專利名稱：基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法以及裝置的制作方法
技術(shù)領域：
本發(fā)明涉及通信技術(shù)領域，尤其涉及頻譜占用狀態(tài)的預測方法以及裝置。
背景技術(shù)：
在動態(tài)頻譜分配過程中，次要用戶需要暫時借助主要用戶的空閑頻譜進行通信以達到提高頻譜利用率的目的。基于上述動態(tài)頻譜分配下通信的前提是能夠準確的預測出頻譜占用狀態(tài)，而找出空閑的頻譜用于次要用戶的通信?，F(xiàn)有的頻譜占用狀態(tài)預測方法如卡爾曼濾波模型、隱含馬爾可夫模型等預測方法均是基于當前和/或歷史時序的頻譜占用狀態(tài)以及頻譜的分布信息進行預測。而在具體的實施過程中次要用戶端獲取頻譜占用分布信息困難較大，且由于涉及頻譜占用分布造成計算量大、計算復雜度高以及預測結(jié)果不夠準確等問題。發(fā)明內(nèi)容
(一)發(fā)明目的
本發(fā)明提供一種僅基于歷史時序內(nèi)所需頻段占用狀態(tài)的、計算量小、計算復雜度低、準確率高的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法以及裝置。
(二)技術(shù)方案
為達上述目的，本發(fā)明基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法依次包括以下步驟:
步驟S1:構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；
步驟S2:向神經(jīng)網(wǎng)絡中輸入集合IbpV1,…，VJ中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)屯為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)；
步驟S3:同時向神經(jīng)網(wǎng)絡輸入集合{bi+pbi，中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)。
優(yōu)選地,在所述步驟SI之前還包括步驟SO ；
所述步驟SO:采集{bi, V1，…，VJ以及hi+1。
優(yōu)選地，在所 述步驟SO與所述步驟SI之間還包括對所述步驟SO中采集的數(shù)據(jù)進行歸一化處理的步驟。
優(yōu)選地，所述初始參數(shù)以及所述預測參數(shù)均至少包括神經(jīng)網(wǎng)絡相鄰兩層之間的權(quán)重系數(shù)；
所述步驟S2中根據(jù)比較結(jié)果以反向傳播算法修正初始參數(shù)。
優(yōu)選地，所述步驟S3中通過閾值判定法判定所述Hi+2所對應的i+2時刻預設頻段的占用狀態(tài)。
為達到上述目的，本發(fā)明基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置包括:
神經(jīng)網(wǎng)絡構(gòu)建模塊，用以構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；
神經(jīng)網(wǎng)絡訓練模塊，用以向神經(jīng)網(wǎng)絡中輸入集合Ibplv1,…，中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)；bi為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)；
頻譜占用狀態(tài)預測模塊，用以同時向神經(jīng)網(wǎng)絡輸入集合Ibmbi, -中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)。
進一步地，所述基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置還包括采集Ibi,..., bjJ以及hi+1的數(shù)據(jù)采集模塊。
進一步地，所述數(shù)據(jù)采集模塊還包括用以將其采集的數(shù)據(jù)進行歸一化處理的歸一化子模塊。
進一步地，所述初始參數(shù)以及所述預測參數(shù)均至少包括神經(jīng)網(wǎng)絡相鄰兩層之間的權(quán)重系數(shù)；
所述神經(jīng)網(wǎng)絡訓練模塊包括用以根據(jù)比較結(jié)果以反向傳播算法修正初始參數(shù)的參數(shù)修正子模塊。
進一步地，頻譜占用狀態(tài)預測模塊包括用以通過閾值判定法判定所述Hi+2所對應的i+2時刻預設頻段的占用狀態(tài)的判定子模塊。
(三)本發(fā)明基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法以及裝置的有益效果
第一:本發(fā)明基于神經(jīng)網(wǎng)路的頻譜占用狀態(tài)的預測方法以及裝置，采用經(jīng)修剪算法確定并通過訓練調(diào)整后的神經(jīng)網(wǎng)絡表征無線通信中的預測前m+1時序內(nèi)預設頻段信號強度與所述預測時序頻譜占用狀態(tài)之間的映射關系，從而次要用戶在預測頻譜占用狀態(tài)時，不需要像傳統(tǒng)方法一樣獲取頻段的占用分布信息，故不存在次要用戶獲取頻段分布信息難的問題。
