CN116663437B - 一种基于深度神经网络的频谱测绘图构建方法和系统 - Google Patents

一种基于深度神经网络的频谱测绘图构建方法和系统 Download PDF

Info

Publication number
CN116663437B
CN116663437B CN202310960523.XA CN202310960523A CN116663437B CN 116663437 B CN116663437 B CN 116663437B CN 202310960523 A CN202310960523 A CN 202310960523A CN 116663437 B CN116663437 B CN 116663437B
Authority
CN
China
Prior art keywords
frequency spectrum
mapping model
spectrum mapping
position information
energy value
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
Application number
CN202310960523.XA
Other languages
English (en)
Other versions
CN116663437A (zh
Inventor
彭亮
方胜良
范有臣
徐照菁
刘涵
马昭
温晓敏
王孟涛
程东航
尹坤
冯俊豪
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.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
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 Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202310960523.XA priority Critical patent/CN116663437B/zh
Publication of CN116663437A publication Critical patent/CN116663437A/zh
Application granted granted Critical
Publication of CN116663437B publication Critical patent/CN116663437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及频谱测绘技术领域，具体公开了一种基于深度神经网络的频谱测绘图构建方法和系统，其中方法包括：步骤S10，获取实测的电磁频谱数据；步骤S20，根据电磁频谱数据构建数据集；数据集包括多个样本，每个样本包括位置信息和信号强度，信号强度为位置信息处的用户与基站之间的下行信号强度；步骤S30，构建基于深度神经网络的频谱测绘模型；将每个样本的位置信息转化为该样本位置到各个基站的距离和角度，作为频谱测绘模型的输入；频谱测绘模型包括卷积层、全连接层和ReLU激活函数；步骤S40，根据数据集对频谱测绘模型进行优化训练，得到目标频谱测绘模型；步骤S50，将目标区域位置数据输入目标频谱测绘模型，得到目标区域的频谱测绘图。

