《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測(cè)方法
基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測(cè)方法
2020年電子技術(shù)應(yīng)用第3期
荊 通1，丁文銳1，2，劉春輝2
1.北京航空航天大學(xué) 電子信息工程學(xué)院，北京100191；2.北京航空航天大學(xué) 無人系統(tǒng)研究院，北京100191
摘要： 無線電頻譜占用預(yù)測(cè)是認(rèn)知無線電研究中的關(guān)鍵技術(shù)，針對(duì)傳統(tǒng)頻譜占用預(yù)測(cè)方法中只能進(jìn)行單步長預(yù)測(cè)，多步長預(yù)測(cè)效果下降明顯的問題，借鑒Apriori算法中查找頻繁項(xiàng)集的思想，提出一種基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測(cè)方法。在數(shù)據(jù)采集方面，利用本單位研制的電磁頻譜檢測(cè)系統(tǒng)對(duì)調(diào)頻FM廣播業(yè)務(wù)頻段(88~108 MHz)進(jìn)行連續(xù)48小時(shí)的頻譜監(jiān)測(cè)，選取占用度滿足頻譜占用預(yù)測(cè)的需要的部分?jǐn)?shù)據(jù)進(jìn)行預(yù)測(cè)分析。實(shí)驗(yàn)表明，該方法在FM廣播業(yè)務(wù)頻段得到了較好的效果，多步長預(yù)測(cè)準(zhǔn)確率達(dá)到70%以上。此外，還對(duì)算法中的重要參數(shù)進(jìn)行了簡要分析，指出了參數(shù)對(duì)輸出結(jié)果準(zhǔn)確度的影響。
中圖分類號(hào)： TN911.72
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.191010
中文引用格式： 荊通，丁文銳，劉春輝. 基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測(cè)方法[J].電子技術(shù)應(yīng)用，2020，46(3)：80-85.
英文引用格式： Jing Tong，Ding Wenrui，Liu Chunhui. Multi-step spectrum occupancy prediction method based on association rule mining[J]. Application of Electronic Technique，2020，46(3)：80-85.
Multi-step spectrum occupancy prediction method based on association rule mining
Jing Tong1，Ding Wenrui1，2，Liu Chunhui2
1.School of Electronic Information Engineering，Beihang University，Beijing 100191，China； 2.Unmanned System Research Institute，Beihang University，Beijing 100191，China
Abstract： Radio spectrum occupancy prediction is a key technology in cognitive radio research. In the traditional method, only single step size prediction can be performed, and the effect of multi-step size prediction is significantly reduced. Referring to the idea of searching frequent item sets in Apriori algorithm，a multi-step spectrum occupation prediction method based on association rule mining is proposed. In terms of data acquisition, the electromagnetic spectrum detection system developed by the unit is used to monitor the frequency spectrum of FM broadcasting service(88~108 MHz) for 48 hours continuously, and some data whose occupancy meets the demand of spectrum occupancy prediction are selected for prediction and analysis. The experimental results show that the proposed method is effective in FM broadcasting frequency band, and the prediction accuracy of multi-step length is more than 70%. This paper also briefly analyzes the important parameters of the algorithm and points out the influence of the parameters on the accuracy of the output results.
Key words : cognitive radio；spectrum monitoring；spectrum prediction；frequent pattern；association rule mining

0 引言

    認(rèn)知無線電技術(shù)提高了系統(tǒng)的頻譜利用率，然而在傳統(tǒng)頻譜感知中，認(rèn)知用戶對(duì)所有頻帶進(jìn)行感知會(huì)造成大量的能量損耗和處理時(shí)延，因此如何準(zhǔn)確預(yù)測(cè)空間頻譜占用情況，即頻譜預(yù)測(cè)技術(shù)，受到研究人員的廣泛研究。頻譜預(yù)測(cè)技術(shù)能夠?yàn)檎J(rèn)知用戶提供更好的頻譜接入條件，減少認(rèn)知用戶和主用戶之間產(chǎn)生的數(shù)據(jù)傳輸沖突，避免對(duì)主用戶通信造成干擾，降低響應(yīng)時(shí)延，增加網(wǎng)絡(luò)的吞吐量[1]。頻譜預(yù)測(cè)過程一般包含3個(gè)步驟：(1)數(shù)據(jù)采集，實(shí)際頻譜采集或建立仿真頻譜模型生成；(2)數(shù)據(jù)預(yù)處理，有效數(shù)據(jù)選取、信號(hào)與噪聲的分離；(3)頻譜預(yù)測(cè)，設(shè)計(jì)頻譜預(yù)測(cè)方法進(jìn)行預(yù)測(cè)。

