基于图神经网络的多维频谱预测方法、系统、装置及介质制造方法及图纸

本发明专利技术公开了基于图神经网络的多维频谱预测方法、系统、装置及介质，方法包括：获取频谱数据，并对频谱数据进行时间域上的相关性分析，得到频谱相关系数；根据频谱相关系数对频谱数据进行构造，得到图结构频谱数据；对图结构频谱数据进行谱聚类处理，得到待测数据；将待测数据输入图神经网络，通过图神经网络捕捉得到待测数据在不同维度上的相关性，确定预测结果。本发明专利技术能够将频谱数据构造成图结构，并根据图神经网络对未来频谱状态进行多时隙预测，可广泛应用于无线通信技术领域。可广泛应用于无线通信技术领域。可广泛应用于无线通信技术领域。

【技术实现步骤摘要】
基于图神经网络的多维频谱预测方法、系统、装置及介质


[0001]本专利技术涉及无线通信
，尤其是基于图神经网络的多维频谱预测方法、系统、装置及介质。

技术介绍

[0002]随着智能无线网络的快速发展，对以更高速率传输大量数据的需求不断增长，这也造成了频谱资源趋于饱和，甚至过载状态。而频谱预测是认知无线电技术的有效补充，帮助用户减少频谱感知过程中的时延和能量消耗，增加频谱接入的系统吞吐量。现有的大多数研究只考虑单一维度单一时隙的频谱预测，即只根据某个频点或频段的有限历史频谱信息来推测其在下一时刻的频谱状态，这也大大限制了频谱预测的性能。单一时隙的频谱预测在时间上跨度较小，无法适应不断变化的无线网络环境。因此，联合多维频谱预测是一个具有挑战性的问题。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种简单高效的基于图神经网络的多维频谱预测方法、系统、装置及介质，以实现多维频谱预测。
[0004]一方面，本专利技术提供了基于图神经网络的多维频谱预测方法，包括：
[0005]获取频谱数据，并对频谱数据进行时间域上的相关性分析，得到频谱相关系数；
[0006]根据频谱相关系数对频谱数据进行构造，得到图结构频谱数据；
[0007]对图结构频谱数据进行谱聚类处理，得到待测数据；
[0008]将待测数据输入图神经网络，通过图神经网络捕捉得到待测数据在不同维度上的相关性，确定预测结果。
[0009]可选地，获取频谱数据，并对频谱数据进行时间域上的相关性分析，得到频谱相关系数，包括：
[0010]获取频谱数据；
[0011]对频谱数据按大小顺序进行排列，得到顺序数据；
[0012]对顺序数据进行秩次计算，得到顺序数据的秩次差；
[0013]根据秩次差计算得到频谱相关系数。
[0014]可选地，根据频谱相关系数对频谱数据进行构造，得到图结构频谱数据，包括：
[0015]根据频谱数据的频谱状态，构建得到节点集合；
[0016]根据频谱数据的连接关系，构建得到边集合；
[0017]根据频谱相关系数，构建得到互相关邻接矩阵；
[0018]根据节点集合、边集合和互相关邻接矩阵，构建得到图结构频谱数据。
[0019]可选地，对图结构频谱数据进行谱聚类处理，得到待测数据，包括：
[0020]构建图结构频谱数据的相似度矩阵；
[0021]计算相似度矩阵的特征值和特征向量，构建特征向量空间；
[0022]根据谱聚类算法对特征向量空间中的特征向量进行聚类，得到待测数据。
[0023]可选地，将待测数据输入图神经网络，通过图神经网络捕捉得到待测数据在不同维度上的相关性，确定预测结果，包括：
[0024]将待测数据输入图神经网络，图神经网络包括K阶扩散卷积模块和长短期记忆模块；
[0025]通过K阶扩散卷积模块捕捉待测数据的非线性相关性，通过长短期记忆模块捕捉待测数据在时间域上的相关性，得到预测结果。
[0026]可选地，K阶扩散卷积模块的模型公式为：
[0027][0028][0029]其中，S
p,:,f
表示输入，表示图卷积算子，表示过滤器，K表示扩散阶数，D
p
表示子图度矩阵，W
p
表示子图邻接矩阵，Y
p,:,g
表示输出，tanh表示激活函数，F表示子图节点的输入特征数量，f表示输入特征索引，g表示输出特征索引。
[0030]可选地，还包括：
[0031]将预测结果与历史数据真值进行比较，对频谱预测性能进行评估，得到评估结果，评估结果包括平均绝对误差、均方根误差和平均绝对百分比误差。
[0032]另一方面，本专利技术实施例还公开了基于图神经网络的多维频谱预测系统，包括：
[0033]第一模块，用于获取频谱数据，并对所述频谱数据进行时间域上的相关性分析，得到频谱相关系数；
[0034]第二模块，用于根据所述频谱相关系数对所述频谱数据进行构造，得到图结构频谱数据；
[0035]第三模块，用于对所述图结构频谱数据进行谱聚类处理，得到待测数据；