Description

一种基于深度神经网络的频谱测绘图构建方法和系统
技术领域
本发明涉及频谱测绘技术领域，具体涉及一种基于深度神经网络的频谱测绘图构建方法和系统。
背景技术
近年来，随着基于无线电频率的通信服务普及，无线电设备数量不断增加，信道使用频繁，频谱逐渐拥挤。为缓解这种情况，可以通过绘制频谱测绘图提升频谱利用率。其中提升频谱测绘图的绘制精度是关键所在。
受到地形、设备、成本等因素的影响，难以获得目标区域内完整的电磁频谱数据，只能通过采样获得区域的部分稀疏的频谱测量数据。
传统的频谱测绘图构建技术主要包括：基于空间插值的构建方法和基于参数的构建方法。但是，基于空间插值的构建方法使用简单，但是估计精度比较低；基于参数的构建方法在构建过程中需要大量的先验信息。随着电磁环境变得日益复杂，传统的构建方法已经变得不再适用。
构建准确的频谱测绘图往往需要处理大量的数据，在过去的几年里，通信领域的学者在深度学习中应用了典型的网络，如卷积神经网络和循环神经网络等。
基于深度学习的频谱测绘图构建算法的基本思路是将缺失的频谱测绘图作为神经网络的输入，将完整的频谱测绘图作为标签，使得经过神经网络得学习可以将缺失得频谱地图还原成完整的频谱测绘图。整个过程不需要提供先验信息，可以达到较好的估计效果。
现有的深度学习算法大多都是采用全局估计网络的方式，在需要构建的区域内创建一个规则的网格，并将频谱测绘图构建任务定制为一个矩阵或者张量补全任务。不过采用此种方法需要收集大量的数据来训练这样一个网络，而且构建高分辨率的频谱测绘图需要一个密集的网络，大大增加了计算的复杂性。
发明内容
针对上述问题，本发明提供的基于深度神经网络的频谱测绘图构建方法和系统，提高构建精度，提升频谱利用率，缓解频谱拥挤状况。
本发明实施例一方面提供基于深度神经网络的频谱测绘图构建方法，包括：
步骤S10，获取实测的电磁频谱数据；
步骤S20，根据所述电磁频谱数据构建数据集；所述数据集包括多个样本，每个所述样本包括位置信息和信号强度，所述信号强度为所述位置信息处的用户与基站之间的下行信号强度；
步骤S30，构建基于深度神经网络的频谱测绘模型；将每个所述样本的位置信息转化为该样本位置到各个基站的距离和角度，作为所述频谱测绘模型的输入；所述频谱测绘模型包括卷积层、全连接层和ReLU激活函数；
步骤S40，根据所述数据集对所述频谱测绘模型进行优化训练，得到目标频谱测绘模型；
步骤S50，将目标区域位置数据输入所述目标频谱测绘模型，得到目标区域的频谱测绘图。
在一种可能的实现方式中，所述ReLU激活函数的公式如下：
；
式中，为全连接层输出的能量信息。
在一种可能的实现方式中，所述S40包括：
步骤S41，将所述数据集中的位置信息输入所述频谱测绘模型，得到估计能量值；
步骤S42，计算所述估计能量值和所述位置信息对应的真实能量值的差，得到误差；
步骤S43，根据所述误差和误差反向传播算法优化所述频谱测绘模型；
重复所述步骤S41-S43，直至迭代次数为0。
在一种可能的实现方式中，所述S40还包括：
根据所述估计能量值和所述位置信息对应的真实能量值的绝对值误差，构建损失函数；
根据所述损失函数的收敛性确定所述迭代次数。
在一种可能的实现方式中，所述损失函数的公式如下：
；
式中，为在位置/>处频谱测绘模型的估计能量值，/>是在位置/>处的真实能量值，N为样本的数量。
在一种可能的实现方式中，步骤S60，计算真实信号强度和所述频谱测绘模型输出的估计信号强度的归一化均方误差；以及根据所述归一化均方误差对所述目标频谱测绘模型进行评估。
在一种可能的实现方式中，所述步骤S60包括：
当归一化误差大于1时，令归一化误差为1；
对所述归一化误差进行对数处理。
本发明实施例另一方面还提供了一种基于深度神经网络的频谱测绘图构建系统，包括：
采集模块，用于获取实测的电磁频谱数据；
数据集构建模块，用于根据所述电磁频谱数据构建数据集；所述数据集包括多个样本，每个所述样本包括位置信息和信号强度，所述信号强度为所述位置信息处的用户与基站之间的下行信号强度；
建模模块，用于构建基于深度神经网络的频谱测绘模型；将每个所述样本的位置信息转化为该样本位置到各个基站的距离和角度，作为所述频谱测绘模型的输入；所述频谱测绘模型包括用于降维的卷积层、全连接层和ReLU激活函数；
训练模块，用于根据所述数据集对所述频谱测绘模型进行优化训练，得到目标频谱测绘模型；
测绘图生成模块，用于将目标区域位置数据输入所述目标频谱测绘模型，得到目标区域的频谱测绘图。
