认知无线电中基于支持向量机的频谱空闲度预测

研究认知无线系统中的频谱小时空闲度预测问题,针对GSM系统的载频小时空闲度时间序列的非线性特点,提出一种基于支持向量机的预测模型构建方法。为提高模型的预测精度,在GSM系统小时空闲度时间序列特征分析的基础上,利用序列的节假日特性和日周期特性,对数据序列进行了重构。仿真结果表明,与采用基于神经网络的预测模型相比,该预测方法对工作日和周末均具有较高的预测精度,其预测绝对百分比误差在4以内。     

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。      

认知无线电中基于机器学习的频谱感知算法研究

针对于认知无线电中传统感知算法受信噪比(SNR)影响、过度依赖主用户先验知识和感知时间长等问题,提出基于支持向量机(SVM)的频谱感知算法,通过将信号能量值、SNR值与类别标签作为训练数据,对其进行SVM学习后,得出此CR环境下的分类模型。仿真结果显示在低SNR环境下,机器学习频谱感知算法检测概率比能量检测的提高了近40%,分类错误率仅为1.4%,因此具有更优良的感知性能。     

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。     

采用支持向量机的宽带频谱感知算法

认知无线电系统中,压缩感知理论已广泛运用于宽带频谱检测。但是,压缩感知中的重构问题造成频谱检测算法计算复杂度高,且在低信噪比下检测效果不佳。本文提出了采用支持向量机的宽带频谱感知算法,该算法利用支持向量机建立频谱检测分类器,代替信号的重构与检测过程。根据系统对实时性的要求,分别设计了多级二元分类器感知算法和单级多元分类器感知算法。前者适用于分级数有限且实时性要求不高的场景,后者可大幅降低系统的算法复杂度,降低感知时间,适用于实时检测系统。仿真结果表明,与基于重构的能量检测算法相比,本文提出的两种算法均可以有效改善系统对噪声的鲁棒性,提高在较小信噪比下的检测性能。      

基于支持向量机的回归预测综述

近年来,支持向量机在预测方面有广泛的应用,回归预测和回归分析也是一个非常值得探讨的领域。加上工具集的使用,将对很多的应用行业,起着一定预测作用。说明对于回归预测这种方法应用于预测是有效的。文章对支持向量机进行简单介绍,在介绍基于回归预测基础上,提出这种方法的优缺点,最后展望其方法应用的前景。     

基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知

近年来,基于机器学习(ML)的频谱感知技术为认知无线电系统提供了新型的频谱状态监测解决方案.利用蜂窝认知无线电网络(CCRN)中的次级用户设备(SUE)所能提供的大量频谱观测数据,该文提出了一种基于主用户(PU)传输模式分类的频谱感知方案.首先,基于多种典型的ML算法,对于网络中的多个主用户发射机(PUT)的传输模式进行分类辨识,在网络整体层面上确定所有PUT的联合工作状态.然后,网络中的SUE根据其所处地理位置或者频谱观测数据,判断其在当前已判定的PUT发射模式下接入授权频谱的可能性.由于PUT在网络中的实际位置可能事先已知或者无法提前确定,该文给出了3种不同的处理方法.理论推导与实验结果表明,所提方案与传统的能量检测方案相比,不仅改善了频谱感知性能,还增加了蜂窝认知网络对于授权频谱的动态访问机会.该方案可以作为蜂窝认知无线电网络中的一种高效实用的频谱感知解决方案.     

基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知

近年来,基于机器学习(ML)的频谱感知技术为认知无线电系统提供了新型的频谱状态监测解决方案。利用蜂窝认知无线电网络(CCRN)中的次级用户设备(SUE)所能提供的大量频谱观测数据,该文提出了一种基于主用户(PU)传输模式分类的频谱感知方案。首先,基于多种典型的ML算法,对于网络中的多个主用户发射机(PUT)的传输模式进行分类辨识,在网络整体层面上确定所有PUT的联合工作状态。然后,网络中的SUE根据其所处地理位置或者频谱观测数据,判断其在当前已判定的PUT发射模式下接入授权频谱的可能性。由于PUT在网络中的实际位置可能事先已知或者无法提前确定,该文给出了3种不同的处理方法。理论推导与实验结果表明,所提方案与传统的能量检测方案相比,不仅改善了频谱感知性能,还增加了蜂窝认知网络对于授权频谱的动态访问机会。该方案可以作为蜂窝认知无线电网络中的一种高效实用的频谱感知解决方案。

     

基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

基于支持向量机的机会网络链路预测

研究机会网络中的单节点对的链路预测问题,从空间相似性和时间特征两个角度分析单节点对的连接概率。利用CN、PA、Adamic-Adar和LP四个相似性指标描述节点对的空间相似性程度,构建基于单节点对空间相似性的模型SSVRC;利用一个时间段中的连接频次、连接时长占时间段总长度比值、最近几个时间段的平均连接频次及连接频次的增长趋势四个特征表现节点对的时间特征,构建基于单节点对时间特征的模型T-SVC;综合考虑节点对的空间相似性和时间特征,对S-SVRC和T-SVC模型的预测结果加权融合,构建模型TS-SVC。采用AUC、Precision和F1值评价预测结果,通过ITC、2005年的UOI以及2006年的UOI数据集上的对比实验结果表明,TS-SVC模型具有更好的预测效果。     

基于SVM的频谱接入准则设计

在以往的认知无线电研究过程中,研究者通常忽略了传播信道的随机性和授权用户位置的不确定性对频谱感知的影响.本文提出了基于概率模型的动态频谱使用策略.并分析研究了支持向量机在频谱接入准则设计中的应用.     

