ISM频段中基于时频二维LMBP神经网络的频谱预测方法技术

本发明专利技术请求保护一种ISM(2.4GHz)频段中基于时频二维LMBP神经网络的频谱预测方法，包括：ISM频段相关性的计算，通过对ISM频段的实测、量化和相关性分析得到ISM频段时域和频域的相关性；第二步：基于ISM频段时频相关性，构建时频二维LMBP神经网络来实现ISM频段的预测；第三步：以实测数据作为神经网络的时频输入向量和目标向量，以牛顿法学习规则实现时频二维LMBP神经网络的迭代训练，得到由神经网络节点间权值w和阈值b构成的参数向量u的最优解；第四步：以训练完成的二维LMBP神经网络来实现ISM频段的频谱预测。计算ISM频段时频相关性的基础上，通过时频二维LMBP神经网络实现ISM频段的频谱预测，该方法同时域LMBP神经网络和Markov算法相比具有预测精度高，训练收敛时间短的优点。

【技术实现步骤摘要】

本专利技术属于涉及认知无线电频谱预测领域，具体是ISM频段中基于时频二维LMBP神经网络的频谱预测方法。
技术介绍
物联网产业的快速发展导致工作在ISM(2.4GHz)频段的物联网设备日渐增加，该频段的同频干扰问题日趋严重，考虑到ISM频段为非授权频段，小功率网络(例如ZigBee)极易被类似WLAN这类强功率设备的干扰所湮没，造成节点间的数据丢帧，甚至整个网络的瘫痪。通过频谱预测算法来预先获知频段的占用信息是解决ISM频段设备间兼容共存问题的一种有效途径。自Kumar Acharya PA,Singh S,Zheng H的文献“Reliable Open Spectrum Communications through Proactive Spectrum”(PROCEEDINGS OF FIRST INTERNATIONAL WORKSHOP ON TECHNOLOGY AND POLICY FOR ACCESSING SPECTRUM,AUGUST,2006)首次提出将预测机制应用到推演时域频谱空穴的出现时刻和持续时间后，各类预测算法现已在频谱预测中得到广泛的应用。现有技术中公开了Sixing Yin,Dawei Chen,Qian Zhang,Mingyan Liu和Shufang Li的文献“Mining spectrum usage data:a large-scale spectrum measurement study”(IEEE TRANSACTIONS ON MOBILE COMPUTING,VOL.11,NO.6,JUNE 2012)，该文章提出了一种详细的频谱数据测量方法，对20MHz—3GHz频段的信道空闲数据、每种单独无线服务的信道利用率和信道的时频相关性进行了统计分析，并以此提出了基于频谱相关性的2D frequent pattern mining算法来实现信道可用性的预测,但该算法从频谱占用规律中挖掘出预测规则的最低训练时长为2小时，否则难以保证算法的预测精度和漏检率，该算法对于最低训练时长的限制不符合ISM频段信道时变性较大的特点。现有技术中公开了陈斌华的文献“认知无线电系统中的频谱预测算法研究” (硕士学位论文.北京邮电大学,2011)，该文章基于GSM频段的时域相关特性，分别采用一阶Markov链和时域LMBP神经网络来实现GSM900、GSM1800频段的频谱预测，并通过建立一个多信道关联的频谱模型，来实现多信道的联合频谱预测，但该方法仅考虑了GSM频段时隙相关性对于频谱预测的可用价值，并未对频段的频域相关特性进行验证，且采用一阶Markov链和时域LMBP神经网络来实现ISM频段的频谱预测，算法的训练收敛时间和预测精度难以达到较为理想的均衡。由相关研究可知，频谱预测算法的基本方法为基于具体频段的频谱实测数据，获知具体频段的频谱相关特性，从频谱占用规律中挖掘出可行的预测规则，以此提出对现有预测算法的改进。本专利技术基于实测数据得到ISM频段的时频相关特性，提出一种时频二维LMBP神经网络，通过时频输入向量的并行训练来实现ISM频段的频谱预测。
技术实现思路
