CN117119465A - 一种基于Adaboost的宽带信号并行频谱感知方法 - Google Patents
一种基于Adaboost的宽带信号并行频谱感知方法 Download PDFInfo
- Publication number
- CN117119465A CN117119465A CN202311362461.9A CN202311362461A CN117119465A CN 117119465 A CN117119465 A CN 117119465A CN 202311362461 A CN202311362461 A CN 202311362461A CN 117119465 A CN117119465 A CN 117119465A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- adaboost
- signal
- spectrum sensing
- broadband signal
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
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
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于Adaboost的宽带信号并行频谱感知方法，属于无线通信领域。本发明针对宽带信号难以使用传统频谱检测方法进行感知的问题，设计基于Adaboost的宽带信号频谱感知方法。在获取宽带信号的完整频谱后，按需对频谱进行切分、降采样与平滑后分别使用Adaboost算法与Adaboost.R2算法进行频谱感知，将频谱感知问题转化为频谱切分、二分类与回归问题，实现了基于Adaboost与Adaboost.R2算法的宽带信号频谱感知。通过对宽带信号进行频谱频段切分与并行处理实现了对频谱感知分辨率的有效控制，降低了算法检测时间，将Adaboost算法与Adaboost.R2算法相结合，实现了对宽带信号的高精度频谱感知。
Description
技术领域
本发明涉及无线通信系统频谱感知，特别是一种基于Adaboost的宽带信号并行频谱感知方法。
背景技术
频谱感知是一种用于检测和识别空中是否存在正在传送的无线信号的技术，其用于非合作通信中的信号检测，也用于无线电频谱中未使用频带感知。在认知无线电系统中，频谱感知可以实现对无线电频谱资源的动态分配和高效利用。频谱感知还被应用于物联网、无人驾驶等领域。在物联网环境中，同频段下的通信设备众多频谱资源极其珍贵。频谱感知技术可以帮助物联网设备找到并利用未使用的频谱，从而提高整个网络的效率和性能。在无人驾驶领域，车辆间需要通过无线通信来与其他车辆交流以及接收导航指令。频谱感知可以帮助车辆找寻最佳的通信频段，提升车辆行驶的安全性。传统的频谱感知方法可归类为能量检测、循环特征检测、匹配滤波检测、协作检测。但面对高动态、强干扰的频谱感知任务，传统的频谱感知方法无法满足感知任务的需求，此时利用机器学习算法的自适应特征可以帮助我们解决宽带频谱感知中遇到的诸多问题。
自适应增强(Adaptive Boosting, AdaBoost)算法泛化错误率低、易编码，可以用在大部分分类器上，具有很高的精度，常常被用在二分类场景中。AdaBoost算法旨在分类问题中通过改变训练样本的权重，学习多个分类器，将这些弱分类器按照一定权重组合形成强分类器。可将其步骤归为：第一步，初始化权重：为每个样本赋予相同的权重；第二步，迭代训练弱分类器：在每次迭代中，使用带有权重分布的样本进行训练，得到一个弱分类器。弱分类器用于对样本进行分类，并计算分类错误率；第三步，调整误分类样本的权重：增加被误分类的样本的权重，使它们在下一轮训练中更受关注；第四步，计算弱分类器权重：根据分类错误率计算弱分类器的权重。错误率越小，权重越大，表示该弱分类器在最终分类器中的重要性越高；错误率越大，权重越小；第五步，循环迭代：重复执行步骤二到步骤四，直到没有误分类样本或达到最大迭代次数，或者强分类器的错误率低于最低错误率阈值；第六步，建强分类器：将所有弱分类器线性组合成强分类器，组合的系数是弱分类器训练过程中的误分类权重；第七步，预测：使用最终构建的强分类器对新样本进行预测。
发明内容
本发明所要解决的技术问题是，针对宽带信号难以使用传统频谱检测方法进行感知的问题，设计基于Adaboost的宽带信号频谱感知方法。在获取宽带信号的完整频谱后，按需对频谱进行切分、降采样与平滑后分别使用Adaboost算法与Adaboost.R2算法进行频谱感知，将频谱感知问题转化为频谱切分、二分类与回归问题，实现了基于Adaboost与Adaboost.R2算法的宽带信号频谱感知。
