一种基于无线通信网络的频谱可用性预测方法和系统

1.本发明属于无线通信技术领域，尤其涉及一种基于无线通信网络的频谱可用性预测方法和系统。


背景技术：

2.随着5g通信技术普及和物联网技术日益进步，使得用频设备呈现爆发式增长，这导致频谱资源越来越短缺。在实际的认知无线通信网络中，认知用户与基站或其他认知用户之间进行常规通信，恶意用户基于某项攻击任务或目的对无线通信网络中通信链路进行干扰。因此，为了躲避干扰就需要认知无线通信网络中的用户能够在复杂多变的电磁环境中避开被干扰的频段，快速发现可利用的频谱。通过频谱可用性预测方法能够预测未来的频谱空隙，认知用户在干扰还未到来之前作出判断，利用空闲的频段进行通信，提高网络的抗干扰能力。
3.目前，频谱可用性预测主要集中在基于回归分析，马尔科夫链，移动平均和机器学习的方法。前三类方法的计算复杂度较高，如回归系数的更新和马尔科夫阶数的增加导致估计的参数呈指数增长，同时，依赖于频谱的先验信息。而对于基于机器学习的方法，近几年主要以基于数据驱动的深度学习方法为主，如采用基于mlp，ann和lstm的方法，这些方法虽然能够有效的完成预测，但是预测的准确率有待提高。


技术实现要素：

4.本发明针对现有技术中的不足，提供一种基于无线通信网络的频谱可用性预测方法和系统。
5.第一方面，本发明提供一种基于无线通信网络的频谱可用性预测方法，所述方法应用于包括有多个认知用户和一个恶意用户组成的无线通信网络，包括：
6.获取用于深度学习模型离线训练的频谱数据集，所述频谱数据集包括频谱训练集、频谱验证集和频谱测试集；
7.设置贝叶斯优化的循环次数、超参数的搜索空间和深度学习模型迭代次数；
8.初始化深度学习模型的结构、权重、偏置、和超参数；
9.计算频谱数据集在深度学习模型的输入和输出之间的损失；
10.采用梯度下降更新深度学习模型的权重和偏置参数，直至深度学习模型训练结束；
11.判断深度学习模型的损失曲线和准确率拟合曲线是否处于收敛状态；
12.如果否，重新设置深度学习模型迭代次数，直至深度学习模型的损失曲线和准确率拟合曲线处于收敛状态；
13.如果是，在超参数搜索空间内，采用贝叶斯优化微调深度学习模型超参数，直至循环结束，得到最优深度学习模型；利用得到的最优深度学习模型在线预测可以使用的频谱。
14.进一步地，所述深度学习模型为bi-lstm神经网络。
15.进一步地，所述计算频谱数据集在深度学习模型的输入和输出之间的损失，包括：
16.根据以下公式计算频谱数据集在深度学习模型的输入和输出之间的损失：
[0017][0018]
其中，χ为频谱数据在深度学习模型的输入和输出之间的损失；t为时隙；t为总时隙数；p
t
为观测的频谱功率；为预测的频谱功率；η为正则化系数；l为bi-lstm神经网络的层数；w
l
为第l层bi-lstm神经网络的权重向量。
[0019]
进一步地，所述采用梯度下降更新深度学习模型的权重和偏置参数，直至深度学习模型训练结束，包括：
[0020]
构建目标函数
[0021]
获取最优u的算法为：
[0022][0023]
其中，w(s)和b(s)分别为深度学习模型训练第s次时的权重和偏置；α为深度学习模型学习率。
[0024]
进一步地，所述贝叶斯优化采用高斯过程的概率回归模型和expected improvement采集函数。
[0025]
第二方面，本发明提供一种基于无线通信网络的频谱可用性预测系统，所述系统应用于包括有多个认知用户和一个恶意用户组成的无线通信网络，包括：
[0026]
获取模块，用于获取用于深度学习模型离线训练的频谱数据集，所述频谱数据集包括频谱训练集、频谱验证集和频谱测试集；
[0027]
第一设置模块，用于设置贝叶斯优化的循环次数、超参数的搜索空间和深度学习模型迭代次数；
[0028]
初始化模块，用于初始化深度学习模型的结构、权重、偏置、和超参数；
[0029]
计算模块，用于计算频谱数据集在深度学习模型的输入和输出之间的损失；
[0030]
更新模块，用于采用梯度下降更新深度学习模型的权重和偏置参数，直至深度学习模型训练结束；
[0031]
判断模块，用于判断深度学习模型的损失曲线和准确率拟合曲线是否处于收敛状态；
[0032]
