基于贝叶斯网络的蜂窝网基站状态时变模型建立方法
【技术领域】
[0001] 本发明涉及通信技术领域，特别涉及移动通信领域，具体是一种基于贝叶斯结构 学习的蜂窝网络基站状态时变模型建立方法，适用于蜂窝网络基站状态时变统计模型的建 立。
【背景技术】
[0002] 近年来，认知无线网络设计目的不再只是提高频谱利用率，具有更为广泛的目标， 如：较高的服务质量，低能量消耗等。为达到上述目标，基于频谱感知，环境学习，统计推理 及预测行为一体化的理想的认知无线电操作的初级网络状态资源管理和系统控制的统计 知识成为必须。这些统计知识的建立将超越许多现存的通常只集中于检测主用户存在的认 知无线电感知。同时对基站状态的感知和预测可以减少移动用户业务之间的碰撞，提高无 线网络资源利用率。
[0003] 贝叶斯网络是一种将概率统计应用于复杂领域、进行不确定性推理和数据分析强 有力的推理工具，是图论知识概率论知识相结合的产物。它通过网络结构来定性的刻画问 题变量之间的相互独立关系；通过网络节点的节点参数来定量地描述各变量节点的独立关 系。同时，根据链式规则，每个贝叶斯网络确定了 一个联合概率分布，这样贝叶斯利用图论 的语言直观揭示问题的结构。将贝叶斯结构应用于通信系统中，可实现认知无线网络中资 源的高效利用。
[0004] 贝叶斯网络结构学习相关的算法可以分为两类：一种方法是运用启发式搜索构造 大概的模型，然后通过评分函数来对其进行评估。具有高分数的结构优先作为学习结果。基 于评分的贝叶斯网络学习方法被称为NP-难题。给定一个评分函数，贝叶斯网络结构的计 算复杂度会随着变量数目的增加而增加。另一种方法是利用条件独立性检验来测量两个变 量之间的可能的依赖关系，然后根据得到的关系来决定网络结构。
[0005] 以贝叶斯网络结果学习的相关算法为基础，J.Cheng,和R.Greiner等人于2002 年在文献"LearningBayesiannetworksfromdata:Aninformation-theorybased approach"中提出了一种有效的学习有序贝叶斯网络的方法，此方法通过利用互信息检验 两个变量之间的依赖性来建立贝叶斯结构的统计模型。然而这种方法计算复杂度较高，在 网络中节点不是很大时，变量之间依赖性关系的建立所需计算时间花费已经很高，同时在 网络中变量数目发生变化时，节点依赖性关系建立时的互信息公式中的中间变量需要重新 进行多次计算，不能根据网络节点的数目变化做出自适应调整。
【发明内容】
[0006] 本发明的目的在于克服上述学习方法的不足，提出了一种基于贝叶斯网络的蜂窝 网基站状态时变模型建立方法，以解决贝叶斯网络结构计算复杂度较高以及不能根据网络 节点数目变化做出自适应调整的问题，并将具有低计算复杂度的贝叶斯网络应用于移动通 信系统中蜂窝网基站状态时变模型建立中，从而降低蜂窝网络基站状态时变模型建立的复 杂度。
[0007] 为了完成上述目的，本发明的基于贝叶斯网络的蜂窝网基站状态时变模型建立方 法，包括有如下步骤：
[0008] (1)以现有实际蜂窝网络为场景，实际蜂窝网络中的次级感知设备对蜂窝网中基 站的状态进行感知，收集感知数据，组成观察序列，用表示第i个基站在t时刻的状 态，fitG〇= {〇, 1}，〇表示状态集合，〇和1分别表示基站关（Off)和开（on)状态，iGM ={1，2,…M}，M表示观察基站的最大数目，M表示观察到的基站序列，tGT= {1，2,…T}， T表示观察时刻，T表示观察时刻序列。
[0009] (2)根据上述得到的基站状态观察序列，将次级感知设备在t时刻感知得到第i个 基站状态fu作为贝叶斯网络节点，创建贝叶斯网络模型，依据完全连通图的方法对此贝叶 斯结构进行学习，得到可随网络节点数目做出自适应调整的条件概率表，利用条件互信息 公式得到节点之间的依赖关系值。
[0010] (3)根据上述得到的条件概率表确定蜂窝网络基站任一时刻的开关状态，并根据 上述得到的依赖关系值确定基站状态之间的依赖关系，建立蜂窝网络基站状态时变规律的 统计模型。
