CN115802401B - 一种无线网络信道状态预测方法、装置、设备及存储介质 - Google Patents
一种无线网络信道状态预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115802401B CN115802401B CN202211281296.XA CN202211281296A CN115802401B CN 115802401 B CN115802401 B CN 115802401B CN 202211281296 A CN202211281296 A CN 202211281296A CN 115802401 B CN115802401 B CN 115802401B
- Authority
- CN
- China
- Prior art keywords
- channel
- state
- network
- wireless network
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 238000001228 spectrum Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 8
- 230000001149 cognitive effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000714 time series forecasting Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种无线网络信道状态预测方法、装置、设备及存储介质，涉及无线通讯技术领域，包括获取信道占用状态样本数据，基于Transformer模型构建网络状态时序预测模型，利用信道占用状态样本数据训练网络状态时序预测模型，包括：将多个编码器叠加，并连接全连接层构建网络状态时序预测模型，根据损失函数计算误差，采用优化算法训练网络状态时序预测模型，反复迭代至损失函数收敛，得训练完成的网络状态时序预测模型，利用训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得信道预测结果，利用信道占用状态样本数据训练所述网络状态时序预测模型，实现对无线网络中信道状态预测，精准预测出目前网络信道状态。
Description
技术领域
本发明涉及无线通讯技术领域，特别是涉及一种无线网络信道状态预测方法、装置、设备及存储介质。
背景技术
无线电频谱资源作为无线通信技术的基础性资源，在无线通信中发挥着至关重要的作用。然而，根据联邦通信委员会(Federal Communication Commission FCC)统计，现阶段的授权信道利用率非常低下，仅为15％-85％。近年来，为解决频谱资源利用率低下的问题，认知无线电理论被提出并不断完善，其核心思想是在保证PU通信的情况下，提高无线信道的利用率。在认知无线网络中，接入无线信道的用户被划分为主用户(PU)和次用户(SU)，PU占用授权信道时，SU不得接入信道；当授权信道没有PU占用时SU按照一定策略感知并接入授权信道，以充分利用授权信道空闲情况。
动态频谱接入(Dynamic Spectrum Access,DSA)作为认知无线电的重要组成部分，已有大量论文研究了SU接入授权信道的策略。文献是对动态频谱接入的一篇综述论文。论文开篇介绍了动态频谱接入的概念，并引入了频谱接入的物理模型，并介绍了基于认知无线电的信道场景。最后简单介绍了下频谱接入的策略。并给出总结：DSA/OSA(Opportunity Spectrum Access,OSA)还处于襁褓期，在技术、政策、经济方面还有很多很有挑战的问题需要解决。文献Temporal fusion transformers for interpretablemulti-horizon time series forecasting提出了一个基于无线局域网的频谱感知与接入的策略以提高信道的利用率。文献Beyond efficient transformer for long sequencetime-series forecasting是对频谱信号频率的动态接入进行预测的论文。作者在论文中讨论了三种不同的时序预测模型：隐马尔可夫(Hidden Markov Model,HMM)模型、多层感知机模型(Multilayer Perceptron,MLP)和循环卷积网络(模型)对信号频率预测的准确度，并指出循环神经网络(Recurrent Neural Network,RNN)模型相比其他模型具有更好的预测性能。文献[10]是利用时延神经网络(Time-Delay Neural Network,TDNN)网络或者RNN网络对信道状态进行估计的论文。论文讨论了在认知无线电的环境下利用RNN或TDNN网络对信道状态(占用/空闲)预测的精确度。文献[11]对TV传输信道中的未利用带宽资源的分配和利用进行了讨论，并提出了一种基于K近邻算法(K-Nearest Neighbor,KNN)的频谱空间数据补全算法。文献Deep transformer models for time series forecasting中分析了认知无线电中的频谱感知问题，并提出了一种提高循环平稳检测准确率的方法的来对授权信道的物理特性进行检测，在信道有非平稳衰落和信噪比(Signal-to-Noise Ratio,SNR)很弱时有很好的准确率。
