[發明專利]基于深度遷移學習的跨頻段頻譜預測方法

有效

• 申請號: 201910995721.3
• 申請日: 2019-10-18
• 公開（公告）號: CN110730046B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 陳瑾;林凡迪;丁國如;孫佳琛
• 申請（專利權）人: 中國人民解放軍陸軍工程大學
• 主分類號: H04B17/382
• 分類號: H04B17/382;G06N3/04;G06N3/08
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 王瑋

1.一種基于深度遷移學習的跨頻段頻譜預測方法，其特征在于，包括以下步驟：

步驟1，基于GSM上下行傳輸業務中移動臺與基站狀態的相似性，選擇數據監測天數為2倍以上的GSM1800UL\DL頻段頻譜占用數據，分別作為目標任務頻段GSM900UL\DL的深度遷移學習的源域頻段數據；

步驟2，將當前任務頻段各個頻點與源域頻段各頻點數據進行相似性逐一對比，通過動態時間歸整算法DTW度量各個頻點之間的相似性并排序，選擇當前任務頻段與源域頻段之間最相似的一對頻點數據；

步驟3，將當前任務頻段及源域頻段的所有的原始頻譜數據分別進行等間隔量化，量化后的頻譜數據采用最大最小值歸一化方法將它們的數值映射到[a,b]范圍，完成數據的預處理；

步驟4，基于預處理后的源域頻段單頻點頻譜數據，采用監督式學習方法構造樣本數據集，即固定長度的窗口內的頻譜數據作為樣本的輸入，下一時隙對應的實測值所屬的量化類別作為樣本的標簽，窗口逐時隙地向下滑動，形成一個個樣本，數據集隨之構造完成，并劃分成訓練集和測試集；

步驟5，將源域頻段數據作為單頻點頻譜預測模型的輸入，基于長短期記憶模型，利用數據集中的訓練集訓練模型，基于Adam算法調整神經網絡參數，使得預測類別和實際類別的交叉熵達到最小值，神經網絡訓練完成后，利用數據集中的測試集進行測試，根據預測結果計算預測準確率；

步驟6，將在源域頻段數據訓練后的模型的長短期記憶模型參數進行遷移，作為當前任務頻段的單點頻譜預測模型的長短期記憶模型初始參數；基于源域頻段相同的模型架構和訓練方式，將當前任務頻段數據作為單頻點頻譜預測模型的輸入，利用數據集中的訓練集訓練模型，基于Adam算法調整神經網絡參數，將長短期記憶模型模型學習率調整為原模型的十分之一，經過訓練集訓練使得預測類別和實際類別的交叉熵達到最小值；

步驟7，使用當前任務頻段數據集的訓練集對長短期記憶神經網絡訓練完成后，利用當前任務頻段數據集中的測試集進行測試，根據預測結果計算預測準確率；

所述步驟5中神經網絡通過Adam算法使得訓練集樣本的預測類別和實際類別的交叉熵達到最小值，預測類別和實際類別的交叉熵計算如下：

其中，y(x)和分別代表樣本實際類別和預測類別的概率分布，n為訓練樣本數；Adam算法的具體流程如下：

1、對以下參數進行初始化：學習速率ε，矩估計的指數衰減速率ρ₁,ρ₂，用于數值穩定的小常數δ，神經網絡參數θ，并且初始化一階矩變量s₀＝0、二階矩變量r₀＝0以及時間步t＝0；

2、從訓練集中采集m個樣本{x⁽¹⁾,...,x^(m)}的小批量，對應目標為y⁽ⁱ⁾，計算梯度：

3、t增加1，更新有偏一階矩估計和有偏二階矩估計:

s_t←ρ₁s_t-1+(1-ρ₁)g_t (5)

r_t←ρ₂r_t-1+(1-ρ₂)g_t⊙g_t (6)

4、修正一階矩和二階矩的偏差：

5、逐元素計算更新：

6、循環上述2到5步驟，直到θ_t收斂。

2.根據權利要求1所述的跨頻段單頻點頻譜預測方法，其特征在于：步驟3所述頻譜數據等間隔量化后為一個列向量，最大最小值歸一化映射到[a,b]的方法為：

X_scaler＝X_std*(b-a)+a (2)

其中，X_max,X_min是量化后的所有頻譜數據中的最大和最小值，b和a分別是映射區間的上界和下界，取值1，-1；X_std表示映射因子，X_scaler表示經過最大最小值歸一化后得到的數值。

3.根據權利要求1所述的單頻點頻譜預測方法，其特征在于：所述步驟5中根據預測結果統計該頻點的正確率，該頻點的正確率計算如下：

其中N為測試集中樣本數目，flag_k表示第k個樣本的預測狀態，當預測類別和標簽類別相同時預測狀態為1，反之則為0。