CN108736991B - 一种基于分级的群体智能频谱切换方法 - Google Patents
一种基于分级的群体智能频谱切换方法 Download PDFInfo
- Publication number
- CN108736991B CN108736991B CN201810409519.3A CN201810409519A CN108736991B CN 108736991 B CN108736991 B CN 108736991B CN 201810409519 A CN201810409519 A CN 201810409519A CN 108736991 B CN108736991 B CN 108736991B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- cognitive
- channel
- neighbor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001228 spectrum Methods 0.000 title claims abstract description 24
- 230000001149 cognitive effect Effects 0.000 claims abstract description 96
- 238000004891 communication Methods 0.000 claims abstract description 40
- 230000006855 networking Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract 1
- 108091006146 Channels Proteins 0.000 description 77
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于分级的群体智能频谱切换方法。本发明包括如下步骤:步骤1、建立CRN***模型;步骤2、通过邻居发现过程,识别每个认知用户的邻居节点;步骤3、设计认知节点分级规则,将认知用户分成高级节点和普通节点二类;步骤4、投票组网,当节点分级完成后,所有节点统计自己和周围邻居的可用信道集合,确定通信信道;步骤5、切换重构CRN网络,当某些认知用户受到干扰时,按照一定规则,切换到其它信道,并维持整个CRN网络的完整性。本发明仿真结果表明,所提的分等级的群体智能频谱切换算法具有协议开销小、消耗资源少,结构简单,抗毁能力强等优点。
Description
技术领域
本发明属于无线通信中认知无线电领域,特别涉及一种基于群体智能的频谱切换方法。
背景技术
认知无线电(Cognitive Radio,CR)被视为一项能够缓解由于无线设备增长而导致频谱稀缺的关键技术。为了提高频谱利用率,在认知无线电网络(Cognitive RadioNetwork,CRN)中,认知用户(Secondary User,SU)机会式接入未被主用户(Primary User,PU)使用的授权空闲频带。当SU使用的信道中出现优先级高的PU或者该信道通信质量恶化时,SU必须离开当前信道,寻找新的空闲信道,以保证通信的连续性,这一过程即为频谱切换。
现有频谱切换方法多利用概率论、马尔科夫过程和排队论等建模,这些模型过于理想化,难以模拟复杂多变的CRN环境。同时存在协议开销过大,时延较长,切换失败概率较高等缺点。
发明内容
本发明针对现有频谱切换算法的局限性,利用生物涌现出的群体智能,提出一种基于分等级的群体智能频谱切换机制,在这种机制下,通信节点分为二类:高级节点和普通节点,它们依靠类似生物界简单的通信规则便能实现整个认知无线网络的动态连接,具有协议开销小、消耗资源少,结构简单,抗毁能力强等优点。本发明解决其技术问题所采用的技术方案包括如下步骤:
一种基于分级的群体智能频谱切换方法,其特征在于,该方法包括以下步骤:
步骤1、建立CRN***模型;
步骤2、通过邻居发现过程,识别每个认知用户的邻居节点;
步骤3、设计认知节点分级规则,将认知用户分成高级节点和普通节点二类;
步骤4、投票组网,当节点分级完成后,所有节点统计自己和周围邻居的可用信道集合,确定通信信道;
步骤5、切换重构CRN网络,当某些认知用户受到干扰时,按照一定规则,切换到其它信道,并维持整个CRN网络的完整性;
步骤1所述的建立CRN***模型,具体如下:
假设CRN网络结构由M个主用户PU和N个认知用户SU构成,频谱分成P个不重叠且彼此正交的信道;当主用户不通信时,其授权信道能够被认知用户使用;第i个认知用户SUi拥有一个目标信道集合Chni;设SUi有收和发两根天线,并且同时有侦听和发信的功能;将认知用户作为节点计算;假设CRN网络中每个SU认知节点具有相同的传输距离dc,即每个节点的有效通信范围不得大于dc;
定义邻接矩阵dij衡量两个认知节点SUi和SUj的连接关系,若满足否则为0,其中Lij表示认知节点SUi和SUj的欧几里得距离;当dij=1时,SUi和SUj能够建立一条链路进行通信,并互称对方为自己的邻居节点,并将对方归入自己的邻居节点集中。
