一种基于Bagging的认知无线电网络频谱的预测方法技术

本发明专利技术公开了一种基于Bagging的认知无线电网络频谱的预测方法，包括如下步骤：步骤1：收集CRN中主用户信道的状态数据；并将该预处理后的状态数据作为T个基学习器的输入数据，分别对该T个基学习器进行训练；步骤2：运用结合策略将该T个基学习器结合形成频谱预测模型；步骤3：通过该频谱预测模型对CRN中主用户信道进行频谱预测。本发明专利技术基于Bagging的基于Bagging的认知无线电网络频谱的预测方法通过结合不同的基学习器来加强预测的稳定性以及预测能力，不仅提高了学习效果，而且能够增强模型的泛化能力，进而提高频谱预测的准确率，从而提高频谱的利用率。

【技术实现步骤摘要】
一种基于Bagging的认知无线电网络频谱的预测方法
本专利技术属于无线网络
，尤其涉及一种基于Bagging的认知无线电网络频谱的预测方法。
技术介绍
无线通信技术的迅猛发展，激发了越来越多的无线网络业务，而频谱作为无线网络中最宝贵的资源，已经难以满足目前及将来的无线业务需求。为了解决传统固定频谱分配方案造成的资源利用率不高的问题，认知无线电(CognitiveRadio，简称CR)技术作为一种智能的频谱共享技术受到国内外学者的广泛关注，CR技术依靠人工智能技术的支持，动态检测和利用频谱空洞，从根本上解决了频谱利用率低而造成的频谱资源浪费的问题。CR技术的认知无线电网络(CognitiveRadioNetwork，简称CRN)中，为了充分降低次用户(SecondaryUser，简称SU)对主用户(PrimaryUser，简称PU)的干扰，SU需要准确地感知PU的频谱状态，而频谱感知会受到硬件、感知信号强度、感知时间以及感知精度等诸多因素的影响，这些因素会造成由于频谱转移不及时而产生的频谱干扰问题，另外，频谱感知能耗较大，会造成许多不必要的资源浪费。因此，频谱预测作为解决频谱感知问题的关键成为当前的研究热点。高效的频谱预测可以通过其预测能力快速掌握频谱的使用状态，从而有效的避免不必要的频谱感知过程，进而指导频谱感知的行为，改善网络性能，提高频谱的利用率。但是，传统的频谱预测方法普遍存在预测准确率不高等问题。
技术实现思路
基于此，本专利技术的目的在于，提供一种基于Bagging的认知无线电网络频谱的预测方法，稳定性强、预测能力好，可提高频谱预测的准确率的优点。一种基于Bagging的认知无线电网络频谱的预测方法，包括如下步骤：步骤1：收集CRN中主用户信道的状态数据；步骤2：对CRN中主用户信道状态数据进行预处理，并将该预处理后的状态数据作为T个基学习器的输入数据，分别对该T个基学习器进行训练；步骤3：运用结合策略将该T个基学习器结合形成频谱预测模型；步骤4：通过该频谱预测模型对CRN中主用户信道进行频谱预测。相比于现有技术，本专利技术通过结合不同的基学习器来加强预测的稳定性以及预测能力，不仅提高了学习效果，而且能够增强模型的泛化能力，进而提高频谱预测的准确率，从而提高频谱的利用率。进一步地，在步骤2中，T个基学习器均采用BP神经网络结构，该BP神经网络结构包括一层输入层、两层隐含层和一层输出层，从输入层输入的信号通过两层隐含层逐层处理后作用于输出层，经过输出层的非线性变换后，产生输出信号；BP神经网络结构的训练参数设计为：输入层的节点个数设置为4，第一层隐含层的节点个数为15，第二层隐含层的节点个数为20，输出层有1个输出神经元；权值的范围为[-1，1]，偏置的范围为[0，1]。本专利技术提供的该RBF神经网络结构结构简单，收敛速度快，实时性强，可以充分地适应网络的变化，提高网络的自适应性进一步地，在步骤2中，每个基学习器的训练过程包括如下步骤：步骤21：用预处理后的状态数据作为基学习器的输入数据，获取基学习器实际的输出数据；步骤22：根据基学习器的实际输出数据和期望输出数据，获取基学习器的输出误差；步骤23：判断输出误差是否小于预设值或者训练次数是否超过预设次数，若是，则结束训练；否则，将获取的输出误差按原来的连接通路反向反馈，并修改权值和偏置，回到步骤21。通过不断地迭代修改基学习器的参数结构，以获得最优的基学习器，进而提高预测的准确性。进一步地，在步骤21中，基学习器的输出数据计算方法如下：其中，表示第l层第j个节点单元的输入值，表示第l层第j个节点单元的输出值，wij∈[-1,1]为相邻层之间的节点单元连接的权重，为第l层第j个节点单元的阀值；在步骤22中，所述输出误差的计算方法如下：对于第t个时刻长度为τ的目标输入样本，对应一个目标输出值为xt+τ。输出层的节点单元输出值表示为它是目标输出值xt+τ的预测值。通过基学习器，进而准确预测认知无线电网络的频谱。进一步地，在步骤23中，根据如下方法修改权值和偏置：wt＝wt-1+Δwtθt＝θt-1+Δθt其中，wt表示在第t个时刻的权值θt表示在第t个时刻的阈值η表示学习速率，设置为0.2，β表示动量因子，设置为0.9。通过迭代修改权值和偏置，进而获取最优的基学习器，提高预测的准确性。进一步地，在步骤3中，通过将T个基学习器的预测结果取平均值来得到最终的预测结果。通过结合不同的基学习器的平均值来作为最终的预测结果，可加强预测的稳定性以及预测能力，提高学习效果。进一步地，在步骤2中，对CRN中主用户信道状态数据进行预处理包括：从CRN中主用户信道状态数据中有放回的进行抽样选择得到T个新的数据集，该T个新的数据集即分别作为T个基学习器的输入数据。通过有放回的抽样对数据进行预处理，能够增强模型的泛化能力，提高频谱的利用率。相比于现有技术，本专利技术通过结合不同的基学习器来加强预测的稳定性以及预测能力，不仅提高了学习效果，而且能够增强模型的泛化能力，进而提高频谱预测的准确率，从而提高频谱的利用率。附图说明图1是本专利技术基于Bagging的认知无线电网络频谱的预测方法的流程图；图2是本专利技术基于Bagging的认知无线电网络频谱的预测方法的原理框图；图3是本专利技术实施例中基学习器的训练流程图；图4是基学习器正向传播的过程示意图；图5是基学习器逆向反馈的过程示意图；图6是本专利技术频谱预测训练与基于BP神经网络的频谱预测训练均方误差曲线对比图；图7是本专利技术频谱预测训练与基于BP神经网络的频谱预测训练预测结果的误差对比图；图8是预测结果误差对比本专利技术频谱预测训练与基于BP神经网络的频谱预测训练预测结果的均方误差的平均值对比图。具体实施方式本专利技术提供了一种基于Bagging的认知无线电网络频谱的预测方法，具体包括如下步骤：请同时参阅图1和图2，图1是本专利技术基于Bagging的认知无线电网络频谱的预测方法的流程图；图2是本专利技术基于Bagging的认知无线电网络频谱的预测方法的原理框图。步骤1：收集CRN中主用户信道的状态数据。在一个实施例中，本专利技术使用M/Geo/1的排队模型来对信道状态数据进行仿真模拟。研究表明，M/Geo/1的排队模型可以较好地模拟真实的网络信道状态，本专利技术使用该模型产生连续的31000个时隙所对应的信道状态数据作为先验数据，其中前1000条数据作为网络的训练数据，后面30000条数据作为集成模型的验证数据。步骤2：对CRN中主用户信道状态数据进行预处理，并将该预处理后的状态数据作为预设的T个基学习器的输入数据，分别对该T个基学习器进行训练。在集成学习过程中，基学习器的数目对于最终模型的集成效果具有重要的影响，本专利技术设定最佳的基学习器数量T为5个。本专利技术的T个基学习器均采用BP(backpropagation)神经网络，该BP神经网络结构包括一层输入层、两层隐含层和一层输出层，从输入层输入的信号通过两层隐含层逐层处理后作用于输出层，经过输出层的非线性变换后，产生输出信号；BP神经网络的训练参数设计为：输入层的节点个数设置为4，第一层隐含层的节点个数为15，第二层隐含层的节点个数为20，输出层有1个输出神经元；权值的范围为[-1，1]，偏置的范围为[0，1]本文档来自技高网...

