专利名称：基于神经网络的频谱占用状态的预测方法以及装置的制作方法
技术领域：
本发明涉及通信技术领域，尤其涉及频谱占用状态的预测方法以及装置。
背景技术：
在动态频谱分配过程中，次要用户需要暂时借助主要用户的空闲频谱进行通信以达到提高频谱利用率的目的。基于上述动态频谱分配下通信的前提是能够准确的预测出频谱占用状态，而找出空闲的频谱用于次要用户的通信。现有的频谱占用状态预测方法如卡尔曼滤波模型、隐含马尔可夫模型等预测方法均是基于当前和/或历史时序的频谱占用状态以及频谱的分布信息进行预测。而在具体的实施过程中次要用户端获取频谱占用分布信息困难较大，且由于涉及频谱占用分布造成计算量大、计算复杂度高以及预测结果不够准确等问题。发明内容
(一)发明目的
本发明提供一种仅基于历史时序内所需频段占用状态的、计算量小、计算复杂度低、准确率高的基于神经网络的频谱占用状态的预测方法以及装置。
(二)技术方案
为达上述目的，本发明基于神经网络的频谱占用状态的预测方法依次包括以下步骤:
步骤S1:构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；
步骤S2:向神经网络中输入集合IbpV1,…，VJ中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数屯为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数；
步骤S3:同时向神经网络输入集合{bi+pbi，中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态。
优选地,在所述步骤SI之前还包括步骤SO ；
所述步骤SO:采集{bi, V1，…，VJ以及hi+1。
优选地，在所 述步骤SO与所述步骤SI之间还包括对所述步骤SO中采集的数据进行归一化处理的步骤。
优选地，所述初始参数以及所述预测参数均至少包括神经网络相邻两层之间的权重系数；
所述步骤S2中根据比较结果以反向传播算法修正初始参数。
优选地，所述步骤S3中通过阈值判定法判定所述Hi+2所对应的i+2时刻预设频段的占用状态。
为达到上述目的，本发明基于神经网络的频谱占用状态的预测装置包括:
神经网络构建模块，用以构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；
神经网络训练模块，用以向神经网络中输入集合Ibplv1,…，中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数；bi为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数；
频谱占用状态预测模块，用以同时向神经网络输入集合Ibmbi, -中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态。
进一步地，所述基于神经网络的频谱占用状态的预测装置还包括采集Ibi,..., bjJ以及hi+1的数据采集模块。
进一步地，所述数据采集模块还包括用以将其采集的数据进行归一化处理的归一化子模块。
进一步地，所述初始参数以及所述预测参数均至少包括神经网络相邻两层之间的权重系数；
所述神经网络训练模块包括用以根据比较结果以反向传播算法修正初始参数的参数修正子模块。
进一步地，频谱占用状态预测模块包括用以通过阈值判定法判定所述Hi+2所对应的i+2时刻预设频段的占用状态的判定子模块。
(三)本发明基于神经网络的频谱占用状态的预测方法以及装置的有益效果
第一:本发明基于神经网路的频谱占用状态的预测方法以及装置，采用经修剪算法确定并通过训练调整后的神经网络表征无线通信中的预测前m+1时序内预设频段信号强度与所述预测时序频谱占用状态之间的映射关系，从而次要用户在预测频谱占用状态时，不需要像传统方法一样获取频段的占用分布信息，故不存在次要用户获取频段分布信息难的问题。
第二:由于频段占用分布通常满足如高斯分布、泊松分布等公式计算时不可避免的需要进行如微分、积分等复杂运算。本发明基于神经网路的频谱占用状态的预测方法以及装置，在预测过程中不再涉及频段占用分布信息，而神经网络是模拟人脑形成的且由简单计算单元组成的非线性网络组成的输入输出映射模型，故而计算通常是较为简单的函数运算以及网络相邻两层之间的权重运算，从而具有计算简单、计算量小且计算准确的优点。
第三:本发明基于神经网路的频谱占用状态的预测方法以及装置，由于神经网络的学习能力强，具有很强的泛化能力，故而可以应用于不同频段、不同时序的频谱占用的预测，且预测参数实时调整从而获得的结果更加准确，从而相对于传统的预测方法以及装置具有更强的适用性，提供的预测信息更加实用。
图1为本发明实施例三所述基于神经网络的频谱占用状态的预测方法的流程图2为本发明第二实施例所述的基于神经网络的频谱占用状态的预测装置的流程图。
