CN115209508B - 频谱接入方法、装置、设备及存储介质 - Google Patents
频谱接入方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115209508B CN115209508B CN202110397582.1A CN202110397582A CN115209508B CN 115209508 B CN115209508 B CN 115209508B CN 202110397582 A CN202110397582 A CN 202110397582A CN 115209508 B CN115209508 B CN 115209508B
- Authority
- CN
- China
- Prior art keywords
- channel
- access
- vector
- data
- channel state
- 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 129
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000013598 vector Substances 0.000 claims abstract description 154
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000008901 benefit Effects 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 106
- 230000006870 function Effects 0.000 claims description 86
- 238000004891 communication Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002787 reinforcement Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 229920005683 SIBR Polymers 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/08—Access restriction or access information delivery, e.g. discovery data delivery
-
- 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
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种频谱接入方法、装置、设备及存储介质，通过接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；基于所述频谱接入请求，获取主用户的各信道的信道状态数据；利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。该方法利用次用户的接入需求数据和主用户的各信道的信道状态数据同时输入深度神经网络进行训练，并一次性获得可以指导次用户接入满足预设预期收益的信道的目标接入行为向量，解决现有技术中频谱接入延迟较高的技术问题，显著提高了频谱共享时的接入效率。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种频谱接入方法、装置、设备及存储介质。
背景技术
频谱资源作为通信的重要资源，是无线业务的重要载体。随着5G和物联网的快速发展，大量用频设备不断接入，无线频谱的共享和动态调配需求变的尤为迫切。
相关技术中，利用频谱博弈、拍卖、协议等方式进行频谱共享接入，导致接入延迟较高。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种频谱接入方法、装置、设备及存储介质，旨在解决相关技术中频谱接入延迟高的技术问题。
为实现上述目的，本申请提供一种频谱接入方法，包括：
接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；
基于所述频谱接入请求，获取主用户的各信道的信道状态数据；
利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户基于所述目标接入行为向量接入信道所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。
可选地，所述利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件益的目标接入行为向量的步骤，包括：
基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量；
将所述接入需求向量和各信道的所述信道状态向量输入所述深度神经网络，获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数；
在基于奖励函数和所述行为能力函数构建的代价函数未收敛时，利用所述代价函数对所述深度神经网络的参数进行调整，其中，所述奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得；
将所述接入需求向量和各信道的所述信道状态向量输入调整后的所述深度神经网络，循环至所述代价函数收敛，以获得满足预设预期收益的目标接入行为向量。
可选地，所述信道状态数据包括：信道是否空闲、信道使用价格、信道频谱效率、主用户使用信道时可接受的最小信噪比、信道可用宽带、信道固有噪声功率和主用户使用信道的历史数据中最小信息功率中的一种或多种；
所述接入需求数据包括：次用户账户余额、次用户所需传输的信息量和次用户可接受的最大时延中的一种或多种。
可选地，所述基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量的步骤之前，所述方法还包括：
对所述信道使用价格和所述次用户账户余额进行归一化处理，获得处理后的接入需求数据和处理后的信道状态数据；
所述基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量的步骤，包括：
基于所述处理后的接入需求数据和各信道的所述处理后的信道状态数据，生成接入需求向量和各信道的信道状态向量。可选地，所述将所述接入需求向量和各信道的所述信道状态向量输入所述深度神经网络，获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数的步骤之后，所述方法还包括：
