频谱论文：面向频谱地图构建的频谱态势生成技术研究

#频谱#

[1]李竟铭.面向频谱地图构建的频谱态势生成技术研究.2019.南京航空航天大学,MA thesis.doi:10.27239/d.cnki.gnhhu.2019.000556.  （南京航空航天大学）

频谱地图是对无线电环境的抽象表达，它可以直观、多维度地展现频谱态势信息，为频谱的动态接入、频谱共享、频谱监管提供可视化依据。

研究内容

1. 基于深度学习的室内异常信号定位系统:采用自动编码器（AutoEncoder）,利用软件无线电设备（USRP）采集室内范围内的干扰源发出的异常无线电信号作为训练数据.
   
   一般性地使用神经网络做东西。
   在2.3.2节，说明网络的输入是输入为 4 根天线所接收到信号强度值 RSSI
2. 将频谱态势生成技术由室内推广到室外
   
   采用 USRP 和 LabVIEW 对室外频谱数据进行采集，我们采集到的数据是不完整的， 需要通过数据补全方法对缺失数据进行恢复。
   
   表3.2中给出了目前较为常用的几种插值补全技术：反距离权重法IDW, 克立金法Kriging,最近邻居插值法KNN, 趋势面光滑插值法（Trend surface）,薄板样条函数法（Thin plate splines,离散平滑插值法（Discretesmooth interpolation）
   
   介绍了主成分分析法，和奇异值阈值（SVT）算法。其中式（3.6）和（3.11）都是软阀值，区别在哪？--> (3.6)保留了负数的符号，（3.11）只保留了正数部分
    
3. 基于卫星扫描的频谱大数据分析平台
    

问题

1. 在2.4节，Relu 函数在分类任务中常常表现良好，但是它对数据的控制能力较弱。--> 对数据的控制能力具体是什么含义？
2. 问题：3.3.4节，采样个数 p 满足 p Crn n ³ 6/5 ln (C 为正的常数）-->对于本文的问题，这个正的常数字的数值具体是多少？

信息

深度学习概念是由 Geoffrey Hinton 于 2006 年首次提出，他在 Science 上 发表了革命性的文章，介绍了深度信念网络:  即：Hinton G E, Salakhutdinov R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.

3.3.3节：矩阵补全的方法有很多种，如奇异值阈值（SVT）算法、增广拉格朗日乘子（ALM）算法，加速临近梯度（APL）算法等