测能量值较大，若其他次用户与主用户距离较远，则将能量观测矩阵
Figure 881907DEST_PATH_IMAGE036
直接转化为灰度图像时，其他次用户亮度特征不明显。为进一步提高频谱感知的精确 度，在簇头中设置数据预处理步骤，即簇头接收到的小区内各次用户的频谱观测能量信号 生成能量观测矩阵后，将能量观测矩阵中大于等于能量阈值的频谱观测能量值修改为能量 阈值，能量阈值为能量观测矩阵中频谱观测能量值按照从大到小排序，排在第q位的频谱观 测能量值，q的值可根据频谱观测能量值总个数的百分比确定，频谱观测能量值总个数的百 分比可以是，频谱观测能量值总个数的前10%，也可以是频谱观测能量值总个数的前12%等 等，以频谱观测能量值总个数的前10%为例：按照频谱观测能量值总个数的前10%进行置底 处理，将排在前10%的频谱观测能量值均设置为排在前10%中最小的频谱观测能量值，即：假 设频谱观测能量值总个数有100个，按照频谱观测能量值的大小从大到小排序，排在第10位 的频谱观测能量值为能量阈值，将前9位的频谱观测能量值都修改为能量阈值。
步骤S300，将处理后的能量观测矩阵进行图像转化，获得灰度图像。
其中，将处理后的能量观测矩阵
Figure 241344DEST_PATH_IMAGE036
按照其各元素值转化为图像，可以清楚的观 测到各主用户的使用情况和地理位置。因此可以利用卷积神经网络对处理后的能量观测矩 阵进行识别，判断出哪些主用户采用哪种功率接入目标频段。不同于传统的CNN，本申请设 计的Shuffle-Dense Net具有特征深度传递的能力，在网络深度十分大的情况下，依旧能保 持特征传递，并且网络参数少，计算速度快。
步骤S320，将灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出目标频段当前的信道状态。
在一个实施例中，将灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出目标频段当前的信道状态的步骤，包括：将灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型的第一卷积层进行特征提取，获得初步特征图像；将初步特征图像输入，频谱感知模型中由多个通道混叠稠密块级联而成的神经网络单元进行特征提取，输出最终混合特征；将混合特征输入到频谱感知模型的全局最大池化层中，进行平面到点的转换，获得特征值；将特征值输入至频谱感知模型中全连接层进行分类计算，输出目标频段当前的信道状态。
在一个实施例中，神经网络单元是多个通道混叠稠密块之间通过最大池化层级联而成，最大池化层的维度为2×2，步长为2。
其中，基于Shuffle-Dense神经网络的频谱感知模型的整体结构示意图如图3所示，基于Shuffle-Dense神经网络的频谱感知模型包括第一卷积层、由多个通道混叠稠密块级联而成的神经网络单元、全局最大池化层和全连接层，多个通道混叠稠密块之间，加入一个最大池化层（Max Pooling Layer，MP），MP的内部是一个维度为2×2，步长为2的最大池化层。最大池化层的作用有两个，一是可以减小每个通道特征图的大小，去除冗余，提升下个通道混叠稠密块的计算速度；二是可以增加输出特征的非线性，避免过拟合。需要注意的是，在最后一个通道混叠稠密块的输出端，连接的是一个全局最大池化层，全局最大池化层通过计算每个通道特征图的均值，实现由平面到点的转换，直接将输出特征进行降维处理，方便输入最后的全连接层进行分类计算。
在一个实施例中，神经网络单元进行特征提取的步骤，包括：将初步特征图像输入到神经网络单元的第一个通道混叠稠密块中，采用通道分离技术分为两组，获得第一初步特征组和第二初步特征组；将第一初步特征组输入到神经网络单元的第一子网络进行深度提取，输出深度特征；将第二初步特征组输入到神经网络单元的第二子网络进行维度处理，输出原始特征；将深度特征与原始特征在通道维度上进行混合，获得初步混合特征；将初步混合特征通过神经网络单元的最大池化层进行池化后，输入到下一个通道混叠稠密块进行特征提取，由最后一个通道混叠稠密块输出最终混合特征。
其中，通过第一卷积层卷积后获得的初步特征图像在通道混叠稠密块中，最初使用通道分离技术，将输入的初步特征图像分为第一初步特征组和第二初步特征组，第一子网络的主要作用是用于特征提取，而第二子网络的作用在于将特征进行传递。第一子网络的输出是将特征进行深度提取后的结果，随着第一子网络中层数的增加，输出特征与输入特征的联系将会越来越小，这有可能导致过拟合问题的产生，所以利用第二子网络的维度处理模块（Dimension Processing Block, DPB）传递初始输入特征。由于第一子网络的输出维度很高，大于初始输入，所以第二子网络的维度处理模块需要利用1×1卷积进行升维处理，增大初始输入所占比重，1×1卷积核个数与类稠密块输出后连接的末端卷积层内卷积核个数相同。维度处理模块仅采用1×1的卷积方式，只对输入做简单的维度处理，能够最大程度保留输入的原始特征，保证了特征传递。通道混叠稠密块的末尾采用通道混叠技术，将两个子网络（第一子网络和第二子网络）的输出在通道维度上进行混合，获得初步混合特征，使得深度特征和原始特征分布更加均匀，从而避免下个通道混叠稠密块通道分离时，特征传递不足的情况。