第二:由于頻段占用分布通常滿足如高斯分布、泊松分布等公式計算時不可避免的需要進行如微分、積分等復雜運算。本發(fā)明基于神經(jīng)網(wǎng)路的頻譜占用狀態(tài)的預測方法以及裝置，在預測過程中不再涉及頻段占用分布信息，而神經(jīng)網(wǎng)絡是模擬人腦形成的且由簡單計算單元組成的非線性網(wǎng)絡組成的輸入輸出映射模型，故而計算通常是較為簡單的函數(shù)運算以及網(wǎng)絡相鄰兩層之間的權(quán)重運算，從而具有計算簡單、計算量小且計算準確的優(yōu)點。
第三:本發(fā)明基于神經(jīng)網(wǎng)路的頻譜占用狀態(tài)的預測方法以及裝置，由于神經(jīng)網(wǎng)絡的學習能力強，具有很強的泛化能力，故而可以應用于不同頻段、不同時序的頻譜占用的預測，且預測參數(shù)實時調(diào)整從而獲得的結(jié)果更加準確，從而相對于傳統(tǒng)的預測方法以及裝置具有更強的適用性，提供的預測信息更加實用。


圖1為本發(fā)明實施例三所述基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法的流程圖2為本發(fā)明第二實施例所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置的流程圖。
具體實施例方式下面結(jié)合說明書附圖以及實施例對本發(fā)明基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法做進一步的說明。實施例一:某一頻段的信號強度可以用來衡量該頻段的占用狀態(tài)，故信號強度可以用作輸入來通過神經(jīng)網(wǎng)絡的去衰減等相關運算后的得到該頻點的占用信息；再通過觀察、抽象若干個連續(xù)時序的占用狀態(tài)的變化趨勢通過相應計算以及變換可以預測出所述若干個連續(xù)時序的下一時序的該頻段的占用狀態(tài)信息。本實施例基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法，其特征在于，所述基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預 測方法包括以下步驟:步驟S1:構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；神經(jīng)網(wǎng)絡依次包括輸入層、中間層以及輸出層；每一層均是由若干神經(jīng)元組成的，同一層的神經(jīng)元之間相互沒有數(shù)據(jù)交互，層與層之間的神經(jīng)元之間進行數(shù)據(jù)傳遞，用于表現(xiàn)輸入與輸出之間的映射關系；采用修剪算法可以有效的剔除神經(jīng)網(wǎng)絡各層中不必要的神經(jīng)元和/或神經(jīng)元的連接，從而達到構(gòu)建的神經(jīng)網(wǎng)絡輸入與輸出之間映射關系簡單、映射結(jié)果準確且實現(xiàn)簡單可靠的效果；步驟S2:向神經(jīng)網(wǎng)絡中輸入集合IbpV1,…，VJ中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)屯為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)的取值決定了集合的初始值，m的取值決定了集合的長度；而在此步驟當中以連續(xù)的m+1個時序的信號強度為輸入以及m+1個時序的下一個時序中預設頻段的占用狀態(tài)為目標值進行神經(jīng)網(wǎng)路的訓練，使神經(jīng)網(wǎng)絡的輸出的預測值與目標值滿足一定的誤差；如若兩者的誤差小于預設誤差則神經(jīng)網(wǎng)絡的初始參數(shù)即是最終的預測參數(shù)；如若大于預設誤差則需要調(diào)整相應的參數(shù)，則需要進行再次輸入運算出結(jié)果，且將運算結(jié)果與hi+1再次比較，再次根據(jù)比較結(jié)果修正參數(shù)，最終使運算結(jié)果小于預設誤差，從而通過反復修正初始參數(shù)，以使最終預測值與目標值小于預設誤差時刻的參數(shù)為最終的預測參數(shù)；通過這種方法確定神經(jīng)網(wǎng)絡的最終參數(shù)，實現(xiàn)簡單且對于最終的預測結(jié)果有預測結(jié)果準確的目的。步驟S3:同時向神經(jīng)網(wǎng)絡輸入集合Ibi^bi,…，中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)。在具體的通信過程中，無線頻譜作為載波以頻段進行劃分，有些頻段用于上行通信，有些用于下行通信，還有些用于特定的區(qū)域通信等，故在不同的無線通信中，各通信頻段的頻譜范圍不同。故本實施例根據(jù)用戶通信種類的需求針對不同的通信需要設置預設頻段，由于神經(jīng)網(wǎng)絡有很好的泛化能力能很好的實現(xiàn)針對不同頻段不同時序的預測參數(shù)的修正，從而用于不同頻段以及不同時序的頻譜占用信息的預測。
綜合上述，
首先本實施例基于神經(jīng)網(wǎng)路的頻譜占用狀態(tài)的預測方法，通過神經(jīng)網(wǎng)絡來模擬歷史時序中預設頻段表征占用狀態(tài)的信號強度與預測時序預設頻段占用狀態(tài)之間的映射關系，故沒有涉及預設頻段的分布信息，故不存在次要用戶獲取頻段分布信息難的問題；
其次，一般頻段的分布信息滿足如高斯分布、泊松分布等進行計算時無可避免的需要進行微分、積分以及卷積分等復雜度高的運算，而本實施例所述方法不涉及頻段分布信息的應用，故不會涉及高復雜度的微分、積分等運算，且神經(jīng)網(wǎng)絡本身具有計算簡單、計算迅速等的特性，故而本方法相對于傳統(tǒng)方法具有計算復雜度低，且相對的計算復雜度小的優(yōu)點。
