基于LSTM神经网络的卫星频谱多门限感知算法

针对在卫星认知通信场景下传统频谱感知算法感知性能低、受通信时延影响大的问题,提出了一种基于长短期记忆(LSTM)神经网络的卫星频谱多门限感知算法。首先构建卫星认知通信模型,其次将仿真数据送入长短期记忆(LSTM)神经网络进行预测感知,采用动量随机梯度下降(SGDM)算法对网络进行更新,然后提出多门限算法对网络输出进行优化,最后与其他神经网络算法作性能对比。该算法无需构建特征值,实验结果表明:在卫星信道条件下,当面对低接收信噪比及低网络迭代次数时,该算法频谱感知性能要优于其他神经网络算法。      

基于LSTM神经网络的频谱感知算法

在频谱感知中经典的能量检测算法在低信噪比时检测性能较低且门限难以估计,基于机器学习的感知算法受限于检验统计量的构造会造成接收信号原有结构信息的丢失。针对这些问题,本文提出一种基于LSTM神经网络的频谱感知方法,首先利用接收信号序列作为神经网络的输入特征向量,然后使用LSTM神经网络进行训练得到分类器,最后使用训练好的模型实现频谱感知。该方法无需估计检测门限值,也无需构造特征向量,仿真结果表明,所提算法在采样点和次级用户更少的情况下仍优于对比算法。      

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。     

基于增量学习的时变信道预测方法

基于自回归模型(Autoregressive Model, AR)的传统信道预测方法在高速移动中，信道具有较大的时变性，导致信道发生了非线性的改变。基于反向传播(Back Propagation, BP)网络的信道预测方法通过适当地调整权重可使模型更加稳健，但是算法效率较低。提出一种新的模型，设计长短期记忆(Long Short-Term Memory, LSTM)网络和增量学习相结合的在线信道预测模型，实现时变信道的在线预测。模型应用LSTM神经网络学习长时间序列的特性来处理时间相关通信系统中的信道状态信息，增量学习(Incremental Learning, IL)在运行期间不断预测系统状态，同时更新LSTM神经网络的现有权重，交替执行训练和预测过程，模型可以很好地适应无线信道的动态变化。实验结果表明，提出的模型能有效地改善时变信道的预测准确率。     

基于BP-LSTM组合神经网络模型的汽车车速预测

准确的汽车车速预测对整车能量分配、道路交通管理具有重要意义。针对汽车车速本身具有高度时变性以及单模型预测存在局限性的特点,提出：反向传播神经网络-长短时记忆网络(BP-LSTM)组合神经网络模型,首先利用BP神经网络进行训练,将训练集数据和得到的预测输出、残差输入到Adam算法优化的LSTM神经网络中,用于训练LSTM模型。结合BP网络结构简单、预测时间短、LSTM精度高的优点,通过深度学习框架Tensorflow进行模型的搭建与验证,实现基于BP-LSTM组合神经网络模型的短时车速预测。结果表明：组合神经网络预测效果优于BP、LSTM两种单一模型,预测精度得到改善。     

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.     

感知不确定下卫星认知无线网络多频谱接入优化策略

针对卫星认知无线网络频谱感知不确定性较大导致传统频谱接入机制效率降低的问题,该文提出一种基于动态多频谱感知的信道接入优化策略。认知LEO卫星根据频谱检测概率与授权用户干扰门限之间的关系,实时调整不同频谱感知结果下的信道接入概率。在此基础上以系统吞吐量最大化为目标,设计了一种基于频谱检测概率和虚警概率联合优化的判决门限选取策略,并推导了最佳感知频谱数量。仿真结果表明,认知用户能够在不大于授权用户最大干扰门限的前提下,根据授权信道空闲状态动态选择最佳频谱感知策略,且在检测信号信噪比较低时以更加积极的方式接入授权频谱,降低了频谱感知不确定性对信道接入效率的影响,提高了认知系统吞吐量。     

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EMD-LSTM-ARMA模型短期发电量组合预测

根据我国某地区2019年4月—9月某光伏电站的发电量数据，提出一种基于EMD-LSTM-ARMA的短期发电量混合预测模型。为了降低发电量序列的复杂度，首先将原始发电量数据通过经验模态分解后得到5个本征模态分量和1个残差分量，将归一化后的第一本征模态分量和第二本征模态分量数据输入设计好的LSTM网络中进行建模预测；然后通过ARMA模型对第三本征模态分量数据（IMF3）进行建模预测，再将第四本征模态分量、第五本征模态分量和残差分量进行重构得到一个低频分量，将该低频分量输入设计好的LSTM网络中进行建模预测；最终对各个分量得到的预测数据进行求和得到最终的预测值。为了表明所提算法的优良性，实证结果对比了单一LSTM和ARMA模型的预测性能，并选择了RMSE值进行了对比验证。实测结果中EMD-LSTM-ARMA的RMSE值为32.68，单一LSTM的RMSE值为58.74，单一ARMA模型的RMSE值为59.83。实证结果表明了给出的组合预测模型可以产生更高的预测准确度。     