在一种可能的实现方式中，所述训练模块用于执行以下操作：
将所述数据集中的位置信息输入所述频谱测绘模型，得到估计能量值；
计算所述估计能量值和所述位置信息对应的真实能量值的差，得到误差；
根据所述误差和误差反向传播算法优化所述频谱测绘模型，直至迭代次数为0。
在一种可能的实现方式中，所述训练模块还用于执行以下操作：
根据所述估计能量值和所述位置信息对应的真实能量值的绝对值误差，构建损失函数；
根据所述损失函数的收敛性确定所述迭代次数。
本发明提供的基于深度神经网络的频谱测绘图构建方法和系统，采用深度神经网络来构建点式估计网络，输入是位置信息，输出是该位置的信号强度，使得输入的维度较小，网络结构简单，所构建的网络不受维度影响，最终实现提高构建精度，提升频谱利用率，缓解频谱拥挤状况。
附图说明
图1为本发明实施例提供的频谱测绘图构建方法的流程示意图；
图2为本发明实施例提供的基站位置分布示意图；
图3为本发明实施例提供的频谱测绘模型的结构示意图；
图4为本发明实施例提供的模型训练示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的优选实施例，本发明的范围由权利要求书限定。
在本发明的描述中，需要说明的是，除非另有说明，“多个”的含义是两个或两个以上；术语“第一”“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性；对于本领域的普通技术人员而言，可视具体情况理解上述术语在本发明中的具体含义。
为便于理解，首先对频谱测绘图构建进行简单说明。
在典型的频谱测绘图构建中，目标是使用空间分散的传感器获取的一组测量以及其位置来构建频谱测绘图。考虑个测量值/>是由位于/>位置的传感器获取的实测信号强度，其中/>和/>分别表示第n个位置的横坐标和纵坐标。/>表示给定时间间隔内某一频带内测量到的平均功率，可以表示为/>，其中/>表示测量噪声。令/>为n进行测量的位置指标集。
每个传感器可以在多个地点收集测量数据，前提是这些数据是在一个时间窗口内采集的，而这个时间窗口的长度相对于目标地图的变化来说是较小的。因此，实际上传感器的数量可能比n要小一些。
频谱测绘图构建问题可以定义为给定的测量值，用/>估计相同或者不同位置/>的未知信号强度/>，其中/>。
图1为本发明实施例提供的频谱测绘图构建方法的流程示意图，如图1所示，本发明实施例提供的基于深度神经网络的频谱测绘图构建方法，包括：
步骤S10，获取实测的电磁频谱数据；
步骤S20，根据电磁频谱数据构建数据集；
在一种可能的实现方式中，数据集包括多个样本，每个样本包括位置信息和信号强度。位置信息为在地图范围内随机坐标，信号强度为位置信息处的用户与基站之间的下行信号强度。
在一个示例中，本文采用实测数据，在400米×400米的区域中部署了4个基站，区域内一共有90个用户，如图2所示，图2为本发明实施例提供的基站位置分布示意图。数据集中每个样本的数据结构为<位置信息，信号强度>。其中位置信息由在该地图范围内随机均匀撒点获得；信号强度数据为对应位置信息处的用户与4个基站之间的下行信号强度，根据用户与各基站之间的无线环境不同，用户不能保证与4个基站之间都是可达的，每个用户有至少一个可达基站，且可能有多个（至多4个）可达基站，不可达的基站对应的信号强度设置为整数0，数据集信息如表1所示。
表1
步骤S30，构建基于深度神经网络的频谱测绘模型；
将每个样本的位置信息转化为该样本位置到各个基站的距离和角度，作为频谱测绘模型的输入；频谱测绘模型包括用于降维的卷积层、全连接层和ReLU激活函数；
深度神经网络是一种多层无监督神经网络，并将上一层的输出特征作为下一层的输入进行学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间，以此来学习对现有输入具有更好的特征表达。
深度神经网络是一个函数，它可以表示为更基本的函数的组合，称为层，由向量w参数化。对深度神经网络进行训练就是需要找到w，使/>符合给定的数据集。深度神经网络具有较大的学习能力，可以通过随机优化方法进行有效的训练。
以往的模型是将位置信息直接作为输入，然后通过神经网络的映射，最终得到对应位置的能量值。这种方式由于并没有考虑估计位置和基站位置信息之间的内在联系，所以估计精度往往不是很高。
