本發(fā)明涉及動(dòng)態(tài)頻譜共享方法，特別涉及一種基于聯(lián)合神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)頻譜共享方法。

背景技術(shù)：

1、物聯(lián)網(wǎng)已經(jīng)成為當(dāng)前世界通信和信息技術(shù)發(fā)展的重要趨勢(shì)，物聯(lián)網(wǎng)技術(shù)通過在不同的網(wǎng)絡(luò)中實(shí)現(xiàn)對(duì)萬物多樣的連接。隨著物聯(lián)網(wǎng)技術(shù)的逐漸普及，頻譜稀缺已成為當(dāng)今無線通信網(wǎng)絡(luò)正在面臨的最重大的挑戰(zhàn)之一。無線網(wǎng)絡(luò)面臨的主要難題是怎樣合理地獲得頻譜資源的同時(shí)而且還滿足網(wǎng)絡(luò)通信的需求。要想是實(shí)現(xiàn)低延遲，就要合理利用頻譜去滿足通信的需求。在無線通信中頻譜資源作為關(guān)鍵性資源，其在很多領(lǐng)域是不可或缺的。

2、由于頻譜資源數(shù)量有限且不可再生，所以頻譜資源也變得十分的珍貴，也成為了各國(guó)競(jìng)爭(zhēng)的熱點(diǎn)。當(dāng)前主要采用的是靜態(tài)頻譜分配方式進(jìn)行頻譜資源管理，將頻譜資源按照頻段固定的進(jìn)行分配。但是由于靜態(tài)頻譜分配的方法很固定，明顯這種做法會(huì)出現(xiàn)很多大量空閑的頻譜未被使用，導(dǎo)致大量的頻譜浪費(fèi)。而且隨著近些年來對(duì)互聯(lián)網(wǎng)需求的快速增長(zhǎng)。許多新興的無線接入服務(wù)無法獲得適當(dāng)?shù)恼J(rèn)證頻段，只能擁擠在未經(jīng)許可的頻段中。在這種趨勢(shì)下，靜態(tài)無線電頻譜資源管理方法已經(jīng)不再有效。

3、為了讓頻譜重耕后每個(gè)制式的網(wǎng)絡(luò)還能保障其峰值業(yè)務(wù)容量對(duì)頻譜資源的要求，不同制式間的頻譜共享技術(shù)是關(guān)鍵。隨著業(yè)界對(duì)頻率共享技術(shù)研究的逐步深入，動(dòng)態(tài)頻譜共享(dynamic?spectrum?sharing)技術(shù)已經(jīng)成為業(yè)界解決頻譜供需矛盾的重要手段。動(dòng)態(tài)頻譜共享逐漸成為業(yè)界研究的熱點(diǎn)。動(dòng)態(tài)頻譜共享實(shí)現(xiàn)了不同制式網(wǎng)絡(luò)根據(jù)自身業(yè)務(wù)狀況，動(dòng)態(tài)申請(qǐng)和釋放頻譜資源，大幅提升整體頻譜利用率。針對(duì)于頻譜資源的浪費(fèi)，為了提高頻譜利用率，joseph?mitola博士在其論文中提出了認(rèn)知無線電(cognitive?radio，cr)概念。認(rèn)知無線電技術(shù)是一種基于軟件無線電的概念，旨在實(shí)現(xiàn)機(jī)會(huì)式動(dòng)態(tài)頻譜。而動(dòng)態(tài)頻譜共享技術(shù)是認(rèn)知無線網(wǎng)絡(luò)研究中的一個(gè)重要課題,旨在提高對(duì)無線頻譜資源的利用效率。動(dòng)態(tài)頻譜共享會(huì)根據(jù)對(duì)頻譜的所需，動(dòng)態(tài)的對(duì)頻譜進(jìn)行實(shí)時(shí)的分配。動(dòng)態(tài)頻譜共享技術(shù)采用資源池的方式，通過動(dòng)態(tài)地監(jiān)聽信道、感知無線環(huán)境、確定參數(shù)、信道分配和管理實(shí)現(xiàn)對(duì)頻譜的共享。主要有機(jī)會(huì)接入頻譜、頻段重疊共享、動(dòng)態(tài)頻譜分配和公共頻譜共享等技術(shù)。針對(duì)于當(dāng)前的不合理的頻譜分配，頻譜利用率不高的情況，這種對(duì)頻譜動(dòng)態(tài)管理的方法相比于傳統(tǒng)方法是更有效的。頻譜感知技術(shù)對(duì)于提高頻譜利用率，實(shí)現(xiàn)動(dòng)態(tài)頻譜接入，主要問題是如何高效檢測(cè)到頻譜空穴具有重要意義。因?yàn)轭l譜感知具有建設(shè)成本低，與現(xiàn)有主系統(tǒng)的兼容性強(qiáng)等突出優(yōu)點(diǎn)，得到了大多數(shù)研究學(xué)者的認(rèn)同。頻譜感知是指用戶通過各種信號(hào)檢測(cè)和處理手段來獲取無線網(wǎng)絡(luò)中頻譜的使用信息。而頻譜預(yù)測(cè)可以減少感知時(shí)間，通過預(yù)測(cè)頻譜未來的狀態(tài)，再對(duì)被預(yù)測(cè)為空閑的頻譜進(jìn)行感知，有效緩解了寬帶頻譜感知中存在的能量損耗和感知時(shí)延的問題。頻譜預(yù)測(cè)還可以減少頻譜共享工作量，提升整體的響應(yīng)速度?；陬A(yù)測(cè)結(jié)果提前決定頻譜共享策略，不僅可以有效提升系統(tǒng)的響應(yīng)速度，還可以提高資源利用率和系統(tǒng)吞吐量。結(jié)合頻譜預(yù)測(cè)和頻譜感知獲取的頻譜使用情況的相關(guān)信息。例如傳輸功率和調(diào)制方式等，然后根據(jù)頻譜空穴的信息和自身對(duì)信道的要求，選擇通信效果最好的頻段進(jìn)行數(shù)據(jù)傳輸，避免產(chǎn)生用戶間的干擾，提高頻譜使用效率。