具体实施例方式下面结合说明书附图以及实施例对本发明基于神经网络的频谱占用状态的预测方法做进一步的说明。实施例一:某一频段的信号强度可以用来衡量该频段的占用状态，故信号强度可以用作输入来通过神经网络的去衰减等相关运算后的得到该频点的占用信息；再通过观察、抽象若干个连续时序的占用状态的变化趋势通过相应计算以及变换可以预测出所述若干个连续时序的下一时序的该频段的占用状态信息。本实施例基于神经网络的频谱占用状态的预测方法，其特征在于，所述基于神经网络的频谱占用状态的预 测方法包括以下步骤:步骤S1:构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；神经网络依次包括输入层、中间层以及输出层；每一层均是由若干神经元组成的，同一层的神经元之间相互没有数据交互，层与层之间的神经元之间进行数据传递，用于表现输入与输出之间的映射关系；采用修剪算法可以有效的剔除神经网络各层中不必要的神经元和/或神经元的连接，从而达到构建的神经网络输入与输出之间映射关系简单、映射结果准确且实现简单可靠的效果；步骤S2:向神经网络中输入集合IbpV1,…，VJ中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数屯为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数的取值决定了集合的初始值，m的取值决定了集合的长度；而在此步骤当中以连续的m+1个时序的信号强度为输入以及m+1个时序的下一个时序中预设频段的占用状态为目标值进行神经网路的训练，使神经网络的输出的预测值与目标值满足一定的误差；如若两者的误差小于预设误差则神经网络的初始参数即是最终的预测参数；如若大于预设误差则需要调整相应的参数，则需要进行再次输入运算出结果，且将运算结果与hi+1再次比较，再次根据比较结果修正参数，最终使运算结果小于预设误差，从而通过反复修正初始参数，以使最终预测值与目标值小于预设误差时刻的参数为最终的预测参数；通过这种方法确定神经网络的最终参数，实现简单且对于最终的预测结果有预测结果准确的目的。步骤S3:同时向神经网络输入集合Ibi^bi,…，中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态。在具体的通信过程中，无线频谱作为载波以频段进行划分，有些频段用于上行通信，有些用于下行通信，还有些用于特定的区域通信等，故在不同的无线通信中，各通信频段的频谱范围不同。故本实施例根据用户通信种类的需求针对不同的通信需要设置预设频段，由于神经网络有很好的泛化能力能很好的实现针对不同频段不同时序的预测参数的修正，从而用于不同频段以及不同时序的频谱占用信息的预测。
综合上述，
首先本实施例基于神经网路的频谱占用状态的预测方法，通过神经网络来模拟历史时序中预设频段表征占用状态的信号强度与预测时序预设频段占用状态之间的映射关系，故没有涉及预设频段的分布信息，故不存在次要用户获取频段分布信息难的问题；
其次，一般频段的分布信息满足如高斯分布、泊松分布等进行计算时无可避免的需要进行微分、积分以及卷积分等复杂度高的运算，而本实施例所述方法不涉及频段分布信息的应用，故不会涉及高复杂度的微分、积分等运算，且神经网络本身具有计算简单、计算迅速等的特性，故而本方法相对于传统方法具有计算复杂度低，且相对的计算复杂度小的优点。
再次，本实施例所述的方法，是实时针对不同频段不同时序调整预测参数，且预测参数的调整与当前的网络环境等因素密切相关，故而预测参数以及预测方法精准，从而预测结果也更加准确；
此外，本实施例所述的方法，采用神经网络进行预测，由于神经网络本身具有很强的泛化能力，通过步骤S2中的训练能快速有效的用于两种不同频段，不同无线网络环境中频谱占用状态的预测，从而相对于传统的方法实用性以及适用性均更强。
实施例二:
本实施例基于神经网络的频谱占用状态的预测方法包括以下步骤:
步骤SO:采集Ibi, V1,…，VJ以及hi+lt)i与m的取值决定了集合……hlJ的长度。在具体的实施过程中所述m的取值通常为4 6的正整数。
步骤S1:构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；
步骤S2:向神经网络中输入集合IbpV1,…，VJ中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数屯为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数；
步骤S3:同时向神经网络输入集合{bi+pbi，中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态。
由于步骤S 2的需要，所述的{bi+pbi，…，Ινπ+1}以及hi+1可以由外设输入，也可以自行采集，而在本实施例中选用自行采集的方法，具体的采集方法可以使实际测量或经验数据。
实施例三:
如图1所示，本实施例在上一实施例的基础上，本实施基于神经网络的频谱占用状态的预测方法，在所述步骤SO与所述步骤SI之间还包括对所述步骤SO中采集的数据行归一化处理的步骤。通过归一化的处理使得输入的数据单位统一、且位于神经网络的处理范围内，从而提高神经网络的计算速度，缩短计算时间。
