CN116545556B - 基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法 - Google Patents
基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法 Download PDFInfo
- Publication number
- CN116545556B CN116545556B CN202310478269.XA CN202310478269A CN116545556B CN 116545556 B CN116545556 B CN 116545556B CN 202310478269 A CN202310478269 A CN 202310478269A CN 116545556 B CN116545556 B CN 116545556B
- Authority
- CN
- China
- Prior art keywords
- electromagnetic spectrum
- spectrum
- data
- prediction
- dimensional
- 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 137
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003595 spectral effect Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法,它涉及一种电磁频谱占用度二维预测方法。本发明为了解决目前对于电磁频谱占用度预测任务上先验信息少、预测尺度单一、预测性能差的问题。本发明的核心在于设计了动态阈值的底噪和占用度提取算法,采用基于电磁频谱占用度时间近邻特征、周期特征和趋势特征作为先验信息,通过TFBRL网络融合残差卷积网络和LSTM时序预测网络,实现电磁频谱占用度预测,有效提升预测性能。本发明属于电磁环境频谱占用预测技术领域。
Description
技术领域
本发明涉及一种电磁频谱占用度二维预测方法,属于电磁环境频谱占用预测技术领域。
背景技术
随着信息和通信领域的迅猛发展,对复杂电磁环境的研究在进一步推动了人类社会和技术进步,与此同时,众多用频设备的快速扩展使得受限的频谱资源日益稀缺和拥塞。特别是在原有的静态频谱分配策略中,主要用户占用特定频段工作引起的频谱空洞会造成频谱资源的浪费和低效,这导致了频谱资源的可持续风险增加。因此,频谱预测技术吸引了很多关注,其通过感知频谱空洞的发生,使次用户能够动态的接入频谱空洞,在不对主用户的活动产生干扰的情况下,使更多的用户可以在有限的频谱范围内有序高效地工作,从而提升频谱利用率,降低频谱资源的可持续风险。
近年来深度学习技术被引入到电磁环境分析挖掘领域,RNN、seq2seq和LSTM等深度学习网络已被广泛应用于频谱预测,并取得了较好的预测性能。但是现有研究中普遍存在两大劣势,一是忽视了电磁频谱先验信息的引入,电磁频谱由于其不同于一般时间序列的特性,往往具有时间近邻性、周期性和趋势性特征,而本方法的多维张量数据在频谱预测中融入了特征先验信息,提升了网络预测性能;二是预测维度单一,现有研究中很少有频谱预测技术能够同时预测时频二维的频谱占用情况,单频点或单步长的预测应用价值较低,而本方法实现了多尺度频谱占用度图像预测,具有较高的用频指导意义。
发明内容
本发明为解决目前对于电磁频谱占用度预测任务上先验信息少、预测尺度单一、预测性能差的问题,进而提出一种基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法。
本发明为解决上述问题采取的技术方案是:本发明的步骤如下:
步骤一、对原始频谱数据进行数据缺失和异常处理,获得预处理后的频谱数据;
步骤二、对预处理后的电磁频谱数据,采用动态阈值算法提取电磁频谱底噪数据并建立电磁频谱底噪拟合模型;
步骤三、在电磁频谱底噪模型上加上3dB作为电磁频谱占用状态阈值,得到电磁频谱占用状态数据,并计算每15分钟的频谱占用度;
步骤四、对频谱占用度数据采用三个多尺度滑动窗口获得时频二维的频谱占用度数据,并以多维张量的形式构建时频块;
步骤五、将TFblock输入到结合注意机制的残差卷积网络和LSTM网络中,实现多尺度电磁频谱占用度图像预测。
进一步的,步骤二中对电磁频谱数据进行动态阈值的底噪数据提取,电磁频谱底噪的自适应阈值模型表达式如下:
公式(1)中nk是在对频谱数据进行排序之后,原始频谱数据行中具有k1比率的时隙的数量,M(j)是k1比率时隙的功率谱密度值之和,k2是功率谱密度数据范围的权重,Fmax和Fmin表示最大和最小功率谱密度值;
在确定电磁环境的动态噪声阈值之后,将低于阈值的数据拟合为电磁频谱底噪,选择的拟合模型为正交级数耦合模型,电磁环境噪声模型的统一表达式为:
公式(2)中C0为常数,ξj为常数,ζj为常数,n表示级数阶数,j表示虚数单位,ρ表示频点序列,w表示级数角频率。
进一步的,步骤三中将建模后的底噪阈值加上3dB作为频谱占用状态阈值,得到频谱占用数据,电磁频谱占用状态阈值表达式如下:
公式(3)和(4)中,表示电磁频谱占用状态阈值,Si,j表示第i个时隙第j个频点的功率值,xi,j表示频谱占用状态。
进一步的,步骤四中采用三个多尺度滑动窗口获取时频二维的频谱占用度数据,分别建模电磁频谱占用度的时间近邻性、周期性和趋势性,构建多维张量时频块。
进一步的,步骤五中将时频块的三个分量输入到具有SE注意机制的卷积残差网络中获取二维特征信息,将二维特征展平为一维特征输入到LSTM后,基于矩阵对三个分量进行融合,最后通过tanh激活函数,实现多尺度电磁频谱占用度图像预测。
本发明的有益效果是:
1、本发明采用多尺度滑动窗口充分提取频谱占用度的时间近邻性、周期性和趋势性,包含丰富的先验信息,并采用基于矩阵的多特征融合方法,实现了从长期尺度上挖掘深层电磁频谱相关信息提升预测性能;
