基于LSTM神经网络的认知无线电协作频谱预测

针对频谱资源紧缺问题,采用认知无线电网络中协作频谱预测关键技术来提高频谱预测的准确率,该技术能够有效避免在单用户频谱预测中容易受到环境干扰而对预测结果产生影响的问题。首先利用排队论对授权信道状态进行建模,通过LSTM对信道未来时隙状态进行预测,然后汇总出最终的预测结果。最后通过将LSTM与RNN、MLP方法进行Python仿真对比,以预测准确率和F1值作为性能指标进行验证,结果表明LSTM优于其他两种算法。

基于GCN-LSTM的频谱预测算法

无线频谱是一项重要的、难以再生的自然资源。在频谱数据中随着信道的动态变化,各个信道不能建模成规则的结构。由于卷积神经网络提取的是规则数据结构的相关性,没有考虑信道动态变化以及各个信道节点之间的相关性影响,基于此研究了基于图卷积神经网络(Graph Convolutional Network, GCN)和长短期记忆(Long Short-Term Memory, LSTM)网络结合的GCN-LSTM频谱预测模型,并且引入了注意力机制,仿真得到了GCN-LSTM在正确数据集和有一定错误数据的数据集上的预测性能和算法运行时间。结果表明在引入注意力机制后,GCN-LSTM预测模型的准确性和实时性都得到了提高。

基于有意义扰动掩码的频谱预测解释方法

针对频谱序列预测问题中深度学习技术可解释性不足、现有方法解释效果不直观以及时间相关性难以体现等问题,提出了一种基于掩码方案的频谱预测解释方法。首先,生成与输入频谱数据同样大小的重要性掩码矩阵,通过显著图标注输入数据的重要性部分,获得对单一样本预测结果的可视化解释;其次,将解释问题转变为针对掩码的多目标优化问题,根据频谱数据的动态特性与相关性特点改进扰动方式,实现针对频谱预测问题的有意义扰动;最后,通过在优化目标中添加对时间步跳跃的惩罚项,体现了短的连续序列或者相邻时间步的时间相关性同样重要的先验知识。基于实测频谱数据的测试分析表明,所提的解释方法具有简洁直观和易于用户理解等特点。与基线方法相比,所标注的重要性部分凸显了中心频点和相邻频点的相关性。在性能恶化实验中,模型输出精度下降最多,平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)指标平均分别比综合梯度方法、沙普利值采样和高斯扰动掩码方案高6.4%,26.2%和30.0%;在性能恢复实验中,模型输出精度改善最大,MAPE指标平均分别比前述三种对比方案低7.6%,32.2%和32.8%。

采用深度图像推断的认知无线电频谱预测算法

针对认知无线电频谱预测效率不高的问题,提出了一种采用深度图像推断的频谱预测算法。该算法将序列预测问题转化为图像推断问题,构建深度图像推断网络实现无线电频谱预测。首先,对历史频谱数据进行预处理,提取频谱数据的变化特征;其次,使用双支路多层并联卷积神经网络提取数据的深度特征,经池化、合并操作输出多层次特征信息;最后,融合不同层次提取的特征信息,实现频谱数据的预测和生成。在真实频谱数据的多个频段对算法性能进行验证,实验结果表明算法能够有效地实现电磁频谱数据的预测,具有预测精度高的特点。

认知无线网络中频谱预测的协作策略设计

在多主用户(PU)、多认知用户(SU)的认知无线网络(CRN)场景中,研究了频谱预测的协作策略设计问题。将频谱预测的协作策略设计问题归纳为一个优化问题,以整个CRN的吞吐率最大为优化目标,对参与协作的SU数量和数据融合门限进行优化,并提出一种搜索算法求解此优化问题,这是首次对协作频谱预测中的协作策略进行研究。在此基础上,提出了基于分组的协作频谱预测策略,并设计其帧结构。仿真结果表明,这种基于分组的协作频谱预测策略在满足虚警概率要求的前提下,能够以更低的协作预测能耗,达到更高的CRN吞吐率,从而提高了协作频谱预测的效率。

全矢支持向量回归频谱预测方法

为了对机械设备进行故障类型和故障部位的准确预测,提出了全矢支持向量回归的频谱预测新方法.该方法使用全矢谱信息融合技术对同源双通道信号进行信息融合,采用支持向量回归对全矢谱特征参数进行预测,保证了训练数据信息的全面性以及预测结果的准确性.该方法对振动信号的频谱结构分布情况进行准确预测,从而为对机组的故障类型和故障部位预测奠定技术基础.通过对某1 000MW汽轮机轴振进行频谱预测验证结果表明,该方法在对振动信号频谱结构特征进行预测方面具有较高的预测准确性.