    設(shè)計(jì)有效的頻譜預(yù)測(cè)方法需考慮預(yù)測(cè)機(jī)制與預(yù)測(cè)方法兩方面：預(yù)測(cè)機(jī)制大多是采用時(shí)隙通信模式，將每個(gè)時(shí)隙的頻譜占用或空閑情況定義為一個(gè)二元時(shí)間序列，通過分析歷史數(shù)據(jù)獲取頻譜使用規(guī)律，進(jìn)而預(yù)測(cè)未來頻譜占用狀態(tài)[2]；頻譜預(yù)測(cè)方法主要有基于隱馬爾可夫(Hidden Markov Model，HMM)的方法[3]、基于自回歸移動(dòng)平均模型(Autoregressive Integrated Moving Average，ARIMA)的方法[4]、基于神經(jīng)網(wǎng)絡(luò)的方法[5]、基于關(guān)聯(lián)規(guī)則挖掘的方法等[6]?；陉P(guān)聯(lián)規(guī)則挖掘的方法在頻譜預(yù)測(cè)中性能表現(xiàn)較好，這類方法又包括基于部分周期模式挖掘的方法[6]、基于貝葉斯的方法[7]、應(yīng)用統(tǒng)計(jì)學(xué)習(xí)的方法[8]以及最大子模式命中[9]等。

    在實(shí)際頻譜預(yù)測(cè)應(yīng)用中，往往不僅需要預(yù)測(cè)下一個(gè)時(shí)隙的頻譜占用情況，而且需要預(yù)測(cè)多個(gè)時(shí)隙一分鐘甚至一小時(shí)的頻譜占用情況，進(jìn)而統(tǒng)計(jì)分析信道的可用性，避免頻繁切換信道。現(xiàn)有方法只能保證下一個(gè)時(shí)隙的一步預(yù)測(cè)效果較為理想，而多時(shí)隙多步預(yù)測(cè)存在效果下降較快的問題。針對(duì)這一問題，本文借鑒Apriori算法中查找頻繁項(xiàng)集的思想，提出基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測(cè)方法，通過采集真實(shí)數(shù)據(jù)對(duì)所提出方法進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 頻譜占用度

1.1 頻譜占用度預(yù)測(cè)用數(shù)據(jù)選取

    信道頻譜占用度可以體現(xiàn)頻譜的活躍程度，信道頻譜活躍程度對(duì)驗(yàn)證方法的可行性十分關(guān)鍵。若信道頻譜占用度極低(0%～5%)，數(shù)據(jù)處理后生成的信道狀態(tài)信息(Channel State Information，CSI)序列將近似為全0序列；若信道頻譜占用度極高(95%～100%)，生成的CSI序列將近似為全1序列，對(duì)這些信道進(jìn)行CSI序列預(yù)測(cè)得到的結(jié)果極為可觀，正確率可達(dá)到90%以上，丟失率接近0。但這兩種極端情況都將使得CSI信道活躍度降低，即0/1狀態(tài)的轉(zhuǎn)換頻率變低，此時(shí)頻譜占用預(yù)測(cè)也將失去意義。故本文選取頻譜占用度35%～94%的信道進(jìn)行預(yù)測(cè)分析。信道占用度計(jì)算方法如式(1)所示：

    tx2-gs1.gif

其中，F(xiàn)co表示信道占用度，Tf表示信道占用時(shí)間，T表示信道測(cè)量時(shí)間。

1.2 頻譜占用度閾值選取

    頻譜占用狀態(tài)只有兩種：占用和空閑。通常，信道頻譜強(qiáng)度高于某門限，則認(rèn)為信道處于被占用狀態(tài)，用“1”表示；相反，認(rèn)為信道處于空閑狀態(tài)，用“0”表示，轉(zhuǎn)換原理如式(2)所示：