本发明为解决上述技术问题所采用的技术方案是，基于Adaboost算法实现宽带信号的频谱感知，包括步骤如：
1）若已获得宽带信号的完整频谱F，完整频谱的频域分辨率，系统最低频谱感知分辨率为/>。根据系统要求的最低频谱感知分辨率将完整频谱信号切分为等长的N段，且每一段的宽度为要求最低感知分辨率长度的1至5倍。
;
其中为频谱切分函数，/>为切分后的频谱集合。
2）对1）中得到的频谱序列集合进行平滑与降采样处理。得到处理后的频域序列集合。
;
其中为再次对第i段频谱/>进行切分得到的频谱段，且n为切分后频谱的总段数其与降采样倍数有关，若降采样倍数为/>，则切分后频谱总段数；/>为对/>分别求均值后得到的数值，将其组合为向量，并使/>，故经处理后的频谱序列集合为/>；
3）将2）中得到的经处理后的N个频谱序列分别通过N路Adaboost分类器;Adaboost分类器将检测每一路频谱序列中是否存在通信信号或干扰信号，若检测存在则将该路频谱序列标记为1，若检测不存在则将该路频谱序列标记为0。
;
其中，为N路信号的Adaboost.R2分类结果，/>；
4）对3）中的结果进行筛选，选出所有被检测为1的频段。
;
其中，为所有被检测为1的频段序列集合。
5）选取4）中序号连续部分的两端将其分别记为起始段和截止段。
;
；
其中为第/>段连续信号频谱的起始段，实际为/>，/>为第/>端信号的截止段，实际为/>，/>为第/>端信号的起始段，实际为/>，/>为第/>端信号的终止段，实际为/>，/>为第k端信号的起始段，实际为/>，/>为第k端信号的终止段，实际为，为第/>段连续信号频谱，/>为第/>段连续信号频谱，/>为第k段信号频谱，为检测各段信号终止端和起始端的函数。
6）利用Adaboost.R2算法预测5）中每段连续信号频段起始段的起始点，利用Adaboost.R2算法预测5）中每段连续信号频段终止段的终止点；
其中，第段连续频段/>的起始段起始点为/>，第/>段连续频段的终止段终止点为/>，第/>段连续频段/>的起始段起始点为，第/>段连续频段/>的终止段终止点为/>；
7）利用6）得到的和/>计算整个宽带信号的频谱感知结果；
;
其中是宽带信号频谱感知结果，/>与/>为检测存在信号能量的频段。
本发明充分利用了并行处理的技术，采用Adaboost与Adaboost.R2机器学习算法，将复杂、难以使用传统方法解决的宽带信号频谱感知问题转化为频谱切分、二分类与回归问题，实现了对宽带信号的高精度频谱感知。
本发明的有益效果是：
通过对宽带信号进行频谱频段切分与并行处理实现了对频谱感知分辨率的有效控制，降低了算法检测时间。
通过将Adaboost算法与Adaboost.R2算法相结合，实现了对宽带信号的高精度频谱感知。
附图说明
图1为 Adaboost算法示意图；图1中（a）为弱分类器1的分类结果，（b）表示出弱分类器1的分类结果中待提高权重的误分类点，（c）为弱分类器2的分类结果，（d）表示出弱分类器2的分类结果中待提高权重的误分类点，（e）为弱分类器3的分类结果，（f）表示出弱分类器3的分类结果中待提高权重的误分类点。
图2为本发明算法流程示意图。
图3为模型测试性能结果图。
图4为模型测试性能结果图。
图5为模型测试性能结果图。
实施方式
图1展示了利用Adaboost算法进行分类的全过程。Adaboost.R2算法则是AdaBoost算法的一个变体，主要用于解决回归问题。与传统的AdaBoost算法用于分类问题不同，Adaboost.R2算法旨在通过组合多个弱回归模型来构建一个强回归模型，以实现对目标变量的预测。可将其步骤归为：第一步，初始化权重：为每个样本赋予相同的权重，初始时，所有样本的权重都相等。第二步，迭代训练弱回归模型：在每次迭代中，使用带有权重分布的样本进行训练，得到一个弱回归模型。弱回归模型用于对样本进行预测，并计算预测误差，如图1中（a）为弱分类器1的分类结果，图1中（c）为弱分类器2的分类结果，图1中（e）为弱分类器3的分类结果。弱分类器用于对样本进行分类，并计算分类错误率。第三步，调整样本权重：根据预测误差调整样本的权重。如果某个样本的预测误差较大，则增加其权重，使它在下一轮训练中更受关注，如图1中（b）表示出弱分类器1的分类结果中待提高权重的误分类点，如图1中（d）表示出弱分类器2的分类结果中待提高权重的误分类点；如图1中（f）表示出弱分类器3的分类结果中待提高权重的误分类点。第四步，计算弱回归模型的权重：根据预测误差计算弱回归模型的权重。预测误差越小，权重越大，表示该弱回归模型在最终回归模型中的重要性越高，预测误差越大，权重越小；第五步，循环迭代：重复执行步骤二到步骤四，直到达到预先设定的迭代次数或满足停止迭代的条件。第六步，构建强回归模型：将所有弱回归模型线性组合成强回归模型，组合的系数是弱回归模型的权重。第七步，预测：使用最终构建的强回归模型对新样本进行预测。通过将Adaboost算法应用于频谱感可以解决宽带信号的频谱感知问题。
