基于张量分解与 LSTM 网络的大规模频谱占用学习
信号处理
2019-05-14 v1 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
提出了一种基于长短期记忆（LSTM）循环神经网络的大规模频谱占用学习新范式。研究表明频谱使用是高度相关的时间序列。此外，不同频率信道之间的频谱占用存在相关性。因此，利用一维时间序列的学习与预测来揭示所有这些相关性并非易事。本文引入了一种以张量格式表示频谱测量的新框架。接着，提出了一种基于 CANDECOMP/PARFAC（CP）张量分解和 LSTM 循环神经网络的时间序列预测方法。所提方法计算高效，能够捕获测得频谱中不同类型的相关性。此外，它对噪声和感知频谱的缺失项具有鲁棒性。所提方法的优越性在大规模合成数据集上从预测精度和计算效率方面进行了评估。
引用
@article{arxiv.1905.04392,
title = {Large-Scale Spectrum Occupancy Learning via Tensor Decomposition and LSTM Networks},
author = {Mohsen Joneidi and Ismail Alkhouri and Nazanin Rahnavard},
journal= {arXiv preprint arXiv:1905.04392},
year = {2019}
}
备注
Submitted to the 2019 IEEE Global Communications Conference (GLOBECOM)