GA-LSSVM的认知无线电离线学习

doi:10.13190/jbupt.201202.90.wuch

北京邮电大学学报 ›› 2012, Vol. 35 ›› Issue (2): 90-93.doi: 10.13190/jbupt.201202.90.wuch

GA-LSSVM的认知无线电离线学习

伍春¹,²,李颖³,易克初¹

1. 西安电子科技大学综合业务网理论及关键技术国家重点实验室, 西安 710071; 2. 西南科技大学国防科技学院, 四川绵阳 621000; 3. 中国电子系统工程公司研究所, 北京 100141

收稿日期:2011-07-29 修回日期:2011-10-17 出版日期:2012-04-28 发布日期:2012-01-05
通讯作者: 伍春 E-mail:soldier_wu@163.com
作者简介:伍春（1978-），男，博士生，E-mail：soldier_wu@163.com 易克初（1943-），男，博士生导师
基金资助:
国家重点基础研究发展计划项目（2009CB320403）；国家科技重大专项项目（2009ZX03007-004）；国家自然科学基金项目（61072138）；西安电子科技大学ISN实验室开放课题（ISN10-09）

GA-LSSVM Offline Learning in Cognitive Radios

WU Chun^1,2,LI Ying³,YI Ke-chu¹

1. State Key Laboratory of Integrated Service Networks, Xidian University, Xi-an 710071, China;2. School of National Defense Technology, Southwest University of Science and Technology, Sichuan Mianyang 621000, China;3. Institute of China Electronic System Engineering Corporation, Beijing 100141, China

Received:2011-07-29 Revised:2011-10-17 Online:2012-04-28 Published:2012-01-05
Contact: Chun WU E-mail:soldier_wu@163.com

摘要/Abstract

摘要：

针对认知无线电(CR)的智能学习研究需求，提出了一种基于最小二乘支持向量机(LSSVM)的CR学习、决策方法. 通过遗传算法(GA)进行超参数搜索，建立适当的基于LSSVM的CR学习模型，利用历史案例进行LSSVM离线训练学习，获得知识来指导未来的决策. 仿真结果表明，GALSSVM能在较少进化代数内搜索出合适的超参数，并且LSSVM学习决策方法能有效提高CR系统的性能.

关键词: 认知无线电, 智能学习, 最小二乘支持向量机, 遗传算法

Abstract:

A cognitive radio (CR) learning and decision making method based on least squares support vector machine (LSSVM) is proposed by the demand of CR intelligent learning research. Genetic algorithm is adopted to search the hyper-parameters of LSSVM, and the CR learning model based on LSSVM is established. Through LSSVM offline learning on historical instances, the CR system gets the knowledge and uses it to guide future decisions. Simulation shows that GA-LSSVM algorithm can find out appropriate hyper-parameters within small generations and the LSSVM learning and decision making method can improve CR system’s performances effectively.

Key words: cognitive radio, intelligent learning, least squares support vector machine, genetic algorithm

中图分类号:

TN929.5

伍春李颖易克初. GA-LSSVM的认知无线电离线学习[J]. 北京邮电大学学报, 2012, 35(2): 90-93.

[1]	许同乐, 苏元浩, 孟良, 兰孝升, 李云凤. 优化GAN的风电机组齿轮箱故障诊断方法[J]. 北京邮电大学学报, 2023, 46(3): 62-66.
[2]	董坤明申滨蒋慧林. 基于直传和全双工中继的CR-NOMA系统中断性能分析及功率分配研究[J]. 北京邮电大学学报, 2022, 45(6): 92-97.
[3]	张经天, 马莹, 翁迅, 孙壮志, 张继龙. 四向穿梭车系统的提升机调度优化[J]. 北京邮电大学学报, 2022, 45(1): 19-25,81.
[4]	李美玲, 杨晓霞, 成文杰, 路兆铭. 车联网CR-NOMA系统物理层安全性能分析[J]. 北京邮电大学学报, 2022, 45(1): 115-120.
[5]	庄元东, 李曦, 纪红, 张鹤立. 环境反向散射通信辅助CR-WPCNs的中继传输[J]. 北京邮电大学学报, 2022, 45(1): 88-93.
[6]	余修武, 黄露平, 刘永, 余昊, 李佩. 遗传-禁忌搜索优化的三维DV-Hop定位算法[J]. 北京邮电大学学报, 2021, 44(4): 75-81.
[7]	王怀江, 刘晓平, 王刚, 韩松. 基于改进遗传算法的移动机械臂拣选路径优化[J]. 北京邮电大学学报, 2020, 43(5): 34-40.
[8]	郭少雄, 刘玉涛, 吕玉静, 张中兆. 多载波认知无线电无线携能通信资源分配算法[J]. 北京邮电大学学报, 2020, 43(3): 19-23.
[9]	刘寒. 混合采样与遗传算法相结合的垃圾网页检测[J]. 北京邮电大学学报, 2019, 42(6): 111-117.
[10]	赵雄文, 孙宁姚, 耿绥燕, 张钰, 杜飞. 基于最小二乘支持向量机的时变信道建模[J]. 北京邮电大学学报, 2019, 42(5): 29-35.
[11]	徐涵喆, 黄逸彬, 杨赫, 周钟秉, 刘晓. 基于规则的城市地下车库外圈车位排布启发式算法[J]. 北京邮电大学学报, 2019, 42(4): 102-108.
[12]	黄河, 袁超伟. 非同分布高斯信号背景下基于增强能量检测的协作感知[J]. 北京邮电大学学报, 2018, 41(6): 39-44.
[13]	舒坚, 贾晨浩, 陶娟. 基于改进最小二乘支持向量回归机的链路质量预测[J]. 北京邮电大学学报, 2018, 41(2): 44-49.
[14]	张洪, 龚勇, 潘志松, 胡谷雨. 结合遗传算法与启发式搜索的卫星频谱资源动态规划[J]. 北京邮电大学学报, 2017, 40(s1): 5-9.
[15]	初广前, 牛凯, 吴伟陵, 杨芳僚. 认知无线电衰落信道的两步协作频谱感知方案[J]. 北京邮电大学学报, 2017, 40(6): 92-97.

GA-LSSVM的认知无线电离线学习

GA-LSSVM Offline Learning in Cognitive Radios

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价