頻譜感知、頻譜決策、頻譜共享、頻譜切換是認(rèn)知無線電技術(shù)的四大功能。認(rèn)知用戶通過頻譜感知檢測出頻譜空洞,并利用頻譜決策、頻譜共享、頻譜切換三個功能對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對認(rèn)知無線電系統(tǒng)產(chǎn)生較大的時延以及能量損耗。頻譜預(yù)測技術(shù)是解決上述問題的有效方法,許多頻譜預(yù)測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)測應(yīng)用方面的一個很好的創(chuàng)新性研究。因此本論文主要圍繞認(rèn)知無線電中的基于深度學(xué)習(xí)的頻譜預(yù)測算法進(jìn)行展開研究,本文主要工作如下:首先,調(diào)研與總結(jié)了認(rèn)知無線電網(wǎng)絡(luò)中的關(guān)鍵技術(shù)。通過查閱文獻(xiàn)資料,針對認(rèn)知無線電網(wǎng)絡(luò)中四個關(guān)鍵技術(shù)存在的缺陷,提出了基于頻譜預(yù)測技術(shù)的改進(jìn)方案,同時對廣泛研究的頻譜預(yù)測方法進(jìn)行了詳細(xì)的闡述和分析,得到了對認(rèn)知無線電技術(shù)的一個整體認(rèn)識。其次,針對專門處理時間序列問題的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)存在梯度消失的問題,設(shè)計了基于長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)預(yù)測模型。根據(jù)認(rèn)知無線電的特點(diǎn),定義了認(rèn)知無線電中頻譜預(yù)測模...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：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 國內(nèi)外研究現(xiàn)狀
        1.3.1 認(rèn)知無線電的國內(nèi)外研究現(xiàn)狀及文獻(xiàn)綜述
        1.3.2 頻譜預(yù)測技術(shù)國內(nèi)研究現(xiàn)狀及文獻(xiàn)綜述
    1.4 主要研究內(nèi)容和結(jié)構(gòu)安排
第2章 認(rèn)知無線電中的頻譜預(yù)測技術(shù)
    2.1 引言
    2.2 認(rèn)知無線電的關(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)知無線電頻譜預(yù)測模型
        2.3.1 基于隱馬爾科夫模型的預(yù)測方法
        2.3.2 基于支持向量機(jī)的預(yù)測方法
        2.3.3 基于MLP的預(yù)測方法
    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
    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)測模型設(shè)計
        3.4.1 模型訓(xùn)練和測試使用的數(shù)據(jù)集說明
        3.4.2 LSTM預(yù)測模型的設(shè)計
        3.4.3 模型性能評估指標(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
    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
        4.3.2 模型性能評估指標(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)論文及專利
致謝



本文編號：3799730