一种无线通信空闲频段混合预测方法和系统技术方案

本发明专利技术属于无线通信技术领域，具体涉及一种无线通信空闲频段混合预测方法，包括步骤：S1、利用自相关函数对频谱熵数据进行特征分析，获得嵌入维度；S2、基于ARIMA构造线性序列模型，运行线性序列模型得到线性预测值，根据线性预测值计算得到残差值；S3、基于SVR方法并根据嵌入维度和残差值构造非线性序列模型，运行非线性序列模型得到非线性预测值；S4、获取最终预测值，所述最终预测值为线性预测值和非线性预测值之和；本发明专利技术通过采用基于ARIMA构造的线性序列模型和基于SVR方法并根据嵌入维度和残差值构造的非线性序列模型，将两种预测方式结合预测相对于单一预测模型，更能准确的捕获频谱熵数据模式，实现准确预测。

【技术实现步骤摘要】
一种无线通信空闲频段混合预测方法和系统
本专利技术属于无线通信
，具体涉及一种无线通信空闲频段混合预测方法和系统。
技术介绍
无线通信业务的迅猛发展，使得对频谱资源的需求日益强烈。然而，现有频谱采用固定频谱分配方式，导致频谱资源分配不平衡、利用率低下。认知无线电作为一种可以有效提高频谱利用率的技术，近年来受到了广泛关注。在认知无线电网络中，非授权用户利用授权用户的空闲频段进行通信，从而提高频谱利用率。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。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，一个适合非授权用户通信的频段不仅需要是空闲的，还需要在较长时间内空闲，即要求频段的频谱利用情况较为平稳，不会在空闲和忙碌间急剧变化。因此，采用频谱熵衡量频谱利用的平稳程度。现有技术1：差分自回归移动平均方法差分自回归移动平均(autoregressiveintegratedmovingaveragemodel，ARIMA)方法是最常用的线性时间序列预测方法之一，对线性时间序列预测可得到较好的预测效果。ARIMA是将非平稳时间序列转换为平稳时间序列，然后预测值是关于它的滞后值以及随机误差项和滞后值的线性组合，如式(1)所示。其中，L＝Xt-Xt-1,L表示为滞后算子；αi、p是自回归项的系数及个数；θj、q是滑动平均误差项的系数及个数；d是使序列成为平稳序列所做的差分次数，εt是白噪声N(0,σ2)。现有技术2：支持向量回归方法支持向量回归(supportvectorregression,SVR)是基于结构风险最小化准则实现，在处理小样本、非线性、高维数据时，克服了过拟合、易陷入局部最优值等缺陷，是实现非线性时间序列预测最常用的一种预测方法。SVR通过非线性映射函数φ(·)将数据X映射到高维特征空间，使得输入空间的非线性函数估计问题转化为高维特征空间的线性函数的估计问题。即：f(x)＝wTφ(x)+b，其中b为偏置量，w为权向量。为了估计w、b引入了损失值ε，惩罚参数C，松弛变量ξ和ξ*，得到优化目标：这是一个凸二次规划问题，引入拉格朗日因子α并利用拉格朗日对偶性可较容易求解w、b，则：其中，K(xi,x)是核函数。是高斯核函数，对应的特征空间是无穷维的，有限样本在该特征空间下可构造线性函数。因此本文选用高斯核。现有技术3：频谱熵方法申请号为201410855545的专利技术专利《一种频谱利用率的处理方法及装置》已经分析了采用频谱熵衡量频谱利用平稳程度的方法。现有技术采用单一预测方法实现频谱预测。但频谱数据复杂，单一预测模型无法捕获频谱数据模式。因此采用单一预测模型得到的预测结果不准确。而在实际环境中，频谱数据较为复杂，采用单一预测模型很难捕获到频谱熵数据模式。
技术实现思路
针对以上问题，本专利技术旨在提供一种无线通信空闲频段混合预测方法和系统。为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种无线通信空闲频段混合预测方法，包括如下步骤：S1、利用自相关函数对频谱熵数据进行特征分析，获得嵌入维度；S2、基于ARIMA构造线性序列模型，运行线性序列模型得到线性预测值，根据线性预测值计算得到残差值；S3、基于SVR方法并根据嵌入维度和残差值构造非线性序列模型，运行非线性序列模型得到非线性预测值；S4、获取最终预测值，所述最终预测值为线性预测值和非线性预测值之和。本专利技术采用的另一个技术方案是：一种无线通信空闲频段混合预测系统，其特征在于，包括：特征分析模块，所述特征分析模块利用自相关函数对频谱熵数据进行特征分析，获得嵌入维度；线性预测模块，所述线性预测模块包括基于ARIMA构造的线性序列模型，运行所述线性序列模型得到线性预测值，根据线性预测值计算得到残差值；非线性预测模块，所述非线性预测模块包括基于SVR方法并根据嵌入维度和残差值构造的非线性序列模型，运行非线性序列模型得到非线性预测值；最终预测模块，所述最终预测模块将线性预测值和非线性预测值相加得到最终预测值。本专利技术一种无线通信空闲频段混合预测方法和系统，通过采用基于ARIMA构造的线性序列模型和基于SVR方法并根据嵌入维度和残差值构造的非线性序列模型，将两种预测方式结合预测相对于单一预测模型，更能准确的捕获频谱熵数据模式，实现准确预测。附图说明图1是950MHz频段信道的自相关示意图；图2是序列X的分布示意图；图3是本专利技术一种无线通信空闲频段混合预测方法流程示意框图。具体实施方式以下结合图1至图3具体说明本专利技术提供的一种陆空两用机器人侦查系统。本专利技术提供一种无线通信空闲频段混合预测方法，如图3所示，包括如下步骤：S1、利用自相关函数对频谱熵数据进行特征分析，获得嵌入维度；利用自相关函数分析频谱熵数据特征；对于一个离散向量序列x(n)，其自相关函数rxx(τ)为：其中，n＝0,1,2,...,N-1。进一步的，根据对预设频段信道的自相关函数进行分析，确定频谱熵的周期相关性，并将周期数作为所述嵌入维度。具体的，如图1所示，为了便于说明，本专利技术随机选择的950MHz频段的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。因此，本专利技术设置预测模型中数据的嵌入维度是24。S2、基于ARIMA构造线性序列模型，运行线性序列模型得到线性预测值，根据线性预测值计算得到残差值；具体为：采用ARIMA方法对频谱熵数据的线性部分进行预测；其中ARIMA预测模型及相应的预测值为：其中t∈(1,2,…,n)；模型阶数p,q,d通过AIC准则确定，αi，θj，εt根据最小二乘法估计确定；其中AIC准则、最小二乘法估计参数是ARIMA方法中常见的方法，其细节不是本专利技术保护范围，在此不作进一步解释。设频谱熵序列为H＝(h1,h2,…,hn)，残差值为E；包括线性部分L和非线性部分N，且H＝L+N；则而经ARIMA预测后得到的频谱熵序列为S3、基于SVR方法并根据嵌入维度和残差值构造非线性序列模型，运行非线性序列模型得到非线性预测值；具体为：设置输入序列为X＝(X1,X2,…,Xn-25)，预测值为Y＝(e25,e26,…,en)，其中X1＝(e1,e2,…,e24)，X的具体分布如图2所示，残差数据中包含频谱熵数据的非线性部分；采用SVR方法对残差数据进行预测；预测模型及预测值其中b是偏差，n是支持向量机的个数，损失值为γ，松弛变量为ξ，β是拉格朗日因子，t∈(24,25,…,n)。S4、获取最终预测值，所述最终预测值为线性预测值和非线性预测值之和。所述最终的预测值Zt为：其中t∈(24,25,…,n)。本专利技术采用的另一个技术方案是：一种无线通信空闲频段混合预测系统，包括：特征分析模块，所述特征分析模块利用自相关函数对频谱熵数据进行特征分析，获得嵌入维度；对于一个离散向量序列x(n)，其自相关函数rxx(τ)为：其中，n＝0,1,2,...,N-1。根据对预设频段信道的自相关函数进行分析，确定频谱熵的周期相关性，并将周期数作为所述嵌入维度。线性预测模块，所述线性预测模块包括基于ARIMA构造的线性本文档来自技高网...

