一种频谱预测方法、系统及电子设备技术方案

本申请属于频谱预测技术领域，特别涉及一种频谱预测方法、系统及电子设备。所述频谱预测方法包括：步骤a：采集原始频谱数据；步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；步骤d：通过所述频谱预测模型输出频谱预测结果。本申请通过调整隐含层节点的数目，选取最优的隐含层节点数，建立最优裁剪极限学习机，最优裁剪极限学习机对隐含层节点的数量进行了有意的控制，避免过拟合的问题，提高了网络的性能，有效的提高了预测速度和准确度。

【技术实现步骤摘要】
一种频谱预测方法、系统及电子设备
本申请属于频谱预测
，特别涉及一种频谱预测方法、系统及电子设备。
技术介绍
随着无线通信的蓬勃发展，无线通信及其应用已经深入到人们生活的各个方面，随之带来的频谱资源日益紧缺问题也日益突出。频谱分配的不合理是造成频谱资源紧缺的重要原因，如果能智能的对频谱资源进行动态分配，则可实现可靠的通信服务并提高频谱的利用率。频谱预测是认知无线电中的关键技术，传统的频谱预测方法包括以下几种：1、时间序列预测：时间序列预测从先前学习观察时间序列预测未来值在一个或多个步骤。传统上，时间序列预测是由线性统计模型实现，包括指数平滑法、自回归移动平均模型集成状态空间和结构模型(例如卡尔曼滤波器)。除了自回归模型的变体，人工神经网络模型已经成为另一个焦点领域由于其非线性和伟大的适应性。例如，GeirhoferS等人在《Cognitiveradiosfordynamicspectrumaccess-dynamicspectrumaccessinthetimedomain:Modelingandexploitingwhite》中提出一种逻辑回归模型来进行预测。同样，ZhaoQ等人在《Decentralizedcognitivemacfordynamicspectrumaccess》中使用线性自回归模型进行预测。2、人工神经网络：人工神经网络是一种模拟人脑神经的网络结构、功能和互联特性，并进行分布式信息处理的智能系统。人工神经网络由大量的隐含层节点相互连接构成，每个隐含层节点代表一种特性的输出函数，同时隐含层节点之间连接信号的加权值，从而网络的输出可依据网络的连接方式，权值和激活函数的不同而不同。人工神经网络在频谱预测中，能够提供快速有效的建模，缩短计算时间，提高工作效率。例如，XuC等人在《Anovelspectrumpredictionalgorithmforcognitiveradiosystembasedonchaoticneutalnetwork》提出一种混沌的前馈神经网络进行频谱预测。同样，KumarPA等人在《Reliableopenspectrumcommunicationsthroughproactivespectrumaccess》使用支持向量机进行频谱预测。3、极限学习机：极限学习机是由黄广斌等人在《Extremelearningmachine:anewlearningschemeoffeedforwardneuralnetworks》中提出的一种新型单层前馈神经网络。其原理是极限学习机的网络输入权值以及隐含层节点的偏置都是随机生成的，只需要设置隐含层节点的数目，再由最小二乘法计算出输出权值，即可得出唯一的最优解。极限学习机相比于传统的神经网络，减少了计算时间，不仅满足了频谱预测的实时性要求，并具有良好的鲁棒性和泛化性，在时间序列预测、模式分类、非线性系统建模、辨识及控制等领域得到了广泛的应用，现在己经渗透到其他工程应用领域。但是，现有的极限学习机算法存在很多缺陷，在经典的极限学习机网络结构中，随机生成的隐含层节点中存在部分无用或者作用很少的隐含层节点，这影响了网络的泛化性和鲁棒性，不能满足在实际应用中的需求。综上所述，现有频谱预测方法存在的缺点包括：在实际应用过程中，现有频谱预测方法预测速度慢，实时性不高，对速度要求较高的场合不适用，同时在预测精度也存在一些问题。例如人工神经网络预测，首先在现实中随着训练样本维数的增加，神经网络性能变差，学习过程和学习率都很难确定。其次，神经网络结构的不确定性，神经网络的隐含隐含层节点数目的选取没有理论指导，如果网络过大造成训练过程效率变动，如果网络过小训练可能不能收敛。再次，学习过程中会导致过拟合，造成神经网络预测误差不小，同时无法确定网络的最优权值，使得网络的泛化能力差。最后，容易陷入局部最小，神经网络一旦产生局部最小点，算法所求出的就不是全局最优解。
技术实现思路
本申请提供了一种频谱预测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。为了解决上述问题，本申请提供了如下技术方案：一种频谱预测方法，包括以下步骤：步骤a：采集原始频谱数据；步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；步骤d：通过所述频谱预测模型输出频谱预测结果。本申请实施例采取的技术方案还包括：所述步骤a还包括：对所述原始频谱数据进行预处理；所述预处理包括：利用机器学习方法推理出合理数据对原始频谱数据中的缺失数据进行填补，并通过去噪方法对原始频谱数据进行去噪处理。本申请实施例采取的技术方案还包括：在所述步骤b中，所述使用极限学习机算法建立单层前馈神经网络具体为：给定S个学习样本其中，d1为输入样本的维数，d2为输出样本的维数，隐含层节点数为L，L≤S，激活函数为g(·)，所述单层前馈神经网络的数学模型为：上述公式中，(wi,bi)为隐含层节点的参数，βi为网络的输出权值，G代表激活函数g(·)，则所述单层前馈神经网络的数学模型变为：Hβ＝T在上述公式中，H为隐含层输出矩阵，T代表期望输出，第i列代表了第i个隐含层节点关于学习样本x1,x2,...,xS的输出：和在上述公式中，为网络的最小二乘解；最小值为：则神经网络的最小二乘解计算公式为：本申请实施例采取的技术方案还包括：在所述步骤c中，所述通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点还包括：采用多响应稀疏回归算法排列单层前馈神经网络的隐含层节点。本申请实施例采取的技术方案还包括：在所述步骤c中，所述通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点具体为：利用逐一抽取法选择最优的隐含层节点，并通过预测平方和统计计算法逐一抽取误差，确定需要剪裁的隐含层节点数目，并裁剪掉无用或作用很小的隐含层节点；所述预测平方和统计计算法为：上述公式中，P＝(HTH-1)-1。本申请实施例采取的技术方案还包括：所述步骤d还包括：通过ARIMA模型对频谱预测模型输出的预测结果进行校正处理，得到最终的频谱预测结果；所述ARIMA模型为：上述公式中，p为自回归项数，q为移动平均项数，aj是自回归参数，为自回归过程的系数，bj是自回归参数，为移动平均过程的系数。本申请实施例采取的另一技术方案为：一种频谱预测系统，包括：数据采集模块：用于采集原始频谱数据；模型构建模块：用于基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络，并通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型，通过所述频谱预测模型输出频谱预测结果。本申请实施例采取的技术方案还包括数据预处理模块，所述数据预处理模块用于对所述原始频谱数据进行预处理；所述预处理包括：利用机器学习方法推理出合理数据对原始频谱数据中的缺失数据进行填补，并通过去噪方法对原始频谱数据进行去噪处理。本申请实施例采取的技术方案还包本文档来自技高网...

