【CN109698726A】一种基于机器学习的无线频谱资源分配方法【专利】

专利名称：一种认知无线电频谱资源分配方法专利类型：发明专利
发明人：朱丽,毛华庆,王艳茹
申请号：CN201610757446.8
申请日：20160829
公开号：CN106455074A
公开日：
20170222
专利内容由知识产权出版社提供
摘要：本发明公开了一种认知无线电频谱资源分配方法，包括如下步骤：步骤一，初始化并收集频谱可用信息；步骤二，根据步骤一种获得的可用信息进行频谱分组，建立频谱库；步骤三，根据步骤二中获得频谱库根据优先级标签进行分配，分配时优先分配优先组内频谱。

本发明的认知无线电频谱资源分配方法，通过步骤一的设置，就可以有效的收集到可用频谱，通过步骤二的设置就可以对频谱进行分类，构建频谱库，通过步骤三的设置，就可以有效的根据频谱库内来进行频谱分配了，有效的实现了空闲频谱优先分配，有效的避免了现有技术中认知用户数据丢失、跳频成本提升的问题。

申请人：温州大学瓯江学院
地址：325000 浙江省温州市瓯海区东方南路38号温州市国家大学科技园孵化器
国籍：CN
代理机构：浙江纳祺律师事务所
代理人：朱德宝
更多信息请下载全文后查看。

专利名称：一种基于频谱聚合的认知无线电频谱分配方法专利类型：发明专利
发明人：刁鸣,张志强,高洪元,钱荣鑫,张帆
申请号：CN201410353539.5
申请日：20140724
公开号：CN104105104A
公开日：
20141015
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于频谱聚合的认知无线电频谱分配方法，其特征在于:系统中K个认知用户U到U接入到网络中，从用户信息中获取认知用户U到U相应的传输速率需求到需求因子Q到Q；针对每个认知用户，求出满足传输速率需求的条件下至少要聚合的子载波数n；计算出认知用户U到U相应的最大频谱利用率η到η；结合需求因子和最大频谱利用率，计算出认知用户U到U相应的最大需求频谱利用率；根据认知用户最大需求频谱利用率的大小决定认知用户获得频谱资源的顺序。

申请人：哈尔滨工程大学
地址：150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室国籍：CN
更多信息请下载全文后查看。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910341080.X(22)申请日 2019.04.25(71)申请人 北京科技大学地址 100083 北京市海淀区学院路30号(72)发明人 张海君　张海森　皇甫伟　隆克平　董江波　刘玮　任冶冰　(74)专利代理机构 北京市广友专利事务所有限责任公司 11237代理人 张仲波(51)Int.Cl.H04W 72/04(2009.01)H04W 72/08(2009.01)G06N 3/02(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于分布式机器学习的无线网络资源分配方法(57)摘要本发明提供一种基于分布式机器学习的无线网络资源分配方法，能够降低计算复杂度。

所述方法包括：在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；以提升系统能量效率为目标，对每组网络环境系数，确定最优的用户关联策略和功率分配策略；将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略。

本发明涉及无线通信及机器学习领域。

权利要求书3页 说明书8页 附图1页CN 110167176 A 2019.08.23C N 110167176A1.一种基于分布式机器学习的无线网络资源分配方法，其特征在于，包括：S1，在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；S2，以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略；S3，将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；S4，根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；S5，获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810839010.2(22)申请日 2018.07.27(71)申请人 深圳市立信创源科技有限公司地址 518101 广东省深圳市宝安区西乡街道宝源路1065号F518时尚创意园F6栋301.302(72)发明人 黄云飞　庄炜　(74)专利代理机构 广州华进联合专利商标代理有限公司 44224代理人 吴平(51)Int.Cl.G06Q 30/02(2012.01)G06Q 20/06(2012.01)G06N 3/00(2006.01)(54)发明名称基于机器学习算法的资源分配方法(57)摘要本发明涉及一种基于机器学习算法的资源分配方法。

