基于聚类和多步预测的宽带频谱快速感知技术研究
发布时间：2022-04-28 20:17
认知无线电技术一方面是为了提高频谱利用率,另一方面是为了改善通信质量,主要应用在频谱管理、自适应通信等领域。频谱感知是认知无线电系统完成频谱分析、决策及可靠传输的必要前提,为了更高效地利用频谱空闲机会,宽带频谱感知技术的需求日趋增加。由于基于预测的宽带频谱感知技术可以减少检测信道,备受研究者的关注。为了实现宽带频谱快速感知,本文设计了时-频域联合预测、粗感知和细感知相结合的感知方法,在频域减小感知带宽、在时域减少预测时间,并将宽带频谱快速感知技术应用于自适应通信系统,测试感知性能。主要研究内容如下:1.针对100MHz-3GHz范围的频谱快速感知,提出基于相关信道聚类、估计及多步预测的离线粗感知方法。将待感知的宽带频谱平均划分为若干个子信道,根据信道之间的相关性采用基于密度的聚类算法将信道分簇,并对聚类簇中连续信道最多的组合进行占用状态的检测和估计,选取空闲状态连续最多的信道组合进行多步预测,最后根据粗感知结果和业务服务质量需求,选择需要细感知的信道,从而减小感知带宽和预测时间。2.由于单一神经网络进行多维频谱多步预测的精度有限,构建了混合长短期记忆网络Seq2Seq和卷积神经网络的预...
【文章页数】：123 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题的研究背景
1.1.1 基于认知的自适应通信系统
1.1.2 宽带频谱感知技术面临的挑战
1.2 国内外研究现状
1.2.1 宽带频谱感知技术研究现状
1.2.2 频谱预测技术研究现状
1.3 主要研究内容
1.4 论文组织结构
第二章 宽带频谱快速感知系统设计及关键技术
2.1 宽带频谱快速感知系统设计
2.2 基于滤波器组的频谱感知技术
2.3 基于深度学习的频谱预测
2.3.1 长短期记忆网络
2.3.2 基于循环神经网络的频谱预测
2.4 本章小结
第三章 基于信道聚类及估计的宽带频谱感知技术
3.1 基于相关性的信道聚类
3.1.1 信道相关性度量及验证
3.1.2 基于密度的信道聚类算法
3.1.3 确定检测信道和聚类簇
3.2 信道簇状态估计
3.2.1 HMM的基本原理
3.2.2 基于HMM的信道簇状态估计
3.3 实验结果与分析
3.3.1 信道聚类算法仿真及分析
3.3.2 基于HMM的信道状态估计性能分析
3.3.3 不同聚类算法的性能比较
3.3.4 HMM估计和直接估计的性能比较
3.4 本章小结
第四章 宽带频谱多步预测
4.1 单信道多步频谱预测
4.1.1 多步频谱预测模型
4.1.2 多步频谱预测技术
4.2 宽带频谱多步预测
4.2.1 卷积神经网络及其混合神经网络模型
4.2.2 基于混合神经网络的宽带频谱多步预测
4.2.3 基于业务QoS需求的感知信道选择
4.3 实验结果与分析
4.3.1 预测性能评价指标
4.3.2 单信道多步频谱预测性能分析
4.3.3 宽带频谱多步预测性能分析
4.4 本章小结
第五章 基于可重置滤波器组的宽带频谱细感知
5.1 滤波器组设计
5.1.1 多相均匀调制滤波器组设计
5.1.2 改进的多相均匀调制滤波器组设计
5.2 基于可重置滤波器组的业务信道感知
5.2.1 基于滤波器组的能量检测
5.2.2 滤波器组子带数选择
5.3 仿真结果与分析
5.3.1 基于滤波器组的宽带频谱信道化
5.3.2 基于多步预测的宽带频谱感知性能仿真
5.3.3 滤波器组的子带数选择
5.4 本章小结
第六章 宽带频谱快速感知技术应用
6.1 基于认知的自适应通信系统设计
6.1.1 自适应发射机架构设计
6.1.2 自适应接收机架构设计
6.2 宽带频谱快速感知和认知决策系统
6.2.1 宽带频谱离线粗感知
6.2.2 宽带频谱在线细感知
6.2.3 发射机的认知决策
6.3 实验结果与分析
6.3.1 测试环境
6.3.2 宽带频谱感知性能测试
6.3.3 认知决策仿真结果
6.4 本章小结