另外针对频谱感知技术，近年来提出了频谱态势的概念。根据频谱态势的定义，频谱态势是对频谱状态未来发展状况的预测，是频谱检测及感知的进一步应用，一种基于Total Variation Inpainting方法的矩阵补全方法，当矩阵中的元素的关性降低时补全出的矩阵的错误率仍能有较好的表现。目前已有的Transformer开源代码和模型广泛应用在自然语言处理领域，同时在计算机视觉、语音信号处理、时间序列预测等方面有一定的应用。在Transformer的诸多优势中，捕获长期依赖关系和交互的能力对于时间序列建模尤其具有吸引力，因此在各种时间序列应用中取得了令人振奋的进展。
当前大多数关于频谱态势的研究显式或隐式假设频谱设备以单天线为主，频谱态势以全向辐射为主，并不能以此准确预测到无线网络中信道的状态变化；然而，在实际应用中信道的变化规律是随机且未知的，准确的预测无线网络中信道的空闲/占用状态可以更合理的指导SU接入授权信道，提高频谱利用率。目前Transformer模型在时序预测、异常检测、分类等诸多场景中得到了各种很好的应用，但是缺乏在无线信道状态预测方面的应用，在此之前并没有文章或发明将Transformer模型应用到频谱态势感知中，对无线网络中信道状态进行预测。
综上所述可以看出，目前已有的频谱感知和预测的方法仍存在没有考虑到无线通信网络中频谱的高动态性，无法快速认知未知频谱资源等问题未解决。并且虽然Transformer模型在时序预测方面有广泛的应用，并都取得了很好的效果，但是其在频谱态势感知方面的研究还不充分。因此如何对无线网络中信道状态预测是目前有待解决的问题。
发明内容
本发明的目的是提供一种无线网络信道状态预测方法、装置、设备及存储介质，以解决现有技术中无法对无线网络中信道状态进行预测。
为解决上述技术问题，本发明提供一种无线网络信道状态预测方法，包括：
获取信道占用状态样本数据；
基于Transformer模型构建网络状态时序预测模型，利用所述信道占用状态样本数据训练所述网络状态时序预测模型，包括：
将多个编码器叠加，并连接全连接层构建所述网络状态时序预测模型；
根据MSE损失函数计算误差，采用Adam优化算法训练所述网络状态时序预测模型，反复迭代至损失函数收敛，得到训练完成的网络状态时序预测模型；
利用所述训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得到信道预测结果。
优选地，所述MSE损失函数计算公式如下：
其中，m为样本数量，yt为信道状态目标值，为信道状态预测值。
优选地，所述利用所述训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得到信道预测结果包括：
将待检测无线网络信道原始特征向量xt线性映射到n维向量空间，所述线性映射公式为：
ut＝Wpxt+Φ
其中，Wp∈Rn，Φ∈Rn为可学习参数，Rn为前n个时刻的单变量时间序列，ut∈Rn,(t＝1,2,…,m)为线性变化后包含前n个历史时刻信道状态数据的新输入向量，上述公式为单个时间步长的运算过程，但所有的无线网络信道原始特征向量xt都通过一个矩阵-矩阵乘法同时嵌入，因此得到新的输入矩阵Ui∈Rm＝[u1,u2,…,um]；
由于Transformer不假设顺序，一次性并行处理所有输入，将位置编码Wpos∈Rn添加到输入向量Ui中，其计算公式为：
U′i＝Ui+Wpos
其中，Wpos为位置编码组成的位置编码矩阵，U′i为矩阵；
其中，pos为信道状态数据序列中的位置，dmodel为位置信息编码的信道状态数据特征向量的长度，a表示位置信息编码的特征向量的第a个元素，即前n个历史信道状态数据中的第a个时刻的数据；
采用多头注意力机制，根据参数矩阵调整输入的历史信道状态数据用于预测的权重，得到当前步长的特征向量以预测目标时刻信道状态数据；
采用层标准化方式使运算后的数据与输入的信道状态数据保持在一个量级，加快模型收敛速度；
输入第i个信道状态数据预处理后和位置编码得到的U′i∈Rm＝[u1,u2,…,um]，经过编码层运算后得到矩阵O′i，利用线性层输出最终预测的当前时刻信道状态数据Yi。
优选地，所述采用多头注意力机制，根据参数矩阵调整输入的历史信道状态数据用于预测的权重，得到当前步长的特征向量以预测目标时刻信道状态数据包括：
Zi＝MultiHead(Q,K,V)＝Concat(z1,z2,…,zH)
其中，为模型可学习的参数矩阵，zh为单头自注意力机制运算结果，Zi为输出序列。
优选地，所述采用层标准化方式使运算后的数据与输入的信道状态数据保持在一个量级，加快模型收敛速度包括：