2、本发明设计的网络模型结合了深度残差网络的深层频谱数据挖掘特征和LSTM网络的时间序列记忆特征,充分挖掘了电磁频谱的图像特征和时间序列特征,预测性能好,工程可实现性强;
3、本发明的核心在于设计了动态阈值的底噪和占用度提取算法,采用基于电磁频谱占用度时间近邻特征、周期特征和趋势特征作为先验信息,通过TFBRL网络融合残差卷积网络和LSTM时序预测网络,实现电磁频谱占用度预测,有效提升预测性能。
附图说明
图1是本发明的流程框图;
图2是多尺度滑动窗口构建多维张量数据示意图;
图3是TFBRL网络结构图;
图4是预测误差值MSE随预测尺度的变化示意图;
图5是预测误差值RMSE随预测尺度的变化示意图;
图6是预测误差值MAE随预测尺度的变化示意图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式所述基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法的步骤如下:
步骤一、对原始频谱数据进行数据缺失和异常处理,获得预处理后的频谱数据;
步骤二、对预处理后的电磁频谱数据,采用动态阈值算法提取电磁频谱底噪数据并建立电磁频谱底噪拟合模型;
步骤三、在电磁频谱底噪模型上加上3dB作为电磁频谱占用状态阈值,得到电磁频谱占用状态数据,并计算每15分钟的频谱占用度;
步骤四、对频谱占用度数据采用三个多尺度滑动窗口获得时频二维的频谱占用度数据,并以多维张量的形式构建时频块;
步骤五、将TFblock输入到结合注意机制的残差卷积网络和LSTM网络中,实现多尺度电磁频谱占用度图像预测。
本实施方式中,所述对公开的电磁频谱监测数据芬兰图尔库数据集进行预处理,电磁频谱数据可以表示为:
S=(S1,S2,S3,S4,...,Sn),S∈Rm×n
此处m为监测时长,共计m个时隙,n是监测频率点的数量,S1表示m个时隙中的频点1获得的功率谱值向量。
具体实施方式二:结合图1说明本实施方式,本实施方式所述基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法的步骤二中对电磁频谱数据进行动态阈值的底噪数据提取,电磁频谱底噪的自适应阈值模型表达式如下:
公式(1)中nk是在对频谱数据进行排序之后,原始频谱数据行中具有k1比率的时隙的数量,M(j)是k1比率时隙的功率谱密度值之和,k2是功率谱密度数据范围的权重,Fmax和Fmin表示最大和最小功率谱密度值;
在确定电磁环境的动态噪声阈值之后,将低于阈值的数据拟合为电磁频谱底噪,选择的拟合模型为正交级数耦合模型,电磁环境噪声模型的统一表达式为:
公式(2)中C0为常数,ξj为常数,ζj为常数,n表示级数阶数,j表示虚数单位,ρ表示频点序列,w表示级数角频率。
具体实施方式三:结合图1说明本实施方式,本实施方式所述基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法的步骤三中将建模后的底噪阈值加上3dB作为频谱占用状态阈值,得到频谱占用数据,电磁频谱占用状态阈值表达式如下:
公式(3)和(4)中,表示电磁频谱占用状态阈值,Si,j表示第i个时隙第j个频点的功率值,xi,j表示频谱占用状态。
具体实施方式四:结合图1说明本实施方式,本实施方式所述基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法的步骤四中采用三个多尺度滑动窗口获取时频二维的频谱占用度数据,分别建模电磁频谱占用度的时间近邻性、周期性和趋势性,构建多维张量时频块。
具体实施方式五:结合图1说明本实施方式,本实施方式所述基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法的步骤五中将时频块的三个分量输入到具有SE注意机制的卷积残差网络中获取二维特征信息,将二维特征展平为一维特征输入到LSTM后,基于矩阵对三个分量进行融合,最后通过tanh激活函数,实现多尺度电磁频谱占用度图像预测。
实施例
基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法是根据时频特征对频谱数据占用进行预测,以芬兰图尔库数据集为例,其频域分辨率为78.125kHz,时域分辨率为3s,时间总长为7天。
对原始频谱进行预处理。由于原始电磁频谱数据中没有数据缺失,因此无需填补缺失的电磁频谱数据。对于与整体数据严重偏离的异常数据值,可使用其周围3×3区域的平均功率谱密度值进行替换。原始电磁频谱数据具有非常精细的分辨率,这使得数据值稀疏、计算量大和挖掘效率低。另一方面,由于原始频谱数据在采集过程中容易与电磁环境噪声混合,因此每隔20个时隙对原始时域分辨率为3s的数据进行平均,以在一定程度上去除设备噪声。
对预处理后的电磁频谱数据,采用动态阈值算法提取电磁频谱底噪数据,本方法中电磁频谱底噪的自适应阈值模型表达式如下:
其中nk是在对频谱数据进行排序之后,原始频谱数据行中具有k1比率的时隙的数量,M(j)是k1比率时隙的功率谱密度值之和,k2是功率谱密度数据范围的权重,Fmax和Fmin表示最大和最小功率谱密度值。
在确定电磁环境的动态噪声阈值之后,将低于阈值的数据拟合为电磁频谱底噪。本方法选择的拟合模型为正交级数耦合模型。电磁环境噪声模型的统一表达式如下:
此处,C0、ξj和ζj为常数。
对于所述S3将建模后的底噪阈值加上3dB作为频谱占用状态阈值,得到频谱占用数据,电磁频谱占用状态阈值表达式如下:
此处的表示电磁频谱占用状态阈值,Si,j表示第i个时隙,第j个频点的功率值,xi,j为频谱占用状态。
如图2所示,采用三个多尺度滑动窗口获取时频二维的频谱占用度数据,分别建模电磁频谱占用度的时间近邻性、周期性和趋势性,构建多维张量时频块(TFblock)。
构建好电磁频谱预测数据集后,将TFblock的三个分量输入到TFBRL网络中,该网络所具有的SE注意机制能有效提升残差卷积网络的预测性能,其中的“挤压”和“激励”核心运算环节可以分别表示为:
