基于复合2D-LSTM网络的频谱预测方法、装置、介质及设备制造方法及图纸

本发明专利技术公开了一种基于复合2D

【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，一些业务频带的历史频谱状态显示出潮汐效应，即日、周周期性变化。现有研究没有充分考虑频谱数据频域相关性和时间周期趋势，频谱预测性能还有提高的可能。

技术实现思路

[0005]技术问题：针对上述的问题，本专利技术提供了一种基于复合2D
‑
LSTM网络的频谱预测方法、装置、介质及设备，通过挖掘时
‑
频域相关性和时间上周期趋势，从而提高了频谱的预测准确性。
[0006]技术方案：第一方面，本专利技术提供一种基于复合2D
‑
LSTM网络的频谱预测方法，包括：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]进一步地，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：
[0012]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。
[0013]进一步地，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。
[0014]进一步地，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。
[0015]进一步地，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。
[0016]第二方面，本专利技术提供一种基于复合2D
‑
LSTM网络的频谱预测装置，利用所提出的基于复合2D
‑
LSTM网络的频谱预测方法预测频谱，包括：
[0017]数据接收模块，其配置为用于接收频谱数据，所述频谱数据具有频域相关性、聚集趋势以及周期趋势；
[0018]第一挖掘模块，其配置为利用第一2D
‑
LSTM模型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；
[0019]第二挖掘模块，其配置为利用第二2D
‑
LSTM模型对所述频谱数据中的接近趋势进行挖掘，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；
[0020]融合输出模块，其配置为将所述第一时间序列特征和第二时间序列特征进行融合，将融合后的序列激活后输出预测结果。
[0021]进一步地，所述融合输出模块中，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。
[0022]进一步地，所述第一挖掘模块中，第一2D
‑
LSTM包括2个隐藏层，隐藏层均具有16个节点；所述第二挖掘模块中，第二2D
‑
LSTM网络包括2个隐藏层，隐藏层均具有16个节点。
[0023]第三方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，所述计算机指令能够被处理器执行以实现所述基于复合2D
‑
LSTM网络的频谱预测方法。
[0024]第四方面，本专利技术提供一种电子设备，包括：本专利技术所提供的计算机可读存储介质，以及处理器，所述处理器被配置为能够执行计算机可读存储介质中存储的计算机指令。
[0025]有益效果：本专利技术针对频谱数据时间
‑
频域的相关性和时间上的周期性，提出了二维采样长短时记忆网络预测框架2D
‑
SPLSTM，通过采样获得历史频谱数据的接近趋势和周期趋势，利用2D
‑
LSTM网络分别挖掘不同时间尺度下的时
‑
频域相关性，通过融合时频域相关性和周期趋势，从而对频域进行更加准确的预测。
附图说明
[0026]图1为本专利技术的实施例中基于复合2D
‑
LSTM网络的频谱预测方法的流程图；
[0027]图2为本专利技术的实施例中实测频谱数据的频域相关性图；
[0028]图3为本专利技术的实施例中信道自相关系数对比图；
[0029]图4为本专利技术的实施例中2D
‑
SPLSTM结构图；
[0030]图5为本专利技术的实施例中实测频谱数据平面视图；
[0031]图6为本专利技术的实施例中不同预测范围下模型性能对比图；
[0032]图7为本专利技术的实施例中基于复合2D
‑
LSTM网络的频谱预测装置的框图。
具体实施方式
[0033]下面结合实施例和说明书附图对本专利技术作进一步的说明。说明的是，术语“第一”、“第二”等仅是出于便于描述的目的，不能理解为对数量、性质本文档来自技高网...

【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：