利用残差连接层将数据进行残差连接，采用层标准化方式运算，其计算公式为：
Z′i＝U′i+Zi＝[u′1+z1,u′2+z2,…,u′m+zm]＝[z′1,z′2,…,z′m]
其中，E(z′t)为对z′t求值，Var(z′t)为对z′t求方差，∈加在方差上避免分母为0，γ和β为学习参数，z′t为输入向量，z″t为新矩阵，单个时间步长的运算结果，所有的输入向量z′t都通过一个矩阵-矩阵乘法同时嵌入，因此得到新的输入矩阵Z″i＝[z″1,z″2,…,z″m]；
利用两层的全连接层计算得到输出矩阵，其计算公式为：
Oi＝FFN(Z″i)＝max(0,Z″iW1+b1)W2+b2
O′i＝LayerNorm(Z″i+Oi)
其中，Oi，O′i为矩阵，W1，W2为全连接层的权重，b1，b2为全连接层的偏置。
优选地，所述获取信道占用状态样本数据包括：
获取无线网络授权信道数据；
将所述无线网络授权信道数据利用二进制代码表示每个时隙中授权信道的占用状态，得到二进制信道占用状态；
将所述二进制信道占用状态编码转换为十进制信道占用状态；
将所述十进制信道占用状态进行归一化操作，并生成信道占用状态样本数据。
优选地，所述获取无线网络授权信道数据包括：
利用连续时间的两态马尔可夫搭建PU授权信道占用模型，采取同构网络的形式，授权信道处于占用状态表示当前PU正在使用当前信道，授权信道处于空闲状态表示当前PU没有使用当前信道,通过所述PU授权信道占用模型生成无线网络授权信道数据。
本发明还提供一种无线网络信道状态预测装置，包括：
获取模块，用于获取信道占用状态样本数据；
训练模块，用于基于Transformer模型构建网络状态时序预测模型，利用所述信道占用状态样本数据训练所述网络状态时序预测模型，得到训练完成的网络状态时序预测模型；
检测模块，用于利用所述训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得到信道预测结果。
本发明还提供一种无线网络信道状态预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任一项所述一种无线网络信道状态预测方法的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述一种无线网络信道状态预测方法的步骤。
本发明所提供的一种无线网络信道状态预测方法，将Transformer模型应用到无线网络信道状态预测中，利用Transformer模型构建网络状态时序预测模型，通过利用信道占用状态样本数据训练所述网络状态时序预测模型，实现对无线网络中信道状态预测，精准的预测出目前网络信道状态，为无线通讯技术领域在无线信道状态预测技术做出突破。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明所提供的一种无线网络信道状态预测方法的第一种具体实施例的流程图；
图2为网络状态时序预测模型结构图；
图3为授权信道两态马尔可夫转移过程图；
图4为十条授权信道在2000个时隙内PU占用规律图；
图5为十条授权信道经过编码后的状态图；
图6为样本数据生成流程图；
图7为网络状态预测真实值与实际值比较图；
图8为时刻对应的真实值图；
图9为时刻的预测值图；
图10为网络状态预测结果图；
图11为网络状态真实结果图；
图12为Transformer均方误差随训练次数的变化图；
图13为本发明实施例提供的一种无线网络信道状态预测装置的结构框图。
具体实施方式
本发明的核心是提供一种无线网络信道状态预测方法、装置、设备及存储介质，实现了无线网络信道状态精准预测。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
请参考图1，图1为本发明所提供的一种无线网络信道状态预测方法的第一种具体实施例的流程图；如图2所示，具体操作步骤如下：
步骤S101：获取信道占用状态样本数据；
其中信道占用状态样本数据，包括：
获取无线网络授权信道数据；
如图3、图4所示，利用连续时间的两态马尔可夫搭建PU授权信道占用模型，采取同构网络的形式，授权信道处于占用状态表示当前PU正在使用当前信道，授权信道处于空闲状态表示当前PU没有使用当前信道,通过所述PU授权信道占用模型生成无线网络授权信道数据。
将所述无线网络授权信道数据利用二进制代码表示每个时隙中授权信道的占用状态，得到二进制信道占用状态；
使用k位二进制代码表示每个时隙中k个授权信道的占用/空闲状态，其中“1”表示占用状态，“0”表示空闲状态：
其中，为时间t时信道的状态，i为第i个信道；
将所述二进制信道占用状态编码转换为十进制信道占用状态；
其中，St为信道状态，如图5所示例如对于具有10个授权信道(k＝10)的模型，如果信道3、4和7处于占用状态 而其他信道状态处于空闲状态 则该时隙中的二进制信道状态代码为“0001001100”，相应的十进制数为“76”。因此，信道状态St可以由0到1023之间的十进制整数表示；