第二设置模块，用于在判断模块确定深度学习模型的损失曲线和准确率拟合曲线不处于收敛状态的情况下，重新设置深度学习模型迭代次数，直至深度学习模型的损失曲线和准确率拟合曲线处于收敛状态；
[0033]
微调模块，用于在判断模块确定深度学习模型的损失曲线和准确率拟合曲线处于收敛状态的情况下，在超参数搜索空间内，采用贝叶斯优化微调深度学习模型超参数，直至循环结束，得到最优深度学习模型；利用得到的最优深度学习模型在线预测可以使用的频
谱。
[0034]
进一步地，所述计算模块包括：
[0035]
计算单元，用于根据以下公式计算频谱数据集在深度学习模型的输入和输出之间的损失：
[0036][0037]
其中，χ为频谱数据在深度学习模型的输入和输出之间的损失；t为时隙；t为总时隙数；p
t
为观测的频谱功率；为预测的频谱功率；η为正则化系数；l为bi-lstm神经网络的层数；w
l
为第l层bi-lstm神经网络的权重向量。
[0038]
进一步地，所述更新模块包括：
[0039]
构建单元，用于构建目标函数
[0040]
获取单元，用于获取最优u的算法为：
[0041][0042]
其中，w(s)和b(s)分别为初始化深度学习模型训练第s次时的权重和偏置；α为深度学习模型学习率。
[0043]
本发明提供一种基于无线通信网络的频谱可用性预测方法和系统，其中方法包括获取用于深度学习模型离线训练的频谱数据集，所述频谱数据集包括频谱训练集、频谱验证集和频谱测试集；设置贝叶斯优化的循环次数、超参数的搜索空间和深度学习模型迭代次数；初始化深度学习模型的结构、权重、偏置、和超参数；计算频谱数据集在深度学习模型的输入和输出之间的损失；采用梯度下降更新深度学习模型的权重和偏置参数，直至深度学习模型训练结束；判断深度学习模型的损失曲线和准确率拟合曲线是否处于收敛状态；如果否，重新设置深度学习模型迭代次数，直至深度学习模型的损失曲线和准确率拟合曲线处于收敛状态；如果是，在超参数搜索空间内，采用贝叶斯优化微调深度学习模型超参数，直至循环结束，得到最优深度学习模型；利用得到的最优深度学习模型在线预测可以使用的频谱。本发明采用上述方案，能够准确的预测未来时隙可利用的频谱空隙，使得认知用户免受恶意用户的干扰，保证认知用户与基站之间以及认知用户之间的正常通信。
附图说明
[0044]
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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。
[0045]
图1为本发明实施例提供的一种基于无线通信网络的频谱可用性预测方法的工作流程图；
[0046]
图2为本发明实施例提供的一种基于无线通信网络的频谱可用性预测系统的结构
示意图；
[0047]
图3为本发明实施例提供的无线通信网络通信链路被干扰的场景图；
[0048]
图4为本发明实施例提供的一种基于无线通信网络的频谱可用性预测方法的结构示意图；
[0049]
图5为本发明实施例提供的一种基于无线通信网络的频谱可用性预测方法与其它方法预测误差对比图；
[0050]
图6为本发明实施例提供的一种基于无线通信网络的频谱可用性预测方法与其它方法的mae和rmse对比图；
[0051]
图7为本发明实施例提供的一种基于无线通信网络的频谱可用性预测方法与其它方法的rank相关性对比图；
[0052]
图8为本发明实施例提供的一种基于无线通信网络的频谱可用性预测方法与其它在不同信噪比下与其它方法的预测准确率对比图。
具体实施方式
[0053]
下面将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清楚、完整的描述，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。
[0054]
如图1所示，本发明提供一种基于无线通信网络的频谱可用性预测方法，所述方法应用于包括有多个认知用户和一个恶意用户组成的无线通信网络，所述方法包括：
[0055]
步骤s101，获取用于深度学习模型离线训练的频谱数据集，所述频谱数据集包括频谱训练集、频谱验证集和频谱测试集。
