CN113347638A - 一种认知工业物联网动态协作频谱预测与感知方法 - Google Patents
一种认知工业物联网动态协作频谱预测与感知方法 Download PDFInfo
- Publication number
- CN113347638A CN113347638A CN202110527019.1A CN202110527019A CN113347638A CN 113347638 A CN113347638 A CN 113347638A CN 202110527019 A CN202110527019 A CN 202110527019A CN 113347638 A CN113347638 A CN 113347638A
- Authority
- CN
- China
- Prior art keywords
- channel
- cognitive
- network
- prediction
- channels
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 69
- 238000001228 spectrum Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002776 aggregation Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 18
- 230000008447 perception Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 5
- 238000013475 authorization Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- 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
Abstract
本发明公开一种认知工业物联网动态协作频谱预测与感知方法,步骤为:认知用户获取IEEE 802.11物理层标准所规定信道在过去K个时隙内的信道状态信息CSI;将上述所有信道的CSI分别输入信道预测模型,该模型由LSTM‑CNN网络构成;对于空闲概率大于p的信道,认知用户感知这些信道并判断信道的被占用情况;认知用户将判决结果发送到位于SDN控制器的聚合中心;聚合中心将各认知用户的判决结果进行数据融合,利用权重分配网络得到最终判决结果。本发明方法可实现信道的预筛选,节约信道感知过程的能量消耗,通过聚合中心融合多用户协作的感知结果,大幅提高信道预测和感知精度,更加适应复杂的射频环境。
Description
技术领域
本发明涉及一种认知无线电中的频谱共享技术,具体为一种认知工业物联网动态协作频谱预测与感知方法。
背景技术
当前工业物联网中多采用固定的频谱分配策略管理频谱资源,保证设备间无线通信不发生干扰。在固定频谱分配策略中,频谱资源被划分为若干频段,每个频段被称为一个信道,通信业务或通信系统以独占的形式使用被分配的信道进行通信。在固定频谱分配策略中,独占信道的用户被称为授权用户,被独占的频谱资源被称为授权频谱,这些用户有信道的长期使用权,同时其他用户不得使用该信道。但是随着工业物联网的快速发展,固定频谱分配策略难以满足无线通信设备和信道资源的需求变化。一方面,无线局域网等新型无线业务主要依赖非授权频谱,这些业务的快速增长使非授权频谱资源短缺的问题愈发严重。另一方面,授权频谱的总体利用率较低,存在长期空闲和浪费的情况。
为了改善上述频谱资源短缺的现状,认知无线电(Cognitive Radio,CR)技术通过频谱预测、感知、决策、切换等功能,允许非授权用户使用授权频谱资源,使频谱资源的配置更加合理与灵活。在认知无线电中,授权用户被称为主用户,非授权用户被称为次用户,次用户需要通过频谱预测和频谱感知等手段,判断某信道是否被主用户占用,并在保证主用户不占用时选择接入的信道和发射功率。目前人工神经网络是频谱预测的有效手段,但是通常在频谱占用情况预测时缺乏CSI的考虑,导致预测准确率较低。
发明内容
针对现有认知工业物联网场景下存在动态频谱预测时缺乏CSI的考虑,导致预测准确度较低等问题,本发明提出一种认知工业物联网动态协作频谱预测与感知方法,认知用户通过CSI预测信道的未来占用情况,利用信道感知技术感知上述预测空闲的信道,并通过用户间协作的方式确定主用户是否存在,该方案能提供高精度的频谱感知结果。
为解决上述技术问题,本发明采用的技术方案是:
本发明提供一种认知工业物联网动态协作频谱预测与感知方法,包括以下步骤:
1)认知用户获取IEEE 802.11物理层标准所规定信道在过去K个时隙内的信道状态信息CSI;
2)将上述所有信道的CSI分别输入信道预测模型,该模型由LSTM-CNN网络构成,其输入为一段时间内的CSI,输出为该信道的占用和空闲概率;
3)对于空闲概率大于p的信道,认知用户感知这些信道并判断信道的被占用情况;
4)认知用户将判决结果发送到位于SDN控制器的聚合中心;