步骤2所述的通过邻居发现过程,构建每个认知用户节点的邻居网络拓扑结构图,具体如下:
2-1.认知节点SUi通过频谱感知方法建立一个可用目标信道集合Chni,Chni∈P;
2-2.当所有认知节点SU感知到其可用信道集合后,每个SUi在每个时隙中,从可用目标信道集合Chni中随机选择一个信道接入,但是相邻两个时隙中不允许接入相同信道,多次接入时隙后得到SUi与其邻居SUj的共同信道;
2-3.根据步骤1中对邻居节点的定义,对于任意一个认知节点SUj,当其满足dij=1,将其归入SUi的邻居节点集Nei中。
步骤3所述的描述认知节点的分级规则,将认知节点分成高级节点和普通节点二类,具体如下:
3-1.定义链接力Ci=NumChni·NumNei,其中NumChni和NumNei分别表示集合Chni和Nei中元素数量,Ci用于衡量每个认知节点在CRN中的社会地位,其值越大,地位越高影响力越大;
3-2.根据Ci值,按照步骤3-2-1到3-2-3将认知节点SU分成高级节点和普通节点两类,然后将所有高级节点和所有普通节点分别置于集合S和I中;
3-2-1.每个认知节点SUi向其邻居节点广播自己可用信道集合Chni和邻居节点集Nei;
3-2-2.每个认知节点SUi计算其链接力Ci和其邻居节点SUj的链接力Cj,其中SUj∈Nei;
3-2-3.若Ci>Cj,则链接力SUi为高级节点,否则作为普通节点。
步骤4所述的投票组网,当认知节点分级完成后,所有认知节点SU统计自己和周围邻居的可用信道集合,确定通信信道,具体如下:
4-1.每个高级节点SUk,其中SUk∈S,统计节点自身与邻居节点集Nek中可用信道集合,对集合里的信道进行投票,选择票数最高的一个信道作为自己的通信信道;
4-2.令Ai={Q|Q∈Nei&Q∈S},其中Ai为第i个认知节点SUi的邻居节点集合中的高级节点数量,Q为高级节点;当NumAi=1且其中NumAi表示Ai中元素数量,则SUi接入与Ai相同的信道,否则随机选择一个信道作为当前通信信道;
4-3.当NumAi>1时,表示SUi的邻居节点集合中有多个高级节点,选择距离认知节点SUi最近的一个高级节点的信道作为当前通信信道。
步骤5具体实现如下:
当某些认知用户受到干扰时,按照步骤5-1到5-2节所示规则,切换到其它信道,并维持整个CRN网络的完整性,具体如下:
5-1.当受干扰的节点SUd∈I,该节点统计其所有邻居节点的可用信道集合,选择票数最高的1个信道作为当前通信信道;并实时关注其邻居节点集合中高级节点的状态,当认知节点SUd不受干扰,重新接入高级节点的通信信道;在这种情况下,只需要认知节点SUd被动观察做出相应的变化即可,其他节点无需变动,极大减轻各种调度信息和协议开销;
5-2.当受干扰的节点SUd∈S,该节点统计其所有邻居节点的可用信道集合,选择除当前通信信道外的票数最高的一个信道接入;其邻居节点发现高级节点SUd的通信信道改变后,重复步骤3和4重新组网。
本发明的有益效果是:
1、提出一种邻居发现协议。该协议只需节点被动观察周围邻居的状态,便能获取其信道信息,节省协议开销。
2、提出一种节点分级方法。该方法中定义链接力概念,选择链接力强的节点为高级节点,该方法可以降低CRN网络组网时间。
3、提出投票组网方法,该方法能够使尽可能多的节点使用相同信道通信。
4、提出切换重构CRN规则,该规则能够减小频谱切换失败概率,同时减少时延。
综上所述,本发明所提的分等级的群体智能频谱切换算法具有协议开销小、消耗资源少,结构简单,抗毁能力强等优点。
附图说明
图1为认知无线电网络***示意。
图2为邻居发现示意。
具体实施方式
下面结合附图对本发明作进一步详细说明本发明的实施步骤。
如图1所示,一种基于分级的群体智能频谱切换方法,具体包括如下步骤:
步骤1、建立CRN***模型,具体如下:
假设CRN网络结构是自组织的,由M个主用户PU和N个认知用户SU构成,频谱分成P个不重叠且彼此正交的信道。当主用户不通信时,其授权信道能够被认知用户使用。第i个认知用户SUi拥有一个目标信道集合Chni。设SUi有收和发两根天线,并且同时有侦听和发信的功能。考虑到SU通信时,受噪声及信道衰落的影响同时为了建模的方便,将认知用户作为节点计算;假设CRN网络中每个SU认知节点具有相同的传输距离dc,即每个节点的有效通信范围不得大于dc。
定义邻接矩阵dij衡量两个认知节点SUi和SUj的连接关系,若满足否则为0,其中Lij表示认知节点SUi和SUj的欧几里得距离。当dij=1时,SUi和SUj能够建立一条链路进行通信,并互称对方为自己的邻居节点,并将对方归入自己的邻居节点集中。图1给出了CRN网络连接图。在图中,共有10个SU,每个SU通过频谱感知建立一个自己的目标信道序列,当两个认知节点SU分别在对方通信范围内且有相同目标信道,则两个节点会有一条连线,表示认知节点SU可以相互通信。
步骤2、通过邻居发现过程,构建每个认知用户节点的邻居网络拓扑结构图,具体如下:
2-1.认知节点SUi通过频谱感知方法(例如能量检测法)建立一个可用目标信道集合Chni,Chni∈P。