4、綜上所述，動(dòng)態(tài)頻譜共享技術(shù)是研究提高頻譜利用率的關(guān)鍵，能夠很好的處理頻譜資源緊張的問題。將其結(jié)合頻譜預(yù)測(cè)和頻譜感知去了解某個(gè)區(qū)域內(nèi)頻譜的使用狀態(tài)，進(jìn)而提高頻譜使用的效率是相當(dāng)重要的，這種技術(shù)是下一代網(wǎng)絡(luò)的關(guān)鍵。所以如何通過頻譜感知技術(shù)和頻譜共享技術(shù)進(jìn)行提升頻譜的利用率是目前研究中的重點(diǎn)內(nèi)容。

5、目前對(duì)于頻譜預(yù)測(cè)的研究大致可分為兩類，第一類就是通過對(duì)信道的質(zhì)量進(jìn)行預(yù)測(cè)，第二類就是從信道占有率角度進(jìn)行預(yù)測(cè)。常見的頻譜預(yù)測(cè)技術(shù)方法是回歸分析模型和基于隱藏馬爾可夫模型(hidden?markov?model，hmm)。但這些預(yù)測(cè)技術(shù)算法復(fù)雜，會(huì)對(duì)動(dòng)態(tài)頻譜接入的成功造成一定的阻礙。因此逐漸將深度學(xué)習(xí)運(yùn)用于頻譜預(yù)測(cè)技術(shù)上。

6、深度學(xué)習(xí)算法通常是探索式的，在許多情況下它們提供了比傳統(tǒng)概率和統(tǒng)計(jì)算法更高的準(zhǔn)確性，隨著近年來深度學(xué)習(xí)在通信領(lǐng)域的越來越流行，如何利用深度學(xué)習(xí)算法更高效的進(jìn)行頻譜感知和頻譜預(yù)測(cè)成為了主要的研究方向，另外，由于任意一個(gè)頻譜數(shù)據(jù)在時(shí)間、空間、頻率上與其臨近數(shù)據(jù)都有緊密的聯(lián)系，所以未來可繼續(xù)延伸到時(shí)、頻、空多個(gè)維度，利用這些內(nèi)在關(guān)系來開展合作形式的頻譜工作將有利于提高數(shù)據(jù)計(jì)算效率、減少硬件開支，從而以較低的代價(jià)獲得高精度多維度的頻譜數(shù)據(jù)從而有效提高頻譜使用效率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)頻譜資源利用率不高和匱乏的問題，以面向萬物互聯(lián)通信發(fā)展為需求牽引，以實(shí)現(xiàn)頻譜空間智能化利用為目標(biāo)，如何獲取頻譜資源，而提出一種基于聯(lián)合神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)頻譜共享方法。

