[发明专利]一种基于射频机器学习模型驱动的频谱预测方法

权利要求书

1.一种基于射频机器学习模型驱动的频谱预测方法，其特征在于，所述频谱预测方法包括以下步骤：

S1，采集频谱数据，对采集的频谱数据进行预处理；

S2，根据赤池信息准则为自回归模型定阶，确定输入数据的步长M；

S3，将自回归模型的线性组合过程展开成M层网络结构，在该M层网络结构中引入新的可训练参数构建得到M层基于射频机器学习模型驱动的频谱预测网络模型；

S4，利用训练集数据对频谱预测网络模型进行训练；

S5，判断训练是否完成，若是，将测试集数据输入训练完成的频谱预测网络模型，输出预测结果，结束流程；若否，将训练迭代次数加一后，返回步骤S4，直至达到最大迭代次数；

步骤S3中，将自回归模型的线性组合过程展开成M层网络结构的过程包括以下步骤：

将自回归结构的计算过程展开成深度学习中的多层网络，每一阶的线性运算作为网络的一层，通过深度学习的方法来训练得到优化的网络参数；

其中，第m层网络的计算过程为：

式中，x_T+m-M表示第m层网络的输入数据，为第m层输入数据的权重参数，M为网络总层数，T为当前时隙，y_m表示第m层网络的输出数据；

步骤S3中，在该M层网络结构中引入新的可训练参数构建得到M层基于射频机器学习模型驱动的频谱预测网络模型的过程包括以下步骤：

对于第m层，将计算公式变换成：

其中，T表示当前时隙，x_T+m-M表示第m层网络的输入数据，y_m表示第m层网络的输出数据；和α_m表示第m层网络的两个可学习参数，是当前输入数据的加权参数，α_m是对上一层网络输出的加权参数，用来选择性遗忘过去的部分输出；非线性激活函数σ(·)用于避免线性的输入数据组合。

2.根据权利要求1所述的基于射频机器学习模型驱动的频谱预测方法，其特征在于，步骤S1中，采集频谱数据的过程包括：

当主用户忙碌时，接收信号为经过信道衰落和加性高斯白噪声干扰的衰落信号，x_t(n)＝h_t(n)s_t(n)+ε_t(n)；其中，s_t(n)表示在第t时隙发射信号的第n个采样点，x_t(n)表示在第t个时隙接收信号的第n个采样点，h(n)表示信道衰落函数，ε(n)表示均值为0，方差为σ²的加性高斯白噪声；

当主用户空闲时，接收信号仅包含噪声，x_t(n)＝ε_t(n)。

3.根据权利要求1所述的基于射频机器学习模型驱动的频谱预测方法，其特征在于，步骤S1中，对采集的频谱数据进行预处理的过程包括以下步骤：

S11，采用下述公式计算频谱信号功率值：

其中，N表示每个时隙内的信号采样点数，|·|表示求模运算，x(t)为t时隙得到的频谱功率数据，x_t(n)表示在第t个时隙接收信号的第n个采样点；

S12，采用下述公式对频谱信号进行归一化处理：

其中，x(t)表示t时刻的频谱数据，x_min表示所有频谱数据的最小值，x_max表示所有频谱数据的最大值。

4.根据权利要求1所述的基于射频机器学习模型驱动的频谱预测方法，其特征在于，步骤S2中，根据赤池信息准则为自回归模型定阶，确定输入数据的步长M的过程包括以下步骤：

S21，对于p阶自回归模型，设置初始模型阶数p＝1；

S22，按照下式计算并记录p阶自回归模型的AIC值：

y_AIC＝-2ln(L)+2k

式中，L表示该模型下的最大似然函数，k为模型中的变量个数，y_AIC表示模型对应的AIC值；

S23，令模型阶数p＝p+1，返回步骤S22，重新计算并记录这时的AIC值，直到p＝p_max为止，进入步骤S24；

S24，筛选出最小AIC值对应的模型阶数，作为输入数据的步长M。