本发明方法如图2所示，以下为对图2进行详细说明。
S1. 若已获得宽带信号的完整频谱F，完整频谱的频域分辨率，系统最低频谱感知分辨率为/>。根据系统要求的最低频谱感知分辨率将完整频谱信号切分为等长的N段，且每一段的宽度为要求最低感知分辨率长度的1至5倍。
;
其中为频谱切分函数，/>为切分后的频谱集合。根据系统所要求的感知分辨率，频段切分数N可变。在可知先验信息的基础上若频带内窄带信号较多，则频段切分长度应较小，若宽带信号较多，则频段切分长度应较长。若不知先验信息，则频段切分长度设置为频谱最低感知精度要求的2倍带宽宽度。
S2. 为了降低Adaboost分类器的计算量在保证频谱分辨率的基础上对S1中得到的频谱序列集合进行降采样与平滑处理，得到处理后的频域序列集合，这里采用了先对频谱进行切分再求均值的方法完成信号的降采样与平滑处理，其中降采样倍数/>与频谱切分数/>相等;
;
其中为再次对第/>段频谱/>进行切分得到的频谱段，且/>为切分后频谱的总段数其与降采样倍数有关，若降采样倍数为/>，则切分后频谱总段数。/>为对/>分别求均值后得到的数值，将其组合为向量/>，并使/>，故经处理后的频谱序列集合为/>。
S3. 对将S2中得到的经处理后的N个频谱序列分别通过N路Adaboost分类器，Adaboost算法示意图如图1所示。Adaboost分类器将检测每一路频谱序列中是否存在通信信号或干扰信号，若检测存在则将该路频谱序列标记为1，若检测不存在则将该路频谱序列标记为0。
;
其中，为N路信号的Adaboost分类结果，/>。这里构建N路Adaboost分类器具有相同的参数。同时，Adaboost分类器具有3套不同的参数，其参数根据SNR确定，当/>时均有匹配的Adaboost分类器。当无法对接收信号进行SNR估计或SNR盲估计时，则选择/>的Adaboost分类器参数。
S4. 对S3中的结果进行筛选，选出所有被检测为1的频段。
;
；
其中，为所有被检测为1的频段序列集合。首先，筛选Adaboost分类器的检测结果/>选出所有检出信号的部分，再找出其对应的频谱序列/>。
S5. 选取S4中序号连续部分的两端将其分别记为起始段和截止段。
;
；
其中为第/>段连续信号频谱的起始段，实际为/>，/>为第/>端信号的截止段，实际为/>，/>为第j端信号的起始段，实际为/>，/>为第j端信号的终止段，实际为/>，/>为第k端信号的起始段，实际为/>，/>为第k端信号的终止段，实际为/>，为第/>段连续信号频谱，/>为第j段连续信号频谱，/>为第k段信号频谱。在检测信号连续部分并找出连续部分的起始点与终止点的过程中不光需要检测连续部分中的/>，还需要找出独立的部分/>。此时，若/>分别为/>的起始段与终止段，则/>的起始段与终止段就为/>。
S6. 利用Adaboost.R2算法预测S5中每段连续信号频段起始段的起始点，同时利用Adaboost.R2算法预测S5中每段连续信号频段终止段的终止点。
其中，第段连续频段/>的起始段起始点为/>，第/>段连续频段的终止段终止点为/>，第j段连续频段/>的起始段起始点为，第/>段连续频段/>的终止段终止点为/>。同样，Adaboost.R2预测模型存在两种不同的参数结构，其中第一种Adaboost.R2预测模型被训练用于预测起始段中连续频域信号的起始点，第二种Adaboost.R2预测模型被训练用于预测终止段中连续频域信号的终止点，且每一种Adaboost.R2预测模型具有相同的模型参数。同时，Adaboost.R2预测模型也配有3套不同的参数，其参数根据SNR确定，当/>、/>、时均有匹配的Adaboost.R2预测模型。当无法对接收信号进行SNR估计或SNR盲估计时，则选择/>的Adaboost.R2预测模型参数。
S7 利用S6得到的和/>计算整个宽带信号的频谱感知结果。
;
其中是宽带信号频谱感知结果，/>与为检测存在信号能量的频段。