将所述十进制信道占用状态进行归一化操作，并生成信道占用状态样本数据；
如图6所示，在样本中随机抽取1个时隙的信道编码值归一化后作为当前时刻的网络状态数据，并将该时隙的前n个时隙信道编码值归一化后作为历史时刻的网络状态数据，共抽取t次。因此当前时刻的网络状态数据共有t个，将这些数据都作为Outputdata；而历史时刻的网络状态数据共有n×t个，将这些数据都作为Inputdata。将上述过程重复进行num次，则在Outputdata和Inputdata中分别得到num个无线网络授权信道数据。
步骤S102：基于Transformer模型构建网络状态时序预测模型，利用所述信道占用状态样本数据训练所述网络状态时序预测模型，得到训练完成的网络状态时序预测模型；
根据MSE损失函数计算误差，采用Adam优化算法训练所述网络状态时序预测模型，反复迭代至损失函数收敛；
所述MSE损失函数计算公式如下：
其中，m为样本数量(m＝2000)，yt为信道状态目标值，为信道状态预测值。
步骤S103：利用所述训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得到信道预测结果。
将待检测无线网络信道原始特征向量xt线性映射到n维向量空间，所述线性映射公式为：
ut＝Wpxt+Φ
其中，Wp∈Rn，Φ∈Rn为可学习参数，Rn为前n个时刻的单变量时间序列，ut∈Rn,(t＝1,2,…,m)为线性变化后包含前n个历史时刻信道状态数据的新输入向量，上述公式为单个时间步长的运算过程，但所有的无线网络信道原始特征向量xt都通过一个矩阵-矩阵乘法同时嵌入，因此得到新的输入矩阵Ui∈Rm＝[u1,u2,…,um]；
由于Transformer不假设顺序，一次性并行处理所有输入，将位置编码Wpos∈Rn添加到输入向量Ui中，其计算公式为：
U′i＝Ui+Wpos
其中，Wpos为位置编码组成的位置编码矩阵，U′i为矩阵；
其中，pos为信道状态数据序列中的位置，dmodel为位置信息编码的信道状态数据特征向量的长度，a表示位置信息编码的特征向量的第a个元素，即前n个历史信道状态数据中的第a个时刻的数据；
采用多头注意力机制，根据参数矩阵调整输入的历史信道状态数据用于预测的权重，得到当前步长的特征向量以预测目标时刻信道状态数据；
Zi＝MultiHead(Q,K,V)＝Concat(z1,z2,…,zH)
其中，为模型可学习的参数矩阵，zh为单头自注意力机制运算结果，Zi为输出序列；
采用层标准化方式使运算后的数据与输入的信道状态数据保持在一个量级，加快模型收敛速度；
利用残差连接层将数据进行残差连接，采用层标准化方式运算，其计算公式为：
Z′i＝U′i+Zi＝[u′1+z1,u′2+z2,…,u′m+zm]＝[z′1,z′2,…,z′m]
其中，E(z′t)为对z′t求值，Var(z′t)为对z′t求方差，∈加在方差上避免分母为0，γ和β为学习参数，z′t为输入向量，z″t为新矩阵，单个时间步长的运算结果，所有的输入向量z′t都通过一个矩阵-矩阵乘法同时嵌入，因此得到新的输入矩阵Z″i＝[z″1,z″2,…,z″m]；
利用两层的全连接层计算得到输出矩阵，其计算公式为：
Oi＝FFN(Z″i)＝max(0,Z″iW1+b1)W2+b2
O′i＝LayerNorm(Z″i+Oi)
其中，Oi，O′i为矩阵，W1，W2为全连接层的权重，b1，b2为全连接层的偏置。
输入第i个信道状态数据预处理后和位置编码得到的U′i∈Rm＝[u1,u2,…,um]，经过编码层运算后得到矩阵O′i，利用线性层输出最终预测的当前时刻信道状态数据Yi。
本实施例提供一种无线网络信道状态预测方法，将Transformer模型应用到无线网络信道状态预测中，利用Transformer模型构建网络状态时序预测模型，通过利用信道占用状态样本数据训练所述网络状态时序预测模型，实现对无线网络中信道状态预测，采用均方误差(Mean Sqrt Error,MSE)来衡量该网络模型对网络状态预测的性能，预测值与真实值能较好的拟合，并且能更快的收敛，可以较为准确的预测目前网络的状态。
基于上述实施例，本实施例采用实验数据对本方法进行实验阐述，具体如下：
本实施例使用基于Python的“Pytorch”框架，搭建基于Transformer的网络状态预测模型，选择tanh(x)和σ(x)作为激活函数，使用Adam优化算法对网络进行训练。根据PU授权信道模型及授权信道编码模型生成了含有num＝100个样本的时序数据。由于是根据前20个时刻的网络状态数据预测当前时刻的网络状态数据，所以m＝2000，n＝20，则输入数据Inputdata中每个样本都含有40000个历史时刻的网络状态数据，对应的输出数据outputdata中每个样本都含有2000个当前时刻的网络状态数据。将前30个样本作为测试集，后70个样本作为训练集进行训练并测试模型的感知精度。