5)聚合中心将各认知用户的判决结果进行数据融合,利用权重分配网络得到最终判决结果。
步骤2)中,信道预测模型包括:输入层、LSTM网络、CNN网络、全连接网络和输出层;
所述输入层包括:过去K个时隙内,每个时隙采集1次CSI信息,依据IEEE 802.11物理层标准的规定,每次采集30个子信道的CSI幅度值;
设计时隙的帧结构,使每个时隙可完成一次完整的预测、感知、汇报、判决过程;
LSTM网络包括2层经典LSTM结构,神经元数量分别为32和64;
CNN网络包括3层经典CNN结构,LSTM网络中K时隙的输出全部输入CNN网络中,通过步长为2的3*3卷积层;
全连接网络将CNN网络输出摊平之后,通过3层经典全连接层变换为2维向量;
输出层采用softmax输出,2维向量中的2个参数分别为信道占用和空闲的预测概率。
步骤2)中,设计时隙的帧结构,该帧结构定义了信道在一个时隙内所有认知用户的动作情况,将信道划分出带宽为Wb的子信道,用于协作频谱预测和感知,剩余W-Wb的子信道用于无间断数据传输。在Wb子信道内,所有认知用户在时间片t1内同时完成预测任务,在时间片t2内同时完成感知任务,在时间片t3内依次向聚合中心报告信道感知结果,聚合中心在时间片t4内将各用户的信道感知结果融合,得到最终判决结果。
步骤3)中,选取并感知空闲概率大于p的信道,信道感知方法采用双门限能量检测和循环平稳特征混合方法,具体为:若信道信噪比大于γ,则利用现有的经典双门限能量检测方法,若信道信噪比小于γ,则利用现有的经典循环平稳特征检测方法。
步骤5)中,聚合中心的全部功能集成在认知工业物联网的SDN控制器内;
权重分配网络包括输入层、LSTM网络、信噪比叠加网络、全连接层和输出层;
输入层包括所有用户的历史判决结果,所有用户指的是连接到同一聚合中心的所有认知用户;历史判决结果指的是过去K个时隙内所有认知用户向聚合中心汇报的信道判决结果;
LSTM网络包括2层经典LSTM结构;
信噪比叠加网络由两部分构成,分别为LSTM网络的K维输出向量和每个用户当前的实时信噪比估计值,将两向量逐点相加;
全连接层包括2层经典全连接结构;
输出层采用softmax输出,其中每个元素为对应每个用户当前的权重值。
本发明具有以下有益效果及优点:
1.本发明方法利用CSI和LSTM-CNN网络预测未来信道占用情况,可实现信道的预筛选,节约信道感知过程的能量消耗;
2.本发明方法利用双门限能量检测和循环平稳特征检测混合方式感知信道占用,提高信道感知精度;
3.本发明方法通过聚合中心融合多用户协作的感知结果,大幅提高信道预测和感知精度,更加适应复杂的射频环境。
附图说明
图1为本发明一种认知工业物联网动态协作频谱预测与感知方法总体流程图;
图2为本发明所提出的协作频谱预测和感知的帧结构示意图;
图3为本发明所提出的LSTM-CNN信道占用情况预测模型结构示意图;
图4为本发明中频谱感知算法流程图;
图5为本发明中双门限频谱感知算法流程图;
图6为本发明中循环平稳特征频谱感知算法流程图;
图7为本发明中协作感知用户权重分配网络模型结构示意图。
具体实施方式
下面结合附图对本发明进行详细说明,但本发明的保护范围不受实施例所限。
如图1所示,本发明提供一种认知工业物联网动态协作频谱预测与感知方法,包括以下步骤:
1)认知用户获取IEEE 802.11物理层标准所规定信道在过去K个时隙内的时隙内的信道状态信息CSI(Channel State Information);
2)将上述所有信道的CSI分别输入信道预测模型,该模型由LSTM-CNN网络构成,其输入为一段时间内的CSI,输出为该信道的占用和空闲概率;
3)对于空闲概率大于p的信道,认知用户感知这些信道并判断信道的被占用情况;
4)认知用户将判决结果发送到位于SDN控制器的聚合中心;
5)聚合中心将各认知用户的判决结果进行数据融合,利用权重分配网络得到最终判决结果。
本发明描述了一种动态协作频谱预测与感知方法,认知用户利用获取的CSI以及LSTM-CNN网络预测某信道未来一个时隙的占用情况;挑选空闲概率大于p的信道,利用能量和循环平稳特征结合的方法检测信道占用情况,并将判决结果发送到SDN控制器中;SDN控制器利用权重分配网络融合各认知用户的判决结果,得到最终的信道占用情况判决;SDN控制器公布最终判决结果。
步骤2)中,信道预测模型包括:输入层、LSTM网络、CNN网络、全连接网络和输出层;
所述输入层包括:过去K个时隙内,每个时隙采集1次CSI信息,依据IEEE 802.11物理层标准的规定,每次采集30个子信道的CSI幅度值;
选取时隙的帧结构,使每个时隙可完成一次完整的预测、感知、汇报、判决过程;
LSTM网络包括2层经典LSTM结构,神经元数量分别为32和64;
CNN网络包括3层经典CNN结构,LSTM网络中K时隙的输出全部输入CNN网络中,通过步长为2的3*3卷积层;
全连接网络将CNN网络输出摊平之后,通过3层经典全连接层变换为2维向量;
输出层采用softmax输出,2维向量中的2个参数分别为信道占用和空闲的预测概率。