本发明在四个基站的位置是已知的情况下，我们将估计点的位置信息转化为点到四个基站的距离和角度，和/>，将其作为模型的输入，将估计点的位置和基站信息联系起来。我们在模型中增加了卷积层，达到提取估计点和基站之间的距离特征的作用，模型结构如图3所示，图3为本发明实施例提供的频谱测绘模型的结构示意图。最左侧为卷积层，上部的卷积核维度为2×1，下部的维度为2×4，中间部分为全连接层，从左至右维度分别为4×256、256×1024、1024×256、256×4，最右侧为输出的结果，维度为1×4。
模型结构细节参数如表2所示。
表2
在一种可能的实现方式中，ReLU激活函数的公式（1）如下：
（1）
式中，为全连接层输出的能量信息。
步骤S40，根据数据集对频谱测绘模型进行优化训练，得到目标频谱测绘模型；
在一种可能的实现方式中，根据估计能量值和位置信息对应的真实能量值的绝对值误差，构建损失函数。损失函数的定义对于频谱测绘模型的性能至关重要。
根据损失函数的收敛性确定迭代次数。
损失函数L的公式（2）如下：
（2）
式中，为在位置/>处频谱测绘模型的估计能量值，/>是在位置/>处的真实能量值，N为样本的数量。
图4为本发明实施例提供的模型训练示意图，如图4所示，S40包括S41-S43。
步骤S41，将数据集中的位置信息输入频谱测绘模型，得到估计能量值；
步骤S42，计算估计能量值和位置信息对应的真实能量值的差，得到误差；
步骤S43，根据误差和误差反向传播算法优化频谱测绘模型；
重复步骤S41-S43，直至迭代次数为0。
本发明通过不断迭代训练减少估计能量值和真实能量值之间的误差，并利用误差反传算法实现频谱测绘模型自身的优化。
步骤S50，将目标区域位置数据输入目标频谱测绘模型，得到目标区域的频谱测绘图。
在一种可能的实现方式中，还包括步骤S60，计算真实信号强度和频谱测绘模型输出的估计信号强度的归一化均方误差：当归一化误差大于1时，令归一化误差为1；对归一化误差进行对数处理。根据归一化均方误差对目标频谱测绘模型进行评估。
以上为本发明的频谱测绘图构建方法，为了验证本发明提出的方法的有效性，我们将改进前的算法和改进后的算法进行了比较，并进行了对比分析。对比分析的硬件和软件环境如表3所示。
表3
将数据集按8：1：1划分为训练集、验证集和测试集，其中训练集有100000条数据，验证集有12500条数据，测试集有12500条数据。
由于超参数较少，使用网格搜索来选择超参数。首先定义遍历区间批量大小（Batchsize） ={256, 512, 1024, 2048}，学习率= {0.00003,0.0003,0.003,0.03}， 优化器 = {Adma}，然后计算验证集上所有超参数组合的代价函数，得到区间内的最优超参数集。通过观察损失函数的收敛性来确定迭代次数，训练的具体超参数如表4所示。
表4
模型的初始学习率设置为0.00003，训练过程中模型通过计算损失函数不断迭代优化，模型训练完成之后，保存最终的权重模型。
为了验证本文方法的构建性能，我们将测试集在训练好的权重模型上进行测试，采用NMSE来评判频谱测绘图的构建精度,NMSE表示真实信号强度和算法估计信号强度的归一化均方误差，当NMSE大于1时我们将其记为1。为了使结果更加方便展示和比对，所以我们对其做对数处理，即。真实信号强度与估计信号强度误差越小，则表示构建性能越好，改进前后算法比较结果如表5所示。
表5
从表5中可以看出，改进后的算法相较于改进前的算法估计误差降低了，这表示估计精度有着明显的提升。由此可见改进后的算法在频谱测绘图构建性能上有了显著的提升。
本发明实施例还提供了一种基于深度神经网络的频谱测绘图构建系统，包括：
采集模块，用于获取实测的电磁频谱数据；
数据集构建模块，用于根据电磁频谱数据构建数据集；数据集包括多个样本，每个样本包括位置信息和信号强度，信号强度为位置信息处的用户与基站之间的下行信号强度；
建模模块，用于构建基于深度神经网络的频谱测绘模型；将每个样本的位置信息转化为该样本位置到各个基站的距离和角度，作为频谱测绘模型的输入；频谱测绘模型包括用于降维的卷积层、全连接层和ReLU激活函数；
训练模块，用于根据数据集对频谱测绘模型进行优化训练，得到目标频谱测绘模型；
测绘图生成模块，用于将目标区域位置数据输入目标频谱测绘模型，得到目标区域的频谱测绘图。
在一种可能的实现方式中，训练模块用于执行以下操作：
将数据集中的位置信息输入频谱测绘模型，得到估计能量值；
计算估计能量值和位置信息对应的真实能量值的差，得到误差；
根据误差和误差反向传播算法优化频谱测绘模型，直至迭代次数为0。
