一种基于深度神经网络的频谱测绘图构建方法和系统

本发明涉及频谱测绘，具体涉及一种基于深度神经网络的频谱测绘图构建方法和系统。

背景技术：

1、近年来，随着基于无线电频率的通信服务普及，无线电设备数量不断增加，信道使用频繁，频谱逐渐拥挤。为缓解这种情况，可以通过绘制频谱测绘图提升频谱利用率。其中提升频谱测绘图的绘制精度是关键所在。

2、受到地形、设备、成本等因素的影响，难以获得目标区域内完整的电磁频谱数据，只能通过采样获得区域的部分稀疏的频谱测量数据。

3、传统的频谱测绘图构建技术主要包括：基于空间插值的构建方法和基于参数的构建方法。但是，基于空间插值的构建方法使用简单，但是估计精度比较低；基于参数的构建方法在构建过程中需要大量的先验信息。随着电磁环境变得日益复杂，传统的构建方法已经变得不再适用。

4、构建准确的频谱测绘图往往需要处理大量的数据，在过去的几年里，通信领域的学者在深度学习中应用了典型的网络，如卷积神经网络和循环神经网络等。

5、基于深度学习的频谱测绘图构建算法的基本思路是将缺失的频谱测绘图作为神经网络的输入，将完整的频谱测绘图作为标签，使得经过神经网络得学习可以将缺失得频谱地图还原成完整的频谱测绘图。整个过程不需要提供先验信息，可以达到较好的估计效果。

6、现有的深度学习算法大多都是采用全局估计网络的方式，在需要构建的区域内创建一个规则的网格，并将频谱测绘图构建任务定制为一个矩阵或者张量补全任务。不过采用此种方法需要收集大量的数据来训练这样一个网络，而且构建高分辨率的频谱测绘图需要一个密集的网络，大大增加了计算的复杂性。

技术实现思路

1、针对上述问题，本发明提供的基于深度神经网络的频谱测绘图构建方法和系统，提高构建精度，提升频谱利用率，缓解频谱拥挤状况。

2、本发明实施例一方面提供基于深度神经网络的频谱测绘图构建方法，包括：

3、步骤s10，获取实测的电磁频谱数据；

4、步骤s20，根据所述电磁频谱数据构建数据集；所述数据集包括多个样本，每个所述样本包括位置信息和信号强度，所述信号强度为所述位置信息处的用户与基站之间的下行信号强度；

5、步骤s30，构建基于深度神经网络的频谱测绘模型；将每个所述样本的位置信息转化为该样本位置到各个基站的距离和角度，作为所述频谱测绘模型的输入；所述频谱测绘模型包括卷积层、全连接层和relu激活函数；

6、步骤s40，根据所述数据集对所述频谱测绘模型进行优化训练，得到目标频谱测绘模型；

7、步骤s50，将目标区域位置数据输入所述目标频谱测绘模型，得到目标区域的频谱测绘图。

8、在一种可能的实现方式中，所述relu激活函数的公式如下：

9、；

10、式中，为全连接层输出的能量信息。

11、在一种可能的实现方式中，所述s40包括：

12、步骤s41，将所述数据集中的位置信息输入所述频谱测绘模型，得到估计能量值；

13、步骤s42，计算所述估计能量值和所述位置信息对应的真实能量值的差，得到误差；

14、步骤s43，根据所述误差和误差反向传播算法优化所述频谱测绘模型；

15、重复所述步骤s41-s43，直至迭代次数为0。

16、在一种可能的实现方式中，所述s40还包括：

17、根据所述估计能量值和所述位置信息对应的真实能量值的绝对值误差，构建损失函数；

18、根据所述损失函数的收敛性确定所述迭代次数。

19、在一种可能的实现方式中，所述损失函数的公式如下：

20、；

21、式中，为在位置处频谱测绘模型的估计能量值，是在位置处的真实能量值， n为样本的数量。

22、在一种可能的实现方式中，步骤s60，计算真实信号强度和所述频谱测绘模型输出的估计信号强度的归一化均方误差；以及根据所述归一化均方误差对所述目标频谱测绘模型进行评估。