步骤3)中,选取并感知空闲概率大于p的信道,信道感知方法采用双门限能量检测和循环平稳特征混合方法,具体为:若信道信噪比大于γ,则利用现有的经典双门限能量检测方法,若信道信噪比小于γ,则利用现有的经典循环平稳特征检测方法。
本步骤中,获取空闲概率较高的信道若干,估计这些信道的信噪比,信噪比较高时利用双门限能量检测信道占用情况,信噪比较低时,利用循环平稳特征检测信道占用情况,得到信道判决结果空闲H0或占用H1;
步骤4)中,将判决结果发送到位于SDN控制器的聚合中心,其中未判决的信道被视为被占用信道,判决结果为H1,被占用信道的判决结果同样为H1,空闲信道的判决结果为H0;
步骤5)中,聚合中心的全部功能集成在认知工业物联网的SDN控制器内;
权重分配网络包括输入层、LSTM网络、信噪比叠加网络、全连接层和输出层;
输入层包括所有用户的历史判决结果,所有用户指的是连接到同一聚合中心的所有认知用户;历史判决结果指的是过去K个时隙内所有认知用户向聚合中心汇报的信道判决结果;
LSTM网络包括2层经典LSTM结构;
信噪比叠加网络由两部分构成,分别为LSTM网络的K维输出向量和每个用户当前的实时信噪比估计值,将两向量逐点相加;
全连接层包括2层经典全连接结构;
输出层采用softmax输出,其中每个元素为对应每个用户当前的权重值。
SDN控制器利用权重分配网络融合各认知用户的判决结果,得到最终判决结果,其中SDN控制器即为认知网络的聚合中心,权重分配网络由LSTM-BP网络构成。
如图2所示,本发明中协作频谱预测和感知的帧结构,在该帧结构中,每一帧被认为是一个时隙,其长度为T。在该时隙内,考虑某信道带宽W,将该信道分为两个子信道,其中带宽为(W-Wb)的子信道用于无间断数据传输,其中带宽为Wb的子信道用于协作频谱预测和感知。对于协作频谱预测和感知过程,在帧开始时,每个认知用户独立进行信道占用情况预测,然后利用预测结果进行独立信道感知,在报告阶段将感知结果利用报告时隙发送到SDN控制器。SDN控制器作为聚合节点,通过每个认知用户的状态为认知用户分配权重,最终得到某信道的判决结果。
如图3所示,本发明还提出了一种基于LSTM-CNN的信道占用情况预测模型,该模型可利用一段时间的CSI,预测未来时隙的信道占用情况。以IEEE 802.11标准为例,OFDM将给定信道划分为多个正交子信道,在每个子信道上使用子载波进行调制,CSI即为子载波的幅度和相位信息。实践中,对于每个信道而言,每次可获取其30个子信道的CSI,IEEE802.11n-2009物理层标准中Table 7-25f规定了子信道的选择方法。
该预测方法需要先获取历史时隙中的CSI,在每个时隙起始时对CSI采样一次,得到幅值作为信号强度。每次预测时,使用过去100个时隙的CSI,将CSI以时域形式输入到2层LSTM网络中,LSTM网络利用门函数控制历史信息的记忆和遗忘,有效用于提取序列的时域特征。LSTM网络输入30维向量,2个隐藏层的神经元数分别为32和64,该LSTM网络输出64维向量。利用K个时隙的数据可得到尺寸为K*64的矩阵,该矩阵用于CNN网络的输入。CNN网络的卷积核有利于提取矩阵的抽象特征。CNN网络的输入尺寸为K*64*1(本实施例中,K=100)的矩阵,通过3次步长为2的卷积层,将尺寸变换为13*8*16的矩阵,并将该1664个参数利用摊平操作,变换为1664维向量,通过3个全连接层,参数量分别为512、64和16,该网络的最终输出为2维向量。2个输出值代表信道的2个预测状态,即为H1占用或者H0空闲的概率。
如图4所示,本发明方法中涉及的频谱感知算法,该算法选取LSTM-CNN网络预测后空闲概率大于p的信道,并针对这些信道逐一感知。感知过程中,首先进行信噪比估计,根据信道的状态筛选感知方法。若估计信噪比阈值S大于阈值γ,执行双门限能量检测,若信噪比阈值S小于等于γ,则执行循环平稳特征检测。最后,认知用户可将所有主用户存在的信道判决为H1,将主用户不存在或者未检测的信道判决为H0,并利用汇报时隙将结果传送到聚合中心。
如图5所示,双门限能量检测需要针对信道进行采样和快速傅里叶变换FFT操作,然后针对某频点在一段时间内的功率值进行求平均值操作,若该功率平均值T大于λa,则判决为H1占用,若T小于λb,则判决为H0空闲。若该值介于λa和λb之间,则增加500个采样点后继续判断,以提高系统稳定性。
如图6所示,由于主用户不存在时,信道中只存在噪声,接收信号没有循环平稳特性,检测统计量服从自由度为2的卡方分布;主用户存在时,接收信号有循环平稳性,检测统计量近似服从正态分布。故循环平稳特征检测需要在初始化系统之后执行信号采样,并且针对一段时间的信号执行快速傅里叶变换FFT操作,然后计算循环谱,并执行时间平均操作,将循环自相关函数Rα(τ)作为检测统计量,利用循环自相关函数判决用户不存在H0,或者用户存在H1。
