ISM频段中基于时频二维LMBP神经网络的频谱预测方法

摘要

本发明请求保护一种ISM(2.4GHz)频段中基于时频二维LMBP神经网络的频谱预测方法，包括：ISM频段相关性的计算，通过对ISM频段的实测、量化和相关性分析得到ISM频段时域和频域的相关性；第二步：基于ISM频段时频相关性，构建时频二维LMBP神经网络来实现ISM频段的预测；第三步：以实测数据作为神经网络的时频输入向量和目标向量，以牛顿法学习规则实现时频二维LMBP神经网络的迭代训练，得到由神经网络节点间权值w和阈值b构成的参数向量u的最优解；第四步：以训练完成的二维LMBP神经网络来实现ISM频段的频谱预测。计算ISM频段时频相关性的基础上，通过时频二维LMBP神经网络实现ISM频段的频谱预测，该方法同时域LMBP神经网络和Markov算法相比具有预测精度高，训练收敛时间短的优点。

说明书

技术领域

本发明属于涉及认知无线电频谱预测领域，具体是ISM频段中基于时频二维LMBP神经网络的频谱预测方法。

背景技术

物联网产业的快速发展导致工作在ISM(2.4GHz)频段的物联网设备日渐增加，该频段的同频干扰问题日趋严重，考虑到ISM频段为非授权频段，小功率网络(例如ZigBee)极易被类似WLAN这类强功率设备的干扰所湮没，造成节点间的数据丢帧，甚至整个网络的瘫痪。通过频谱预测算法来预先获知频段的占用信息是解决ISM频段设备间兼容共存问题的一种有效途径。

自Kumar Acharya PA,Singh S,Zheng H的文献“Reliable Open Spectrum Communications through Proactive Spectrum”(PROCEEDINGS OF FIRST INTERNATIONAL WORKSHOP ON TECHNOLOGY AND POLICY FOR ACCESSING SPECTRUM,AUGUST,2006)首次提出将预测机制应用到推演时域频谱空穴的出现时刻和持续时间后，各类预测算法现已在频谱预测中得到广泛的应用。

现有技术中公开了Sixing Yin,Dawei Chen,Qian Zhang,Mingyan Liu和Shufang Li的文献“Mining spectrum usage data:a large-scale spectrum measurement study”(IEEE TRANSACTIONS ON MOBILE COMPUTING,VOL.11,NO.6,JUNE 2012)，该文章提出了一种详细的频谱数据测量方法，对20MHz—3GHz频段的信道空闲数据、每种单独无线服务的信道利用率和信道的时频相关性进行了统计分析，并以此提出了基于频谱相关性的2D frequent pattern mining算法来实现信道可用性的预测,但该算法从频谱占用规律中挖掘出预测规则的最低训练时长为2小时，否则难以保证算法的预测精度和漏检率，该算法对于最低训练时长的限制不符合ISM频段信道时变性较大的特点。

现有技术中公开了陈斌华的文献“认知无线电系统中的频谱预测算法研究” (硕士学位论文.北京邮电大学,2011)，该文章基于GSM频段的时域相关特性，分别采用一阶Markov链和时域LMBP神经网络来实现GSM900、GSM1800频段的频谱预测，并通过建立一个多信道关联的频谱模型，来实现多信道的联合频谱预测，但该方法仅考虑了GSM频段时隙相关性对于频谱预测的可用价值，并未对频段的频域相关特性进行验证，且采用一阶Markov链和时域LMBP神经网络来实现ISM频段的频谱预测，算法的训练收敛时间和预测精度难以达到较为理想的均衡。

由相关研究可知，频谱预测算法的基本方法为基于具体频段的频谱实测数据，获知具体频段的频谱相关特性，从频谱占用规律中挖掘出可行的预测规则，以此提出对现有预测算法的改进。本发明基于实测数据得到ISM频段的时频相关特性，提出一种时频二维LMBP神经网络，通过时频输入向量的并行训练来实现ISM频段的频谱预测。

发明内容

针对以上现有的不足，提出了一种方法。本发明的技术方案如下：一种ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其包括步骤：

步骤1：收集ISM频段实测数据，计算ISM频段时域和频域之间的时频相关性；

步骤2：基于ISM频段的时频相关性，构建二维预测矩阵，在第一层网络中以并行的方式实现时域和频域的共同训练，得到第一层网络输出向量Y_1t,Y_2t，将第一层网络输出向量Y_1t,Y_2t作为第二层网络的输入向量，得到最终的预测值Y_t，即构建时频二维LMBP神经网络实现ISM频段的频谱预测；

