CN114050856A - 一种卫星频谱占用状态拟合与预测方法 - Google Patents

一种卫星频谱占用状态拟合与预测方法 Download PDF

Info

Publication number
CN114050856A
CN114050856A CN202111139250.XA CN202111139250A CN114050856A CN 114050856 A CN114050856 A CN 114050856A CN 202111139250 A CN202111139250 A CN 202111139250A CN 114050856 A CN114050856 A CN 114050856A
Authority
CN
China
Prior art keywords
satellite
spectrum
occupation
channel
length
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.)
Granted
Application number
CN202111139250.XA
Other languages
English (en)
Other versions
CN114050856B (zh
Inventor
丁晓进
王海荣
张更新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202111139250.XA priority Critical patent/CN114050856B/zh
Publication of CN114050856A publication Critical patent/CN114050856A/zh
Application granted granted Critical
Publication of CN114050856B publication Critical patent/CN114050856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18513—Transmission in a satellite or space-based system
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18519—Operations control, administration or maintenance
    • 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
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • 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
    • H04W16/14—Spectrum sharing arrangements between different networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明公开一种卫星频谱占用状态拟合与预测方法，包括卫星接收数据预处理、卫星频谱占用状态拟合、卫星频谱占用状态预测三个部分。卫星接收数据预处理获得卫星频谱中频点的占用/空闲时间序列，并得到卫星频谱中频点的信道占用长度序列；卫星频谱占用状态拟合包括对卫星频谱中频点的占用长度序列进行概率密度曲线拟合，获得概率密度分布结果；卫星频谱占用状态预测是通过对卫星频谱中频点的信道占用长度序列进行神经网络训练，预测未来时间点该频点的信道占用长度，以及预测卫星频谱中频点的信道占用概率。本发明通过提高卫星频谱占用状态预测的准确度，提升了频谱资源的利用率。

Description

一种卫星频谱占用状态拟合与预测方法
技术领域
本发明涉及一种卫星频谱占用状态拟合与预测方法，属于认知无线电频谱感知领域。
背景技术
随着移动通讯技术的高速发展，5G标准的重要进展标志着行业正式进入5G网络商用阶段，与此同时，5G的发展不得不面临频谱资源紧张的问题。在移动通信领域，频谱资源是推动产业发展的核心资源，是承载无线业务的基础，5G的发展需要更丰富的频谱资源。据国际电信联盟预测，截至到2020年，国际移动通信频率需求将达到1340MHz-1960MHz，中国移动通信频率需求将为1490MHz-1810MHz，频谱缺口达1000MHz。对卫星频谱占用的情况进行预测，能够给用户提供较为可靠的空闲频段。因此，对卫星频谱占用状态拟合与预测具有重要意义。
认知无线电的动态频谱感知技术可以通过检测空闲频谱，在不影响主用户系统的前提下，智能的选择利用这些空闲频谱，从而提高频谱利用率。认知无线电是极富潜力的技术，可以很好的解决次用户系统接入空闲频谱的问题，从而提高频谱利用率，是缓解频谱供需矛盾的优良方案，特别是解决第五代移动通信系统(5G)的用频需求。认知无线电技术实施的前提是发现空闲频谱，而要想发现这些空闲频谱，不仅需要先进的频谱监测设备，更需要充分的目标频段的频谱占用拟合与预测的研究。
经检索发现，公开号为CN113014340A的中国专利于2021年2月22日公开了一种基于神经网络的卫星频谱资源动态分配方法，包括宽带信号数据预处理、预测模型建立和频谱共享三个部分；宽带信号数据预处理是对授权用户信号进行概率密度估计，对各授权用户信号设置相应的阈值门限，根据门限对历史数据进行输入输出数据集的量化和划分；预测模型建立是基于深度神经网络分别建立预测模型和融合模型，对各授权用户信号进行多信道预测，将每个信道的预测结果输入融合模型融合输出该用户的频谱未来占用状态；频谱共享是根据预测的用户未来占用状态，输出分配策略。本方法可以对频段上的多授权用户信号进行数据预处理并对其未来频谱占用状态进行精准预测，实现频谱资源的动态分配，从而达到频谱资源高效利用的目标。
可见，对于目标频段的频谱占用拟合与预测的研究是目前无线通信的研究热点。
发明内容
为克服上述现有技术的不足，本发明提供一种卫星频谱占用状态拟合与预测方法，达到了提高卫星频谱占用状态预测的准确度、提升频谱资源利用率的目的。
本发明是通过以下技术方案予以实现的：
一种卫星频谱占用状态拟合与预测方法，包括卫星接收数据预处理、卫星频谱占用状态拟合、卫星频谱占用状态预测三个部分；
步骤S1：卫星接收数据预处理，将卫星接收信号强度转化为卫星频谱占用/空闲状态，获得卫星频谱中频点的占用/空闲时间序列，基于获得的卫星频谱中频点的占用/空闲时间序列得到卫星频谱中频点的信道占用长度序列；
步骤S2：卫星频谱占用状态拟合，对所述卫星频谱中频点的占用长度序列进行概率密度曲线拟合，获得概率密度分布结果；
步骤S3：卫星频谱占用状态预测，预测卫星频谱中频点的信道占用长度和预测卫星频谱中频点的信道占用概率。
上述技术方案中，通过对卫星接收数据进行预处理，得到了卫星频谱中频点的占用/空闲时间序列，基于所述卫星频谱中频点的占用/空闲时间序列，得到卫星频谱中频点的信道占用长度序列。卫星频谱中频点的占用/空闲时间序列以及卫星频谱中频点的信道占用长度序列是后续卫星频谱占用状态拟合和预测的数据基础。通过对卫星频谱中频点的占用长度序列进行概率密度曲线拟合，获得了概率密度分布结果；通过概率密度分布结果图，能够将卫星频谱中频点的信道占用长度和频点的信道占用概率进行对应。通过对卫星频谱中频点的信道占用长度序列进行神经网络训练，将卫星频谱中频点的占用状态数据输入到优化好的神经网络模型中，从而预测出未来时间点该频点的信道占用长度；在预测出的未来时间点频点的信道占用长度任意取一个信道占用长度值，将选取的信道占用长度值与所述卫星频谱占用状态拟合曲线得到的概率密度分布结果进行对应，可以获得所预测占用长度对应的概率。本发明从卫星频谱占用时间序列中找出演变模型，有效提取数据隐藏规律，建立数学模型，以实现对卫星占用时间序列的有效预测。通过提高卫星频谱占用状态预测的准确度，从而提升频谱资源的利用率。
优选的，卫星接收数据预处理包括以下步骤：
步骤S1.1：选取卫星频谱中频点fn的卫星信号强度数据p(tm，fn)，并将该频点的信号强度数据从小到大依次排序，统计每一强度值对应的数目nPn，并选择第二小的强度值及所述第二小的强度值对应的个数，进入步骤S1.2；
其中，tm表示第m个时刻；fn表示第n个频点；1≤n≤N，N表示采样的频点个数；1≤m≤M，表示每个频点采样的M个时刻；
步骤S1.2：计算所选取强度值对应的个数与所选强度值前一强度值对应的个数间的差值，如果差值≥0，进入步骤S1.3；否则，进入步骤S1.4；
步骤S1.3：选取当前强度值后一强度值及其个数作为当前的强度值和个数，进入步骤S1.2；
步骤S1.4：计算所选取强度值对应的个数与该强度值后一强度值对应的个数间的差值，如果差值≥0，进入步骤S1.3；否则，将当前信号强度值设为门限值Pthreshold，并进入步骤S1.5；
步骤S1.5：计算fn频点的占用/空闲时间序列，占用为1，空闲为0，并进入步骤S1.6；
Figure BDA0003281999630000031
其中，
Figure BDA0003281999630000032
步骤S1.6：统计卫星频谱的占用/空闲时间序列，遍历所述序列，统计所述序列中连续为1即信道连续为占用状态的长度，得到频点fn的信道占用长度序列F＝(F1，F2，...FX)；其中，X是序列长度，FX是占用长度值。
优选的，所述卫星频谱占用状态拟合的具体方法包括：根据下式得到服从特定分布的概率密度曲线，对卫星频谱中某一频点的占用时间序列的概率密度曲线进行拟合，获得概率密度分布结果，
Figure BDA0003281999630000041
其中，τ表示序列F中某一频点在采样周期内出现的次数，λ表示序列F中某一频点在采样周期内出现的平均次数。
优选的，所述步骤S3中，卫星频谱占用状态预测中的占用长度，通过对卫星频谱中频点的信道占用长度序列进行神经网络训练，预测未来时间点该频点的信道占用长度；具体包括以下步骤：
步骤S3.1：对卫星频谱信道占用长度序列F进行归一化，进入步骤S3.2；
Figure BDA0003281999630000042
其中，F*(x)表示归一化后的值，F(x)表示数据的原始占用长度值，1≤x≤X，
Figure BDA0003281999630000043
步骤S3.2：建立神经网络模型，所述神经网络模型训练的性能评估准则由下式给出；
Figure BDA0003281999630000044
其中，MSE表示均方误差，F(x)是训练集的占用长度值，
Figure BDA0003281999630000045
是训练模型预测的占用长度值；
步骤S3.3：设定神经网络参数，设置网络迭代次数为Q，设置期望误差为E，设置样本个数为R，设置初始值r＝0，设置总误差ERME＝0，神经网络模型训练过程包括以下步骤：
步骤S3.3.1：输入第r个样本，进入步骤S3.3.2；
步骤S3.3.2：计算总误差ERME＝ERME+MSE，进入步骤S3.3.3；
步骤S3.3.3：当r＜R时，r＝r+1，返回步骤S3.3.1；否则，网络迭代次数q＝q+1，进入步骤S3.3.4；
步骤S3.3.4：当ERME＞E时，若q＜Q，则ERME＝0，r＝0，返回步骤S3.3.1；否则，结束训练，利用训练好的模型预测选定频点未来的频谱占用长度。
优选的，所述步骤S3，卫星频谱占用状态预测中的占用概率，包括以下步骤：
步骤S4.1：计算状态转移概率矩阵P，进入步骤S4.2；
Figure BDA0003281999630000051
其中，Pij＝P(Si→Sj)(i，j＝0，1)表示由状态Si转移到Sj的概率为转移概率；S0表示信道空闲，S1表示信道占用；Sij表示在所述序列中信道状态由i转向j的次数；
步骤S4.2：预测得到未来第k个时刻的信道占用/空闲概率矩阵，
Figure BDA0003281999630000052
其中，A为初始状态矩阵，根据获取到的卫星频谱信道占用和空闲序列
Figure BDA0003281999630000053
中的最后一个点T(tM，fn)的值进行设定，若T(tM，fn)＝0，A＝[1，0]；否则A＝[0，1]；
从而得到未来的信道占用/空闲概率矩阵，
Figure BDA0003281999630000054
其中，P0(k)表示第k个时间点信道状态为空闲的概率；P1(k)表示第k个时间点信道状态为占用的概率，1≤k≤K。
与现有技术相比，本发明的有益效果在于：
(1)本发明通过对卫星接收数据进行预处理，得到了卫星频谱中频点的占用/空闲时间序列，基于所述卫星频谱中频点的占用/空闲时间序列，得到卫星频谱中频点的信道占用长度序列。卫星频谱中频点的占用/空闲时间序列以及卫星频谱中频点的信道占用长度序列是后续卫星频谱占用状态拟合和预测的数据基础。通过对卫星频谱中频点的占用长度序列进行概率密度曲线拟合，获得了概率密度分布结果；通过概率密度分布结果图，能够将卫星频谱中频点的信道占用长度和频点的信道占用概率进行对应。通过对卫星频谱中频点的信道占用长度序列进行神经网络训练，将卫星频谱中频点的占用状态数据输入到优化好的神经网络模型中，从而预测出未来时间点该频点的信道占用长度；选取预测的信道占用长度值，并结合卫星频谱占用状态拟合曲线所获得的概率密度分布结果，得到所选取信道长度值对应的概率。本发明从卫星频谱占用时间序列中找出演变模型，有效提取数据隐藏规律，建立数学模型，以实现对卫星占用时间序列的有效预测。通过提高卫星频谱占用状态预测的准确度，从而提升频谱资源的利用率。
(2)本发明通过对卫星频谱感知数据取信号阈值，频谱数据中高于阈值的认为是占用，低于阈值的认为是空闲，基于二值量化(占用表示1，空闲表示0)频谱占用模型计算每个信道的占用/空闲时间的长度，利用符合特定分布的拟合方法对频谱占用时间长度序列的概率密度曲线(PDF)进行拟合，从而得到卫星频谱占用状态模型。
(3)本发明卫星频谱占用状态预测通过分析卫星频谱占用序列的历史数据，得到初始概率和转移概率，通过计算得到转移概率矩阵；根据状态转移概率矩阵和初始状态对信道占用/空闲概率进行预测，提取了数据隐藏的规律，实现了对卫星占用时间序列的有效预测。
附图说明
图1是本发明实施例提供的一种卫星频谱占用状态拟合与预测方法的实施流程图；
图2为本发明实施例提供的一种卫星频谱占用状态拟合与预测方法的卫星频谱占用状态的拟合结果图；
图3为本发明实施例提供的一种卫星频谱占用状态拟合与预测方法的卫星频谱信道占用/空闲的概率矩阵的预测结果图；
图4为本发明实施例提供的一种卫星频谱占用状态拟合与预测方法的卫星频谱占用长度的预测结果图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
如图1-4所示，本实施例提供一种卫星频谱占用状态拟合与预测方法，包括卫星接收数据预处理、卫星频谱占用状态拟合和卫星频谱占用状态预测三个部分；
步骤S1：卫星接收数据的预处理的具体过程如下：
步骤S1.1：采集卫星频谱信号强度数据，采样周期为一小时，选取卫星频谱中频点fn的卫星信号强度数据p(tm，fn)，并将该频点的信号强度数据从小到大依次排序，统计每一强度值对应的数目nPn，并选择第二小的强度值及所述第二小的强度值对应的个数，进入步骤S1.2；
其中，tm表示第m个时刻；fn表示第n个频点；1≤n≤N，N表示采样的频点个数；1≤m≤M，表示每个频点采样的M个时刻；
步骤S1.2：计算所选取强度值对应的个数与所选强度值前一强度值对应的个数间的差值，如果差值≥0，进入步骤S1.3；否则，进入步骤S1.4；
步骤S1.3：选取当前强度值后一强度值及其个数作为当前的强度值和个数，进入步骤S1.2；
步骤S1.4：计算所选取强度值对应的个数与该强度值后一强度值对应的个数间的差值，如果差值≥0，进入步骤S1.3；否则，将当前信号强度值设为门限值Pthreshold，并进入步骤S1.5；
步骤S1.5：计算fn频点的占用/空闲时间序列，占用为1，空闲为0，并进入步骤S1.6；
Figure BDA0003281999630000071
其中，
Figure BDA0003281999630000072
步骤S1.6：统计卫星频谱的占用/空闲时间序列，遍历所述序列，统计所述序列中连续为1即信道连续为占用状态的长度，得到频点fn的信道占用长度序列F＝(F1，F2，...Fx)；其中，X是序列长度，Fx是占用长度值。
步骤S2：卫星频谱占用状态拟合的具体过程如下：
对卫星接收数据的预处理后获取的实测占用时间序列的概率密度曲线进行拟合，获得概率密度分布结果。
具体的，根据下式得到服从特定分布的概率密度曲线(PDF曲线)，从而对卫星实测占用时间序列的概率密度曲线进行拟合，
Figure BDA0003281999630000081
其中，τ表示序列F中某一个点在采样周期内出现的次数，λ表示序列F中某一个点在采样周期内出现的平均次数。
步骤S3：卫星频谱占用状态预测，预测卫星频谱中频点的信道占用长度和预测卫星频谱中频点的信道占用概率中，预测卫星频谱中频点的信道占用长度的过程如下：
本实施例以样本长度为X的信道占用长度序列F的信道占用长度预测方法为例，具体步骤如下：
对卫星频谱信道占用长度序列F进行归一化，进入步骤S3.2；
Figure BDA0003281999630000082
其中，F*(x)表示归一化后的值，F(x)表示数据的原始占用长度值，1≤x≤X，
Figure BDA0003281999630000083
步骤S3.2：网络模型训练的性能评估准则由下式给出，进入步骤S3.3；
Figure BDA0003281999630000084
其中，MSE表示均方误差，F(x)是训练集的占用长度值，
Figure BDA0003281999630000085
是训练模型预测的占用长度值；
步骤S3.3：设定神经网络参数，网络迭代次数为Q，期望误差为E，设样本个数为R，设置初始值r＝0，总误差ERME＝0，模型训练过程包括以下步骤：
步骤S3.3.1：输入第r个样本，进入步骤S3.3.2；
步骤S3.3.2：计算总误差ERME＝ERME+MSE，进入步骤S3.3.3；
步骤S3.3.3：当r＜R时，r＝r+1，返回步骤S3.3.1；否则，网络迭代次数q＝q+1，进入步骤S3.3.4；
步骤S3.3.4：当ERME＞E时，若q＜Q，则ERME＝0，r＝0，返回步骤S3.3.1；否则，结束训练，利用训练好的模型预测选定频点未来的频谱占用长度。
选取预测的信道占用长度值，并结合卫星频谱占用状态拟合曲线所获得的概率密度分布结果，得到所选取信道长度值对应的概率。
本发明提供的实施例中，通过对卫星频谱感知数据取信号阈值，频谱数据中高于阈值的认为是占用，低于阈值的认为是空闲，基于二值量化(占用表示1，空闲表示0)频谱占用模型计算每个信道的占用/空闲时间的长度，利用符合特定分布的拟合方法对频谱占用时间长度序列的概率密度曲线进行拟合，从而得到卫星频谱占用状态模型。此外，卫星频谱占用状态预测是通过卫星频谱感知数据构建的数据集训练神经网络模型，将卫星频谱占用状态数据输入到优化好的神经网络模型中，从卫星频谱占用时间序列中找出演变模型，有效提取数据隐藏规律，建立数学模型，以实现对卫星占用时间序列的有效预测。通过提高卫星频谱占用状态预测的准确度，从而提升频谱资源的利用率。
作为一种实施方式，所述预测卫星频谱中频点的信道占用概率还包括以下方法：计算卫星频谱状态转移概率矩阵，从而提前预测出信道占用/空闲的概率矩阵。具体步骤如下：
步骤S4.1：计算状态转移概率矩阵P，进入步骤S4.2；
Figure BDA0003281999630000091
其中，Pij＝P(Si→Sj)(i，j＝0，1)表示由状态Si转移到Sj的概率为转移概率；S0表示信道空闲，S1表示信道占用；Sij表示在所述序列中信道状态由i转向j的次数；
步骤S4.2：预测得到未来第k个时刻的信道占用/空闲概率矩阵，
Figure BDA0003281999630000101
其中，A为初始状态矩阵，根据获取到的卫星频谱信道占用和空闲序列
Figure BDA0003281999630000102
中的最后一个点T(tM，fn)的值进行设定，若T(tM，fn)＝0，A＝[1，0]；否则A＝[0，1]；
从而得到未来的信道占用/空闲概率矩阵，
Figure BDA0003281999630000103
其中，P0(k)表示第k个时间点信道状态为空闲的概率；P1(k)表示第k个时间点信道状态为占用的概率，1≤k≤K。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式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方式或示例中。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方式或示例。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方式或示例中以合适的方式结合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本实施例技术方案。

Claims (6)

1.一种卫星频谱占用状态拟合与预测方法，其特征在于，包括卫星接收数据预处理、卫星频谱占用状态拟合、卫星频谱占用状态预测三个部分；
步骤S1：卫星接收数据预处理，将卫星接收信号强度转化为卫星频谱占用/空闲状态，获得卫星频谱中频点的占用长度序列，基于获得的卫星频谱中频点的占用长度序列得到卫星频谱中频点的信道占用长度序列；
步骤S2：卫星频谱占用状态拟合，对所述卫星频谱中频点的占用长度序列进行概率密度曲线拟合，获得概率密度分布结果；
步骤S3：卫星频谱占用状态预测，预测卫星频谱中频点的信道占用长度和预测卫星频谱中频点的信道占用概率。
2.根据权利要求1所述的一种卫星频谱占用状态拟合与预测方法，其特征在于，所述步骤S1中，卫星接收数据预处理，具体包括以下步骤：
步骤S1.1：选取卫星频谱中频点fn的卫星信号强度数据p(tm，fn)，并将该频点的信号强度数据从小到大依次排序，统计每一强度值对应的数目nPn，并选择第二小的强度值及所述第二小的强度值对应的个数，进入步骤S1.2；
其中，tm表示第m个时刻；fn表示第n个频点；1≤n≤N，N表示采样的频点个数；1≤m≤M，表示每个频点采样的M个时刻；
步骤S1.2：计算所选取强度值对应的个数与所选强度值前一强度值对应的个数间的差值，如果差值≥0，进入步骤S1.3；否则，进入步骤S1.4；
步骤S1.3：选取当前强度值后一强度值及其个数作为当前的强度值和个数，进入步骤S1.2；
步骤S1.4：计算所选取强度值对应的个数与该强度值后一强度值对应的个数间的差值，如果差值≥0，进入步骤S1.3；否则，将当前信号强度值设为门限值Pthreshold，并进入步骤S1.5；
步骤S1.5：计算fn频点的占用/空闲时间序列，占用为1，空闲为0，并进入步骤S1.6；
Figure FDA0003281999620000021
其中，
Figure FDA0003281999620000022
步骤S1.6：统计卫星频谱的占用长度序列，遍历所述序列，统计所述序列中连续为1即信道连续为占用状态的长度，得到频点fn的信道占用长度序列F＝(F1，F2，...FX)；其中，X是序列长度，FX是占用长度值。
3.根据权利要求1所述的一种卫星频谱占用状态拟合与预测方法，其特征在于，所述步骤S2中，卫星频谱占用状态拟合，对卫星频谱中某一频点的占用长度序列的概率密度曲线进行拟合，获得概率密度分布结果，
Figure FDA0003281999620000023
其中，τ表示序列F中某一频点在采样周期内出现的次数，λ表示序列F中某一频点在采样周期内出现的平均次数。
4.根据权利要求1所述的卫星频谱占用状态拟合与预测方法，其特征在于，所述步骤S3中，预测卫星频谱中频点的信道占用长度，包括以下步骤：
步骤S3.1：对卫星频谱信道占用长度序列F进行归一化，进入步骤S3.2；
Figure FDA0003281999620000024
其中，F*(x)表示归一化后的值，F(x)表示数据的原始占用长度值，
Figure FDA0003281999620000025
步骤S3.2：建立神经网络模型，所述神经网络模型训练的性能评估准则由下式给出，
Figure FDA0003281999620000026
其中，MSE表示均方误差，F(x)是训练集的占用长度值，
Figure FDA0003281999620000027
是训练模型预测的占用长度值；
步骤S3.3：对所述神经网络模型进行训练，并利用训练好的神经网络模型预测选定频点未来的频谱占用长度。
5.根据权利要求4所述的卫星频谱占用状态拟合与预测方法，其特征在于，所述步骤S3.3中，设置网络迭代次数为Q，设置期望误差为E，设置样本个数为R，设置初始值r＝0，设置总误差ERME＝0，所述神经网络模型训练过程具体包括以下步骤：
步骤S3.3.1：输入第r个样本，进入步骤S3.3.2；
步骤S3.3.2：计算总误差ERME＝ERME+MSE，进入步骤S3.3.3；
步骤S3.3.3：当r＜R时，r＝r+1，返回步骤S3.3.1；否则，网络迭代次数q＝q+1，进入步骤S3.3.4；
步骤S3.3.4：当ERME＞E时，若q＜Q，则ERME＝0，r＝0，返回步骤S3.3.1；否则，结束训练，利用训练好的神经网络模型预测选定频点未来的频谱占用长度。
6.根据权利要求1所述的一种卫星频谱占用状态拟合与预测方法，其特征在于，所述步骤S3中，预测卫星频谱中频点的信道占用概率，包括以下步骤：
步骤S4.1：计算状态转移概率矩阵P，进入步骤S4.2；
Figure FDA0003281999620000031
其中，Pij＝P(Si→Sj)(i，j＝0，1)表示由状态Si转移到Sj的概率为转移概率；S0表示信道空闲，S1表示信道占用；Sij表示在所述序列中信道状态由i转向j的次数；
步骤S4.2：预测得到未来第k个时刻的信道占用/空闲概率矩阵，
Figure FDA0003281999620000032
其中，A为初始状态矩阵，根据获取到的卫星频谱信道占用和空闲序列
Figure FDA0003281999620000033
中的最后一个点T(tM，fn)的值进行设定，若T(tM，fn)＝0，A＝[1，0]；否则A＝[0，1]；
从而得到未来的信道占用/空闲概率矩阵，
Figure FDA0003281999620000041
其中，P0(k)表示第k个时间点信道状态为空闲的概率；P1(k)表示第k个时间点信道状态为占用的概率，1≤k≤K。
CN202111139250.XA 2021-09-27 2021-09-27 一种卫星频谱占用状态拟合与预测方法 Active CN114050856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111139250.XA CN114050856B (zh) 2021-09-27 2021-09-27 一种卫星频谱占用状态拟合与预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111139250.XA CN114050856B (zh) 2021-09-27 2021-09-27 一种卫星频谱占用状态拟合与预测方法

Publications (2)

Publication Number Publication Date
CN114050856A true CN114050856A (zh) 2022-02-15
CN114050856B CN114050856B (zh) 2024-02-20

Family

ID=80204996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111139250.XA Active CN114050856B (zh) 2021-09-27 2021-09-27 一种卫星频谱占用状态拟合与预测方法

Country Status (1)

Country Link
CN (1) CN114050856B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101867420A (zh) * 2010-06-18 2010-10-20 华南理工大学 一种基于频谱感知及预测的水下多路通信方法
US20120155318A1 (en) * 2009-08-28 2012-06-21 Huawei Technologies Co., Ltd. Method, apparatus and system for spectrum prediction
CN102857938A (zh) * 2011-06-30 2013-01-02 冯奇 认知无线电中频谱环境学习与预测
CN103294848A (zh) * 2013-05-03 2013-09-11 中国航天标准化研究所 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法
US20160006499A1 (en) * 2014-07-01 2016-01-07 Electronics And Telecommunications Research Institute Apparatus and method for prediction of radio interference
US20160150415A1 (en) * 2014-11-26 2016-05-26 J. Nicolas Laneman Method and apparatus for wideband spectrum sensing
US20170227654A1 (en) * 2016-02-10 2017-08-10 Stmicroelectronics S.R.L. Method for predicting the orbit of a satellite and corresponding satellite signal receiver
CN109039502A (zh) * 2018-09-04 2018-12-18 中国人民解放军陆军工程大学 一种基于频谱预测和感知融合的信道选择方法
CN109600190A (zh) * 2018-10-28 2019-04-09 西南电子技术研究所（中国电子科技集团公司第十研究所） 基于频谱地图的卫星通信系统用户链路干扰规避方法
CN109687923A (zh) * 2018-07-25 2019-04-26 中国人民解放军陆军工程大学 图像推理化的长期频谱预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120155318A1 (en) * 2009-08-28 2012-06-21 Huawei Technologies Co., Ltd. Method, apparatus and system for spectrum prediction
CN101867420A (zh) * 2010-06-18 2010-10-20 华南理工大学 一种基于频谱感知及预测的水下多路通信方法
CN102857938A (zh) * 2011-06-30 2013-01-02 冯奇 认知无线电中频谱环境学习与预测
CN103294848A (zh) * 2013-05-03 2013-09-11 中国航天标准化研究所 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法
US20160006499A1 (en) * 2014-07-01 2016-01-07 Electronics And Telecommunications Research Institute Apparatus and method for prediction of radio interference
US20160150415A1 (en) * 2014-11-26 2016-05-26 J. Nicolas Laneman Method and apparatus for wideband spectrum sensing
US20170227654A1 (en) * 2016-02-10 2017-08-10 Stmicroelectronics S.R.L. Method for predicting the orbit of a satellite and corresponding satellite signal receiver
CN109687923A (zh) * 2018-07-25 2019-04-26 中国人民解放军陆军工程大学 图像推理化的长期频谱预测方法
CN109039502A (zh) * 2018-09-04 2018-12-18 中国人民解放军陆军工程大学 一种基于频谱预测和感知融合的信道选择方法
CN109600190A (zh) * 2018-10-28 2019-04-09 西南电子技术研究所（中国电子科技集团公司第十研究所） 基于频谱地图的卫星通信系统用户链路干扰规避方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAOYU LI等: "Online spectrum prediction with adaptive threshold quantization", IEEE ACCESS, vol. 7 *
WEN LIU等: "Modeling of time series for S-band spectrum use in satellite downlink", 2019 IEEE INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS *
张杰;周渭;宣宗强;孙海峰;: "卫星钟差预报模型中周期项的选取方法及性能分析", 天文学报, no. 03 *
肖楠;梁俊;王伟;张衡阳;尹泽;: "卫星认知无线网络中频谱感知与分配策略设计", 中南大学学报(自然科学版), no. 12 *

Also Published As

Publication number Publication date
CN114050856B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN111600667A (zh) 一种基于cnn-lstm的频谱感知方法
CN102984711A (zh) 基于单比特压缩感知技术的多用户协作频谱感知方法
CN103002459A (zh) 一种wcdma网络扩容规划的方法和装置
Gao 5G traffic prediction based on deep learning
CN112003663A (zh) 基于lstm神经网络的认知无线电频谱感知方法
CN108900267B (zh) 基于特征值的单边右尾拟合优度检验频谱感知方法及装置
CN109347584A (zh) 基于指数平滑预测的频谱感知方法
CN103929255A (zh) 一种基于多信道的认知用户能效优化方法
CN103973383B (zh) 基于Cholesky分解与特征值的协作频谱检测方法
KR102390190B1 (ko) 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치
CN104394202A (zh) 一种移动社会网络中的节点活跃度量化方法
CN112688746A (zh) 一种基于时空数据的频谱预测方法
CN114118748B (zh) 一种服务质量预测方法、装置、电子设备及存储介质
CN116961805A (zh) 一种基于时空图神经网络的短波预测方法
CN103916969A (zh) 联合授权用户感知与链路状态估计方法与装置
CN101383629A (zh) 非相干能量检测uwb接收机误码率性能优化方法
CN114050856B (zh) 一种卫星频谱占用状态拟合与预测方法
CN113315673B (zh) 一种针对企业无线网络接入点吞吐量细粒度估计的方法
CN102118200A (zh) 一种基于协方差绝对值法的频谱检测方法
CN104333443B (zh) 一种捕获信道的方法及装置
CN112073138A (zh) 一种基于量化的双门限协作频谱感知方法
CN110289925B (zh) 一种判决后变分推断估计主用户占空比的方法
CN114143812B (zh) 基于5g的网络资源优化方法、系统、装置及存储介质
CN113762485B (zh) 一种基于注意力机制的多数据集联合预测方法
CN112260781B (zh) 一种基于反向散射与空中计算的协作频谱检测方法

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