基于混沌时间序列建模的频谱状态持续时长预测

为提高频谱利用率,该文利用非线性动力学理论对频谱状态持续时长序列进行建模并预测。以实际采集的频谱数据作为研究对象,采用指向导数法对该时长序列进行非一致延长时间相空间重构,利用基于尺度的Lyapunov指数判定其混沌特性。以基于Davidon-Fletcher-Powell方法的二阶Volterra预测模型 (DFPSOVF)为基础,提出一种基于限域拟牛顿方法的Volterra自适应滤波器系数调整模型,并将该模型应用于具有混沌特性的短时频谱状态持续时长预测,通过自适应剔除对预测贡献小的滤波器系数,降低预测模型的复杂度。实验结果表明该算法在保证预测精度的同时降低运算复杂度。     

基于关联规则挖掘的无线电频谱占用预测

无线电频谱占用预测是认知无线电研究中的关键技术之一。实验采用中星世通CS-805 F可搬移监测测向系统对四川省成都市的GSM900上行频段(890~915 MHz)和广播电视业务的部分频段(750~806 MHz)进行了为期24 h的实地监测,针对频谱监测中产生的大量历史数据,选用了部分周期模式的关联规则挖掘方法,挖掘频谱使用中存在的频繁模式,并由信道占用频繁模式生成强关联规则,得到特定业务频段的使用规律,从而实现无线电频谱的占用预测。实验结果表明,该方法在两个业务频段的占用预测均取得了较好的效果,准确率分别可达74.02%和83.98%。另外,实验指出了该算法的敏感参数并进行了简要分析。实验对研究认知无线电设备实施动态频谱接入和提高频谱使用率有一定意义。     

卫星S频段下行链路频谱占用建模与预测

目前提出的频谱占用模型能够在时域上描述和重现基本的统计特征，如传统的地面移动通信的频谱占用/空闲周期长度可以用经典的广义帕累托(GP)分布、指数分布等分布来拟合。然而在某些复杂的如卫星链路频谱占用场景中，传统的参数估计分布无法给出良好的拟合。为此提出了用核密度估计(KDE)的方法来进行概率密度分布的拟合，在此基础上，分别采用差分整合移动平均自回归模型(ARIMA)和模糊神经网络对频谱占用模型的时间序列进行预测并进行对比。结论表明，核密度估计的使用可以更加准确地描述并再现卫星下行链路所使用S频段的占用时间序列的统计特征，而模糊神经网络的预测比ARIMA模型预测更加精确。     

混沌时间序列的Volterra自适应预测滤波器定阶

由于Volterra自适应滤波器的阶数对预测性能有较大的影响,在实际预测中,如何确定Volterra自适应滤波器的最优阶数就成为一个关键问题,该文运用相空间重构理论,推导出了Volterra自适应滤波器的最优阶数等于混沌动力系统的最小嵌入维数,作者用六种混沌时间序列进行实验,结果表明这种定阶方法在混沌时间序列Volterra自适应预测中非常成功,该方法对噪声影响的变化,表现出较好的鲁棒性。     

GSM频段主用户频谱占用情况的测量和建模研究

为获得GSM900频段主用户频谱的占用情况,利用频谱分析仪对北京部分地区850~970 MHz频段频谱进行了定点测量。通过MATLAB软件对测量数据进行分析和建模,得出GSM900频段主用户的频谱占用情况及其到达模型。研究发现,此段频谱的平均占用度只有2.33%,主用户到达时间间隔服从负指数分布的修正形式,为认知无线电用户选择频谱提供了参考,并为链路级仿真中主用户占用模式的确立提供了理论支持。     

基于时间序列的电磁环境分析与预测方法

从电子战设备应该如何应对当前复杂的电磁环境入手,提出了一种基于时间序列分析理论的背景电磁环境分析与预测方法.并使用实际移动通信系统中载频级的占用时长数据建立了能够描述背景电磁频谱占用情况的数学模型,使用该模型对未来的频谱占用情况进行了预测.基于实际数值的研究结果表明该模型能够对未来的频谱占用情况做出较好地预测,从而为提升电子战设备对于不同背景电磁环境的适应能力奠定了基础.     