[0011] 本发明的基于贝叶斯网络的蜂窝网基站状态时变模型建立方法，根据对现有实际 蜂窝网络中基站开关状态感知所得到的观察数据创建贝叶斯网络模型，再依据完全连通图 和条件互信息的贝叶斯结构学习算法建立基站状态的时变模型。本发明建立的贝叶斯网络 模型具有较低复杂度，并可根据网络中节点数目的改变做出自适应调整，将此贝叶斯网络 应用于通信系统中，可实现蜂窝网中基站开关状态的确定及时变规律统计模型的建立。
[0012] 本发明的实现还在于：步骤（2)中的创建贝叶斯网络模型包括有如下步骤：
[0013] 2. 1.定义贝叶斯网络的节点：
[0014] 次级感知设备感知到的基站状态:^^定义为贝叶斯网络节点，节点时域有序，次级 感知设备在t时刻观察到的第i个基站状态，f^tG〇 = {〇, 1}，〇表示状态集合，〇和1分 别表示基站关（off)和开（on)状态，iGM= {1，2,…M}，M表示观察到的基站序列，tGT ={1，2,…T}，T表示观察时刻序列；
[0015] 2. 2.利用上述节点建立贝叶斯网络节点之间的边：
[0016]网络节点之间的有向箭头作为一阶贝叶斯网络的边表示节点之间的依赖关系即 基站状态之间的依赖关系；贝叶斯网络完全连通，即对于任意的iGM，对于任意的tGT都 存在连接fi;t和fi，t+1的一条边；
[0017] 2. 3.根据完全连通图的相关方法对具有上述节点和边的贝叶斯网络结构模型进 行贝叶斯结构学习，V/eM，WeT计算条件概率卩况^邱况^沁得到条件概率表氏十其中 pa(fi，t)表示与节点fi，t直接相连的父节点集合；
[0018] 2. 4.根据上述得到的条件概率表利用条件互信息公式计算节点之间的条件概 率，获得在节点条件下节点f\t与节点之间依赖关系 i，j，kGM= {1，2, ...M}，j乒k〇
[0019] 上述贝叶斯网络模型的节点是实际蜂窝网络中次级感知设备感知得到的基站状 态，由于节点时域有序，于是此贝叶斯网络是完全规则的结构；节点之间的有向箭头反映了 基站状态之间的依赖关系，得到的依赖关系值可用于基站不同时刻状态之间依赖关系的确 定，因此根据此贝叶斯网络模型可建立有效的蜂窝网基站状态时变统计模型。
[0020] 本发明的实现还在于：步骤2. 3所述的通过对贝叶斯网络结构的学习获得条件概 率表包括有如下步骤：
[0021] 2. 3a由上述2. 1与2. 2建立的一阶完全连通的贝叶斯网络计算参量矩阵C:
[0022]
[0023] 公式中，C[x,M_i+1]表不参量矩阵C的第x行第M_i+1列兀素，x= 0, 1，…，2m_1， i= {1,2,…M} ;M表示观察的基站数目的最大值；!_?」表示向下取整运算；\表示按摸运算。
[0024] 2. 3b根据上述获得的参量矩阵C计算运算符参数矩阵F:
[0028] 〇t-!=
[0029] 公式中，nom(F)表示F的分子；1N表示元素为N个1的列向量；?表示克罗内克 积；C表示2. 3a中计算的参量矩阵；M表示观察的基站数目的最大值；)_?」表示向下取整运 算；Oh表示t-1时刻对1，2,…，M基站观察值序列组成的向量；[?]T表示向量的转置； 〇m，〇wi，…，〇mi表示第1，2,…，M个基站在t-1时刻的观察值。
[0030] 2. 3c根据上述获得的运算符参数矩阵F计算条件概率表Bt_1:
[0031] =[6^-y'B"-"…，BMi-!] =FOz
[0032] 公式中，表示元素个数为2M，包含在条件pa(fi;t) =j下fi;t= 1成立的所有 概率即P(fi;t= 1 |pa(fi;t) =j)的列向量，其中i= 1，2,…，M，t= 1，2，…，T，j= 0, 1 ; 〇t表示t时刻对1，2,…，M基站观察值序列组成的向量；〇丨表示向量(^的转置。
[0033] 由于上述步骤中根据已建立的一阶连通的贝叶斯网络，通过计算参量矩阵C和运 算符参数矩阵F获得条件概率表Bt_i，此条件概率表可根据贝叶斯网络中节点数目不同做 出自适应调整，从而降低了贝叶斯结构学习的复杂度。
[0034] 本发明的实现还在于：步骤2. 4中节点之间的依赖关系值Dp(fi;t;fj^lfk^)的