     tx2-gs2.gif

其中，cs表示信道狀態(tài)，PC表示信道電平值，PO表示預(yù)設(shè)門限值。該過程中如果預(yù)設(shè)門限值設(shè)置較小，則某些噪聲信號(hào)將被誤認(rèn)為是有用信號(hào)；若門限設(shè)置較高，則會(huì)遺漏有用信號(hào)，因此頻譜占用度閾值的選取是數(shù)據(jù)預(yù)處理過程較為關(guān)鍵的步驟。

    本文采用動(dòng)態(tài)門限分割[10]的方法確定頻譜占用度門限，方法流程如圖1所示。

tx2-t1.gif

    動(dòng)態(tài)門限分割方法涉及兩個(gè)參數(shù)，一個(gè)是用于信噪分離的判別值，另一個(gè)是噪聲曲線平滑處理的次數(shù)。在《超短波頻段占用度測(cè)試技術(shù)規(guī)范》中，建議門限電平設(shè)置為各頻段內(nèi)當(dāng)?shù)亟邮諜C(jī)平均功率電平或電壓指示以上5 dB。在無線電監(jiān)測(cè)工作中，一般把超過噪聲電平3 dB～5 dB的頻點(diǎn)視為信號(hào)。基于以上兩點(diǎn)，本文采用5 dB作為信噪分離的判別值，平滑處理次數(shù)取60，動(dòng)態(tài)門限如圖2所示。

tx2-t2.gif

    圖2(a)信道編號(hào)為3，統(tǒng)計(jì)電平值較低，多數(shù)集中在-76.45 dBm左右，且處于動(dòng)態(tài)判決門限以下，被認(rèn)定為噪聲信道；圖2(b)信道編號(hào)為61，統(tǒng)計(jì)電平值較高，多數(shù)集中在-67.45 dBm左右，且處于動(dòng)態(tài)判決門限以上，被認(rèn)定為信號(hào)信道。

    各個(gè)信道的幅度-頻率信號(hào)被動(dòng)態(tài)門限分割之后就形成了CSI矩陣，如圖3所示(圖中黑色實(shí)心方塊表示當(dāng)前CSI=1，空白處則表示CSI=0)。

tx2-t3.gif

2 算法原理

2.1 時(shí)間序列關(guān)聯(lián)規(guī)則挖掘算法

    Apriori算法[6]是關(guān)聯(lián)規(guī)則挖掘算法中經(jīng)典的算法，多用于非時(shí)序項(xiàng)集。算法一般分為兩部，一是生成頻繁模式，二是根據(jù)頻繁模式生成關(guān)聯(lián)規(guī)則。而使用該算法處理時(shí)間序列數(shù)據(jù)時(shí)，必須對(duì)序列進(jìn)行模式劃分。對(duì)序列進(jìn)行模式劃分時(shí)，每次取一部分?jǐn)?shù)據(jù)進(jìn)行時(shí)間序列關(guān)聯(lián)規(guī)則計(jì)算，然后向后滑動(dòng)一個(gè)窗口，產(chǎn)生一個(gè)新的事務(wù)，再次計(jì)算時(shí)間序列關(guān)聯(lián)規(guī)則。保持每個(gè)事務(wù)窗口一致，這樣可以使當(dāng)前事務(wù)區(qū)別于上一個(gè)事務(wù)，同時(shí)又不會(huì)漏掉可能產(chǎn)生的時(shí)間序列特征組合，如圖4所示。

tx2-t4.gif

    時(shí)間序列關(guān)聯(lián)規(guī)則挖掘過程中有兩個(gè)重要判決條件：(1)當(dāng)模式出現(xiàn)次數(shù)N大于最小支持度時(shí)，生成頻繁模式；(2)頻繁模式轉(zhuǎn)移率P大于最小置信度時(shí)，生成關(guān)聯(lián)規(guī)則，如圖5所示。

