[發明專利]一種基于時空數據的頻譜預測方法

有效

• 申請號: 202011468034.5
• 申請日: 2020-12-14
• 公開（公告）號: CN112688746B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 蔡宇軒;黃曉霞;韓愛福
• 申請（專利權）人: 中山大學
• 主分類號: H04B17/382
• 分類號: H04B17/382;H04B17/391
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 常柯陽

本發明公開了一種基于時空數據的頻譜預測方法，方法包括：獲取真實頻譜數據矩陣；對所述真實頻譜數據矩陣進行預處理，得到待測數據；通過空間性建模和時間性建模，搭建譜圖卷積遞歸神經網絡；將所述待測數據輸入所述譜圖卷積遞歸神經網絡，得到預測結果；根據頻譜熵和所述預測結果，確定待接入信道。本發明能夠快速分析高精度大規模頻譜歷史數據,根據頻譜信息時間上和空間上的相關性建模，實現對未來頻譜的預測，可廣泛應用于無線電技術領域。

技術領域

本發明涉及無線電技術領域，尤其是一種基于時空數據的頻譜預測方法。

背景技術

隨著移動寬帶服務日益增長的需求，無線電頻譜資源日益短缺。認知無線電技術是解決頻譜資源與頻譜利用矛盾的有效途徑，其核心思想是認知無線電的閑置資源可以在不影響授權用戶的情況下被認知用戶使用，使頻譜資源分配從靜態變為動態，性能從低效變為高效。認知無線電需要充分了解頻譜特性，更加充分有效地利用頻譜資源，其中最為關鍵的就是頻譜預測技術。

先前關于頻譜預測的技術，按照方法主要分為基于回歸分析，基于馬爾可夫和基于機器學習三大類。

基回歸分析的技術，主要包括移動平均預測模型和自回歸(AR)預測模型。但是，這類方法大多是一步預測，而且在回歸模型中更新系數的高復雜度問題沒有被解決。

基于馬爾可夫的預測方法有則有著更多的發展。但是該方法是基于信道占用時間和空閑時間服從指數分布的假設，即信道先驗知識是完全已知的，但真實環境往往是部分已知或完全未知的，這限制了隱馬爾可夫預測方法的應用范圍。

基于機器學習的預測方法主要分為支持向量機和神經網絡。知識向量機在處理大規模數據集時，學習速度和預測精度明顯下降，模型參數不好選擇。而之前基于機器學習的認知無線電網絡預測技術的研究往往僅僅考慮在空域或時域上的相關性，即固定地點在一定時間內預測未來的頻譜狀態，或者未考慮時間，在固定空間由已知點的頻譜數據預測未知點的頻譜數據，而忽略了分析跨越空間和時間域的相關性。

從實際測量的頻譜數據之間不難發現，數據在時域、頻域、空域和能量域等多個維度上密切相關。為了能夠從多個維度建立頻譜數據模型，分析、挖掘和利用數據之間的潛在相關性，需要在頻率、空間和時間域中獲得精確的頻譜數據。采集這樣一組不同維度的頻譜測量數據會產生巨大的數據量。并且，傳統的數據挖掘方法難以處理這么大的數據量。

發明內容

有鑒于此，本發明實施例提供一種基于時空數據的頻譜預測方法。

本發明實施例提供了一種基于時空數據的頻譜預測方法，包括：

獲取真實頻譜數據矩陣；

對所述真實頻譜數據矩陣進行預處理，得到待測數據；

通過空間性建模和時間性建模，搭建譜圖卷積遞歸神經網絡；

將所述待測數據輸入所述譜圖卷積遞歸神經網絡，得到預測結果；

根據頻譜熵和所述預測結果，確定待接入信道。

優選地，所述獲取真實頻譜數據矩陣，包括：

根據預設的掃描頻率和掃描次數，通過頻譜分析儀獲取真實頻譜數據矩陣。

優選地，所述對所述真實頻譜數據矩陣進行預處理，得到待測數據，包括：

對所述真實頻譜數據矩陣進行截斷奇異值分解，得到待壓縮數據；

對所述待壓縮數據進行壓縮處理，得到壓縮數據；

根據所述真實頻譜數據中的測量點構建拓撲圖，并將所述壓縮數據處理為時間序列。

優選地，所述通過空間性建模和時間性建模，搭建譜圖卷積遞歸神經網絡，包括：