认知无线电中基于混沌神经网络的频谱预测

为了在认知无线电系统中提高频谱的利用率,减少切换次数,提出一种针对信道状态剩余时长的混沌神经网络预测机制,利用混沌预测对信道剩余时长进行分析并作出预测。仿真结果显示,预测精度可以达到90%以上,从而验证了此预测机制的有效性。

基于K-RBF神经网络的认知无线电频谱预测

提出使用K-均值聚类算法的RBF神经网络(K-RBF)来进行频谱预测。该模型根据历史信息预测频谱空穴的位置,从而选出合适的频谱供次用户选择,减少频谱预测过程的盲目性和频谱感知过程中的资源消耗。仿真结果表明,该方法可以获得很好的预测精度,其预测误差只有RBF神经网络的1/3。

认知无线网络中频谱预测的能量有效性设计

基于频谱预测对认知用户进行能量有效性设计,重新设计认知用户的帧结构,在频谱感知前加入频谱预测时隙,在预测为空闲的信道中选择信道进行频谱感知,避免浪费频谱感知能量,与传统认知用户相比,提高了能量有效性。推导表明,认知用户能量效率由频谱预测能量、频谱预测时长、认知无线网络通信强度、信道数量决定。仿真结果表明,为了提高认知用户的能量效率,频谱预测参数必须满足预测能量低于32mW、预测时长小于15ms的条件。认知无线网络的通信强度的提高和信道数量的增加能够提高认知用户的能量效率。

遗传算法优化的神经网络频谱预测模型训练

针对认知无线网络(CRN)中神经网络频谱预测模型原有的反向传播算法预测准确率不高的问题,提出一种遗传算法优化的神经网络频谱预测模型训练(GA-NN)算法。通过在选择、交叉、变异中加入随机性,使种群的个体收敛至包含全局最优解的集合内,再通过反向传播算法训练神经网络频谱预测模型(BPNN)快速搜索到全局最优解。仿真结果表明,GA-NN算法训练的神经网络频谱预测模型的预测准确率比BP-NN算法提高一倍以上,GA-NN算法在多种CRN中具有适用性。GA-NN算法提高了频谱预测模型的预测准确率,将促进频谱预测技术在CRN中的推广应用。

基于BP神经网络的智能认知频谱预测技术研究

为了使通信用户频谱接入更为有效,增强在时域和空间域的频谱利用灵活性,首先介绍采用最速下降法进行学习的BP神经网络过程,并对BP神经网络的频谱预测算法进行数学建模。通过对一段时期内的电磁频谱状态的学习训练,调节参数使算法模型建立输入数据与输出结果之间的认知关系,进而改变BP神经网络算法自身的结构,优化权值与阈值,最终使得频谱预测数据准确性更接近于实际值,预测误差变小。

PWM脉冲的重构及其干扰频谱预测

脉宽调制(PWM)脉冲时域和频域特性对于分析PWM逆变器电磁干扰具有重要意义。基于脉宽正弦分布规律生成矩形PWM脉冲,采用梯形波和衰减正弦波模拟电力电子器件开关波形,综合上述因素重构了PWM脉冲时域波形,并利用FFT得到PWM脉冲预测干扰频谱。最后,通过对比重构波形与实验波形、预测频谱与实际频谱,对算法和预测结果进行了验证。

动态频谱接入中基于最小贝叶斯风险的稳健频谱预测

针对频谱感知错误累积造成频谱预测性能恶化问题,该文提出一种基于最小贝叶斯风险的稳健频谱预测策略。分布拟合检验表明频谱预测输出服从正态分布,定义频谱预测输出的贝叶斯风险函数,证明使贝叶斯风险函数最小的频谱预测输出判决门限将使频谱预测的均方误差最小,求得了使贝叶斯风险最小的最优判决门限,构建稳健频谱预测策略。仿真结果表明,与固定判决门限的神经网络频谱预测相比,稳健频谱预测策略改进了频谱感知错误下的频谱预测性能,改善了非授权用户的动态频谱接入性能。