2-2.当所有认知节点SU感知到其可用信道集合后,每个SUi在每个时隙中,从可用目标信道集合Chni中随机选择一个信道接入,但是相邻两个时隙中不允许接入相同信道,多次接入时隙后得到SUi与其邻居SUj的共同信道。例如有两个SUs,分别记为SUx和SUy,SUx的Chnx为(1,2,4,5),SUy的Chny为(3,4,5),根据上述协议,SUx和SUy在不同时隙中的通信信道如图2所示,在时隙4和时隙10中,SUx和SUy进入相同信道,由此得到彼此共同信道为(4,5)。
2-3.根据步骤1中对邻居节点的定义,对于任意一个认知节点SUj,当其满足dij=1,将其归入SUi的邻居节点集Nei中。
步骤3、描述认知节点的分级规则,将认知节点分成高级节点和普通节点二类,具体如下:
3-1.定义链接力Ci=NumChni·NumNei,其中NumChni和NumNei分别表示集合Chni和Nei中元素数量,Ci用于衡量每个认知节点在CRN中的社会地位,其值越大,地位越高影响力越大。
3-2.根据Ci值,按照步骤3-2-1到3-2-3将认知节点SU分成高级节点和普通节点两类,然后将所有高级节点和所有普通节点分别置于集合S和I中。
3-2-1.每个认知节点SUi向其邻居节点广播自己可用信道集合Chni和邻居节点集Nei;
3-2-2.每个认知节点SUi计算其链接力Ci和其邻居节点SUj的链接力Cj,其中SUj∈Nei;
3-2-3.若Ci>Cj,则链接力SUi为高级节点,否则作为普通节点;
步骤4、投票组网,当认知节点分级完成后,所有认知节点SU统计自己和周围邻居的可用信道集合,确定通信信道,具体如下:
4-1.每个高级节点SUk,其中SUk∈S,统计节点自身与邻居节点集Nek中可用信道集合,对集合里的信道进行投票,选择票数最高的一个信道作为自己的通信信道;
4-2.令Ai={Q|Q∈Nei&Q∈S},其中Ai为第i个认知节点SUi的邻居节点集合中的高级节点数量,Q为高级节点;当NumAi=1且其中NumAi表示Ai中元素数量,则SUi接入与Ai相同的信道,否则随机选择一个信道作为当前通信信道。
4-3.当NumAi>1时,表示SUi的邻居节点集合中有多个高级节点,选择距离认知节点SUi最近的一个高级节点的信道作为当前通信信道。
步骤5、切换重构CRN网络,当某些认知用户受到干扰时,按照步骤5-1到5-2节所示规则,切换到其它信道,并维持整个CRN网络的完整性,具体如下:
5-1.当受干扰的节点SUd∈I,该节点统计其所有邻居节点的可用信道集合,选择票数最高的1个信道作为当前通信信道。并实时关注其邻居节点集合中高级节点的状态,当认知节点SUd不受干扰,重新接入高级节点的通信信道。在这种情况下,只需要认知节点SUd被动观察做出相应的变化即可,其他节点无需变动,极大减轻各种调度信息和协议开销。
5-2.当受干扰的节点SUd∈S,该节点统计其所有邻居节点的可用信道集合,选择除当前通信信道外的票数最高的一个信道接入。其邻居节点发现高级节点SUd的通信信道改变后,重复步骤3和4重新组网。
Claims (2)
1.一种基于分级的群体智能频谱切换方法,其特征在于,该方法包括以下步骤:
步骤1、建立CRN***模型;
步骤2、通过邻居发现过程,识别每个认知用户的邻居节点;
步骤3、设计认知节点分级规则,将认知用户分成高级节点和普通节点二类;
步骤4、投票组网,当节点分级完成后,所有节点统计自己和周围邻居的可用信道集合,确定通信信道;
步骤5、切换重构CRN网络,当某些认知用户受到干扰时,按照一定规则,切换到其它信道,并维持整个CRN网络的完整性;
步骤1所述的建立CRN***模型,具体如下:
假设CRN网络结构由M个主用户PU和N个认知用户SU构成,频谱分成P个不重叠且彼此正交的信道;当主用户不通信时,其授权信道能够被认知用户使用;第i个认知用户SUi拥有一个目标信道集合Chni;第j个认知用户SUj拥有一个目标信道集合Chnj;设SUi有收和发两根天线,并且同时有侦听和发信的功能;将认知用户作为节点计算;假设CRN网络中每个SU认知节点具有相同的传输距离dc,即每个节点的有效通信范围不得大于dc;
定义邻接矩阵dij衡量两个认知节点SUi和SUj的连接关系,若满足dij=1,否则为0,其中Lij表示认知节点SUi和SUj的欧几里得距离;当dij=1时,SUi和SUj能够建立一条链路进行通信,并互称对方为自己的邻居节点,并将对方归入自己的邻居节点集中;
步骤3所述的认知节点的分级规则,将认知节点分成高级节点和普通节点二类,具体如下:
3-1.定义链接力Ci=NumChni·NumNei,其中NumChni和NumNei分别表示集合Chni和Nei中元素数量,Ci用于衡量每个认知节点在CRN中的社会地位,其值越大,地位越高影响力越大;
3-2.根据Ci值,按照步骤3-2-1到3-2-3将认知节点SU分成高级节点和普通节点两类,然后将所有高级节点和所有普通节点分别置于集合S和I中;
3-2-1.每个认知节点SUi向其邻居节点广播自己可用信道集合Chni和邻居节点集Nei;
3-2-2.每个认知节点SUi计算其链接力Ci和其邻居节点SUj的链接力Cj,其中SUj∈Nei;
3-2-3.若Ci>Cj,则链接力SUi为高级节点,否则作为普通节点;