基于奖励函数和所述行为能力函数构建代价函数；
所述代价函数的表达式为：其中，/>表示接入行为对各信道的信道状态构成的频谱环境所造成的影响，/>表示行为能力函数，s表示各信道的信道状态向量组成的矩阵，a表示接入行为向量；
所述激励函数的表达式为γ表示步长参数，s′表示上一次深度神经网络训练获得的各信道的信道状态向量组成的矩阵；/>rneg<0，Pn表示主用户使用信道的历史数据中最小信息功率，Sn表示次用户当前传输信息所需的功率，S0表示信道的固有噪声功率，SINR表示主用户使用信道时可接受的最小信噪比，SP表示信道使用价格，Ss表示次用户账户余额，i表示深度神经网络的第i次训练，i＝1,2,…N。
可选地，各信道的所述信道状态数据存储于许可链中；所述基于所述频谱接入请求，获取主用户的各信道的信道状态数据的步骤，包括：
基于所述频谱接入请求，从所述许可链中获取主用户的各信道的信道状态数据。
可选地，所述接收次用户的频谱接入请求的步骤之前，所述方法还包括：
将主用户的各信道均设置为所述许可链中的节点，每条信道对应的节点存储有该信道的信道状态数据。
此外，为实现上述目的，本申请还提出一种频谱接入装置，包括：
接入请求模块，用于接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；
信道获取模块，用于基于所述频谱接入请求，获取主用户的各信道的信道状态数据；
接入训练模块，用于利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户基于所述目标接入行为向量接入信道所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。
此外，为实现上述目的，本申请还提供一种通信设备，所述设备包括处理器，存储器以及存储在所述存储器中的计算机程序，所述计算机程序被处理器运行时实现上述方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现上述方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本申请所能实现的有益效果。
本申请实施例提出的一种频谱接入方法，通过接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；基于所述频谱接入请求，获取主用户的各信道的信道状态数据；利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户基于所述目标接入行为向量接入信道所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。由此可见，本申请利用次用户的接入需求数据和主用户的各信道的信道状态数据同时输入深度神经网络进行训练，并一次性获得可以指导次用户接入满足预设预期收益的信道的目标接入行为向量，相比现有技术利用博弈、拍卖、协议等方式进行逐一比对，节约了次用户接入信道方案的获取时间，解决现有技术中频谱接入延迟较高的技术问题，显著提高了频谱共享时的接入效率。
附图说明
图1为本申请实施例涉及的硬件运行环境的通信设备结构示意图；
图2为本申请实施例中第一实施例的频谱接入方法流程示意图；
图3为本申请实施例中第一实施例中S60中包括的各步骤的流程示意图；
图4为本申请实施例中深度神经网络的第一结构示意图；
图5为本申请实施例中深度神经网络的第二结构示意图；
图6为本申请实施例中第二实施例的频谱接入方法流程示意图；
图7为本申请实施例中频谱接入装置的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所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。
基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
本申请实施例的主要解决方案是：提供一种频谱接入方法，通过接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；基于所述频谱接入请求，获取主用户的各信道的信道状态数据；利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。
传统的频谱管理是由频谱管理机构为授权用户(PUs)发放使用牌照，并将相应的频率使用信息录入频谱管理数据库，以保障用户使用的频率不会互相冲突。随着5G和物联网的快速发展，大量用频设备不断接入，无线频谱的共享和动态调配需求变的尤为迫切。现有技术中，主要通过以下方法实现数据共享：1.ProBLeSS(Proactive Blockchain basedSpectrum Sharing)频谱共享方案,此方案主要利用区块链具有防篡改和预防攻击的特点，给出了基于主动区块链的频谱共享协议，并通过频谱共享协议进行频谱共享。2.基于博弈论的区块链频谱共享方案，此方案利用区块链技术中的加密技术、共识算法和其防篡改的特点，提出一种基于区块链和博弈论的频谱共享算法，以提高频谱的利用率。具体为，在频谱共享过程中，一方将频谱使用权开放，使用频谱必须支付相应的频谱货币。最终交易的方式是采用博弈论的方法进行计算，以得到价格最优的结果。3.具有安全协同感知功能的频谱接入系统，此方案访问频谱的机会使用协作感知的方法进行探索，通过频谱拍卖分配访问权限。最终达到频谱接入。
由此可见，现有技术中，都是利用频谱博弈、拍卖、协议等方式进行频谱共享接入。由于频谱共享中，涉及到主用户和次用户，而用以共享的信道被主用户占用，次用户需要进行申请和匹配，才可能从主用户手中获得适合的信道来共享使用，因此，需要将次用户的接入需求与主用户的各信道进行计算比对，才能获得满足需求的接入信道。基于此特点，本申请的实施例提供的频谱接入方法，利用次用户的接入需求数据和主用户的各信道的信道状态数据同时输入深度神经网络进行训练，并一次性获得可以指导次用户接入满足预设预期收益的信道的目标接入行为向量，相比现有技术利用博弈、拍卖、协议等方式进行逐一比对，节约了次用户接入信道方案的获取时间，解决现有技术中频谱接入延迟较高的技术问题，显著提高了频谱共享时的接入效率。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的通信设备结构示意图。