如图7所示,本发明方法还提出了一个用于协作感知的权重分配网络。工业物联网中的软件定义网络SDN技术通过将网络的控制平面与数据平面分离,实现网络状态全局感知,网络流量灵活控制,通过编程的形式定义和控制网络,使网络更加智能。其中SDN控制器是SDN控制平面的核心,认知工业物联网可以使用SDN控制器作为协作感知的聚合中心。SDN控制器可在信道预测和感知之后,收集每个认知用户的信道判决结果H0或H1,得到用户-信道矩阵U,利用权重分配网络为每个认知用户分配权重,计算出每个信道的最终判决结果。
在权重分配网络中,需要首先将每个用户的历史判决结果和历史真实值作比较,得到历史交叉熵损失值,该损失值用于评价每个用户的历史判决准确度。假设认知网络中存在N个用户,则将这N个用户在过去K个时隙的判决损失输入权重生成网络中,该网络使用2层LSTM网络提取用户判决结果的时序特征,2层LSTM网络神经元数量分别为128和N,所以2层LSTM网络的输出数据为N维特征向量,该特征向量反应了每个认知用户在过去一段历史中的判决表现。然后得到每个认知用户的信噪比估计值,并构成N维信噪比估计值向量,将该向量与LSTM网络输出相加,利用全连接的方式连接2层BP神经网络,神经元数量分别为128和N,使用softmax函数生成权重值向量W。SDN控制器可直接利用该网络的输出值作为每个认知用户的权重值,利用H=UW得到信道的最终判决结果。
工业物联网中存在主用户和次用户,其中主用户属于授权网络,次用户属于认知网络,认知网络和授权网络会发生相互干扰,所以在保证授权网络有效连接的基础上,使次用户机会性地利用授权频谱,增加认知网络的整体吞吐量。
本发明提供的动态频谱协作预测与感知方法,预测过程可节约信道感知的能量消耗,协作感知过程能够准确判断某信道是否被占用,为认知用户的机会接入提供可选信道。
Claims (5)
1.一种认知工业物联网动态协作频谱预测与感知方法,其特征在于包括以下步骤:
1)认知用户获取IEEE 802.11物理层标准所规定信道在过去K个时隙内的信道状态信息CSI;
2)将上述所有信道的CSI分别输入信道预测模型,该模型由LSTM-CNN网络构成,其输入为一段时间内的CSI,输出为该信道的占用和空闲概率;
3)对于空闲概率大于p的信道,认知用户感知这些信道并判断信道的被占用情况;
4)认知用户将判决结果发送到位于SDN控制器的聚合中心;
5)聚合中心将各认知用户的判决结果进行数据融合,利用权重分配网络得到最终判决结果。
2.根据权利要求1所述的认知工业物联网动态协作频谱预测与感知方法,其特征在于:
步骤2)中,信道预测模型包括:输入层、LSTM网络、CNN网络、全连接网络和输出层;
所述输入层包括:过去K个时隙内,每个时隙采集1次CSI信息,依据IEEE 802.11物理层标准的规定,每次采集30个子信道的CSI幅度值;
设计时隙的帧结构,使每个时隙可完成一次完整的预测、感知、汇报、判决过程;
LSTM网络包括2层经典LSTM结构,神经元数量分别为32和64;
CNN网络包括3层经典CNN结构,LSTM网络中K时隙的输出全部输入CNN网络中,通过步长为2的3*3卷积层;
全连接网络将CNN网络输出摊平之后,通过3层经典全连接层变换为2维向量;
输出层采用softmax输出,2维向量中的2个参数分别为信道占用和空闲的预测概率。
3.根据权利要求2所述的认知工业物联网动态协作频谱预测与感知方法,其特征在于:步骤2)中,设计时隙的帧结构,该帧结构定义了信道在一个时隙内所有认知用户的动作情况,将信道划分出带宽为Wb的子信道,用于协作频谱预测和感知,剩余W-Wb的子信道用于无间断数据传输。在Wb子信道内,所有认知用户在时间片t1内同时完成预测任务,在时间片t2内同时完成感知任务,在时间片t3内依次向聚合中心报告信道感知结果,聚合中心在时间片t4内将各用户的信道感知结果融合,得到最终判决结果。
4.根据权利要求1所述的认知工业物联网动态协作频谱预测与感知方法,其特征在于:
步骤3)中,选取并感知空闲概率大于p的信道,信道感知方法采用双门限能量检测和循环平稳特征混合方法,具体为:若信道信噪比大于γ,则利用现有的经典双门限能量检测方法,若信道信噪比小于γ,则利用现有的经典循环平稳特征检测方法。
5.根据权利要求1所述的认知工业物联网动态协作频谱预测与感知方法,其特征在于:
步骤5)中,聚合中心的全部功能集成在认知工业物联网的SDN控制器内;
权重分配网络包括输入层、LSTM网络、信噪比叠加网络、全连接层和输出层;
输入层包括所有用户的历史判决结果,所有用户指的是连接到同一聚合中心的所有认知用户;历史判决结果指的是过去K个时隙内所有认知用户向聚合中心汇报的信道判决结果;
LSTM网络包括2层经典LSTM结构;
信噪比叠加网络由两部分构成,分别为LSTM网络的K维输出向量和每个用户当前的实时信噪比估计值,将两向量逐点相加;
全连接层包括2层经典全连接结构;
