【技术实现步骤摘要】
基于深度迁移学习的跨频段频谱预测方法
本专利技术属于无线通信
，具体地说，是一种基于深度迁移学习的长短期记忆模型的跨频段单频点频谱预测方法。
技术介绍
近年来，伴随着软件定义无线电以及认知无线电的发展，动态频谱接入也得到了越来越多人的关注。随着频谱资源越来越稀缺，为了能够结合当前各个频段的使用情况，灵活地使用未被充分使用的频段，需要对各个信道的频谱进行预测分析。当前，对于信道中的频谱预测，已经提出许多的模型从不同的维度对信道中的频谱数据进行预测。在时域维度对频谱进行预测中，即对频谱预测可转换为时间序列的预测问题。早年的研究中，使用的多是线性预测模型。对未来的值的预测通过历史的数据的线性变换得到。且由于这些线性模型较为简单在频谱预测的很多方面均得到了较好的运用。随着深度神经网络的发展，将深度神经网络用于频谱预测的工作也取得了很大的进步，深度神经网络是当前应用最多的非线性模型。然而在实际中，往往存在当频谱数据较为稀缺的时候，频谱数据不足将不能较好的训练深度神经网络的问题，而深度迁移学习是解决这个问题的其中一...
【技术保护点】
1.一种基于深度迁移学习的跨频段频谱预测方法，其特征在于，包括以下步骤：/n步骤1，基于GSM上下行传输业务中移动台与基站状态的相似性，选择数据监测天数为2倍以上的GSM1800UL\DL频段频谱占用数据，分别作为目标任务频段GSM900UL\DL的深度迁移学习的源域频段数据；/n步骤2，将当前任务频段各个频点与源域频段各频点数据进行相似性逐一对比，通过动态时间归整算法DTW度量各个频点之间的相似性并排序，选择当前任务频段与源域频段之间最相似的一对频点数据；/n步骤3，将当前任务频段及源域频段的所有的原始频谱数据分别进行等间隔量化，量化后的频谱数据采用最大最小值归一化方法将...
【技术特征摘要】 【专利技术属性】
1.一种基于深度迁移学习的跨频段频谱预测方法，其特征在于，包括以下步骤：
步骤1，基于GSM上下行传输业务中移动台与基站状态的相似性，选择数据监测天数为2倍以上的GSM1800UL\DL频段频谱占用数据，分别作为目标任务频段GSM900UL\DL的深度迁移学习的源域频段数据；
步骤2，将当前任务频段各个频点与源域频段各频点数据进行相似性逐一对比，通过动态时间归整算法DTW度量各个频点之间的相似性并排序，选择当前任务频段与源域频段之间最相似的一对频点数据；
步骤3，将当前任务频段及源域频段的所有的原始频谱数据分别进行等间隔量化，量化后的频谱数据采用最大最小值归一化方法将它们的数值映射到[a,b]范围，完成数据的预处理；
步骤4，基于预处理后的源域频段单频点频谱数据，采用监督式学习方法构造样本数据集，即固定长度的窗口内的频谱数据作为样本的输入，下一时隙对应的实测值所属的量化类别作为样本的标签，窗口逐时隙地向下滑动，形成一个个样本，数据集随之构造完成，并划分成训练集和测试集；
步骤5，将源域频段数据作为单频点频谱预测模型的输入，基于长短期记忆模型，利用数据集中的训练集训练模型，基于Adam算法调整神经网络参数，使得预测类别和实际类别的交叉熵达到最小值，神经网络训练完成后，利用数据集中的测试集进行测试，根据预测结果计算预测准确率；
步骤6，将在源域频段数据训练后的模型的长短期记忆模型参数进行迁移，作为当前任务频段的单点频谱预测模型的长短期记忆模型初始参数；基于源域频段相同的模型架构和训练方式，将当前任务频段数据作为单频点频谱预测模型的输入，利用数据集中的训练集训练模型，基于Adam算法调整神经网络参数，将长短期记忆模型模型学习率调整为原模型的十分之一，经过训练集训练使得预测类别和实际类别的交叉熵达到最小值；
步骤7，使用当前任务频段数据集的训练集对长短期记忆神经网络训练完成后，利用当前任务频段数据集中的测试集进行测试，根据预测结果计算预测准确率。
技术研发人员：陈瑾，林凡迪，丁国如，孙佳琛，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。