【技术保护点】
1.一种频谱预测方法，其特征在于，包括以下步骤：步骤a：采集原始频谱数据；步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；步骤d：通过所述频谱预测模型输出频谱预测结果。

【技术特征摘要】
1.一种频谱预测方法，其特征在于，包括以下步骤：步骤a：采集原始频谱数据；步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；步骤d：通过所述频谱预测模型输出频谱预测结果。2.根据权利要求1所述的频谱预测方法，其特征在于，所述步骤a还包括：对所述原始频谱数据进行预处理；所述预处理包括：利用机器学习方法推理出合理数据对原始频谱数据中的缺失数据进行填补，并通过去噪方法对原始频谱数据进行去噪处理。3.根据权利要求2所述的频谱预测方法，其特征在于，在所述步骤b中，所述使用极限学习机算法建立单层前馈神经网络具体为：给定S个学习样本其中，d1为输入样本的维数，d2为输出样本的维数，隐含层节点数为L，L≤S，激活函数为g(·)，所述单层前馈神经网络的数学模型为：上述公式中，(wi,bi)为隐含层节点的参数，βi为网络的输出权值，G代表激活函数g(·)，则所述单层前馈神经网络的数学模型变为：Hβ＝T在上述公式中，H为隐含层输出矩阵，T代表期望输出，第i列代表了第i个隐含层节点关于学习样本x1,x2,...,xS的输出：和在上述公式中，为网络的最小二乘解；最小值为：则神经网络的最小二乘解计算公式为：4.根据权利要求3所述的频谱预测方法，其特征在于，在所述步骤c中，所述通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点还包括：采用多响应稀疏回归算法排列单层前馈神经网络的隐含层节点。5.根据权利要求4所述的频谱预测方法，其特征在于，在所述步骤c中，所述通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点具体为：利用逐一抽取法选择最优的隐含层节点，并通过预测平方和统计计算法逐一抽取误差，确定需要剪裁的隐含层节点数目，并裁剪掉无用或作用很小的隐含层节点；所述预测平方和统计计算法为：上述公式中，P＝(HTH-1)-1。6.根据权利要求1所述的频谱预测方法，其特征在于，所述步骤d还包括：通过ARIMA模型对频谱预测模型输出的预测结果进行校正处理，得到最终的频谱预测结果；所述ARIMA模型为：上述公式中，p为自回归项数，q为移动平均项数，aj是自回归参数，为自回归过程的系数，bj是自回归参数，为移动平均过程的系数。7.一种频谱预测系统，其特征在于，包括：数据采集模块：用于采集原始频谱数据；模型构建模块：用于基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络，并通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的...

【专利技术属性】
技术研发人员：王珊珊，黄晓霞，
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