相应的输入一个样本中的40000个数据，经过Input Embedding后xt＝{St-1,St-2,…,St-20}，每个xt对应输出一个yt＝{St}，yt是模型感知到的当前时刻的网络状态。经过1000个学习迭代过程后，从30个样本中选择1个样本观察信道状态数据真实值和预测值之间的差异，并计算了30个样本真实值与预测值之间的平均差值。如图7所示，蓝色实线为本文中模型预测出的信道状态数据，红色实线为真实的信道状态数据，黄色实线为30个样本的平均差值。其中，x轴为2000个时隙，y轴为信道授权编码归一化后的值，由图7可知，本实施例中代表真实值的虚线与预测值的实线重合度较高，即表示本文中网络状态预测模型的预测值与真实值比较接近。统计的真实值与预测值之间的平均差值约为0.0005，因此本实施例中的模型能够较为准确的根据t时刻前20个状态的值预测t时刻的值；
参考图8、图9，以样本1中的第8个时隙为例，输入该时刻前20个状态的信息，且t时刻的真实值为0.56012，模型预测结果t时刻的值为0.5613。
利用Python编写程序判断网络状态，即输入的当前网络状态的数值，判断目前网络的状态；
如图10、图11所示，判断网络状态的具体实现过程为：首先将t时刻的预测值反归一化后取整，得到授权信道编码的十进制值，将该十进制数转为十位的二进制数。根据上述授权信道编码模型可知，该十位二进制数代表着t时刻十个信道的空闲或占用情况(占用为1，空闲为0)；
输入t时刻的预测值0.5613，根据上述过程可判断出t时刻被占用的信道数n为7，网络状态为被占用，且具体是第1、2、3、4、5、6、10信道被占用；
而t时刻的实际值0.56012，根据上述过程可判断出t时刻被占用的信道数n为6，网络状态为被占用，且具体是第2、3、4、5、6、10信道被占用。
因此由上述过程可以判断出，本发明中的基于Transformer的网络状态预测模型，能够较为准确的根据前20个时刻的状态预测出当前的网络状态。
本实施例采用均方误差(Mean Sqrt Error,MSE)来衡量该网络模型对网络状态预测的性能，其中均方误差定义为：
其中，m为样本数量(m＝2000)，yt为信道状态目标值，为信道状态预测值，感知到的授权信道频谱态势与真实信道状态的均方误差图随神训练次数变化如图所示,其中x坐标为训练迭代次数，y坐标为均方误差。
如图12所示，从图可以看出，在前30次训练中，均方误差MSE便快速下降；在经过1000次训练后，均方误差MSE趋于收敛，并且最终MSE值约为0.00016。由此可以看出，本发明中的基于Transformer模型的网络状态预测结果与真实值比较接近，预测值与真实值能较好的拟合，并且能更快的收敛。也就是说，本发明中提出的基于Transformer的网络状态预测模型能够较为准确的预测目前网络的状态。
本实施例提供一种无线网络信道状态预测方法，采用多组数据对本实施例中网络状态预测模型进行测试，由实验结果可知，本实施例中网络状态预测模型的预测值与真实值相比比较接近，因此本实施例中的模型能够较为准确的根据t时刻前20个状态的值预测t时刻的值，基于Transformer的网络状态预测模型，能够较为准确的根据前20个时刻的状态预测出当前的网络状态，实现了对无线网络中信道状态精准预测。
请参考图13，图13为本发明实施例提供的一种无线网络信道状态预测装置的结构框图；具体装置可以包括：
获取模块100，用于获取信道占用状态样本数据；
训练模块200，用于基于Transformer模型构建网络状态时序预测模型，利用所述信道占用状态样本数据训练所述网络状态时序预测模型，得到训练完成的网络状态时序预测模型；
检测模块300，用于利用所述训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得到信道预测结果。
本实施例的一种无线网络信道状态预测装置用于实现前述的一种无线网络信道状态预测方法，因此一种无线网络信道状态预测装置中的具体实施方式可见前文中的一种无线网络信道状态预测方法的实施例部分，例如，获取模块100，训练模块200，检测模块300，分别用于实现上述一种无线网络信道状态预测方法中步骤S101，S102和S103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种无线网络信道状态预测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种无线网络信道状态预测方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种无线网络信道状态预测方法的步骤。
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它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种无线网络信道状态预测方法、装置、设备及存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种无线网络信道状态预测方法，其特征在于，包括：
获取信道占用状态样本数据；
基于Transformer模型构建网络状态时序预测模型，利用所述信道占用状态样本数据训练所述网络状态时序预测模型，包括：
将多个编码器叠加，并连接全连接层构建所述网络状态时序预测模型；
根据MSE损失函数计算误差，采用Adam优化算法训练所述网络状态时序预测模型，反复迭代至损失函数收敛，得到训练完成的网络状态时序预测模型；
利用所述训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得到信道预测结果。
2.如权利要求1所述的无线网络信道状态预测方法，其特征在于，所述MSE损失函数计算公式如下：
其中，m为样本数量，yt为信道状态目标值，为信道状态预测值。
3.如权利要求1所述的无线网络信道状态预测方法，其特征在于，所述利用所述训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得到信道预测结果包括：
将待检测无线网络信道原始特征向量xt线性映射到n维向量空间，所述线性映射公式为：
ut＝Wpxt+Φ
其中，Wp∈Rn，Φ∈Rn为可学习参数，Rn为前n个时刻的单变量时间序列，ut∈Rn,(t＝1,2,…,m)为线性变化后包含前n个历史时刻信道状态数据的新输入向量，上述公式为单个时间步长的运算过程，但所有的无线网络信道原始特征向量xt都通过一个矩阵-矩阵乘法同时嵌入，因此得到新的输入矩阵Ui∈Rm＝[u1,u2,…,um]；
由于Transformer不假设顺序，一次性并行处理所有输入，将位置编码Wpos∈Rn添加到输入矩阵Ui中，其计算公式为：
U′i＝Ui+Wpos
其中，Wpos为位置编码组成的位置编码矩阵，U′i为矩阵；
其中，pos为信道状态数据序列中的位置，dmodel为位置信息编码的信道状态数据特征向量的长度，a表示位置信息编码的特征向量的第a个元素，即前n个历史信道状态数据中的第a个时刻的数据；
采用多头注意力机制，根据参数矩阵调整输入的历史信道状态数据用于预测的权重，得到当前步长的特征向量以预测目标时刻信道状态数据；
采用层标准化方式使运算后的数据与输入的信道状态数据保持在一个量级，加快模型收敛速度；
输入第i个信道状态数据预处理后和位置编码得到的U′i∈Rm＝[u1,u2,…,um]，经过编码层运算后得到矩阵O′i，利用线性层输出最终预测的当前时刻信道状态数据Yi。
4.如权利要求3所述的无线网络信道状态预测方法，其特征在于，所述采用多头注意力机制，根据参数矩阵调整输入的历史信道状态数据用于预测的权重，得到当前步长的特征向量以预测目标时刻信道状态数据包括：
Zi＝MultiHead(Q,K,V)＝Concat(z1,z2,…,zH)
其中， 为模型可学习的参数矩阵，zh为单头自注意力机制运算结果，Zi为输出序列。
5.如权利要求3所述的无线网络信道状态预测方法，其特征在于，所述采用层标准化方式使运算后的数据与输入的信道状态数据保持在一个量级，加快模型收敛速度包括：
利用残差连接层将数据进行残差连接，采用层标准化方式运算，其计算公式为：
Z′i＝U′i+Zi＝[u′1+z1,u′2+z2,…,u′m+zm]＝[z′1,z′2,…,z′m]
其中，E(z′t)为对z′t求值，Var(z′t)为对z′t求方差，∈加在方差上避免分母为0，γ和β为学习参数，z′t为输入向量，z″t为新矩阵，单个时间步长的运算结果，所有的输入向量z′t都通过一个矩阵-矩阵乘法同时嵌入，因此得到新的输入矩阵Z″i＝[z″1,z″2,…,z”m]；
利用两层的全连接层计算得到输出矩阵，其计算公式为：
Oi＝FFN(Z″i)＝max(0,Z″iW1+b1)W2+b2
O′i＝LayerNorm(Z″i+Oi)
其中，Oi，O′i为矩阵，W1，W2为全连接层的权重，b1，b2为全连接层的偏置。
6.如权利要求1所述的无线网络信道状态预测方法，其特征在于，所述获取信道占用状态样本数据包括：
获取无线网络授权信道数据；
将所述无线网络授权信道数据利用二进制代码表示每个时隙中授权信道的占用状态，得到二进制信道占用状态；
将所述二进制信道占用状态编码转换为十进制信道占用状态；
将所述十进制信道占用状态进行归一化操作，并生成信道占用状态样本数据。
7.如权利要求6所述的无线网络信道状态预测方法，其特征在于，所述获取无线网络授权信道数据包括：
利用连续时间的两态马尔可夫搭建PU授权信道占用模型，采取同构网络的形式，授权信道处于占用状态表示当前PU正在使用当前信道，授权信道处于空闲状态表示当前PU没有使用当前信道,通过所述PU授权信道占用模型生成无线网络授权信道数据。
8.一种无线网络信道状态预测装置，其特征在于，包括：
获取模块，用于获取信道占用状态样本数据；
训练模块，用于基于Transformer模型构建网络状态时序预测模型，利用所述信道占用状态样本数据训练所述网络状态时序预测模型；将多个编码器叠加，并连接全连接层构建所述网络状态时序预测模型；根据MSE损失函数计算误差，采用Adam优化算法训练所述网络状态时序预测模型，反复迭代至损失函数收敛，得到训练完成的网络状态时序预测模型；
检测模块，用于利用所述训练完成的网络状态时序预测模型对待检测无线网络信道状态进行预测，得到信道预测结果。
9.一种无线网络信道状态预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种无线网络信道状态预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种无线网络信道状态预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211281296.XA CN115802401B (zh) | 2022-10-19 | 2022-10-19 | 一种无线网络信道状态预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211281296.XA CN115802401B (zh) | 2022-10-19 | 2022-10-19 | 一种无线网络信道状态预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115802401A CN115802401A (zh) | 2023-03-14 |
| CN115802401B true CN115802401B (zh) | 2024-02-09 |
Family
ID=85433266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211281296.XA Active CN115802401B (zh) | 2022-10-19 | 2022-10-19 | 一种无线网络信道状态预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115802401B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117439689B (zh) * | 2023-12-20 | 2024-03-15 | 安徽建筑大学 | 混凝土内无线信道建模方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112152948A (zh) * | 2019-06-28 | 2020-12-29 | 华为技术有限公司 | 一种无线通信处理的方法和装置 |
| CN112422212A (zh) * | 2020-11-19 | 2021-02-26 | 杭州勒贝格智能系统股份有限公司 | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
| CN113852432A (zh) * | 2021-01-07 | 2021-12-28 | 上海应用技术大学 | 基于rcs-gru模型的频谱预测感知方法 |
| CN114422059A (zh) * | 2022-01-24 | 2022-04-29 | 清华大学 | 信道预测方法、装置、电子设备及存储介质 |
| CN114564962A (zh) * | 2022-01-19 | 2022-05-31 | 浙江大学 | 一种基于Transformer的语义通信码率控制方法 |
| CN115190489A (zh) * | 2022-07-07 | 2022-10-14 | 内蒙古大学 | 基于深度强化学习的认知无线网络动态频谱接入方法 |
-
2022
- 2022-10-19 CN CN202211281296.XA patent/CN115802401B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112152948A (zh) * | 2019-06-28 | 2020-12-29 | 华为技术有限公司 | 一种无线通信处理的方法和装置 |
| CN112422212A (zh) * | 2020-11-19 | 2021-02-26 | 杭州勒贝格智能系统股份有限公司 | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
| CN113852432A (zh) * | 2021-01-07 | 2021-12-28 | 上海应用技术大学 | 基于rcs-gru模型的频谱预测感知方法 |
| CN114564962A (zh) * | 2022-01-19 | 2022-05-31 | 浙江大学 | 一种基于Transformer的语义通信码率控制方法 |
| CN114422059A (zh) * | 2022-01-24 | 2022-04-29 | 清华大学 | 信道预测方法、装置、电子设备及存储介质 |
| CN115190489A (zh) * | 2022-07-07 | 2022-10-14 | 内蒙古大学 | 基于深度强化学习的认知无线网络动态频谱接入方法 |
Non-Patent Citations (2)
| Title |
|---|
| Accurate Channel Prediction Based on Transformer: Making Mobility Negligible;Hao Jiang等;IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS;全文 * |
| SSDNet: State Space Decomposition Neural Network for Time Series Forecasting;Yang Lin等;2021 IEEE International Conference on Data Mining (ICDM);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115802401A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11715284B2 (en) | Anomaly detection apparatus, anomaly detection method, and program | |
| US11507847B2 (en) | Gene expression programming | |
| CN115802401B (zh) | 一种无线网络信道状态预测方法、装置、设备及存储介质 | |
| CN114584230B (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 | |
| CN114039870B (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
| CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
| CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
| Gao et al. | Joint multi-channel multi-step spectrum prediction algorithm | |
| Jin et al. | Deep Machine Learning-Based Asset Management Approach for Oil-Immersed Power Transformers Using Dissolved Gas Analysis | |
| US20240159724A1 (en) | Device and method for sensing a target gas | |
| CN117972351A (zh) | 虚拟资源数据处理方法、装置、存储介质及电子设备 | |
| CN117479191A (zh) | 基于知识图谱和深度学习的无线通信网络智能优化架构及方法 | |
| CN116933658A (zh) | 一种基于时序分层聚合网络的控制棒驱动机构寿命预测方法 | |
| EP3790303A1 (en) | Predicting a radio spectrum usage | |
| CN115033893A (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
| EP3816805A1 (en) | Analysis of anomalies in a facility | |
| Kyeremateng-Boateng et al. | Prediction of radio frequency spectrum occupancy | |
| CN115810401A (zh) | 配方建构系统、方法、可读存储介质与计算机程序产品 | |
| CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
| KR20230087268A (ko) | 오토-인코더를 이용한 신용평가모델 운영 방법 | |
| CN113098640A (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
| CN117668544A (zh) | 模型训练方法、异常流量检测方法、装置和电子设备 | |
| CN118233035B (zh) | 一种基于图卷积倒置Transformer的多频带频谱预测方法及系统 | |
| Bezerra et al. | Predicting consecutive spectrum opportunities with hidden Markov models | |
| CN116155630B (zh) | 恶意流量识别方法及相关设备 |
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 |