如图1所示，该通信设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对通信设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的通信设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明通信设备中的处理器1001、存储器1005可以设置在通信设备中，所述通信设备通过处理器1001调用存储器1005中存储的提取目标文本片段的方法程序，并执行本申请实施例提供的频谱接入方法。
参照图2，基于上述硬件，本申请的第一实施例提供的一种频谱接入方法，该方法包括：
步骤S20、接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据。
在具体实施过程中，在本实施例中，次用户是相对于主用户而言，也可以称为二级用户(相对于一级用户)，它是指对目标频段没有直接使用权限的用户，例如，对于A网络运营商所分配的目标频段，B网络运营商对于目标频段则属于次用户，而A网络运营商则属于主用户。而在无线通信领域，频段则对应信道，因此，当次用户想要接入主用户所在的目标信道时，需要获得许可才能实现。在本实施例中，频谱接入方法可以理解为主用户所在的频谱对次用户进行共享的一种方法。对于主用户而言，其所使用的信道也有空闲或者利用率不饱和的情况，其可以根据情况将信道共享给次用户进行使用，以提高频谱资源的利用率。
本实施例的方法的执行主体可以为主用户一侧的具备计算机功能的通信设备或电子设备，设备里可以存储有主用户的各信道的信道状态数据。它可以接收次用户的频谱接入请求，为了实现次用户需求的准确匹配，频谱接入请求中包括次用户的接入需求数据。具体的，接入需求数据可以包括但不限于：次用户账户余额(单位为频谱币)、次用户所需传输的信息量(单位为bit)和次用户可接受的最大时延。信道状态数据可参见表1。
表1接入需求数据的数据维度表
| 次用户账户余额 |
| 次用户所需传输的信息量 |
| 次用户可接受的最大时延 |
可以理解的是，次用户账户余额可以是一种虚拟货币，用以在频谱共享中根据信道使用价格进行交易；次用户所需传输的信息量和次用户可接受的最大时延，是次用户信道接入的具体要求。
步骤S40、基于所述频谱接入请求，获取主用户的各信道的信道状态数据。
在具体实施过程中，用以共享的主用户的信道一般包括多条，因此，需要给次用户匹配一条满足预设预期收益(例如，匹配最优的)的信道。为此，为了进行需求的精准匹配，需要获取各信道的信道状态数据，具体的，信道状态数据可以包括但不限于：信道是否空闲、信道使用价格(单位为频谱币)、信道频谱效率(单位为bit/s/Hz)、主用户使用信道时可接受的最小信噪比(单位为dB)、信道可用宽带(单位为Hz)、信道固有噪声功率(单位为W)和主用户使用信道的历史数据中最小信息功率。信道状态数据可参见表2。
表2信道状态数据的数据维度表
可以理解的是，信道是否空闲代表信道的闲置情况，信道使用价格用于与次用户的账户余额进行匹配交易；信道频谱效率、主用户使用信道时可接受的最小信噪比、信道可用宽带、信道固有噪声功率和主用户使用信道的历史数据中最小信息功率等数据用于与次用户的需求数据进行需求匹配。
步骤S60、利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。
在具体实施过程中，接入行为向量中包含多个元素，可以理解的是，其元素的个数(也就是接入行为向量的维度)与信道的数量相同，即，每个元素表示对一个信道接入与否。举例来说，接入行为向量中的元素为0或1，元素为0则表示不可以接入对应的信道，元素为1则表示可以接入对应的信道。由此，接入行为向量可以作为次用户对各信道的共享方案。
但，为了达到共享优化，需要获得满足预设条件的目标接入行为向量。其中，预设条件表示设置的信道匹配标准，可以根据情况进行设置，以使获得接入行为向量时，满足预设条件。
在一个实施例中，深度神经网络训练采用强化学习框架，例如，MAAC(Multi AgentActor Critic)框架，MAAC是一种基于多智能体深度强化学习的分布式框架。
参见图3，在该框架下，利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量的步骤，包括：
S601、基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量；
在具体实施过程中，本实施例中深度神经网络的输入需要向量格式，因此，首先将接入需求数据和各信道的所述信道状态数据编辑为向量格式，生成接入需求向量和各信道的信道状态向量。可以理解的是，接入需求向量为一个，信道状态向量包括多个，其个数与信道数量相同。
在一个实施例中，在S601之前，对接入需求数据和各信道的信道状态数据进行预处理。具体的，对信道状态数据处理方式包括：(1)当前是否空闲不做处理；(2)使用价格进行归一化处理；(3)其他数据不做处理。
其中归一化算法采用Max－Min标准化进行计算，公式如下：
其中，x表示归一化前的信道状态数据中的单个数据，x′∈X表示归一化后的信道状态数据中的单个数据，X表示特征向量。
相应的，对接入需求数据处理方式包括：账户余额进行归一化处理，其他数据不做处理。其归一化的处理方法与信道状态数据相同。
可以理解的是，对接入需求数据和各信道的所述信道状态数据进行预处理(归一化处理)后，不仅可以提升后续深度学习网络模型的收敛速度，还可以提升模型的精度以及防止模型梯度爆炸。
S602将所述接入需求向量和各信道的所述信道状态向量输入所述深度神经网络，获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数；
在具体实施过程中，行为能力函数(action-value function)表示当前行为的预期收益，在本实施例中，行为能力函数表示按照接入行为向量进行频谱接入所带来的预期收益。
具体的，深度神经网络内部结构可分为两部分，其中，第一部分的网络结构参见图4，以信道的数据矩阵X(由各信道的信道状态向量构成的矩阵)，以及接入需求向量y作为输入，输出接入行为向量a。第二部分的网络结构参见图5，以各信道的信道状态向量S和接入行为向量a作为输入，输出行为能力函数Qi(s，a)。
S603在基于奖励函数和所述行为能力函数构建的代价函数未收敛时，利用所述代价函数对所述深度神经网络的参数进行调整，其中，所述奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得；
在具体实施过程中，深度神经网络是循环训练的，每次输出的行为能力函数Qi(s，a)是通过对代价函数进行参数调整进行逼近，以实现对网络模型参数的调整，最终达到收敛。因此，在在基于奖励函数和所述行为能力函数构建的代价函数未收敛时，需要利用代价函数对所述深度神经网络的参数进行调整。
具体的，利用如下代价函数的表达式，对所述深度神经网络的参数进行调整：