资源分配终端接收用户终端发送的资源获取请求，资源获取请求中携带用户标识；资源分配终端根据用户标识确定用户的第一用户类型，并采用机器学习算法对历史资源分配数据和第一用户类型进行学习，确定用户当前的资源分配参数；第一用户类型包括首次访问用户或者非首次访问用户；资源分配终端根据资源分配参数从预设的资源池中获取目标资源，并将目标资源分配给用户终端。

因此在资源分配的过程中，避免了将资源池中的资源随机分配给用户终端，使得资源池中的资源分配的准确率提高，从而使得用户终端对资源分配者的配置策略响应力高。

权利要求书2页 说明书14页 附图4页CN 110766430 A 2020.02.07C N 110766430A1.一种基于机器学习算法的资源分配方法，其特征在于，所述方法包括：资源分配终端接收用户终端发送的资源获取请求，所述资源获取请求中携带用户标识；所述资源分配终端根据所述用户标识确定所述用户的第一用户类型，并采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习，确定所述用户当前的资源分配参数；所述第一用户类型包括首次访问用户或者非首次访问用户；所述资源分配终端根据所述资源分配参数从预设的资源池中获取目标资源，并将所述目标资源分配给所述用户终端。

专利名称：一种频谱资源分配方法和装置专利类型：发明专利
发明人：陈丹,聂昌,毕猛,胡云,裴郁杉,晏伟成申请号：CN201410027817.8
申请日：20140121
公开号：CN103731837A
公开日：
20140416
专利内容由知识产权出版社提供
摘要：本发明实施例公开了一种频谱资源分配方法和装置。

本发明涉及通信领域，通过合理地调整各微小区用户设备对宏小区闲频段的使用以及使微小区用户设备与宏小区用户设备共享非空闲频段，来减低微小区层内各用户设备之间的干扰，提高频谱利用率。

本发明实施例提供的方法包括：侦听宏小区内忙频段和闲频段；根据闲频段上，微小区用户设备在每个可用PRB上的吞吐率，以及微小区用户设备的总吞吐率，调整微小区用户设备可用的PRB；若第一可用忙频段被第一微小区用户设备共享后，宏小区用户设备在第一可用忙频段上的平均总吞吐率大于预设值，则为第一微小区用户设备分配第一可用忙频段。

申请人：中国联合网络通信集团有限公司
地址：100033 北京市西城区金融大街21号
国籍：CN
代理机构：北京中博世达专利商标代理有限公司
代理人：申健
更多信息请下载全文后查看。

专利名称：一种基于机器学习的认知无线电网络中频谱接入方法
专利类型：发明专利
发明人：韩光洁,李傲寒
申请号：CN201810409592.0
申请日：20180502
公开号：CN108449151A
公开日：
20180824
专利内容由知识产权出版社提供
摘要：本发明设计出一种基于机器学习的认知无线电网络中频谱接入方法。

该方法在充分的考虑了授权用户及恶意干扰者对认知无线电用户的干扰。

不依赖于任何基础设施。

认知无线电用户可以通过学习学习到不同状态下的最佳频谱接入方法。

在此方法中，认知无线电用户在同一时间可以接入多个授权频段。

由于无线通信网络的异构性，本发明假设不同认知无线电用户可接入的授权频段是不同的。

适用于真实的认知无线电网络。

此方法可以在认知无线电用户对授权用户及恶意干扰者状态未知的状态下，可通过不断的学习过程对信道的状态进行准确判断，从而选择最佳的频谱接入方法以获得最佳的通信性能。

申请人：河海大学常州校区
地址：213022 江苏省常州市新北区晋陵北路200号
国籍：CN
代理机构：南京经纬专利商标代理有限公司
代理人：丁涛
更多信息请下载全文后查看。

