-
公开(公告)号：CN113095162A
公开(公告)日：2021-07-09
申请号：CN202110311989.8
申请日：2021-03-24
Applicant: 杭州电子科技大学
Abstract: 本发明提供了一种基于半监督深度学习的频谱感知方法，该方法包括以下步骤：S1、通过有标签样本训练半监督集成决策树模型以获得用于区分PU信号和噪声的分类器；S2、将无标签样本输入分类器，并将置信度高于预设值的无标签样本样本标记为伪标签；S3、通过所述的伪标签训练CNN网络以获得频谱感知预测模型。本方法的训练阶段基于半监督分类，只需要少量有标签样本，相比于传统基于完全监督学习的频谱感知算法，本方案能够大大降低对有标签样本的依赖。
-
公开(公告)号：CN108055666A
公开(公告)日：2018-05-18
申请号：CN201711282963.5
申请日：2017-12-07
Applicant: 杭州电子科技大学
IPC: H04W16/14
Abstract: 本发明公开信息素驱动的分布式协同宽带频谱感知方法。该方法是利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道，其中宽带信号中含有PU信息，PU信息被随机分割到窄带信号的信道；用一个CU感知一个节点，对某一节点的每个信道的窄带信号采用能量检测，得到该节点每个信道的判决统计量和判决结果；利用CU感知不同节点对应序号的信道两两交互感知信息，根据融合规则调整信息素，直至得到最终融合判决结果。本发明采用多节点协同频谱感知，克服了单个节点由于受到信道衰落等各种因素的影响而得到的感知结果不一定准确的缺陷。
-
公开(公告)号：CN113570032A
公开(公告)日：2021-10-29
申请号：CN202110652650.4
申请日：2021-06-11
Applicant: 杭州电子科技大学
Abstract: 本发明提供了一种基于半监督深度神经网络的有限数据频谱感知方法，包括：S1.搭建深度学习网络；S2.通过有标签样本对深度学习网络进行预训练得到预训练网络；S3.使用预训练网络对无标签样本进行类别预测，并将预测结果作为相应无标签样本的标签，得到伪标签样本；S4.对伪标签样本进行置信度计算，并修正网络的交叉熵损失函数；S5.使用高置信度的伪标签样本重新训练网络得到频谱感知预测模型。本方法通过少量有标签样本对深度学习网络进行预训练，并通过预训练网络对大量无标签样本进行标记，然后使用置信度函数计算伪标签的置信度提高拓展样本中正确标签的比例，同时对交叉熵损失函数进行修正，降低错误标签对训练模型的干扰，提高最终模型的性能。
-
公开(公告)号：CN108390735A
公开(公告)日：2018-08-10
申请号：CN201810076826.4
申请日：2018-01-26
Applicant: 杭州电子科技大学
IPC: H04B17/382
Abstract: 本发明公开一种信息素驱动的分布式协同宽带频谱感知方法。该方法是利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道，其中宽带信号中含有PU信息，PU信息被随机分割到窄带信号的信道；用一个CU感知一个节点，对某一节点的每个信道的窄带信号采用能量检测，得到该节点每个信道的判决统计量和判决结果；利用CU感知所有节点对应序号的子信道两两交互感知信息，最终得到不同节点对应序号子信道的最终融合判决结果。本发明采用多节点协同频谱感知，克服了单个节点由于受到信道衰落等各种因素的影响而得到的感知结果不一定准确的缺陷。
-
公开(公告)号：CN108055665A
公开(公告)日：2018-05-18
申请号：CN201711027043.9
申请日：2017-10-27
Applicant: 杭州电子科技大学
IPC: H04W16/14
Abstract: 本发明公开了一种基于改进多目标PSO优化的目标信道访问方法。首先用粒子位置表示信道访问顺序，因此要将信道序号编码成离散二进制[0,1]序列，为了保证编码后的序列不重复，需要纠正编码。然后引入“V”型函数更新粒子位置，将累积时延和信道容量作为二个适应度函数，确定非支配解并加入到外部档案集中，当达到最大迭代次数，输出外部档案集里的解，每个解均对应一种目标信道访问顺序，这些解都是Pareto最优解。仿真结果表明，所提出的频谱切换算法得到的最优信道访问解集能够兼顾网络的实时性和高吞吐率，算法复杂度较低。
-
Patent Agency Ranking
公开(公告)号：CN113095162B
公开(公告)日：2023-05-23
申请号：CN202110311989.8