其中，/>表示接入行为对各信道的信道状态构成的频谱环境所造成的影响，/>表示行为能力函数，s表示各信道的信道状态向量组成的矩阵，a表示接入行为向量；
奖励函数/>γ表示步长参数，s′表示上一次深度神经网络训练获得的各信道的信道状态向量组成的矩阵；/>rneg<0，/>Pn表示主用户使用信道的历史数据中最小信息功率，Sn表示次用户当前传输信息所需的功率，S0表示信道的固有噪声功率，SINR表示主用户使用信道时可接受的最小信噪比，SP表示信道使用价格，Ss表示次用户账户余额，i表示深度神经网络的第i次训练，i＝1，2，…N
作为一种实施例，所述将所述接入需求向量和各信道的所述信道状态向量输入所述深度神经网络，获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数的步骤之后，所述方法还包括：基于奖励函数和所述行为能力函数构建代价函数。S604将所述接入需求向量和各信道的所述信道状态向量输入调整后的所述深度神经网络，循环至所述代价函数收敛，以获得满足预设预期收益的目标接入行为向量。
在具体实施过程中，经过一次训练后，可以获得深度神经网络模型，该模型中包括模型参数。由于代价函数未收敛，即可以理解为未满足预设条件，则需要利用代价函数对深度神经网络模型的模型参数进行调整，然后返回S602，再次将接入需求向量和各信道的信道状态向量输入调整后的所述深度神经网络，再次获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数，如此循环，直到代价函数收敛，获得目标接入行为向量。
可以理解的是，由于采用强化学习框架，有利于找到最优解，同时，在本实施例中，详细的定义了接入需求数据和信道状态数据，而代价函数中的奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得，保障了获得的目标接入行为向量为最优。为次用户提供了最优的接入信道。
此外，在获得预期收益最大的目标接入行为向量后，根据目标接入行为向量即可完成频谱接入。作为一个实施例，可以同时记录当前的神经网络参数，为下一次进行频谱共享提供初始化的神经网络结构。保证在使用时随着时间的推移，接入的速度更加快速，从而提高频谱使用率。
应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
通过上述描述不难发现，本实施例通过接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；基于所述频谱接入请求，获取主用户的各信道的信道状态数据；利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。由此可见，本申请利用次用户的接入需求数据和主用户的各信道的信道状态数据同时输入深度神经网络进行训练，并一次性获得可以指导次用户接入满足预设预期收益的信道的目标接入行为向量，相比现有技术利用博弈、拍卖、协议等方式进行逐一比对，节约了次用户接入信道方案的获取时间，解决现有技术中频谱接入延迟较高的技术问题，显著提高了频谱共享时的接入效率。
可以理解的是，获取的信道状态数据是接收到频谱接入请求时的数据，而信道的状态随时间在不停的变化，也就是说，本实施例的方法获得目标接入行为向量时基于接收到频谱接入请求时的最优接入方案，而实际接入操作时，已经有延时，但为了接入的效果更好，自然是延时越短，效果越好，因此，获取目标接入行为向量的时间越短，则接入结果越优。因此，本实施例方法通过神经网络的方法一次性获得接入结果，节约了计算时间，减少了接入延迟。在此基础上，由于采用强化学习框架，有利于找到最优解，同时，在本实施例中，详细的定义了接入需求数据和信道状态数据，而代价函数中的奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得，保障了获得的目标接入行为向量为最优。为次用户提供了最优的接入信道。
图6为本申请的第二实施例提供的另一种频谱接入方法，该方法在第一实施例的基础上，增加了许可链的技术特征。
作为一种实施例，该方法具体包括如下步骤：
S200、接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；
S400、基于所述频谱接入请求，从许可链中获取主用户的各信道的信道状态数据；各信道的所述信道状态数据存储于所述许可链中；
S600、利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。
需要说明的是，本实施例中的步骤S200-S600与第一实施例中的S20-S60基本相同，只是增加了许可链的技术特征。因此，在本实施例中，只重点针对许可链的技术特征进行详细解释，其余特征的各种实施方式可参见第一实施例。
由于，目前基于区块链的频谱共享设计愿景是以公有链为基础，但在公有链的架构下准入机制无严格把控，会存在大量的恶意节点或无关节点的干扰。区块链建立了一个分布式数据账本，且账本数据是公开的，意味着系统中的每一个参与者都能够获得整个网络的完整数据备份，这是区块链的优势，但是站在安全隐私的角度，就成为了公有区块链的劣势。因为在很多情况下，企业以及个人并不希望自己的账户隐私和交易记录被公布到网络中。而许可链是一种私有的区块链，它不仅具有区块链的一般特征，即加密、共识算法、防篡改、去中心化等特点，还具有更强的安全性，未经许可的节点不能进行许可链的访问。
因此，在一个实施例中，次用户需要先进行注册，并购买频谱币，以获得交易许可和交易筹码。在次用户注册时，可以根据次用户的注册信息，进行安全审核，提高频谱接入的安全性。
在一个实施例中，所述接收次用户的频谱接入请求的步骤之前，所述方法还包括：
将主用户的各信道均设置为所述许可链中的节点，每条信道对应的节点存储有该信道的信道状态数据。
应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
通过上述描述不难发现，可以理解的是，获取的信道状态数据是接收到频谱接入请求时的数据，而信道的状态随时间在不停的变化，也就是说，本实施例的方法获得目标接入行为向量时基于接收到频谱接入请求时的最优接入方案，而实际接入操作时，已经有延时，但为了接入的效果更好，自然是延时越短，效果越好，因此，获取目标接入行为向量的时间越短，则接入结果越优。因此，本实施例方法通过神经网络的方法一次性获得接入结果，节约了计算时间，减少了接入延迟。在此基础上，由于采用强化学习框架，有利于找到最优解，同时，在本实施例中，详细的定义了接入需求数据和信道状态数据，而代价函数中的奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得，保障了获得的目标接入行为向量为最优。为次用户提供了最优的接入信道。
