导读:本文包含了频谱预测论文开题报告文献综述及选题提纲参考文献，主要关键词:频谱预测,短波频谱数据库,增量序列挖掘
频谱预测论文文献综述
赵伟敏,程云鹏,赵越超[1]（2019）在《一种基于快速增量序列挖掘的短波频谱预测方法》一文中研究指出针对实际应用中短波频谱数据库利用效率不高的问题,提出一种基于快速增量序列挖掘的短波频谱预测方法。首先建立叁状态的频谱可用性模型,避免可用频率发生未知中断,然后设计序列长度覆盖率指标,合理地减少候选状态序列,最后引入增量挖掘思想,提出短波频谱快速预测算法。理论分析和实测数据仿真表明,本方法相较非增量挖掘算法、隐马尔科夫模型和BP神经网络模型具有优势,在保持较高预测性能的同时,能够显着减少运行耗时和内存开销。(本文来源于《通信技术》期刊2019年07期）
汪兴[2]（2019）在《ISM频段的频谱预测技术》一文中研究指出近些年来,无线通信技术的发展十分迅速,许多用户都会选择使用无线通信的方式接入互联网,导致频谱资源变得愈发稀缺,而认知无线电则可以有效的解决频谱资源稀缺的问题。频谱预测技术作为认知无线电中的重要一环,可以用来协助认知用户对频谱进行恰当的选择,能够有效的降低正常频谱感知过程中出现的时延以及能量浪费的现象,合理化频谱资源的分配,充分的利用未被使用的频谱资源,从而相应的提高频谱利用率。本文基于此背景深入研究了 ISM频段的频谱预测技术,主要内容和创新点如下:1.调研总结了目前常用的预测技术,主要有神经网络模型,支持向量机模型,隐马尔可夫模型,强化学习模型。结合ISM频段的通信场景下对这些预测算法作了深入研究,并通过在真实的ISM频段的频谱数据集上对这些算法进行仿真,仿真的结果表明,在这些预测算法中神经网络模型和强化学习模型的性能最好,支持向量机稍差,隐马尔可夫模型则表现不佳。2.提出了基于集成强化学习的信道占用预测算法。目前常用的预测算法在ISM频段不同的信道状态下的表现各有优劣,基于该特点,对集成学习进行改进,结合了强化学习算法的思想,将这些常用的预测算法在不同信道状态下的优势集成起来。在真实数据集上的仿真结果表明,这种改进的集成强化学习算法能够获得了优于各个基础预测算法的性能,预测准确率比强化学习提高了约1%,比神经网络的提高了约2%,比支持向量机的提高约7%。3.提出了一种结合频谱特征的信道占用预测算法。通过分析ISM频段的频谱占用特性,研究不同频谱特征对预测结果的影响,从中选取一些明显的频谱特征来建立区分不同信道状态的分类标准,然后对每一类的信道状态分别训练对应的预测模型。在真实数据集上的对该算法进行了仿真,结果表明,这种结合频谱特征分类建模的预测算法比原有的预测算法平均预测性能提升了 3%,在部分信道状态下该算法的预测准确率提升超过了 10%。(本文来源于《北京邮电大学》期刊2019-05-29）
何竞帆[3]（2019）在《认知无线电频谱预测算法研究》一文中研究指出当今无线通信领域的飞速发展,造成了当下频段拥挤,因此频谱资源稀缺,而Joseph Mitola博士提出的认知无线电能感知当前的通信环境,并根据环境实时地依靠决策树等算法,通过改变相关参数来从时间和频率上动态地利用空闲频谱,从而优化系统性能,提高服务率。而频谱预测技术是通过挖掘分析频谱的历史数据相关性来预测未来初级用户PU(Primary User)占用信道的情况,减少次级用户SU(Secondary User)和PU的碰撞概率,减小能量和时间损失,提高认知无线电系统性能,最终实现频谱利用率的充分利用。随着深度学习的出现,神经网络可以不需要信道状态的先验信息并能较好地解决非线性问题,因此开始被广泛应用于频谱预测中。本文从频谱预测算法领域进行调研,首先详细介绍了频谱预测技术的发展现状,然后对频谱预测技术常用的算法,比如基于反向传播神经网络BP(Back Propagation)神经网络,基于回归分析以及基于马尔科夫的频谱预测模型进行了分析和对比,强调了频谱预测对于认知无线电的重要性。本文详细阐述了排队论模型和马尔科夫模型的相关知识,并对基于两种模型的用户行为进行了仿真。