第七章 总结与展望
7.1 研究内容总结
7.2 主要创新点
7.3 后续工作及展望
致谢
参考文献
附录A 英文缩略词
附录B 博士研究生期间发表的学术论文
附录C 博士研究生期间参与的科研项目
附录D 博士研究生期间的其他研究成果
【参考文献】：
期刊论文
[1]Engineering[J]. Engineering. 2020(05)
[2]用于心律失常识别的LSTM和CNN并行组合模型[J]. 张异凡,黄亦翔,汪开正,刘成良. 哈尔滨工业大学学报. 2019(10)
[3]基于卷积神经网络的用户感知评估建模[J]. 颜波,张磊,褚学宁. 上海交通大学学报. 2019(07)
[4]卷积神经网络（CNN）训练中卷积核初始化方法研究[J]. 朱继洪,裴继红,赵阳. 信号处理. 2019(04)
[5]多小区5G认知无线电网络能量有效资源优化[J]. 吕恒伟,李攀东,张海剑,孙洪. 信号处理. 2018(12)
[6]深度神经网络并行化研究综述[J]. 朱虎明,李佩,焦李成,杨淑媛,侯彪. 计算机学报. 2018(08)
[7]同时收发认知抗干扰系统的改进能量检测算法[J]. 黎海涛,李佳宇,方正. 国防科技大学学报. 2017(06)
[8]动态频谱接入中基于最小贝叶斯风险的稳健频谱预测[J]. 陈曦,杨健. 电子与信息学报. 2018(03)
[9]混沌海豚群优化灰色神经网络的空中目标威胁评估[J]. 李卫忠,李志鹏,江洋,刘唐. 控制与决策. 2018(11)
[10]基于USRP的快速宽带频谱感知方法研究[J]. 葛锦程,陈学强,葛立军,孔利君,裴绪芳. 通信技术. 2017(12)
博士论文
[1]基于深度学习的瓦斯时间序列预测与异常检测[D]. 王书芹.中国矿业大学 2018
[2]基于对抗模式的认知无线电频谱感知与分配技术研究[D]. 倪水平.北京邮电大学 2018
[3]基于欠采样的宽带频谱感知检测技术研究[D]. 曹凯.战略支援部队信息工程大学 2018
[4]基于认知的短波宽带信道选择关键技术研究[D]. 秦志强.解放军信息工程大学 2017
[5]认知无线电中基于认知引擎的自适应传输研究[D]. 于洋.哈尔滨工业大学 2015
[6]基于认知的无线网络自适应通信方法[D]. 王振邦.哈尔滨工业大学 2013
[7]认知无线电中基于海量频谱监测数据挖掘的动态频谱接入策略研究[D]. 尹斯星.北京邮电大学 2010
硕士论文
[1]基于频繁模式预测的认知无线电频谱感知调度算法研究[D]. 田晟宇.大连理工大学 2015
本文编号：3649458
【文章页数】：123 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题的研究背景
1.1.1 基于认知的自适应通信系统
1.1.2 宽带频谱感知技术面临的挑战
1.2 国内外研究现状
1.2.1 宽带频谱感知技术研究现状
1.2.2 频谱预测技术研究现状
1.3 主要研究内容
1.4 论文组织结构
第二章 宽带频谱快速感知系统设计及关键技术
2.1 宽带频谱快速感知系统设计
2.2 基于滤波器组的频谱感知技术
2.3 基于深度学习的频谱预测
2.3.1 长短期记忆网络
2.3.2 基于循环神经网络的频谱预测
2.4 本章小结
第三章 基于信道聚类及估计的宽带频谱感知技术
3.1 基于相关性的信道聚类
3.1.1 信道相关性度量及验证
3.1.2 基于密度的信道聚类算法
3.1.3 确定检测信道和聚类簇
3.2 信道簇状态估计
3.2.1 HMM的基本原理
3.2.2 基于HMM的信道簇状态估计
3.3 实验结果与分析
3.3.1 信道聚类算法仿真及分析
3.3.2 基于HMM的信道状态估计性能分析
3.3.3 不同聚类算法的性能比较
3.3.4 HMM估计和直接估计的性能比较
3.4 本章小结
第四章 宽带频谱多步预测
4.1 单信道多步频谱预测
4.1.1 多步频谱预测模型
4.1.2 多步频谱预测技术
4.2 宽带频谱多步预测
