Ism频段中基于时频二维lmbp神经网络的频谱预测方法
【专利摘要】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。
【专利说明】
I SM频段中基于时频二维LMBP神经网络的频谱预测方法
技术领域
[0001]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】
[0002] 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。
[0003] 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。
[0004] 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 C0MPUTING，V0L. 11，N0.6,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。
[0005] 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。
[0006] 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】
[0007] 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：
[0008] 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；
[0009] 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 lt，Y2t，将第一层网络输出向 量Yit，Y2t作为第二层网络的输入向量，得到最终的预测值Yt，即构建时频二维LMBP神经网络 实现ISM频段的频谱预测；
[0010] 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;
[0011] 步骤4:构建时域和频域输入向量矩阵Xt，Xf:将Xt，Xf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，. . .，Ym]T，Ym即为CSI (U，Cm)的预测值，完成频 谱预测。
[0012] 进一步的，所述步骤1和步骤2的时域乂1=[051(卜1，(：），031(卜2，(3)，...，031(七-Δ t，c) ]τ和频域 X2 = [CSI(t，c±l)，CSI(t，c±2)，· · ·，CSI(t，c± Af) ]τ，所不 CSI (t_ Δ t， c)表示时刻（t-Δ t)信道c的信道状态信息，CSI(t，c± Δ f)表示时亥Ijt信道(c± Δ f)的信道 状态信息。
[0013] 进一步的，所述步骤3的调整公式为：
[0014] 调整公式％+1 = ?&-+ ，Uk+i表示下一步迭代得到的参数 向量，Uk表示当前迭代的参数向量，J(Uk)表示e(Uk)的Jacobian矩阵，外/表示微增量单位矩 阵，e(uk)表示误差向量，调整公式以误差函数F(U)O为条件，ε表示预设的目标误差。
[0018]其中，CSI(t，c)的量化公式为：
[0015] 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(A 七），步页城的和革柿1?(/\^'')的彳+管加下'.
[0016]
[0017]
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；
[0020] 两个0-1序列的相关度AiA定义如下：
[0021]
[0022]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) = I，否则I(A)=O,由R(At)，R( Af)的相关性曲线得至IjISM频段邻近时隙和邻近频点间 的相关性。
[0023] 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- Δ 七，(3)]7和频域父2=[051(七，(：±1)，051(七，(3±2)，...，051(七，(3±&0]7的共同训练，得到输 出向量Yit，Y2t，将￥^，Y2t作为第二层网络的输入向量，得到最终的预测值Yt，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。
[0024] 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=[Yl，Y2，Y3, . . .，Ym]T，并与目标向量构成误差函数：
[0026] 其中，u是由神经网络权值w和阀值b组成的参数向量：
[0027]
[0028] 参数向量u的牛顿法学习规则：七+1 =Mit -，其中为Hessian矩阵的逆矩 阵;gk 为 F(U)的梯度，= ▽尸("）=21;(?)_<")，.[(11)为6(11)的雅克比矩阵 ：
[0029]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 Xt,Xf:
[0030]
[0031]
[0032]将Xt，Xf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YWYiAA，. . .，Ym]T，Ym即为CSI(U，cm)的预测值。 [0033]本发明的优点及有益效果如下：
[0034]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（△ f = l、△ f = 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】
[0035]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；
[0036] 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；
[0037] 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；
[0038]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；
[0039] 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)〇
【具体实施方式】
[0040] 以下结合附图，对本发明作进一步说明：
[0041] 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△ t分别为1，2,3, ...，10,频域输入Af分别为 〇，1，2,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。
[0042] 第一步:计算ISM频段时域和频域相关性：
[0043；
[0044；
[0045]其中，CSI(t，c)的量化公式为：
[0046]
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。
[0047] 两个0-1序列的相关度/V:定义如下：
[0048]
[0049] 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 ( △ t)，R ( △ f)的相关性曲线可知，I SM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△ f = ± 1和△ f= ±2邻近频点，相关性分别为 0.87 和0.86。
[0050] 第二步:基于I SM频段时频相关性结论，构建时频二维LMBP神经网络来实现I SM频 段的频谱预测；
[0051]
[0052]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=[Yl，Y2，Y3, . . .，Ym]T，并与目标向量构成误差函数：
[0053]
[0054] 其中，u是由权值和阀值组成的神经网络参数向量：
[0055]