再次，本實施例所述的方法，是實時針對不同頻段不同時序調(diào)整預測參數(shù)，且預測參數(shù)的調(diào)整與當前的網(wǎng)絡環(huán)境等因素密切相關，故而預測參數(shù)以及預測方法精準，從而預測結(jié)果也更加準確；
此外，本實施例所述的方法，采用神經(jīng)網(wǎng)絡進行預測，由于神經(jīng)網(wǎng)絡本身具有很強的泛化能力，通過步驟S2中的訓練能快速有效的用于兩種不同頻段，不同無線網(wǎng)絡環(huán)境中頻譜占用狀態(tài)的預測，從而相對于傳統(tǒng)的方法實用性以及適用性均更強。
實施例二:
本實施例基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法包括以下步驟:
步驟SO:采集Ibi, V1,…，VJ以及hi+lt)i與m的取值決定了集合……h(huán)lJ的長度。在具體的實施過程中所述m的取值通常為4 6的正整數(shù)。
步驟S1:構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；
步驟S2:向神經(jīng)網(wǎng)絡中輸入集合IbpV1,…，VJ中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)屯為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)；
步驟S3:同時向神經(jīng)網(wǎng)絡輸入集合{bi+pbi，中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)。
由于步驟S 2的需要，所述的{bi+pbi，…，Ινπ+1}以及hi+1可以由外設輸入，也可以自行采集，而在本實施例中選用自行采集的方法，具體的采集方法可以使實際測量或經(jīng)驗數(shù)據(jù)。
實施例三:
如圖1所示，本實施例在上一實施例的基礎上，本實施基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法，在所述步驟SO與所述步驟SI之間還包括對所述步驟SO中采集的數(shù)據(jù)行歸一化處理的步驟。通過歸一化的處理使得輸入的數(shù)據(jù)單位統(tǒng)一、且位于神經(jīng)網(wǎng)絡的處理范圍內(nèi)，從而提高神經(jīng)網(wǎng)絡的計算速度，縮短計算時間。
在具體的實施過程中，所述初始參數(shù)以及所述預測參數(shù)均包括神經(jīng)元數(shù)目、各神經(jīng)元的激勵函數(shù)、學習速率、最大迭代次數(shù)、預設誤差以及各神經(jīng)元層之間的權(quán)重系數(shù)參數(shù)。
作為本實施例的進一步的優(yōu)化，所述步驟S3中根據(jù)比較結(jié)果以反向傳播算法修正初始參數(shù)。采用反向傳播算法修正初始參數(shù)，實現(xiàn)簡單快捷。實施例四:本實施例基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法包括以下步驟:步驟S1:構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；步驟S2:向神經(jīng)網(wǎng)絡中輸入集合IbpV1,…，VJ中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)屯為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)；步驟S3:同時向神經(jīng)網(wǎng)絡輸入集合{bi+pbi，中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，通過閾值判定法判定所述預測表征變量Hi+2所對應的預設頻段i+2時序的占用狀態(tài)。在具體的實施過程中可以采用函數(shù)判定等其他判決方法，而閾值判定方法實施簡單的優(yōu)點，從而使得本實施例所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法，具有預測值準確、計算量小、計算復雜度低的同時具有了判定簡單明了以及實現(xiàn)簡便的優(yōu)點。下面結(jié)合說明書附圖以及實施例對本發(fā)明基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置做進一步的說明。第一實施例:本實施例基于神經(jīng)網(wǎng) 絡的頻譜占用狀態(tài)的預測裝置包括:所述基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置包括:神經(jīng)網(wǎng)絡構(gòu)建模塊，用以構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；神經(jīng)網(wǎng)絡訓練模塊，用以向神經(jīng)網(wǎng)絡中輸入集合Ibplvi,…，4_π}中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)；bi為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)；頻譜占用狀態(tài)預測模塊，用以向神經(jīng)網(wǎng)絡輸入集合Ibi^bi,中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)。