[0036]第四模块，用于将所述待测数据输入图神经网络，通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性，确定预测结果。
[0037]另一方面，本专利技术实施例还公开了一种电子装置，包括处理器以及存储器；
[0038]存储器用于存储程序；
[0039]处理器执行程序实现如前面的方法。
[0040]另一方面，本专利技术实施例还公开了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。
[0041]另一方面，本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0042]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术通过获取频谱数据，并对频谱数据进行时间域上的相关性分析，得到频谱相关系数；能够综合考虑频谱数据在时间域上的相关性，对频谱数据进行了更深入的特征提取；根据频谱相关系数对频谱数据进行构造，得到图结构频谱数据；对图结构频谱数据进行谱聚类处理，得到待测数
据；将待测数据输入图神经网络，通过图神经网络捕捉得到待测数据在不同维度上的相关性，确定预测结果；能够将频谱数据构造成图结构，并根据图神经网络对未来频谱状态进行多时隙预测。
附图说明
[0043]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]图1为本专利技术实施例的一种方法流程图；
[0045]图2为本专利技术实施例的一种图神经网络数据处理流程图。
具体实施方式
[0046]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0047]参照图1，本专利技术实施例提供基于图神经网络的多维频谱预测方法，包括：
[0048]获取频谱数据，并对频谱数据进行时间域上的相关性分析，得到频谱相关系数；
[0049]根据频谱相关系数对频谱数据进行构造，得到图结构频谱数据；
[0050]对图结构频谱数据进行谱聚类处理，得到待测数据；
[0051]将待测数据输入图神经网络，通过图神经网络捕捉得到待测数据在不同维度上的相关性，确定预测结果。
[0052]进一步作为优选的实施方式，获取频谱数据，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图神经网络的多维频谱预测方法，其特征在于，包括：获取频谱数据，并对所述频谱数据进行时间域上的相关性分析，得到频谱相关系数；根据所述频谱相关系数对所述频谱数据进行构造，得到图结构频谱数据；对所述图结构频谱数据进行谱聚类处理，得到待测数据；将所述待测数据输入图神经网络，通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性，确定预测结果。2.根据权利要求1所述的基于图神经网络的多维频谱预测方法，其特征在于，所述获取频谱数据，并对所述频谱数据进行时间域上的相关性分析，得到频谱相关系数，包括：获取频谱数据；对所述频谱数据按大小顺序进行排列，得到顺序数据；对所述顺序数据进行秩次计算，得到所述顺序数据的秩次差；根据所述秩次差计算得到频谱相关系数。3.根据权利要求1所述的基于图神经网络的多维频谱预测方法，其特征在于，所述根据所述频谱相关系数对所述频谱数据进行构造，得到图结构频谱数据，包括：根据所述频谱数据的频谱状态，构建得到节点集合；根据所述频谱数据的连接关系，构建得到边集合；根据所述频谱相关系数，构建得到互相关邻接矩阵；根据所述节点集合、所述边集合和所述互相关邻接矩阵，构建得到图结构频谱数据。4.根据权利要求1所述的基于图神经网络的多维频谱预测方法，其特征在于，所述对所述图结构频谱数据进行谱聚类处理，得到待测数据，包括：构建所述图结构频谱数据的相似度矩阵；计算所述相似度矩阵的特征值和特征向量，构建特征向量空间；根据谱聚类算法对所述特征向量空间中的特征向量进行聚类，得到待测数据。5.根据权利要求1所述的基于图神经网络的多维频谱预测方法，其特征在于，所述将所述待测数据输入图神经网络，通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性，确定预测结果，包括：将所述待测数据输入图神经网络，所述图神经网络包括K阶扩散卷积模块和长短期记忆模块；...

【专利技术属性】
技术研发人员：叶梓峰，黄晓霞，韩爱福，
申请(专利权)人：中山大学，
类型：发明
国别省市：