首先在簇头次用户内，先用基于Shuffle-Dense神经网络的频谱感知模型的大尺寸的第一卷积层，将输入的灰度图像进行卷积，提取初步特征，并且增加灰度图像的维度，获得初步特征图像，这一步的作用在于缩小单个通道特征图的大小，减少计算量，通过增加通道数，保证在每个通道混叠稠密块末端进行通道混叠时的特征传递。如图4所示，通过第一卷积层卷积后，采用通道分离技术，将多维的初步特征图像分为两组，即第一初步特征组和第二初步特征组，将第一初步特征组和第二初步特征组分别经过不同的子网络（第一子网络和第二子网络），进行特征的二次提取。通道分离的作用在于减少每个子网络输入多维特征的深度，减少子网络的计算量，同时储存部分初步特征，保证整个网络的特征传递能力。
如图4所示，在一个实施例中，第一子网络包括：类稠密块和末端卷积层；
类稠密块的每个卷积层的输入包含之前所有卷积层的输出，即：
Figure 303978DEST_PATH_IMAGE037
其中，
Figure 116077DEST_PATH_IMAGE038
表示类稠密块的输入，
Figure 492831DEST_PATH_IMAGE039
表示第1层的输出，
Figure 769092DEST_PATH_IMAGE040
表示第2层的输出，
Figure 691043DEST_PATH_IMAGE041
表 示第l-1层的输出，
Figure 52754DEST_PATH_IMAGE042
表示第l层的输出，
Figure 967620DEST_PATH_IMAGE043
表示第l层的非线性变换；
卷积层依次包括BN-RELU模块、1×1的卷积模块和3×3组卷积；BN-RELU模块对输入的特征进行归一化处理后，输入1×1的卷积模块进行降维，将降维后的特征输入到3×3组卷积，按照一个卷积核处理一个通道的特征的方式，对降维后的特征进行组卷积，将组卷积后的特征输入到下一个卷积层进行卷积；最后一个卷积层输出的特征与之前所有卷积层输出的特征进行拼接后，输入至末端卷积层进行特征整合、特征降维处理，获得深度特征。
其中，末端卷积层进行1×1卷积进行特征整合、特征降维处理，获得深度特征。类稠密块(Quasi Dense Block, QDB) 通过不断将之前层的输出在网络中迭代，加强了网络内的特征传递，避免了网络过拟合。类稠密块有一个重要的参数：生长率（growth rate，Gr），Gr表示在每个类稠密块内每个卷积层的输出特征通道数，即每层卷积层内卷积核个数，Gr的大小决定的提取出的特征个数，同时也决定着网络参数的数量，Gr的选择需要将二者进行综合考虑。
如图4所示，在类稠密块内，每层的输入首先经过批量标准化(BatchNormalization, BN)和Relu激活，即图二中BN—>RELU（BN-RELU模块），BN-RELU模块的作用在于将每个卷积层的输入（之前所有卷积层的输出）做归一化处理，能够使得数据的分布具有一定的规律性，加快网络收敛。每个卷积层的输入进行BN-RELU模块后，先通过1×1的卷积模块。该卷积模块有两个作用：第一是降低输入特征的通道数，减少后续卷积的计算参数，同时控制输出通道数等于Gr；第二是将组卷积的输出特征进行混合，增强通道间的特征联系。在类稠密块内，每个卷积层输入是之前所有卷积层输出特征图的纵向拼接，所以每个卷积层的输入通道数：
Figure 567229DEST_PATH_IMAGE044
式中，
Figure 971665DEST_PATH_IMAGE045
表示第l个卷积层的输入通道数，
Figure 492776DEST_PATH_IMAGE046
表示QDB第一个卷积层的输 入特征通道数，
Figure 273651DEST_PATH_IMAGE047
表示QDB内每个卷积层的输出特征通道数。每次进行组卷积前，使用 Gr个1×1的卷积核进行降维处理，因此每个卷积层的实际输入通道为Gr。通过1×1的卷积 操作，使得类稠密块每个卷积层的计算参数变为原来的
Figure 711454DEST_PATH_IMAGE048
，当类稠密块内层数变 多时，越往后的卷积层的输入越多，1×1卷积减少参数的作用越为明显，节省了大量的计算 资源。