实测卫星频谱占用状态拟合与预测方法

由于在不同时间、不同空间卫星接收数据底噪是动态起伏的,传统建模固定门限的方法存在缺陷。本文在时间维度上对卫星频谱感知数据的频谱占用模型进行分析,利用自适应阈值法确定噪声门限,对卫星频谱数据进行预处理,得到卫星频谱占用长度序列。为对卫星频谱的态势进行有效的统计分析,利用泊松分布和指数分布方法对频谱占用时间长度序列的概率密度曲线进行拟合,得到了适用于卫星频谱占用时间序列的概率分布模型。基于所得的卫星频谱占用状态模型,通过两状态马尔可夫链计算出卫星信道某一频点的状态转移矩阵,从而预测出信道占用和空闲的概率。利用卫星频谱感知数据构建的数据集进行反向传播(BP)神经网络训练,预测某一频点的占用长度。通过计算BP神经网络与传统的长短期记忆(LSTM)神经网络预测法的均方根误差(RMSE),得到LSTM神经网络的RMSE为2.208 1,BP神经网络的RMSE为0.172 8。评估结果表明,BP神经网络准确度高。     

认知无线电关键技术及应用的研究现状

1、引言 目前随着无线通信业务需求的快速增长，可用频谱资源变得越来越稀缺。人们通过采用先进的无线通信理论和技术，如链路自适应技术、多天线技术等努力提高频谱效率的同时，却发现全球授权频段，尤其是信号传播特性比较好的低频段频谱的利用率极低。以美国为例，美国联邦通信委员会（federal communications commission，FCC）的大量研究报告说明频谱的利用情况极不平衡，一些非授权频段占用拥挤，而有些授权频段则经常空闲[1]。     

无线电频段占用数据采集分析系统

无线电频段占用情况是频谱管理的重要依据。分析频段占用情况,可识别某一频段中尚未使用的信道或防止给繁忙的信道增加任务,为频率管理人员提供关于频谱实际使用情况的信息,为频率指配提供参考。收集无线电频谱数据．掌握无线电频段使用情况,是无线电日常监测工作的重要内容。一个高效的频段占用数据采集和分析系统能大大减少监测人员的工作量．起着事半功倍的作用。     

一种基于Volterra级数的云平台自适应失效检测机制

失效检测是分布式系统特别是云平台容错的关键组成部分。然而由于网络状态的不断变化,要实现对失效的快速准确的检测变得比较困难。为应对这种情况,本文提出了一种基于Volterra级数的高效的自适应失效检测机制。该机制基于Volterra滤波器实现,能够只利用很少的训练样本就可以对时间序列做出很好的预测,且可根据预测误差来自适应地调整以使得预测结果更准确。为了适应云平台中各功能模块对失效检测的不同QoS需求,本文提出的失效检测机制在统计反馈部分引入调节因子α,可以方便地满足不同应用的QoS需求。     

行阶梯观测矩阵下语音压缩感知观测序列的Volterra+Wiener模型研究

针对压缩感知理论下,语音信号经随机高斯矩阵投影后得到的观测序列随机性太强,难以建模的问题,提出了一种基于行阶梯观测矩阵的语音压缩感知观测序列的Volterra模型,利用该模型实现对语音压缩感知观测序列的预测,研究了Volterra滤波器输入维数与阶数对预测效果的影响,并利用维纳滤波器进一步降低预测误差。在相同的已知数据量下,基于部分压缩感知观测序列、Volterra模型、Wiener滤波器的重构,获得了优于高斯随机观测序列的重构性能。模型的研究为压缩感知与语音技术的结合提供一定的参考价值。      

