[发明专利]一种具备异常数据净化能力的在线频谱预测方法

说明书

本发明提出一种具备异常数据净化能力的在线频谱预测方法，用一个F行T列的X_T表示频谱数据矩阵，频谱数据矩阵中的每一个矩阵元素表示第f个频段在第t个时隙的频谱状态；频谱数据矩阵每一行元素表示在连续T个时隙内、第f个频段的频谱状态，矩阵每一列元素表示在第t个时隙内、全部F个频段的频谱状态分布；将前T‑1列的全部F个频段的频谱状态视作历史频谱数据，历史数据中包括正常频谱数据、异常频谱数据和缺失频谱数据，然后根据历史频谱数据预测出第T列的全部F个频段的频谱状态。本发明可以稳健、精确地捕获频谱状态的演化并预测未来频谱状态，同时具有实时处理数据的能力。

技术领域

本发明属于无线通信领域中的认知无线电技术，具体涉及一种具备异常数据净化能力的在线频谱预测方法。

背景技术

移动网和物联网的飞速发展正在侵占着有限的频谱资源，因此人们迫切需要新的频谱资源来满足这种需要。一般通过频谱数据分析，比如频谱感知和频谱预测，来捕获频谱演化过程中的相关信息。频谱感知主要是确定当前无线电频谱的状态；而频谱预测则通过探索频谱数据之间的相关性和规律性，基于历史数据，预测未来的无线电频谱状态。

高效频谱预测的挑战之一就是历史数据观察中数据异常、测量误差及数据丢失的出现。数据异常在实际频谱数据中是很常见的。例如，无线传输过程的开放性和不断智能化的频谱感知可能导致多种多样的数据伪造攻击。频谱测量的不完美性同样不可避免，特别是当低成本频谱传感器被用于收集数据时。数据丢失同样常见，原因有三：测量误差和传输丢包；测量设备能力的局限性；现有的频谱测量算法仅仅测量每一时隙中的部分频谱带。同时，很多网络操作需要完整的、干净的数据。因此，稳健、精确地捕获频谱状态的演化并预测未来频谱状态是极具挑战性的。

另一个挑战是频谱预测方法设计中的数据实时处理能力。过期的频谱预测是无用的。现有的研究大多数集中在批处理算法上，这极大地限制了储存、分析实时频谱数据的可扩展性，同时也限制了对非平稳频谱数据演化的追踪能力。将频谱状态数据看作一个矩阵，其行表示频域，列表示时域，那么随着行与列的增加，批处理算法的计算复杂度和时间消耗都在上升。另外，批处理算法假想历史数据是完整的，它捕获的是频谱演化的长期平稳数据，但它平均了相关的短期非平稳变化。

发明内容

本发明提出一种具备异常数据净化能力的在线频谱预测方法，可以稳健、精确地捕获频谱状态的演化并预测未来频谱状态，同时具有实时处理数据的能力。

为了解决上述技术问题，本发明提供一种具备异常数据净化能力的在线频谱预测方法，其特征在于，用式(1)所示矩阵表示频谱数据矩阵，

式(1)中，集合Ω_T为一个包含F×T个元素的集合，其元素为频谱数据矩阵中未缺失的数据，集合Ω_T之外的元素为频谱数据矩阵中缺失的数据；为采样算子矩阵，其将频谱数据矩阵中缺失的数据置零；

式(1)中，矩阵X_T为具有F行T列的频谱数据矩阵，矩阵X_T的每一个元素x_f,t,f∈{1,...,F},t∈{1,...,T}表示第f个频段在第t个时隙的频谱状态，矩阵X_T的每一行元素x_f,.:＝[x_f,1,x_f,2,,...,x_f,T],f∈{1,...,F}表示在连续T个时隙内、第f个频段的频谱状态，矩阵X_T的每一列x_.,t:＝[x_1,t,x_2,t,...,x_F,t]',t∈{1,...,T}表示在第t个时隙内、全部F个频段的频谱状态分布；