tx2-t5.gif

2.2 基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測(cè)算法

    本節(jié)將使用上文方法生成的關(guān)聯(lián)規(guī)則進(jìn)行多步長頻譜占用預(yù)測(cè)。

    本文算法涉及概念和符號(hào)見表1。

tx2-b1.gif

    輸入：原始幅度頻率數(shù)據(jù)（File_level）。

    輸出：預(yù)測(cè)的準(zhǔn)確率以及丟失率。

    (1)將原始幅度頻率數(shù)據(jù)通過動(dòng)態(tài)門限分割、信道分割，生成由0和1組成的CSI序列。

    (2)當(dāng)生成的CSI序列長度大于跨度L時(shí)，檢測(cè)序列中異常值的情況，進(jìn)行基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測(cè)。

    (3)對(duì)預(yù)測(cè)結(jié)果與實(shí)際監(jiān)測(cè)結(jié)果進(jìn)行對(duì)比，統(tǒng)計(jì)預(yù)測(cè)準(zhǔn)確率和丟失率。

    算法中輸入的原始數(shù)據(jù)為401×n的矩陣(File_level)，n為采集數(shù)據(jù)的時(shí)隙數(shù)(本文時(shí)隙間隔為1 s)，通過動(dòng)態(tài)門限分割以及信道編號(hào)(1~401)的選擇，形成單一信道的CSI序列。頻繁項(xiàng)跨度(FrQ_length)限定了頻繁子序列長度的最大值，取值范圍可設(shè)為1~n之中的任意整數(shù)值，當(dāng)其設(shè)為1時(shí)，算法可近似于兩狀態(tài)馬爾可夫過程；當(dāng)其設(shè)置為接近n時(shí)，頻繁項(xiàng)數(shù)量太少，算法失效，故本文取10%n。最小支持度(Min_sup)與最小置信度(Min_conf)體現(xiàn)了頻繁項(xiàng)的頻繁程度以及規(guī)則的可靠性。最小預(yù)測(cè)長度(Min_span)的設(shè)定可以減少頻繁子序列生成規(guī)則的數(shù)量，提升算法效率和精度。

    關(guān)聯(lián)規(guī)則是頻譜占用預(yù)測(cè)的主要依據(jù)。項(xiàng)集統(tǒng)計(jì)數(shù)大于Min_sup即為頻繁項(xiàng)，若頻繁項(xiàng)A統(tǒng)計(jì)數(shù)為a、頻繁項(xiàng)B統(tǒng)計(jì)數(shù)為b，則轉(zhuǎn)移率Pab=a/b，當(dāng)Pab大于Min_conf時(shí)產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，即當(dāng)前序列為A時(shí)，預(yù)測(cè)結(jié)果為B的概率為Pab。

    圖6為多步長頻譜占用預(yù)測(cè)算法流程。

tx2-t6.gif

    在多步長預(yù)測(cè)過程中，算法沒有在規(guī)則中找到適合的規(guī)則，則記為一次丟失，輸出“-1”，即異常值，異常值的出現(xiàn)會(huì)影響下一次的預(yù)測(cè)，所以要進(jìn)行異常值替換，每個(gè)異常值“-1”都會(huì)分兩次替換成“0”或“1”，例如序列[1 0 -1 0]會(huì)替換成[1 0 0 0]和[1 0 1 0]，由這兩個(gè)序列查找關(guān)聯(lián)規(guī)則中置信度最高的規(guī)則進(jìn)行預(yù)測(cè)或者繼續(xù)丟失，即如果有m個(gè)異常值，則要進(jìn)行2m次替換，最終由替換后的序列置信度最高值進(jìn)行預(yù)測(cè)或者繼續(xù)丟失。若Pred_length>1，即多步長，步長遞增過程如圖7所示，圖中標(biāo)注下劃線并加粗的字符為預(yù)測(cè)序列值，算法使用預(yù)測(cè)結(jié)果更新CSI序列，直至完成多步長預(yù)測(cè)算法。

