頻譜感知、頻譜決策、頻譜共享、頻譜切換是認(rèn)知無(wú)線(xiàn)電技術(shù)的四大功能。認(rèn)知用戶(hù)通過(guò)頻譜感知檢測(cè)出頻譜空洞,并利用頻譜決策、頻譜共享、頻譜切換三個(gè)功能對(duì)挖掘出的頻譜空洞進(jìn)行二次利用。然而傳統(tǒng)的頻譜感知、頻譜決策、頻譜共享和頻譜切換通常會(huì)對(duì)認(rèn)知無(wú)線(xiàn)電系統(tǒng)產(chǎn)生較大的時(shí)延以及能量損耗。頻譜預(yù)測(cè)技術(shù)是解決上述問(wèn)題的有效方法,許多頻譜預(yù)測(cè)算法都取得了良好的性能。隨著深度學(xué)習(xí)的興起,將是頻譜預(yù)測(cè)應(yīng)用方面的一個(gè)很好的創(chuàng)新性研究。因此本論文主要圍繞認(rèn)知無(wú)線(xiàn)電中的基于深度學(xué)習(xí)的頻譜預(yù)測(cè)算法進(jìn)行展開(kāi)研究,本文主要工作如下:首先,調(diào)研與總結(jié)了認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)中的關(guān)鍵技術(shù)。通過(guò)查閱文獻(xiàn)資料,針對(duì)認(rèn)知無(wú)線(xiàn)電網(wǎng)絡(luò)中四個(gè)關(guān)鍵技術(shù)存在的缺陷,提出了基于頻譜預(yù)測(cè)技術(shù)的改進(jìn)方案,同時(shí)對(duì)廣泛研究的頻譜預(yù)測(cè)方法進(jìn)行了詳細(xì)的闡述和分析,得到了對(duì)認(rèn)知無(wú)線(xiàn)電技術(shù)的一個(gè)整體認(rèn)識(shí)。其次,針對(duì)專(zhuān)門(mén)處理時(shí)間序列問(wèn)題的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)存在梯度消失的問(wèn)題,設(shè)計(jì)了基于長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)預(yù)測(cè)模型。根據(jù)認(rèn)知無(wú)線(xiàn)電的特點(diǎn),定義了認(rèn)知無(wú)線(xiàn)電中頻譜預(yù)測(cè)模...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景
    1.2 研究目的及意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 認(rèn)知無(wú)線(xiàn)電的國(guó)內(nèi)外研究現(xiàn)狀及文獻(xiàn)綜述
        1.3.2 頻譜預(yù)測(cè)技術(shù)國(guó)內(nèi)研究現(xiàn)狀及文獻(xiàn)綜述
    1.4 主要研究?jī)?nèi)容和結(jié)構(gòu)安排
第2章 認(rèn)知無(wú)線(xiàn)電中的頻譜預(yù)測(cè)技術(shù)
    2.1 引言
    2.2 認(rèn)知無(wú)線(xiàn)電的關(guān)鍵技術(shù)
        2.2.1 頻譜感知
        2.2.2 頻譜決策
        2.2.3 頻譜共享
        2.2.4 頻譜切換
    2.3 認(rèn)知無(wú)線(xiàn)電頻譜預(yù)測(cè)模型
        2.3.1 基于隱馬爾科夫模型的預(yù)測(cè)方法
        2.3.2 基于支持向量機(jī)的預(yù)測(cè)方法
        2.3.3 基于MLP的預(yù)測(cè)方法
    2.4 本章小結(jié)
第3章 基于LSTM網(wǎng)絡(luò)的單信道頻譜預(yù)測(cè)
    3.1 引言
    3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        3.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        3.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    3.3 LSTM網(wǎng)絡(luò)模型
        3.3.1 LSTM網(wǎng)絡(luò)模型簡(jiǎn)介及結(jié)構(gòu)
        3.3.2 LSTM模型的訓(xùn)練
    3.4 基于LSTM網(wǎng)絡(luò)單信道頻譜預(yù)測(cè)模型設(shè)計(jì)
        3.4.1 模型訓(xùn)練和測(cè)試使用的數(shù)據(jù)集說(shuō)明
        3.4.2 LSTM預(yù)測(cè)模型的設(shè)計(jì)
        3.4.3 模型性能評(píng)估指標(biāo)
    3.5 仿真分析
    3.6 本章小結(jié)
第4章 基于CNN-LSTM網(wǎng)絡(luò)的多信道頻譜預(yù)測(cè)
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡(luò)
        4.2.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        4.2.2 卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)
        4.2.3 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    4.3 CNN-LSTM網(wǎng)絡(luò)模型
        4.3.1 CNN-LSTM模型設(shè)計(jì)
        4.3.2 模型性能評(píng)估指標(biāo)
    4.4 仿真分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及專(zhuān)利
致謝



本文編號(hào)：3799730