Online Spectrum Prediction With Adaptive Threshold Quantization
Online Spectrum Prediction With Adaptive Threshold Quantization
复制标题
具有自适应阈值量化的在线频谱预测
DOI：
10.1109/access.2019.2957335
复制
发表时间：
2019-12
期刊：
影响因子：
3.9
通讯作者：
Zhang Gengxin
中科院分区：
文献类型：
--
作者：
Li Haoyu;Ding Xiaojin;Yang Yiguang;Xie Zhuochen;Zhang Gengxin
本文通过对历史频谱的分析，探讨了频谱推断的方法，实现了频谱的提前占用。我们设想了一个离线-在线合作框架。具体地说，超参数可以离线获得，用于在线预测。此外，基于在线光谱推断的准确性，可以依靠专门设计的网格搜索和K折交叉验证组合方法以迭代的方式进一步优化超参数。提出了一种基于自适应阈值量化辅助数据预处理（ATQ-DP）的长短期记忆（LSTM）辅助频谱占用预测方法。具体而言，首先，可以通过自适应阈值来量化捕获的频谱数据，以便消除施加在它们上的噪声的影响，其中阈值是通过核密度估计（KDE）方法获得的。然后，LSTM将被激活以基于量化数据执行频谱预测，因此，可以提前推断未来的频谱占用。此外，性能评估表明，频谱推断的准确性始终优于依赖于传统的固定阈值量化辅助数据预处理（FTQ-DP）的LSTM辅助频谱推断的准确性，其中FTQ-DP用于比较目的。
In this paper, we explore the spectrum inference to achieve the spectrum occupancy in advance through analyzing the historical spectrum. We have conceived an offline-online cooperative framework. Specifically, the hyperparameters can be achieved on an offline way, which will be used for online prediction. Moreover, based on the accuracy of online spectrum inference, the hyperparameters can be further optimized relying on specifically designed grid search and K-fold cross-validation combined method in an iterative manner. We present a long short-term memory (LSTM) aided spectrum occupancy prediction method, relying on adaptive threshold quantization aided data preprocessing (ATQ-DP). To be specific, first, the captured spectrum data may be quantized by the adaptive thresholds in order to lesson the influence of noise imposed on them, where the thresholds are obtained by kernel density estimation (KDE) method. Then, LSTM will be activated to perform spectrum prediction based on the quantized data, thus, future spectrum occupancy can be inferred in advance. Additionally, performance evaluations show that the accuracy of spectrum inference is always better than that of the LSTM aided spectrum inference relying on the traditional fixed threshold quantization aided data preprocessing (FTQ-DP), where the FTQ-DP is used for comparison purposes.
登录
查看更多内容
DOI：
10.1007/s11265-009-0352-5
发表时间：
2011-02
期刊：
Journal of Signal Processing Systems
影响因子：
--
作者：
Zhe Wang;S. Salous
通讯作者：
Zhe Wang;S. Salous
DOI：
10.1109/icc.2010.5502348
发表时间：
2010-05
期刊：
2010 IEEE International Conference on Communications
影响因子：
--
作者：
Vamsi Krishna Tumuluru;Ping Wang;D. Niyato
通讯作者：
Vamsi Krishna Tumuluru;Ping Wang;D. Niyato
DOI：
10.4018/978-1-7998-1192-3.ch008
发表时间：
2020
期刊：
Advances in Systems Analysis, Software Engineering, and High Performance Computing
影响因子：
--
作者：
Menaga D.;R. S.
通讯作者：
Menaga D.;R. S.
DOI：
10.1109/secon.2007.342884
发表时间：
2007-03
期刊：
Proceedings 2007 IEEE SoutheastCon
影响因子：
--
作者：
I. Akbar;W. Tranter
通讯作者：
I. Akbar;W. Tranter
DOI：
10.4018/978-1-5225-9096-5.ch007
发表时间：
2021-07
期刊：
Smart Computational Intelligence in Biomedical and Health Informatics
影响因子：
--
作者：
A. Sinha;S. Gupta;Anurag Tiwari;Amrita Chaturvedi
通讯作者：
A. Sinha;S. Gupta;Anurag Tiwari;Amrita Chaturvedi