CN112311488A - 基于小波分解的频谱感知方法 - Google Patents

Abstract

本发明提供了一种基于小波分解的频谱感知方法，本发明所要解决的是LSTM未能发掘时间序列在其频域里的隐含信息而提供基于小波分解和LSTM的频谱感知方法，本发明优化了更新权重的方法，在一定程度上提高模型的拟合能力和模型训练的效果。本发明通过对服务拥塞率序列进行预测建模，可以有助于认知用户更好的分析授权用户群的频谱使用情况，得到其活跃度的趋势性、周期性的波动性规律，以此来预测将来的活跃度，为认知用户的频谱接入策略选择提供帮助。

Description

基于小波分解的频谱感知方法

技术领域

本发明涉及一种基于小波分解的频谱感知方法。

背景技术

SCR序列是一个一维的时间序列，对于SCR序列的分析，本质上来讲的是单变量的时间序列的分析与预测。LSTM可以克服学习嵌入在时间序列的长期依赖关系。但是长短时记忆网络(LSTM)属于时域方法的范畴，未能发掘时间序列在其频域里的隐含信息。

发明内容

本发明的目的在于提供一种基于小波分解的频谱感知方法。

为解决上述问题，本发明提供一种基于小波分解的频谱感知方法，包括：

步骤1.获取SCR序列，通过SCR序列得到训练集D_train和测试集D_test；

步骤2.根据训练集D_train，利用序列滑动窗口的大小对SCR序列进行处理，得到处理后的序列，将其作为网络的输入序列，设序列滑动窗口的大小为L；

步骤3.通过二层小波分解成三个序列，并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型；

步骤4.将三个LSTM网络的输出连接到一个全连接层的回归分析网络中，最后输出预测值。在测试阶段，根据网络中最后的输出向量，将输出向量的最后一个值的输入向量除去第一个值之后的所有值再次组成一个向量作为输出，以此类推，最后得到预测序列，再根据预测序列和真实值计算出APSO-LSTM模型的均方根误差(RMSE)，计算公式如下：

进一步的，在上述方法中，步骤1.获取SCR序列，包括：

统计信道占用状态(CS)、服务(service)和服务拥塞率(SCR)。有如下两个公式：

CS(t,f)＝ε,ε＝{0,1}，

SCR(t,S)＝∑_c∈SCS(t,c)/n，

其中，t代表的时间点，f代表某一频率，“0”代表空闲，“1”代表占用，n代表该服务中的总信道数量，SCR序列的值在0和1之间，用来度量某一服务的拥塞程度，对于SCR序列获取采用M/D/C的频谱占用模型，其中，规定M代表频谱接入次数，参数D代表用户占用频段的时间长短，参数C为总的通信数量。假设顾客的到达过程是一个参数为λ的泊松分布{H(t)}，服务时间是一个非负的一般随机变量B，其概率分布函数B(.)表示，均值为EB＝μ/1，M表示PU的到达间隔服从泊松分布，G表示PU占用信道的时间服从几何分布，1表示单信道，泊松分布和几何分布的表达式分别为：

p(X＝m)＝(1-p)^m-1p，

SCR序列是一个一维的时间序列记为X＝{x₁,...,x_t,...x_T}。

进一步的，在上述方法中，步骤3.通过二层小波分解成三个序列，并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型，包括：

多层次离散小波分解是一种基于小波变换的离散信号分析方法，它将时间序列分解为低频和高频子序列，从而提取时间序列中隐藏的多变时频特征。输入时间序列表示为X＝{x₁,...x_t,...x_T}，第i级生成的低频、高频子序列分别为x^l(i)和x^h(i)；然后在i+1层次，小波分解部分中使用低通滤波器l＝{l₁,...l_k,...l_K}和高通滤波器h＝{h₁,...h_k,...h_K}，使用公式来卷积上层的低频子序列：

其中，

为第i层低频子序列的第n个元素；假设X^l(0)为输入序列集合，则第i层的低频和高频子序列X^l(i)和X^h(i)，第i层的低频和高频子序列X^l(i)和X^h(i)是通过中间变量序列1/2向下采样生成的，其表达式如下：

子序列集合X(i)＝{X^h(1),X^h(2),...X^h(i),X^l(i)}成为X的第i级分解结果，通过X(i)完全重构X；从X^h(i)到X^l(i)的频率是高到低；不同的层次，有不同的时间和频率分辨率，随着i的增加，频率分辨率增加，时间分辨率降低，特别是低频子序列，由于X中频率不同的子序列与原始序列X保持相同的顺序信息，因此将小波分解部分是为时频分解；

使用以下两个函数分层分解时间序列函数如下：

a^l(i)＝σ(W^l(i)X^l(i-1))+b^l(i)) (9)

a^h(i)＝σ(W^h(i)X^h(i-1))+b^h(i)) (10)

其中，σ(·)是一个激活函数，b^l(i)和b^h(i)是可训练的偏差向量，初始化时将其设置为接近零的随机值，X^l和X^h也表示在第i层生成的X的低频和高频子序列，X^l和X^h是通过中间变量a^l(i)和a^h(i)使用

得到的，分小波分解中低通和高通滤波器一般采用db4中的参数，如下式：

l＝{-0.0106,0.0329,0.0308,-0.187,-0.028,0.6309,0.7148,0.2304} (11)

h＝{-0.2304,0.7148,-0.6309,0.028,0.187,0.0308,-0.0329,-0.0106} (12)

通过两层小波分解成三个子序列

接下来训练LSTM模型，其中，采用基于APSO的LSTM模型，定义适应度函数为：

其中，k代表预测序列的总长度，

代表APSO-LSTM网络模型在i时刻的预测输出值，y_i为在i时刻的真实值。

进一步的，在上述方法中，训练LSTM模型，包括：

(1)确定LSTM算法中的输入层节点数和输出层节点数，APSO算法中的种群规模、粒子位置、粒子速度的取值区间；

(2)随机生成粒子种群M(n,ε,iter)，其中n代表隐藏层神经元的节点数，ε代表LSTM的学习率，iter代表LSTM的迭代数；

(3)将得到的种群粒子对LSTM参数赋值，在不同的参数下进行模型网络训练，直到达到迭代次数后，输出样本值

和验证样本输出值y_i；

(4)确定适应度函数，通过计算对比每个粒子的适应度值来选取最有粒子适应度值，可以根据下面两个式子的个体极值和全局极值来更新新的粒子自身的速度和位置：

ω＝ω_max,f＞f_avg，其中，ω_max、ω_min分别为ω的最大最小值；f为粒子当前的适应度值；f_min、f_avg分别表示当前所有粒子适应度的最小值和适应度的平均度值；

达到模型选取的最大迭代次数和模型精度后，输出最优粒子种群位置，将得到的参数赋值给LSTM的网络超参数。

与现有技术相比，本发明所要解决的是LSTM未能发掘时间序列在其频域里的隐含信息而提供基于小波分解和LSTM的频谱感知方法，本发明优化了更新权重的方法，在一定程度上提高模型的拟合能力和模型训练的效果。

本发明通过对服务拥塞率(SCR)序列进行预测建模，可以有助于认知用户更好的分析授权用户群的频谱使用情况，得到其活跃度的趋势性、周期性的波动性规律，以此来预测将来的活跃度，为认知用户的频谱接入策略选择提供帮助。

附图说明

图1是本发明一实施例的基于小波分解频谱感知方法的流程示意图；

图2是本发明一实施例的WD-LSTM模型网络结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种基于小波分解的频谱感知方法，包括：

步骤1.获取SCR序列，通过SCR序列得到训练集D_train和测试集D_test；

我们需要统计信道占用状态(CS)、服务(service)和服务拥塞率(SCR)。有如下两个公式：

CS(t,f)＝ε,ε＝{0,1} (1)，

SCR(t,S)＝∑_c∈SCS(t,c)/n (2)，

其中，t代表的时间点，f代表某一频率，“0”代表空闲，“1”代表占用，n代表该服务中的总信道数量，SCR序列的值在0和1之间，用来度量某一服务的拥塞程度，对于SCR序列获取采用M/D/C的频谱占用模型，其中，规定M代表频谱接入次数，参数D代表用户占用频段的时间长短，参数C为总的通信数量。假设顾客的到达过程是一个参数为λ的泊松分布{H(t)}，服务时间是一个非负的一般随机变量B，其概率分布函数B(.)表示，均值为EB＝μ/1，M表示PU的到达间隔服从泊松分布，G表示PU占用信道的时间服从几何分布，1表示单信道，泊松分布和几何分布的表达式分别为：

p(X＝m)＝(1-p)^m-1p (4)，SCR序列是一个一维的时间序列记为X＝{x₁,...,x_t,...x_T}。

步骤2.根据训练集D_train，利用序列滑动窗口的大小对SCR序列进行处理，得到处理后的序列，将其作为网络的输入序列，设序列滑动窗口的大小为L，

步骤3.通过二层小波分解成三个序列，并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型；

多层次离散小波分解是一种基于小波变换的离散信号分析方法，它将时间序列分解为低频和高频子序列，从而提取时间序列中隐藏的多变时频特征。输入时间序列表示为X＝{x₁,...x_t,..x._T，第i级生成的低频、高频子序列分别为x^l(i)和x^h(i)；然后在i+1层次，小波分解部分中使用低通滤波器l＝{l₁,...l_k,...l_K}和高通滤波器h＝{h₁,...h_k,...h_K}，使用公式来卷积上层的低频子序列：

其中，

为第i层低频子序列的第n个元素；假设X^l(0)为输入序列集合，则第i层的低频和高频子序列X^l(i)和X^h(i)，第i层的低频和高频子序列X^l(i)和X^h(i)是通过中间变量序列1/2向下采样生成的，其表达式如下：

子序列集合X(i)＝{X^h(1),X^h(2),...X^h(i),X^l(i)}成为X的第i级分解结果，通过X(i)完全重构X；从X^h(i)到X^l(i)的频率是高到低；不同的层次，有不同的时间和频率分辨率，随着i的增加，频率分辨率增加，时间分辨率降低，特别是低频子序列，由于X中频率不同的子序列与原始序列X保持相同的顺序信息，因此将小波分解部分是为时频分解。

在本小波分解部分的结构图如图2所示。使用以下两个函数分层分解时间序列函数如下：

a^l(i)＝σ(W^l(i)X^l(i-1))+b^l(i)) (9)

a^h(i)＝σ(W^h(i)X^h(i-1))+b^h(i)) (10)

其中，σ()是一个激活函数，b^l(i)和b^h(i)是可训练的偏差向量，初始化时将其设置为接近零的随机值。X^l和X^h也表示在第i层生成的X的低频和高频子序列，他们是通过中间变量a^l(i)和a^h(i)使用

得到的，分小波分解中低通和高通滤波器一般采用db4中的参数，如下式：

l＝{-0.0106,0.0329,0.0308,-0.187,-0.028,0.6309,0.7148,0.2304} (11)

h＝{-0.2304,0.7148,-0.6309,0.028,0.187,0.0308,-0.0329,-0.0106} (12)

通过两层小波分解成三个子序列

接下来训练LSTM模型，其中，采用基于APSO的LSTM模型，定义适应度函数为：

其中，k代表预测序列的总长度，

代表APSO-LSTM网络模型在i时刻的预测输出值，y_i为在i时刻的真实值。

其中，LSTM模型的训练流程如下：

(1)确定LSTM算法中的输入层节点数和输出层节点数，APSO算法中的种群规模、粒子位置、粒子速度的取值区间；

(2)随机生成粒子种群M(n,ε,iter)，其中n代表隐藏层神经元的节点数，ε代表LSTM的学习率，iter代表LSTM的迭代数；

(3)将得到的种群粒子对LSTM参数赋值，在不同的参数下进行模型网络训练，直到达到迭代次数后，输出样本值

和验证样本输出值y_i；

(4)确定适应度函数，通过计算对比每个粒子的适应度值来选取最有粒子适应度值，可以根据下面两个式子的个体极值和全局极值来更新新的粒子自身的速度和位置：

ω＝ω_max,f＞f_avg (15)

其中，ω_max、ω_min分别为ω的最大最小值；f为粒子当前的适应度值；f_min、f_avg分别表示当前所有粒子适应度的最小值和适应度的平均度值；

(5)达到模型选取的最大迭代次数和模型精度后，输出最优粒子种群位置，将得到的参数赋值给LSTM的网络超参数。

步骤4.将三个LSTM网络的输出连接到一个全连接层的回归分析网络中，最后输出预测值。在测试阶段，根据网络中最后的输出向量，将输出向量的最后一个值的输入向量除去第一个值之后的所有值再次组成一个向量作为输出，以此类推，最后得到预测序列，再根据预测序列和真实值计算出APSO-LSTM模型的均方根误差(RMSE)，计算公式如下：

通过计算RMSE值可以衡量预测精度。

具体的，长短时记忆网络(LSTM)属于时域方法的范畴，未能发掘时间序列在其频域里的隐含信息，小波分解可以解决这个问题，可以充分捕捉到时间序列中的频率信息，提高预测精度。本发明选取自适应粒子群算法(APSO)作为粒子群算法(PSO)的改进，对LSTM神经网络中的隐藏层神经节点数、迭代次数和学习率进行网络参数优化，在一定程度上提高模型的拟合能力和模型训练的效果。

本发明所要解决的是LSTM未能发掘时间序列在其频域里的隐含信息而提供基于小波分解和LSTM的频谱感知方法，本发明优化了更新权重的方法，在一定程度上提高模型的拟合能力和模型训练的效果。

本发明通过对服务拥塞率(SCR)序列进行预测建模，可以有助于认知用户更好的分析授权用户群的频谱使用情况，得到其活跃度的趋势性、周期性的波动性规律，以此来预测将来的活跃度，为认知用户的频谱接入策略选择提供帮助。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (4)

1.一种基于小波分解的频谱感知方法，其特征在于，包括：

步骤1.获取SCR序列，通过SCR序列得到训练集D_train和测试集D_test；

步骤2.根据训练集D_train，利用序列滑动窗口的大小对SCR序列进行处理，得到处理后的序列，将其作为网络的输入序列，设序列滑动窗口的大小为L；

步骤3.通过二层小波分解成三个序列，并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型；

步骤4.将三个LSTM网络的输出连接到一个全连接层的回归分析网络中，最后输出预测值。在测试阶段，根据网络中最后的输出向量，将输出向量的最后一个值的输入向量除去第一个值之后的所有值再次组成一个向量作为输出，以此类推，最后得到预测序列，再根据预测序列和真实值计算出APSO-LSTM模型的均方根误差，计算公式如下：

2.如权利要求1所述的基于小波分解的频谱感知方法，其特征在于，步骤1.获取SCR序列，包括：

统计信道占用状态、服务和服务拥塞率，有如下两个公式：

CS(t,f)＝ε,ε＝{0,1}，

SCR(t,S)＝∑_c∈SCS(t,c)/n，

其中，t代表的时间点，f代表某一频率，“0”代表空闲，“1”代表占用，n代表该服务中的总信道数量，SCR序列的值在0和1之间，用来度量某一服务的拥塞程度，对于SCR序列获取采用M/D/C的频谱占用模型，其中，规定M代表频谱接入次数，参数D代表用户占用频段的时间长短，参数C为总的通信数量。假设顾客的到达过程是一个参数为λ的泊松分布{H(t)}，服务时间是一个非负的一般随机变量B，其概率分布函数B(.)表示，均值为EB＝μ/1，M表示PU的到达间隔服从泊松分布，G表示PU占用信道的时间服从几何分布，1表示单信道，泊松分布和几何分布的表达式分别为：

p(X＝m)＝(1-p)^m-1p，

SCR序列是一个一维的时间序列记为X＝{x₁,...,x_t,...x_T}。

3.如权利要求1所述的基于小波分解的频谱感知方法，其特征在于，步骤3.通过二层小波分解成三个序列，并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型，包括：

多层次离散小波分解是一种基于小波变换的离散信号分析方法，它将时间序列分解为低频和高频子序列，从而提取时间序列中隐藏的多变时频特征，输入时间序列表示为X＝{x₁,...x_t,...x_T}，第i级生成的低频、高频子序列分别为x^l(i)和x^h(i)；然后在i+1层次，小波分解部分中使用低通滤波器l＝{l₁,...l_k,...l_K}和高通滤波器h＝{h₁,...h_k,...h_K}，使用公式来卷积上层的低频子序列：

其中，

为第i层低频子序列的第n个元素；假设X^l(0)为输入序列集合，则第i层的低频和高频子序列X^l(i)和X^h(i)，第i层的低频和高频子序列X^l(i)和X^h(i)是通过中间变量序列1/2向下采样生成的，其表达式如下：

子序列集合X(i)＝{X^h(1),X^h(2),...X^h(i),X^l(i)}成为X的第i级分解结果，通过X(i)完全重构X；从X^h(i)到X^l(i)的频率是高到低；不同的层次，有不同的时间和频率分辨率，随着i的增加，频率分辨率增加，时间分辨率降低，特别是低频子序列，由于X中频率不同的子序列与原始序列X保持相同的顺序信息，因此将小波分解部分是为时频分解；

使用以下两个函数分层分解时间序列函数如下：

a^l(i)＝σ(W^l(i)X^l(i-1))+b^l(i))，

a^h(i)＝σ(W^h(i)X^h(i-1))+b^h(i))，

其中，σ(·)是一个激活函数，b^l(i)和b^h(i)是可训练的偏差向量，初始化时将其设置为接近零的随机值，X^l和X^h也表示在第i层生成的X的低频和高频子序列，X^l和X^h是通过中间变量a^l(i)和a^h(i)使用

得到的，分小波分解中低通和高通滤波器采用db4中的参数，如下式：

l＝{-0.0106,0.0329,0.0308,-0.187,-0.028,0.6309,0.7148,0.2304}，

h＝{-0.2304,0.7148,-0.6309,0.028,0.187,0.0308,-0.0329,-0.0106}，

通过两层小波分解成三个子序列

接下来训练LSTM模型，其中，采用基于APSO的LSTM模型，定义适应度函数为：

其中，k代表预测序列的总长度，

代表APSO-LSTM网络模型在i时刻的预测输出值，y_i为在i时刻的真实值。

4.如权利要求3所述的基于小波分解的频谱感知方法，其特征在于，训练LSTM模型，包括：

(1)确定LSTM算法中的输入层节点数和输出层节点数，APSO算法中的种群规模、粒子位置、粒子速度的取值区间；

(2)随机生成粒子种群M(n,ε,iter)，其中n代表隐藏层神经元的节点数，ε代表LSTM的学习率，iter代表LSTM的迭代数；

(3)将得到的种群粒子对LSTM参数赋值，在不同的参数下进行模型网络训练，直到达到迭代次数后，输出样本值

和验证样本输出值y_i；

(4)确定适应度函数，通过计算对比每个粒子的适应度值来选取最有粒子适应度值，可以根据下面两个式子的个体极值和全局极值来更新新的粒子自身的速度和位置：

ω＝ω_max,f＞f_avg，

其中，ω_max、ω_min分别为ω的最大最小值；f为粒子当前的适应度值；f_min、f_avg分别表示当前所有粒子适应度的最小值和适应度的平均度值；

(5)达到模型选取的最大迭代次数和模型精度后，输出最优粒子种群位置，将得到的参数赋值给LSTM的网络超参数。

Images