23、在一种可能的实现方式中，所述步骤s60包括：

24、当归一化误差大于1时，令归一化误差为1；

25、对所述归一化误差进行对数处理。

26、本发明实施例另一方面还提供了一种基于深度神经网络的频谱测绘图构建系统，包括：

27、采集模块，用于获取实测的电磁频谱数据；

28、数据集构建模块，用于根据所述电磁频谱数据构建数据集；所述数据集包括多个样本，每个所述样本包括位置信息和信号强度，所述信号强度为所述位置信息处的用户与基站之间的下行信号强度；

29、建模模块，用于构建基于深度神经网络的频谱测绘模型；将每个所述样本的位置信息转化为该样本位置到各个基站的距离和角度，作为所述频谱测绘模型的输入；所述频谱测绘模型包括用于降维的卷积层、全连接层和relu激活函数；

30、训练模块，用于根据所述数据集对所述频谱测绘模型进行优化训练，得到目标频谱测绘模型；

31、测绘图生成模块，用于将目标区域位置数据输入所述目标频谱测绘模型，得到目标区域的频谱测绘图。

32、在一种可能的实现方式中，所述训练模块用于执行以下操作：

33、将所述数据集中的位置信息输入所述频谱测绘模型，得到估计能量值；

34、计算所述估计能量值和所述位置信息对应的真实能量值的差，得到误差；

35、根据所述误差和误差反向传播算法优化所述频谱测绘模型，直至迭代次数为0。

36、在一种可能的实现方式中，所述训练模块还用于执行以下操作：

37、根据所述估计能量值和所述位置信息对应的真实能量值的绝对值误差，构建损失函数；

38、根据所述损失函数的收敛性确定所述迭代次数。

39、本发明提供的基于深度神经网络的频谱测绘图构建方法和系统，采用深度神经网络来构建点式估计网络，输入是位置信息，输出是该位置的信号强度，使得输入的维度较小，网络结构简单，所构建的网络不受维度影响，最终实现提高构建精度，提升频谱利用率，缓解频谱拥挤状况。

技术特征：

1.一种基于深度神经网络的频谱测绘图构建方法，其特征在于，包括：

2.根据权利要求1所述的频谱测绘图构建方法，其特征在于，

3.根据权利要求1所述的频谱测绘图构建方法，其特征在于，所述s40包括：

4.根据权利要求3所述的频谱测绘图构建方法，其特征在于，所述s40还包括：

5.根据权利要求4所述的频谱测绘图构建方法，其特征在于，所述损失函数的公式如下：

6.根据权利要求1所述的频谱测绘图构建方法，其特征在于，还包括：

7.根据权利要求6所述的频谱测绘图构建方法，其特征在于，所述步骤s60包括：

8.一种基于深度神经网络的频谱测绘图构建系统，其特征在于，包括：

9.根据权利要求8所述的频谱测绘图构建系统，其特征在于，所述训练模块用于执行以下操作：

10.根据权利要求9所述的频谱测绘图构建系统，其特征在于，所述训练模块还用于执行以下操作：

技术总结
本发明涉及频谱测绘技术领域，具体公开了一种基于深度神经网络的频谱测绘图构建方法和系统，其中方法包括：步骤S10，获取实测的电磁频谱数据；步骤S20，根据电磁频谱数据构建数据集；数据集包括多个样本，每个样本包括位置信息和信号强度，信号强度为位置信息处的用户与基站之间的下行信号强度；步骤S30，构建基于深度神经网络的频谱测绘模型；将每个样本的位置信息转化为该样本位置到各个基站的距离和角度，作为频谱测绘模型的输入；频谱测绘模型包括卷积层、全连接层和ReLU激活函数；步骤S40，根据数据集对频谱测绘模型进行优化训练，得到目标频谱测绘模型；步骤S50，将目标区域位置数据输入目标频谱测绘模型，得到目标区域的频谱测绘图。

技术研发人员：彭亮,方胜良,范有臣,徐照菁,刘涵,马昭,温晓敏,王孟涛,程东航,尹坤,冯俊豪
受保护的技术使用者：中国人民解放军战略支援部队航天工程大学
技术研发日：
技术公布日：2024/1/14