在此基础上，将信道状态数据存于许可链中，只有通过了注册许可的次用户节点才能接入信道，提高了频谱共享的安全性，保证主用户的信道共享安全性的同时，提高了频谱利用率，节约了频谱资源。
请参见图7，基于与前述实施例同样的发明思路，本申请的实施例还提出频谱接入装置，包括：
接入请求模块，用于接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；
信道获取模块，用于基于所述频谱接入请求，获取主用户的各信道的信道状态数据；
接入训练模块，用于利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。
作为一种实施例，所述深度神经网络为强化学习框架；所述接入训练模块具体包括：
向量生成模块，用于基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量；
网络训练模块，用于将所述接入需求向量和各信道的所述信道状态向量输入所述深度神经网络，获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数；
参数调整模块，用于在基于奖励函数和所述行为能力函数构建的代价函数未收敛时，利用所述代价函数对所述深度神经网络的参数进行调整，其中，所述奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得；
循环训练模块，用于将所述接入需求向量和各信道的所述信道状态向量输入调整后的所述深度神经网络，循环至所述代价函数收敛，以获得满足预设预期收益的目标接入行为向量。
作为一种实施例，所述接入训练模块，还包括：
函数构架模块，用于所述将所述接入需求向量和各信道的所述信道状态向量输入所述深度神经网络，获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数的步骤之后，基于奖励函数和所述行为能力函数构建代价函数；
所述代价函数的表达式为：其中，/>表示，/>表示行为能力函数，s表示各信道的信道状态向量组成的矩阵，a表示接入行为向量；
所述激励函数的表达式为γ表示步长参数，s′表示上一次深度神经网络训练获得的各信道的信道状态向量组成的矩阵；/>rneg<0，/>Pn表示主用户使用信道的历史数据中最小信息功率，Sn表示次用户当前传输信息所需的功率，S0表示信道的固有噪声功率，SINR表示主用户使用信道时可接受的最小信噪比，SP表示信道使用价格，Ss表示次用户账户余额，i表示深度神经网络的第i次训练，i＝1，2，…N
作为一种实施例，各信道的所述信道状态数据存储于许可链中；
所述信道获取模块，还用于基于所述频谱接入请求，从所述许可链中获取主用户的各信道的信道状态数据。
作为一种实施例，所述频谱接入装置，还包括：
节点设置模块，用于接收次用户的频谱接入请求的步骤之前，将主用户的各信道均设置为所述许可链中的节点，每条信道对应的节点存储有该信道的信道状态数据。
需要说明的是，本实施中的频谱接入装置与前述实施例中的频谱接入方法一一对应，因此，其各种实施方式以及达到的技术效果都可以参照前述实施例一，这里不再赘述。
应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
通过上述描述不难发现，本实施例通过接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；基于所述频谱接入请求，获取主用户的各信道的信道状态数据；利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道。由此可见，本申请利用次用户的接入需求数据和主用户的各信道的信道状态数据同时输入深度神经网络进行训练，并一次性获得可以指导次用户接入满足预设预期收益的信道的目标接入行为向量，相比现有技术利用博弈、拍卖、协议等方式进行逐一比对，节约了次用户接入信道方案的获取时间，解决现有技术中频谱接入延迟较高的技术问题，显著提高了频谱共享时的接入效率。
可以理解的是，获取的信道状态数据是接收到频谱接入请求时的数据，而信道的状态随时间在不停的变化，也就是说，本实施例的方法获得目标接入行为向量时基于接收到频谱接入请求时的最优接入方案，而实际接入操作时，已经有延时，但为了接入的效果更好，自然是延时越短，效果越好，因此，获取目标接入行为向量的时间越短，则接入结果越优。因此，本实施例方法通过神经网络的方法一次性获得接入结果，节约了计算时间，减少了接入延迟。在此基础上，由于采用强化学习框架，有利于找到最优解，同时，在本实施例中，详细的定义了接入需求数据和信道状态数据，而代价函数中的奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得，保障了获得的目标接入行为向量为最优。为次用户提供了最优的接入信道。
在此基础上，将信道状态数据存于许可链中，只有通过了注册许可的次用户节点才能接入信道，提高了频谱共享的安全性，保证主用户的信道共享安全性的同时，提高了频谱利用率，节约了频谱资源。
此外，在一种实施例中，还提供一种通信设备，所述设备包括处理器，存储器以及存储在所述存储器中的计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
此外，在一种实施例中，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例一中方法的步骤。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
此外，在一种实施例中，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述实施例中方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (7)
1.一种频谱接入方法，其特征在于，所述方法包括：
接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；
基于所述频谱接入请求，获取主用户的各信道的信道状态数据；
利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户基于所述目标接入行为向量接入信道；
所述利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量的步骤，包括：
基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量；