在本實施例中用于頻譜占用狀態(tài)預測的裝置，通過神經(jīng)網(wǎng)絡構(gòu)建模塊、神經(jīng)網(wǎng)絡訓練模塊以及頻譜占用狀態(tài)預測模塊實現(xiàn)對頻譜的預測，與傳統(tǒng)裝置相比，具有計算復雜度低，計算量小，預測準確的優(yōu)點。第二實施例:如圖2所示，本實施例基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置包括:數(shù)據(jù)采集模塊,用以采集IX，Iv1,…，VJ以及hi+1 ;神經(jīng)網(wǎng)絡構(gòu)建模塊，用以構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；神經(jīng)網(wǎng)絡訓練模塊，用以向神經(jīng)網(wǎng)絡中輸入集合Ibplvi,…，4_π}中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)；bi為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)；
頻譜占用狀態(tài)預測模塊，用以同時向神經(jīng)網(wǎng)絡輸入集合Ibi^bi,…，Ινπ+1}中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)。
本實施例基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置在上一實施例的基礎上增設了數(shù)據(jù)采集模塊，用于采集所需信息，從而無需外設的幫助就可以實現(xiàn)數(shù)據(jù)的采集。
第三實施例:
本實施例在上一實施例的基礎上，進一步的具化了所述的數(shù)據(jù)采集模塊，所述數(shù)據(jù)采集模塊還包括一個用以將其采集的數(shù)據(jù)進行歸一化處理的歸一化子模塊。通過歸一化子模塊的設置可以對所采集的數(shù)據(jù)進行歸一化處理，從而使得裝置的預測效率以及預測效果更佳。
第四實施例:
本實施例基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置包括:
數(shù)據(jù)采集模塊，用以采集Ibplv1,…，VJ以及hi+1 ;
神經(jīng)網(wǎng)絡構(gòu)建模塊，用以構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；
神經(jīng)網(wǎng)絡訓練模塊，用以向神經(jīng)網(wǎng)絡中輸入集合-,bj中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)屯為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)；所述初始參數(shù)以及所述預測參數(shù)均至少包括神經(jīng)網(wǎng)絡相鄰兩層之間的權(quán)重系數(shù)；所述神經(jīng)網(wǎng)絡訓練模塊包括用以根據(jù)比較結(jié)果以反向傳播算法修正初始參數(shù)的參數(shù)修正子模塊。
頻譜占用狀態(tài)預測模塊，用以同時向神經(jīng)網(wǎng)絡輸入集合Ibi^bi,…，Ινπ+1}中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)；頻譜占用狀態(tài)預測模塊包括用以通過閾值判定法判定所述Hi+2所對應的i+2時刻預設頻段的占用狀態(tài)的判定子模塊。
綜合上述，本發(fā)明所述的`基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法以及裝置，在進行頻譜占用信息的預測時，無需獲取當前的頻譜分布狀態(tài)信息，就可以直接預測出所需頻段的占空狀態(tài)，且采用神經(jīng)網(wǎng)絡進行以頻段對應的頻譜的強度信號與占用狀態(tài)之間的映射關系進行預測，具有計算量小，計算復雜度低以及預測結(jié)果準確的優(yōu)點。
以上實施方式僅用于說明本發(fā)明，而并非對本發(fā)明的限制，有關技術(shù)領域的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護范圍應由權(quán)利要求限定。
權(quán)利要求
1.一種基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法，其特征在于，所述基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法依次包括以下步驟: 步驟S1:構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)； 步驟S2:向神經(jīng)網(wǎng)絡中輸入集合Ibplv1,…，bi_J中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+Ι時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)屯為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)； 步驟S3:同時向神經(jīng)網(wǎng)絡輸入集合Ibi^bi,…，Ινπ+1}中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)。
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法，其特征在于，在所述步驟SI之前還包括步驟SO ； 所述步驟SO:采集IX，V1,…，VJ以及hi+1。
3.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法，其特征在于，在所述步驟SO與所述步驟SI之間還包括對所述步驟SO中采集的數(shù)據(jù)進行歸一化處理的步驟。
4.根據(jù)權(quán)利要求1、2或3所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法，其特征在于，所述初始參數(shù)以及所述預測參數(shù)均至少包括神經(jīng)網(wǎng)絡相鄰兩層之間的權(quán)重系數(shù)； 所述步驟S2中根據(jù)比較結(jié)果以反向傳播算法修正初始參數(shù)。
5.根據(jù)權(quán)利要求1、2或3所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法，其特征在于，所述步驟S3中通過閾值判定法判定所述Hi+2所對應的i+2時刻預設頻段的占用狀態(tài)。
6.一種基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置，其特征在于，所述基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置包括: 神經(jīng)網(wǎng)絡構(gòu)建模塊，用以構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)； 神經(jīng)網(wǎng)絡訓練模塊，用以向神經(jīng)網(wǎng)絡中輸入集合Ibpiv1, ".Λ_Π}中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+i時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)屯為第i時序預設頻段的信號強度，i為的正整數(shù)，m為小于i的正整數(shù)； 頻譜占用狀態(tài)預測模塊， 用以同時向神經(jīng)網(wǎng)絡輸入集合Ibi^bi,中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)。
7.根據(jù)權(quán)利要求6所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置，其特征在于，所述基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置還包括采集Ibplvi,以及hi+1的數(shù)據(jù)采集模塊。
8.根據(jù)權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置，其特征在于，所述數(shù)據(jù)采集模塊還包括用以將其采集的數(shù)據(jù)進行歸一化處理的歸一化子模塊。
9.根據(jù)權(quán)利要求6-7任一所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置，其特征在于，所述初始參數(shù)以及所述預測參數(shù)均至少包括神經(jīng)網(wǎng)絡相鄰兩層之間的權(quán)重系數(shù)； 所述神經(jīng)網(wǎng)絡訓練模塊包括用以根據(jù)比較結(jié)果以反向傳播算法修正初始參數(shù)的參數(shù)修正子模塊。
10.根據(jù)權(quán)利要求6-7任一所述的基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測裝置，其特征在于，頻譜占用狀態(tài)預測模塊包括用以通過閾值判定法判定所述Hi+2所對應的i+2時刻預設頻段的占用狀態(tài)的 判定子模塊。
全文摘要
本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法以及裝置。所述基于神經(jīng)網(wǎng)絡的頻譜占用狀態(tài)的預測方法包括以下步驟步驟S1構(gòu)建神經(jīng)網(wǎng)絡并采用修剪算法確定神經(jīng)網(wǎng)絡各層以及各神經(jīng)元的初始參數(shù)；步驟S2向神經(jīng)網(wǎng)絡中輸入集合{bi,bi-1，…，bi-m}中各元素，將神經(jīng)網(wǎng)絡的輸出結(jié)果與以表征第i+1時序預設頻段占用狀態(tài)的表征變量hi+1進行比較；根據(jù)比較結(jié)果修正初始參數(shù)得到預測參數(shù)；bi為第i時序預設頻段的信號強度，i為正整數(shù)，m為小于i的正整數(shù)數(shù)；步驟S3同時向神經(jīng)網(wǎng)絡輸入集合{bi+1,bi，…，bi-m+1}中各元素，神經(jīng)網(wǎng)絡輸出表征第i+2時序預設頻段的占用狀態(tài)的預測表征變量Hi+2，根據(jù)預測表征變量Hi+2判定i+2時序預設頻段的占用狀態(tài)，具有計算復雜度低，實現(xiàn)簡單的優(yōu)點。
文檔編號H04W16/10GK103209417SQ20131006982
公開日2013年7月17日 申請日期2013年3月5日 優(yōu)先權(quán)日2013年3月5日
發(fā)明者許曉東, 李皇玉, 吳寶學, 徐舟, 陶小峰, 張平 申請人:北京郵電大學