一种具备异常数据净化能力的在线频谱预测方法技术

本发明专利技术提出一种具备异常数据净化能力的在线频谱预测方法，用一个F行T列的XT表示频谱数据矩阵，频谱数据矩阵中的每一个矩阵元素表示第f个频段在第t个时隙的频谱状态；频谱数据矩阵每一行元素表示在连续T个时隙内、第f个频段的频谱状态，矩阵每一列元素表示在第t个时隙内、全部F个频段的频谱状态分布；将前T‑1列的全部F个频段的频谱状态视作历史频谱数据，历史数据中包括正常频谱数据、异常频谱数据和缺失频谱数据，然后根据历史频谱数据预测出第T列的全部F个频段的频谱状态。本发明专利技术可以稳健、精确地捕获频谱状态的演化并预测未来频谱状态，同时具有实时处理数据的能力。

An online spectrum prediction method with abnormal data purification capability

The invention provides an online prediction method of spectrum purification ability with anomalous data, said the spectral data matrix using a F T XT column, each matrix element spectrum data matrix representation in the f spectrum band in the state of the T slot; the spectral data matrix each row element represents a spectrum of state in the continuous T slots, f band, F band spectrum distribution of all t at the time, the matrix of each column element; the spectrum state before T 1 columns of all F bands as historical spectrum data, including normal spectrum data, abnormal spectrum data and missing the spectrum data of historical data, and then according to the historical data to predict the spectrum spectrum state of column T all F bands. The method can capture the evolution of the spectrum state accurately and accurately, and predict the spectrum state in the future, and has the capability of processing the data in real time.