类稠密块的内卷积采用了组卷积代替传统卷积，组卷积的结构如图5所示，图5中输入的通道数为Gr，组卷积的特点在于将输入特征按照通道数进行分割，然后卷积核的个数和通道数相同，每个卷积核只对一个通道的输入做卷积，最后再将各个卷积核卷积后的结果进行通道拼接。类稠密块中，采用了组卷积的极致方式——纵深卷积（DepthwiseConvolution， DW），直接将输入按照通道数分为Gr组，每组仅用一个卷积核进行卷积，因此需要Gr个组卷积核，输出特征的通道数依旧为Gr，这保证了整个类稠密块中增长率Gr的稳定。组卷积的设计是为了再次减少计算参数，节省计算资源:
Figure 286792DEST_PATH_IMAGE049
式中，
Figure 295199DEST_PATH_IMAGE050
和
Figure 614185DEST_PATH_IMAGE051
分别代表每层使用组卷积和传统卷积的参数，
Figure 657227DEST_PATH_IMAGE052
表 示该卷积采用的卷积核的大小（通常卷积核的长宽相等），channels表示当前层输入特征的 通道数，在类稠密块中，每层组卷积的输入已经经过1×1的卷积模块进行降维处理，因此输 入通道数为Gr。对比组卷积和传统卷积的参数，可以发现组卷积将计算参数减小为传统卷 积的
Figure 606729DEST_PATH_IMAGE053
，每个类稠密块的Gr是可以调整的，Gr越大，组卷积能够极大的缩短计算过程，节 省计算资源。
由于组卷积的卷积核只在单层通道上做卷积运算，因此组卷积的输出在通道层面的关联性不强，1×1的卷积模块的第二个作用在此显得尤为重要。类稠密块内每个组卷积前使用1×1的卷积模块，将之前层的输出做通道整合，加强各通道之间的联系，避免了特征丢失或者过拟合问题的产生。
类稠密块的输出为输入和所有层输出特征图的拼接，输出特征通道数为：
Figure 430328DEST_PATH_IMAGE054
式中，
Figure 241421DEST_PATH_IMAGE055
表示每个类稠密块的最终输出，L表示类稠密块内总共包含的组 卷积层。可得，类稠密块输出特征图像的通道数和类稠密块内卷积层的层数成正比，当类稠 密块内卷积层的层数为几十层时，每个类稠密块输出特征通道数很多，如果直接输入下一 个通道混叠稠密块进行特征提取，计算参数量巨大，因此设计的网络在每个类稠密块的末 端加入1×1的末端卷积层。
1×1的末端卷积层有两个作用：特征整合、特征降维处理。特征整合作用和先前1×1的卷积模块类似，加强整个类稠密块输出特征在通道维度上的相关性。降维处理操作通过1×1的末端卷积层，在最大度上保留原特征的同时降低整个类稠密块的输出通道数，减小后续计算的参数量。同时通过此1×1的末端卷积层，控制下个通道混叠稠密块输入特征通道数，使其多于上个通道混叠稠密块的输入特征通道数，符合神经网络设计的一般性原则：特征图减小，通道数增加。
在一个实施例中，全连接层的激活函数为softmax函数，softmax函数的表达式为：
Figure 404549DEST_PATH_IMAGE056
式中，
Figure 321689DEST_PATH_IMAGE057
为全连接层第j种结果的输出，
Figure 304689DEST_PATH_IMAGE058
表示第j种结果的预测概率，n表示分 类的结果总个数，
Figure 965477DEST_PATH_IMAGE059
为全连接层第i种结果的输出，e为自然对数函数的底数。
其中，在网络的最后，选取全连接层将不同通道的输出赋予不同权重，作为分类的最后一步。选取softmax函数作为全连接层的激活函数，softmax函数通过e函数将所有结果的输出转化为非负数，并且将输出转化为归一化概率。通过全连接层和softmax函数将结果不局限于某种明确的输出，而是以概率的方式呈现，使得预测结果的可利用性更高。
在一个实施例中，构建基于Shuffle-Dense神经网络的待训练频谱感知模型，训练 待训练频谱感知模型采用的训练数据集，从历史小区频谱能量观测矩阵提取而来，历史能 量观测矩阵根据其主用户占用频谱状态，给每种信道状态分配标签。历史每个时隙的频谱 观测矩阵被标注为（R， L），R表示当前矩阵内容，L表示当前矩阵标签，每个R仅对应一种L标 签。将历史数据取90%作为训练集
Figure 983112DEST_PATH_IMAGE060
，10%作为测试数据集
Figure 71154DEST_PATH_IMAGE061
，利用训 练集训练待训练频谱感知模型，用训练好的网络参数在测试集上测试。在预测网络中可以 设置合适的L、Gr以及通道混叠稠密块个数来设计适合当前场景的网络，得到最优网络结 构，即用于识别目标频段当前的信道状态的频谱感知模型。
频谱感知模型的伪代码如下：