针对以上现有的不足，提出了一种方法。本专利技术的技术方案如下：一种ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其包括步骤：步骤1：收集ISM频段实测数据，计算ISM频段时域和频域之间的时频相关性；步骤2：基于ISM频段的时频相关性，构建二维预测矩阵，在第一层网络中以并行的方式实现时域和频域的共同训练，得到第一层网络输出向量Y1t,Y2t，将第一层网络输出向量Y1t,Y2t作为第二层网络的输入向量，得到最终的预测值Yt，即构建时频二维LMBP神经网络实现ISM频段的频谱预测；步骤3：利用步骤1中得到的ISM频段的实测数据作为训练序列，通过调整公式，以误差函数为条件，完成时频二维LMBP神经网络的迭代训练，得到参数向量u的最优解，以此得到神经网络的权值向量w和阈值向量b；步骤4：构建时域和频域输入向量矩阵Xt，Xf：将Xt，Xf通过步骤2构建的时频二维LMBP神经网络，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，Ym即为CSI(tm,cm) 的预测值，完成频谱预测。进一步的，所述步骤1和步骤2的时域X1＝[CSI(t-1,c),CSI(t-2,c),...,CSI(t-Δt,c)]T和频域X2＝[CSI(t,c±1),CSI(t,c±2),...,CSI(t,c±Δf)]T，所示CSI(t-Δt,c)表示时刻(t-Δt)信道c的信道状态信息，CSI(t,c±Δf)表示时刻t信道(c±Δf)的信道状态信息。进一步的，所述步骤3的调整公式为：调整公式uk+1表示下一步迭代得到的参数向量，uk表示当前迭代的参数向量，J(uk)表示e(uk)的Jacobian矩阵，表示微增量单位矩阵，e(uk)表示误差向量，调整公式以误差函数F(u)≤ε为条件，ε表示预设的目标误差。进一步的，在步骤1中，在收集ISM频段频谱实测数据后，该频段时域的相关性R(Δt)，频域的相关性R(Δf)的计算如下：其中,CSI(t,c)的量化公式为：和CSI(t,c)分别表示时刻t下信道c的实测功率值和信道状态信息；两个0-1序列的相关度定义如下： 该式常用于评估两个二进制序列的相关性，其中I(A)为判别函数，如A值为真，则I(A)＝1，否则I(A)＝0，由R(Δt)，R(Δf)的相关性曲线得到ISM频段邻近时隙和邻近频点间的相关性。进一步的，在步骤2中，将频域预测点加入神经网络输入向量中，构建二维 预测矩阵，在第一层网络中以并行的方式实现时域X1＝[CSI(t-1,c),CSI(t-2,c),...,CSI(t-Δt,c)]T和频域X2＝[CSI(t,c±1),CSI(t,c±2),...,CSI(t,c±Δf)]T的共同训练，得到输出向量Y1t,Y2t，将Y1t,Y2t作为第二层网络的输入向量，得到最终的预测值Yt，以时域和频域结合的方法构建时频二维LMBP神经网络来实现ISM频段的频谱预测。进一步的，步骤3具体为：，将ISM频段的实测数据作为训练序列输入时频二维LMBP神经网络中，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，并与目标向量构成误差函数：其中，u是由神经网络权值w和阀值b组成的参数向量：参数向量u的牛顿法学习规则：其中为Hessian矩阵的逆矩阵；gk为F(u)的梯度，J(u)为e(u)的雅克比矩阵：进一步的，在步骤4具体为：以ISM频段实测数据来构建时域和频域输入向量矩阵Xt，Xf：将Xt，Xf作为神经网络输入向量，通过权值向量w和阈值向量b已达到最优值的时频二维LMBP神经网络，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，Ym即为CSI(tm,cm)的预测值。本专利技术的优点及有益效果如下：本专利技术采用了基于ISM频段的时频相关特性，构建一种时频二维LMBP神经网络，将频域参数加入输入向量中，构建二维预测矩阵，基于邻频点(Δf＝1、Δf＝2)的高度相关性，以相关性更强的频域输入向量来取代部分时域输入向量，在保证预测精度的基础上，减少神经网络迭代训练的计算复杂度，进而缩短网络的训练收敛时间，因此本发本文档来自技高网...

