【技术实现步骤摘要】
基于复合2D
‑
LSTM网络的频谱预测方法、装置、介质及设备
[0001]本专利技术属于通信
,具体涉及一种基于复合2D
‑
LSTM网络的频谱预测方法、装置、介质及设备。
技术介绍
[0002]认知无线电技术为缓解频谱资源难以充分利用的问题提供了一种有效手段。通过频谱预测和频谱感知功能,认知无线电技术支持次级用户提前预测信道未来频谱占用规律,在宽频带范围快速感知并识别频谱占用状态,并机会性接入主用户未使用的频谱空洞,从而达到充分利用频谱资源的目的。
[0003]常用的频谱预测模型包括自回归综合移动平均(ARIMA)模型、支持向量机(SVM)模型、隐马尔科夫(HMM)模型和关联模式挖掘等传统统计学模型。随着深度学习技术的快速发展,深度学习技术在频谱预测领域展开了应用。例如,现有技术中提出了基于MLP进行频谱预测的方法,以及通过构建HMM和MLP两种频谱预测方案,从提高频谱利用率和节省感知能量两个方面分析了信道状态预测对频谱感知性能的影响。再比如,现有技术中通过分析流行业务频段时域和频域相关性,揭示了时域和频域存在的较强相关性以及这种相关性的聚集效应,并且还针对该方法开发了一种鲁棒时频二维联合推理算法,利用与被预测频点相似或相邻频点预测同一时隙的频点状态,该方法属于推理算法,不具有时域预测功能。
[0004]然而,即使深度学习方法在频谱预测中有如此多的应用,处理频谱数据中的联合时间
‑
频域相关性的工作也是有限的。此外,由于用户活动模式潜在的规律性 ...
【技术保护点】
【技术特征摘要】
1.一种基于复合2D
‑
LSTM网络的频谱预测方法,其特征在于,包括:接收频谱数据,所述频谱数据具有频域相关性、聚集趋势以及周期趋势;利用第一2D
‑
LSTM网络对所述频谱数据中的接近趋势进行挖掘,得到第一时间序列特征;其中,所述的接近趋势为历史频谱数据中与预测目标接近的时隙数据;利用第二2D
‑
LSTM网络对所述频谱数据中的周期趋势进行挖掘,得到第二时间序列特征;其中,所述周期趋势为历史频谱数据中距离预测目标周期性采样得到的数据;将所述第一时间序列特征和第二时间序列特征进行融合并激活,输出预测结果。2.根据权利要求1所述的方法,其特征在于,将所述第一时间序列特征和第二时间序列特征进行融合并激活包括:将第一时间序列特征和第二时间序列拼接后输入全连接层得到融合序列,经激活函数激活后得到预测结果。3.根据权利要求2所述的方法,其特征在于,所述第一2D
‑
LSTM网络和第二2D
‑
LSTM网络中均包括2个隐藏层,隐藏层均具有16个节点。4.根据权利要求1
‑
3任一项所述的方法,其特征在于,所述频谱数据的频域相关性大于0.6;所述聚集趋势为频域相关性大于0.6且在相邻频点之间聚集;所述周期趋势为信道的自相关系数呈周期性变化。5.根据权利要求3所述的方法,其特征在于,所述方法还包括对由第一2D
‑
LSTM网络、第二2D
‑
LSTM网络、全连接层以及激活函数构成的整体模型的复杂度进行分析。6.一种基于复合2D
‑
LSTM网络的频谱预测装置,利用权利要求1
‑
5任...
【专利技术属性】
技术研发人员:张建照,孔青,柳永祥,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
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。