電磁頻譜數(shù)據(jù)挖掘理論與應用

目錄
“天地一體頻譜認知智能叢書”序
前言
主要符號說明
第1章 緒論 1
1.1 電磁頻譜數(shù)據(jù)挖掘的由來 1
1.2 電磁頻譜數(shù)據(jù)挖掘的價值 3
1.2.1 未來移動通信系統(tǒng)中的動態(tài)頻譜共享 3
1.2.2 下一代短波通信系統(tǒng)中的頻率優(yōu)選 3
1.2.3 電磁頻譜資源智能管理 4
1.2.4 Super WiFi頻譜態(tài)勢信息獲取 4
1.2.5 頻譜監(jiān)控與頻譜執(zhí)法 5
1.3 本書的主要內(nèi)容安排 5
第2章 電磁頻譜數(shù)據(jù)挖掘基礎(chǔ) 8
2.1 基本概念 8
2.2 常用的機器學習方法 10
2.2.1 面向頻譜數(shù)據(jù)分析的機器學習方法 11
2.2.2 面向頻譜數(shù)據(jù)利用的機器學習方法 12
2.3 國內(nèi)外相關(guān)研究動態(tài) 13
2.3.1 頻譜感知的研究動態(tài)與技術(shù)挑戰(zhàn) 14
2.3.2 頻譜預測的研究動態(tài)與技術(shù)挑戰(zhàn) 16
2.3.3 頻譜數(shù)據(jù)庫的研究動態(tài)與技術(shù)挑戰(zhàn) 18
第3章 穩(wěn)健的時域頻譜數(shù)據(jù)挖掘 22
3.1 系統(tǒng)模型 23
3.1.1 網(wǎng)絡場景與信號模型 23
3.1.2 數(shù)據(jù)融合與性能度量 25
3.2 數(shù)學建模與性能分析 27
3.2.1 異常數(shù)據(jù)的統(tǒng)一建模 27
3.2.2 異常數(shù)據(jù)對感知性能的影響 30
3.3 稀疏矩陣統(tǒng)計學習算法設計 34
3.3.1 異常數(shù)據(jù)凈化的稀疏矩陣表征 35
3.3.2 基于數(shù)據(jù)凈化的穩(wěn)健頻譜感知 36
3.4 結(jié)果與分析 39
3.4.1 仿真參數(shù)設置 39
3.4.2 算法性能分析 40
3.5 本章小結(jié) 48
第4章 異構(gòu)的空時頻譜數(shù)據(jù)挖掘 49
4.1 系統(tǒng)模型 51
4.1.1 授權(quán)用戶的頻譜占用模型 51
4.1.2 認知用戶的異構(gòu)頻譜模型 52
4.2 數(shù)學建模與性能分析 53
4.2.1 空時二維頻譜機會建模 53
4.2.2 二維檢測性能指標設計 55
4.2.3 新的指標體系下傳統(tǒng)方案的性能分析 56
4.3 異構(gòu)數(shù)據(jù)統(tǒng)計學習算法設計 61
4.3.1 異構(gòu)空時頻譜感知的數(shù)據(jù)融合思路 61
4.3.2 空時二維異構(gòu)數(shù)據(jù)融合 62
4.4 分布式功率控制 64
4.4.1 基準對照方案 64
4.4.2 基于不完美感知的分布式功率控制算法 65
4.5 結(jié)果與分析 67
4.5.1 仿真參數(shù)設置 67
4.5.2 算法性能分析 67
4.6 空時虛警和檢測概率推導 70
4.7 本章小結(jié) 71
第5章 多維的主動頻譜數(shù)據(jù)挖掘 73
5.1 實測頻譜數(shù)據(jù)的統(tǒng)計處理 74
5.1.1 實測頻譜數(shù)據(jù)集描述 74
5.1.2 頻譜數(shù)據(jù)統(tǒng)計預處理 75
5.2 實測頻譜數(shù)據(jù)的特性分析 78
5.2.1 實測頻譜數(shù)據(jù)的可預測性 78
5.2.2 實測頻譜數(shù)據(jù)的時頻相關(guān)性 82
5.3 聯(lián)合多維頻譜預測的數(shù)學建模 87
5.4 低秩矩陣統(tǒng)計學習算法設計 89
5.5 實驗結(jié)果與分析 90
5.6 可預測性理論推導 90
5.7 本章小結(jié) 93
第6章 非線性協(xié)同頻譜數(shù)據(jù)挖掘 95
6.1 系統(tǒng)模型 95
6.1.1 協(xié)同頻譜感知場景一：授權(quán)用戶網(wǎng)絡檢測 95
6.1.2 協(xié)同頻譜感知場景二：頻譜攻擊用戶檢測 97