专利名称：一种频谱资源动态分配方法及装置专利类型：发明专利
发明人：栾兰,张凯,王猛
申请号：CN201910605474.1
申请日：20190705
公开号：CN112188500A
公开日：
20210105
专利内容由知识产权出版社提供
摘要：本发明实施例提供了一种频谱资源动态分配方法及装置，方法包括：获取待分配子带资源列表以及用户的优先级队列，所述待分配子带资源列表中包括空闲业务子带和空闲驻留子带；按照所述用户的优先级队列顺序依次对用户进行资源调度，在所述资源调度过程中，若第一用户正在使用驻留子带进行业务，则对所述第一用户分配所述空闲业务子带，若所述待分配子带资源列表中无空闲业务子带，则将所述空闲驻留子带分配给所述第一用户。

本发明实施例提供的一种频谱资源动态分配方法及装置，通过使用空闲驻留子带供用户业务，使得在不影响接入以及驻留子带下其他驻留用户发起业务的同时，提高子带利用率，减少时延。

申请人：普天信息技术有限公司
地址：100080 北京市海淀区海淀北二街6号普天大厦
国籍：CN
代理机构：北京路浩知识产权代理有限公司
代理人：马英迪
更多信息请下载全文后查看。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810389915.4(22)申请日 2018.04.27(71)申请人 电子科技大学地址 611731 四川省成都市高新西区西源大道2006号(72)发明人 李泳洋　游龙飞　杨平　肖悦　(74)专利代理机构 成都点睛专利代理事务所(普通合伙) 51232代理人 孙一峰(51)Int.Cl.G06N 99/00(2010.01)G06K 9/62(2006.01)(54)发明名称一种基于机器学习的功率分配方法(57)摘要本发明属于通信抗干扰技术领域，具体的说是一种基于机器学习的功率分配方法。

本发明主要为了降低功率分配算法的复杂度，具体方法如下：需要将信道样本处理为一个N维的实值特征向量，设计出预设的功率分配矩阵，贴上标签，重复此步骤，直至每个样本都有一个对应标签。

利用样本特征集合和对应的标签集合，采用SVM算法对新输入的样本进行分类，输出的标签对应的功率分配矩阵即为此样本对应的最优功率分配矩阵。

本发明的有益效果为，传统的功率分配方式的整个计算过程是具有重复性的，且为减轻这一问题，采用SVM算法对新输入样本分类且能有效的降低算法复杂度。

权利要求书1页 说明书4页 附图2页CN 108564178 A 2018.09.21C N 108564178A1.一种基于机器学习的功率分配方法，其特征在于，包括以下步骤：a、生成特征集合：设有M个N r ×N t 维的信道矩阵作为训练样本，具体方法为：a1、从信道矩阵H m 生成实值特征向量d m ；a2、重复步骤a1，直至为所有的H m (m＝1，2，…，M)生成特征向量；a3、生成训练数据矩阵a4、归一化矩阵D，并生成归一化特征矩阵T，其中T里面元素为：b、为样本贴上标签：b1、采用KPI来决定为样本贴上何种标签，利用最大化最小欧氏距离的思想，将通过求得的欧氏距离d min 作为KPI，X SM 为所有可能的发送信号集合，P为功率分配矩阵；b2、在功率分配中，标签对应着功率分配矩阵，根据s.t.tr(PP T )≤P T 随机生成若干个功率分配矩阵，其中P T 为系统总能量；b3、对于第m个样本H m ，根据步骤b1计算每一种预设的功率分配矩阵的KPI；并从步骤b2中生成的功率分配矩阵中找出能使KPI最好的，并将其标签l与样本对应上，令l作为标签向量的第C个元素c m ，重复此步骤，直至每个样本都有一个对应标签；c、建立学习系统：采用多级SVM分类器，即SVM采用一对其它的二元分类策略，具体方法为：c1、设T l 是标签为l的样本特征向量作为行向量所构成的子训练数据矩阵；对于所有的l，可以得到一个子训练数据矩阵集合{T l }；c2、生成二元标签向量b l ＝[b l [1],...,b l [M]]T ，当c m ＝l时，b l [m]＝1，否则b l [m]＝0；c3、用两个训练群和相应的二元向量标签b l ，根据下面的公式来解决逻辑回归的问题：其中，C为惩罚因子，是代价函数，θl 是学习参数向量，f(t r [m])是高斯径向基核函数向量，其第q个元素f q (t r [m])＝exp(-||t r [q]-t r [m]||2/(2σ2))给出了t r [q]和t r [m]的相似度；c4、重复步骤c3直至遍历完所有l，获得所有的θl ，建立SVM分类器；d、输入一个新的信道矩阵后，根据步骤a将其处理为特征向量，然后输入步骤c获得的SVM分类器对其进行分类，即可预知其所属类别的标签，即选出的功率分配函数。