【技术实现步骤摘要】
一种具备异常数据净化能力的在线频谱预测方法
本专利技术属于无线通信领域中的认知无线电技术，具体涉及一种具备异常数据净化能力的在线频谱预测方法。
技术介绍
移动网和物联网的飞速发展正在侵占着有限的频谱资源，因此人们迫切需要新的频谱资源来满足这种需要。一般通过频谱数据分析，比如频谱感知和频谱预测，来捕获频谱演化过程中的相关信息。频谱感知主要是确定当前无线电频谱的状态；而频谱预测则通过探索频谱数据之间的相关性和规律性，基于历史数据，预测未来的无线电频谱状态。高效频谱预测的挑战之一就是历史数据观察中数据异常、测量误差及数据丢失的出现。数据异常在实际频谱数据中是很常见的。例如，无线传输过程的开放性和不断智能化的频谱感知可能导致多种多样的数据伪造攻击。频谱测量的不完美性同样不可避免，特别是当低成本频谱传感器被用于收集数据时。数据丢失同样常见，原因有三：测量误差和传输丢包；测量设备能力的局限性；现有的频谱测量算法仅仅测量每一时隙中的部分频谱带。同时，很多网络操作需要完整的、干净的数据。因此，稳健、精确地捕获频谱状态的演化并预测未来频谱状态是极具挑战性的。另一个挑战是频谱预测方法设计中的数据实时处理能力。过期的频谱预测是无用的。现有的研究大多数集中在批处理算法上，这极大地限制了储存、分析实时频谱数据的可扩展性，同时也限制了对非平稳频谱数据演化的追踪能力。将频谱状态数据看作一个矩阵，其行表示频域，列表示时域，那么随着行与列的增加，批处理算法的计算复杂度和时间消耗都在上升。另外，批处理算法假想历史数据是完整的，它捕获的是频谱演化的长期平稳数据，但它平均了相关的短期非平稳变化。
技术实现思路
本专利技术提出一种具备异常数据净化能力的在线频谱预测方法，可以稳健、精确地捕获频谱状态的演化并预测未来频谱状态，同时具有实时处理数据的能力。为了解决上述技术问题，本专利技术提供一种具备异常数据净化能力的在线频谱预测方法，其特征在于，用式(1)所示矩阵表示频谱数据矩阵，式(1)中，集合ΩT为一个包含F×T个元素的集合，其元素为频谱数据矩阵中未缺失的数据，集合ΩT之外的元素为频谱数据矩阵中缺失的数据；为采样算子矩阵，其将频谱数据矩阵中缺失的数据置零；式(1)中，矩阵XT为具有F行T列的频谱数据矩阵，矩阵XT的每一个元素xf,t,f∈{1,...,F},t∈{1,...,T}表示第f个频段在第t个时隙的频谱状态，矩阵XT的每一行元素xf,.:＝[xf,1,xf,2,,...,xf,T],f∈{1,...,F}表示在连续T个时隙内、第f个频段的频谱状态，矩阵XT的每一列x.,t:＝[x1,t,x2,t,...,xF,t]',t∈{1,...,T}表示在第t个时隙内、全部F个频段的频谱状态分布；式(1)中，矩阵ZT大小为F×T，其第f行第t列元素对应信号分量zf,t,f＝1,...,F,t＝1,...,T；矩阵AT大小为F×T，其第f行第t列元素对应异常数据分量af,t,f＝1,...,F,t＝1,...,T；矩阵VT大小为F×T，其第f行第t列元素对应噪声分量vf,t,f＝1,...,F,t＝1,...,T；将矩阵XT的前T-1列的全部F个频段的频谱状态视作历史频谱数据，根据所述历史频谱数据预测第T个时隙全部F个频段的频谱数据。进一步，根据所述历史频谱数据预测第T个时隙全部F个频段频谱数据的方法为：步骤一、初始化：将矩阵XT第T列的F个频段频谱数据置为零，得到频谱数据矩阵在第T个时隙的全部F个频段中随机选取其K个频段，将选取的K个频段在第T个时隙的初始值设为对应频段前T-1个时隙历史频谱数据的平均值，获得矩阵输入参数r，β，其中r是信号分量ZT的秩的上限；β为遗忘因子，且0≤β≤1；输入秩控制参数且输入稀疏控制参数且设置中间变量初始值：Gf[0]＝0r×r，sf＝0r,f＝1,...,F，P[0]随机赋值；步骤二、在线优化：从时隙T＝1开始，每过一个时隙，T增加1，每当有时隙T改变时，执行以下过程：2.1如式(2)所示计算中间变量矩阵D[T]：其中，Ir是一个为常数的单位矩阵；OT是一个对角矩阵，其对角元素的取值为：如果第T个时隙的第f个频段属于初始化时选取的K个频段之一，则该对角矩阵的第f个对角元素为1，否则置为0；P'[T-1]是P[T-1]的转置矩阵；T＝1时矩阵P[T-1]的值由初始化给出；T>1时矩阵P[T-1]的值由后续的计算给出；2.2如式(3)所示计算中间变量矩阵F[T]：其中，矩阵D'[T]是矩阵D[T]的转置矩阵；2.3如式(4)所示计算异常数据分量a[T]：其中，是第T个时隙F个频段的频谱数据初始值，a是优化变量，是稀疏相关控制参数；2.4如式(5)所示计算中间变量q[T]：其中，是采样算子矩阵的第T列元素；如果第T个时隙的第f个频段不在初始化时选取的K个频段范围内，则将对应的元素置零，如果第T个时隙的第f个频率在初始化时选取的K个频率范围内，则对应的元素保持不变；2.5针对各个频段f＝1,...,F，如式(6)、(7)以及(8)依次计算如下三个中间变量：Gf[T]＝βGf[T-1]+ωf,Tq[T]q'[T](6)其中，pf[T]是P[T]第f；，ωf,T为一个符号函数，当第T个时隙的第f个频段的频谱值不为0时，ωf,T＝1，否则，ωf,T＝0；2.6如式(9)所示计算第T个时隙中所有F个频段的频谱状态至此预测出第T个时隙所有F个频段的频谱状态。本专利技术与现有技术相比，其显著优点在于：(1)本专利技术方法综合考虑了信号分量的低秩特性和异常数据分量的稀疏特性，考虑了历史频谱数据可能不完整或有缺失这一客观条件，通过数据净化克消除了频谱数据中存在偏差和异常情况的影响；(2)本专利技术方法通过在线优化克服了传统离线频谱预测方法时延大、预测不及时的局限性，能够在历史频谱数据量不断增大的情况下快速实时预测频谱状态。附图说明图1为本专利技术频谱预测的原理示意图。图2为本发实验性能示意图。具体实施方式容易理解，依据本专利技术的技术方案，在不变更本专利技术的实质精神的情况下，本领域的一般技术人员可以想象出本专利技术具备异常数据净化能力的在线频谱预测方法的多种实施方式。因此，以下具体实施方式和附图仅是对本专利技术的技术方案的示例性说明，而不应当视为本专利技术的全部或者视为对本专利技术技术方案的限制或限定。图1是本专利技术对频谱进行预测的原理示意图。本专利技术中用一个F行T列的频谱数据矩阵XT∈RF×T来表示，其行表示频域，列表示时域。频谱数据矩阵中的每一个矩阵元素xf,t,f∈{1,...,F},t∈{1,...,T}表示第f个频段在第t个时隙的频谱状态。频谱数据矩阵每一行xf,.:＝[xf,1,xf,2,,...,xf,T],f∈{1,...,F}表示在连续T个时隙内、第f个频段的频谱状态，矩阵每一列x.,t:＝[x1,t,x2,t,...,xF,t]',t∈{1,...,T}表示在第t个时隙内、全部F个频段的频谱状态分布。本专利技术将前T-1列的全部F个频段的频谱状态视作历史频谱数据，历史数据中包括正常频谱数据、异常频谱数据和缺失频谱数据，然后根据历史频谱数据准确、高效地预测出第T列的全部F个频段的频谱状态，即根据历史频谱数据预测出第T个时隙全部F个频段的频谱数据。频谱数据模型考本文档来自技高网...