快变信道环境下基于支持向量回归的频谱预测

频谱预测是一种通过分析历史频谱数据获得频谱使用规律,从而预测未来频谱使用状态的技术。为了实现快变信道(本文指信道占用状态快速变化)环境下频谱状态的可靠预测,提出了一种基于支持向量回归的频谱预测算法。比较了在不同训练样本数时,该算法与一个典型的BP神经网络频谱预测算法的性能差异,结果表明所提算法在小样本学习时,预测效果更为理想。并在此基础上,加入正确检测概率和虚警概率,验证了当频谱检测不理想条件下,支持向量回归算法预测的可行性。

基于支持向量机的认知无线电频谱预测方法

频谱预测是认知无线电系统中的关键技术之一,利用该技术可以显著减少认知用户的能量损耗,同时提高系统的频谱利用率。针对现有基于BP神经网络的频谱预测方法预测精度低及失效率高等问题,将建立在统计学习理论和结构风险最小原则上的支持向量机引入认知无线电频谱预测中,利用其对小样本及非线性数据优越的预测性能对信道进行预测。实验结果表明,该方法通过避免无效检测,提高了频谱感知系统的性能,并且比基于BP神经网络算法的模型的预测精度更高,具有良好的实用性与灵活性。

一种基于隐马尔可夫模型的自适应联合频谱预测方法

基于隐马尔可夫模型(Hidden Markov Model,HMM)的频谱预测是次用户(SU)根据频谱感知历史信息得到主用户(PU)信道状态训练集,用前M个时刻信道的状态组成的矩阵作为待测矩阵与训练集匹配,根据匹配的相似度对下一时刻的信道状态进行预测。由于信道预测是基于前M个时刻的信道状态,其信道状态的不确定性直接影响到预测的准确性。文中针对这一问题,提出一种基于HMM的自适应联合频谱预测方法,根据本地预测中各待测矩阵的可信度给予不同的权值,通过数据融合来得到最终的预测结果。此外,为了解决文中的数据融合问题又提出一种基于本地预测可信度的自适应分组融合算法。仿真结果表明,该方法能够明显提高频谱预测的准确性。

基于频谱预测和频谱分割的吞吐量优化

在认知无线电网络中,进行周期性的频谱感知时,次用户需要在感知阶段等待,这就减少了次用户的吞吐量。另外当次用户在多条信道中随机选择信道感知时,感知结果为占用的概率较高,造成次用户的吞吐量较低。为了提高次用户的通信量,文中结合频谱分割和频谱预测技术,重新设计次用户的帧结构,先将主用户的频谱划分为两个子频带,然后在一个子频带中加入频谱预测功能,使次用户只在预测为空闲的信道中选择感知信道,从而提高感知为空闲的概率,进而提高系统的吞吐量。仿真结果表明,该方法可以有效的提高次用户的吞吐量。

基于协作频谱预测的能量有效性分析

在认知无线电网络中,传统的次级用户随机选择信道进行感知,这在电池供电的认知无线电网络中会造成能量的浪费。研究了协作频谱预测下的能量有效性设计,次级用户采用协作频谱预测的方式会极大地提高感知到空闲信道的能力,进而成功地进行数据传输。仿真了在不同的频谱预测能量消耗、频谱预测错误概率和协作用户数量下的能量有效性,结果表明协作频谱预测能量有效性优于传统非协作频谱预测。

基于HS-BP神经网络的认知无线电频谱预测技术

在基于反向传播神经网络(BPNN)的频谱预测中,网络的初始权重与阈值是随机产生的,并且BP算法本身存在陷入局部最优的缺陷,从而导致BPNN训练得到的网络结构具有一定的不确定性。针对上述问题,提出一种基于HS-BP神经网络的频谱预测算法,通过和声搜索算法的全局寻优能力得到BPNN的最优初始权重和阈值,从而BPNN训练可得到最优的频谱预测网络结构,并运用该网络结构进行频谱的预测。仿真结果表明,该算法可以提高频谱预测的准确性及频谱的利用率。

基于长短期记忆网络的无人机认知无线电频谱预测

为解决无线电频谱利用率低的问题,提出利用长短期记忆网络(LSTM)来预测一段时间内的无线电频谱信息,使得装有认知无线电的无人机能够机会性的接入频谱空洞,以提高无线电频谱的利用率。首先分别建立整合移动平均自回归(ARIMA),时延神经网络(TDNN)以及LSTM的预测模型,其次构建3种预测模型相应的预测算法,最后利用提出的LSTM预测模型与同样具有时序型预测模型的ARIMA和TDNN在预测误差上的比较,证明该LSTM网络在预测具有时序型的无人机频谱信息中具有更好的预测性能。