Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Network Resource Trading: Locating the Contract Sweet Spot for the Case of Dynamic and Decentralized Non-broker Spectrum Sharing Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Machine Learning-Aided Radio Scenario Recognition for Cognitive Radio Networks in Millimeter-Wave Bands

verfasst von : Jingyun Wang, Youping Zhao, Xin Guo, Chen Sun

Erschienen in: Cognitive Radio Oriented Wireless Networks

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Radio scenario recognition is critically important to acquire comprehensive situation awareness for cognitive radio networks in the millimeter-wave bands, especially for dense small cell environment. In this paper, a generic framework of machine learning-aided radio scenario recognition scheme is proposed to acquire the environmental awareness. Particularly, an advanced back propagation neural network-based AdaBoost classification algorithm is developed to recognize various radio scenarios, in which different channel conditions such as line-of-sight (LOS), non-line-of-sight (NLOS), and obstructed line-of-sight (OLOS) are encountered by the desired signal or co-channel interference. Moreover, the advanced AdaBoost algorithm takes the offline training performance into account during the decision fusion. Simulation results show that machine learning can be exploited to recognize the complicated radio scenarios reliably and promptly.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Autonomous Spectrum Assignment of White Space Devices
Nächstes Kapitel Dynamic Base Station Sleep Control via Submodular Optimization for Green mmWave Networks
Literatur
1.
He, A., et al.: A survey of artificial intelligence for cognitive radios. IEEE Trans. Veh. Technol. 59(4), 1578–1592 (2010)CrossRef
2.
Zhao, H., Liu, Y., Zhu, X., Zhao, Y., Zha, H.: Scene understanding in a large dynamic environment through a laser-based sensing. In: IEEE International Conference on Robotics and Automation (ICRA), pp. 127–133 (2010)
3.
Liao, Y., Kodagoda, S., Wang, Y., Shi, L., Liu, Y.: Understand scene categories by objects: a semantic regularized scene classifier using convolutional neural networks. In: IEEE International Conference on Robotics and Automation (ICRA), pp. 2318–2325 (2016)
4.
Harb, M., Abielmona, R., Naji, K., Petriu, E.: Neural networks for environmental recognition and navigation of a mobile robot. In: IEEE Conference on Instrumentation and Measurement Technology, pp. 1123–1128 (2008)
5.
Tumuluru, V.K., Wang, P., Niyato, D.: A neural network based spectrum prediction scheme for cognitive radio. In: IEEE International Conference Communications (ICC), pp. 1–5, May 2010
6.
Fehske, A., Gaeddert, J., Reed, J.H.: A new approach to signal classification using spectral correlation and neural networks. In: First IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks, pp. 144–150 (2005)
7.
Kegen, Y., Dutkiewica, E.: NLOS identification and mitigation for mobile tracking. IEEE Trans. Aerosp. Electron. Syst. 49(3), 1438–1452 (2013)CrossRef
8.
Li, W., Zhang, T., Zhang, Q.: Experimental researches on an UWB NLOS identification method based on machine learning. In: 2013 IEEE International Conference on Communication Technology (ICCT), pp. 473–477 (2013)
9.
Xiao, Z., Wen, H., Markham, A.: Non-line-of-sight identification and mitigation using received signal strength. IEEE Trans. Wireless Commun. 14(3), 1689–1702 (2015)CrossRef
10.
11.
Yilmaz, H.B., Tugcu, T., Alagöz, F., Bayhan, S.: Radio environment map as enabler for practical cognitive radio networks. IEEE Commun. Mag. 51(12), 162–169 (2013)CrossRef
12.
Lechun, Y., Bengio, Y., Hinton, G.: Deep learning. Nature 521(7553), 436–444 (2015)CrossRef
13.
Sulyman, A.I., Nassar, A.T., Samimi, M.K., MacCartney, G.R., Rappaport, T.S., Alsanie, A.: Radio propagation path loss models for 5G cellular networks in the 28 GHz and 38 GHz millimeter-wave bands. IEEE Commun. Mag. 52(9), 78–86 (2014)CrossRef
14.
Zhao, Y., Le, B., Reed, J.H.: Network support – the radio environment map. In: Fette, B. (ed.) Cognitive Radio Technology, pp. 325–366. Elsevier (2009)
Metadaten
Titel
Machine Learning-Aided Radio Scenario Recognition for Cognitive Radio Networks in Millimeter-Wave Bands
verfasst von
Jingyun Wang
Youping Zhao
Xin Guo
Chen Sun
Copyright-Jahr
2018
Buch
Cognitive Radio Oriented Wireless Networks

Print ISBN: 978-3-319-76206-7

Electronic ISBN: 978-3-319-76207-4

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-76207-4_5