[发明专利]基于深度迁移学习的跨频段频谱预测方法

说明书

本发明公开了一种基于深度迁移学习的跨频段频谱预测方法。所述频谱预测方法把握频段之间各个信道的相似性，通过在其他频段的信道上测得的历史频谱数据挖掘出频谱数据间内在规律和关联，并迁移至当前频段从而预测当前频段的将来时刻的频谱状态。所述方法步骤如下：选择业务相似的频段，选择最具有相似性的信道，构建数据集，从分类的角度搭建基于深度学习的预测模型，并用训练集训练；将训练成熟的模型参数迁移至目标频段的预测模型中，并在此基础上以较低学习率训练由目标频段数据构建的数据集，并用测试集输入到训练好的预测模型中，得到下一时隙的预测结果。本发明能够较好地通过跨频段方式帮助目标频段补充数据并预测出频谱演变规律。

技术领域

本发明属于无线通信技术领域，具体地说，是一种基于深度迁移学习的长短期记忆模型的跨频段单频点频谱预测方法。

背景技术

近年来，伴随着软件定义无线电以及认知无线电的发展，动态频谱接入也得到了越来越多人的关注。随着频谱资源越来越稀缺，为了能够结合当前各个频段的使用情况，灵活地使用未被充分使用的频段，需要对各个信道的频谱进行预测分析。当前，对于信道中的频谱预测，已经提出许多的模型从不同的维度对信道中的频谱数据进行预测。在时域维度对频谱进行预测中，即对频谱预测可转换为时间序列的预测问题。

早年的研究中，使用的多是线性预测模型。对未来的值的预测通过历史的数据的线性变换得到。且由于这些线性模型较为简单在频谱预测的很多方面均得到了较好的运用。

随着深度神经网络的发展，将深度神经网络用于频谱预测的工作也取得了很大的进步，深度神经网络是当前应用最多的非线性模型。然而在实际中，往往存在当频谱数据较为稀缺的时候，频谱数据不足将不能较好的训练深度神经网络的问题，而深度迁移学习是解决这个问题的其中一种方法。

深度迁移学习旨在利用成熟的与当前数据集(即为目标域数据集)相似的包含大量数据及成熟的模型的数据集(即为源域数据集)用以解决目标域数据集较少、标签较少、甚至算力不足的情况。

对于频谱预测来说，深度迁移学习的方法能有效减轻大量数据重新训练模型带来的时间消耗和算力的巨大要求。同时，深度迁移学习能有效解决频谱预测模型冷启动的问题，帮助弥补初期训练的数据不足的问题。目前运用的最广泛的深度迁移学习的方法是预训练并微调。即在一个具有大量数据的成熟的深度神经网络上训练成熟的参数导出到目标深度神经网络模型上并进行训练。然而，微调的假设是源域和目标域之间数据分布是相同的，这在实际中是基本不存在的。在频谱在时域上的预测问题，转换为时间序列的问题，不同时间序列之间的相似度也是不一样的。由于不同频段之间各个频点的时间序列是不同的，盲目的选择时间序列进行迁移，往往会形成负迁移，反而影响了对时间序列的分类和预测。

发明内容

本发明的目的在于为频谱预测提供一种新的思路，基于深度迁移学习的长短期记忆模型进行跨频段单频点频谱预测，从而解决当前任务频段数据稀缺的预测问题。

实现本发明目的的技术解决方案为：

一种基于深度迁移学习的长短期记忆模型的跨频段单频点频谱预测方法，包括以下步骤：

步骤1，基于GSM上下行传输业务中移动台与基站状态的相似性，选择数据监测天数为2倍以上的GSM1800UL\DL频段频谱占用数据，分别作为目标任务频段GSM900UL\DL的深度迁移学习的源域频段数据；

步骤2，将当前任务频段各个频点与源域频段各频点数据进行相似性逐一对比，通过动态时间归整算法DTW度量各个频点之间的相似性并排序，选择当前任务频段与源域频段之间最相似的一对频点数据；

步骤3，将当前任务频段及源域频段的所有的原始频谱数据分别进行等间隔量化，量化后的频谱数据采用最大最小值归一化方法将它们的数值映射到[a,b]范围，完成数据的预处理；