步骤3：利用步骤1中得到的ISM频段的实测数据作为训练序列，通过调整公式，以误差函数为条件，完成时频二维LMBP神经网络的迭代训练，得到参数向量u的最优解，以此得到神经网络的权值向量w和阈值向量b；

步骤4：构建时域和频域输入向量矩阵X_t，X_f：将X_t，X_f通过步骤2构建的时频二维LMBP神经网络，得到输出向量Y＝[Y₁,Y₂,Y₃,...,Y_m]^T，Y_m即为CSI(t_m,c_m)>

进一步的，所述步骤1和步骤2的时域X₁＝[CSI(t-1,c),CSI(t-2,c),...,CSI(t-Δt,c)]^T和频域X₂＝[CSI(t,c±1),CSI(t,c±2),...,CSI(t,c±Δf)]^T，所示CSI(t-Δt,c)表示时刻(t-Δt)信道c的信道状态信息，CSI(t,c±Δf)表示时刻t信道(c±Δf)的信道状态信息。

进一步的，所述步骤3的调整公式为：

调整公式u_k+1表示下一步迭代得到的参数向量，u_k表示当前迭代的参数向量，J(u_k)表示e(u_k)的Jacobian矩阵，表示微增量单位矩阵，e(u_k)表示误差向量，调整公式以误差函数F(u)≤ε为条件，ε表示预设的目标误差。

进一步的，在步骤1中，在收集ISM频段频谱实测数据后，该频段时域的相关性R(Δt)，频域的相关性R(Δf)的计算如下：

其中,CSI(t,c)的量化公式为：

和CSI(t,c)分别表示时刻t下信道c的实测功率值和信道状态信息；

两个0-1序列的相关度定义如下：

该式常用于评估两个二进制序列的相关性，其中I(A)为判别函数，如A值为真，则I(A)＝1，否则I(A)＝0，由R(Δt)，R(Δf)的相关性曲线得到ISM频段邻近时隙和邻近频点间的相关性。

进一步的，在步骤2中，将频域预测点加入神经网络输入向量中，构建二维 预测矩阵，在第一层网络中以并行的方式实现时域X₁＝[CSI(t-1,c),CSI(t-2,c),...,CSI(t-Δt,c)]^T和频域X₂＝[CSI(t,c±1),CSI(t,c±2),...,CSI(t,c±Δf)]^T的共同训练，得到输出向量Y_1t,Y_2t，将Y_1t,Y_2t作为第二层网络的输入向量，得到最终的预测值Y_t，以时域和频域结合的方法构建时频二维LMBP神经网络来实现ISM频段的频谱预测。

进一步的，步骤3具体为：，将ISM频段的实测数据作为训练序列输入时频二维LMBP神经网络中，得到输出向量Y＝[Y₁,Y₂,Y₃,...,Y_m]^T，并与目标向量构成误差函数：

其中，u是由神经网络权值w和阀值b组成的参数向量：

参数向量u的牛顿法学习规则：其中为Hessian矩阵的逆矩阵；g_k为F(u)的梯度，J(u)为e(u)的雅克比矩阵：

进一步的，在步骤4具体为：以ISM频段实测数据来构建时域和频域输入向量矩阵X_t，X_f：

将X_t，X_f作为神经网络输入向量，通过权值向量w和阈值向量b已达到最优值的时频二维LMBP神经网络，得到输出向量Y＝[Y₁,Y₂,Y₃,...,Y_m]^T，Y_m即为CSI(t_m,c_m)的预测值。

本发明的优点及有益效果如下：

本发明采用了基于ISM频段的时频相关特性，构建一种时频二维LMBP神经网络，将频域参数加入输入向量中，构建二维预测矩阵，基于邻频点(Δf＝1、Δf＝2)的高度相关性，以相关性更强的频域输入向量来取代部分时域输入向量，在保证预测精度的基础上，减少神经网络迭代训练的计算复杂度，进而缩短网络的训练收敛时间，因此本发明所提出的ISM频段频谱预测方法具有训练收敛时间短，预测精度高的优点。

附图说明

图1是本发明提供优选实施例提出的ISM(2.4GHz)频段中基于时频二维LMBP神经网络的频谱预测方法流程图；

图2为本发明根据实测数据得到的2.4GHz频段邻时/频相关曲线图；

图3为本发明在不同的时频输入向量时二维LMBP神经网络预测精度曲线图；

图4为本发明同时域LMBP神经网络和Markov算法的预测精度曲线对比图；

表1为本发明同时域LMBP神经网络和Markov算法的训练平均收敛时间的对比(N＝9)。

具体实施方式

以下结合附图，对本发明作进一步说明：

如图1所示，本实施例为时频二维LMBP神经网络的训练方案，输入向量数据来源于ISM频段的实测量化数据，神经网络时域输入Δt分别为1,2,3,...,10，频域输入Δf分别为0,1,2，输出向量N＝16，误差函数F(u)的目标误差为0.01，以F(u)达到目标误差作为网络训练完成的条件，得到由神经网络权值和阈值组成的参数向量u的最优解。