本文利用排队论模型对认知无线电进行信道的建模,产生信道状态数据,并作为神经网络的输入。论文首先采用长短期记忆神经网络LSTM(Long Short-Term Memory)神经网络进行数据的训练,通过改变信道环境和训练参数与传统的BP神经网络进行预测性能的对比,证明LSTM算法能有效解决传统神经网络在训练过程中出现的收敛过快和梯度爆炸等问题。之后又加入卷积神经网络CNN(Convolutional Neural Networks)神经网络与LSTM神经网络进行对比,分析各自的优劣性。由于之前做的是单信道预测,不能分析出认知无线电网络多个信道间的关联性,本文通过M/M/N模型产生的频谱数据作为仿真数据,在CNN的基础上进行了多信道联合预测,通过分析多个信道之间的时域相关度对预测误差的影响来证明多信道联合预测能有效的提高预测准确率。(本文来源于《电子科技大学》期刊2019-04-01）
邢玲[4]（2019）在《基于递归神经网络的频谱预测技术研究》一文中研究指出随着移动设备的增多,而可用的无线电频谱资源是有限的,出现了频谱资源供求关系的不平衡,而以往的固定频谱分配策略频谱利用率低下,已不能满足与日俱增的用频设备,造成了很多频谱资源的浪费。频谱预测技术是提高频谱利用率的有效方法,随着深度学习的发展,神经网络的技术越发成熟,将深度学习技术应用到频谱预测中来是可行的,本文将围绕基于递归神经网络的频谱预测技术展开研究。在认知无线电中,频谱预测是很重要的一个研究内容,频谱预测包括了很多方面的内容,主要有空域频谱预测,时频域能量预测,信道状态预测等多个内容。本文的研究内容有两点,一个是空域频谱预测,一个是信道状态预测。在空域频谱预测中,主要研究问题是在给定的有衰减有遮挡空间内,已知有限个点的位置处的信号强度测量值,如何预测出整个空间的信号强度测量值。如果在简单环境中,可以利用数学或者物理公式,对其进行叁点定位,推测出发射器的位置,从而反推出其他网格的信号强度值。本文考虑的是更复杂的问题,发射器位置未知,且空间环境较复杂。本文结合该数据在空间上的特点,采用一种特殊的Cellular Simultaneous Recurrent Neural Network(CSRN)网络来解决该问题,并与Multilayer Perceptron(MLP)方法进行了对比。在信道状态预测的研究中,本文主要研究问题是如何利用一定时间内的历史信道状态值,预测出未来一定时隙内的信道状态值。本文充分考虑到信道状态在时间上的相关特性,利用基于循环神经网络的sequence to sequence(seq-to-seq)网络结构具有长短时记忆功能的特性,将其应用到本问题中来。研究了如何利用n个历史时隙的信道状态值,预测未来m个信道状态值,以及输入序列长度n对于预测准确率的影响,并探讨了预测时隙长度m对性能的影响,并且,利用该seq-to-seq网络结构,同时对多用户的联合预测也是可能的,并且本文还讨论了将多用户联合预测与单个用户独立预测之间的性能差异。本文的实验结果说明,本文所提出的CSRN网络的空域频谱预测对发射器位置未知,并且环境信息未知的复杂环境中的空域频谱预测问题,取得比MLP性能更好的效果。并且,参数T越大,CSRN网络性能越好;此外,本文所提出的基于seq-to-seq网络的信道状态预测,能对输入序列中存在的规律进行学习,并且性能明显优于MLP,且在多用户的联合预测中也比独立预测性能好很多。(本文来源于《电子科技大学》期刊2019-04-01）
李茜,宋铁成,章跃跃,陈国骏,胡静[5]（2018）在《认知无线网络中基于加权选择融合的协作频谱预测策略（英文）》一文中研究指出为了进一步提高认知无线网络中频谱预测的准确性,提出一种利用空间多样性进行加权选择融合的协作频谱预测策略.首先,综合考虑主用户行为特点以及信号衰落的影响,设计一种基于遗传算法的神经网络进行本地预测.然后,设计一种基于迭代自组织数据分析算法的融合筛选方法来选择性能最好的本地预测器进行协作融合.此外,考虑到本地预测器之间的空间多样性,提出了一种基于预测可靠性的加权融合规则.最后,采用高斯近似方法对所提出的基于加权选择融合的协作预测策略的性能进行分析,并给出了全局预测精度和吞吐量的表达式.实验结果表明,基于加权选择融合的协作频谱预测策略相比于其他的协作频谱预测策略具有更高的预测准确性,并且能够使得认知无线网络中的吞吐量得到很大程度的提高.(本文来源于《Journal of Southeast University(English Edition)》期刊2018年03期）