【技术保护点】
一种ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，包括步骤：步骤1：收集ISM频段实测数据，计算ISM频段时域和频域间的时频相关性；步骤2：基于ISM频段的时频相关性，构建二维预测矩阵，在第一层网络中以并行的方式实现时域和频域的共同训练，得到第一层网络的输出向量Y1t,Y2t，将第一层网络的输出向量Y1t,Y2t作为第二层网络的输入向量，得到最终的预测值Yt，即构建时频二维LMBP神经网络实现ISM频段的频谱预测；步骤3：利用步骤1中得到的ISM频段的实测数据作为训练序列，通过调整公式，以误差函数为条件，完成时频二维LMBP神经网络的迭代训练，得到参数向量u的最优解，以此得到神经网络的权值向量w和阈值向量b；步骤4：构建时域和频域输入向量矩阵Xt,Xf：将Xt,Xf通过步骤2构建的时频二维LMBP神经网络，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，Ym即为CSI(tm,cm)的预测值，完成频谱预测。

【技术特征摘要】
1.一种ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，包括步骤：步骤1：收集ISM频段实测数据，计算ISM频段时域和频域间的时频相关性；步骤2：基于ISM频段的时频相关性，构建二维预测矩阵，在第一层网络中以并行的方式实现时域和频域的共同训练，得到第一层网络的输出向量Y1t,Y2t，将第一层网络的输出向量Y1t,Y2t作为第二层网络的输入向量，得到最终的预测值Yt，即构建时频二维LMBP神经网络实现ISM频段的频谱预测；步骤3：利用步骤1中得到的ISM频段的实测数据作为训练序列，通过调整公式，以误差函数为条件，完成时频二维LMBP神经网络的迭代训练，得到参数向量u的最优解，以此得到神经网络的权值向量w和阈值向量b；步骤4：构建时域和频域输入向量矩阵Xt,Xf：将Xt,Xf通过步骤2构建的时频二维LMBP神经网络，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，Ym即为CSI(tm,cm)的预测值，完成频谱预测。2.根据权利要求1所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，所述步骤1和步骤2的时域X1＝[CSI(t-1,c),CSI(t-2,c),...,CSI(t-Δt,c)]T和频域X2＝[CSI(t,c±1),CSI(t,c±2),...,CSI(t,c±Δf)]T，所示CSI(t-Δt,c)表示时刻(t-Δt)信道c的信道状态信息，CSI(t,c±Δf)表示时刻t信道(c±Δf)的信道状态信息。3.根据权利要求1或2所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，所述步骤3的调整公式为：调整公式uk+1表示下一步迭代得到的参数向量，uk表示当前迭代的参数向量，J(uk)表示e(uk)的Jacobian矩阵，表示微增量单位矩阵，e(uk)表示误差向量，调整公式以误差函数F(u)≤ε为条件，ε表示预设的目标误差。4.根据权利要求3所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，在步骤1中，在收集ISM频段频谱实测数据后，该频段时域的相关性R(Δt)，频域的相关性R(Δf)的计算如下：其中,CSI(t,c)的量化公式为：R(t,c)和CSI(t,c)分别表示时刻t下信道c的实测功率值和信道状态信息；两个0-1序列的相关度定义如下：该式常用于评估两个二进制序列的相关性，其中I(A)为判别函数，如A值为真，则I(A)＝1，否则I(A)＝0，由R(Δt)，R(Δf)的相关性曲线得到ISM频段邻近时隙和邻近频点间的相关性。5.根据权利要求4所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，在步骤2中，将频域预测点加入神经网络输入向量中，构建二维预测矩阵，在第一层网络中以并行的方式实现时域X1＝[CSI(t-1,c),CSI(t-2,c),...,CSI(t-Δt,c)]T和频域X2＝[CSI(t,c±1),CSI(t,c±2),...,CSI(t,c±Δf)]T的共同训练，得到输出向量Y1t,Y2t，将Y1t,...

【专利技术属性】
技术研发人员：胡盼，万晓榆，王正强，樊自甫，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50