输出层采用softmax输出,其中每个元素为对应每个用户当前的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527019.1A CN113347638B (zh) | 2021-05-14 | 2021-05-14 | 一种认知工业物联网动态协作频谱预测与感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527019.1A CN113347638B (zh) | 2021-05-14 | 2021-05-14 | 一种认知工业物联网动态协作频谱预测与感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113347638A true CN113347638A (zh) | 2021-09-03 |
CN113347638B CN113347638B (zh) | 2024-04-30 |
Family
ID=77469996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110527019.1A Active CN113347638B (zh) | 2021-05-14 | 2021-05-14 | 一种认知工业物联网动态协作频谱预测与感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113347638B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006124A (zh) * | 2009-08-28 | 2011-04-06 | 华为技术有限公司 | 频谱预测方法、装置和系统 |
CN102377494A (zh) * | 2010-08-17 | 2012-03-14 | 华为技术有限公司 | 频谱感知方法、装置及系统 |
CN102547795A (zh) * | 2012-02-14 | 2012-07-04 | 华中科技大学 | 自适应频谱感知调度方法 |
CN103260166A (zh) * | 2013-03-25 | 2013-08-21 | 西安电子科技大学 | 分布式认知无线网络基于联盟博弈的频谱分配方法 |
CN103746753A (zh) * | 2013-12-19 | 2014-04-23 | 镇江锐捷信息科技有限公司 | 一种基于认知无线网络的数据预测方法 |
CN103763043A (zh) * | 2013-12-06 | 2014-04-30 | 镇江坤泉电子科技有限公司 | 基于协作式认知网络高效无线频谱感知方法 |
CN104184526A (zh) * | 2013-05-23 | 2014-12-03 | 北京邮电大学 | 基于最优检测门限的两步认知无线电频谱检测方法 |
CN104683989A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于多信道同步协作频谱感知的宽带认知网络通信方法 |
CN104796899A (zh) * | 2015-03-23 | 2015-07-22 | 南京邮电大学 | 基于最优中继的自适应协作频谱感知方法和系统 |
CN105227253A (zh) * | 2015-08-20 | 2016-01-06 | 黑龙江科技大学 | 一种新型的基于能量检测的双门限协作频谱感知算法 |
CN105246082A (zh) * | 2015-09-30 | 2016-01-13 | 电子科技大学 | 一种基于能量检测的感知信息融合方法 |
CN105406928A (zh) * | 2015-10-26 | 2016-03-16 | 天津大学 | 水下认知网络中提高预测准确性的频谱预测方法 |
CN106231602A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学深圳研究院 | 一种基于预测机制和阈值判断的主动频谱切换方法 |
CN106656374A (zh) * | 2016-12-29 | 2017-05-10 | 南京邮电大学 | 一种基于双门限能量检测的协作宽带频谱感知方法 |
CN107276697A (zh) * | 2017-06-09 | 2017-10-20 | 西安电子科技大学 | 协作感知中基于减少冗余上传信息的节能方法 |
CN107370521A (zh) * | 2017-09-11 | 2017-11-21 | 东南大学 | 一种认知无线电多用户协作频谱感知方法 |
CN107623554A (zh) * | 2017-08-24 | 2018-01-23 | 西安电子科技大学 | 一种基于信任值的协作频谱感知方法、认知无线网络 |
CN110190918A (zh) * | 2019-04-25 | 2019-08-30 | 广西大学 | 基于深度q学习的认知无线传感器网络频谱接入方法 |
WO2019211792A1 (en) * | 2018-05-02 | 2019-11-07 | Jerusalem College Of Technology | Machine learning methods for sir prediction in cellular networks |