吴建伟,李艳玲,张辉,臧翰林[6]（2018）在《基于密度聚类的HMM协作频谱预测算法》一文中研究指出针对传统隐马尔科夫频谱预测中的时延长、预测准确度低的问题,提出了一种基于密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的HMM协作频谱预测算法。该算法采用DBSCAN算法将具有强相关性的频域信道聚为一簇,并以簇为单位对信道状态进行预测,通过减少预测次数来降低频谱预测时延;同时在时域利用多个次级用户协作预测的方法,通过融合各次级用户的初始预测结果来降低预测的不确定度。仿真实验表明,相比于传统的隐马尔科夫频谱预测算法,所提算法的频谱预测时延更短,准确度更高。(本文来源于《计算机科学》期刊2018年09期）
官振红,赵伟杰,陈磊,韩捷[7]（2018）在《设备频谱预测的全矢-GM(1,1)方法研究》一文中研究指出对旋转机械进行频谱结构预测可以有效地掌握设备未来的运行状态,预判故障类型、性质,锁定故障位置。由于基于单源信息的频谱结构具有不确定性,无法进行预测研究。为保证预测结果的唯一性和准确性,将全矢谱技术引入预测模型,结合灰色GM(1,1)模型,构建全矢-GM(1,1)预测方法用于设备频谱结构预测研究。以汽轮机转子为对象,对其频谱结构进行多步预测,预测精度较高、误差可接受。实验结果表明,该方法能准确对设备频谱结构进行预测,为预知维修提供技术支持。(本文来源于《机械设计与制造》期刊2018年09期）
候许刚[8]（2018）在《基于模糊小波神经网络的CR频谱预测研究》一文中研究指出认知无线电技术的提出,一定程度上提高了频谱利用率,然而在传统频谱感知中,认知用户对所有频带进行感知会造成大量的能量损耗和处理时延,针对该问题,频谱预测技术受到研究人员的广泛关注。在频谱预测技术能够为认知用户提供更好的频谱接入条件,减少认知用户和主用户之间产生的数据传输冲突,避免对主用户通信造成干扰,降低响应时延,增加网络的吞吐量。针对采用BP神经网络(Back Propagation Neural Network,BPNN)进行预测时,存在收敛速度慢和预测精度不足的问题,本文研究了使用模糊小波神经网络(Fuzzy Wavelet Neural Network,FWNN)进行信道状态预测,该网络具有模糊推理和神经网络的学习能力,且小波变换有着良好的时频局域化性质,因此具有较好的适应性和预测精度。仿真结果表明,该预测算法可以获得比BP神经网络预测算法更高的预测精度,预测性能得到了有效提升。另外分析了在不同通信量强度下算法的预测性能,基于FWNN预测模型具有更小的错误预测概率;针对认知无线电频谱感知,研究了基于频谱预测的频谱感知,增加频谱预测可以减少感知时延,降低干扰率;最后研究了多信道情况下,时域相关度对频谱预测性能的影响。(本文来源于《长春理工大学》期刊2018-06-01）
陈曦,杨健[9]（2018）在《动态频谱接入中基于最小贝叶斯风险的稳健频谱预测》一文中研究指出针对频谱感知错误累积造成频谱预测性能恶化问题,该文提出一种基于最小贝叶斯风险的稳健频谱预测策略。分布拟合检验表明频谱预测输出服从正态分布,定义频谱预测输出的贝叶斯风险函数,证明使贝叶斯风险函数最小的频谱预测输出判决门限将使频谱预测的均方误差最小,求得了使贝叶斯风险最小的最优判决门限,构建稳健频谱预测策略。仿真结果表明,与固定判决门限的神经网络频谱预测相比,稳健频谱预测策略改进了频谱感知错误下的频谱预测性能,改善了非授权用户的动态频谱接入性能。(本文来源于《电子与信息学报》期刊2018年03期）