从图3、图4、图5中分析可知，针对不同的信噪比分别设计的三套分类器在相应的SNR环境下循交叉验证10次后分类准确率均高于99%。SNR较高时分类模型的准确率最高，SNR较低时分类模型的准确率略有下降。同时，利用SNR =10时的数据训练的模型可以适用于的环境，/>模型测试性能结果图如图3所示；利用SNR =0时的数据训练的模型可以适用于/>的环境；/>模型测试性能结果图如图4所示；利用SNR =-10时的数据训练的模型可以适用于/>的环境，模型测试性能结果图如图5所示；实验验证了利用Adaboost与Adaboost.R2算法进行频谱感知的可行性。
Claims (3)
1.一种基于Adaboost的宽带信号并行频谱感知方法，其特征在于，包括以下步骤：
步骤1：若已获得宽带信号的完整频谱，完整频谱的频域分辨率/>，系统最低频谱感知分辨率为/>；根据系统要求的最低频谱感知分辨率将完整频谱信号切分为等长的N段，且每一段的宽度为要求最低感知分辨率长度的1至5倍；
;
其中为频谱切分函数，/>为切分后的频谱集合；
步骤2：对步骤1中得到的频谱序列集合进行平滑与降采样处理，得到处理后的频域序列集合；
；
其中，表示对输入的每一段频谱信号求均值，/>为再次对第i段频谱/>进行切分得到的频谱段，且n为切分后频谱的总段数其与降采样倍数有关，若降采样倍数为ds_rate，则切分后频谱总段数n=ds_rate；/>为对/>分别求均值后得到的数值，将其组合为向量/>，并使/>，故经处理后的频谱序列集合为/>；
步骤3：将步骤2中得到的经处理后的N个频谱序列分别通过N路Adaboost分类器；Adaboost分类器将检测每一路频谱序列中是否存在通信信号或干扰信号，若检测存在则将该路频谱序列标记为1，若检测不存在则将该路频谱序列标记为0;
;
其中，为N路信号的Adaboost.R2分类结果，/>；
步骤4：对步骤3中的结果进行筛选，选出所有被检测为1的频段，得到频段序列集合/>；
步骤5：选取步骤4中序号连续部分的两端将其分别记为起始段和截止段；
步骤6：利用Adaboost.R2算法预测步骤5中每段连续信号频段起始段的起始点startPoint，利用Adaboost.R2算法预测步骤5中每段连续信号频段终止段的终止点endPoint；
步骤7：利用步骤6得到的和/>计算整个宽带信号的频谱感知结果；
;
其中，下表i、j表示对应的连续信号频段的标号，result是宽带信号频谱感知结果，与/>为检测存在信号能量的频段。
2.如权利要求1所述一种基于Adaboost的宽带信号并行频谱感知方法，其特征在于，步骤3中，构建N路Adaboost分类器分别对N路信号进行并行处理，且N路Adaboost分类器具有相同的参数；同时，Adaboost分类器具有3套不同的参数，其参数根据信噪比SNR确定，当时均有匹配的Adaboost分类器；这三套分类器分别由不同的训练数据训练而成，其中第一套分类器训练数据信噪比范围为，第二套分类器训练数据信噪比范围为/>，第三套分类器训练数据信噪比范围为/>。
3.如权利要求1所述一种基于Adaboost的宽带信号并行频谱感知方法，其特征在于，步骤6中，Adaboost.R2预测模型存在两种不同的参数结构，其中第一种Adaboost.R2预测模型被训练用于预测起始段中连续频域信号的起始点，第二种Adaboost.R2预测模型被训练用于预测终止段中连续频域信号的终止点，且每一种Adaboost.R2预测模型具有相同的模型参数；同时，Adaboost.R2预测模型也配有3套不同的参数，其参数根据SNR确定，当时均有匹配的Adaboost.R2预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362461.9A CN117119465B (zh) | 2023-10-20 | 2023-10-20 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362461.9A CN117119465B (zh) | 2023-10-20 | 2023-10-20 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117119465A true CN117119465A (zh) | 2023-11-24 |
| CN117119465B CN117119465B (zh) | 2023-12-22 |
Family
