[发明专利]一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法

权利要求书

1.一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，其特征在于：包括如下步骤：

步骤1：获取信道历史数据信息；

步骤2：将信道历史数据信息作为预设的RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，并通过GCV评估方法获取最优的RBF神经网络结构；

步骤3：根据信道历史数据信息，通过最优的RBF神经网络结构对当前频谱状态进行预测；

在步骤2中，具体包括如下步骤：

步骤21：初始化操作，令k的初始值为1，k为迭代次数；

步骤22：将信道历史数据信息作为RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，获取最大误差对应的中心点，并将该中心点加入到RBF神经网络的中心点集合；

步骤23：计算当前中心点的权值，并通过GCV评估方法计算当前RBF神经网络的评估值

步骤24：将信道历史数据信息作为RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，获取最大误差对应的中心点，并将该中心点加入到RBF神经网络的中心点集合；

步骤25：计算当前中心点的权值，并通过GCV方法计算当前RBF神经网络的评估值

步骤26：比较和的大小，如果则令k＝k+1，跳到步骤24；否则停止运算，并以当前的RBF神经网络隐含层神经元个数、隐含层基函数中心、隐含层基函数宽度和网络权值作为最优的RBF神经网络结构参数；

其中，RBF神经网络的评估值的计算公式为：

上述公式中，p＝N，γ＝M，N表示RBF神经网络输入的样本数量，M表示RBF神经网络中隐含层的神经元节点数量，表示第k次训练得到的权值模型对应N个样本的目标输出值，f表示N个输入样本的网络输出值；表示输出误差，且Θ为隐含层节点的输出矩阵，上标T表示对该矩阵的转置，I_n为单位矩阵，P表示(I_n-ΘA^-1Θ^T)，A＝Θ^TΘ+Λ，λ_j＝1；在步骤23中，计算当前中心点的权值为其中，获取的中心点的权值为最优权值。

2.根据权利要求1所述的基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，其特征在于：在步骤2中，预设的RBF神经网络结构包括输入层、隐含层和输出层；

输入层的每个输入样本为x＝(x₁,x₂,...,x_T)；

隐含层节点j的输出为：

其中，为径向基函数，且该径向基函数为高斯函数，‖·‖为欧式距离，c_j为径向基函数的中心，σ_j为径向基函数的宽度，M表示RBF神经网络中隐含层的神经元节点数目；

输出层的输出为：其中，θ_j(x)隐含层第j个径向基函数的输出值，w_j表示隐含层第j个节点到输出层的连接权值，f(x)为输出层的输出值。

3.根据权利要求2所述的基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，其特征在于：在步骤22中，通过OLS算法对RBF神经网络进行训练时，还包括如下步骤：

步骤221：对隐含层的输出数据θ_i进行Gram-Schmidt正交化，其中，正交化的数据表示为

步骤222：根据公式计算LS解，公式中，D表示RBF神经网络的输出层输出的数据矩阵；为正交向量，为正交向量的转置；

步骤223：根据公式计算误差；

步骤224：获取最大误差对应的q_k,并选择与之对应的中心点加入到中心点集合,其中，选择最大误差对应的中心点的计算公式如下：