买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：本发明属于认知无线电领域，具体涉及一种基于GC‑2LSTM‑NN模型的频谱冲突时间比率预测方法。从非同步认知无线电网络中获得次发射机的时空数据，分别提取第t时隙的感知矩阵中过去ξ个时隙的次发射机的历史信息输入GC‑2LSTM‑NN模型，GC‑2LSTM‑NN模型包括图卷积层和双层LSTM，双层LSTM包括N个个体LSTM、群体LSTM和线性层，最终输出时隙t的H个时间片的预测冲突时间比率向量；利用反向传播算法对GC‑2LSTM‑NN模型进行训练；利用训练好的GC‑2LSTM‑NN模型预测每个时隙的H个时间片的冲突时间比率向量。本发明提高了冲突时间比率预测准确程度。

主权项：1.一种基于GC-2LSTM-NN模型的频谱冲突时间比率预测方法，其特征在于，所述基于GC-2LSTM-NN模型的频谱冲突时间比率预测方法，包括：构建非同步认知无线电网络，所述非同步认知无线电网络包括一个主网络和一个次网络，主网络包含一个主用户和一个授权信道，次网络包括N个单天线次发射机和一个N天线次接收机，所述次网络的传输阶段被划分为H个等长的时间片；从非同步认知无线电网络中获得次发射机的时空数据，所述时空数据包括以次发射机作为节点的邻接矩阵以及次接收机在过去预定时间内收到的次发射机的历史信息所构成的感知矩阵；构建GC-2LSTM-NN模型，分别提取第t时隙的感知矩阵中过去ξ个时隙的次发射机的历史信息得到提取后的感知矩阵，计算第t时隙含有的H个时间片的真实冲突时间比率向量y'作为提取后的感知矩阵的标签，根据提取后的感知矩阵和邻接矩阵为每个时隙构建一个独立的无向图将ξ个无向图输入至GC-2LSTM-NN模型中的图卷积层计算得到ξ个空间增强图特征矩阵根据ξ个空间增强图特征矩阵得到时空特征矩阵fst，抽取时空特征矩阵fst中与每个次发射机对应的在时间维度上的N个个体时序特征；将N个个体时序特征分别输入到双层LSTM中第一层的N个个体LSTM中，输出N个增强个体时序特征结果；将N个增强个体时序特征结果于时序特征维度上进行堆叠，得到全局时序特征，将全局时序特征输入双层LSTM中第二层的群体LSTM中，得到增强全局时间特征结果；将增强全局时间特征结果展平为一维特征向量输入至双层LSTM中的线性层进行融合，结合Sigmoid函数输出第t时隙的H个时间片的预测冲突时间比率向量y；计算真实冲突时间比率向量y'与预测冲突时间比率向量y的均方误差作为损失函数，利用反向传播算法对GC-2LSTM-NN模型进行训练；利用训练好的GC-2LSTM-NN模型预测每个时隙的H个时间片的冲突时间比率向量。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于GC-2LSTM-NN模型的频谱冲突时间比率预测方法