将所述接入需求向量和各信道的所述信道状态向量输入所述深度神经网络，获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数；
基于奖励函数和所述行为能力函数构建代价函数；
在基于奖励函数和所述行为能力函数构建的代价函数未收敛时，利用所述代价函数对所述深度神经网络的参数进行调整，其中，所述奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得；
将所述接入需求向量和各信道的所述信道状态向量输入调整后的所述深度神经网络，循环至所述代价函数收敛，以获得满足预设预期收益的目标接入行为向量；
所述信道状态数据包括：信道是否空闲、信道使用价格、信道频谱效率、主用户使用信道时可接受的最小信噪比、信道可用宽带、信道固有噪声功率和主用户使用信道的历史数据中最小信息功率中的一种或多种；
所述接入需求数据包括：次用户账户余额、次用户所需传输的信息量和次用户可接受的最大时延中的一种或多种；
其中，
所述奖励函数的表达式为：
Pn表示主用户使用信道的历史数据中最小信息功率，Sn表示次用户当前传输信息所需的功率，S0表示信道的固有噪声功率，SINR表示主用户使用信道时可接受的最小信噪比，SP表示信道使用价格，Ss表示次用户账户余额，i表示深度神经网络的第i次训练，i＝1,2,…N；
为第i次训练时根据所述信道状态数据和所述接入行为向量所得的信噪比，rneg为小于0的常数。
2.如权利要求1所述的方法，其特征在于，所述基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量的步骤之前，所述方法还包括：
对所述信道使用价格和所述次用户账户余额进行归一化处理，获得处理后的接入需求数据和处理后的信道状态数据；
所述基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量的步骤，包括：
基于所述处理后的接入需求数据和各信道的所述处理后的信道状态数据，生成接入需求向量和各信道的信道状态向量。
3.如权利要求1或2所述的方法，其特征在于，各信道的所述信道状态数据存储于许可链中；所述基于所述频谱接入请求，获取主用户的各信道的信道状态数据的步骤，包括：
基于所述频谱接入请求，从所述许可链中获取主用户的各信道的信道状态数据。
4.如权利要求3所述的方法，其特征在于，所述接收次用户的频谱接入请求的步骤之前，所述方法还包括：
将主用户的各信道均设置为所述许可链中的节点，每条信道对应的节点存储有该信道的信道状态数据。
5.一种频谱接入装置，其特征在于，包括：
接入请求模块，用于接收次用户的频谱接入请求，所述频谱接入请求中包括所述次用户的接入需求数据；
信道获取模块，用于基于所述频谱接入请求，获取主用户的各信道的信道状态数据；
接入训练模块，用于利用所述接入需求数据和各信道的所述信道状态数据对深度神经网络进行训练，获得满足预设条件的目标接入行为向量，以使所述次用户基于所述目标接入行为向量接入信道所述次用户信道基于所述目标接入行为向量与所述次用户进行频谱接入信道；
所述深度神经网络为强化学习框架；所述接入训练模块具体包括：
向量生成模块，用于基于所述接入需求数据和各信道的所述信道状态数据，生成接入需求向量和各信道的信道状态向量；
网络训练模块，用于将所述接入需求向量和各信道的所述信道状态向量输入所述深度神经网络，获得接入行为向量以及表征所述接入行为向量的预期收益的行为能力函数；
函数构架模块，基于奖励函数和所述行为能力函数构建代价函数；
参数调整模块，用于在基于奖励函数和所述行为能力函数构建的代价函数未收敛时，利用所述代价函数对所述深度神经网络的参数进行调整，其中，所述奖励函数基于所述接入需求数据和各信道的所述信道状态数据获得；
循环训练模块，用于将所述接入需求向量和各信道的所述信道状态向量输入调整后的所述深度神经网络，循环至所述代价函数收敛，以获得满足预设预期收益的目标接入行为向量；
其中，所述奖励函数的表达式为：
Pn表示主用户使用信道的历史数据中最小信息功率，Sn表示次用户当前传输信息所需的功率，S0表示信道的固有噪声功率，SIBR表示主用户使用信道时可接受的最小信噪比，SP表示信道使用价格，Ss表示次用户账户余额，i表示深度神经网络的第i次训练，i＝1,2,…N；
为第i次训练时根据所述信道状态数据和所述接入行为向量所得的信噪比，rneg为小于0的常数。
6.一种通信设备，其特征在于，所述设备包括处理器，存储器以及存储在所述存储器中的计算机程序，所述计算机程序被处理器运行时实现如权利要求1-4中任一项所述方法的步骤。
7.一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110397582.1A CN115209508B (zh) | 2021-04-13 | 2021-04-13 | 频谱接入方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110397582.1A CN115209508B (zh) | 2021-04-13 | 2021-04-13 | 频谱接入方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115209508A CN115209508A (zh) | 2022-10-18 |
| CN115209508B true CN115209508B (zh) | 2023-09-19 |
Family
ID=83571092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110397582.1A Active CN115209508B (zh) | 2021-04-13 | 2021-04-13 | 频谱接入方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115209508B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101801000A (zh) * | 2010-01-08 | 2010-08-11 | 南京邮电大学 | 一种最大化动态频谱共享系统容量的次用户接入方法 |
| CN102186177A (zh) * | 2011-04-22 | 2011-09-14 | 南京邮电大学 | 基于需求因子的频谱共享博弈方法 |
| CN102186176A (zh) * | 2011-04-22 | 2011-09-14 | 南京邮电大学 | 基于供需平衡的认知无线电频谱共享方法 |