ID=88805847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311362461.9A Active CN117119465B (zh) | 2023-10-20 | 2023-10-20 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117119465B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104394543A (zh) * | 2014-12-08 | 2015-03-04 | 电子科技大学 | 基于Adaboost算法的联合频谱感知方法 |
| CN107360577A (zh) * | 2017-08-17 | 2017-11-17 | 广东工业大学 | 一种基于机器学习的频谱感知方法及装置 |
| CN109525994A (zh) * | 2018-12-17 | 2019-03-26 | 中国空间技术研究院 | 基于支持向量机的高能效频谱感知方法 |
| CN109543643A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 基于一维全卷积神经网络的载波信号检测方法 |
| CN109962745A (zh) * | 2019-04-04 | 2019-07-02 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
| CN112311488A (zh) * | 2020-11-05 | 2021-02-02 | 上海应用技术大学 | 基于小波分解的频谱感知方法 |
| CN113128396A (zh) * | 2021-04-16 | 2021-07-16 | 东南大学 | 一种电能质量复合扰动分类方法 |
| WO2023014916A1 (en) * | 2021-08-04 | 2023-02-09 | Arris Enterprises Llc | Machine learning for rf impairment detection |
| CN116865884A (zh) * | 2023-07-24 | 2023-10-10 | 南京航空航天大学 | 基于在线学习的宽带频谱感知方法 |
-
2023
- 2023-10-20 CN CN202311362461.9A patent/CN117119465B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104394543A (zh) * | 2014-12-08 | 2015-03-04 | 电子科技大学 | 基于Adaboost算法的联合频谱感知方法 |
| CN107360577A (zh) * | 2017-08-17 | 2017-11-17 | 广东工业大学 | 一种基于机器学习的频谱感知方法及装置 |
| CN109543643A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 基于一维全卷积神经网络的载波信号检测方法 |
| CN109525994A (zh) * | 2018-12-17 | 2019-03-26 | 中国空间技术研究院 | 基于支持向量机的高能效频谱感知方法 |
| CN109962745A (zh) * | 2019-04-04 | 2019-07-02 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
| CN112311488A (zh) * | 2020-11-05 | 2021-02-02 | 上海应用技术大学 | 基于小波分解的频谱感知方法 |
| CN113128396A (zh) * | 2021-04-16 | 2021-07-16 | 东南大学 | 一种电能质量复合扰动分类方法 |
| WO2023014916A1 (en) * | 2021-08-04 | 2023-02-09 | Arris Enterprises Llc | Machine learning for rf impairment detection |
| CN116865884A (zh) * | 2023-07-24 | 2023-10-10 | 南京航空航天大学 | 基于在线学习的宽带频谱感知方法 |
Non-Patent Citations (3)
| Title |
|---|
| RAN CHEN: ""A Spectrum Sensing Algorithm Based on Linear Discriminant Analysis and Extreme Gradient Boosting in Cognitive Radio"", 《2019 IEEE 19TH INTERNATIONAL CONFERENCE ON COMMUNICATION TECHNOLOGY (ICCT)》 * |