申请日：2021-03-24
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/213 , G06N3/0895 , G06N3/0464
Abstract: 本发明提供了一种基于半监督深度学习的频谱感知方法，该方法包括以下步骤：S1、通过有标签样本训练半监督集成决策树模型以获得用于区分PU信号和噪声的分类器；S2、将无标签样本输入分类器，并将置信度高于预设值的无标签样本样本标记为伪标签；S3、通过所述的伪标签训练CNN网络以获得频谱感知预测模型。本方法的训练阶段基于半监督分类，只需要少量有标签样本，相比于传统基于完全监督学习的频谱感知算法，本方案能够大大降低对有标签样本的依赖。
-
公开(公告)号：CN108390735B
公开(公告)日：2020-11-03
申请号：CN201810076826.4
申请日：2018-01-26
Applicant: 杭州电子科技大学
IPC: H04B17/382
Abstract: 本发明公开一种信息素驱动的分布式协同宽带频谱感知方法。该方法是利用滤波器组将每个节点的宽带信号分割为多个窄带信号的信道，其中宽带信号中含有PU信息，PU信息被随机分割到窄带信号的信道；用一个CU感知一个节点，对某一节点的每个信道的窄带信号采用能量检测，得到该节点每个信道的判决统计量和判决结果；利用CU感知所有节点对应序号的子信道两两交互感知信息，最终得到不同节点对应序号子信道的最终融合判决结果。本发明采用多节点协同频谱感知，克服了单个节点由于受到信道衰落等各种因素的影响而得到的感知结果不一定准确的缺陷。
-
公开(公告)号：CN108055665B
公开(公告)日：2020-04-28
申请号：CN201711027043.9
申请日：2017-10-27
Applicant: 杭州电子科技大学
IPC: H04W16/14
Abstract: 本发明公开了一种基于改进多目标PSO优化的目标信道访问方法。首先用粒子位置表示信道访问顺序，因此要将信道序号编码成离散二进制[0,1]序列，为了保证编码后的序列不重复，需要纠正编码。然后引入“V”型函数更新粒子位置，将累积时延和信道容量作为二个适应度函数，确定非支配解并加入到外部档案集中，当达到最大迭代次数，输出外部档案集里的解，每个解均对应一种目标信道访问顺序，这些解都是Pareto最优解。仿真结果表明，所提出的频谱切换算法得到的最优信道访问解集能够兼顾网络的实时性和高吞吐率，算法复杂度较低。
-
公开(公告)号：CN116073856B
公开(公告)日：2025-05-16
申请号：CN202211512206.3
申请日：2022-11-29
Applicant: 杭州电子科技大学
IPC: H04B1/715 , H04B17/382 , H04B17/391
Abstract: 本发明公开了一种基于深度确定性策略的跳频智能抗干扰决策方法。本发明包括：步骤1、建立双变跳频通信系统模型；步骤2、建立双变跳频通信系统抗干扰决策模型；步骤3、基于强化学习的优化问题转换；步骤4、基于HDP‑DDPG的双变跳频通信系统抗干扰决策；步骤5、训练HDP‑DDPG网络，输出抗干扰决策模型。本发明一方面通过回放更多立即回报高和时间差分误差大的经验来训练模型，使模型预测更精准；另一方面通过周期性衰减学习率使得网络参数的更新速度呈周期性变化，探索速度丰富多样，易于跳出局部最优。从而有效提高了经验样本的利用效率,避免了陷入局部最优,加快了网络的收敛速度。
-
公开(公告)号：CN116073856A
公开(公告)日：2023-05-05
申请号：CN202211512206.3
申请日：2022-11-29
Applicant: 杭州电子科技大学
IPC: H04B1/715 , H04B17/382 , H04B17/391
Abstract: 本发明公开了一种基于深度确定性策略的跳频智能抗干扰决策方法。本发明包括：步骤1、建立双变跳频通信系统模型；步骤2、建立双变跳频通信系统抗干扰决策模型；步骤3、基于强化学习的优化问题转换；步骤4、基于HDP‑DDPG的双变跳频通信系统抗干扰决策；步骤5、训练HDP‑DDPG网络，输出抗干扰决策模型。本发明一方面通过回放更多立即回报高和时间差分误差大的经验来训练模型，使模型预测更精准；另一方面通过周期性衰减学习率使得网络参数的更新速度呈周期性变化，探索速度丰富多样，易于跳出局部最优。从而有效提高了经验样本的利用效率,避免了陷入局部最优,加快了网络的收敛速度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.02 seconds)