2、上述目的通過以下的技術(shù)方案實(shí)現(xiàn)：

3、一種基于聯(lián)合神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)頻譜共享方法，所述方法通過以下步驟實(shí)現(xiàn)：

4、步驟一、改進(jìn)lstm循環(huán)神經(jīng)網(wǎng)絡(luò)，提取時(shí)間序列數(shù)據(jù)的特征；

5、步驟二、設(shè)計(jì)基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)lstm與循環(huán)神經(jīng)網(wǎng)絡(luò)rnn結(jié)合的頻譜感知模型；

6、通過接入用戶檢測(cè)目標(biāo)頻段中的狀態(tài)，再尋找頻譜空穴作為檢測(cè)信號(hào)，用于動(dòng)態(tài)接入提供數(shù)據(jù)信息；

7、步驟三、設(shè)計(jì)基于bp神經(jīng)網(wǎng)絡(luò)和grnn神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型；

8、在感知頻段后，采用具有時(shí)間相關(guān)性的頻譜數(shù)據(jù)進(jìn)行預(yù)測(cè)，通過挖掘歷史時(shí)隙的頻譜狀態(tài)之間的內(nèi)在關(guān)系預(yù)測(cè)下一個(gè)時(shí)隙的頻譜狀態(tài)，預(yù)測(cè)頻譜占用情況以及未來頻譜趨勢(shì)；

9、步驟四、并用頻譜感知檢測(cè)到的數(shù)據(jù)來提升頻譜預(yù)測(cè)的準(zhǔn)確性從而增強(qiáng)頻譜利用率，使得動(dòng)態(tài)頻譜接入更好的完成。

10、進(jìn)一步地，步驟二所述的設(shè)計(jì)基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)lstm與循環(huán)神經(jīng)網(wǎng)絡(luò)rnn結(jié)合的頻譜感知模型的步驟，具體是：

11、步驟二一、引入神經(jīng)網(wǎng)絡(luò)隱藏層間的連接關(guān)系，接收歷史信息以及當(dāng)前時(shí)刻信息，利用歷史信息預(yù)測(cè)未來頻譜趨勢(shì)；

12、步驟二二、利用改進(jìn)型rnn接收其他神經(jīng)元的信號(hào)以及自己反饋的信號(hào)；

13、步驟二三、引入閾值機(jī)制即記憶單元，設(shè)計(jì)長(zhǎng)短期記憶網(wǎng)絡(luò)的結(jié)構(gòu)；

14、其中，所述的長(zhǎng)短期記憶網(wǎng)絡(luò)lstm的結(jié)構(gòu)包括記憶細(xì)胞、輸入門i、遺忘門f和輸出門o，其中，輸入門i控制進(jìn)入存儲(chǔ)單元的信息量，遺忘門f決定記住前面各單元的狀態(tài)信息，輸出門o通過計(jì)算記憶單元的存儲(chǔ)大小，來控制輸出的信息量，記憶細(xì)胞使得lstm自由選擇每個(gè)時(shí)間步里面記憶的內(nèi)容；

15、所述的長(zhǎng)短期記憶網(wǎng)絡(luò)lstm的訓(xùn)練包括以下步驟：

16、首先、遺忘門通過sigmoid激活函數(shù)來控制，根據(jù)上一時(shí)刻的輸出和當(dāng)前輸入產(chǎn)生一個(gè)0-1的值，決定是否讓上一時(shí)刻學(xué)到的信息通過或部分通過：

17、ft＝σ(wf·[ht-1，xt]+bf)

18、式中，xt∈rd,ht-1∈rm,wf∈rm×(m+d)，bf∈rm；

19、之后、輸入門通過sigmoid激活函數(shù)確定需要更新的值，tanh激活函數(shù)用于產(chǎn)成新的候選值：

20、it＝σ(wi·[ht-1，xt]+bi)

21、ct＝tanh(wc·[ht-1，xt]+bc)

