[發(fā)明專利]基于深度遷移學(xué)習(xí)的跨頻段頻譜預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201910995721.3
• 申請日: 2019-10-18
• 公開（公告）號: CN110730046B
• 公開（公告）日: 2022-02-18
• 發(fā)明（設(shè)計(jì)）人: 陳瑾;林凡迪;丁國如;孫佳琛
• 申請（專利權(quán)）人: 中國人民解放軍陸軍工程大學(xué)
• 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(xué)專利中心 32203
• 代理人: 王瑋

本發(fā)明公開了一種基于深度遷移學(xué)習(xí)的跨頻段頻譜預(yù)測方法。所述頻譜預(yù)測方法把握頻段之間各個信道的相似性，通過在其他頻段的信道上測得的歷史頻譜數(shù)據(jù)挖掘出頻譜數(shù)據(jù)間內(nèi)在規(guī)律和關(guān)聯(lián)，并遷移至當(dāng)前頻段從而預(yù)測當(dāng)前頻段的將來時刻的頻譜狀態(tài)。所述方法步驟如下：選擇業(yè)務(wù)相似的頻段，選擇最具有相似性的信道，構(gòu)建數(shù)據(jù)集，從分類的角度搭建基于深度學(xué)習(xí)的預(yù)測模型，并用訓(xùn)練集訓(xùn)練；將訓(xùn)練成熟的模型參數(shù)遷移至目標(biāo)頻段的預(yù)測模型中，并在此基礎(chǔ)上以較低學(xué)習(xí)率訓(xùn)練由目標(biāo)頻段數(shù)據(jù)構(gòu)建的數(shù)據(jù)集，并用測試集輸入到訓(xùn)練好的預(yù)測模型中，得到下一時隙的預(yù)測結(jié)果。本發(fā)明能夠較好地通過跨頻段方式幫助目標(biāo)頻段補(bǔ)充數(shù)據(jù)并預(yù)測出頻譜演變規(guī)律。

技術(shù)領(lǐng)域

本發(fā)明屬于無線通信技術(shù)領(lǐng)域，具體地說，是一種基于深度遷移學(xué)習(xí)的長短期記憶模型的跨頻段單頻點(diǎn)頻譜預(yù)測方法。

背景技術(shù)

近年來，伴隨著軟件定義無線電以及認(rèn)知無線電的發(fā)展，動態(tài)頻譜接入也得到了越來越多人的關(guān)注。隨著頻譜資源越來越稀缺，為了能夠結(jié)合當(dāng)前各個頻段的使用情況，靈活地使用未被充分使用的頻段，需要對各個信道的頻譜進(jìn)行預(yù)測分析。當(dāng)前，對于信道中的頻譜預(yù)測，已經(jīng)提出許多的模型從不同的維度對信道中的頻譜數(shù)據(jù)進(jìn)行預(yù)測。在時域維度對頻譜進(jìn)行預(yù)測中，即對頻譜預(yù)測可轉(zhuǎn)換為時間序列的預(yù)測問題。

早年的研究中，使用的多是線性預(yù)測模型。對未來的值的預(yù)測通過歷史的數(shù)據(jù)的線性變換得到。且由于這些線性模型較為簡單在頻譜預(yù)測的很多方面均得到了較好的運(yùn)用。

隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，將深度神經(jīng)網(wǎng)絡(luò)用于頻譜預(yù)測的工作也取得了很大的進(jìn)步，深度神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最多的非線性模型。然而在實(shí)際中，往往存在當(dāng)頻譜數(shù)據(jù)較為稀缺的時候，頻譜數(shù)據(jù)不足將不能較好的訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的問題，而深度遷移學(xué)習(xí)是解決這個問題的其中一種方法。

深度遷移學(xué)習(xí)旨在利用成熟的與當(dāng)前數(shù)據(jù)集(即為目標(biāo)域數(shù)據(jù)集)相似的包含大量數(shù)據(jù)及成熟的模型的數(shù)據(jù)集(即為源域數(shù)據(jù)集)用以解決目標(biāo)域數(shù)據(jù)集較少、標(biāo)簽較少、甚至算力不足的情況。

對于頻譜預(yù)測來說，深度遷移學(xué)習(xí)的方法能有效減輕大量數(shù)據(jù)重新訓(xùn)練模型帶來的時間消耗和算力的巨大要求。同時，深度遷移學(xué)習(xí)能有效解決頻譜預(yù)測模型冷啟動的問題，幫助彌補(bǔ)初期訓(xùn)練的數(shù)據(jù)不足的問題。目前運(yùn)用的最廣泛的深度遷移學(xué)習(xí)的方法是預(yù)訓(xùn)練并微調(diào)。即在一個具有大量數(shù)據(jù)的成熟的深度神經(jīng)網(wǎng)絡(luò)上訓(xùn)練成熟的參數(shù)導(dǎo)出到目標(biāo)深度神經(jīng)網(wǎng)絡(luò)模型上并進(jìn)行訓(xùn)練。然而，微調(diào)的假設(shè)是源域和目標(biāo)域之間數(shù)據(jù)分布是相同的，這在實(shí)際中是基本不存在的。在頻譜在時域上的預(yù)測問題，轉(zhuǎn)換為時間序列的問題，不同時間序列之間的相似度也是不一樣的。由于不同頻段之間各個頻點(diǎn)的時間序列是不同的，盲目的選擇時間序列進(jìn)行遷移，往往會形成負(fù)遷移，反而影響了對時間序列的分類和預(yù)測。

發(fā)明內(nèi)容

本發(fā)明的目的在于為頻譜預(yù)測提供一種新的思路，基于深度遷移學(xué)習(xí)的長短期記憶模型進(jìn)行跨頻段單頻點(diǎn)頻譜預(yù)測，從而解決當(dāng)前任務(wù)頻段數(shù)據(jù)稀缺的預(yù)測問題。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

一種基于深度遷移學(xué)習(xí)的長短期記憶模型的跨頻段單頻點(diǎn)頻譜預(yù)測方法，包括以下步驟：

步驟1，基于GSM上下行傳輸業(yè)務(wù)中移動臺與基站狀態(tài)的相似性，選擇數(shù)據(jù)監(jiān)測天數(shù)為2倍以上的GSM1800UL\DL頻段頻譜占用數(shù)據(jù)，分別作為目標(biāo)任務(wù)頻段GSM900UL\DL的深度遷移學(xué)習(xí)的源域頻段數(shù)據(jù)；

步驟2，將當(dāng)前任務(wù)頻段各個頻點(diǎn)與源域頻段各頻點(diǎn)數(shù)據(jù)進(jìn)行相似性逐一對比，通過動態(tài)時間歸整算法DTW度量各個頻點(diǎn)之間的相似性并排序，選擇當(dāng)前任務(wù)頻段與源域頻段之間最相似的一對頻點(diǎn)數(shù)據(jù)；

步驟3，將當(dāng)前任務(wù)頻段及源域頻段的所有的原始頻譜數(shù)據(jù)分別進(jìn)行等間隔量化，量化后的頻譜數(shù)據(jù)采用最大最小值歸一化方法將它們的數(shù)值映射到[a,b]范圍，完成數(shù)據(jù)的預(yù)處理；