频谱熵预测方法及系统技术方案

本发明专利技术涉及一种频谱熵预测方法，包括：利用自相关函数分析得到频谱熵数据特征；根据上述得到的频谱熵数据特征，从所述频谱熵数据中选择主训练特征集合X'；对主训练特征集合X'进行特征重要性排序，得到特征集合S；对所述特征集合S进行特征降维，得到最优特征集合Sbest；根据最优特征集合Sbest和预测值Y构造线性回归函数，得到预测器；对待预测特征向量进行筛选，并将筛选后的待预测特征向量输入所述预测器得到预测结果。本发明专利技术还涉及一种频谱熵预测系统。本发明专利技术能够预测频谱利用平稳的频段，且具有较高预测准确率。

【技术实现步骤摘要】
频谱熵预测方法及系统
本专利技术涉及一种频谱熵预测方法及系统。
技术介绍
随着无线通信的蓬勃发展，无线通信及其应用已经深入到人们生活的各个方面。尤其是近几年来，以智能手机为中心，移动互联网、车载网络、可穿戴设备、智能家居和物联网等新兴技术和产业开始爆发，使得不同形式的无线产品和业务大量兴起。每种无线产品或者业务都需要利用一定的频谱资源完成通信，然而这些可通信频段大都集中在非授权频段，造成部分非授权频段趋近饱和，甚至过负载状态，因此对新的频段进行扩展的需求迫在眉睫。人们对无线频谱的需求日益增加，但是可用的未授权频谱却越来越少，无线频谱资源短缺问题日益凸显，可用频谱资源将被分配完毕已经成为业界的共识。相反，授权频段资源丰富且多数情况下频谱利用率较低。因此，研究人员提出了认知无线电技术，允许非授权用户发现空闲授权频段，并采用动态频谱接入方法利用这些空闲频段通信，减少频谱资源的浪费，从而提高频谱利用率，解决频谱资源稀缺的问题。在实际通信中，空闲频段是不断变化的，非授权用户需要不断地寻找空闲频段。因此，目前研究人员主要研究如何尽可能准确地预测空闲频段，以用于非授权用户通信。这样虽然帮助非授权用户提前寻找到空闲频谱，但若空闲频段切换过于频繁，将导致非授权用户在通信时传输时延和数据包丢失较为严重，影响通信质量。可见，仅仅预测到空闲频段，并不能保证非授权通信质量良好。在此基础上，仍需预测频谱利用平稳的频段，这样的频段才是相对适合非授权用户通信且可获得良好通信质量的频段。因此，目前亟需一种针对频谱利用的平稳程度——频谱熵进行预测的方法或者系统，来预测频谱利用的平稳程度。专利
技术实现思路
有鉴于此，有必要提供一种频谱熵预测方法及系统，其能够预测频谱利用平稳的频段，且具有较高预测准确率。本专利技术提供一种频谱熵预测方法，该方法包括如下步骤：a.利用自相关函数分析得到频谱熵数据特征；b.根据上述得到的频谱熵数据特征，从所述频谱熵数据中选择主训练特征集合X'；c.对主训练特征集合X'进行特征重要性排序，得到特征集合S；d.对所述特征集合S进行特征降维，得到最优特征集合Sbest；e.根据最优特征集合Sbest和预测值Y构造线性回归函数，得到预测器；f.对待预测特征向量进行筛选，并将筛选后的待预测特征向量输入所述预测器得到预测结果。具体地，所述频谱熵数据为一个离散向量序列x(n)，所述自相关函数用rxx(τ)表示，具体为：其中，n＝0,1,2,...,N-1。具体地，所述步骤c具体采用最大相关最小冗余方法对主训练特征集合X'进行特征重要性排序。具体地，所述步骤c具体包括：当m＝0时，特征集合S为空集，采用公式：从主训练特征集合X'中选择与预测值Y最相关的特征向量x'1放入特征集合S，其中，I(·)表示互信息函数，j＝1，2，…，24；当m≥1时，采用公式：在主训练特征集合X'中剩余的特征向量中寻找第m+1个特征放入Sm中，其中，X'-Sm表示X'中去除Sm中的特征向量后剩余的特征向量，表示X'中剩余的特征向量xj与Sm中特征向量的冗余度。具体地，所述步骤d具体包括：采用SVR方法构造训练模型，选择预测误差MSEk值最小时对应的特征Tk为最优特征集合Sbest。本专利技术还提供一种频谱熵预测系统，包括分析模块、选择模块、排序模块、降维模块、构造模块及预测模块，其中：所述分析模块用于利用自相关函数分析得到频谱熵数据特征；所述选择模块用于根据上述得到的频谱熵数据特征，从所述频谱熵数据中选择主训练特征集合X'；所述排序模块用于对主训练特征集合X'进行特征重要性排序，得到特征集合S；所述降维模块用于对所述特征集合S进行特征降维，得到最优特征集合Sbest；所述构造模块用于根据最优特征集合Sbest和预测值Y构造线性回归函数，得到预测器；所述预测模块用于对待预测特征向量进行筛选，并将筛选后的待预测特征向量输入所述预测器得到预测结果。具体地，所述频谱熵数据为一个离散向量序列x(n)，所述自相关函数用rxx(τ)表示，具体为：其中，n＝0,1,2,...,N-1。具体地，所述排序模块具体采用最大相关最小冗余方法对主训练特征集合X'进行特征重要性排序。具体地，所述排序模块具体用于：当m＝0时，特征集合S为空集，采用公式：从主训练特征集合X'中选择与预测值Y最相关的特征向量x1放入特征集合S，其中，I(·)表示互信息函数，j＝1，2，…，24；当m≥1时，采用公式：在主训练特征集合X'中剩余的特征向量中寻找第m+1个特征放入Sm中，其中，X'-Sm表示X'中去除Sm中的特征向量后剩余的特征向量，表示X'中剩余的特征向量xj与Sm中特征向量的冗余度。具体地，所述降维模块具体用于：采用SVR方法构造训练模型，选择预测误差MSEk值最小时对应的特征Tk为最优特征集合Sbest。本专利技术利用自相关函数分析得到频谱熵数据特征；根据上述得到的频谱熵数据特征，从所述频谱熵数据中选择主训练特征集合X'；对主训练特征集合X'进行特征重要性排序，得到特征集合S；对所述特征集合S进行特征降维，得到最优特征集合Sbest；根据最优特征集合Sbest和预测值Y构造线性回归函数，得到预测器；对待预测特征向量进行筛选，并将筛选后的待预测特征向量输入所述预测器得到预测结果。因此本专利技术能够预测频谱利用平稳的频段，并具有较高预测准确率。且相对于传统时间序列预测方法，本专利技术增加了特征选择，提高了预测精度。附图说明图1为本专利技术频谱熵预测方法的流程图；图2为利用自相关函数分析随机选择一个信道的自相关图图3为本专利技术频谱熵预测系统的硬件架构图。具体实施方式下面结合附图及具体实施例对本专利技术作进一步详细的说明。参阅图1所示，是本专利技术频谱熵预测方法较佳实施例的作业流程图。步骤S1，利用自相关函数分析得到频谱熵数据特征。其中，所述频谱熵数据为一个离散向量序列x(n)。具体而言：对于上述离散向量序列x(n)，其自相关函数rxx(τ)为：其中，n＝0,1,2,...,N-1。图2是利用自相关函数分析随机选择的950MHz频段一个信道的自相关图。根据频谱熵的自相关图可知，频谱熵具有较强的自相关性，并且发现时间序列每延迟24个时间点，自相关值达到局部最大值。说明频谱熵具有周期相关性，周期为24。步骤S2，根据上述得到的频谱熵数据特征，从所述频谱熵数据中选择主训练特征集合X'。具体包括：设输入样本数据集为Y和X，其中Y为预测值，X为所有的特征向量，X为M维向量X＝{x1,x2,x3,…,xi,…,xM}，其中，每个元素Xi表示一个特征向量，xi∈R,i＝1,2,3,...,M。根据上述频谱熵数据特征的分析可知频谱熵数据的周期为24，因此选择频谱熵数据的前24维数据作为主训练特征集合，预测第25维数据。则主训练特征集合为X'＝{x1,x2,x3,…,x24}。步骤S3，对主训练特征集合X'进行特征重要性排序，得到特征集合S。最大相关最小冗余(minimumRedundancyMaximumRelevance，mRMR)方法可以最大化保留预测特征向量的信息，同时使特征之间的相关性最小化。这样得到的特征可以更好的描述预测特征向量，使得到的预测器具有较好的推广性。因此，本实施例采用mRMR方法对主训练特征集合X'进行特征重要本文档来自技高网...

