最大效用频谱分配算法
关于认知无线电频谱分配方面的知识,希望对寻找资源的同学有帮助第37卷第19期何利,郑湘渝,刘振坤:基于图着色理论的最大效用频谱分配算法9542最大平均效用ISAA,但小于CSGC的时问开销。但是由图2可知,在同一图2分别给出了CSGC、ISAA和MUAA3种算法在用频谱数目下,MUAA算法的最大平均效用是最高的,并且随户取值为7和12时的最大平均效用。随着系统中频谱数的不着系统中频谱数目的増多,MUAA算法的最大平均效用高于淅增加,3种算法的最大平均效用基本呈现上升趋势,但是SAA算法,ISAA算法和(S(C算法的效用相同。MUAA算MUAA算法的最大平均效用増加趋势大于CSGC和ISAA算法以牺牲较少的时间开销获得了较大的系统效用,可见,法,这是因为随着频谱数目增加,MUAA算法的用户提高了MUAA算法是这3种算法中最优的。频谱的复用率。5结束语120本文研究了认知无线电网络屮基于图论着色模型的频谱H-ISAAMUAA分配算法,在分析CSGC、ISAA存在的问题基础上,提出兼CSGC顾系统效用和时间开销的MUAA算法,并对3种算法在系统效用和时间开销方面进行仿真比较。仿真结果表明,MUAA算法是有效的。下一步工作是将ISAA的并行计算方法应用2个到MUAA屮,在不增加时间开销的基础上,提高频谱分配的系统效用。参考文献[1] Shared Spectrum Company. Dynamic Spectrum Use[EB/OLI频谱数日(2007-04-25).http://www.sharedspectrum.com(an=7[2]Zheng Haitao, Peng Chunyi. Collaboration and Fairness inOpportunistic Spectrum Access[C]/Proc. of the 40th AnnuaMUAAInlernatiunal Conference on Communications. Seoul Kurea: Ieee3]廖楚林,陈劼,唐有喜,等.认知无限电中的并行频谱分配算法[J.电子与信息学报,2007,29(7:1608-1611[4 Wang Jiao, Huang Yuqing, Jiang Hong. Improved algorithm ofSpectrum Allocation Based on Graph Coloring Model in CognitiveRadio[clproc. of International Conference on Communicationsand Mubile Conputing. Washington D. C, USA: IEEE CoInputer频谱数目ociety,2009:353-357[S]彭振,赵知劲.基于混合蛙跣算法的认知无线电频谱分配[门.图2CsGC、ISAA和MUAA的最大平均效用计算机工程,2010,36(6):210-212.综上所述,由图1可知,MUAA算法的时间开销稍大」编辑陆燕菲(上接第92页信道下本地频谱感知和认知网络合作频谱感知进行研究和仿真,结果表明,合作频谱感知能明显改善 Rician衰洛信道的检测效果。下一步工作是研究其他衰落信道如 Nakagami信道下无线认知网络的合作频谱感知参考文献[]周贤伟.软件无线电M].北京:国防工业出版社,2008AWGN[2 Ghascmi A, Sousa E s. Collaborative Spcctrum Sensing forOpportunistic Access in Fading Environments[C]//Proc. of the Ist10IEEE SYmp. on Dynamic Spectrum Access Networks, Baltimore,103锴误警报概率USA: IEEE Press. 2005: 131-136图4不同用户数目时合作频谱感知的ROC曲线[3] Digham FF, Alouini M S, Simon M K On the Energy Detection of4绪束语Unknown Signals over Fading Channels[C]/Proc. of ICC"03在深度阴影衰落环境屮,认知用户需要合作频谱感知来Ottawa Canada: IEEE Press. 2003: 3575-3579检测到主用户的存在。 Rician信道模型适用于郊区或农村建4 Fctc b a.认知无线电技术lMJ.赵知劲,郑什链,尚俊娜,译模,以后将可能广泛应用,因此,对 Rician衰落信道的认知北京:科学出版社,2008网络合作频谱感知的研究具有重要意义。本文对 Rician衰落编辑金胡考C1994-2012ChinaAcademicJournalElcctronicPublishinghOusc.Allrightsrescrved.http://www.cnki.nct
- 2020-12-01下载
- 积分:1
LaneNet训练自己教程
车道线分割模型模型训练自己的数据该模型是属于二分类语义分割6.encoder decoder model该文件夹中存放的是用于编码和解码的模型这里使用的是 vgg cncodcr. py和 fcn decoder. py测试:更换编码和解码的模型7. lanenet model该文件夹下存放的是 lannet模型的重要操作train.py中主要用到的是 lanenet merge model8. tboard该文件夹用来存放模型训练时产生的 event记录9. tools该文件夹下仔放的是 train lanenet py和 test lanenet py两个文件分别用于训练模型和测试模型10.训练准备好训练数据以后,在 terminal(终端)中通过指令跳转到 lament目录下举例:cd/ XXX/lanenet然后输入一下命令开始训练python tools/train lanenet. py --net vgg--dataset dir data/training data example/-net指定模型的骨干网终dataset dir指定训练数据的目录(该目录为 train txt所在的目录)如果训练的过程中出现了中断,需要接着训练,可以输入python tools/train lancnct. py --nct vgg -datasct dir data/training data cxamplcweights path path/to/ your/last/ checkpointgths_ path指定之前训练中断时权重文件存放的日录训练结東后,训练得到的模型的权重和参数文件在 model目录下的tusimple lanenet文件夹中l1测试准备测试数据测试数据是原始图片,放在data目录下的 training目录下的 testimage中(可以自定义)准备权重文件:将训练好的权重文件,包括:checkpoint, lanenet model pb, tusimple lanenet vgg 2018-10-19-13-33-56ckpt-200000. data-00000-of-00001, tusimple lanenet vgg 2018-10-19-13-33-56ckpt-200000 index, tusimple lanenet vgg_2018-10-19-13-33-56.ckpt-200000meta放在 model文件夹中测试数据准各完成后,打开 terminal(终端)输入以下命令跳转到 lanenet目录下cd/XXX/ lanenet′然后输入如下命开始用单张图片测试模型python tools/test lanenet. py -is batch False -batch size 1 --weights pathpath/to/your/model weights file --image path data/tusimple test image/O. jpgis batch是否是批量处理(True表示是批量处理, False表示不是批量处理默认为True)batch size批量处理一次读取的图片数量weight path模型的权重文件所在的目录image path测试数据的原始图片输入如下命令开始用批量图片测试模型:python tools/test lanenet.py -is batch True -batch size 2 -save dirdata/tusimple test image/ret --weights path path/to/your model weights file-image path data/tusimple test imagesavc dir是存放测试结果的地方(测试结果为划分车道线后的图片)安芯/方禹20181228
- 2020-12-03下载
- 积分:1