此处是网络的特征值。
δ=Fex(η,W)=σ(g(η,W))=σ(W2δ(W1η))
这里,通过两个完全连接的层W1和W2来处理在前一步骤中获得的向量η,以获得所需的信道权重值δ。在两个完全连接的层之后,δ中的不同值表示不同通道的权重信息,为通道赋予不同的权重。然后将计算的权重矩阵与输入特征张量相乘,并将权重分配给输入特征张量。
然后基于矩阵对三个分量进行融合,最后通过tanh激活函数输出预测二维频谱占用图像。TFBRL网络模型如图3所示。
如图4所示,将TFBRL网络模型预测效果与其他常用模型进行指标对比。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (1)
1.基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法,其特征在于:所述基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法的步骤如下:
步骤一、对原始频谱数据进行数据缺失和异常处理,获得预处理后的频谱数据;
步骤二、对预处理后的电磁频谱数据,采用动态阈值算法提取电磁频谱底噪数据并建立电磁频谱底噪拟合模型;所述电磁频谱底噪的自适应阈值模型表达式如下:
公式(1)中nk是在对频谱数据进行排序之后,原始频谱数据行中具有k1比率的时隙的数量,M(j)是k1比率时隙的功率谱密度值之和,k2是功率谱密度数据范围的权重,Fmax和Fmin表示最大和最小功率谱密度值;
在确定电磁环境的动态噪声阈值之后,将低于阈值的数据拟合为电磁频谱底噪,选择的拟合模型为正交级数耦合模型,电磁环境噪声模型的统一表达式为:
公式(2)中C0为常数,ξj为常数,ζj为常数,n表示级数阶数,j表示虚数单位,ρ表示频点序列,w表示级数角频率;
步骤三、在电磁频谱底噪模型上加上3dB作为电磁频谱占用状态阈值,得到电磁频谱占用状态数据,并计算每15分钟的频谱占用度;电磁频谱占用状态阈值表达式如下:
公式(3)和(4)中,表示电磁频谱占用状态阈值,Si,j表示第i个时隙第j个频点的功率值,xi,j表示频谱占用状态
步骤四、对频谱占用度数据采用三个多尺度滑动窗口获得时频二维的频谱占用度数据,并以多维张量的形式构建时频块;分别建模电磁频谱占用度的时间近邻性、周期性和趋势性,构建多维张量时频块;
步骤五、将TFblock输入到结合注意机制的残差卷积网络和LSTM网络中,实现多尺度电磁频谱占用度图像预测;将时频块的三个分量输入到具有SE注意机制的卷积残差网络中获取二维特征信息,将二维特征展平为一维特征输入到LSTM后,基于矩阵对三个分量进行融合,最后通过tanh激活函数,实现多尺度电磁频谱占用度图像预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478269.XA CN116545556B (zh) | 2023-04-28 | 2023-04-28 | 基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478269.XA CN116545556B (zh) | 2023-04-28 | 2023-04-28 | 基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116545556A CN116545556A (zh) | 2023-08-04 |
CN116545556B true CN116545556B (zh) | 2024-03-29 |
Family
ID=87449891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310478269.XA Active CN116545556B (zh) | 2023-04-28 | 2023-04-28 | 基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116545556B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014340A (zh) * | 2021-02-22 | 2021-06-22 | 南京邮电大学 | 一种基于神经网络的卫星频谱资源动态分配方法 |
CN113259031A (zh) * | 2021-05-13 | 2021-08-13 | 南京邮电大学 | 一种面向卫星频谱态势生成的底噪拟合与消除方法 |
CN115134024A (zh) * | 2022-05-31 | 2022-09-30 | 南京邮电大学 | 一种基于二维经验模式分解的频谱预测方法 |
CN115276855A (zh) * | 2022-06-16 | 2022-11-01 | 宁波大学 | 一种基于ResNet-CBAM的频谱感知方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220078417A1 (en) * | 2020-04-09 | 2022-03-10 | Jianghong Yu | Image and video data processing method and system |
-
2023
- 2023-04-28 CN CN202310478269.XA patent/CN116545556B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014340A (zh) * | 2021-02-22 | 2021-06-22 | 南京邮电大学 | 一种基于神经网络的卫星频谱资源动态分配方法 |
CN113259031A (zh) * | 2021-05-13 | 2021-08-13 | 南京邮电大学 | 一种面向卫星频谱态势生成的底噪拟合与消除方法 |