22、式中，xt∈rd,ht-1∈rm,wi∈rm×m+d)，bi，bc∈rm,ct∈rm；

23、之后、在細(xì)胞更新過程中，對(duì)老的cell?state進(jìn)行更新，將老的cell?state乘以要遺忘的信息，再按照一定的比例得到候選值：

24、ct＝ft*ct-1+it*ct；

25、之后、輸出門的作用是確定模型輸出值的大?。怀跏驾敵鰧⑼ㄟ^sigmoid激活函數(shù)獲得；tanh激活函數(shù)用于將細(xì)胞更新的信息縮減至-1到1之間的值，然后將縮減的值和每對(duì)通過sigmoid激活函數(shù)獲得的輸出相乘，進(jìn)而獲得模型輸出：

26、ot＝σ(w0[ht-1，xt]+b0)

27、ht＝ot*tanh(ct)

28、式中，w0∈rm×(m+d)，ht-1∈rm,xt∈rd，b0∈rm,ht∈rm。

29、進(jìn)一步地，所述的記憶細(xì)胞的網(wǎng)絡(luò)的數(shù)學(xué)模型如下所示：

30、it＝σ(wixt+uiht-1+bi)

31、ft＝σ(wfxt+ufht-1+bf)

32、ot＝σ(woxt+uoht-1+bo)

33、

34、其中，xt為時(shí)間步t的輸入向量，隱藏層狀態(tài)向量為ht，ct為記憶細(xì)胞，σ為sigmoid函數(shù)，tanh為雙曲正切激活函數(shù)，w與u為相應(yīng)模塊的權(quán)重矩陣，b為相應(yīng)模板的偏見向量。

35、本發(fā)明的有益效果為：

36、由于頻譜信號(hào)也相當(dāng)于一種長(zhǎng)時(shí)間序列，因此將其看作對(duì)序列的預(yù)測(cè)。本發(fā)明將通過神經(jīng)網(wǎng)絡(luò)，對(duì)頻譜的占用情況以及未來頻譜的趨勢(shì)預(yù)測(cè)，研究不同網(wǎng)絡(luò)下對(duì)于時(shí)間序列預(yù)測(cè)的效果，改變網(wǎng)絡(luò)情況從而提升頻譜預(yù)測(cè)準(zhǔn)確率，達(dá)到提高頻譜利用率的效果。

37、因此，針對(duì)頻譜共享提出認(rèn)知無線電的頻譜感知和頻譜預(yù)測(cè)技術(shù)進(jìn)行研究。通過低信噪比場(chǎng)景下傳統(tǒng)能量檢測(cè)法和基于深度學(xué)習(xí)的頻譜感知算法對(duì)比得出深度學(xué)習(xí)網(wǎng)絡(luò)的性能更好。對(duì)于相當(dāng)于長(zhǎng)時(shí)間序列的頻譜，也可以用深度學(xué)習(xí)的方法改善預(yù)測(cè)效果提升預(yù)測(cè)性能。

38、本發(fā)明運(yùn)用深度學(xué)習(xí)，并把神經(jīng)網(wǎng)絡(luò)用于頻譜技術(shù)當(dāng)中，將感知和預(yù)測(cè)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，較傳統(tǒng)方法相比，更好的實(shí)現(xiàn)頻譜動(dòng)態(tài)接入。具體地：

39、(1)針對(duì)在時(shí)間序列數(shù)據(jù)的特征提取任務(wù)中rnn依賴于過去短時(shí)間內(nèi)的數(shù)據(jù)。如果時(shí)間間隔較長(zhǎng)，rnn的性能可能會(huì)受到限制，預(yù)測(cè)的準(zhǔn)確性也會(huì)減少的問題，本發(fā)明提出改進(jìn)后的lstm循環(huán)神經(jīng)網(wǎng)絡(luò)，極大程度解決了rnn模型中長(zhǎng)期存在的依賴問題同時(shí)減弱了因長(zhǎng)距離而使歷史信息丟失的風(fēng)險(xiǎn)，進(jìn)而使結(jié)果的準(zhǔn)確性大幅度提升。

40、(2)對(duì)于基于深度學(xué)習(xí)的頻譜預(yù)測(cè)技術(shù)提出了提出基于bp神經(jīng)網(wǎng)絡(luò)和grnn神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)，并通過對(duì)比誤差得出對(duì)頻譜感知預(yù)測(cè)效果的積極影響。