tx2-t7.gif

    若當(dāng)前序列滿足預(yù)測(cè)條件，記預(yù)測(cè)次數(shù)(Predict)加1；若預(yù)測(cè)結(jié)果與下一時(shí)隙狀態(tài)序列相同，記預(yù)測(cè)正確次數(shù)(Correct)加1；若最終沒有找到滿足預(yù)測(cè)條件的關(guān)聯(lián)規(guī)則，記丟失次數(shù)(Loss)加1，丟失率記為Loss_Rate，公式如下：

     tx2-gs3-6.gif

3 實(shí)驗(yàn)及分析

3.1 數(shù)據(jù)采集與預(yù)處理

    本文中的頻譜監(jiān)測(cè)數(shù)據(jù)來自北京航空航天大學(xué)學(xué)院路校區(qū)連續(xù)約48 h(2018年12月22日16時(shí)22分~2018年12月24日16時(shí)25分)頻段為88 MHz～108 MHz，即調(diào)頻FM廣播業(yè)務(wù)頻段進(jìn)行監(jiān)測(cè)，監(jiān)測(cè)設(shè)備包括是德公司E4407b頻譜分析儀、PC以及SAS-521F-2接收天線，表2列出了監(jiān)測(cè)參數(shù)。

tx2-b2.gif

    頻譜儀每次掃描空間頻譜獲得400個(gè)頻譜采樣點(diǎn)，在監(jiān)測(cè)時(shí)間內(nèi)每一秒形成一個(gè)“場強(qiáng)-頻率”對(duì)應(yīng)關(guān)系的文本數(shù)據(jù)文件，因此每小時(shí)產(chǎn)生3 600個(gè)數(shù)據(jù)集。

    數(shù)據(jù)的選取對(duì)預(yù)測(cè)模型的學(xué)習(xí)效果有著極為重要的影響，合適的數(shù)據(jù)能夠?yàn)樘岣哳A(yù)測(cè)模型的正確率提供良好的支持。正常情況下，頻譜的短期變化趨勢(shì)是連續(xù)的，而長期變化具有明顯的周期性，周期性具體體現(xiàn)在日、星期、年周期性以及節(jié)假日特性。為了提高信道頻譜占用預(yù)測(cè)精度，在數(shù)據(jù)選擇時(shí)應(yīng)考慮這一周期性特點(diǎn)。故本文采用第一天100時(shí)隙作為訓(xùn)練集，第二天相同時(shí)間的100時(shí)隙作為測(cè)試集。

    圖8為對(duì)所采集到的頻譜數(shù)據(jù)進(jìn)行“場強(qiáng)-頻率-時(shí)間”三維可視化處理結(jié)果。

tx2-t8.gif

3.2 主要參數(shù)分析

3.2.1 多步長對(duì)預(yù)測(cè)結(jié)果的影響

    圖9和圖10分別展示了13號(hào)和86號(hào)信道中預(yù)測(cè)步長對(duì)預(yù)測(cè)結(jié)果的影響。

tx2-t9.gif

tx2-t10.gif

    通過信道13和信道86的10步預(yù)測(cè)結(jié)果可見，隨著預(yù)測(cè)步長的增加，預(yù)測(cè)丟失率逐漸減少，雖然預(yù)測(cè)正確率也隨步長增加呈下降趨勢(shì)，但下降趨勢(shì)較緩，總預(yù)測(cè)正確率由于丟失率的逐漸減少，隨預(yù)測(cè)步長的增加呈略微上升的趨勢(shì)?？梢娫撍惴ㄔ诙嗖介L預(yù)測(cè)中有效減少丟失率的同時(shí)，保持了較高的預(yù)測(cè)正確率。

3.2.2 信道占用度對(duì)預(yù)測(cè)結(jié)果的影響

    本實(shí)驗(yàn)中選取了占用度由35%到94%依次升高的6個(gè)信道。圖11展示了預(yù)測(cè)步長為1和10的結(jié)果。 

tx2-t11.gif

    從圖11中可以看出，總體上信道占用預(yù)測(cè)正確率保持較高的水準(zhǔn)，其丟失率沒有隨著占用度的變化有正相關(guān)或者負(fù)相關(guān)的規(guī)律。由此可見總體上算法體現(xiàn)出了良好的性能，信道占用度的變化對(duì)預(yù)測(cè)結(jié)果的影響不大。

