[发明专利]基于深度迁移学习的跨频段频谱预测方法

摘要

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。

主权项

1.一种基于深度迁移学习的跨频段频谱预测方法，其特征在于，包括以下步骤：/n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；/n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；/n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；/n步骤4，基于预处理后的源域频段单频点频谱数据，采用监督式学习方法构造样本数据集，即固定长度的窗口内的频谱数据作为样本的输入，下一时隙对应的实测值所属的量化类别作为样本的标签，窗口逐时隙地向下滑动，形成一个个样本，数据集随之构造完成，并划分成训练集和测试集；/n步骤5，将源域频段数据作为单频点频谱预测模型的输入，基于长短期记忆模型，利用数据集中的训练集训练模型，基于Adam算法调整神经网络参数，使得预测类别和实际类别的交叉熵达到最小值，神经网络训练完成后，利用数据集中的测试集进行测试，根据预测结果计算预测准确率；/n步骤6，将在源域频段数据训练后的模型的长短期记忆模型参数进行迁移，作为当前任务频段的单点频谱预测模型的长短期记忆模型初始参数；基于源域频段相同的模型架构和训练方式，将当前任务频段数据作为单频点频谱预测模型的输入，利用数据集中的训练集训练模型，基于Adam算法调整神经网络参数，将长短期记忆模型模型学习率调整为原模型的十分之一，经过训练集训练使得预测类别和实际类别的交叉熵达到最小值；/n步骤7，使用当前任务频段数据集的训练集对长短期记忆神经网络训练完成后，利用当前任务频段数据集中的测试集进行测试，根据预测结果计算预测准确率。/n