| CN102244869A (zh) * | 2010-05-14 | 2011-11-16 | 华为技术有限公司 | 主用户网络频谱管理与共享的方法及系统 |
| CN102665221A (zh) * | 2012-03-26 | 2012-09-12 | 南京邮电大学 | 基于压缩感知与bp神经网络的认知无线电频谱感知方法 |
| CN102833759A (zh) * | 2012-08-15 | 2012-12-19 | 北京工业大学 | 使ofdm主用户收益最大化的认知无线电频谱分配方法 |
| CN103209419A (zh) * | 2013-04-25 | 2013-07-17 | 西安电子科技大学 | 一种面向用户需求和提升网络性能的动态频谱接入的方法 |
| CN103249050A (zh) * | 2013-04-17 | 2013-08-14 | 南京邮电大学 | 基于业务需求的多尺度频谱接入方法 |
| CN104579523A (zh) * | 2014-12-31 | 2015-04-29 | 重庆邮电大学 | 认知无线网络频谱感知和接入决策联合的优化方法 |
| CN105592563A (zh) * | 2014-10-21 | 2016-05-18 | 中国人民解放军理工大学 | 一种多用户机会频谱接入方法 |
| CN106961738A (zh) * | 2017-02-20 | 2017-07-18 | 南京邮电大学 | 一种协作认知网络中基于误码率的功率及频谱分配方法 |
| CN107359948A (zh) * | 2017-07-11 | 2017-11-17 | 北京邮电大学 | 一种认知无线网络的频谱预测方法及装置 |
| EP3251391A1 (en) * | 2015-01-26 | 2017-12-06 | Nokia Solutions and Networks Oy | Co-primary spectrum sharing for 4g/5g small cell base stations with long term fairness criteria |
| CN108833040A (zh) * | 2018-06-22 | 2018-11-16 | 电子科技大学 | 基于强化学习的智能频谱协同感知方法 |
| CN110225525A (zh) * | 2019-06-06 | 2019-09-10 | 广东工业大学 | 一种基于认知无线电网络的频谱共享方法、装置及设备 |
| CN110267274A (zh) * | 2019-05-09 | 2019-09-20 | 广东工业大学 | 一种根据用户间社会信誉度选择传感用户的频谱共享方法 |
| US10670692B1 (en) * | 2016-09-30 | 2020-06-02 | Sirius Xm Radio Inc. | Ultra wide-band spectrum sharing and synchronization |
| CN112383922A (zh) * | 2019-07-07 | 2021-02-19 | 东北大学秦皇岛分校 | 一种基于优先经验重放的深度强化学习频谱共享方法 |
| CN112637914A (zh) * | 2020-12-10 | 2021-04-09 | 天津(滨海)人工智能军民融合创新中心 | 在双通道环境下基于dqn算法的信道切换系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160330575A1 (en) * | 2010-04-15 | 2016-11-10 | Mediatek Inc. | Communication apparatus and bluetooth id packet recognition method thereof |
-
2021
- 2021-04-13 CN CN202110397582.1A patent/CN115209508B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101801000A (zh) * | 2010-01-08 | 2010-08-11 | 南京邮电大学 | 一种最大化动态频谱共享系统容量的次用户接入方法 |
| CN102244869A (zh) * | 2010-05-14 | 2011-11-16 | 华为技术有限公司 | 主用户网络频谱管理与共享的方法及系统 |
| CN102186177A (zh) * | 2011-04-22 | 2011-09-14 | 南京邮电大学 | 基于需求因子的频谱共享博弈方法 |
| CN102186176A (zh) * | 2011-04-22 | 2011-09-14 | 南京邮电大学 | 基于供需平衡的认知无线电频谱共享方法 |
| CN102665221A (zh) * | 2012-03-26 | 2012-09-12 | 南京邮电大学 | 基于压缩感知与bp神经网络的认知无线电频谱感知方法 |
| CN102833759A (zh) * | 2012-08-15 | 2012-12-19 | 北京工业大学 | 使ofdm主用户收益最大化的认知无线电频谱分配方法 |
| CN103249050A (zh) * | 2013-04-17 | 2013-08-14 | 南京邮电大学 | 基于业务需求的多尺度频谱接入方法 |
| CN103209419A (zh) * | 2013-04-25 | 2013-07-17 | 西安电子科技大学 | 一种面向用户需求和提升网络性能的动态频谱接入的方法 |
| CN105592563A (zh) * | 2014-10-21 | 2016-05-18 | 中国人民解放军理工大学 | 一种多用户机会频谱接入方法 |
| CN104579523A (zh) * | 2014-12-31 | 2015-04-29 | 重庆邮电大学 | 认知无线网络频谱感知和接入决策联合的优化方法 |
| EP3251391A1 (en) * | 2015-01-26 | 2017-12-06 | Nokia Solutions and Networks Oy | Co-primary spectrum sharing for 4g/5g small cell base stations with long term fairness criteria |
| US10670692B1 (en) * | 2016-09-30 | 2020-06-02 | Sirius Xm Radio Inc. | Ultra wide-band spectrum sharing and synchronization |
