[发明专利]基于机器学习的预测节点未来传输的方法及系统

说明书

本发明提出一种基于机器学习的预测节点未来传输的方法及系统，其特征在于：提取无线电信号的频谱信息；对采集获得的频谱信息输入卷积神经网络进行特征提取和分类；根据提取获得的特征对节点进行判断区分及预测节点未来的传输模式。其以现任者的频率使用情况作为特征，结合机器学习的方法进行特征提取，以实现对频率使用的预测和规划。

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于机器学习的预测节点未来传输的方法及系统。

背景技术

在无线通信当中，频率是重要的资源。但在通常的时空场景中，每个用户节点所占用的频率看起来都是“无序”和“随机”的，这就使得在传统技术的意义上，想要最为合理地分配频率资源或保护当前使用者（现任者）的频率占用十分困难。

发明内容

为了克服现有技术当中存在的缺陷和不足，本发明提出了一种新型的基于机器学习的预测节点未来传输的方法及系统。以现任者的频率使用情况作为特征，结合机器学习的方法进行特征提取，以实现对频率使用的预测和规划。

其具体采用以下技术方案：

一种基于机器学习的预测节点未来传输的方法，其特征在于，包括以下步骤：

步骤S1：提取无线电信号的频谱信息；

步骤S2：对采集获得的频谱信息输入卷积神经网络进行特征提取和分类；

步骤S3：根据提取获得的特征对节点进行判断区分及预测节点未来的传输模式。

进一步地，根据判断和预测的结果通过协同信息广播当前或未来的可用频段。

进一步地，所述提取无线电信号的频谱信息采用的技术为：收集的连续频谱数据流，如果给定的技术存在于二维频谱体素中，则只在时间和频率上进行输出；之后采用快速傅里叶变换进行转换和采样。

进一步地，当采集的频率信息分辨率不足时，通过协作共享的频率操作细节进行判断，继续检测采集，直至检测到现任者。

即，当现任者采集的信息不匹配，不确定性高的时候（表现为分辨率不足），默认为所采集到的是来自于其他的干扰，不作为现任者定义，则默认现任者还未被检测到，继续检测采集，从而达到抗干扰作用（即通过协作信息进行细节补偿）。

进一步地，将采集获得的频谱样本与MAC帧连接并构成一对一映射。

进一步地，在卷积神经网络训练之前，还包括重复频谱聚类的过程。

一种基于机器学习的预测节点未来传输的系统，其特征在于，包括：技术识别模块和重复频谱使用模式预测模块；所述技术识别模块包括射频监视器和AI模型馈电器；所述重复频谱使用模式预测模块包括重复频谱聚类模块和卷积神经网络模块；

所述射频监视器用于收集的连续频谱数据流，如果给定的技术存在于二维频谱体素中，则只在时间和频率上进行输出；

所述AI模型馈电器将射频监视器采集获得的频谱样本与MAC帧连接，以提供发送和接收调度和技术识别模块的输出之间的一对一映射；

所述技术识别模块作为重复频谱使用模式预测模块的输入，所述重复频谱使用模式预测模块根据提取获得的特征对节点进行判断区分及预测节点未来的传输模式。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的基于机器学习的预测节点未来传输的方法的步骤S2-步骤S3。

一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述的基于机器学习的预测节点未来传输的方法的步骤S2-步骤S3。