[发明专利]一种基于Bagging的认知无线电网络频谱的预测方法

说明书

技术领域

本发明属于无线网络技术领域，尤其涉及一种基于Bagging的认知无线电网络频谱的预测方法。

背景技术

无线通信技术的迅猛发展，激发了越来越多的无线网络业务，而频谱作为无线网络中最宝贵的资源，已经难以满足目前及将来的无线业务需求。为了解决传统固定频谱分配方案造成的资源利用率不高的问题，认知无线电(Cognitive Radio，简称CR)技术作为一种智能的频谱共享技术受到国内外学者的广泛关注，CR技术依靠人工智能技术的支持，动态检测和利用频谱空洞，从根本上解决了频谱利用率低而造成的频谱资源浪费的问题。

CR技术的认知无线电网络(Cognitive Radio Network，简称CRN)中，为了充分降低次用户(Secondary User，简称SU)对主用户(Primary User，简称PU)的干扰，SU需要准确地感知PU的频谱状态，而频谱感知会受到硬件、感知信号强度、感知时间以及感知精度等诸多因素的影响，这些因素会造成由于频谱转移不及时而产生的频谱干扰问题，另外，频谱感知能耗较大，会造成许多不必要的资源浪费。因此，频谱预测作为解决频谱感知问题的关键成为当前的研究热点。

高效的频谱预测可以通过其预测能力快速掌握频谱的使用状态，从而有效的避免不必要的频谱感知过程，进而指导频谱感知的行为，改善网络性能，提高频谱的利用率。但是，传统的频谱预测方法普遍存在预测准确率不高等问题。

发明内容

基于此，本发明的目的在于，提供一种基于Bagging的认知无线电网络频谱的预测方法，稳定性强、预测能力好，可提高频谱预测的准确率的优点。

一种基于Bagging的认知无线电网络频谱的预测方法，包括如下步骤：

步骤1：收集CRN中主用户信道的状态数据；

步骤2：对CRN中主用户信道状态数据进行预处理，并将该预处理后的状态数据作为T个基学习器的输入数据，分别对该T个基学习器进行训练；

步骤3：运用结合策略将该T个基学习器结合形成频谱预测模型；

步骤4：通过该频谱预测模型对CRN中主用户信道进行频谱预测。

相比于现有技术，本发明通过结合不同的基学习器来加强预测的稳定性以及预测能力，不仅提高了学习效果，而且能够增强模型的泛化能力，进而提高频谱预测的准确率，从而提高频谱的利用率。

进一步地，在步骤2中，T个基学习器均采用BP神经网络结构，该BP神经网络结构包括一层输入层、两层隐含层和一层输出层，从输入层输入的信号通过两层隐含层逐层处理后作用于输出层，经过输出层的非线性变换后，产生输出信号；BP神经网络结构的训练参数设计为：输入层的节点个数设置为4，第一层隐含层的节点个数为15，第二层隐含层的节点个数为20，输出层有1个输出神经元；权值的范围为[-1，1]，偏置的范围为[0，1]。

本发明提供的该RBF神经网络结构结构简单，收敛速度快，实时性强，可以充分地适应网络的变化，提高网络的自适应性进一步地，在步骤2中，每个基学习器的训练过程包括如下步骤：

步骤21：用预处理后的状态数据作为基学习器的输入数据，获取基学习器实际的输出数据；

步骤22：根据基学习器的实际输出数据和期望输出数据，获取基学习器的输出误差；

步骤23：判断输出误差是否小于预设值或者训练次数是否超过预设次数，若是，则结束训练；否则，将获取的输出误差按原来的连接通路反向反馈，并修改权值和偏置，回到步骤21。

通过不断地迭代修改基学习器的参数结构，以获得最优的基学习器，进而提高预测的准确性。

进一步地，在步骤21中，基学习器的输出数据计算方法如下：

其中，表示第l层第j个节点单元的输入值，表示第l层第j个节点单元的输出值，w_ij∈[-1,1]为相邻层之间的节点单元连接的权重，为第l层第j个节点单元的阀值；

在步骤22中，所述输出误差的计算方法如下：

对于第t个时刻长度为τ的目标输入样本，对应一个目标输出值为x_t+τ。输出层的节点单元输出值表示为它是目标输出值x_t+τ的预测值。

通过基学习器，进而准确预测认知无线电网络的频谱。

进一步地，在步骤23中，根据如下方法修改权值和偏置：