公开(公告)号：CN112003662B

公开(公告)日：2023-04-18

申请号：CN202010594289.X

申请日：2020-06-24

申请人： 常州工学院

发明人： 崔翠梅 ,  杨德智 ,  杨倪子 ,  殷昌永

IPC分类号： H04B17/382 ,  G06F18/23 ,  G06F18/214

摘要： 本发明提供一种认知网络中的基于降维和聚类的协作频谱感知方法、装置，认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用PCA算法将多维特征矩阵转换为低维特征矩阵，根据K‑means++算法，并将低维特征矩阵作为分类器的输入训练分类器，以对频谱进行感知。该方法采用将PCA算法与K‑Means++算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练分类器，可以大大节省训练时间，降低计算复杂度。

公开(公告)号：CN111756460A

公开(公告)日：2020-10-09

申请号：CN202010582060.4

申请日：2020-06-23

申请人： 常州工学院

发明人： 崔翠梅 ,  杨德智 ,  杨倪子 ,  殷昌永

IPC分类号： H04B17/382 ,  H04B17/391 ,  G06K9/62

摘要： 本发明提供一种认知网络中基于无监督学习的协作频谱感知方法、装置，认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用主成分分析算法将多维特征矩阵转换为低维特征矩阵，采用低维特征矩阵和高斯混合模型算法训练聚类器，以对频谱进行感知。该方法采用将主成分分析算法与高斯混合模型算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练聚类器，可以大大节省训练时间，降低计算复杂度。

公开(公告)号：CN112003662A

公开(公告)日：2020-11-27

申请号：CN202010594289.X

申请日：2020-06-24

申请人： 常州工学院

发明人： 崔翠梅 ,  杨德智 ,  杨倪子 ,  殷昌永

IPC分类号： H04B17/382 ,  G06K9/62

摘要： 本发明提供一种认知网络中的基于降维和聚类的协作频谱感知方法、装置，认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：认知用户检测频谱的能量并组成能量向量，并根据能量向量获取多维特征矩阵，利用PCA算法将多维特征矩阵转换为低维特征矩阵，根据K-means++算法，并将低维特征矩阵作为分类器的输入训练分类器，以对频谱进行感知。该方法采用将PCA算法与K-Means++算法相融合，不仅可提高频谱感知的准确性和可靠性，还可减少感知时延，对动态频谱态势演变趋势进行预测，使之能够处理海量的频谱感知数据，且采用低维特征矩阵训练分类器，可以大大节省训练时间，降低计算复杂度。