[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

说明书

本发明公开了一种基于GCV‑RBF神经网络的认知无线电网络频谱的预测方法，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。相比于现有技术，本发明通过GCV评估方法获取最优的RBF神经网络结构，解决了训练过程中过度拟合的问题，提高了预测准确率。进一步地，RBF神经网络结构作为一种局部逼近网络，具有结构简单，收敛速度快，实时性强等优势，可以充分地适应网络的变化提高了网络的自适应型。

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GCV-RBF神经网络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的等问题。

发明内容

基于此，本发明的目的在于，提供一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，其具有预测准确率高、网络反应能力好的优点。

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，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