3.2.3 規(guī)則置信度對(duì)預(yù)測(cè)結(jié)果的影響

    圖12(a)和圖12(b)分別展示了3個(gè)信道在最小置信度為0.7、0.8和0.9時(shí)的正確率和丟失率。

tx2-t12.gif

    從圖12中可以看出，隨著最小置信度由0.7升高至0.9，丟失率由15%左右升高至40%左右?？梢?，最小置信度的設(shè)置對(duì)丟失率影響很大，這是由于隨著最小置信度的升高，可用的關(guān)聯(lián)規(guī)則逐漸減少，即信道信息的可預(yù)測(cè)性降低。預(yù)測(cè)正確率隨最小置信度的提高緩慢升高，而預(yù)測(cè)丟失率則隨最小置信度的提高急劇升高，因此，設(shè)置適合的最小置信度對(duì)CSI序列的可預(yù)測(cè)性至關(guān)重要。

4 結(jié)論

    本文提出類Apriori算法的頻繁模式關(guān)聯(lián)規(guī)則挖掘算法，實(shí)現(xiàn)對(duì)信道占用狀態(tài)的多步長預(yù)測(cè)。實(shí)驗(yàn)表明，該算法在實(shí)際頻譜預(yù)測(cè)中相比隱馬爾科夫模型和神經(jīng)網(wǎng)絡(luò)模型等預(yù)測(cè)方法，不需要任何先驗(yàn)知識(shí)，可根據(jù)歷史數(shù)據(jù)進(jìn)行快速預(yù)測(cè)，達(dá)到了較好的預(yù)測(cè)效果。 

參考文獻(xiàn)

[1] 劉鎮(zhèn)鳴，龔曉峰.認(rèn)知無線電中頻譜預(yù)測(cè)方法[J].兵工自動(dòng)化，2017，36(9)：86-89.

[2] 尹斯星.認(rèn)知無線電中基于海量頻譜監(jiān)測(cè)數(shù)據(jù)挖掘的動(dòng)態(tài)頻譜接入策略研究[D].北京：北京郵電大學(xué)，2010.

[3] 張凱，齊麗娜.一種基于隱馬爾可夫模型的自適應(yīng)聯(lián)合頻譜預(yù)測(cè)方法[J].南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，35(1)：79-83. 

[4] 段洪濤，曾繁聲，李景春.一種預(yù)測(cè)頻段占用度的時(shí)間序列分析方法[J].無線電工程，2011，41(7)：17-20，64.

[5] 楊健，趙杭生，陳曦.遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)頻譜預(yù)測(cè)模型訓(xùn)練[J].解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，17(6)：505-511.

[6] 滿方微，石榮，何彬彬.基于關(guān)聯(lián)規(guī)則挖掘的無線電頻譜占用預(yù)測(cè)[J].電訊技術(shù)，2016，56(11)：1183-1188.

[7] HUANG P，LIU C，YANG X，et al.Wireless spectrum occupancy prediction based on partial periodic pattern mining[J].IEEE Transactions on Parallel and Distributed Systems，2014，25(7)：1925-1934.

[8] JACOB J，JOSE B R，MATHEW J.Spectrum prediction in cognitive radio networks: a bayesian approach[C].2014 Eighth International Conference on Next Generation Mobile Apps，Services and Technologies，Oxford，2014：203-208.

[9] MAN F，SHI R，HE B.The data mining in wireless spectrum monitoring application[C].2017 IEEE 2nd International Conference on Big Data Analysis(ICBDA)，Beijing，2017：223-227.

[10] 丁浩，沈文靜.基于動(dòng)態(tài)門限電平的短波段頻譜占用度測(cè)量[C].2011全國無線及移動(dòng)通信學(xué)術(shù)大會(huì)論文集，2011：408-411.



作者信息：

荊  通1，丁文銳1，2，劉春輝2

(1.北京航空航天大學(xué) 電子信息工程學(xué)院，北京100191；2.北京航空航天大學(xué) 無人系統(tǒng)研究院，北京100191)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。