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