[发明专利]一种基于相关性分析和图卷积网络的三维频谱预测方法

说明书

一种基于相关性分析和图卷积网络的三维频谱预测方法，它涉及一种三维频谱预测方法。本发明为了解决传统卷积神经网络在涉及空域的三维频谱预测中预测性能下降的问题。本发明的核心在于利用先验的空间电磁频谱相关性分析结果辅助神经网络实现高精度的预测，同时使用基于图卷积的网络模型替代卷积神经网络，解决传统卷积网络难以有效拟合空域非结构性数据的困扰，以及进一步加强网络输出结果的精度和可靠性。本发明属于电磁频谱预测技术领域。

技术领域

本发明涉及一种三维频谱预测方法，属于电磁频谱预测技术领域。

背景技术

随着无线通信技术以及智能城市物联网等产业的快速发展，无线通信设备的制式和数量呈爆炸式增长，造成了电磁环境日益复杂化，频谱利用率低下与频谱资源短缺之间的矛盾愈发突出。高精度频谱预测技术可预测“频谱空洞”，是实现动态频谱接入的关键环节。然而，频谱活动具有复杂多变的特点，基于单一时域维度的频谱预测可靠性难以保证，因此基于多域关联的频谱预测吸引了广泛的关注，通过深度学习等技术手段学习时频空等多域关联信息的方法已经成为了频谱预测的主流方案。

深度学习近年来在无线通信领域中得到了广泛的应用，在时频联合频谱预测任务中基于卷积神经网络的方法表现出了优异的预测精度。而涉及空域的频谱预测，受监测设备空间位置分布的影响，数据具有非结构化的特点，基于卷积网络的方法预测表现不佳。图结构作为一种包含节点和边的数据表示形式，是表征非结构化数据的一种有效方法，而邻接矩阵中所包含的节点间共性特征也可作为图网络的先验信息，提高频谱预测的精度。

发明内容

本发明为解决传统卷积神经网络在涉及空域的三维频谱预测中预测性能下降的问题，进而提出一种基于相关性分析和图卷积网络的三维频谱预测方法。

本发明为解决上述问题采取的技术方案是：本发明的具体步骤如下：

步骤一、对空域频谱监测数据进行专家知识特征提取，得到空域频谱特征矩阵；

步骤二、基于皮尔逊相关系数对空域监测结果进行相关性分析，计算空域特征矩阵之间的相关性；

步骤三、基于相关性计算结果，以空域监测位置为节点，设置阈值判断是否存在边，构建邻接矩阵和空域频谱相关网络图；

步骤四、构建以图卷积为基础的三维频谱预测模型，其主要结构由图卷积和扩张卷积构成的时频空卷积块堆叠而成，并通过跳跃连接避免梯度爆炸的问题；

步骤五、将原始监测数据和空域频谱相关网络图输入预测网络，实现三维频谱预测。

进一步的，步骤一中对空域频谱监测数据进行专家知识特征提取，选取特征包括频谱占用度、接收功率均值、标准差、四分位距、自相关系数、熵、偏度和丰度八种特征，对监测覆盖的频域宽度F范围内所有频点分别构建特征向量，并组合得到不同空间监测位置的特征矩阵：

公式(1)中f₁至f_n表示频点，V_f是频点f的特征向量，M_i是空间位置i处的特征矩阵。

进一步的，步骤二中基于斯皮尔曼相关系数对空域监测结果进行相关性分析，基于不同特征间取值范围的差异，计算当前需先对特征矩阵进行归一化：

公式(2)中，ρ_ij是空间位置i与空间位置j之间的斯皮尔曼相关系数度量结果，M′是归一化后的特征矩阵，表示归一化特征矩阵的均值。

进一步的，步骤三中基于相关性计算结果构建邻接矩阵和空域频谱相关网络图，其中图的节点集合为监测数据中的空间位置集合，边则由下式判断是否存在：