算法1 Shuffle-Dense Net频谱感知算法
1：网络初始化，设置类稠密块内卷积层的层数L和增长率Gr，设置网络中通道混叠 稠密块个数，设置随机权重
Figure 790717DEST_PATH_IMAGE062
；
2：数据预处理：给出训练数据集
Figure 255196DEST_PATH_IMAGE063
给出测试数据集
Figure 127337DEST_PATH_IMAGE064
；
3：while episode
Figure 386280DEST_PATH_IMAGE065
do:
通过损失函数
Figure 609451DEST_PATH_IMAGE066
更新权重参数
Figure 815305DEST_PATH_IMAGE062
，
Episode += 1
end while；
4：输入测试集频谱观测矩阵进行测试。
上述NOMA系统中基于机器学习的频谱感知方法，结合次用户的位置特征和主用户发射信号的衰落特性，利用各次用户的能量感知结果进行协作频谱感知，直接将小区能量观测矩阵输入神经网络进行识别，减少了复杂的数学计算；且在网络结构上进行优化，整体计算参数较少，计算速度较现有网络有大幅提升，是一个轻量级高精度网络，可以直接在次用户上运行，减轻基站负担。设计网络特征深度传递能力较强，在网络层数增加时，依旧能够稳定的传递特征，提高了频谱感知准确率。
上述NOMA系统中基于机器学习的频谱感知方法，与现有技术相比有如下优点：本申请结合NOMA系统中功率域复用特点，结合信道衰落特征，提出一种基于机器学习的频谱感知方法。与传统的频谱感知方法相比，本申请的计算参数少，计算速度快；与传统集中式频谱感知方法相比，本申请可以直接在次用户上运行，减小了基站负担，更为灵活，且避免了与基站二次通信造成的时延。本申请的网络特征传递能力极强，在网络深度较深的情况下依旧能够减少特征的丢失，提高感知的准确率。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种NOMA系统中基于机器学习的频谱感知装置，包括：感知申请发送模块410、能量信号接收模块420、预处理模块430、矩阵填入模块440、图像转化模块450和识别模块460。
感知申请发送模块410，用于当需要采用目标频段发送消息时，向对应基站发送目标频段的感知申请，使基站向覆盖范围内的各次用户发布对目标频段的频谱感知任务。
能量信号接收模块420，用于获取基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号。
矩阵填入模块430，用于根据各次用户的位置信息，将各频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵。
预处理模块440，用于对能量观测矩阵进行预处理，获得处理后的能量观测矩阵。
图像转化模块450，用于将处理后的能量观测矩阵进行图像转化，获得灰度图像。
识别模块460，用于将灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出目标频段当前的信道状态。
关于NOMA系统中基于机器学习的频谱感知装置的具体限定可以参见上文中对于NOMA系统中基于机器学习的频谱感知方法的限定，在此不再赘述。上述NOMA系统中基于机器学习的频谱感知装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的NOMA系统中基于机器学习的频谱感知方法的步骤。
在一个实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的NOMA系统中基于机器学习的频谱感知方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种NOMA系统中基于机器学习的频谱感知方法，其特征在于，所述方法包括：
当需要采用目标频段发送消息时，向对应基站发送所述目标频段的感知申请，使所述基站向覆盖范围内的各次用户发布对所述目标频段的频谱感知任务；
获取所述基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号；
根据各所述次用户的位置信息，将各所述频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵；
对所述能量观测矩阵进行预处理，获得处理后的能量观测矩阵；
将所述处理后的能量观测矩阵进行图像转化，获得灰度图像；
将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态。
2.根据权利要求1所述的方法，其特征在于，所述将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态的步骤，包括：