TCP-Gvegas with prediction and adaptation in multi-hop ad hoc networks

TCP Vegas performance can be improved since its rate-based congestion control mechanism could proactively avoid possible congestion and packet losses in multi-hop ad hoc networks. Nevertheless, Vegas cannot make full advantage of available bandwidth to transmit packets since incorrect bandwidth estimates may occur due to frequent topology changes caused by node mobility. This paper proposes an improved TCP Vegas based on the grey prediction theory, named TCP-Gvegas, for multi-hop ad hoc networks, which has the capability of prediction and self-adaption, as well as three enhanced aspects in the phase of congestion avoidance. The lower layers’ parameters are considered in the throughput model to improve the accuracy of theoretical throughput. The prediction of future throughput based on grey prediction is used to promote the online control. The optimal exploration method based on Q-Learning and Round Trip Time quantizer are applied to search for the more reasonable changing size of congestion window. Besides, the convergence analysis of grey prediction by using the Lyapunov’s second method proves that a shorter input data length of prediction implies a faster convergence rate. The simulation results show that the TCP-Gvegas achieves a substantially higher throughput and lower delay than Vegas in multi-hop ad hoc networks.     

多径衰落信道的Volterra自适应预测

本文研究了对多径衰落信道的Ｖｏｌｔｅｒｒａ自适应预测。通过计算机模拟，分析比较了Ｖｏｌｔｅｒａ滤波器和一般线性横向滤波器的预测性能。结果表明，采用Ｖｏｌｔｅｒａ滤波器能够有效地提高预测的精度。同时，研究了信道预测在功率控制中的具体应用。     

基于自相似流量预测的拥塞预警方法

摆脱了传统的排队论分析方法,针对高负载情况下的局域网性能评测,提出了一种基于自相似流量预测的拥塞预警方法,对网络流量自相似性的分析和应用,作了有益的探索。     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

基于星上处理的卫星ATM中ABR 业务拥塞控制算法研究

卫星ATM是近年来通信领域的研究热点,拥塞控制是其中很关键的一个问题.本文主要研究基于星上处理的卫星ATM网的ABR流量控制,它通过对流量的长时预测来达到控制目的.由于卫星信道的大延时,无法实现精确的长时预测,因而将预测结果直接用于ABR的拥塞控制效果不甚理想.将长时预测同动态利用因子控制的方法结合之后,在链路效率、信元丢失率、不同连接数目和暂态响应等方面都取得很好的结果.     

Numeric Variable Forgetting Factor RLS Algorithm for Second-Order Volterra Filtering

Nonlinear adaptive filtering techniques for system identification (based on the Volterra model) are widely used for the identification of nonlinearities in many applications. In this correspondence, the improved tracking capability of a numeric variable forgetting factor recursive least squares (NVFF-RLS) algorithm is presented for first-order and second-order time-varying Volterra systems under a nonstationary environment. The nonlinear system tracking problem is converted into a state estimation problem of the time-variant system. The time-varying Volterra kernels are governed by the first-order Gauss–Markov stochastic difference equation, upon which the state-space representation of this system is built. In comparison to the conventional fixed forgetting factor recursive least squares algorithm, the NVFF-RLS algorithm provides better channel estimation as well as channel tracking performance in terms of the minimum mean square error (MMSE) for first-order and second-order Volterra systems. The NVFF-RLS algorithm is adapted to the time-varying signals by using the updating prediction error criterion, which accounts for the nonstationarity of the signal. The demonstrated simulation results manifest that the proposed method has good adaptability in the time-varying environment, and it also reduces the computational complexity.     

Second-order adaptive Volterra system identification based ondiscrete nonlinear Wiener model

The authors present the nonlinear LMS adaptive filtering algorithm based on the discrete nonlinear Wiener (1942) model for second-order Volterra system identification application. The main approach is to perform a complete orthogonalisation procedure on the truncated Volterra series. This allows the use of the LMS adaptive linear filtering algorithm for calculating all the coefficients with efficiency. This orthogonalisation method is based on the nonlinear discrete Wiener model. It contains three sections: a single-input multi-output linear with memory section, a multi-input, multi-output nonlinear no-memory section and a multi-input, single-output amplification and summary section. For a white Gaussian noise input signal, the autocorrelation matrix of the adaptive filter input vector can be diagonalised unlike when using the Volterra model. This dramatically reduces the eigenvalue spread and results in more rapid convergence. Also, the discrete nonlinear Wiener model adaptive system allows us to represent a complicated Volterra system with only few coefficient terms. In general, it can also identify the nonlinear system without over-parameterisation. A theoretical performance analysis of steady-state behaviour is presented. Computer simulations are also included to verify the theory