6.2 核學習理論基礎(chǔ) 98
6.2.1 基本概念 98
6.2.2 常用工具 99
6.2.3 主流方法 100
6.3 面向授權(quán)用戶網(wǎng)絡檢測的統(tǒng)計核學習算法設計 100
6.3.1 優(yōu)似然比檢測器 100
6.3.2 基于線性費希爾判別分析的協(xié)同頻譜感知 101
6.3.3 基于核費希爾判別分析的協(xié)同頻譜感知 102
6.4 面向頻譜攻擊用戶檢測的統(tǒng)計核學習算法設計 103
6.4.1 基于K均值聚類的協(xié)同頻譜感知 104
6.4.2 基于核K均值聚類的協(xié)同頻譜感知 105
6.5 結(jié)果與分析 107
6.5.1 授權(quán)用戶網(wǎng)絡檢測的仿真參數(shù)設置 107
6.5.2 授權(quán)用戶網(wǎng)絡檢測的算法性能分析 108
6.5.3 頻譜攻擊用戶檢測的仿真參數(shù)設置 109
6.5.4 頻譜攻擊用戶檢測的算法性能分析 109
6.6 開放性研究方向 110
6.6.1 面向穩(wěn)健信號分類識別的核學習理論方法 111
6.6.2 面向在線頻譜狀態(tài)預測的核學習理論方法 111
6.7 本章小結(jié) 111
第7章 群智的地理頻譜數(shù)據(jù)挖掘 112
7.1 系統(tǒng)模型 114
7.1.1 網(wǎng)絡場景與信號模型 114
7.1.2 授權(quán)用戶信號覆蓋模型 116
7.1.3 群智設備信號干擾模型 117
7.2 數(shù)學建模與問題分析 118
7.2.1 異構(gòu)網(wǎng)絡共存問題建模 118
7.2.2 技術(shù)挑戰(zhàn)分析 120
7.3 群智數(shù)據(jù)統(tǒng)計學習算法設計 120
7.3.1 移動群智感知驅(qū)動的地理頻譜數(shù)據(jù)庫 120
7.3.2 群智頻譜大數(shù)據(jù)挖掘 122
7.4 仿真結(jié)果與分析 131
7.4.1 仿真參數(shù)設置 131
7.4.2 算法性能分析 132
7.5 矩陣縮放因子的定義 139
7.6 本章小結(jié) 140
第8章 圖像化的頻譜數(shù)據(jù)挖掘 141
8.1 面向頻域關(guān)系網(wǎng)絡的多頻點間相似性分析 142
8.1.1 頻譜演化的相似性指標 142
8.1.2 復雜網(wǎng)絡理論概述 142
8.1.3 頻域關(guān)系網(wǎng)絡的建立 144
8.1.4 實驗結(jié)果與分析 145
8.2 面向時頻二維長期頻譜預測的圖像推理方法 149
8.2.1 系統(tǒng)模型和問題描述 150
8.2.2 長期頻譜預測方法設計 152
8.2.3 實驗與結(jié)果 158
8.3 相似性指標計算 163
8.4 HaLRTC算法介紹 165
8.5 本章小結(jié) 166
第9章 云化頻聯(lián)網(wǎng) 167
9.1 頻譜共享新特征 167
9.2 頻聯(lián)網(wǎng)的概念 168
9.3 頻聯(lián)網(wǎng)的體系架構(gòu) 169
9.4 面向云化頻聯(lián)網(wǎng)的頻譜大數(shù)據(jù)挖掘 171
9.4.1 群智頻譜感知 172
9.4.2 主動頻譜推理 172
9.4.3 綜合頻譜數(shù)據(jù)庫 172
9.5 本章小結(jié) 174
第10章 電磁頻譜大數(shù)據(jù)挖掘展望 175
10.1 電磁頻譜大數(shù)據(jù)概念 175
10.2 電磁頻譜大數(shù)據(jù)的5V特性 177
10.2.1 頻譜大數(shù)據(jù)的規(guī)模特性 177
10.2.2 頻譜大數(shù)據(jù)的多樣化特性 177
10.2.3 頻譜大數(shù)據(jù)的高速特性 178
10.2.4 頻譜大數(shù)據(jù)的真實特性 179
10.2.5 頻譜大數(shù)據(jù)的價值特性 180
10.3 電磁頻譜大數(shù)據(jù)挖掘的研究趨勢 181
10.4 本章小結(jié) 183
參考文獻 184
英文縮略語 200
索引 204
彩圖