本發(fā)明涉及電磁頻譜，具體涉及一種基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法。

背景技術(shù)：

1、隨著無線網(wǎng)絡(luò)和通信技術(shù)的發(fā)展，用頻設(shè)備及其用戶數(shù)量不斷增加，無線通信對頻譜資源的需求持續(xù)快速增長。傳統(tǒng)的靜態(tài)頻譜分配策略難以應(yīng)對該復(fù)雜環(huán)境下的動態(tài)頻譜需求，導(dǎo)致其利用率較低，進一步加劇了頻譜資源的短缺。頻譜預(yù)測技術(shù)是利用歷史頻譜數(shù)據(jù)中隱藏的特征信息，結(jié)合同一業(yè)務(wù)中其他信道的相關(guān)信息，獲得未來頻譜信道的占用狀態(tài)、占空比及功率譜等參數(shù)，在優(yōu)化頻譜利用、頻譜資源分配和支持頻譜共享等方面發(fā)揮著重要作用。分析頻譜歷史數(shù)據(jù)變化，總結(jié)頻譜使用規(guī)律并預(yù)測用戶未來頻譜使用情況可以更好的實現(xiàn)高效的頻譜資源管理和智能的頻譜切換策略。

2、傳統(tǒng)的基于模型驅(qū)動的方法包括自回歸分析模型、隱馬爾科夫模型、貝葉斯模型等。但是在實際頻譜環(huán)境中，狀態(tài)轉(zhuǎn)移概率可能會隨時間變化，這種假設(shè)限制了模型的適用性。頻譜利用模式的空間、頻率和時間維度具有隨機性，具體取決于諸如無線傳播環(huán)境、發(fā)射功率、用戶移動性等因素。傳統(tǒng)的頻譜預(yù)測方法面臨頻譜資源分配不均和動態(tài)變化等挑戰(zhàn)。需要研究適應(yīng)復(fù)雜、動態(tài)頻譜環(huán)境的頻譜預(yù)測方法。

3、由于深度學(xué)習(xí)能夠捕捉非線性頻譜數(shù)據(jù)中潛在的復(fù)雜依賴關(guān)系，因此越來越多神經(jīng)網(wǎng)絡(luò)應(yīng)用于頻譜預(yù)測任務(wù)上，如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)等。在實際頻譜利用中，由于用戶行為的周期性，導(dǎo)致頻譜數(shù)據(jù)在不同時間段內(nèi)呈現(xiàn)出不同的特征，從而形成明顯的周期性規(guī)律，頻譜占用狀態(tài)呈現(xiàn)顯著的周期性。已有的深度學(xué)習(xí)方法在進行頻譜預(yù)測任務(wù)時，具體來說存在兩個問題：一些方法只關(guān)注時間維度特征提取，未能充分利用頻譜數(shù)據(jù)在頻率維度所包含的重要特征信息。雖然能夠捕捉時間上的變化，但缺乏對頻域特征考慮，無法全面反映頻譜數(shù)據(jù)的動態(tài)復(fù)雜性。另一方面，一些方法雖然嘗試將時間維度和頻率維度結(jié)合起來進行預(yù)測，但卻忽視了時間周期性的影響，從而限制了模型對數(shù)據(jù)變化的準確捕捉。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明的目的是提供一種基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，構(gòu)建綜合表征時域和頻域關(guān)聯(lián)性的頻譜預(yù)測模型，優(yōu)化基于深度學(xué)習(xí)的頻譜預(yù)測模型預(yù)測精度不足的問題。

2、本發(fā)明所采用的技術(shù)方案是：一種基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，包括：

3、步驟s01：構(gòu)建頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型，設(shè)置初始學(xué)習(xí)參數(shù)，將采集的頻譜數(shù)據(jù)輸入到所述頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型中，對所述頻譜數(shù)據(jù)進行周期性分析，確定所述頻譜數(shù)據(jù)的時間周期屬性；

4、步驟s02：利用時間卷積網(wǎng)絡(luò)提取頻譜數(shù)據(jù)的時域特征，根據(jù)所述時域特征，利用線性門控單元將頻譜數(shù)據(jù)傳遞至圖卷積層網(wǎng)絡(luò)；