[0056]
本步骤中，所述深度学习模型为bi-lstm神经网络。我们考虑一个由恶意用户和多个认知用户组成的无线通信网络。如图3所示，具体来说，有个认知用户与基站进行通信，所有的认知用户都在可使用的频段中通信，每个认知用户之间互不干扰。一个恶意用户干扰第j个认知用户与基站之间的通信链路，对恶意用户的干扰行为进行观测。那么在认知用户接收端第n个信道第t个时隙所测得的频谱数据可表示为：
[0057][0058]
其中，为第j个认知用户的信号能量(功率级)，为恶意用户的信号能量(功率级)，为高斯白噪声功率。或为指示函数，或表示信号不存在，或表示信号存在。在本发明实施例中，我们考虑一个强干扰的情况。为了便于理论分析，我们只考虑干扰通信的下行链路。此外，认知用户已知其他用户的通信频段。基于图3中的时-频图，可将在不同频段随时间变化的频谱态势(可利用或不可利用)作一个功率矩阵，矩阵的行代表不同的信道(频段)，列代表不同的时隙。那么第n条信道所有时隙的功率向量表示为：
[0059][0060]
其中，代表第n条信道第t个时隙的功率值，t＝1,2,3,
…
,t；n＝1,2,3,
…
,n。n条
信道观测的功率矩阵可表示为：
[0061]
γ＝(p1,p2,p3,
…
,pn)
t
[0062]
因此，频谱可用性预测问题可表示为：
[0063][0064]
其中，代表n条信道在t 1时隙预测的功率值。m是观测时间的尺寸，p(
·
)为条件概率，即在观测频谱数据下，预测下一个时隙的频谱数据。
[0065]
通过真实的实验平台模拟用户通信链路受干扰的的场景，产生用于深度学习模型训练的频谱数据集。干扰机采用usrp 2943r实现，采用多种干扰模式(如扫频干扰、定频干扰等)，干信比为10db，干扰信号强度(功率)大于-50dbm。假定恶意用户干扰的频段为1300mhz到1700mhz之间，每间隔20mhz被划分为一个信道，一共为20条信道，信噪比snr＝20db。频谱传感(检测)器每隔0.1秒采集一次功率，当功率超过-50dbm被认为受到干扰(即通信受限)。一共采集4000个时隙的数据。认知用户是已知其他认知用户的工作频段的，认知用户的功率是不超过-50dbm。
[0066]
步骤s102，设置贝叶斯优化的循环次数、超参数的搜索空间和深度学习模型迭代次数。
[0067]
步骤s103，初始化深度学习模型的结构、权重、偏置、和超参数。
[0068]
本步骤中，深度学习模型的网络配置初始化：隐藏层为1，lstm单元数为50，学习率为0.01，l2正则化系数为10-10
，学习率下降因子为0.5，maxepochs为200次，minibatch尺寸为100。
[0069]
如图4所示，首先，观测的干扰频谱演化(功率值)矩阵p通过bi-lstm神经网络的遗忘门，其决定上一时刻输出s
t-1
和单元状态c
t-1
保留一些信息到当前时刻c
t
。经遗忘门公式表达为：
[0070]ft
＝σ(wf[s
t-1
,p
t
] bf)
[0071]
其中，σ代表sigmoid函数，x
t
表示当前时刻的输入，wf和bf分别表示遗忘门的权重和偏置。然后进入输入门，其决定p
t
的哪些信息保留给c
t
，并采用sigmoid和tanh激活函数实现状态单元c
t
的更新。公式表达为：
[0072]it
＝σ(wi[s
t-1
,p
t
] bi)
[0073][0074]
其中，λ代表tanh函数，wi和bi分别表示输入门的权重和偏置。wc和bc分别表示选择更新单元的权重和偏置。更新后的c
t
为：
[0075][0076]
其中，*表示元素之间的点积。信息经过选择性记忆和更新后，最终进入输出门。它完成两个任务：过滤信息和获得输出；状态单元c
t
被选择性地输出到下一个时刻并输出到外部。公式表达为：
[0077]ot
＝σ(wo[s
t-1
,p
t
] bo)
[0078]st
＝o
t
*λ(c
t
)
[0079]
其中，wo和bo分别表示输出门的权重和偏置。然后进入到全连接层数据被展开，到
回归输出层得到预测的最后，对于预测的功率进行一个硬判决判断信道的可用性。具体可表示为：
[0080][0081]