在一种可能的实现方式中，训练模块还用于执行以下操作：
根据估计能量值和位置信息对应的真实能量值的绝对值误差，构建损失函数；
根据损失函数的收敛性确定迭代次数。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于深度神经网络的频谱测绘图构建方法，其特征在于，包括：
步骤S10，获取实测的电磁频谱数据；
步骤S20，根据所述电磁频谱数据构建数据集；所述数据集包括多个样本，每个所述样本包括位置信息和信号强度，所述信号强度为所述位置信息处的用户与基站之间的下行信号强度；
步骤S30，构建基于深度神经网络的频谱测绘模型；将每个所述样本的位置信息转化为该样本位置到各个基站的距离和角度，作为所述频谱测绘模型的输入；所述频谱测绘模型包括用于降维的卷积层、全连接层和ReLU激活函数；所述卷积层用于提取样本和基站之间的距离特征；
步骤S40，根据所述数据集对所述频谱测绘模型进行优化训练，得到目标频谱测绘模型；
步骤S50，将目标区域位置数据输入所述目标频谱测绘模型，得到目标区域的频谱测绘图；
所述S40包括：
步骤S41，将所述数据集中的位置信息输入所述频谱测绘模型，得到估计能量值；
步骤S42，计算所述估计能量值和所述位置信息对应的真实能量值的差，得到误差；
步骤S43，根据所述误差和误差反向传播算法优化所述频谱测绘模型；
重复所述步骤S41-S43，直至迭代次数为0；
所述S40还包括：
根据所述估计能量值和所述位置信息对应的真实能量值的绝对值误差，构建损失函数；
根据所述损失函数的收敛性确定所述迭代次数。
2.根据权利要求1所述的频谱测绘图构建方法，其特征在于，
所述ReLU激活函数的公式如下：
式中，x为全连接层输出的能量信息。
3.根据权利要求1所述的频谱测绘图构建方法，其特征在于，所述损失函数的公式如下：
式中，pn(sn)为在位置sn处频谱测绘模型的估计能量值，是在位置sn处的真实能量值，N为样本的数量。
4.根据权利要求1所述的频谱测绘图构建方法，其特征在于，还包括：
步骤S60，计算真实信号强度和所述频谱测绘模型输出的估计信号强度的归一化均方误差；以及根据所述归一化均方误差对所述目标频谱测绘模型进行评估。
5.根据权利要求4所述的频谱测绘图构建方法，其特征在于，所述步骤S60包括：
当所述归一化均方误差大于1时，令归一化均方误差为1；
对所述归一化均方误差进行对数处理。
6.一种基于深度神经网络的频谱测绘图构建系统，其特征在于，包括：
采集模块，用于获取实测的电磁频谱数据；
数据集构建模块，用于根据所述电磁频谱数据构建数据集；所述数据集包括多个样本，每个所述样本包括位置信息和信号强度，所述信号强度为所述位置信息处的用户与基站之间的下行信号强度；
建模模块，用于构建基于深度神经网络的频谱测绘模型；将每个所述样本的位置信息转化为该样本位置到各个基站的距离和角度，作为所述频谱测绘模型的输入；所述频谱测绘模型包括用于降维的卷积层、全连接层和ReLU激活函数；所述卷积层用于提取样本和基站之间的距离特征；
训练模块，用于根据所述数据集对所述频谱测绘模型进行优化训练，得到目标频谱测绘模型；
测绘图生成模块，用于将目标区域位置数据输入所述目标频谱测绘模型，得到目标区域的频谱测绘图；
所述训练模块用于执行以下操作：
将所述数据集中的位置信息输入所述频谱测绘模型，得到估计能量值；
计算所述估计能量值和所述位置信息对应的真实能量值的差，得到误差；
根据所述误差和误差反向传播算法优化所述频谱测绘模型，直至迭代次数为0；
所述训练模块还用于执行以下操作：
根据所述估计能量值和所述位置信息对应的真实能量值的绝对值误差，构建损失函数；
根据所述损失函数的收敛性确定所述迭代次数。
CN202310960523.XA 2023-08-02 2023-08-02 一种基于深度神经网络的频谱测绘图构建方法和系统 Active CN116663437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310960523.XA CN116663437B (zh) 2023-08-02 2023-08-02 一种基于深度神经网络的频谱测绘图构建方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310960523.XA CN116663437B (zh) 2023-08-02 2023-08-02 一种基于深度神经网络的频谱测绘图构建方法和系统