5、步驟s03：利用圖卷積網(wǎng)絡(luò)提取所述頻譜數(shù)據(jù)的頻域特征；

6、步驟s04：利用注意力機制對提取的所述時域特征和所述頻域特征進行動態(tài)加權(quán)，獲得預(yù)測頻譜數(shù)據(jù)；

7、步驟s05：根據(jù)預(yù)測頻譜數(shù)據(jù)和采集的頻譜數(shù)據(jù)，計算平均絕對誤差；

8、步驟s06：根據(jù)所述平均絕對誤差反向訓(xùn)練所述頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型，優(yōu)化所述學(xué)習(xí)參數(shù)，完成所述頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型的訓(xùn)練；

9、步驟s07：將待處理頻譜數(shù)據(jù)輸入到完成訓(xùn)練的所述頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型中，獲得預(yù)測結(jié)果。

10、優(yōu)選的，步驟s01中所述時間周期屬性的確定方法包括：根據(jù)頻譜數(shù)據(jù)在不同時隙中對應(yīng)的演變趨勢，確定相同演變趨勢對應(yīng)的最小歷史數(shù)據(jù)長度，根據(jù)所述歷史數(shù)據(jù)長度對應(yīng)的時間周期，確定頻譜數(shù)據(jù)的時間周期屬性。

11、優(yōu)選的，步驟s02中所述時間卷積網(wǎng)絡(luò)包括三個擴張因果卷積，所述三個擴張因果卷積分別用于接收不同時間周期屬性的頻譜數(shù)據(jù)。

12、優(yōu)選的，所述時間周期屬性包括接近度趨勢、日趨勢和周趨勢。

13、優(yōu)選的，步驟s02中所述線性門控單元包括門控機制，所述門控機制用于對頻譜數(shù)據(jù)進行信息過濾和選擇性傳遞。

14、優(yōu)選的，步驟s03中所述頻域特征的提取方法包括：根據(jù)頻譜數(shù)據(jù)的頻段相關(guān)性，構(gòu)建相關(guān)系數(shù)矩陣，利用圖卷積網(wǎng)絡(luò)聚合節(jié)點特征的能力，提取所述頻域特征。

15、優(yōu)選的，步驟s04中所述動態(tài)加權(quán)的過程包括：將不同時間周期屬性的頻譜數(shù)據(jù)對應(yīng)的時域特征和頻域特征分別求和，利用一個注意力層對不同的頻譜數(shù)據(jù)對應(yīng)的時域特征和頻域特征分別賦予不同的權(quán)重。

16、優(yōu)選的，步驟s04中所述預(yù)測頻譜數(shù)據(jù)通過輸出層輸出，所述輸出層包括兩個卷積層，用于對所述頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型的深度進行加深，調(diào)整和控制輸出的維度。

17、優(yōu)選的，步驟s01中所述學(xué)習(xí)參數(shù)包括迭代次數(shù)、學(xué)習(xí)率和批次大小。

18、優(yōu)選的，當(dāng)完成所述學(xué)習(xí)參數(shù)中設(shè)置的迭代次數(shù)時，所述頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型的訓(xùn)練完成。

19、上述技術(shù)方案的有益效果：

20、本發(fā)明公開了一種基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，解決了現(xiàn)有頻域預(yù)測算法中數(shù)據(jù)特征考慮不充分，模型魯棒性不強，有預(yù)測精度不足等問題。首先基于卷積網(wǎng)絡(luò)，引入擴張因子，增大建模范圍，使網(wǎng)絡(luò)層級考慮更長遠的時間依賴性，充分提取時域特征；然后利用圖卷積網(wǎng)絡(luò)聚合節(jié)點特征的能力充分提取頻域特征，最后利用注意力機制對時域特征和頻域特征動態(tài)加權(quán)，在充分考慮頻譜數(shù)據(jù)多維特征的情況下，提升模型的預(yù)測精度。