| 崔立波: ""基于CAE与AdaBoost的频谱感知"", 《计算机工程与设计》 * |
| 林晋福;柏鹏;李明阳;王徐华;: "一种基于Boosting特征选择的调制方式识别算法", 电视技术, no. 15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117119465B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102002681B1 (ko) | 생성적 대립 망 기반의 음성 대역폭 확장기 및 확장 방법 | |
| CN107004409B (zh) | 利用运行范围归一化的神经网络语音活动检测 | |
| Chatlani et al. | Local binary patterns for 1-D signal processing | |
| CN104485103B (zh) | 一种基于矢量泰勒级数的多环境模型孤立词识别方法 | |
| CN106653047A (zh) | 一种音频数据的自动增益控制方法与装置 | |
| CN107862295A (zh) | 一种基于WiFi信道状态信息识别面部表情的方法 | |
| CN108491927A (zh) | 一种基于神经网络的数据处理方法和装置 | |
| US20180150766A1 (en) | Classification method based on support vector machine | |
| CN112908344A (zh) | 一种鸟鸣声智能识别方法、装置、设备和介质 | |
| CN116935892A (zh) | 一种基于音频关键特征动态聚合的工业阀门异常检测方法 | |
| CN117119465B (zh) | 一种基于Adaboost的宽带信号并行频谱感知方法 | |
| Kong et al. | Waveform recognition in multipath fading using autoencoder and CNN with Fourier synchrosqueezing transform | |
| CN115293210A (zh) | 一种基于脑电波的指令预测输出控制方法 | |
| Zhang et al. | Noise-Aware Speech Separation with Contrastive Learning | |
| CN106130661A (zh) | 基于Hammerstein‑Wiener模型的宽带无线发射机识别方法 | |
| JP7443135B2 (ja) | 情報処理装置およびデータベース生成方法 | |
| CN116865884A (zh) | 基于在线学习的宽带频谱感知方法 | |
| JP4871191B2 (ja) | 目的信号区間推定装置、目的信号区間推定方法、目的信号区間推定プログラム及び記録媒体 | |
| CN116911189A (zh) | 应用持续学习精准检测动态时变直流故障电弧的方法 | |
| CN109035178B (zh) | 一种应用于图像去噪的多参数取值调优方法 | |
| Ali et al. | Scaling strategies for on-device low-complexity source separation with conv-tasnet | |
| CN114584432A (zh) | 基于改进平滑周期图算法的信号检测方法 | |
| CN114118151A (zh) | 一种具有环境适应能力的智能频谱感知方法 | |
| Dyason et al. | Performance evaluation and comparison of filters for real time embedded system applications | |
| Selvaraj et al. | Ideal ratio mask estimation using supervised DNN approach for target speech signal enhancement |
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 |