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。     

应用小波变换的认知无线电频谱检测

频谱检测是认知无线电的核心问题之一,利用小波变换对接收信号的功率谱密度（PSD）进行奇异点检测,为了在低信噪比条件下有效地检测空闲频谱,分两步去除噪声在检测中的影响。首先利用噪声与信号奇异点的小波变换模极大值在不同尺度上具有不同的传播特性,可以去除噪声;再通过小波变换模极大值的衰减计算Lipschitz指数,去掉与信号奇异点具有不同Lipschitz指数的噪声。最后依据剩下的奇异点将PSD划分为多个子带,利用带通滤波器估计每个子带的PSD水平,最终确定出空闲频谱。仿真结果证明了该方法的可行性。     

基于图论模型的认知无线电频谱分配仿真建模研究

鉴于频谱分配的可用性和干扰条件,通过将认知用户组成的网络描绘为图,以图论模型推动频谱分配最优化是当下认知无线电频谱分配研究的重点.无干扰分配矩阵用以记载频谱分配的终极策略,但对其直接编码,往往存在编码维数过高问题.为更高效地对认知无线电频谱分配仿真建模,将可用性矩阵进行提取并编码,压缩为一维矩阵,优化完成之后再根据原有...     

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...     

认知无线电频谱感知技术研究

随着无线通信技术的迅猛发展,频谱资源短缺的问题越来越严重,甚至可能成为未来制约无线通信技术发展的瓶颈。认知无线电技术通过对频谱资源的"二次利用",为缓解频谱资源紧缺开辟了一条新的路径。在认知无线电网络中,当认知用户感知到目标频段处于空闲状态时,可以接入该频段进行通信,一旦检测到主用户重新出现时,要及时做出避让,以免影响主用户的正常工作。由此可知,频谱感知技术是保证认知无线电技术得以实现的关键和前提。     

认知无线电中基于灰色系统的频谱预测机制研究*

由于认知无线电网络中的频谱是动态变化的,这就使得次用户必须频繁地进行退避,这不仅会在短时间内对主用户造成干扰,而且会影响次用户的QoS。提出了基于灰色系统的预测机制可提高频谱分配的效率、减少次用户切换次数。仿真结果证明了认知用户的服务质量即切换次数有显著改善。     

认知无线电网络中频谱分配算法

随着科学技术的发展,无线通信技术逐渐趋于成熟,虽然频谱资源日益增多,但是认知无线电的频谱仍是处于紧缺状态,在一定程度上对无线通信的发展有着阻碍和抑制的作用。比如一些用户的需求在认知无线电网络中并没有得到满足,这一问题具体表现在频谱分配算法的不够严谨,存在很大的欠缺。     

基于社交网络的认知无线电频谱共享模型*

综合考虑激励因子、用户优先级和用户信誉提出一种基于社交网络的认知无线电频谱共享模型,并据此提出新的频谱共享方案。提出的方案通过对因子排序和比较各非授权用户的因子值,确定共享频带的非授权用户。结果表明,与未考虑社会关系的频谱共享方案相比,提出的频谱共享方案对应的成功共享次数更多,更能适应个性化的频谱共享环境。     

认知无线电网络中频谱感知性能分析

分析了认知无线电网络中使用能量检测器进行频谱检测的性能。仿真结果表明,衰落会使认知无线电用户检测性能下降,采用硬合并协作方案的合作频谱检测可以提高认知无线电系统的检测概率,但认知无线电系统的虚警概率也会随着参与协作的用户数的增多而上升,特别是控制信道不理想时,协作检测会导致虚警概率下限的出现,造成频谱利用率达不到预期的目标。     

小波神经网络预测模型的仿真实现

针对神经网络预测模型在对非线性序列进行预测时,容易陷入局部次优点,训练速度慢的缺点,在传统神经网络预测模型的基础上,引入小波作为隐含层的传递函数,构成新的预测模型:小波神经网络预测模型.介绍了小波神经网络预测模型的构建,仿真模型和仿真算法,并把小波神经网络预测模型在matlab7.0以网络流量的预测对模型进行了效果检验,得出了预测精度较高的预测结果,并且克服了容易陷入局部次优点的缺点,同时训练速度较之神经网络预测模型大大提高.     

