CN110138475A - 一种基于lstm神经网络的自适应门限信道占用状态预测方法 - Google Patents

Abstract

本发明公开了一种基于LSTM神经网络的自适应门限信道占用状态预测方法，包括确定自适应量化门限、确定历史序列长度、生成模型输入输出集、优化模型超参数、实时频谱预测五个部分，确定自适应量化门限是通过概率密度估计，对不同信道自适应设定量化门限；确定历史序列长度是通过自相关函数分析，确定输入到模型中历史序列的合适长度；生成模型输入输出集是根据自适应量化门限以及历史序列长度，将数据集进行量化并划分；超参数优化是通过网格搜索、交叉验证结合方法优化模型；实时频谱预测是通过对真实采集到的频谱数据进行实时占用状态预测。本方法可对未来频谱占用状态进行准确的预测，协助从用户预先调节发射参数，从而提高频谱资源利用率。

Description

一种基于LSTM神经网络的自适应门限信道占用状态预测方法

技术领域

本发明涉及一种基于LSTM神经网络的自适应门限信道占用状态预测方法，属于认知无线电频谱预测领域。

背景技术

随着无线通信技术的发展，无线用频设备数量飞速增长，频谱需求日益加剧。但是大量频谱分析报告显示，由于频谱的静态分配策略，许多授权频谱的利用率不足，存在着很大的资源浪费。认知无线电技术的提出是为了使非授权用户(从用户)能够在不影响授权用户(主用户)的前提下，机会式地接入使用主用户频谱资源，从而一定程度上提高频谱利用率，缓解频谱资源紧缺的现状。

传统的频谱预测方法主要有基于自回归移动平均模型、基于隐马尔可夫模型和基于支持向量机模型等方法。自回归移动平均模型要求时序数据是稳定的，或者进行差分之后是稳定的，但是通常实际采集到的频谱数据一般不满足该要求，而且自回归移动平均模型本质上只能捕捉线性关系，无法捕捉非线性关系，而频谱的变化规律通常无法用简单的线性关系来表示。隐马尔可夫模型假定当前状态只与前一个状态有关，但是实际频谱变化规律往往不满足该假定。支持向量机模型是近年来广泛使用的用于分类和回归预测一种机器学习方法，但是它和传统的机器学习的方法一样，模型性能受到特征工程的影响很大，对于特征的选取非常依赖研究人员的经验。

近年来，随着计算机运算能力的提升以及海量数据，深度学习技术迅速发展，并在各个研究领域都得到了广泛的应用并取得了显著的成果。深度学习一般通过神经网络模型实现，具有非线性化，特征工程自动化等特点。长短期记忆(Long short-term memory，LSTM)是一种优化的循环神经网络(Recurrent network，RNN)，RNN是一种专门用来处理序列问题的神经网络，而频谱数据可以在一定程度上看作是时间序列的一种，因此应用LSTM神经网络来对频谱进行预测是可行的、合理的。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于LSTM神经网络的自适应门限信道占用状态预测方法，通过对各个信道进行概率密度估计，能够自适应确定量化门限，避免了噪声不确定性的干扰，能够有效地将噪声和信号量化为空闲和占用两种信道状态，以提高神经网络预测结果的可靠性和正确率。此外，本发明通过对各个信道进行自相关分析，可以确定合适的历史序列长度，以保证数据间的相关性、减少输入数据的冗余性、节约计算成本。同时，本发明将实时频谱数据输入到优化的神经网络模型中实现实时频谱预测，可以提前获知未来频谱占用状态，协助从用户调节发射参数，从而提高频谱资源利用率。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于LSTM神经网络的自适应门限信道占用状态预测方法，包括确定自适应量化门限、确定历史序列长度、生成模型输入输出集、优化模型超参数、实时频谱预测五个部分，具体为：