4.2.1 卷积神经网络及其混合神经网络模型
4.2.2 基于混合神经网络的宽带频谱多步预测
4.2.3 基于业务QoS需求的感知信道选择
4.3 实验结果与分析
4.3.1 预测性能评价指标
4.3.2 单信道多步频谱预测性能分析
4.3.3 宽带频谱多步预测性能分析
4.4 本章小结
第五章 基于可重置滤波器组的宽带频谱细感知
5.1 滤波器组设计
5.1.1 多相均匀调制滤波器组设计
5.1.2 改进的多相均匀调制滤波器组设计
5.2 基于可重置滤波器组的业务信道感知
5.2.1 基于滤波器组的能量检测
5.2.2 滤波器组子带数选择
5.3 仿真结果与分析
5.3.1 基于滤波器组的宽带频谱信道化
5.3.2 基于多步预测的宽带频谱感知性能仿真
5.3.3 滤波器组的子带数选择
5.4 本章小结
第六章 宽带频谱快速感知技术应用
6.1 基于认知的自适应通信系统设计
6.1.1 自适应发射机架构设计
6.1.2 自适应接收机架构设计
6.2 宽带频谱快速感知和认知决策系统
6.2.1 宽带频谱离线粗感知
6.2.2 宽带频谱在线细感知
6.2.3 发射机的认知决策
6.3 实验结果与分析
6.3.1 测试环境
6.3.2 宽带频谱感知性能测试
6.3.3 认知决策仿真结果
6.4 本章小结
第七章 总结与展望
7.1 研究内容总结
7.2 主要创新点
7.3 后续工作及展望
致谢
参考文献
附录A 英文缩略词
附录B 博士研究生期间发表的学术论文
附录C 博士研究生期间参与的科研项目
附录D 博士研究生期间的其他研究成果
【参考文献】：
期刊论文
[1]Engineering[J]. Engineering. 2020(05)
[2]用于心律失常识别的LSTM和CNN并行组合模型[J]. 张异凡,黄亦翔,汪开正,刘成良. 哈尔滨工业大学学报. 2019(10)
[3]基于卷积神经网络的用户感知评估建模[J]. 颜波,张磊,褚学宁. 上海交通大学学报. 2019(07)
[4]卷积神经网络（CNN）训练中卷积核初始化方法研究[J]. 朱继洪,裴继红,赵阳. 信号处理. 2019(04)
[5]多小区5G认知无线电网络能量有效资源优化[J]. 吕恒伟,李攀东,张海剑,孙洪. 信号处理. 2018(12)
[6]深度神经网络并行化研究综述[J]. 朱虎明,李佩,焦李成,杨淑媛,侯彪. 计算机学报. 2018(08)
[7]同时收发认知抗干扰系统的改进能量检测算法[J]. 黎海涛,李佳宇,方正. 国防科技大学学报. 2017(06)
[8]动态频谱接入中基于最小贝叶斯风险的稳健频谱预测[J]. 陈曦,杨健. 电子与信息学报. 2018(03)
[9]混沌海豚群优化灰色神经网络的空中目标威胁评估[J]. 李卫忠,李志鹏,江洋,刘唐. 控制与决策. 2018(11)
[10]基于USRP的快速宽带频谱感知方法研究[J]. 葛锦程,陈学强,葛立军,孔利君,裴绪芳. 通信技术. 2017(12)
博士论文
[1]基于深度学习的瓦斯时间序列预测与异常检测[D]. 王书芹.中国矿业大学 2018
[2]基于对抗模式的认知无线电频谱感知与分配技术研究[D]. 倪水平.北京邮电大学 2018
[3]基于欠采样的宽带频谱感知检测技术研究[D]. 曹凯.战略支援部队信息工程大学 2018
[4]基于认知的短波宽带信道选择关键技术研究[D]. 秦志强.解放军信息工程大学 2017
[5]认知无线电中基于认知引擎的自适应传输研究[D]. 于洋.哈尔滨工业大学 2015
[6]基于认知的无线网络自适应通信方法[D]. 王振邦.哈尔滨工业大学 2013
[7]认知无线电中基于海量频谱监测数据挖掘的动态频谱接入策略研究[D]. 尹斯星.北京邮电大学 2010
硕士论文
[1]基于频繁模式预测的认知无线电频谱感知调度算法研究[D]. 田晟宇.大连理工大学 2015
本文编号：3649458
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3649458.html