在具体的实施过程中，所述初始参数以及所述预测参数均包括神经元数目、各神经元的激励函数、学习速率、最大迭代次数、预设误差以及各神经元层之间的权重系数参数。
作为本实施例的进一步的优化，所述步骤S3中根据比较结果以反向传播算法修正初始参数。采用反向传播算法修正初始参数，实现简单快捷。实施例四:本实施例基于神经网络的频谱占用状态的预测方法包括以下步骤:步骤S1:构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；步骤S2:向神经网络中输入集合IbpV1,…，VJ中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数屯为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数；步骤S3:同时向神经网络输入集合{bi+pbi，中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，通过阈值判定法判定所述预测表征变量Hi+2所对应的预设频段i+2时序的占用状态。在具体的实施过程中可以采用函数判定等其他判决方法，而阈值判定方法实施简单的优点，从而使得本实施例所述的基于神经网络的频谱占用状态的预测方法，具有预测值准确、计算量小、计算复杂度低的同时具有了判定简单明了以及实现简便的优点。下面结合说明书附图以及实施例对本发明基于神经网络的频谱占用状态的预测装置做进一步的说明。第一实施例:本实施例基于神经网 络的频谱占用状态的预测装置包括:所述基于神经网络的频谱占用状态的预测装置包括:神经网络构建模块，用以构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；神经网络训练模块，用以向神经网络中输入集合Ibplvi,…，4_π}中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数；bi为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数；频谱占用状态预测模块，用以向神经网络输入集合Ibi^bi,中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态。在本实施例中用于频谱占用状态预测的装置，通过神经网络构建模块、神经网络训练模块以及频谱占用状态预测模块实现对频谱的预测，与传统装置相比，具有计算复杂度低，计算量小，预测准确的优点。第二实施例:如图2所示，本实施例基于神经网络的频谱占用状态的预测装置包括:数据采集模块,用以采集IX，Iv1,…，VJ以及hi+1 ;神经网络构建模块，用以构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；神经网络训练模块，用以向神经网络中输入集合Ibplvi,…，4_π}中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数；bi为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数；
频谱占用状态预测模块，用以同时向神经网络输入集合Ibi^bi,…，Ινπ+1}中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态。
本实施例基于神经网络的频谱占用状态的预测装置在上一实施例的基础上增设了数据采集模块，用于采集所需信息，从而无需外设的帮助就可以实现数据的采集。
第三实施例:
本实施例在上一实施例的基础上，进一步的具化了所述的数据采集模块，所述数据采集模块还包括一个用以将其采集的数据进行归一化处理的归一化子模块。通过归一化子模块的设置可以对所采集的数据进行归一化处理，从而使得装置的预测效率以及预测效果更佳。
第四实施例:
本实施例基于神经网络的频谱占用状态的预测装置包括:
数据采集模块，用以采集Ibplv1,…，VJ以及hi+1 ;
神经网络构建模块，用以构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；
神经网络训练模块，用以向神经网络中输入集合-,bj中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数屯为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数；所述初始参数以及所述预测参数均至少包括神经网络相邻两层之间的权重系数；所述神经网络训练模块包括用以根据比较结果以反向传播算法修正初始参数的参数修正子模块。
频谱占用状态预测模块，用以同时向神经网络输入集合Ibi^bi,…，Ινπ+1}中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态；频谱占用状态预测模块包括用以通过阈值判定法判定所述Hi+2所对应的i+2时刻预设频段的占用状态的判定子模块。