【技术保护点】
1.一种频谱熵预测方法，其特征在于，该方法包括步骤：a.利用自相关函数分析得到频谱熵数据特征；b.根据上述得到的频谱熵数据特征，从所述频谱熵数据中选择主训练特征集合X'；c.对主训练特征集合X'进行特征重要性排序，得到特征集合S；d.对所述特征集合S进行特征降维，得到最优特征集合Sbest；e.根据最优特征集合Sbest和预测值Y构造线性回归函数，得到预测器；f.对待预测特征向量进行筛选，并将筛选后的待预测特征向量输入所述预测器得到预测结果。

【技术特征摘要】
1.一种频谱熵预测方法，其特征在于，该方法包括步骤：a.利用自相关函数分析得到频谱熵数据特征；b.根据上述得到的频谱熵数据特征，从所述频谱熵数据中选择主训练特征集合X'；c.对主训练特征集合X'进行特征重要性排序，得到特征集合S；d.对所述特征集合S进行特征降维，得到最优特征集合Sbest；e.根据最优特征集合Sbest和预测值Y构造线性回归函数，得到预测器；f.对待预测特征向量进行筛选，并将筛选后的待预测特征向量输入所述预测器得到预测结果。2.如权利要求1所述的方法，其特征在于，所述频谱熵数据为一个离散向量序列x(n)，所述自相关函数用rxx(τ)表示，具体为：其中，n＝0,1,2,...,N-1。3.如权利要求2所述的方法，其特征在于，所述步骤c具体采用最大相关最小冗余方法对主训练特征集合X'进行特征重要性排序。4.如权利要求3所述的方法，其特征在于，所述步骤c具体包括：当m＝0时，特征集合S为空集，采用公式：从主训练特征集合X'中选择与预测值Y最相关的特征向量x'1放入特征集合S，其中，I(·)表示互信息函数，j＝1，2，…，24；当m≥1时，采用公式：在主训练特征集合X'中剩余的特征向量中寻找第m+1个特征放入Sm中，其中，X'-Sm表示X'中去除Sm中的特征向量后剩余的特征向量，表示X'中剩余的特征向量xj与Sm中特征向量的冗余度。5.如权利要求4所述的方法，其特征在于，所述步骤d具体包括：采用支持向量回归方法构造训练模型，选择预测误差MSEk值最小时对应的特征Tk为最优特征集合Sbest。6.一种频谱熵预测系统，其特征在于，该系统包括分析模块、选择模块、排序...

【专利技术属性】
技术研发人员：黄晓霞，常杰，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东,44