优化超参数的LSTM网络频谱预测

摘要：

频谱预测是认知无线电网络中一种很有前途的技术,因为它可以减少频谱感知过程中消耗的大量时间和能量.许多频谱预测算法都取得了良好的性能,但大多数浅层结构的算法不能很好地捕捉到频谱数据的内在相关性.长期记忆神经网络在深度学习中具有很强的解决时间序列问题的能力.在本文中,我们开发了一个频谱预测框架对两个现实世界的频谱数据集采用深度学习方法.对于第一个预测信道占用状态的数据集,我们首先使用田口方法来确定特定频谱点的神经网络的最佳优化配置,然后然后分析了各设计超参数的影响.接下来,我们构建了LSTM神经网络,从回归和分类两个角度进行频谱预测.对于预测信道质量的第二个数据集,我们比较了预测结果.采用LSTM神经网络和传统的多层感知器(MLP)神经网络.对于我们的两个数据集,结果表明,预测性能随频带的变化而变化.从统计学角度看,LSTM神经网络比MLP具有更好的预测性能而且LSTM神经网络更稳定.此外,我们还发现,具有分类视角的LSTM神经网络的性能略优于回归视角的LSTM神经网络.

关键词：深度学习、LSTM神经网络、频谱预测、田口方法

在线出版日期：2020-06-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：295-297