使用机器学习算法分析频谱占用
提出了一种无监督学习辅助的新的频谱分配策略,其中考虑了自适应子带宽,能够将感兴趣的频谱划分为带宽不均的子带,减少了用户之间分子吸收损耗的差异,进而提高数据传输速率性能。在该策略中,首先提出了一个优化问题以确定最佳子带宽度和发射功率,然后提出了无监督学习方法以获得该问题的接近最优解。结果表明,相对于现有方法,我们提出的无监督学习方法可以获得更高的数据传输速率,尤其是在感兴趣的频谱内分子吸收系数变化非常非线性的情况下。
Aug, 2022
我们在本论文中提出了一种数据驱动的框架,用于协同宽带频谱感知和调度网络化的无人机,其充当二级用户来机会性地利用检测到的 "频谱空洞"。我们的框架包括三个主要阶段:模型训练阶段,协同频谱推断阶段以及频谱调度阶段。我们还提出了一个多联邦学习架构,将无线数据集生成直接集成到联邦学习训练过程中。我们利用强化学习解决方案动态分配检测到的频谱空洞给二级用户。通过建立综合的仿真框架来评估所提出的方法,我们能够生成近乎真实的合成数据集,用于发展基于机器学习 / 人工智能的航空设备频谱管理解决方案。
Jun, 2024
本文研究了在 3.5 GHz 频段内使用 13 种不同的算法(包括信号检测理论和机器学习)以及深度学习架构进行 SPN-43 雷达检测的性能表现,并发现机器学习算法优于传统信号检测方法。
Jun, 2018
我们提出了一个基于数据驱动的框架,用于网络化的无人机协同宽带频谱感知和调度,其作为次级用户为探测到的频谱空隙提供机会利用。为此,我们提出了一个多类分类问题,用于基于采集到的 I/Q 样本检测空闲频谱位置的宽带频谱感知。为了提高频谱感知模块的准确性,我们在无人机系统交通管理 (UTM) 生态系统中的服务器上对各个单独无人机进行的多类分类结果进行融合。在频谱调度阶段,我们利用强化学习 (RL) 解决方案将探测到的频谱空隙动态分配给次级用户 (即无人机)。为了评估所提出的方法,我们建立了一个综合的仿真框架,利用 MATLAB LTE 工具箱生成一个接近真实的合成数据集,其中包括所选兴趣区域内基站 (BS) 位置、射线跟踪和模拟主用户的信道使用情况的 I/Q 样本。这种评估方法提供了一个灵活的框架,可以生成用于开发基于机器学习 / 人工智能的空中设备频谱管理解决方案的大型频谱数据集。
Aug, 2023
本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性,并测量了它们的灵敏度和特异性。实验结果表明,所有的算法都表现良好,并超过了 90% 的测试准确率,其中 MLP 算法表现最佳,测试准确率高达 99.04%。
Nov, 2017
在基于机器学习的在线观测系统中,利用预训练的机器学习模型在物理层检测 5G 蜂窝网络中特定控制子通道的窄带干扰攻击,研究了卷积神经网络与支持向量机和 k 最近邻方法相结合使用主成分分析的性能差异。
May, 2024
本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法,将方法按图像分析任务和机器学习算法类型进行组织,并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法,涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计,涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时,文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。
Feb, 2018
论文介绍了一种基于 LSTM 循环神经网络和 CANDECOMP/PARFAC 张量分解的方法,能够在大规模频谱占用学习中高效地预测及捕捉各个频谱之间的相关性,并具有噪音与缺失值的鲁棒性,预测准确度较高。
May, 2019
利用机器学习方法,比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明,这些分类器可以准确预测样品的生存率,分别为 75.4%,74.7%,71.5%,75.5%,70.3%和 78%
Apr, 2023