CN110932800A (zh) * | 2019-11-29 | 2020-03-27 | 北京邮电大学 | 一种宽频带多用户场景的联合检测方法及装置 |
CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
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
- 2021-05-14 CN CN202110527019.1A patent/CN113347638B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006124A (zh) * | 2009-08-28 | 2011-04-06 | 华为技术有限公司 | 频谱预测方法、装置和系统 |
US20120155318A1 (en) * | 2009-08-28 | 2012-06-21 | Huawei Technologies Co., Ltd. | Method, apparatus and system for spectrum prediction |
CN102377494A (zh) * | 2010-08-17 | 2012-03-14 | 华为技术有限公司 | 频谱感知方法、装置及系统 |
US20130157580A1 (en) * | 2010-08-17 | 2013-06-20 | Huawei Technologies Co., Ltd. | Spectrum Sensing Method, Apparatus, and System |
CN102547795A (zh) * | 2012-02-14 | 2012-07-04 | 华中科技大学 | 自适应频谱感知调度方法 |
CN103260166A (zh) * | 2013-03-25 | 2013-08-21 | 西安电子科技大学 | 分布式认知无线网络基于联盟博弈的频谱分配方法 |
CN104184526A (zh) * | 2013-05-23 | 2014-12-03 | 北京邮电大学 | 基于最优检测门限的两步认知无线电频谱检测方法 |
CN103763043A (zh) * | 2013-12-06 | 2014-04-30 | 镇江坤泉电子科技有限公司 | 基于协作式认知网络高效无线频谱感知方法 |
CN103746753A (zh) * | 2013-12-19 | 2014-04-23 | 镇江锐捷信息科技有限公司 | 一种基于认知无线网络的数据预测方法 |
CN104683989A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于多信道同步协作频谱感知的宽带认知网络通信方法 |
CN104796899A (zh) * | 2015-03-23 | 2015-07-22 | 南京邮电大学 | 基于最优中继的自适应协作频谱感知方法和系统 |
CN105227253A (zh) * | 2015-08-20 | 2016-01-06 | 黑龙江科技大学 | 一种新型的基于能量检测的双门限协作频谱感知算法 |
CN105246082A (zh) * | 2015-09-30 | 2016-01-13 | 电子科技大学 | 一种基于能量检测的感知信息融合方法 |
CN105406928A (zh) * | 2015-10-26 | 2016-03-16 | 天津大学 | 水下认知网络中提高预测准确性的频谱预测方法 |
CN106231602A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学深圳研究院 | 一种基于预测机制和阈值判断的主动频谱切换方法 |
CN106656374A (zh) * | 2016-12-29 | 2017-05-10 | 南京邮电大学 | 一种基于双门限能量检测的协作宽带频谱感知方法 |
CN107276697A (zh) * | 2017-06-09 | 2017-10-20 | 西安电子科技大学 | 协作感知中基于减少冗余上传信息的节能方法 |
CN107623554A (zh) * | 2017-08-24 | 2018-01-23 | 西安电子科技大学 | 一种基于信任值的协作频谱感知方法、认知无线网络 |
CN107370521A (zh) * | 2017-09-11 | 2017-11-21 | 东南大学 | 一种认知无线电多用户协作频谱感知方法 |
WO2019211792A1 (en) * | 2018-05-02 | 2019-11-07 | Jerusalem College Of Technology | Machine learning methods for sir prediction in cellular networks |
CN110190918A (zh) * | 2019-04-25 | 2019-08-30 | 广西大学 | 基于深度q学习的认知无线传感器网络频谱接入方法 |