【技术保护点】
1.一种无线通信空闲频段混合预测方法，其特征在于，包括如下步骤：S1、利用自相关函数对频谱熵数据进行特征分析，获得嵌入维度；S2、基于ARIMA构造线性序列模型，运行线性序列模型得到线性预测值，根据线性预测值计算得到残差值；S3、基于SVR方法并根据嵌入维度和残差值构造非线性序列模型，运行非线性序列模型得到非线性预测值；S4、获取最终预测值，所述最终预测值为线性预测值和非线性预测值之和。

【技术特征摘要】
1.一种无线通信空闲频段混合预测方法，其特征在于，包括如下步骤：S1、利用自相关函数对频谱熵数据进行特征分析，获得嵌入维度；S2、基于ARIMA构造线性序列模型，运行线性序列模型得到线性预测值，根据线性预测值计算得到残差值；S3、基于SVR方法并根据嵌入维度和残差值构造非线性序列模型，运行非线性序列模型得到非线性预测值；S4、获取最终预测值，所述最终预测值为线性预测值和非线性预测值之和。2.如权利要求1所述的无线通信空闲频段混合预测方法，其特征在于，对于一个离散向量序列x(n)，其自相关函数rxx(τ)为：其中，n＝0,1,2,...,N-1。3.如权利要求2所述的无线通信空闲频段混合预测方法，其特征在于，根据对预测频段信道的自相关函数进行分析，确定频谱熵的周期相关性，并将周期数作为所述嵌入维度。4.如权利要求1所述的无线通信空闲频段混合预测方法，其特征在于，所述步骤S2、具体为：采用ARIMA方法对频谱熵数据的线性部分进行预测；其中ARIMA预测模型及相应的预测值为：其中t∈(1,2,…,n)；模型阶数p,q,d通过AIC准则确定，αi，θj，εt根据最小二乘法估计确定；设频谱熵序列为H＝(h1,h2,…,hn)，残差值为E；包括线性部分L和非线性部分N，且H＝L+N；则而经ARIMA预测后得到的频谱熵序列为5.如权利要求4所述的无线通信空闲频段混合预测方法，其特征在于，所述步骤S3、具体为：设置输入序列为X＝(X1,X2,…,Xn-25)，预测值为Y＝(e25,e26,…,en)，其中X1＝(e1,e2,…,e24)，采用SVR方法对残差数据进行预测；预测模型及预测值其中b是偏差，n是支持向量机的个数，损失值为γ，松弛变量为ξ，β是拉格朗日因子，t∈(24,25,…,n)。6.如权利要求1-5任意一项所述的无线通信空闲频段混合预测方法，其特征在于，所述最终的预测值Zt为：其中t∈(24,25...

【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