CN115134024A (zh) * | 2022-05-31 | 2022-09-30 | 南京邮电大学 | 一种基于二维经验模式分解的频谱预测方法 |
CN115276855A (zh) * | 2022-06-16 | 2022-11-01 | 宁波大学 | 一种基于ResNet-CBAM的频谱感知方法 |
Non-Patent Citations (3)
Title |
---|
Adaptive Acquisition Threshold Algorithm Based on Mean Energy;Han Yu 等;2013 Third International Conference on Instrumentation, Measurement, Computer, Communication and Control;全文 * |
基于SDR和自适应双阈值协作检测的频谱感知研究;吕佳枫;中国优秀硕士学位论文全文数据库 信息科技辑;I136-758 * |
基于非重构压缩感知的终端管制区高精度频谱感知算法研究;王倩倩;中国优秀硕士学位论文全文数据库 信息科技辑;I136-498 * |
Also Published As
Publication number | Publication date |
---|---|
CN116545556A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reisizadeh et al. | An exact quantized decentralized gradient descent algorithm | |
Doan et al. | Fast convergence rates of distributed subgradient methods with adaptive quantization | |
CN111628946B (zh) | 一种信道估计的方法以及接收设备 | |
Bian et al. | Worst-case complexity of smoothing quadratic regularization methods for non-Lipschitzian optimization | |
CN117201410B (zh) | 用于物联网的流量管理方法及系统 | |
CN112215390A (zh) | 使用三维变换执行多元时间序列预测 | |
Chen et al. | Accelerated distributed optimization design for reconstruction of big sensory data | |
Eisen et al. | Large scale wireless power allocation with graph neural networks | |
Yang et al. | Genetic algorithm optimized training for neural network spectrum prediction | |
CN116319599A (zh) | 一种承载voip业务的信道分配系统及其方法 | |
CN116545556B (zh) | 基于动态阈值和残差卷积网络的电磁频谱占用度二维预测方法 | |
CN105005586A (zh) | 一种基于度特征替换策略的流式图抽样方法 | |
Xu et al. | Latent semantic diffusion-based channel adaptive de-noising semcom for future 6g systems | |
CN117119535A (zh) | 一种移动端集群热点共享的数据分流方法和系统 | |
Bjelaković et al. | Distributed approximation of functions over fast fading channels with applications to distributed learning and the max-consensus problem | |
CN117172163A (zh) | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 | |
Yan et al. | Conquering the worst case of infections in networks | |
Yang et al. | Efficient hardware architecture of deterministic MPA decoder for SCMA | |
CN111628528B (zh) | 风电参与系统恢复的潮流越限消除方法及装置 | |
CN114724579A (zh) | 语音分离方法、装置、计算机设备及存储介质 | |
CN115134024A (zh) | 一种基于二维经验模式分解的频谱预测方法 | |
Dai et al. | Power allocation for multiple transmitter-receiver pairs under frequency-selective fading based on convolutional neural network | |
Lin | Reliability evaluation for overall-terminal multistate flow networks with bi-directed arcs | |
CN111935766A (zh) | 一种基于全局空间依赖性的无线网络流量预测方法 | |
CN112488312B (zh) | 一种基于张量的网络交换数据的自动编码机的构建方法 |
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 |