[发明专利]一种基于机器学习的高效快速工业频谱认知方法

说明书

本发明涉及频谱感知技术，具体地说它是一种基于机器学习的高效快速工业频谱认知方法。该发明针对现有频谱感知方法处理工业复杂电磁环境下频谱大数据时存在的计算量大、速度慢、能耗高等问题，首先采用主成分分析(PCA)方法对工业频谱大数据进行降维处理，提取特征数据，降低数据处理复杂度，提高感知效率；然后采用单类支持向量机(OCSVM)对降维数据进行分类训练学习，并利用粒子群算法(PSO)对训练参数进行迭代优化，提高频谱认知准确度，避免陷入局部最优；最后，采用优化学习的工业频谱认知模型对实时工业频谱进行认知。本发明具有复杂度低、感知精度高和快速高能效的特点，可实现频谱感知到认知的跨越。

技术领域

本发明涉及频谱感知技术，具体地说，它是一种基于机器学习的高效快速工业频谱认知方法。

背景技术

5G技术的快速发展，将不仅满足传统人类通信的大带宽需求，而且可以满足机器通信的大连接、低时延、高可靠需求。因此，5G将支持工业无线控制，被认为是工业互联网的核心技术之一，将推动工业4.0的快速发展。然而，不同于商用5G技术，拥有纯净的授权频谱，可以供单一5G网络集中调度使用；工业应用缺乏授权频谱，只能使用公共接入的非授权频谱，必须与其他网络共享使用。因此，应用于工业场景的5G(即：工业5G)不可避免会受到其他网络的随机突发干扰。与此同时，工业环境下，温湿度、振动等情况多变，移动金属设备随机遮挡严重，造成了工业射频环境复杂多变，严重影响通信质量，难以保障工业通信的实时性和可靠性。

为保证工业5G的通信质量，同时不对其他网络造成干扰，实现异构网络的和谐共存，工业5G必须首先进行频谱感知，确保所使用频谱质量可靠。传统的频谱感知方法包括能量检测、循环平稳特征检测、匹配滤波、协方差检测等。然而这些方法往往依靠固定的信道模型，难以处理宽带通信时的海量频谱状态数据。为此，压缩感知、小波变换等方法也应用于频谱感知，解决宽带频谱感知难题。但是，这些方法在处理工业频谱大数据时，具有计算量大、速度慢、能耗高等缺点，无法适用于动态多变的工业电磁环境。此外，现有方法主要是基于经典模型，仍停留在频谱感知的层面，没有达到频谱认知。

发明内容

本发明针对现有频谱感知方法处理工业频谱大数据时计算量大、速度慢、能耗高，难以实现复杂电磁环境的频谱认知问题，提出一种基于机器学习的高效快速工业频谱认知方法。该方法首先采用主成分分析(PCA)方法对工业频谱大数据进行降维处理，提取特征数据，降低数据处理复杂度，提高感知效率；然后采用单类支持向量机(OCSVM)对降维数据进行分类训练学习，并利用粒子群算法(PSO)对训练参数进行迭代优化，提高频谱认知准确度，避免陷入局部最优；最后，采用优化学习的工业频谱认知模型对实时工业频谱进行认知。该方法可以大幅降低频谱学习计算量，提高频谱认知速度，降低能耗。与传统的频谱感知方法相比，具有更高的感知灵敏度和较低的算法复杂度。

本发明为实现上述目的所采用的技术方案是：一种基于机器学习的高效快速工业频谱认知方法，包括以下步骤：

(1)工业频谱大数据采集：采集工业环境下的电磁频谱数据，并根据频谱是否被占用，建立频谱的二元分类模型；

(2)PCA降维处理：利用PCA算法对采集到的电磁频谱数据进行降维处理，提取特征向量；

(3)OCSVM数据训练：对于降维后的特征向量，通过求解关于频谱占用情况的二次规划问题，建立基于高斯核函数拉格朗日对偶分解问题，求解最佳分类超平面，得到频谱分类的决策函数；

(4)PSO参数优化：采用PSO对OCSVM数据训练过程中的固有参数和高斯核函数参数进行迭代优化，得到优化后的分类决策函数作为频谱认知模型；

(5)频谱认知：将待检测频谱信号进行PCA降维处理，然后输入到频谱认知分类模型中，得到频谱占用情况。

所述采集工业环境下的电磁频谱数据，在下述两种情况之一进行采集：