步骤4所述的投票组网,当认知节点分级完成后,所有认知节点SU统计自己和周围邻居的可用信道集合,确定通信信道,具体如下:
4-1.每个高级节点SUk,其中SUk∈S,统计节点自身与邻居节点集Nek中可用信道集合,对集合里的信道进行投票,选择票数最高的一个信道作为自己的通信信道;
4-2.令Ai={Q|Q∈Nei&Q∈S},其中Ai为第i个认知节点SUi的邻居节点集合中的高级节点数量,Q为高级节点;当NumAi=1且其中NumAi表示Ai中元素数量,则SUi接入与Ai相同的信道,否则随机选择一个信道作为当前通信信道;
4-3.当NumAi>1时,表示SUi的邻居节点集合中有多个高级节点,选择距离认知节点SUi最近的一个高级节点的信道作为当前通信信道;
步骤5具体实现如下:
当某些认知用户受到干扰时,按照步骤5-1到5-2节所示规则,切换到其它信道,并维持整个CRN网络的完整性,具体如下:
5-1.当受干扰的节点SUd∈I,该节点统计其所有邻居节点的可用信道集合,选择票数最高的1个信道作为当前通信信道;并实时关注其邻居节点集合中高级节点的状态,当认知节点SUd不受干扰,重新接入高级节点的通信信道;在这种情况下,只需要认知节点SUd被动观察做出相应的变化即可,其他节点无需变动,极大减轻各种调度信息和协议开销;
5-2.当受干扰的节点SUd∈S,该节点统计其所有邻居节点的可用信道集合,选择除当前通信信道外的票数最高的一个信道接入;其邻居节点发现高级节点SUd的通信信道改变后,重复步骤3和4重新组网。
2.根据权利要求1所述的一种基于分级的群体智能频谱切换方法,其特征在于步骤2所述的通过邻居发现过程,构建每个认知用户节点的邻居网络拓扑结构图,具体如下:
2-1.认知节点SUi通过频谱感知方法建立一个可用目标信道集合Chni,Chni∈P;
2-2.当所有认知节点SU感知到其可用信道集合后,每个SUi在每个时隙中,从可用目标信道集合Chni中随机选择一个信道接入,但是相邻两个时隙中不允许接入相同信道,多次接入时隙后得到SUi与其邻居SUj的共同信道;
2-3.根据步骤1中对邻居节点的定义,对于任意一个认知节点SUj,当其满足dij=1,将其归入SUi的邻居节点集Nei中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810409519.3A CN108736991B (zh) | 2018-05-02 | 2018-05-02 | 一种基于分级的群体智能频谱切换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810409519.3A CN108736991B (zh) | 2018-05-02 | 2018-05-02 | 一种基于分级的群体智能频谱切换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108736991A CN108736991A (zh) | 2018-11-02 |
CN108736991B true CN108736991B (zh) | 2021-02-26 |
Family
ID=63939494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810409519.3A Active CN108736991B (zh) | 2018-05-02 | 2018-05-02 | 一种基于分级的群体智能频谱切换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108736991B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111885506B (zh) * | 2020-06-15 | 2021-10-22 | 杭州电子科技大学 | 基于信道权值的CR Ad Hoc网络主动会合广播方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102256261A (zh) * | 2011-07-14 | 2011-11-23 | 东北大学 | 一种具有网络认知能力的动态频谱接入方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572850B (zh) * | 2012-03-27 | 2014-08-27 | 哈尔滨工业大学 | 认知无线电中基于授权用户工作状态切换的频谱分配方法 |
-
2018
- 2018-05-02 CN CN201810409519.3A patent/CN108736991B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102256261A (zh) * | 2011-07-14 | 2011-11-23 | 东北大学 | 一种具有网络认知能力的动态频谱接入方法 |
Non-Patent Citations (2)
Title |
---|