Publications (2)

Publication Number Publication Date
CN116663437A CN116663437A (zh) 2023-08-29
CN116663437B true CN116663437B (zh) 2023-11-21

Family

ID=87724660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310960523.XA Active CN116663437B (zh) 2023-08-02 2023-08-02 一种基于深度神经网络的频谱测绘图构建方法和系统

Country Status (1)

Country Link
CN (1) CN116663437B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084274A (zh) * 2020-08-24 2020-12-15 浙江云合数据科技有限责任公司 一种基于数据的时空频谱地图构建和预测方法
CN114826459A (zh) * 2022-03-08 2022-07-29 南京航空航天大学 基于跨域推理的频谱地图精确构建方法
CN115205481A (zh) * 2022-07-18 2022-10-18 中国人民解放军国防科技大学 一种基于图神经网络的频谱地图构建方法及系统
CN115776724A (zh) * 2023-02-10 2023-03-10 南京航空航天大学 面向电磁频谱地图测绘的传感器节点布局优化方法及系统
CN115913424A (zh) * 2022-11-11 2023-04-04 南京航空航天大学 一种基于条件生成对抗网络的频谱地图精确构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493287B (zh) * 2018-10-10 2022-03-15 浙江大学 一种基于深度学习的定量光谱数据分析处理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084274A (zh) * 2020-08-24 2020-12-15 浙江云合数据科技有限责任公司 一种基于数据的时空频谱地图构建和预测方法
CN114826459A (zh) * 2022-03-08 2022-07-29 南京航空航天大学 基于跨域推理的频谱地图精确构建方法
CN115205481A (zh) * 2022-07-18 2022-10-18 中国人民解放军国防科技大学 一种基于图神经网络的频谱地图构建方法及系统
CN115913424A (zh) * 2022-11-11 2023-04-04 南京航空航天大学 一种基于条件生成对抗网络的频谱地图精确构建方法
CN115776724A (zh) * 2023-02-10 2023-03-10 南京航空航天大学 面向电磁频谱地图测绘的传感器节点布局优化方法及系统

Also Published As

Publication number Publication date
CN116663437A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
US7196662B2 (en) Probabilistic model for a positioning technique
US10374902B2 (en) Method for clustering wireless channel MPCs based on a KPD doctrine
CN103874118B (zh) WiFi室内定位中基于贝叶斯回归的Radio Map校正方法
CN106851573A (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
CN110213003B (zh) 一种无线信道大尺度衰落建模方法及装置
CN105222787A (zh) 基于矩阵填充的位置指纹库构建方法
CN105652235A (zh) 基于线性回归算法的wlan室内定位多用户rss融合方法
CN106162559A (zh) 用于在无线通信系统中估计位置的设备和方法
CN112040405A (zh) 一种基于核极限学习机与粒子滤波的室内定位方法
CN115776724A (zh) 面向电磁频谱地图测绘的传感器节点布局优化方法及系统
CN114584230B (zh) 一种基于对抗网络与长短期记忆网络的预测信道建模方法
CN105866732A (zh) 一种改进mk模型和wknn算法相结合的混合室内定位方法
CN105187139B (zh) 一种基于群智感知的室外无线信号接收强度地图构建方法
Njima et al. Convolutional neural networks based denoising for indoor localization
CN111859241B (zh) 一种基于声传递函数学习的非监督声源定向方法
CN116663437B (zh) 一种基于深度神经网络的频谱测绘图构建方法和系统
CN108566256A (zh) 一种频谱地图的构建方法
CN117440404A (zh) 数据与知识双驱动的频谱地图智能精确构建方法
CN104821854A (zh) 一种基于随机集的多主用户多维频谱感知方法
CN110536410B (zh) 非视距环境下基于rss和tdoa测量的定位方法
CN115840908B (zh) 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法
CN104635206B (zh) 一种无线定位的方法及装置
CN113055901A (zh) 一种终端定位的方法和装置
CN115099385A (zh) 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法
CN113645565B (zh) 一种基于六方最密堆积结构的室内定位方法

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