其中，“0”代表信道是可利用的，“1”代表信道是不可利用的。λ为判决阈值。
[0082]
步骤s104，计算频谱数据集在深度学习模型的输入和输出之间的损失。
[0083]
本步骤中，根据以下公式计算频谱数据集在深度学习模型的输入和输出之间的损失：
[0084][0085]
其中，χ为频谱数据在深度学习模型的输入和输出之间的损失；t为时隙；t为总时隙数；p
t
为观测的频谱功率；为预测的频谱功率；η为正则化系数；l为bi-lstm神经网络的层数；w
l
为第l层bi-lstm神经网络的权重向量。
[0086]
步骤s105，采用梯度下降更新深度学习模型的权重和偏置参数，直至深度学习模型训练结束。
[0087]
本步骤中，首先令u＝{w,b}，目标函数为
[0088][0089]
那么，获取最优u的adam优化算法为
[0090][0091]
其中，w(s)和b(s)分别为深度学习模型训练第s次时的权重和偏置；α为深度学习模型学习率。
[0092]
步骤s106，判断深度学习模型的损失曲线和准确率拟合曲线是否处于收敛状态。
[0093]
步骤s107，如果否，重新设置深度学习模型迭代次数，直至深度学习模型的损失曲线和准确率拟合曲线处于收敛状态。
[0094]
步骤s108，如果是，在超参数搜索空间内，采用贝叶斯优化微调深度学习模型超参数，直至循环结束，得到最优深度学习模型；利用得到的最优深度学习模型在线预测可以使用的频谱。
[0095]
本步骤中，首先，假定有m个需要优化的超参数：
[0096][0097]
其中，表示全部超参数的取值空间。r
(m)
表示某一个超参数的取值空间。从每一个超参数取值空间r
(m)
中选取一个值组成一组超参数组合：
[0098]
r＝(r1,r2,...,rm)
[0099]
其中，rm表示第m个超参数的一个随机取值，rm∈r
(m)
。然后，定义一个目标函数f：这里将深度学习验证集的预测误差作为优化的目标函数。最优的一组超参数组合可表示为：
[0100][0101]
其中，域是一个边界框。由于超参数调整的计算成本较高，通常d较小。这里，将深度学习模型验证集的误差作为目标函数f(r)为了获得最优的超参数组合r
*
，需预先设置一个已知超参数组合数据集：
[0102]
θ＝{(r1,y1),(r2,y2),...,(ri,yi)},
[0103]
其中，r1是随机的一组超参数组合，yi＝f(ri)。然后，使用域中的一小组样本初始化一个概率回归模型在初始化阶段之后，通过优化一个采集函数来依次选择域中的新位置，该函数使用深度学习模型作为昂贵目标f的廉价代理。
[0104]
在实践中，通常对可用的总时间有一个配额，那么将目标函数f的循环次数g设定为60次。算法具体实现流程如表1所示。这里，采用高斯过程假定μ为均值函数，k为协方差核。核定义了计算预测分布所需的重要参量，包括：
[0105]
k(r)＝(k(r,r1),...,k(r,ri)),k
j,k
＝k(rj,rk),
[0106]
然后，
[0107][0108]
其中，
[0109]
y＝(y1,...,yi)
t
[0110][0111][0112]
其中，表示估计的均值，表示估计的方差。
[0113]
表1贝叶斯优化选取最优神经网络超参数
[0114][0115]
采集函数采用expected improvement。假设f'是目前为止观测到的最小值，expected improvement是使得未来寻到的最小值与f'的距离最大，可表示为：
[0116]
u(r)＝max(0,f'-f(r))
[0117]
如果f(r)小于f'，就会得到一个奖励，否则没有。那么，expected improvement采集函数求解r表示为
[0118]
将训练好的目标深度学习模型(dl-bo模型)用于频谱可用性的在线预测。从图4中可知，将当前时隙功率值输入到训练好的dl-bo模型中输出下一时隙的功率值。然后，对功率值进行一个硬判决得到最终的频谱状态0或1。
[0119]
为验证所提dl-bo预测方法的有效性，进行如下实验：首先，数据集中训练集、验证集和测试集的比例为：4:1:1。贝叶斯优化的超参数搜索空间如表2所示。通过贝叶斯优化得到的最优超参数组合为：隐含层数为3，bi-lstm单元数为167，学习率为0.046478，l2正则项系数为3.2312-10