基于机器学习的无线电频谱动态分配技术研究随着互联网的不断发展，人们对通信技术的需求也不断增加。

无线电频谱是一种重要的通信资源，但是由于频谱有限和通信需求不断增加，频谱利用效率较低和频谱争夺日益激烈等问题愈发突出。

如何优化频谱利用和提高频谱利用效率成为当前的研究热点。

随着机器学习技术的快速发展，基于机器学习的无线电频谱动态分配技术逐渐成为一种热门的研究方向。

本文将结合机器学习技术的相关理论，阐述基于机器学习的无线电频谱动态分配技术的原理和应用。

一、机器学习技术的应用机器学习技术作为人工智能的核心技术之一，在现代科技中得到了广泛的应用。

机器学习的基本原理是通过对数据进行分析、处理和训练，从而构建模型，并可以通过对数据的预测和分类来对未知数据进行预测和分类。

机器学习技术的应用研究领域广泛，如语音识别、图像处理、自然语言处理等。

而无线电频谱动态分配技术作为机器学习技术的一种应用，也在通讯领域得到了广泛的应用。

二、机器学习的频谱动态分配原理机器学习的频谱动态分配原理是基于机器学习技术对无线电频谱的分析、处理和训练，在对数据进行预测和分类的过程中，实现对频谱资源的高效利用和动态分配。

该技术可以根据频谱的使用情况、全局环境和通信需求等因素，对频谱进行高效的分配和利用。

三、机器学习的频谱动态分配应用机器学习的频谱动态分配应用可以从以下几个方面进行阐述：1、预测分配：预测分配是指通过对数据进行分析和训练，预测出未来需要使用的频段和频率，从而对无线电频段进行分配。

该技术可以在全局环境变化的情况下，对频段进行动态分配和调整，并根据全局通信需求进行优化，提高频谱利用效率。

2、容量调整：容量调整是指在频段数量上对频段进行优化。

机器学习技术可以对频段进行评估和分析，并对频段的容量进行调整。

从而，可以迅速地响应通信需求和全局环境，优化频谱利用效率。

3、干扰监测：干扰监测是指对频谱使用情况和全局环境进行分析和评估。

机器学习技术可以对频谱使用情况进行监测和统计，并对干扰源进行分析和定位。

基于机器学习的频谱分配算法在无线通信系统中的应用
王建珍
【期刊名称】《集成电路应用》
【年(卷),期】2024(41)2
【摘要】阐述受频谱资源稀缺、传统方法的限制,设计一种基于机器学习的频谱分配算法,包括数据处理、特征选择与提取、模型训练与优化。

实验结果表明,该算法频谱分配性能优于传统方法。

【总页数】2页(P294-295)
【作者】王建珍
【作者单位】苏州信息职业技术学院
【正文语种】中文
【中图分类】TN929.5
【相关文献】
1.认知无线电中基于频谱聚合的频谱分配算法
2.应急通信系统中基于认知无线电的动态频谱分配技术方案
3.基于统计特性的蝙蝠算法在认知无线电频谱分配中的应用
4.认知无线电中基于机器学习的频谱感知算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。