[0056] 参数向量u的牛顿法训练规则：Mi+1 ，其中/?1为Hessian矩阵的逆矩 阵，gk为F(U)的梯度。私二￥尸卜）=2,//(幻<卜)，其中，1(11)为 6(11)的雅克比矩阵：
[0057]
[0058] 由于F(U)具有平方和误差的形式，Hk可近似表达为：/_/,;=卩卞(》) = 2</_'(^),/(")，为 保证▽2 F⑷为正定可逆，加入一个微增量# = /Zi + % /，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 (11)>￡时，以调整公式进行迭代训练；当F(U)O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。
[0059]第四步：以参数向量u构成的时频二维LMBP神经网络来实现I SM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Xt，Xf:
[0060]
[0061]
[0062] 将Xt，Xf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. . .，Ym]T，Ym即为CSI(U，cm)的预测值。将输 出向量Y同实测目标向量Z = [Z1，Z2，Z3，. . .，2"]7进行对比，获得时频二维LMBP神经网络的 预测精度。
[0063] 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（At=l，2,3, . . .，10, Af =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=I，2,3，...，14)，时 频二维LMBP神经网络（Δ f = 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△ t增加时域相关性趋于0.85;频域 在Δ f = ± 1和△ f = ± 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Δ t = 5之前递增，在Δ t = 5之后基本稳定在0.92 以下；由Af=l、Af = 2、Af = 3构成的时频二维LMBP神经网络中，当At<5时，预测精度 较时域LMBP有较大提高；当△ t >5后，预测精度趋于稳定，其中△ f = 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（Δ f = 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 尚4 %左右，相比Markov算法提尚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HT 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△ t = 5和Δ f =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 算复杂度的条件下，有效提高ISM频段的预测精度。所提方法可通过频谱预测来预先获知 频段的占用信息，有效解决ISM频段设备间兼容共存问题，获得了ISM频段中更优的频谱预 测方法。
[0066] 表 1
[0067] 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。
【主权项】
1. 一种ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，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W并行的方式 实现时域和频域的共同训练，得到第一层网络的输出向量Yit, Y2t，将第一层网络的输出向 量Yit, Y2t作为第二层网络的输入向量，得到最终的预测值Yt,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，W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，W此得到 神经网络的权值向量W和阔值向量b; 步骤4:构建时域和频域输入向量矩阵Xt，Xf:将Xt，Xf通过步骤2构建的时频二维LMBP神 经网络，得到输出向量￥=化，￥2术，...，￥。]了，￥。即为〔51(^，如)的预测值，完成频谱预测。2. 根据权利要求1所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特 征在于，所述步骤巧P步骤2的时域Xi = [CSI (t-1，C)，CSI (t-2，C)，. . .，CSI (t- A t，C)]哺频 域拉=[CSI(t ,c± 1) ,CSI(t ,c±2), . . . ,CSI(t ,c± A f) ]T，所示CSI(t- A t ,c)表示时刻（t- A t)信道C的信道状态信息，CSI(t，c± A f)表示时刻t信道(c± A f)的信道状态信息。3. 根据权利要求1或2所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法， 其特征在于，所述步骤3的调整公式为： 调整公式.的+.1戶<-口八叫)/(。<.) + &/]-1'2八叫)'￡<斯:).，化+读示下一步迭代得到的参数向量， Uk表示当前迭代的参数向量，J(Uk)表示e(Uk)的化CObian矩阵，&/表示微增量单位矩阵，e (Uk)表示误差向量，调整公式W误差函数F(u)《e为条件，e表示预设的目标误差。4. 根据权利要求3所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特 征在于， 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( A t)，频域的相关 性R(Af)的计算如下：其中，CSKt, C)的量化公式为：和CSKt, 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Aj,定父化下：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)=O,由R(At) ,R(Af)的相关性曲线得至IjISM频段邻近时隙和邻近频点间的 相关性。5. 根据权利要求4所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特 征在于，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W并行的方式实现时域Xi = [CSI (t-1，C)，CSI (t-2，C)，. . .，CSI (t- A t，C)]哺频域 拉=[CSI(t，c±l)，CSI(t，c±2)，...，CSI(t，c±Af)]T的共同训练，得到输出向量Ylt，Y2t， 将Yit，Y2t作为第二层网络的输入向量，得到最终的预测值Yt，则寸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。6. 根据权利要求5所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特 征在于，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=[Yi，Y2，Y3, . . .，Ym]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； 阵的逆矩阵;gk为 F(U)的梯度7. 根据权利要求5所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特 征在于，在步骤4具体为：WlSM频段实测数据来构建时域和频域输入向量矩阵Xt,Xf:将Xt ,?作为神经网络输入向量，通过权值向量W和阔值向量b已达到最优值的时频二维 1118巧申经网络，得到输出向量￥=化，￥2术，...，￥。]了，￥。即为〔51(心，(3。)的预测值。
【文档编号】H04B17/373GK105915299SQ201610149087
【公开日】2016年8月31日
【申请日】2016年3月16日
【发明人】胡盼, 万晓榆, 王正强, 樊自甫
【申请人】重庆邮电大学