。将测试数据输入到训练好的最优深度学习模型中，得到预测值。dl-bo方法与其他基于神经网络的预测误差对比如图5所示。从图5可知，在选取的100个测试数据中所提dl-bo方法的预测误差明显小于mlp和lstm方法。从预测结果来看，dl-bo的预测曲线与观测曲线的趋势大致是相同的，而基于mlp方法的预测曲线波动较大，预测值偏离观测值较大距离，基于lstm的预测曲线有一定的波动，但重合率较低。从预测误差来看，预测值与观测值的误差以20为界限，dl-bo方法误差超过20的有2个时隙，而基于mlp和lstm方法误差超过20的有15个时隙以上。
[0120]
图6为dl-bo方法与其他基于神经网络方法的mae和rmse对比。可以看出，dl-bo方法的mae比基于mlp低11.2995个点，比基于lstm低3.6266个点。dl-bo方法的rmse比基于mlp低16.362个点，比基于lstm低4.4838个点。
[0121]
表2超参数搜索空间
[0122][0123]
图7为dl-bo方法与其他基于神经网络方法的rank相关性对比。可以看出，在不同数目的时隙下，dl-bo的rank值是高于其他两种方法的，比基于mlp高0.4，比基于lstm高0.45。特此说明，rank值与预测准确率不是充要条件。
[0124]
图8为dl-bo方法与其他基于神经网络方法在不同信噪比下的预测rmse对比。可以看出，dl-bo方法的预测准确率是优于基于mlp和lstm方法的。以snr＝20db为例，dl-bo方法的rmse比基于mlp的低3.7db，比基于lstm的低2db。
[0125]
如图2所示，本发明实施例还提供一种基于无线通信网络的频谱可用性预测系统，所述系统应用于包括有多个认知用户和一个恶意用户组成的无线通信网络，所述系统包括：
[0126]
获取模块10，用于获取用于深度学习模型离线训练的频谱数据集，所述频谱数据集包括频谱训练集、频谱验证集和频谱测试集；
[0127]
第一设置模块20，用于设置贝叶斯优化的循环次数、超参数的搜索空间和深度学习模型迭代次数；
[0128]
初始化模块30，用于初始化深度学习模型的结构、权重、偏置、和超参数；
[0129]
计算模块40，用于计算频谱数据集在深度学习模型的输入和输出之间的损失；
[0130]
更新模块50，用于采用梯度下降更新深度学习模型的权重和偏置参数，直至深度学习模型训练结束；
[0131]
判断模块60，用于判断深度学习模型的损失曲线和准确率拟合曲线是否处于收敛状态；
[0132]
第二设置模块70，用于在判断模块确定深度学习模型的损失曲线和准确率拟合曲线不处于收敛状态的情况下，重新设置深度学习模型迭代次数，直至深度学习模型的损失曲线和准确率拟合曲线处于收敛状态；
[0133]
微调模块80，用于在判断模块确定深度学习模型的损失曲线和准确率拟合曲线处于收敛状态的情况下，在超参数搜索空间内，采用贝叶斯优化微调深度学习模型超参数，直至循环结束，得到最优深度学习模型；利用得到的最优深度学习模型在线预测可以使用的频谱。
[0134]
可选的，所述计算模块包括：
[0135]
计算单元，用于根据以下公式计算频谱数据集在深度学习模型的输入和输出之间的损失：
[0136][0137]
其中，χ为频谱数据在深度学习模型的输入和输出之间的损失；t为时隙；t为总时
隙数；p
t
为观测的频谱功率；为预测的频谱功率；η为正则化系数；l为bi-lstm神经网络的层数；w
l
为第l层bi-lstm神经网络的权重向量。
[0138]
可选的，所述更新模块包括：
[0139]
构建单元，用于构建目标函数
[0140]
获取单元，用于获取最优u的算法为：
[0141][0142]
其中，w(s)和b(s)分别为初始化深度学习模型训练第s次时的权重和偏置；α为深度学习模型学习率。
[0143]
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
[0144]
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。