[发明专利]基于小波分解的频谱感知方法

说明书

本发明提供了一种基于小波分解的频谱感知方法，本发明所要解决的是LSTM未能发掘时间序列在其频域里的隐含信息而提供基于小波分解和LSTM的频谱感知方法，本发明优化了更新权重的方法，在一定程度上提高模型的拟合能力和模型训练的效果。本发明通过对服务拥塞率序列进行预测建模，可以有助于认知用户更好的分析授权用户群的频谱使用情况，得到其活跃度的趋势性、周期性的波动性规律，以此来预测将来的活跃度，为认知用户的频谱接入策略选择提供帮助。

技术领域

本发明涉及一种基于小波分解的频谱感知方法。

背景技术

SCR序列是一个一维的时间序列，对于SCR序列的分析，本质上来讲的是单变量的时间序列的分析与预测。LSTM可以克服学习嵌入在时间序列的长期依赖关系。但是长短时记忆网络(LSTM)属于时域方法的范畴，未能发掘时间序列在其频域里的隐含信息。

发明内容

本发明的目的在于提供一种基于小波分解的频谱感知方法。

为解决上述问题，本发明提供一种基于小波分解的频谱感知方法，包括：

步骤1.获取SCR序列，通过SCR序列得到训练集D_train和测试集D_test；

步骤2.根据训练集D_train，利用序列滑动窗口的大小对SCR序列进行处理，得到处理后的序列，将其作为网络的输入序列，设序列滑动窗口的大小为L；

步骤3.通过二层小波分解成三个序列，并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型；

步骤4.将三个LSTM网络的输出连接到一个全连接层的回归分析网络中，最后输出预测值。在测试阶段，根据网络中最后的输出向量，将输出向量的最后一个值的输入向量除去第一个值之后的所有值再次组成一个向量作为输出，以此类推，最后得到预测序列，再根据预测序列和真实值计算出APSO-LSTM模型的均方根误差(RMSE)，计算公式如下：

进一步的，在上述方法中，步骤1.获取SCR序列，包括：

统计信道占用状态(CS)、服务(service)和服务拥塞率(SCR)。有如下两个公式：

CS(t,f)＝ε,ε＝{0,1}，

SCR(t,S)＝∑_c∈SCS(t,c)/n，

其中，t代表的时间点，f代表某一频率，“0”代表空闲，“1”代表占用，n代表该服务中的总信道数量，SCR序列的值在0和1之间，用来度量某一服务的拥塞程度，对于SCR序列获取采用M/D/C的频谱占用模型，其中，规定M代表频谱接入次数，参数D代表用户占用频段的时间长短，参数C为总的通信数量。假设顾客的到达过程是一个参数为λ的泊松分布{H(t)}，服务时间是一个非负的一般随机变量B，其概率分布函数B(.)表示，均值为EB＝μ/1，M表示PU的到达间隔服从泊松分布，G表示PU占用信道的时间服从几何分布，1表示单信道，泊松分布和几何分布的表达式分别为：

p(X＝m)＝(1-p)^m-1p，

SCR序列是一个一维的时间序列记为X＝{x₁,...,x_t,...x_T}。

进一步的，在上述方法中，步骤3.通过二层小波分解成三个序列，并针对每一个序列各用一个LSTM网络进行分析即训练LSTM模型，包括：