将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型的第一卷积层进行特征提取，获得初步特征图像；
将所述初步特征图像输入，所述频谱感知模型中由多个通道混叠稠密块级联而成的神经网络单元进行特征提取，输出最终混合特征；
将所述混合特征输入到所述频谱感知模型的全局最大池化层中，进行平面到点的转换，获得特征值；
将所述特征值输入至所述频谱感知模型中全连接层进行分类计算，输出所述目标频段当前的信道状态。
3.根据权利要求2所述的方法，其特征在于，所述神经网络单元是多个所述通道混叠稠密块之间通过最大池化层级联而成，所述最大池化层的维度为2×2，步长为2。
4.根据权利要求3所述的方法，其特征在于，所述神经网络单元进行特征提取的步骤，包括：
将所述初步特征图像输入到神经网络单元的第一个通道混叠稠密块中，采用通道分离技术分为两组，获得第一初步特征组和第二初步特征组；
将所述第一初步特征组输入到所述神经网络单元的第一子网络进行深度提取，输出深度特征；
将所述第二初步特征组输入到所述神经网络单元的第二子网络进行维度处理，输出原始特征；
将所述深度特征与所述原始特征在通道维度上进行混合，获得初步混合特征；
将所述初步混合特征通过所述神经网络单元的最大池化层进行池化后，输入到下一个通道混叠稠密块进行特征提取，由最后一个通道混叠稠密块输出最终混合特征。
5.根据权利要求4所述的方法，其特征在于，所述第一子网络包括：类稠密块和末端卷积层；
所述类稠密块的每个卷积层的输入包含之前所有卷积层的输出，即：
Figure 692410DEST_PATH_IMAGE001
其中，
Figure 16075DEST_PATH_IMAGE002
表示类稠密块的输入，
Figure 530233DEST_PATH_IMAGE003
表示第1层的输出，
Figure 722180DEST_PATH_IMAGE004
表示第2层的输出，
Figure 270973DEST_PATH_IMAGE005
表示第l-1层的输出，
Figure 516271DEST_PATH_IMAGE006
表示第l层的输出，
Figure 517726DEST_PATH_IMAGE007
表示第l层的非线性变换；
所述卷积层依次包括BN-RELU模块、1×1的卷积模块和3×3组卷积；
所述BN-RELU模块对输入的特征进行归一化处理后，输入所述1×1的卷积模块进行降维，将降维后的特征输入到所述3×3组卷积，按照一个卷积核处理一个通道的特征的方式，对所述降维后的特征进行组卷积，将组卷积后的特征输入到下一个卷积层进行卷积；
最后一个卷积层输出的特征与之前所有卷积层输出的特征进行拼接后，输入至末端卷积层进行特征整合、特征降维处理，获得深度特征。
6.根据权利要求2所述的方法，其特征在于，所述全连接层的激活函数为softmax函数，所述softmax函数的表达式为：
Figure 247784DEST_PATH_IMAGE008
式中，
Figure 588767DEST_PATH_IMAGE009
为全连接层第j种结果的输出，表示第j种结果的预测概率，n表示分类的结果总 个数，
Figure 316551DEST_PATH_IMAGE010
为全连接层第i种结果的输出，e为自然对数函数的底数。
7.根据权利要求1所述的方法，其特征在于，所述对所述能量观测矩阵进行预处理，获得处理后的能量观测矩阵的步骤，包括：
将所述能量观测矩阵中大于能量阈值的频谱观测能量值修改为所述能量阈值，获得处理后的能量观测矩阵，所述能量阈值为所述能量观测矩阵中频谱观测能量值按照从大到小排序，排在第q位的频谱观测能量值。
8.一种NOMA系统中基于机器学习的频谱感知装置，其特征在于，所述装置包括：
感知申请发送模块，用于当需要采用目标频段发送消息时，向对应基站发送所述目标频段的感知申请，使所述基站向覆盖范围内的各次用户发布对所述目标频段的频谱感知任务；
能量信号接收模块，用于获取所述基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号；
矩阵填入模块，用于根据各所述次用户的位置信息，将各所述频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵；
预处理模块，用于对所述能量观测矩阵进行预处理，获得处理后的能量观测矩阵；
图像转化模块，用于将所述处理后的能量观测矩阵进行图像转化，获得灰度图像；