CN110932800A (zh) * | 2019-11-29 | 2020-03-27 | 北京邮电大学 | 一种宽频带多用户场景的联合检测方法及装置 |
CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
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 (3)
Title |
---|
A. SHARMILA等: ""Spectrum Sharing Techniques in Cognitive Radio Networks – A Survey"", 《2019 IEEE INTERNATIONAL CONFERENCE ON SYSTEM, COMPUTATION, AUTOMATION AND NETWORKING (ICSCAN)》 * |
刘瑞等: ""认知卫星通信频谱感知及资源分配技术综述"", 《电讯技术》 * |
钱会: ""动态频谱共享DSS技术关键问题分析"", 《数字通信世界》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113347638B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109600262B (zh) | Urllc传输网络切片中资源自配置和自优化方法及装置 | |
CN1994018B (zh) | 动态限制性重用调度 | |
CN111935722B (zh) | 基于用户在线学习与低开销合作的动态频谱共享方法 | |
Verma et al. | On the decision fusion for cooperative spectrum sensing in cognitive radio networks | |
CN105978644B (zh) | 基于布谷鸟搜索算法的星地认知系统频谱接入方法 | |
Sekaran et al. | 5G integrated spectrum selection and spectrum access using AI-based frame work for IoT based sensor networks | |
CN101753232A (zh) | 协作频谱检测方法和系统 | |
Girmay et al. | Machine learning enabled Wi-Fi saturation sensing for fair coexistence in unlicensed spectrum | |
CN104219190B (zh) | 一种认知ofdm系统的子信道和功率分配方法 | |
CN113014340A (zh) | 一种基于神经网络的卫星频谱资源动态分配方法 | |
CN106068667B (zh) | 一种lte集群系统同频组网资源调度方法及装置 | |
CN104080091A (zh) | 分层异构网络中基于负载预测分组的家庭基站频谱分配方法 | |
CN113347638B (zh) | 一种认知工业物联网动态协作频谱预测与感知方法 | |
CN116567843A (zh) | 一种无线资源分配优化装置及方法 | |
Shbat et al. | Spectrum sensing challenges of iot nodes designed under 5G network standards | |
Kaur et al. | Methods of hybrid cognitive radio network: a survey | |
CN111510882B (zh) | 基于用户体验质量的车联网频谱资源分配方法及系统 | |
CN114928549A (zh) | 基于强化学习的非授权频段的通信资源分配方法及装置 | |
CN110536306B (zh) | 基于凸优化的多信道认知无线网络中最优功率分配方法 | |
CN104660392A (zh) | 认知ofdm网络中基于预测的资源联合分配方法 | |
CN105933977A (zh) | 一种基于业务优先级的无线多媒体传感器网络资源调度算法 | |
CN116131978B (zh) | 一种认知卫星网络协作频谱感知方法及认知卫星网络 | |
Fodor et al. | A low intercell interference variation scheduler for OFDMA networks | |
EP2894892A1 (en) | Frequency spectrum division method, device and system | |
Allagiotis et al. | Reinforcement learning approach for resource allocation in 5g hetnets |
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 |