Neighbor Discovery Based on Group Frequency Hopping Neighbor Discovery Based on Group Frequency Hopping Without Common Control Channel for Cognitive Radio Ad Hoc Networks;Feifei Wang;《IEEE》;20131230;全文 * |
认知无线电网络完全综述;裴庆奇;《通信学报》;20130130;第34卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108736991A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anandakumar et al. | A bio-inspired swarm intelligence technique for social aware cognitive radio handovers | |
Zhang et al. | A kind of effective data aggregating method based on compressive sensing for wireless sensor network | |
Yang et al. | Coping with a smart jammer in wireless networks: A Stackelberg game approach | |
CN102546059B (zh) | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 | |
Tsai et al. | Metaheuristics for the deployment of 5G | |
Ci et al. | Adaptive clustering in wireless sensor networks by mining sensor energy data | |
CN103200689B (zh) | 一种用于多信道无线Mesh网络的链路分配方法 | |
Ali et al. | Reinforcement-learning-enabled massive internet of things for 6G wireless communications | |
CN109412661B (zh) | 一种大规模mimo***下的用户分簇方法 | |
CN113596785A (zh) | 基于深度q网络的d2d-noma通信***资源分配方法 | |
CN109600756B (zh) | 一种基于最大度优先染色算法的物理小区识别分配方法 | |
CN103746752B (zh) | 一种基于分层狄利克雷过程的智能频谱感知方法 | |
CN108736991B (zh) | 一种基于分级的群体智能频谱切换方法 | |
Cheng et al. | Blockchain-assisted intelligent symbiotic radio in space-air-ground integrated networks | |
Abboud et al. | Impact of node mobility on single-hop cluster overlap in vehicular ad hoc networks | |
Liu et al. | Robust power control for clustering-based vehicle-to-vehicle communication | |
CN108738028B (zh) | 一种超密集组网下的分簇方法 | |
CN109548032A (zh) | 一种面向密集网络全频段检测的分布式协作频谱认知方法 | |
CN112839337B (zh) | 一种基于分治递归策略的超密微基站间干扰协调方法 | |
Jiang et al. | Dynamic spectrum access for femtocell networks: A graph neural network based learning approach | |
CN114423070A (zh) | 一种基于d2d的异构无线网络功率分配方法及*** | |
Marchetti et al. | Complex systems science meets 5G and IoT | |
Pattanayak et al. | Identification of spectrum holes using ANN model for cognitive radio applications | |
Höyhtyä et al. | Cognitive engine: design aspects for mobile clouds | |
Lung et al. | Applying hierarchical agglomerative clustering to wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |