CN113852970B - 基于图神经网络的多维频谱预测方法、系统、装置及介质 - Google Patents
基于图神经网络的多维频谱预测方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN113852970B CN113852970B CN202111163140.7A CN202111163140A CN113852970B CN 113852970 B CN113852970 B CN 113852970B CN 202111163140 A CN202111163140 A CN 202111163140A CN 113852970 B CN113852970 B CN 113852970B
- Authority
- CN
- China
- Prior art keywords
- data
- spectrum
- frequency spectrum
- neural network
- graph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于图神经网络的多维频谱预测方法、系统、装置及介质,方法包括:获取频谱数据,并对频谱数据进行时间域上的相关性分析,得到频谱相关系数;根据频谱相关系数对频谱数据进行构造,得到图结构频谱数据;对图结构频谱数据进行谱聚类处理,得到待测数据;将待测数据输入图神经网络,通过图神经网络捕捉得到待测数据在不同维度上的相关性,确定预测结果。本发明能够将频谱数据构造成图结构,并根据图神经网络对未来频谱状态进行多时隙预测,可广泛应用于无线通信技术领域。
Description
技术领域
本发明涉及无线通信技术领域,尤其是基于图神经网络的多维频谱预测方法、系统、装置及介质。
背景技术
随着智能无线网络的快速发展,对以更高速率传输大量数据的需求不断增长,这也造成了频谱资源趋于饱和,甚至过载状态。而频谱预测是认知无线电技术的有效补充,帮助用户减少频谱感知过程中的时延和能量消耗,增加频谱接入的系统吞吐量。现有的大多数研究只考虑单一维度单一时隙的频谱预测,即只根据某个频点或频段的有限历史频谱信息来推测其在下一时刻的频谱状态,这也大大限制了频谱预测的性能。单一时隙的频谱预测在时间上跨度较小,无法适应不断变化的无线网络环境。因此,联合多维频谱预测是一个具有挑战性的问题。
发明内容
有鉴于此,本发明实施例提供一种简单高效的基于图神经网络的多维频谱预测方法、系统、装置及介质,以实现多维频谱预测。
一方面,本发明提供了基于图神经网络的多维频谱预测方法,包括:
获取频谱数据,并对频谱数据进行时间域上的相关性分析,得到频谱相关系数;
根据频谱相关系数对频谱数据进行构造,得到图结构频谱数据;
对图结构频谱数据进行谱聚类处理,得到待测数据;
将待测数据输入图神经网络,通过图神经网络捕捉得到待测数据在不同维度上的相关性,确定预测结果。
可选地,获取频谱数据,并对频谱数据进行时间域上的相关性分析,得到频谱相关系数,包括:
获取频谱数据;
对频谱数据按大小顺序进行排列,得到顺序数据;
对顺序数据进行秩次计算,得到顺序数据的秩次差;
根据秩次差计算得到频谱相关系数。
可选地,根据频谱相关系数对频谱数据进行构造,得到图结构频谱数据,包括:
根据频谱数据的频谱状态,构建得到节点集合;
根据频谱数据的连接关系,构建得到边集合;
根据频谱相关系数,构建得到互相关邻接矩阵;
根据节点集合、边集合和互相关邻接矩阵,构建得到图结构频谱数据。
可选地,对图结构频谱数据进行谱聚类处理,得到待测数据,包括:
构建图结构频谱数据的相似度矩阵;
计算相似度矩阵的特征值和特征向量,构建特征向量空间;
根据谱聚类算法对特征向量空间中的特征向量进行聚类,得到待测数据。
可选地,将待测数据输入图神经网络,通过图神经网络捕捉得到待测数据在不同维度上的相关性,确定预测结果,包括:
将待测数据输入图神经网络,图神经网络包括K阶扩散卷积模块和长短期记忆模块;
通过K阶扩散卷积模块捕捉待测数据的非线性相关性,通过长短期记忆模块捕捉待测数据在时间域上的相关性,得到预测结果。
可选地,K阶扩散卷积模块的模型公式为:
其中,Sp,:,f表示输入,表示图卷积算子,表示过滤器,K表示扩散阶数,Dp表示子图度矩阵,Wp表示子图邻接矩阵,Yp,:,g表示输出,tanh表示激活函数,F表示子图节点的输入特征数量,f表示输入特征索引,g表示输出特征索引。
可选地,还包括:
将预测结果与历史数据真值进行比较,对频谱预测性能进行评估,得到评估结果,评估结果包括平均绝对误差、均方根误差和平均绝对百分比误差。
另一方面,本发明实施例还公开了基于图神经网络的多维频谱预测系统,包括:
第一模块,用于获取频谱数据,并对所述频谱数据进行时间域上的相关性分析,得到频谱相关系数;
第二模块,用于根据所述频谱相关系数对所述频谱数据进行构造,得到图结构频谱数据;
第三模块,用于对所述图结构频谱数据进行谱聚类处理,得到待测数据;
第四模块,用于将所述待测数据输入图神经网络,通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性,确定预测结果。
另一方面,本发明实施例还公开了一种电子装置,包括处理器以及存储器;
存储器用于存储程序;
处理器执行程序实现如前面的方法。
另一方面,本发明实施例还公开了一种计算机可读存储介质,存储介质存储有程序,程序被处理器执行实现如前面的方法。
另一方面,本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明通过获取频谱数据,并对频谱数据进行时间域上的相关性分析,得到频谱相关系数;能够综合考虑频谱数据在时间域上的相关性,对频谱数据进行了更深入的特征提取;根据频谱相关系数对频谱数据进行构造,得到图结构频谱数据;对图结构频谱数据进行谱聚类处理,得到待测数据;将待测数据输入图神经网络,通过图神经网络捕捉得到待测数据在不同维度上的相关性,确定预测结果;能够将频谱数据构造成图结构,并根据图神经网络对未来频谱状态进行多时隙预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种方法流程图;
图2为本发明实施例的一种图神经网络数据处理流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本发明实施例提供基于图神经网络的多维频谱预测方法,包括:
获取频谱数据,并对频谱数据进行时间域上的相关性分析,得到频谱相关系数;
根据频谱相关系数对频谱数据进行构造,得到图结构频谱数据;
对图结构频谱数据进行谱聚类处理,得到待测数据;
将待测数据输入图神经网络,通过图神经网络捕捉得到待测数据在不同维度上的相关性,确定预测结果。
进一步作为优选的实施方式,获取频谱数据,并对频谱数据进行时间域上的相关性分析,得到频谱相关系数,包括:
获取频谱数据;
对频谱数据按大小顺序进行排列,得到顺序数据;
对顺序数据进行秩次计算,得到顺序数据的秩次差;
根据秩次差计算得到频谱相关系数。
其中,获取频谱数据并对频谱数据按照从大到小的顺序进行排列并赋予秩次值,得到排列好的顺序数据,对排列好的数据进行秩次计算,计算得到顺序数据的秩次差,根据相关系数公式计算频谱相关系数,相关系数计算公式为:
式中,rij表示频谱数据中频段i和频段j的频谱相关系数,dt为频段i和频段j的秩次差,T为频段数量,t为正整数。
在本发明实施例中,设置相关性阈值为ρ,ρ的值设为0.4,当频谱相关系数大于ρ,确定为相关性高的频段。
进一步作为优选的实施方式,根据频谱相关系数对频谱数据进行构造,得到图结构频谱数据,包括:
根据频谱数据的频谱状态,构建得到节点集合;
根据频谱数据的连接关系,构建得到边集合;
根据频谱相关系数,构建得到互相关邻接矩阵;
根据节点集合、边集合和互相关邻接矩阵,构建得到图结构频谱数据。
其中,根据频谱相关系数对频谱数据进行构造,得到图结构频谱数据。将原始频谱数据构造为图结构频谱数据,即无向加权频谱拓扑图G=(V,E,W)。其中V为节点集合,每个节点表示一个频段,节点初始特征为频谱状态;E为边集合,表示不同频段间的连接关系;W为不同频段间的互相关邻接矩阵,矩阵元素为频谱相关系数,表示有边连接的节点间的相关性大小。
进一步作为优选的实施方式,对图结构频谱数据进行谱聚类处理,得到待测数据,包括:
构建图结构频谱数据的相似度矩阵;
计算相似度矩阵的特征值和特征向量,构建特征向量空间;
根据谱聚类算法对特征向量空间中的特征向量进行聚类,得到待测数据。
其中,谱聚类算法的计算公式为:
进一步作为优选的实施方式,将待测数据输入图神经网络,通过图神经网络捕捉得到待测数据在不同维度上的相关性,确定预测结果,包括:
将待测数据输入图神经网络,图神经网络包括K阶扩散卷积模块和长短期记忆模块;
通过K阶扩散卷积模块捕捉待测数据的非线性相关性,通过长短期记忆模块捕捉待测数据在时间域上的相关性,得到预测结果。
其中,图神经网络包括K阶扩散卷积模块和长短期记忆模块。K阶扩散卷积模块将不同频段间的信息传递视为扩散过程,以灵活捕捉不同频段间的非线性相关性。长短期记忆模块可以更好地捕捉频谱数据在时间域上的相关性。将K阶扩散卷积模块与长短期记忆模块结合形成长短期记忆-图卷积网络,同时捕捉频谱数据在不同维度上的相关性,以进行多时隙频谱预测。长短期记忆模块的公式为:
Y(t)=o(t)⊙tanh(C(t));
其中,S、Y分别表示长短期记忆模块的输入和输出,t表示时刻,i(t)、f(t)和o(t)分别表示输入门,遗忘门和输出门,表示候选记忆单元,C(t)表示最终记忆单元,Θi、Θf、Θo、分别表示对应的过滤器参数矩阵,bi、bf、bo、分别是对应的偏置向量,⊙表示哈达玛积,σ表示sigmoid激活函数,tanh表示tanh激活函数。
进一步作为优选的实施方式,K阶扩散卷积模块的模型公式为:
其中,Sp,:,f表示输入,表示图卷积算子,表示过滤器,K表示扩散阶数,Dp表示子图度矩阵,Wp表示子图邻接矩阵,Yp,:,g表示输出,tanh表示激活函数,F表示子图节点的输入特征数量,f表示输入特征索引,g表示输出特征索引。
进一步作为优选的实施方式,还包括:
将预测结果与历史数据真值进行比较,对频谱预测性能进行评估,得到评估结果,评估结果包括平均绝对误差、均方根误差和平均绝对百分比误差。
其中,根据历史数据真值,对预测结果进行频谱预测性能评估,计算平均绝对误差(RMSE)、均方根误差(MAPE)和平均绝对百分比误差(MAE)等,最终得到评估结果。计算公式为:
式中,RMSE(y,y′)表示平均绝对误差的计算公式,MAPE(y,y′)表示均方根误差的计算公式,MAE(y,y′)表示百分比误差的计算公式,M表示预测结果数量,y表示历史数据真值,y′表示预测结果。
本发明的流程具体包括:参照图2,获取某一时间段内的频谱数据,对频谱数据进行预处理,在本发明实施例中以30分钟为间隔,-120dB为功率谱密度阈值,通过滤波、归一化对频谱数据进行处理,对处理后的频谱数据进行时间域上的相关性分析。根据频谱数据进行秩次差计算,得到频谱相关系数。根据频谱数据的频谱状态、连接关系和相关系数构建得到图结构频谱数据。对图结构频谱数据进行谱聚类处理,得到待测数据,即p个子图,并使用十折交叉验证将子图分为用于训练模型的训练集、用于验证模型的训练结果的验证集以及用于对训练完成的模型进行测试的测试集,其中,训练集占总数据的70%,验证集占总数据的10%,测试集占总数据的20%。将待测数据输入图神经网络模型进行预测,通过K阶扩散卷积模块捕捉待测数据的非线性相关性,通过长短期记忆模块捕捉待测数据在时间域上的相关性,得到预测结果。根据历史数据真值对预测数据进行性能评估,得到评估结果。
另一方面,本发明实施例还公开了基于图神经网络的多维频谱预测系统,包括:
第一模块,用于获取频谱数据,并对所述频谱数据进行时间域上的相关性分析,得到频谱相关系数;
第二模块,用于根据所述频谱相关系数对所述频谱数据进行构造,得到图结构频谱数据;
第三模块,用于对所述图结构频谱数据进行谱聚类处理,得到待测数据;
第四模块,用于将所述待测数据输入图神经网络,通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性,确定预测结果。
与图1的方法相对应,本发明实施例还提供了一种电子装置,包括处理器以及存储器;存储器用于存储程序;处理器执行程序实现如前面的方法。
与图1的方法相对应,本发明实施例还提供了一种计算机可读存储介质,存储介质存储有程序,程序被处理器执行实现如前面的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
综上,本发明实施例具有以下优点:
(1)本发明实施例对频谱数据进行更深入的特征提取,综合考虑了频谱数据在时域和频谱上的相关性;
(2)本发明实施例将频谱数据构造成图结构,并对应设计了更加合适的深度学习模型,能够对未来频谱状态进行多时隙预测。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.基于图神经网络的多维频谱预测方法,其特征在于,包括:
获取频谱数据,并对所述频谱数据进行时间域上的相关性分析,得到频谱相关系数;
根据所述频谱相关系数对所述频谱数据进行构造,得到图结构频谱数据;
对所述图结构频谱数据进行谱聚类处理,得到待测数据;
将所述待测数据输入图神经网络,通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性,确定预测结果;
所述获取频谱数据,并对所述频谱数据进行时间域上的相关性分析,得到频谱相关系数,包括:
获取频谱数据;
对所述频谱数据按大小顺序进行排列,得到顺序数据;
对所述顺序数据进行秩次计算,得到所述顺序数据的秩次差;
根据所述秩次差计算得到频谱相关系数。
2.根据权利要求1所述的基于图神经网络的多维频谱预测方法,其特征在于,所述根据所述频谱相关系数对所述频谱数据进行构造,得到图结构频谱数据,包括:
根据所述频谱数据的频谱状态,构建得到节点集合;
根据所述频谱数据的连接关系,构建得到边集合;
根据所述频谱相关系数,构建得到互相关邻接矩阵;
根据所述节点集合、所述边集合和所述互相关邻接矩阵,构建得到图结构频谱数据。
3.根据权利要求1所述的基于图神经网络的多维频谱预测方法,其特征在于,所述对所述图结构频谱数据进行谱聚类处理,得到待测数据,包括:
构建所述图结构频谱数据的相似度矩阵;
计算所述相似度矩阵的特征值和特征向量,构建特征向量空间;
根据谱聚类算法对所述特征向量空间中的特征向量进行聚类,得到待测数据。
4.根据权利要求1所述的基于图神经网络的多维频谱预测方法,其特征在于,所述将所述待测数据输入图神经网络,通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性,确定预测结果,包括:
将所述待测数据输入图神经网络,所述图神经网络包括K阶扩散卷积模块和长短期记忆模块;
通过所述K阶扩散卷积模块捕捉所述待测数据的非线性相关性,通过所述长短期记忆模块捕捉所述待测数据在时间域上的相关性,得到预测结果。
6.根据权利要求1所述的基于图神经网络的多维频谱预测方法,其特征在于,还包括:
将所述预测结果与历史数据真值进行比较,对频谱预测性能进行评估,得到评估结果,所述评估结果包括平均绝对误差、均方根误差和平均绝对百分比误差。
7.基于图神经网络的多维频谱预测系统,其特征在于,包括:
第一模块,用于获取频谱数据,并对所述频谱数据进行时间域上的相关性分析,得到频谱相关系数;
第二模块,用于根据所述频谱相关系数对所述频谱数据进行构造,得到图结构频谱数据;
第三模块,用于对所述图结构频谱数据进行谱聚类处理,得到待测数据;
第四模块,用于将所述待测数据输入图神经网络,通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性,确定预测结果;
其中,所述第一模块,还包括:
获取频谱数据;
对所述频谱数据按大小顺序进行排列,得到顺序数据;
对所述顺序数据进行秩次计算,得到所述顺序数据的秩次差;
根据所述秩次差计算得到频谱相关系数。
8.一种电子装置,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111163140.7A CN113852970B (zh) | 2021-09-30 | 2021-09-30 | 基于图神经网络的多维频谱预测方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111163140.7A CN113852970B (zh) | 2021-09-30 | 2021-09-30 | 基于图神经网络的多维频谱预测方法、系统、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113852970A CN113852970A (zh) | 2021-12-28 |
CN113852970B true CN113852970B (zh) | 2022-07-26 |
Family
ID=78977540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111163140.7A Active CN113852970B (zh) | 2021-09-30 | 2021-09-30 | 基于图神经网络的多维频谱预测方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113852970B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116527177B (zh) * | 2023-04-28 | 2024-03-12 | 哈尔滨工程大学 | 一种基于相关性分析和图卷积网络的三维频谱预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006124A (zh) * | 2009-08-28 | 2011-04-06 | 华为技术有限公司 | 频谱预测方法、装置和系统 |
CN103957537A (zh) * | 2014-03-26 | 2014-07-30 | 北京邮电大学 | 基于信道聚类的频谱感知方法及装置 |
CN110730046A (zh) * | 2019-10-18 | 2020-01-24 | 中国人民解放军陆军工程大学 | 基于深度迁移学习的跨频段频谱预测方法 |
CN112084274A (zh) * | 2020-08-24 | 2020-12-15 | 浙江云合数据科技有限责任公司 | 一种基于数据的时空频谱地图构建和预测方法 |
CN112688746A (zh) * | 2020-12-14 | 2021-04-20 | 中山大学 | 一种基于时空数据的频谱预测方法 |
-
2021
- 2021-09-30 CN CN202111163140.7A patent/CN113852970B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006124A (zh) * | 2009-08-28 | 2011-04-06 | 华为技术有限公司 | 频谱预测方法、装置和系统 |
CN103957537A (zh) * | 2014-03-26 | 2014-07-30 | 北京邮电大学 | 基于信道聚类的频谱感知方法及装置 |
CN110730046A (zh) * | 2019-10-18 | 2020-01-24 | 中国人民解放军陆军工程大学 | 基于深度迁移学习的跨频段频谱预测方法 |
CN112084274A (zh) * | 2020-08-24 | 2020-12-15 | 浙江云合数据科技有限责任公司 | 一种基于数据的时空频谱地图构建和预测方法 |
CN112688746A (zh) * | 2020-12-14 | 2021-04-20 | 中山大学 | 一种基于时空数据的频谱预测方法 |
Non-Patent Citations (3)
Title |
---|
基于二维LMBP神经网络的ISM频段预测算法;万晓榆等;《电信科学》;20160320(第03期);第2、3和4部分 * |
基于神经网络的多维频谱推理方法探讨;周佳宇等;《移动通信》;20180215(第02期);全文 * |
基于软件无线电与神经网络的频谱监测识别系统;覃远年等;《无线电通信技术》;20200318(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113852970A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torre et al. | Data-driven polynomial chaos expansion for machine learning regression | |
Ma et al. | DeePr-ESN: A deep projection-encoding echo-state network | |
CN110366734B (zh) | 优化神经网络架构 | |
CN108596902B (zh) | 基于选通卷积神经网络的多任务全参考图像质量评价方法 | |
Ghorbani et al. | Chaos-based multigene genetic programming: a new hybrid strategy for river flow forecasting | |
US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
Dhanya et al. | Nonlinear ensemble prediction of chaotic daily rainfall | |
Mosci et al. | Solving structured sparsity regularization with proximal methods | |
CN110570111A (zh) | 企业风险预测方法、模型训练方法、装置及设备 | |
CN111898578B (zh) | 人群密度的获取方法、装置、电子设备 | |
Quinn et al. | Efficient methods to compute optimal tree approximations of directed information graphs | |
CN112508243A (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
CN113660225A (zh) | 基于时序点的网络攻击事件预测方法、系统、装置及介质 | |
CN113852970B (zh) | 基于图神经网络的多维频谱预测方法、系统、装置及介质 | |
CN112329895A (zh) | 一种具有窃电嫌疑的用户的识别方法及装置 | |
Ihler | Inference in sensor networks: Graphical models and particle methods | |
CN116151319A (zh) | 搜索神经网络集成模型的方法、装置和电子设备 | |
Zeng et al. | Online inference for time-varying temporal dependency discovery from time series | |
CN115032556A (zh) | 储能电池系统状态评估方法、装置、存储介质及电子设备 | |
CN114841296A (zh) | 设备聚类方法、终端设备以及存储介质 | |
Leqi et al. | Supervised learning with general risk functionals | |
CN116668198B (zh) | 基于深度学习的流量回放测试方法、装置、设备及介质 | |
CN117791570A (zh) | 一种短期电力负荷的预测系统及方法 | |
Sánchez et al. | Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms | |
Görnerup et al. | A method for finding aggregated representations of linear dynamical systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |