CN115549823B - 一种无线电环境地图预测方法 - Google Patents

一种无线电环境地图预测方法 Download PDF

Info

Publication number
CN115549823B
CN115549823B CN202211469821.0A CN202211469821A CN115549823B CN 115549823 B CN115549823 B CN 115549823B CN 202211469821 A CN202211469821 A CN 202211469821A CN 115549823 B CN115549823 B CN 115549823B
Authority
CN
China
Prior art keywords
frequency
secondary user
matrix
model
time
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
Application number
CN202211469821.0A
Other languages
English (en)
Other versions
CN115549823A (zh
Inventor
方胜良
温晓敏
马淑丽
范友臣
程东航
徐照菁
马昭
王孟涛
刘涵
胡豪杰
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.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
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 Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202211469821.0A priority Critical patent/CN115549823B/zh
Publication of CN115549823A publication Critical patent/CN115549823A/zh
Application granted granted Critical
Publication of CN115549823B publication Critical patent/CN115549823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • 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)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种无线电环境地图预测方法，该方法包括以下步骤：（1）获取认知无线电任务区域中次级用户监测采集的各个频段上随时间变化的功率数据，并进行预处理；（2）由TensorGCN模型和LSTM模型构建基于TensorGCN‑LSTM无线电环境地图的预测模型；（3）通过预测模型预测未来时间段的无线电环境地图。本发明提升了无线电环境地图随时间变化的预测精度，为频谱资源规划和调度提供依据。

Description

一种无线电环境地图预测方法
技术领域
本发明涉及信息与通信工程技术领域，特别涉及一种基于TensorGCN-LSTM无线电环境地图预测方法。
背景技术
现代无线通信技术的飞速发展，新型无线移动终端不断涌现，电磁频谱资源的需求也随之迅猛增长，而静态的频谱资源分配模式无法解决“匮乏的频谱资源与日益增长的用频需求”之间的矛盾。认知无线电技术是通过自学习，能够与周遭环境交互数据，以感知、认知进而利用特定任务空间的可用频谱，限制和降低次级用户与主用户之间的用频冲突。
目前，多数方法集中在对单一次级用户监测收集的数据进行预测分析，这类方法无法挖掘多个次级用户站点之间电磁数据变化的相关性规律，无法准确联合预测并绘制认知无线电任务空间的功率谱态势图（即无线电环境地图）。
因此，从次级用户组成的拓扑网络中挖掘电磁数据隐含在时域、空域、频域的隐式关联性对掌握电磁频谱资源分布和使用状况、支撑电磁频谱资源精细化管理具有重要意义。
发明内容
本发明要解决的技术问题是针对上述不足，提供一种基于TensorGCN-LSTM无线电环境地图预测方法。其是基于挖掘认知无线电任务区域中电磁数据在时域、空域、频域之间的隐性规律，在任务区域中次级用户构建的网络图的基础上，通过构建图张量数据模型，利用TensorGCN深度学习网络挖掘空域和频域中的相关性规律，利用LSTM挖掘时域中的相关性规律，进而提升功率谱地图随时间变化的预测精度，为频谱资源规划和调度提供依据。
本发明是通过以下技术方案实现的：
一种无线电环境地图预测方法，该方法包括以下步骤：
（1）获取认知无线电任务区域中次级用户监测采集的各个频段上随时间变化的接收功率数据，并进行预处理；
（2）由TensorGCN模型和LSTM模型构建基于TensorGCN-LSTM无线电环境地图的预测模型；
（3）通过所述预测模型预测未来时间段的无线电环境地图。
进一步的，所述的预测方法，所述步骤（1）包括：
（1-1）将所述认知无线电任务区域划分为等间隔网格，建立次级用户节点集合，对于任意一个次级用户节点，建立该节点随着时间和频率变化的属性向量；
（1-2）构建所述次级用户节点集合在某一时刻某一工作频率的属性矩阵；
（1-3）构建所述次级用户节点集合在不同时刻不同工作频率的属性张量。
进一步的，所述的预测方法，所述属性张量为：
，
其中，表示次级用户节点数量，表示一个次级用户节点的属性数量，K表示次级用户可以工作在K个不同频率；
所述次级用户节点集合在时刻工作频率时，所述属性矩阵为：
;
任意一个次级用户节点的所述属性向量为：
,
其中，，，表示次级用户接收到的随着时间和频率变化的功率谱数据，、分别表示次级用户与移动主用户之间随时间变化的收发距离和方位角，分别表示次级用户不随时间变化的纬度和经度地理坐标。
进一步的，所述的预测方法，所述步骤（1）还包括：
（1-4）构建所述认知无线电任务区域内所述次级用户节点集合在频率下的网络图结构，记作：，
其中， 为N个次级用户节点在频率下的集合，表示次级用户节点之间在频率的拓扑连接边的集合，表示的邻接矩阵，其中的各元素表示次级用户节点之间的空域相关性；
（1-5）由图结构在K个不同工作频率下生成的多个图结构构建图张量；
（1-6）构建次级用户节点在接收不同频率数据时的多个状态间关系的图结构，记作：,
其中，表示节点在接收频率数据时的状态，表示各虚拟节点之间的连边集合，邻接矩阵的各元素表示虚拟节点之间的频域相关性；
（1-7）由图结构在N个次级用户节点下生成的多个图结构所构建的图张量。
进一步的，所述的预测方法，所述步骤（2）包括：
（2-1）利用图神经网络学习训练方式，在图内同频率的节点空域信息和图内不同频率间的虚拟节点频域信息，提取所有次级用户在同频率工作时的空间特征和特定次级用户在不同频率之间的频域特征，构建TensorGCN模型以提取空域和频域的融合特征信息；
（2-2）在融合空域特征和频域特征的基础上，利用LSTM模型，提取各次级用户节点在时域上的特征信息；
（2-3）由TensorGCN模型和LSTM模型组成TensorGCN-LSTM模型。
进一步的，所述的预测方法，所述步骤（2-1）包括：
N个次级用户节点在频率、时刻t的属性矩阵经过图卷积的前向传播公式为:
，
其中,为经过图卷积提取的特征矩阵，是需要学习更新的频率内图卷积的滤波器参数矩阵，表示每个节点经频率内图卷积操作后提取的空域特征维度，是阶的切比雪夫多项式，表示标准化的Laplace矩阵，，表示Laplace矩阵的最大特征值，为单位矩阵；表示的邻接矩阵；为度矩阵；和分别是Laplace矩阵的特征向量矩阵和特征值构成的对角矩阵。
进一步的，所述的预测方法，所述步骤（2-2）包括：
次级用户节点在空域和频域的个融合特征为：
，
其中，，是阶的切比雪夫多项式，是邻接矩阵对应的标准化Laplace矩阵， 是需要学习更新的频率间图卷积的滤波器参数矩阵，K表示次级用户可以工作在K个不同频率。
进一步的，所述的预测方法，所述步骤（2-2）还包括：
①构建遗忘门，通过遗忘门计算决定上一时刻信息传到下一时刻的信息量；
②构建输入门，通过输入门计算输出需要更新的信息量和更新到新单元状态的信息；
③构建单元状态，通过计算遗忘门和输入门的输入，得到当前时刻的状态值；
④构建输出门，得到LSTM模型的输出。
进一步的，所述的预测方法，所述LSTM模型的输出为：
，
其中，表示输出门的输出值，和分别表示输出门的权重矩阵和偏置；符号表示矩阵哈达玛积；，、表示上一时刻和当前时刻的状态值；，表示遗忘门的权重，符号表示向量乘积，表示上一时刻循环隐藏层的输出，表示t时刻LSTM模型的输入，表示遗忘门的偏置； ，表示输入门的权重矩阵，表示输入门的偏置。
进一步的，所述的预测方法，所述步骤（2-3）中，将所述TensorGCN模型的结果输入LSTM模型，经全连接层，得到所述TensorGCN-LSTM预测模型为：
，
其中，表示长短时记忆模型运算，表示全连接层运算，表示在未来的个时刻点处各次级用户节点在频率上的接收功率预测值，。
本发明的优点与效果是：
本发明提供了一种无线电环境地图预测方法，其基于挖掘认知无线电任务区域中电磁数据在时域、空域、频域之间的隐性规律，在任务区域中次级用户构建的网络图的基础上，通过构建图张量数据模型，利用TensorGCN深度学习网络挖掘空域和频域中的相关性规律，利用LSTM挖掘时域中的相关性规律，进而提升无线电环境地图随时间变化的预测精度，为频谱资源规划和调度提供依据。
附图说明
图1示出本发明提供的任意一个次级用户节点的属性向量图；
图2示出本发明提供的次级用户频谱感知器（SU）监测接收到的功率谱、任务区域内移动主用户（PU）和频谱感知器的空间分布情况、构建的网络图结构的关系图；
图3示出本发明提供的多个频率维度的图张量示意图；
图4示出本发明提供的不同工作频率下的图张量示意图；
图5示出本发明提供的TensorGCN-LSTM模型示意图；
图6示出本发明提供的其它预测模型与本发明TensorGCN-LSTM模型的性能指标比较表格；
图7示出本发明提供的性能指标比较结果中MLP模型的预测值和真实值的对比结果图；
图8示出本发明提供的性能指标比较结果中GCN模型的预测值和真实值的对比结果图；
图9示出本发明提供的性能指标比较结果中GC-LSTM模型的预测值和真实值的对比结果图；
图10示出本发明提供的性能指标比较结果中TensorGCN-LSTM模型的预测值和真实值的对比结果图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。所描述的实施例是本发明的一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明：
本发明提供的无线电环境地图预测方法包括以下步骤：
（1）获取认知无线电任务区域中次级用户监测采集的各个频段上随时间变化的接收功率数据，并进行预处理。
具体包括：
（1-1）将认知无线电任务区域划分为等间隔网格，建立次级用户节点集合。如图1所示，对于任意一个次级用户节点，建立该节点随着时间和频率变化的属性向量为：
，
其中，，表示次级用户节点数量，，K表示次级用户可以工作在K个不同频率，表示一个次级用户节点的属性数量；具体的，本发明中，一个次级用户节点有5种属性，即，分别是：表示次级用户接收到的随着时间和频率变化的功率谱数据，、分别表示次级用户与移动主用户之间随时间变化的收发距离和方位角，分别表示次级用户不随时间变化的纬度和经度地理坐标。（本发明没考虑高程参数，但不影响其适用的一般性）。
（1-2）构建次级用户节点集合在某一时刻、某一工作频率的属性矩阵为：
。
（1-3）由个次级用户在不同工作频率的矩阵构建属性张量为：
，
其中，表示次级用户节点数量，表示一个次级用户节点的属性数量，K表示次级用户可以工作在K个不同频率。
（1-4）如图2分别示出次级用户频谱感知器（SU）监测接收到的功率谱、任务区域内移动主用户（PU）和频谱感知器的空间分布情况、次级用户构建的网络图结构。
构建认知无线电任务区域内次级用户节点集合在频率下的网络图结构，即频率内的图结构；
其中， 为N个次级用户节点在频率下的集合，表示次级用户节点之间在频率的拓扑连接边的集合，表示的邻接矩阵，其中的各元素表示次级用户节点之间的空域相关性。
（1-5）空域相关性构建的具体方法为：
收发天线均为全向天线的自由空间电波传播路径损耗的计算公式：
，
其中，表示发射机与接收机之间的距离，、分别表示电波波长和频率，为光速。次级用户接收机的接收功率与主用户发射功率之间的关系式：
，
由以上两式可知：在主用户发射机载频一定的前提下，影响次级用户接收功率的关键因素是次级用户与主用户之间的距离。
因此，本发明采用反距离权重法构建图的邻接矩阵为：
 ，
其中，，
表示节点与之间的欧氏距离（将两个节点的经纬地理坐标转换为直角坐标系坐标后计算可得两点间的欧氏距离）；表示距离门限值，即节点之间的欧氏距离小于该门限值时建立边的连接，否则，不建立连接。
在路径损耗值一定的情况下，电磁波的频率越高，电波传播的距离越短。因此，各次级用户节点在不同工作频率时，门限值应该是不同的（门限值是超参数，本发明采用网格搜索法确定各个中连接距离的门限值）。因此，所有次级用户节点在宽带条件下工作时同时存在多种图结构。如图3所示，由图结构在K个不同工作频率下生成的多个图结构所构建的图张量。
（1-6）如图4所示，构建次级用户节点在接收不同频率数据时的多个状态间关系的图结构，记作：。
由图结构在N个次级用户节点下生成的多个图结构所构建的图张量，其中，为节点在不同工作频率下的状态的集合，本发明中，将频谱感知节点接收各频率信号时产生的对应属性的状态称之为“虚拟节点”，虚拟节点表示节点在接收频率数据时的属性状态，表示各虚拟节点之间的连边集合，邻接矩阵的各元素表示虚拟节点之间的频域相关性。
频域相关性的描述：本发明中，将频率值按照量级划分为4个等级（GHz，MHz，KHz，Hz），由此可将任何一个频率值转化为一个向量，可称之为“频率向量”，即：
，
其中，。这样，可采用余弦相似度衡量两个频率之间差异的大小。两频率向量夹角的余弦值越接近1，表明两个频率相关性越强。余弦值越接近0，表明两个频率相关性越弱。所以：
，
其中，。
（2）由TensorGCN模型和LSTM模型构建基于TensorGCN-LSTM无线电环境地图的预测模型。
具体的包括：
（2-1）利用图神经网络学习训练方式，在图内同频率的节点空域信息和图内不同频率间的虚拟节点频域信息，提取所有次级用户在同频率工作时的空间特征和特定次级用户在不同频率之间的频域特征，构建TensorGCN模型以提取空域和频域的融合特征信息。
图神经网络学习训练方式为利用图卷积提取非欧式结构的图数据结构特征。本发明中，利用图卷积来提取所有次级用户接收同频率数据的空间特征和单个次级用户接收不同频率数据之间的频域特征。
对于图，输入图信号和输出信号，图卷积神经网络采取的处理函数定义为：
，
其中，表示图中个节点的集合，表示边的集合，是图的邻接矩阵，矩阵中的元素表示图中节点和之间的连接关系。
个次级用户节点在频率、时刻的属性矩阵经过图卷积的前向传播公式为:
，
其中,为经过图卷积提取的特征矩阵，是需要学习更新的频率内图卷积的滤波器参数矩阵，表示每个节点经频率内图卷积操作后提取的空域特征维度，是阶的切比雪夫多项式，表示标准化的Laplace矩阵，，表示Laplace矩阵的最大特征值，为单位矩阵；表示的邻接矩阵；为度矩阵；和分别是Laplace矩阵的特征向量矩阵和特征值构成的对角矩阵。
（2-2）在融合空域特征和频域特征的基础上，利用LSTM模型，提取各次级用户节点在时域上的特征信息。
利用（1-2）中特征融合得到次级用户节点在空域和频域的个融合特征为：
，
其中，，是阶的切比雪夫多项式，是邻接矩阵对应的标准化Laplace矩阵，是需要学习更新的频率间图卷积的滤波器参数矩阵，K表示次级用户可以工作在K个不同频率。
经过步骤（2-2）得到TensorGCN模型的输出结果，即输入LSTM模型的特征张量。
实现LSTM模型的具体步骤如下：
①构建遗忘门，通过遗忘门计算决定上一时刻信息传到下一时刻的信息量。
②构建输入门，通过输入门计算输出需要更新的信息量和更新到新单元状态的信息。
③构建单元状态，通过计算遗忘门和输入门的输入，得到当前时刻的状态值。
④构建输出门，得到LSTM模型的输出；
其中，表示输出门的输出值，和分别表示输出门的权重矩阵和偏置；符号表示矩阵哈达玛积；， 、表示上一时刻和当前时刻的状态值；，表示遗忘门的权重，符号表示向量乘积，表示上一时刻循环隐藏层的输出，表示t时刻LSTM模型的输入，表示遗忘门的偏置； ，表示输入门的权重矩阵，表示输入门的偏置。
（2-3）由TensorGCN模型和LSTM模型组成TensorGCN-LSTM模型。
将TensorGCN模型的结果输入LSTM模型，经全连接层，得到所述TensorGCN-LSTM模型为：
，
其中，表示长短时记忆模型运算，表示全连接层运算，表示在未来的个时刻点处各次级用户节点在频率上的接收功率预测值。
（3）通过预测模型预测未来时间段的无线电环境地图。
具体的，如图5所示。图张量信号中的每个图，经过特定频率维度内的基于所有次级用户节点的节点特征提取，完成图内信息的聚合。各个频率维度间的基于特定次级用户节点的节点特征提取，完成图间信息的聚合。提取到的节点特征输入LSTM+FC层，之后输出最终各节点未来时刻的功率预测值。
具体实施例：
①在数据集中，假设认知无线电任务区域内有3个正在工作的移动主用户PU1、PU2和PU3，工作频率范围为500～800MHz。利用对数距离路径损耗模型和对数阴影衰落模型对主用户发射信号的空间传播情况进行仿真，路径损耗指数，参考距离常数，对数正态分布阴影衰落均值、标准差，遮蔽障碍物损耗4dB，次级用户接收主用户发射的电磁波可得到认知无线电网络任务区域的功率谱地图，接收数据的时间长度为60天，每5分钟采集一次功率值，共17280个样本数据，按照3:1:1的比例划分训练数据集、验证数据集和测试数据集。
②实验结果及分析：
为验证本发明的有效性，选择4个其它预测模型与本发明模型进行了训练集损失（Train_loss）、验证集损失（Validate_Loss）平均绝对误差（MAE）和均方根误差（RMSE）四个性能指标的比较，具体见图6表格。可知，通过对不同方法的预测输出和次级用户实际的接收功率值进行对比分析，结果显示，本发明提出的基于TensorGCN-LSTM的无线电环境地图预测方法的预测精度更高，具体见图7至图10。
以上实施例仅用以说明本发明的技术方案，并非用来限定本发明的实施范围。但凡在本发明的保护范围内所做的等效变化及修饰，皆应认为落入了本发明的保护范围内。

Claims (8)

1.一种无线电环境地图预测方法，其特征在于，该方法包括以下步骤：
(1)获取认知无线电任务区域中次级用户监测采集的各个频段上随时间变化的接收功率数据，并进行预处理；
包括：
(1-1)将所述认知无线电任务区域划分为等间隔网格，建立次级用户节点集合，对于任意一个次级用户节点，建立该节点随着时间和频率变化的属性向量；
(1-2)构建所述次级用户节点集合在某一时刻某一工作频率的属性矩阵；
(1-3)构建所述次级用户节点集合在不同时刻不同工作频率的属性张量；
所述属性张量为：
Figure FDA0004065679570000011
其中，N表示次级用户节点数量，M表示一个次级用户节点的属性数量，K表示次级用户可以工作在K个不同频率；
所述次级用户节点集合在时刻t工作频率fk时，所述属性矩阵为：
Figure FDA0004065679570000012
任意一个次级用户节点的所述属性向量为：
Figure FDA0004065679570000013
其中，n＝1,2,…,N，k＝1,2,…,K，ψn(fk,t)表示次级用户vn接收到的随着时间和频率变化的功率谱数据，dn(fk,t)、
Figure FDA0004065679570000014
分别表示次级用户vn与移动主用户之间随时间变化的收发距离和方位角，latn,lonn分别表示次级用户vn不随时间变化的纬度和经度地理坐标；
(2)由TensorGCN模型和LSTM模型构建基于TensorGCN-LSTM无线电环境地图的预测模型；
(3)通过所述预测模型预测未来时间段的无线电环境地图。
2.根据权利要求1所述的预测方法，其特征在于，所述步骤(1)还包括：
(1-4)构建所述认知无线电任务区域内所述次级用户节点集合在频率fk下的网络图结构，记作：
Figure FDA0004065679570000021
其中，
Figure FDA0004065679570000022
为N个次级用户节点在频率fk下的集合，
Figure FDA0004065679570000023
表示次级用户节点之间在频率fk的拓扑连接边的集合，
Figure FDA0004065679570000024
表示Gfk的邻接矩阵，其中的各元素表示次级用户节点之间的空域相关性；
(1-5)由图结构
Figure FDA0004065679570000025
在K个不同工作频率下生成的多个图结构构建图张量
Figure FDA0004065679570000026
(1-6)构建次级用户节点vn在接收不同频率数据时的多个状态间关系的图结构，记作：
Figure FDA0004065679570000027
其中，
Figure FDA0004065679570000028
表示节点vn在接收频率fk数据时的状态，
Figure FDA0004065679570000029
表示各虚拟节点之间的连边集合，邻接矩阵
Figure FDA00040656795700000210
的各元素表示虚拟节点之间的频域相关性；
(1-7)由图结构
Figure FDA00040656795700000211
在N个次级用户节点下生成的多个图结构所构建的图张量
Figure FDA00040656795700000212
3.根据权利要求1所述的预测方法，其特征在于，所述步骤(2)包括：
(2-1)利用图神经网络学习训练方式，在图
Figure FDA0004065679570000031
内同频率的节点空域信息和图
Figure FDA0004065679570000032
内不同频率间的虚拟节点频域信息，提取所有次级用户在同频率工作时的空间特征和特定次级用户在不同频率之间的频域特征，构建TensorGCN模型以提取空域和频域的融合特征信息；
(2-2)在融合空域特征和频域特征的基础上，利用LSTM模型，提取各次级用户节点在时域上的特征信息；
(2-3)由TensorGCN模型和LSTM模型组成TensorGCN-LSTM模型。
4.根据权利要求3所述的预测方法，其特征在于，所述步骤(2-1)包括：
N个次级用户节点在频率fk、时刻t的属性矩阵
Figure FDA0004065679570000033
经过图卷积的前向传播公式为:
Figure FDA0004065679570000034
其中,
Figure FDA0004065679570000035
为经过图卷积提取的特征矩阵，
Figure FDA0004065679570000036
是需要学习更新的频率内图卷积的滤波器参数矩阵，W表示每个节点经频率内图卷积操作后提取的空域特征维度，
Figure FDA0004065679570000037
是r阶的切比雪夫多项式，
Figure FDA0004065679570000038
表示标准化的Laplace矩阵L，
Figure FDA0004065679570000039
λmax表示Laplace矩阵L的最大特征值，
Figure FDA00040656795700000310
为单位矩阵；
Figure FDA00040656795700000314
表示
Figure FDA00040656795700000315
的邻接矩阵；D为度矩阵；
Figure FDA00040656795700000311
和
Figure FDA00040656795700000312
分别是Laplace矩阵L的特征向量矩阵和特征值构成的对角矩阵。
5.根据权利要求4所述的预测方法，其特征在于，所述步骤(2-2)包括：
次级用户节点在空域和频域的M′个融合特征为：
Figure FDA00040656795700000313
其中，
Figure FDA0004065679570000041
Figure FDA0004065679570000042
是r′阶的切比雪夫多项式，
Figure FDA0004065679570000043
是邻接矩阵
Figure FDA0004065679570000044
对应的标准化Laplace矩阵，Θ′r′是需要学习更新的频率间图卷积的滤波器参数矩阵，K表示次级用户可以工作在K个不同频率。
6.根据权利要求3所述的预测方法，其特征在于，所述步骤(2-2)还包括：
①构建遗忘门，通过遗忘门计算决定上一时刻信息传到下一时刻的信息量；
②构建输入门，通过输入门计算输出需要更新的信息量和更新到新单元状态的信息；
③构建单元状态，通过计算遗忘门和输入门的输入，得到当前时刻的状态值；
④构建输出门，得到LSTM模型的输出。
7.根据权利要求6所述的预测方法，其特征在于，所述LSTM模型的输出为：
Figure FDA0004065679570000045
其中，ot＝σ(Wo·[ht-1,xt]+bo)表示输出门的输出值，Wo和bo分别表示输出门的权重矩阵和偏置；符号°表示矩阵哈达玛积；
Figure FDA0004065679570000046
ct-1、
Figure FDA0004065679570000047
表示上一时刻和当前时刻的状态值；ft＝σ(Wf·[ht-1,xt]+bf)，Wf表示遗忘门的权重，符号·表示向量乘积，ht-1表示上一时刻循环隐藏层的输出，xt表示t时刻LSTM模型的输入，bf表示遗忘门的偏置；it＝σ(Wi·[ht-1,xt]+bi)，Wi表示输入门的权重矩阵，bi表示输入门的偏置。
8.根据权利要求5所述的预测方法，其特征在于，所述步骤(2-3)中，将所述TensorGCN模型的结果输入LSTM模型，经全连接层，得到所述TensorGCN-LSTM预测模型为：
Figure FDA0004065679570000051
其中，LSTM(·)表示长短时记忆模型运算，FC(·)表示全连接层运算，
Figure FDA0004065679570000052
表示在未来的T个时刻点处各次级用户节点在频率f1,f2,…,fK上的接收功率预测值，
Figure FDA0004065679570000053
CN202211469821.0A 2022-11-23 2022-11-23 一种无线电环境地图预测方法 Active CN115549823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211469821.0A CN115549823B (zh) 2022-11-23 2022-11-23 一种无线电环境地图预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211469821.0A CN115549823B (zh) 2022-11-23 2022-11-23 一种无线电环境地图预测方法

Publications (2)

Publication Number Publication Date
CN115549823A CN115549823A (zh) 2022-12-30
CN115549823B true CN115549823B (zh) 2023-04-07

Family

ID=84720207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211469821.0A Active CN115549823B (zh) 2022-11-23 2022-11-23 一种无线电环境地图预测方法

Country Status (1)

Country Link
CN (1) CN115549823B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245840A (zh) * 2018-10-15 2019-01-18 哈尔滨工业大学 认知无线电系统中基于卷积神经网络的频谱预测方法
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
WO2022084096A1 (en) * 2020-10-23 2022-04-28 Vestel Elektronik Sanayi ve Ticaret A. S. Learning-based spectrum occupancy prediction exploiting multi-dimensional correlation

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107359948B (zh) * 2017-07-11 2019-06-14 北京邮电大学 一种认知无线网络的频谱预测方法、装置及计算机可读存储介质
CN112911626B (zh) * 2021-02-01 2022-05-31 福州大学 基于多图卷积的无线网络流量预测方法
EP4047977A1 (en) * 2021-02-22 2022-08-24 Volkswagen Ag Methods, computer programs and apparatuses for determining and using a predicted future quality of service of a wireless communication link
CN113222265A (zh) * 2021-05-21 2021-08-06 内蒙古大学 物联网中移动多传感器空时数据预测方法及其系统
CN115473598A (zh) * 2022-09-06 2022-12-13 上海交通大学 基于压缩感知的宽带无线电环境地图构建方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245840A (zh) * 2018-10-15 2019-01-18 哈尔滨工业大学 认知无线电系统中基于卷积神经网络的频谱预测方法
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
WO2022084096A1 (en) * 2020-10-23 2022-04-28 Vestel Elektronik Sanayi ve Ticaret A. S. Learning-based spectrum occupancy prediction exploiting multi-dimensional correlation

Also Published As

Publication number Publication date
CN115549823A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
Ahmadien et al. Predicting path loss distribution of an area from satellite images using deep learning
Zhang et al. Air‐to‐air path loss prediction based on Machine Learning methods in urban environments
US10374902B2 (en) Method for clustering wireless channel MPCs based on a KPD doctrine
CN112218330B (zh) 定位方法及通信装置
WO2020215783A1 (zh) 定位方法、装置及存储介质
CN105517019A (zh) 采用集成回归系统检测lte网络性能的方法
He et al. Random forests based path loss prediction in mobile communication systems
WO2023169589A1 (zh) 一种基于对抗网络与长短期记忆网络的预测信道建模方法
Fernandes et al. Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks
CN113420722B (zh) 一种机场安全管理平台的突发事件联动方法及系统
Sun et al. A novel GCN based indoor localization system with multiple access points
US11128391B1 (en) System and method for predicting wireless channel path loss
CN115549823B (zh) 一种无线电环境地图预测方法
Perez et al. Comparison of the propagation loss of a real-life wireless sensor network and its complimentary simulation model
Torres-Sospedra et al. Exploiting different combinations of complementary sensor’s data for fingerprint-based indoor positioning in industrial environments
Nagao et al. Fine-tuning for propagation modeling of different frequencies with few data
Loh et al. Intelligent base station placement in urban areas with machine learning
CN111628837B (zh) 一种信道建模的方法及设备
Yohanes et al. Location prediction model using Naïve Bayes algorithm in a half-open building
YANG et al. A novel ISAR imaging algorithm for microwave photonics radar
Bizon et al. Blind transmitter localization using deep learning: a scalability study
Tonchev et al. Learning graph convolutional neural networks to predict radio environment maps
Agarwal et al. Hardware implementation of k-means clustering based spectrum sensing using usrp in a cognitive radio system
Nagao et al. A study on path loss modeling using ResNet and pre-training with free space path loss
Sukemi et al. Path Loss Prediction Accuracy Based on Random Forest Algorithm in Palembang City Area

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