识别模块，用于将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110842622.9A 2021-07-26 2021-07-26 Noma系统中基于机器学习的频谱感知方法和装置 Active CN113300796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110842622.9A CN113300796B (zh) 2021-07-26 2021-07-26 Noma系统中基于机器学习的频谱感知方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110842622.9A CN113300796B (zh) 2021-07-26 2021-07-26 Noma系统中基于机器学习的频谱感知方法和装置

Publications (2)

Publication Number Publication Date
CN113300796A true CN113300796A (zh) 2021-08-24
CN113300796B CN113300796B (zh) 2021-10-08

Family

ID=77330955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110842622.9A Active CN113300796B (zh) 2021-07-26 2021-07-26 Noma系统中基于机器学习的频谱感知方法和装置

Country Status (1)

Country Link
CN (1) CN113300796B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676729A (zh) * 2022-03-28 2022-06-28 清华大学 时分复用信号的分接方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3151164A2 (en) * 2016-12-26 2017-04-05 Argosai Teknoloji Anonim Sirketi A method for foreign object debris detection
CN107995628A (zh) * 2017-12-18 2018-05-04 北京工业大学 一种深度学习的认知无线网络多用户协作频谱感知方法
CN110472587A (zh) * 2019-08-19 2019-11-19 四川大学 基于cnn和声音时频特征图的微型振动马达缺陷识别方法及装置
CN110570431A (zh) * 2019-09-18 2019-12-13 东北大学 一种基于改进的卷积神经网络的医学图像分割方法
CN110595780A (zh) * 2019-09-20 2019-12-20 西安科技大学 基于振动灰度图像和卷积神经网络的轴承故障识别方法
CN111242849A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于深度卷积神经网络的频谱超分辨率在线重建方法
CN112036475A (zh) * 2020-08-28 2020-12-04 江南大学 融合模块和多尺度特征融合卷积神经网络及图像识别方法
CN112990026A (zh) * 2021-03-19 2021-06-18 西北大学 基于对抗训练的无线信号感知模型构建、感知方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3151164A2 (en) * 2016-12-26 2017-04-05 Argosai Teknoloji Anonim Sirketi A method for foreign object debris detection
CN107995628A (zh) * 2017-12-18 2018-05-04 北京工业大学 一种深度学习的认知无线网络多用户协作频谱感知方法
CN110472587A (zh) * 2019-08-19 2019-11-19 四川大学 基于cnn和声音时频特征图的微型振动马达缺陷识别方法及装置
CN110570431A (zh) * 2019-09-18 2019-12-13 东北大学 一种基于改进的卷积神经网络的医学图像分割方法
CN110595780A (zh) * 2019-09-20 2019-12-20 西安科技大学 基于振动灰度图像和卷积神经网络的轴承故障识别方法
CN111242849A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于深度卷积神经网络的频谱超分辨率在线重建方法
CN112036475A (zh) * 2020-08-28 2020-12-04 江南大学 融合模块和多尺度特征融合卷积神经网络及图像识别方法
CN112990026A (zh) * 2021-03-19 2021-06-18 西北大学 基于对抗训练的无线信号感知模型构建、感知方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王欣: ""基于机器学习及授权用户传输模式分类的频谱感知研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
聂建园: ""基于机器学习和压缩感知的认知无线电频谱感知研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676729A (zh) * 2022-03-28 2022-06-28 清华大学 时分复用信号的分接方法、装置、设备及存储介质
CN114676729B (zh) * 2022-03-28 2023-02-07 清华大学 时分复用信号的分接方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113300796B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN112181666A (zh) 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN110926782B (zh) 断路器故障类型判断方法、装置、电子设备及存储介质
CN110167176B (zh) 一种基于分布式机器学习的无线网络资源分配方法
CN111628855A (zh) 基于深度强化学习的工业5g动态多优先级多接入方法
CN113094181A (zh) 面向边缘设备的多任务联邦学习方法及装置
CN113300796B (zh) Noma系统中基于机器学习的频谱感知方法和装置
US20220092391A1 (en) System and method of using neuroevolution-enhanced multi-objective optimization for mixed-precision quantization of deep neural networks
CN114912486A (zh) 一种基于轻量化网络的调制方式智能识别方法
CN112819157B (zh) 神经网络训练的方法及装置、智能行驶控制的方法及装置
Noh et al. Sparse CNN and deep reinforcement learning-based D2D scheduling in UAV-assisted industrial IoT networks
CN117119486B (zh) 一种保障多小区蜂窝网长期用户速率的深度无监督学习资源分配方法
CN116404212B (zh) 锌铁液流电池系统容量均衡控制方法及系统
EP4328802A1 (en) Deep neural network (dnn) accelerators with heterogeneous tiling
CN115001937B (zh) 面向智慧城市物联网的故障预测方法及装置
US20220188594A1 (en) Neural network computation for eigen value and eigen vector decomposition of matrices
CN115529616A (zh) 基于路由器的物联网设备的配置方法及双频无线路由器
CN114781598A (zh) 一种基于分层神经网络分布式训练的故障预测方法
CN114723074A (zh) 聚类联邦学习框架下的主动学习客户选择方法和装置
CN113516224A (zh) 神经网络的优化方法及装置、电子设备及存储介质
WO2024040546A1 (en) Point grid network with learnable semantic grid transformation
CN116662415B (zh) 基于数据挖掘的智能匹配方法及系统
CN117724858B (zh) 地理空间分析模型调度方法、装置、设备及介质
CN114268409B (zh) 构造极化码的索引序列的方法及装置
CN112507358B (zh) 一种基于场景需求的轻量化加密算法的选择方法
CN117975163A (zh) 一种基于改进Transformer的无线频谱状态图像分类方法

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