【技术保护点】
一种基于Bagging的认知无线电网络频谱的预测方法，其特征在于：包括如下步骤：步骤1：收集CRN中主用户信道的状态数据；步骤2：对CRN中主用户信道状态数据进行预处理，并将该预处理后的状态数据作为预设的T个基学习器的输入数据，分别对该T个基学习器进行训练；步骤3：运用结合策略将该T个基学习器结合形成频谱预测模型；步骤4：通过该频谱预测模型对CRN中主用户信道的状态数据进行频谱预测。

【技术特征摘要】
1.一种基于Bagging的认知无线电网络频谱的预测方法，其特征在于：包括如下步骤：步骤1：收集CRN中主用户信道的状态数据；步骤2：对CRN中主用户信道状态数据进行预处理，并将该预处理后的状态数据作为预设的T个基学习器的输入数据，分别对该T个基学习器进行训练；步骤3：运用结合策略将该T个基学习器结合形成频谱预测模型；步骤4：通过该频谱预测模型对CRN中主用户信道的状态数据进行频谱预测。2.根据权利要求1所述的基于Bagging的认知无线电网络频谱的预测方法，其特征在于：在步骤2中，T个基学习器均采用BP神经网络结构，该BP神经网络结构包括一层输入层、两层隐含层和一层输出层，从输入层输入的信号通过两层隐含层逐层处理后作用于输出层，经过输出层的非线性变换后，产生输出信号；BP神经网络结构的训练参数设计为：输入层的节点个数设置为4，第一层隐含层的节点个数为15，第二层隐含层的节点个数为20，输出层有1个输出神经元；权值的范围为[-1，1]，偏置的范围为[0，1]。3.根据权利要求2所述的基于Bagging的认知无线电网络频谱的预测方法，其特征在于：在步骤2中，每个基学习器的训练过程包括如下步骤：步骤21：用预处理后的状态数据作为基学习器的输入数据，获取基学习器实际的输出数据；步骤22：根据基学习器的实际输出数据和期望输出数据，获取基学习器的输出误差；步骤23：判断输出误差是否小于预设值或者训练次数是否超过预设次数，若是，则结束训练；否则，将获取的输出误差按原来的连接通路反向反馈，并修改权值和偏置，回到步骤21。4.根据权利要求3所述的基于Bagging的认知无线电网络频谱的预测方法，其特征在于：在步骤21中，基学习器的输出数据计算方法如下：

【专利技术属性】
技术研发人员：曾碧卿，胡翩翩，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44