[发明专利]频谱预测方法和装置

说明书

本公开提供了一种频谱预测方法和装置，频谱预测方法包括：根据历史频谱数据确定特征频谱数据；基于对特征频谱数据进行的周期性检测的结果，确定频谱预测策略；以及采取频谱预测策略来预测未来时隙的信道状态。

技术领域

本公开涉及无线通信技术领域，更具体地，涉及一种频谱预测方法和装置。

背景技术

频谱预测抗干扰技术是根据信道的过去使用情况，分析干扰占据信道的规律，预测可以使用的频谱空洞以躲避干扰，其准确度直接影响系统的抗干扰性能。在提高无线通信系统有效性与可靠性等方面，频谱预测技术扮演着至关重要的角色。

目前，频谱预测方法主要可分为两类：以隐马尔科夫场代表的统计频谱预测和基于机器学习的频谱预测。其中，基于隐马尔科夫的统计频谱预测方法，需要基于某种统计模型来计算状态转移矩阵，性能优劣依赖于统计模型的准确程度。然而，实际应用中，频谱规律并不能由单一统计模型所描述，因此应用范围有限；基于机器学习的频谱预测方法，能够直接从海量数据中学习到所需的隐藏规律，并利用这些规律做出相应的预测或决策，已经得到广泛的应用。然而，这类方法基于数据驱动，在面对新的频谱规律时，之前训练好的模型往往性能下降，甚至失效。如果扩充训练样本集重新训练，则耗时耗力；如果使用迁移学习技术，则可能发生任务遗忘、伪最优解等问题。

在实现本公开的过程中发现，当前频谱预测方法受模型或数据驱动的约束，无法适用于所有情况，面对多种多样的频谱规律，缺乏通用的解决方案。

发明内容

有鉴于此，本公开提供了一种频谱预测方法和装置。

本公开的一个方面提供了一种频谱预测方法，包括：根据历史频谱数据确定特征频谱数据；基于对上述特征频谱数据进行的周期性检测的结果，确定频谱预测策略；以及采取上述频谱预测策略来预测未来时隙的信道状态。

根据本公开的实施例，上述基于对上述特征频谱数据进行的周期性检测的结果，确定频谱预测策略包括：获取上述特征频谱数据的自相关函数；检验上述自相关函数的周期性；在上述自相关函数具有周期性的情况下，确定上述频谱预测策略为周期性频谱预测策略；以及在上述自相关函数不具有周期性的情况下，确定上述频谱预测策略为非周期性频谱预测策略。

根据本公开的实施例，上述采取上述频谱预测策略来预测未来时隙的信道状态包括：采取上述周期性频谱预测策略来预测未来时隙的信道状态；或者采取上述非周期性频谱预测策略来预测未来时隙的信道状态。

根据本公开的实施例，上述采取上述周期性频谱预测策略来预测未来时隙的信道状态包括：提取上述特征频谱数据的周期模式图；以及对上述周期模型图进行周期性拓展，得到未来时隙的信道状态图。

根据本公开的实施例，还包括：通过动态规划方法，确定上述信道状态图中的信号避扰通路；以及基于上述信号避扰通路，确定抗周期性干扰策略。

根据本公开的实施例，上述采取上述非周期性频谱预测策略来预测未来时隙的信道状态包括：根据上述特征频谱数据来构建观测序贯；确定上述观测序贯所属的频谱类别；以及在上述频谱类别属于已知频谱类别的情况下，从模型库中调用对应于上述频谱类别的频谱模型来预测未来时隙的信道状态。

根据本公开的实施例，上述确定上述观测序贯所属的频谱类别包括：计算上述观测序贯服从多个上述已知频谱类别的干扰分布的多个第一概率和服从未知频谱类别的干扰分布的第二概率；在上述多个第一概率中的最大值大于或等于上述第二概率的情况下，确定上述观测序贯属于的频谱类别为上述多个第一概率中的最大值所属的频谱类别；以及在上述多个第一概率中的最大值小于上述第二概率的情况下，确定上述观测序贯属于未知频谱类别。

根据本公开的实施例，在上述频谱类别属于已知频谱类别的情况下还包括：将上述观测序贯加入上述频谱类别对应的第一数据库中；以及在上述第一数据库中的数据量大于或等于预设阈值的情况下，基于上述第一数据库中多个上述观测序贯，对上述频谱模型的模型参数进行更新。