| CN106961738A (zh) * | 2017-02-20 | 2017-07-18 | 南京邮电大学 | 一种协作认知网络中基于误码率的功率及频谱分配方法 |
| CN107359948A (zh) * | 2017-07-11 | 2017-11-17 | 北京邮电大学 | 一种认知无线网络的频谱预测方法及装置 |
| CN108833040A (zh) * | 2018-06-22 | 2018-11-16 | 电子科技大学 | 基于强化学习的智能频谱协同感知方法 |
| CN110267274A (zh) * | 2019-05-09 | 2019-09-20 | 广东工业大学 | 一种根据用户间社会信誉度选择传感用户的频谱共享方法 |
| CN110225525A (zh) * | 2019-06-06 | 2019-09-10 | 广东工业大学 | 一种基于认知无线电网络的频谱共享方法、装置及设备 |
| CN112383922A (zh) * | 2019-07-07 | 2021-02-19 | 东北大学秦皇岛分校 | 一种基于优先经验重放的深度强化学习频谱共享方法 |
| CN112637914A (zh) * | 2020-12-10 | 2021-04-09 | 天津(滨海)人工智能军民融合创新中心 | 在双通道环境下基于dqn算法的信道切换系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| Huawei, HiSilicon. "Beam management across multiple carriers".《3GPP TSG RAN WG1 Meeting #88bis R1-1704232》.2017,全文. * |
| 张炎炎 ; 李杏 ; 刘娜 ; 王宝聪 ; 纪文娟."4G/5G协同组网关键技术研究".《移动通信》.2020,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115209508A (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200334749A1 (en) | Credit blockchain system, credit data storage method, device, and medium | |
| CN108306887A (zh) | 基于区块链的物联网安全与数据隐私保护系统 | |
| CN107833009A (zh) | 理赔订单的个性化审核方法、装置、存储介质及终端 | |
| CN110769274B (zh) | 基于区块链网络的直播信息处理方法、装置、电子设备及存储介质 | |
| Xue et al. | Incentive mechanism for rational miners in bitcoin mining pool | |
| CN109669718A (zh) | 系统权限配置方法、装置、设备及存储介质 | |
| Hu et al. | Reputation-based distributed knowledge sharing system in blockchain | |
| Halgamuge et al. | Fair rewarding mechanism in music industry using smart contracts on public-permissionless blockchain | |
| Jin et al. | Arrow–Debreu equilibria for rank‐dependent utilities with heterogeneous probability weighting | |
| CN106878244A (zh) | 一种真实性证明信息提供方法及装置 | |
| Zheng et al. | Unknown combinatorial auction mechanisms for heterogeneous spectrum redistribution | |
| CN111476640A (zh) | 认证方法、系统、存储介质及大数据认证平台 | |
| CN115209508B (zh) | 频谱接入方法、装置、设备及存储介质 | |
| KR20200095900A (ko) | 블록체인 기반 노드 리소스 대여를 이용한 리워드 서비스 제공 방법 | |
| CN113807802A (zh) | 基于区块链的劳务人员薪资结算方法及相关设备 | |
| Wang et al. | Towards a Smart Privacy‐Preserving Incentive Mechanism for Vehicular Crowd Sensing | |
| CN106209751A (zh) | 基于操作系统授权证书的面向服务的接口认证方法 | |
| US20230419182A1 (en) | Methods and systems for imrpoving a product conversion rate based on federated learning and blockchain | |
| CN112598132A (zh) | 模型训练方法及装置、存储介质、电子装置 | |
| Capodieci | P2P energy exchange agent platform featuring a game theory related learning negotiation algorithm | |
| Zheng et al. | AEGIS: an unknown combinatorial auction mechanism framework for heterogeneous spectrum redistribution in noncooperative wireless networks | |
| Liang et al. | TAO-based data governance in intelligent transportation systems | |
| CN112364307B (zh) | 软件授权方法及相关设备 | |
| CN113808694A (zh) | 一种基于博弈论的区块链医疗数据共享激励方法 | |
| CN114218550A (zh) | 单点登录方法、装置、电子设备及存储介质 |
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 |