一种基于认知无线电的动态频谱接入MAC方案

在传统的无线通信系统中,频谱的分配是固定的。但是由于通信过程的突发性,这些频谱的使用率很低。另一方面,随着无线通信和多媒体的高速发展和广泛应用,无线频谱资源日趋紧张。如何提高频谱利用率已经成为迫切需要解决的问题。一种可行的思路是把这些授权频谱向未授权用户开放,未授权用户采用动态频谱接入技术,在不对授权用户造成干扰的前提下使用频谱。本文以认知无线电技术(Cognitive Radio,CR)为基础,提出了一种基于CR的动态频谱接入MAC方案(CR-Ad Hoc-MAC)。该方案允许未授权用户自适应地选取可用带宽,实现了动态频谱接入,有效地提高了频谱利用率。     

基于两步式融合重构的压缩频谱检测方法

在宽带频谱检测技术中,针对传统分布式压缩感知方法(DCS)数据传输量大、能耗高的问题,提出了一种基于两步式融合重构的压缩频谱检测(TS-CSS)方法.该方法的数据重构过程分为先支撑集信息融合,后信号联合重构两步,通过支撑集信息融合获得的先验信息可指导信号的联合重构.仿真结果表明,联合重构时随机选择50％的用户参与,即可获得与传统DCS接近甚至更优的频谱检测性能,因而,该方法能够有效地降低系统数据传输量,节省频谱检测耗能.     

认知无线电网络的一种协作频谱感知方案

认知无线电技术能够让非授权用户利用已经分配给授权用户的频段.为了不对首要用户的工作造成干扰,认知用户需要对频谱进行不间断的监测来判断首要用户是否存在.因此,频谱的感知是认知无线电技术的关键.协作频谱感知能够充分的利用网络资源,提高网络中的认知用户的检测概率.文中笔者简单地介绍了一种协作频谱感知的方案.仿真结果表明,通过该方法能够提高网络中认知用户的检测概率,提高网络的检测灵敏度.     

基于OFDM循环前缀的认知无线电频谱侦听方法

针对OFDM系统的特点,介绍了一个新的频谱侦听方法,它充分利用了正交频分复用符号中的循环前缀和空闲时间来提高侦听精度。通过建立OFDM收发双方的信号模型,以能量检测的方法为基础,分析并仿真了这种新方法的性能,结果表明,与传统的只利用空闲时间的侦听方法相比,提出的方法能有效提高侦听精度。     

认知系统中多天线协作频谱感知方案

针对认知无线电的核心问题——频谱感知,采用性能好的协作频谱感知,这里研究了认知无线电系统中一种多天线协作频谱感知方案,此方案中的噪声信号和主用户的信号均认为是独立复高斯随机信号。同时,次用户将检测到的信号通过波束成形后传向融合中心,而优化函数为发射功率受限的条件下,最大化全局的检测概率。理论推导和方针结果表明,所提出的方案有效地提高了检查概率,充分发挥了空间分集和多用户分集的优势,普遍提高了系统的感知概率。     

基于压缩采样和DWPT的认知无线电频谱感知方案

认知无线电频谱感知技术要求能够快速、准确地对高达上千兆赫兹的带宽进行频谱感知,它需要很高速率的模数转换器（A/D）,这对传统的工作在Nyquist采样率下的频谱估计方法提出了很大的挑战。利用实际信号频谱在开放式频谱接入环境中的稀巯性,提出了基于压缩采样和小波包分解的宽带频谱感知方案。通过SIMULINK仿真表明,该方法对宽带信号能以远远低于Nyquist采样率的速率采样,并且能够精确地估计出可用信道列表。     

一种认知无线电系统双门限频谱分配算法

基于认知无线电系统中Underlay频谱共享模型,提出了一种双门限频谱分配算法.给定两个信噪比门限,当信噪比低于较小的门限时,系统选择认知用户做中继协助授权用户进行数据传输,以授权用户信道容量最大化为优化目标进行频谱分配;当信噪比大于较大的门限时,系统允许认知用户之间进行低功率数据传输,以认知用户接入数量最大化为优化目标进行频谱分配;当信噪比介于两门限之间时,由授权用户单独进行数据传输.理论分析和仿真表明,当授权用户信噪比低于较小门限时,所提方法能提高授权用户的信道容量;当授权用户信噪比大于较大门限时,所提方法可以提高认知用户的接入数量.     

一种认知无线电网络频谱分配策略

频谱分配技术是认知无线电的关键技术之一,为适应认知无线电系统的时变特性,频谱分配算法必须有较快的收敛速度。在干扰温度模型下,提出一种基于Kuhn-Munkras算法的认知无线电频谱分配策略。该策略利用Kuhn-Munkras算法可以实现最佳匹配并且收敛速度快的特性,根据不同的用户在不同信道上所产生的效益的差异性,实现认知用户和信道的最佳匹配。仿真表明,基于Kuhn-Munkras算法的频谱分配在性能上优于传统的配对算法和greedy算法。     

认知无线电的频谱感知算法研究

频谱感知技术、频谱共享技术、频谱管理技术是当前认知无线电的三大核心技术,而频谱感知技术是实现后续的频谱共享和频谱管理的前提。因此主要对当前认知无线电频谱感知技术的基础理论、算法模型以及频谱感知的具体算法做了详尽的分类,并利用Matlab仿真平台对主要的频谱感知算法进行了仿真,并根据仿真结果,比较了各个算法的性能优劣性,可为认知无线电用户的算法选择提供参考,同时也为认知无线电后续的频谱共享和频谱管理工作奠定一定基础。