朱正国,何明星,柳荣其,刘泽民[10]（2017）在《应用于认知无线电频谱预测的小波神经网络模型》一文中研究指出精确的频谱预测能够有效地降低认知无线电系统的能耗,还有助于提高认知无线电系统的吞吐量。针对频谱预测方法的预测精度问题,提出了一种小波神经网络频谱预测模型,以预测通道占用状态情况。该模型利用离散小波变换产生分析信号的时频分布,使用一个时间序列来表示某子信道的占用状态;对预测精度、利用率和参数初始化之间的权衡进行了分析,以便选择一个近于最优的模型。实验测量结果表明,与基于BP神经网络算法的模型相比,所提模型在预测精度和能耗方面均表现出较优的性能。(本文来源于《计算机科学》期刊2017年12期）
频谱预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近些年来,无线通信技术的发展十分迅速,许多用户都会选择使用无线通信的方式接入互联网,导致频谱资源变得愈发稀缺,而认知无线电则可以有效的解决频谱资源稀缺的问题。频谱预测技术作为认知无线电中的重要一环,可以用来协助认知用户对频谱进行恰当的选择,能够有效的降低正常频谱感知过程中出现的时延以及能量浪费的现象,合理化频谱资源的分配,充分的利用未被使用的频谱资源,从而相应的提高频谱利用率。本文基于此背景深入研究了 ISM频段的频谱预测技术,主要内容和创新点如下:1.调研总结了目前常用的预测技术,主要有神经网络模型,支持向量机模型,隐马尔可夫模型,强化学习模型。结合ISM频段的通信场景下对这些预测算法作了深入研究,并通过在真实的ISM频段的频谱数据集上对这些算法进行仿真,仿真的结果表明,在这些预测算法中神经网络模型和强化学习模型的性能最好,支持向量机稍差,隐马尔可夫模型则表现不佳。2.提出了基于集成强化学习的信道占用预测算法。目前常用的预测算法在ISM频段不同的信道状态下的表现各有优劣,基于该特点,对集成学习进行改进,结合了强化学习算法的思想,将这些常用的预测算法在不同信道状态下的优势集成起来。在真实数据集上的仿真结果表明,这种改进的集成强化学习算法能够获得了优于各个基础预测算法的性能,预测准确率比强化学习提高了约1%,比神经网络的提高了约2%,比支持向量机的提高约7%。3.提出了一种结合频谱特征的信道占用预测算法。通过分析ISM频段的频谱占用特性,研究不同频谱特征对预测结果的影响,从中选取一些明显的频谱特征来建立区分不同信道状态的分类标准,然后对每一类的信道状态分别训练对应的预测模型。在真实数据集上的对该算法进行了仿真,结果表明,这种结合频谱特征分类建模的预测算法比原有的预测算法平均预测性能提升了 3%,在部分信道状态下该算法的预测准确率提升超过了 10%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
频谱预测论文参考文献
[1].赵伟敏,程云鹏,赵越超.一种基于快速增量序列挖掘的短波频谱预测方法[J].通信技术.2019
[2].汪兴.ISM频段的频谱预测技术[D].北京邮电大学.2019
[3].何竞帆.认知无线电频谱预测算法研究[D].电子科技大学.2019
[4].邢玲.基于递归神经网络的频谱预测技术研究[D].电子科技大学.2019
[5].李茜,宋铁成,章跃跃,陈国骏,胡静.认知无线网络中基于加权选择融合的协作频谱预测策略（英文）[J].JournalofSoutheastUniversity(EnglishEdition).2018
[6].吴建伟,李艳玲,张辉,臧翰林.基于密度聚类的HMM协作频谱预测算法[J].计算机科学.2018
[7].官振红,赵伟杰,陈磊,韩捷.设备频谱预测的全矢-GM(1,1)方法研究[J].机械设计与制造.2018
[8].候许刚.基于模糊小波神经网络的CR频谱预测研究[D].长春理工大学.2018
[9].陈曦,杨健.动态频谱接入中基于最小贝叶斯风险的稳健频谱预测[J].电子与信息学报.2018
[10].朱正国,何明星,柳荣其,刘泽民.应用于认知无线电频谱预测的小波神经网络模型[J].计算机科学.2017