基于EGARCH过程的电磁频谱占用状态波动特性分析

针对传统频谱占用度自回归移动平均(ARMA)模型由于未考虑序列的条件二阶矩,导致无法准确描述频谱占用状态的非线性时变特性问题,该文提出一种基于指数广义自回归条件异方差(EGARCH)过程的频谱占用状态时间序列建模方法。首先通过对ARMA模型的剩余残差进行条件异方差性检验,表明频谱占用时间序列存在明显的时域波动集聚性;其次基于EGARCH过程构建频谱占用度时间序列模型以及对实测数据的分析,表明该模型相较ARMA模型对频谱占用度的拟合与预测精度更高;最后由EGARCH模型参数存在杠杆效应系数,表明频谱占用状态变化对电磁环境波动的影响具有非对称性。研究结果表明EGARCH模型能够量化反映频谱占用状态的复杂非线性时变过程。     

基于预测的差分信号压缩感知算法

基于压缩感知的频谱感知方法可以较低的采样速率快速获取信号,并利用获得的稀疏数据样本来判断信道的占用情况。然而,压缩感知技术中信号重构算法的复杂度很高,难以满足无线通信中的实时性要求。本文提出一种基于预测的差分信号压缩感知算法,该算法利用信道占用时间上的相关性,建立了一种信道占用情况的预测模型,依此模型预测出信道占用的变化情况;基于预测结果,在重构信号时可减少频点的搜索范围,两次降低重构算法的运算量。仿真结果表明,在保证感知性能的前提下,新算法可大幅降低迭代次数,减少算法复杂度。      

基于卷积神经网络的材质分类识别研究

目前,空间目标中约6%为正在工作的航天器,而约94%的空间目标为太空垃圾,严重干扰和限制了航天器发射、运行等正常的太空活动轨道,在有效清除空间碎片之前,必须对其进行有效识别。本文基于散射光谱,使用卷积神经网络对空间碎片四种材质进行分类识别,并与BP神经网络的识别结果分析比较。鉴于试验所得的材质的原始光谱信噪比低、特征信息弱等特点,需要对光谱信号进行预处理包括去噪、BRDF计算和归一化处理。然后各取四种材质的200帧样本数据进行训练,另各取50帧数据预测,结果表明：卷积神经网络的总体精度比BP神经网络低2%,耗时少101 s;而增加训练样本数据量达到每个材质各500帧时,卷积神经网络的总体精度仅比BP神经网络低0.05%,耗时则少了891 s,卷积神经网络极大的体现了其时间的优越性。该方法对大数据量的空间碎片材质的分类,具有较大的实用性和借鉴意义。     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型

为实现LCD显示器的光谱特征化,本文提出一种基于遗传算法优化(Genetic Algorithm,GA)的BP神经网络(GABP)结合PCA(Principal component analysis)的光谱特征化模型。首先对显示器色空间进行子空间划分,同时采用PCA对光谱数据进行降维,接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化,建立显示器驱动值与光谱数据之间的神经网络模型,实现了显示器的光谱特征化。实验结果表明子空间划分后,在子空间中进行模型参数的优化有利于模型整体精度的提高,GA的优化有效改善了BP神经网络的极值问题,提高了模型的精度,PCA在不影响模型精度的同时提高了算法的运行效率。由此说明该模型是一种高精度显示器特征化模型。     

利用功率谱最大最小值的频谱感知算法

为了提高频谱感知性能,首先利用功率谱函数特性和瑞利熵概念,从理论上分析了基于功率谱的频谱感知算法原理,提出一种以功率谱的最大最小值之差作为检测统计量的频谱感知新算法;然后推导给出了检测门限和检测概率表达式;最后给出了仿真结果。理论分析和仿真结果表明,在AWGN信道和Rayleigh衰落信道中本文算法都具有良好的检测性能,性能优于已有的利用功率谱的频谱感知算法,该算法不需要主用户信息,不用进行复杂的特征值分解,当虚警概率确定时,检测门限能准确给出。      

Cascade Forward Artificial Neural Network based Behavioral Predicting Approach for the Integrated Satellite-terrestrial Networks

In order to reduce the risk of authorized users being interrupted in the cognitive satellite wireless network, a multi-step prediction approach based on a cascaded forward artificial neural network is proposed to predict user behavior in the designed scenario. This approach uses the powerful learning ability of the cascaded forward network to analyze the historical spectrum occupancy records of licensed users, and then predict the user behavior in the next few time slots. The prediction result can help the base station in the cognitive network to schedule the dynamic access process of the cognitive users, and reduce the interference caused by the cognitive user to the authorized users. Finally, compared with traditional prediction algorithms, it is verified that the proposed multi-step prediction algorithm can effectively reduce the probability of spectrum conflicts.

     

Prediction based channel allocation performance for cognitive radio

The interdependency, in a cognitive radio (CR) network, of spectrum sensing, occupancy modelling, channel switching and secondary user (SU) performance, is investigated. Achievable SU data throughput and primary user (PU) disruption rate have been examined for both theoretical test data as well as data obtained from real-world spectrum measurements done in Pretoria, South Africa. A channel switching simulator was developed to investigate SU performance, where a hidden Markov model (HMM) was employed to model and predict PU behaviour, from which proactive channel allocations could be made. Results show that CR performance may be improved if PU behaviour is accurately modelled, since accurate prediction allows the SU to make proactive channel switching decisions. It is further shown that a trade-off may exist between achievable SU throughput and average PU disruption rate. When using the prediction model, significant performance improvements, particularly under heavy traffic density conditions, of up to double the SU throughput and half the PU disruption rate were observed. Results obtained from a measurement campaign were comparable with those obtained from theoretical occupancy data, with an average similarity score of 95% for prediction accuracy, 90% for SU throughput and 70% for PU disruption rate.