基于BP神经网络的协作频谱感知技术

认知无线电技术可以利用主用户未使用的频谱资源来有效地提高频谱利用率。单用户感知技术虽然简单但可靠性较低,协作频谱感知技术可以显著地提高频谱感知的性能。现有的大部分协作感知都是在假设各认知用户的信噪比相同的前提下进行研究。然而在实际环境中,由于每个认知用户所处的环境不同,其信噪比不同,对融合中心判决的影响也不同。如何在提升检测性能的同时提升系统的能量效率是关键问题。提出一种基于BP(Back Propagation)神经网络的协作频谱感知技术,它利用频谱环境的历史信息,通过BP神经网络提高频谱感知性能。仿真结果表明,该算法可以在保证协作感知性能的同时减少参与协作的认知用户数,从而减少能量消耗。     

太阳黑子数的小波包-小波网络混沌时序预测

太阳黑子是表征太阳活动的重要现象,影响地球、人体乃至生命环境.针对影响太阳黑子的因子难以确定的问题,引入小波包和混沌相空间重构子序列揭示太阳黑子时间序列的动力学及物理规律.该方法采用小波包分解原始时间序列,用混沌相空间重构恢复影响因子,并采用小波神经网络预测子序列,再经小波包重构获得太阳黑子的最终预测结果.其中小波神经网络采用自行开发的工具箱,其具有方便、收敛速度快、数据吞吐量大、预测精度高以及实用性强等特点,对推广小波神经网络应用具有重要作用,并为太阳黑子数的预测提供了一条新途径.     

一种新型的认知无线电网络架构

网络宽带化、业务多样化以及现有的固定频谱管理模式使无线网络面临资源日益匮乏的巨大挑战。动态变化的异构网络环境更加剧了资源紧缺和业务需求之间的矛盾,严重制约了现有和未来无线网络的部署和运行。为解决以上难题,首先对现有无线网络协议进行了详细讨论与分析,总结出其自身特点和存在的问题,包括IEEE 802.22认知功能、IEEE 1900.4认知功能和ETSI RRS(重配置无线子系统)认知功能。在深入研究无线网络中认知理论与方法的基础上,提出一种全新的认知无线网络架构模型,包括系统频谱管理、网络规划管理、重配置管理、无线资源管理、认知环处理以及认知信息承载方式。该架构能够更好地协调和支持网络的学习、推理、预测、融合、决策和重构等行为。     

基于能效的认知无线电频谱接入算法

认知无线电(CR)技术和能效(EE)通信设计这两种技术已经使得系统分别达到较高的频谱效率(SE)和能源利用效率(EE)。然而在认知无线电系统中,既要保持较高的频谱效率,又要使得能源利用效率相对较高的问题,始终少有研究。针对此问题,在正交频分复用(OFDM)认知无线电网络的基础上考虑平均能效和频谱效率折中的频谱接入方案,提出了一种低复杂度的次优启发式算法。仿真结果表明,所提算法相对于其他已有算法能够显著节约能量,并且在性能和复杂度方面具有较大优势。     

认知无线电分簇子网频谱决策

树形认知无线电分簇子网采用多簇并行工作模式,其频谱决策涉及子网容量、吞吐量与子网稳定性3方面因素,计算复杂度高。针对多簇子网的频谱决策问题,建立了三层优先级决策模型,并提出一种启发式决策算法。该算法基于簇结构和簇生长度构造无重复的搜索空间,并以当前最优解更新的搜索步长为启发式条件,贪心搜索增长率更高的子网结构,引入子网容量下限、可用频谱及子网速率双门限,对解空间进行严格剪枝。仿真结果表明,在相应频谱空间和子网规模等约束条件下,该算法能够获得最优解且满足实时性需求。     

基于频谱预测的不完美条件下的能量有效性设计

在认知无线电网络中,次级用户在实施频谱预测和频谱感知的过程中,存在频谱预测错误和频谱感知错误,而这些因素往往会影响整个网络的性能。分析了在电池供电能量有限的认知无线电网络中,存在频谱预测错误和频谱感知错误的条件下次级用户的能量有效性,设计了频谱预测归一化能量有效性公式,仿真了在频谱预测能量消耗、频谱预测错误概率、通信强度、信道数量不同时的归一化能量有效性,并与完美条件下的归一化能量有效性做了比较,仿真结果更符合实际情况,具有较好的理论与工程应用价值。     

Improved CBP Neural Network Model with Applications in Time Series Prediction

Circular back-propagation neural network (CBP) put forward by Sandro Ridella and Stefano Rovetta, a generalized model of multi-layer perceptron (MLP), possesses strong capabilities of generalization and adaptation to unknown inputs. And they can flexibly construct vector quantization (VQ) and radial basis function (RBF) networks under the CBP framework. With the original structure of CBP remaining unchanged, in this Letter a more generalized network model ICBP (Improved Circular Back-Propagation Neural Network) was designed by adding an extensive node with quadratic form to the original CBP inputs and endowing fixed values to the weights between this node and all the hidden nodes. An interesting property of ICBP is that although it has less adaptable weights, it is better in generalization and adaptability than CBP. Moreover, in order to partially solve the problem of local minima, we adopt the method of adding controlled noise to desired outputs. Finally, ithas been proved by experiments that ICBP is better than CBP in the capabilities of forecasting and function approximation.     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。