综合上述，本发明所述的`基于神经网络的频谱占用状态的预测方法以及装置，在进行频谱占用信息的预测时，无需获取当前的频谱分布状态信息，就可以直接预测出所需频段的占空状态，且采用神经网络进行以频段对应的频谱的强度信号与占用状态之间的映射关系进行预测，具有计算量小，计算复杂度低以及预测结果准确的优点。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
权利要求
1.一种基于神经网络的频谱占用状态的预测方法，其特征在于，所述基于神经网络的频谱占用状态的预测方法依次包括以下步骤: 步骤S1:构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数； 步骤S2:向神经网络中输入集合Ibplv1,…，bi_J中各元素，将神经网络的输出结果与以表征第i+Ι时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数屯为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数； 步骤S3:同时向神经网络输入集合Ibi^bi,…，Ινπ+1}中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态。
2.根据权利要求1所述的基于神经网络的频谱占用状态的预测方法，其特征在于，在所述步骤SI之前还包括步骤SO ； 所述步骤SO:采集IX，V1,…，VJ以及hi+1。
3.根据权利要求2所述的基于神经网络的频谱占用状态的预测方法，其特征在于，在所述步骤SO与所述步骤SI之间还包括对所述步骤SO中采集的数据进行归一化处理的步骤。
4.根据权利要求1、2或3所述的基于神经网络的频谱占用状态的预测方法，其特征在于，所述初始参数以及所述预测参数均至少包括神经网络相邻两层之间的权重系数； 所述步骤S2中根据比较结果以反向传播算法修正初始参数。
5.根据权利要求1、2或3所述的基于神经网络的频谱占用状态的预测方法，其特征在于，所述步骤S3中通过阈值判定法判定所述Hi+2所对应的i+2时刻预设频段的占用状态。
6.一种基于神经网络的频谱占用状态的预测装置，其特征在于，所述基于神经网络的频谱占用状态的预测装置包括: 神经网络构建模块，用以构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数； 神经网络训练模块，用以向神经网络中输入集合Ibpiv1, ".Λ_Π}中各元素，将神经网络的输出结果与以表征第i+i时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数屯为第i时序预设频段的信号强度，i为的正整数，m为小于i的正整数； 频谱占用状态预测模块， 用以同时向神经网络输入集合Ibi^bi,中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态。
7.根据权利要求6所述的基于神经网络的频谱占用状态的预测装置，其特征在于，所述基于神经网络的频谱占用状态的预测装置还包括采集Ibplvi,以及hi+1的数据采集模块。
8.根据权利要求7所述的基于神经网络的频谱占用状态的预测装置，其特征在于，所述数据采集模块还包括用以将其采集的数据进行归一化处理的归一化子模块。
9.根据权利要求6-7任一所述的基于神经网络的频谱占用状态的预测装置，其特征在于，所述初始参数以及所述预测参数均至少包括神经网络相邻两层之间的权重系数； 所述神经网络训练模块包括用以根据比较结果以反向传播算法修正初始参数的参数修正子模块。
10.根据权利要求6-7任一所述的基于神经网络的频谱占用状态的预测装置，其特征在于，频谱占用状态预测模块包括用以通过阈值判定法判定所述Hi+2所对应的i+2时刻预设频段的占用状态的 判定子模块。
全文摘要
本发明公开了一种基于神经网络的频谱占用状态的预测方法以及装置。所述基于神经网络的频谱占用状态的预测方法包括以下步骤步骤S1构建神经网络并采用修剪算法确定神经网络各层以及各神经元的初始参数；步骤S2向神经网络中输入集合{bi,bi-1，…，bi-m}中各元素，将神经网络的输出结果与以表征第i+1时序预设频段占用状态的表征变量hi+1进行比较；根据比较结果修正初始参数得到预测参数；bi为第i时序预设频段的信号强度，i为正整数，m为小于i的正整数数；步骤S3同时向神经网络输入集合{bi+1,bi，…，bi-m+1}中各元素，神经网络输出表征第i+2时序预设频段的占用状态的预测表征变量Hi+2，根据预测表征变量Hi+2判定i+2时序预设频段的占用状态，具有计算复杂度低，实现简单的优点。
文档编号H04W16/10GK103209417SQ20131006982
公开日2013年7月17日 申请日期2013年3月5日 优先权日2013年3月5日
发明者许晓东, 李皇玉, 吴宝学, 徐舟, 陶小峰, 张平 申请人:北京邮电大学