【技术保护点】
一种具备异常数据净化能力的在线频谱预测方法，其特征在于，用式(1)所示矩阵表示频谱数据矩阵，

【技术特征摘要】
1.一种具备异常数据净化能力的在线频谱预测方法，其特征在于，用式(1)所示矩阵表示频谱数据矩阵，式(1)中，集合ΩT为一个包含F×T个元素的集合，其元素为频谱数据矩阵中未缺失的数据，集合ΩT之外的元素为频谱数据矩阵中缺失的数据；为采样算子矩阵，其将频谱数据矩阵中缺失的数据置零；式(1)中，矩阵XT为具有F行T列的频谱数据矩阵，矩阵XT的每一个元素xf,t,f∈{1,...,F},t∈{1,...,T}表示第f个频段在第t个时隙的频谱状态，矩阵XT的每一行元素xf,.:＝[xf,1,xf,2,,...,xf,T],f∈{1,...,F}表示在连续T个时隙内、第f个频段的频谱状态，矩阵XT的每一列x.,t:＝[x1,t,x2,t,...,xF,t]',t∈{1,...,T}表示在第t个时隙内、全部F个频段的频谱状态分布；式(1)中，矩阵ZT大小为F×T，其第f行第t列元素对应信号分量zf,t,f＝1,...,F,t＝1,...,T；矩阵AT大小为F×T，其第f行第t列元素对应异常数据分量af,t,f＝1,...,F,t＝1,...,T；矩阵VT大小为F×T，其第f行第t列元素对应噪声分量vf,t,f＝1,...,F,t＝1,...,T；将矩阵XT的前T-1列的全部F个频段的频谱状态视作历史频谱数据，根据所述历史频谱数据预测第T个时隙全部F个频段的频谱数据。2.如权利要求1所述的在线频谱预测方法，其特征在于，根据所述历史频谱数据预测第T个时隙全部F个频段频谱数据的方法为：步骤一、初始化：将矩阵XT第T列的F个频段频谱数据置为零，得到频谱数据矩阵在第T个时隙的全部F个频段中随机选取其K个频段，将选取的K个频段在第T个时隙的初始值设为对应频段前T-1个时隙历史频谱数据的平均值，获得矩阵输入参数r，β，其中r是信号分量ZT的秩的上限；β为遗忘因子，且0≤β≤1；输入秩控制参数且输入稀疏控制参数且设置中间变量初始值：Gf[0]＝0r×r，sf＝0r,f＝1,...,F，P[0]随机赋值；步骤二、在线优化：从时隙T＝1开始，每过一个时隙，T增加1，每当有时隙T改变时，执行以下过程：2.1如式(2)所示计算中间变量矩阵D[T]：其中...

【专利技术属性】
技术研发人员：丁国如，翟思宇，唐梦云，张静，宋绯，
申请(专利权)人：中国人民解放军理工大学，
类型：发明
国别省市：江苏,32