技術(shù)特征：

1.一種基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，步驟s01中所述時間周期屬性的確定方法包括：根據(jù)頻譜數(shù)據(jù)在不同時隙中對應(yīng)的演變趨勢，確定相同演變趨勢對應(yīng)的最小歷史數(shù)據(jù)長度，根據(jù)所述歷史數(shù)據(jù)長度對應(yīng)的時間周期，確定頻譜數(shù)據(jù)的時間周期屬性。

3.根據(jù)權(quán)利要求1所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，步驟s02中所述時間卷積網(wǎng)絡(luò)包括三個擴張因果卷積，所述三個擴張因果卷積分別用于接收不同時間周期屬性的頻譜數(shù)據(jù)。

4.根據(jù)權(quán)利要求3所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，所述時間周期屬性包括接近度趨勢、日趨勢和周趨勢。

5.根據(jù)權(quán)利要求1所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，步驟s02中所述線性門控單元包括門控機制，所述門控機制用于對頻譜數(shù)據(jù)進行信息過濾和選擇性傳遞。

6.根據(jù)權(quán)利要求1所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，步驟s03中所述頻域特征的提取方法包括：根據(jù)頻譜數(shù)據(jù)的頻段相關(guān)性，構(gòu)建相關(guān)系數(shù)矩陣，利用圖卷積網(wǎng)絡(luò)聚合節(jié)點特征的能力，提取所述頻域特征。

7.根據(jù)權(quán)利要求1所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，步驟s04中所述動態(tài)加權(quán)的過程包括：將不同時間周期屬性的頻譜數(shù)據(jù)對應(yīng)的時域特征和頻域特征分別求和，利用一個注意力層對不同的頻譜數(shù)據(jù)對應(yīng)的時域特征和頻域特征分別賦予不同的權(quán)重。

8.根據(jù)權(quán)利要求7所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，步驟s04中所述預(yù)測頻譜數(shù)據(jù)通過輸出層輸出，所述輸出層包括兩個卷積層，用于對所述頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型的深度進行加深，調(diào)整和控制輸出的維度。

9.根據(jù)權(quán)利要求1所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，步驟s01中所述學(xué)習(xí)參數(shù)包括迭代次數(shù)、學(xué)習(xí)率和批次大小。

10.根據(jù)權(quán)利要求1所述的基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法，其特征在于，當(dāng)完成所述學(xué)習(xí)參數(shù)中設(shè)置的迭代次數(shù)時，所述頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型的訓(xùn)練完成。

技術(shù)總結(jié)
本發(fā)明涉及電磁頻譜技術(shù)領(lǐng)域，具體公開了一種基于時頻融合注意力網(wǎng)絡(luò)的頻譜預(yù)測方法。包括構(gòu)建頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型，設(shè)置初始學(xué)習(xí)參數(shù)，采集頻譜數(shù)據(jù)進行周期性分析，確定頻譜數(shù)據(jù)的時間周期屬性；利用時間卷積網(wǎng)絡(luò)提取頻譜數(shù)據(jù)的時域特征，利用線性門控單元將頻譜數(shù)據(jù)傳遞至圖卷積層網(wǎng)絡(luò)；利用圖卷積網(wǎng)絡(luò)提取頻譜數(shù)據(jù)的頻域特征；利用注意力機制對提取的時域特征和頻域特征進行動態(tài)加權(quán)，獲得預(yù)測頻譜數(shù)據(jù)；根據(jù)預(yù)測頻譜數(shù)據(jù)和采集的頻譜數(shù)據(jù)，計算平均絕對誤差；根據(jù)平均絕對誤差反向訓(xùn)練頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型，優(yōu)化學(xué)習(xí)參數(shù)，完成頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型的訓(xùn)練；將待處理頻譜數(shù)據(jù)輸入到完成訓(xùn)練的頻譜數(shù)據(jù)預(yù)測網(wǎng)絡(luò)模型中，獲得預(yù)測結(jié)果。

技術(shù)研發(fā)人員：張建照,柳永祥,谷年潤
受保護的技術(shù)使用者：中國人民解放軍國防科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19