第一步：计算ISM频段时域和频域相关性：

其中,CSI(t,c)的量化公式为：

和CSI(t,c)分别表示时刻t下信道c的实测功率值和信道状态信息。

两个0-1序列的相关度定义如下：

该式常用于评估两个二进制序列的相关性，其中I(A)为判别函数，如A值为真，则I(A)＝1，否则I(A)＝0。由R(Δt)，R(Δf)的相关性曲线可知，ISM频谱邻近时隙具有高度相关特性；邻近频点具有较强的相关特性，在Δf＝±1和Δf＝±2邻近频点，相关性分别为0.87和0.86。

第二步：基于ISM频段时频相关性结论，构建时频二维LMBP神经网络来实现ISM频段的频谱预测；

第三步：将ISM频段的实测数据作为训练序列输入时频二维LMBP神经网络得到输出向量Y＝[Y₁,Y₂,Y₃,...,Y_m]^T，并与目标向量构成误差函数：

其中，u是由权值和阀值组成的神经网络参数向量：

参数向量u的牛顿法训练规则：其中为Hessian矩阵的逆矩阵，g_k为F(u)的梯度。其中，J(u)为e(u)的雅克比矩阵：

由于F(u)具有平方和误差的形式，H_k可近似表达为：为保证为正定可逆，加入一个微增量由此得到u的调整公式为：以ISM频段的实测数据作为训练序列，当F(u)＞ε时，以调整公式进行迭代训练；当F(u)≤ε时，结束训练，得到参数向量u的最优解，也即得到神经网络的权值向量w和阈值向量b。

第四步：以参数向量u构成的时频二维LMBP神经网络来实现ISM频段的频谱预测，以ISM频段实测数据来构建时域和频域输入向量矩阵X_t，X_f：

将X_t，X_f作为神经网络输入向量，通过权值向量w和阈值向量b已达到最优值的时频二维LMBP神经网络，得到输出向量Y＝[Y₁,Y₂,Y₃,...,Y_m]^T，Y_m即为CSI(t_m,c_m)的预测值。将输出向量Y同实测目标向量Z＝[Z₁,Z₂,Z₃,...,Z_m]^T进行对比，获得时频>

在本实施例中，图2给出了基于ISM频段实测数据计算得到的时域、频域相关特性曲线图；图2给出了基于不同的LMBP神经网络时频输入向量组合(Δt＝1,2,3,...,10,Δf＝0,1,2)得到的预测精度图；图3给出了基于不用的输入向量数目(N＝1,2,3,...,14)，时频二维LMBP神经网络(Δf＝2)同传统LMBP神经网络以及Markov算法的预测精度对比图。由图2可见，ISM频谱时域具有短时的高度相关特性，随着Δt增加时域相关性趋于0.85；频域在Δf＝±1和Δf＝±2的频点，相关性分别为0.87和0.86，具有较高的频谱预测相关性。由图3可见，时域LMBP神经网络的预测精度在Δt＝5之前递增，在Δt＝5之后基本稳定在0.92以下；由 Δf＝1、Δf＝2、Δf＝3构成的时频二维LMBP神经网络中，当Δt＜5时，预测精度较时域LMBP有较大提高；当Δt＞5后，预测精度趋于稳定，其中Δf＝2的预测精度最优，稳定在95％左右。由图3可见，时域LMBP神经网络和Markov算法的预测精度在N＝5之后稳定在86％和91％左右，即不能通过增加输入向量来提高预测精度；而时频二维LMBP神经网络(Δf＝2)相比前两种方法在同比增加4个输入向量的条件下，其预测精度相比时域LMBP算法提高4％左右，相比Markov算法提高9％左右，且同样在N＝9之后精度趋于稳定。由表1可见，在目标误差相同的条件下，时频二维LMBP神经网络所需要的网络训练收敛时间更短，以误差目标10^-2为例，时频二维LMBP神经网络的训练收敛时间比时域LMBP快1.9倍，比Markov算法快3.8倍。结合图1、图2、图3可知所提方法相比时域LMBP预测方法和Markov预测方法在同样输入向量条件下预测精度更优，训练收敛时间更短，时频二维LMBP神经网络以Δt＝5和Δf＝2作为输入向量，可在输入向量数目N＝9的条件下实现95％的频谱预测精度，在不增加计算复杂>

表1

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。