(1)确定自适应量化门限：通过对近期历史频谱数据中各个信道的功率谱密度时间序列进行概率密度估计，为不同信道的自适应设定量化门限；

(2)确定历史序列长度：通过对各个信道的功率谱密度时间序列进行自相关分析，为不同信道选择输入到神经网络模型中的历史序列长度；

(3)生成神经网络模型输入输出集，包括量化和划分两个部分，其中量化是指根据自适应设定量化门限将数据集进行量化，划分是指根据历史序列长度，同时考虑到相邻信道的相关性，将量化后的数据集划分成神经网络模型输入集和输出集；

(4)优化模型超参数：通过网格搜索、交叉验证的方法对不同超参数下的神经网络模型进行性能评估，优化神经网络模型的超参数设置；

(5)实时频谱预测：将实时采集到的频谱数据进行量化和划分，然后输入到神经网络中进行实时频谱预测。

该方法通过对不同信道的功率谱密度时间序列进行概率密度估计，获取不同信道的平均噪声功率信息，为不同信道实现自适应量化门限，能够有效的将功率谱密度时间序列量化为信道占用状态序列，提高神经网络模型预测结果的准确性与可靠性；通过对不同信道时间序列进行自相关分析，获取信道变化周期性规律，为不同信道设置合适的输入到神经网络中历史序列的长度，保证数据相关性，提高预测准确率，同时减少数据冗余，节约计算成本；通过网格搜索、交叉验证相结合的方法，优化模型超参数；最后将真实采集到的频谱数据输入到优化好的神经网络模型中实现实时频谱预测，提前获知未来频谱占用状态，协助从用户调节发射参数，从而提高频谱资源利用率。

优选的，所述步骤(1)中，对第i个信道的功率谱密度时间序列x_i进行核密度估计，得到x_i的概率密度估计

其中：x为功率谱密度值，x_i,t为第i个信道的功率谱密度时间序列中第t个时隙的值；K(·)为核函数，且h为窗宽，n为功率谱密度时间序列的样本点个数；

将的第一峰值所在位置视为第i个信道的噪声功率均值N_i：

确定第i个信道的自适应设定量化门限γ_i为：

γ_i＝N_i+m

其中：m为正向偏置。

优选的，所述步骤(2)中，求解第i个信道的功率谱密度时间序列x_i的自相关函数R_i(τ)：

其中：μ_i为x_i的均值；，σ_i为x_i的方差；E(·)为求期望；

将R_i(τ)除零点外的第一峰值所在位置视为第i个信道的变化近似周期长度L_i：

确定第i个信道输入到神经网络模型中的历史序列长度为L_i。

优选的，所述步骤(3)中，生成神经网络模型输入输出集包括如下步骤：

(3.1)根据自适应设定量化门限将数据集进行量化

基于第i个信道的自适应设定量化门限γ_i，将第i个信道的功率谱密度时间序列中第t个时隙的值x_i,t量化为信道占用状态序列Ω_i,t，高于γ_i的值量化为占用状态，低于γ_i的值量化为空闲状态，分别用1和0表示：

(3.1)根据历史序列长度，同时考虑到相邻信道的相关性，将量化后的数据集划分成神经网络模型输入集和输出集，每个信道的输入集和输出集都包含多组数据，输入集中的每组数据与输出集中的每组数据一一对应

第i个信道在第t个时隙时，输入集数据为该信道及其相邻信道在第t-(L_i-1),t-(L_i-2),…,t个时隙的信道占用状态序列 和

对应的输出集数据为第i个信道在第t+1个时隙时的信道占用状态Ω_i,t+1。

优选的，所述步骤(5)中，为了预测第i个信道未来频谱的占用状况，根据γ_i对实时采集到的频谱数据进行量化，将历史序列长度为L_i的输入数据输入到超参数优化过后的神经网络模型中；

第i个信道在第t个时隙时的输入集为 和对应的输出集为第i个信道在第t+1个时隙时的信道占用状态预测值的范围在0-1之间，越小则表示信道状态为空闲的可能性越高，越大则表示信道状态为占用的可能性越高。

基于以上观点，这里研究的基于LSTM神经网络的自适应门限信道占用状态预测方法，通过对近期历史频谱数据进行概率密度估计，为不同信道自适应量化门限，避免噪声随机性干扰；通过对近期历史频谱数据进行自相关分析，获取不同信道周期性变化规律，为不同信道选取合适的输入到神经网络中历史数据序列的长度，保证数据间的相关性，并减少数据冗余，节约计算成本；通过网格搜索和交叉验证的方法优化神经网络模型超参数；通过将实时频谱数据输入到优化的神经网络模型中实现实时频谱预测，提前获知未来频谱占用状态，协助从用户调节发射参数，从而提高频谱资源利用率。

有益效果：本发明提供的基于LSTM神经网络的自适应门限信道占用状态预测方法，通过对各个信道进行概率密度估计，自适应确定量化门限，能够避免噪声不确定性的干扰，有效地将噪声和信号量化为空闲和占用两种信道状态，提高了神经网络预测结果的可靠性和正确率。此外，通过对各个信道进行自相关分析，确定合适的历史序列长度，保证数据间的相关性，能够减少输入数据的冗余性，节约了计算成本。同时，本发明将实时频谱数据输入到优化的神经网络模型中实现实时频谱预测，能够提前获知未来频谱占用状态，协助从用户调节发射参数，从而提高频谱资源利用率。

附图说明

图1为本发明的实施流程图；

图2为本发明方法在GSM1800下行链路频段(1820-1875MHz)自适应门限与IEEE标准化委员会推荐的固定门限对比图(以1836MHz信道为例)；2(a)为功率谱密度-概率密度图，2(b)为功率谱密度-时隙图；

图3为本发明方法在GSM1800下行链路频段(1820-1875MHz)自相关函数图(以1836MHz信道为例)；

图4为本发明方法LSTM神经网络输入输出关系图；

图5为本发明方法在GSM1800下行链路频段(1820-1875MHz)真实频谱与固定门限量化下的预测频谱以及自适应门限量化下的预测频谱对比图；5(a)为真实频谱，5(b)为固定门限量化下的预测频谱，5(c)为自适应门限量化下的预测频谱；

图6为本发明方法在GSM1800下行链路频段(1820-1875MHz)固定门限量化下的预测正确率以及自适应门限量化下的预测正确率对比图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种基于LSTM神经网络的自适应门限信道占用状态预测方法，包括确定自适应量化门限、确定历史序列长度、生成模型输入输出集、优化模型超参数、实时频谱预测五个部分，具体如下。

一、确定自适应量化门限

通过对近期历史频谱数据中各个信道的功率谱密度时间序列进行概率密度估计，为不同信道的自适应设定量化门限。

如图2所示，对第i个信道的功率谱密度时间序列x_i进行核密度估计，得到x_i的概率密度估计

其中：x为功率谱密度值，x_i,t为第i个信道的功率谱密度时间序列中第t个时隙的值；K(·)为核函数，且h为窗宽，n为功率谱密度时间序列的样本点个数；

将的第一峰值所在位置视为第i个信道的噪声功率均值N_i：

确定第i个信道的自适应设定量化门限γ_i为：

γ_i＝N_i+m

其中：m为正向偏置。

二、确定历史序列长度

通过对各个信道的功率谱密度时间序列进行自相关分析，为不同信道选择输入到神经网络模型中的历史序列长度。

如图3所示，求解第i个信道的功率谱密度时间序列x_i的自相关函数R_i(τ)：

其中：μ_i为x_i的均值；，σ_i为x_i的方差；E(·)为求期望；

将R_i(τ)除零点外的第一峰值所在位置视为第i个信道的变化近似周期长度L_i：

确定第i个信道输入到神经网络模型中的历史序列长度为L_i。

三、生成神经网络模型输入输出集

包括量化和划分两个部分，其中量化是指根据自适应设定量化门限将数据集进行量化，划分是指根据历史序列长度，同时考虑到相邻信道的相关性，将量化后的数据集划分成神经网络模型输入集和输出集。

生成神经网络模型输入输出集包括如下步骤：

(3.1)根据自适应设定量化门限将数据集进行量化

基于第i个信道的自适应设定量化门限γ_i，将第i个信道的功率谱密度时间序列中第t个时隙的值x_i,t量化为信道占用状态序列Ω_i,t，高于γ_i的值量化为占用状态，低于γ_i的值量化为空闲状态，分别用1和0表示：

(3.1)根据历史序列长度，同时考虑到相邻信道的相关性，将量化后的数据集划分成神经网络模型输入集和输出集，每个信道的输入集和输出集都包含多组数据，输入集中的每组数据与输出集中的每组数据一一对应

第i个信道在第t个时隙时，输入集数据为该信道及其相邻信道在第t-(L_i-1),t-(L_i-2),…,t个时隙的信道占用状态序列 和

对应的输出集数据为第i个信道在第t+1个时隙时的信道占用状态Ω_i,t+1。

四、优化模型超参数

通过网格搜索、交叉验证的方法对不同超参数下的神经网络模型进行性能评估，优化神经网络模型的超参数设置。

需要优化的超参数主要有LSTM神经网络层数、每层网络神经元个数、学习率、训练迭代次数等，在选定超参数的备选值之前，对超参数的范围进行估计，将超参数限定在一定范围、有限的个数内，以减小计算开销。

使用网格搜索的方法，将所有超参数的备选值进行组合，形成多个模型，设有p个超参数需要优化，每个超参数的备选值个数为q₁,q₂,…,q_p，则共有个模型需要进行评估比较。

使用交叉验证的方法对每个超参数组合下的模型进行评估比较，通常采用K折交叉验证，即将数据集分成K等分，每个超参数组合下的模型训练并验证K次，在第i次(i＝1,2,…,K)时，使用第i个部分作为验证集，剩余的K-1个部分作为训练集，将这K次训练验证的平均评估结果作为该超参数组合下的模型评估分数，将所有个模型的评估分数进行比较，分数最高的模型所选取的超参数组合作为最优化的超参数组合。

五、实时频谱预测

将实时采集到的频谱数据进行量化和划分，然后输入到神经网络中进行实时频谱预测。

为了预测第i个信道未来频谱的占用状况，根据γ_i对实时采集到的频谱数据进行量化，将历史序列长度为L_i的输入数据输入到超参数优化过后的神经网络模型中；

第i个信道在第t个时隙时的输入集为 和对应的输出集为第i个信道在第t+1个时隙时的信道占用状态预测值的范围在0-1之间，越小则表示信道状态为空闲的可能性越高，越大则表示信道状态为占用的可能性越高。

如图5所示，为本发明方法在GSM1800下行链路频段(1820-1875MHz)真实频谱与固定门限量化下的预测频谱以及自适应门限量化下的预测频谱对比图，图6所示为本发明方法在GSM1800下行链路频段(1820-1875MHz)固定门限量化下的预测正确率以及自适应门限量化下的预测正确率对比图。

综上所述，本发明提供的基于LSTM神经网络的自适应门限信道占用状态预测方法通过对不同信道功率谱密度序列进行概率密度估计，获取不同信道的平均噪声功率信息，为不同信道实现自适应量化门限，能够有效的将功率谱密度序列量化为信道占用状态序列，提高神经网络模型预测结果的准确性与可靠性；通过对不同信道时间序列进行自相关分析，获取信道变化周期性规律，为不同信道设置合适的输入到神经网络中历史序列的长度，保证数据相关性，提高预测准确率，同时减少数据冗余，节约计算成本；通过网格搜索、交叉验证相结合的方法，优化模型超参数；最后将真实采集到的频谱数据输入到优化好的神经网络模型中实现实时频谱预测，提前获知未来频谱占用状态，协助从用户调节发射参数，从而提高频谱资源利用率。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于LSTM神经网络的自适应门限信道占用状态预测方法，其特征在于：包括确定自适应量化门限、确定历史序列长度、生成模型输入输出集、优化模型超参数、实时频谱预测五个部分，具体为：

(1)确定自适应量化门限：通过对近期历史频谱数据中各个信道的功率谱密度时间序列进行概率密度估计，为不同信道的自适应设定量化门限；

(2)确定历史序列长度：通过对各个信道的功率谱密度时间序列进行自相关分析，为不同信道选择输入到神经网络模型中的历史序列长度；

(3)生成神经网络模型输入输出集：包括量化和划分两个部分，其中量化是指根据自适应设定量化门限将数据集进行量化，划分是指根据历史序列长度，同时考虑到相邻信道的相关性，将量化后的数据集划分成神经网络模型输入集和输出集；

(4)优化模型超参数：通过网格搜索、交叉验证的方法对不同超参数下的神经网络模型进行性能评估，优化神经网络模型的超参数设置；

(5)实时频谱预测：将实时采集到的频谱数据进行量化和划分，然后输入到神经网络中进行实时频谱预测。

2.根据权利要求1所述的基于LSTM神经网络的自适应门限信道占用状态预测方法，其特征在于：所述步骤(1)中，对第i个信道的功率谱密度时间序列x_i进行核密度估计，得到x_i的概率密度估计

其中：x为功率谱密度值，x_i,t为第i个信道的功率谱密度时间序列中第t个时隙的值；K(·)为核函数，且h为窗宽，n为功率谱密度时间序列的样本点个数；

将的第一峰值所在位置视为第i个信道的噪声功率均值N_i：

确定第i个信道的自适应设定量化门限γ_i为：

γ_i＝N_i+m

其中：m为正向偏置。

3.根据权利要求1所述的基于LSTM神经网络的自适应门限信道占用状态预测方法，其特征在于：所述步骤(2)中，求解第i个信道的功率谱密度时间序列x_i的自相关函数R_i(τ)：

其中：μ_i为x_i的均值；，σ_i为x_i的方差；E(·)为求期望；

将R_i(τ)除零点外的第一峰值所在位置视为第i个信道的变化近似周期长度L_i：

确定第i个信道输入到神经网络模型中的历史序列长度为L_i。

4.根据权利要求1所述的基于LSTM神经网络的自适应门限信道占用状态预测方法，其特征在于：所述步骤(3)中，生成神经网络模型输入输出集包括如下步骤：

(3.1)根据自适应设定量化门限将数据集进行量化

基于第i个信道的自适应设定量化门限γ_i，将第i个信道的功率谱密度时间序列中第t个时隙的值x_i,t量化为信道占用状态序列Ω_i,t，高于γ_i的值量化为占用状态，低于γ_i的值量化为空闲状态，分别用1和0表示：

(3.1)根据历史序列长度，同时考虑到相邻信道的相关性，将量化后的数据集划分成神经网络模型输入集和输出集，每个信道的输入集和输出集都包含多组数据，输入集中的每组数据与输出集中的每组数据一一对应

第i个信道在第t个时隙时，输入集数据为该信道及其相邻信道在第t-(L_i-1),t-(L_i-2),…,t个时隙的信道占用状态序列 和

对应的输出集数据为第i个信道在第t+1个时隙时的信道占用状态Ω_i,t+1。

5.根据权利要求1所述的基于LSTM神经网络的自适应门限信道占用状态预测方法，其特征在于：所述步骤(5)中，为了预测第i个信道未来频谱的占用状况，根据γ_i对实时采集到的频谱数据进行量化，将历史序列长度为L_i的输入数据输入到超参数优化过后的神经网络模型中；

第i个信道在第t个时隙时的输入集为 和对应的输出集为第i个信道在第t+1个时隙时的信道占用状态预测值的范围在0-1之间，越小则表示信道状态为空闲的可能性越高，越大则表示信道状态为占用的可能性越高。