[发明专利]ISM频段中基于时频二维LMBP神经网络的频谱预测方法

摘要

本发明请求保护一种ISM(2.4GHz)频段中基于时频二维LMBP神经网络的频谱预测方法，包括：ISM频段相关性的计算，通过对ISM频段的实测、量化和相关性分析得到ISM频段时域和频域的相关性；第二步：基于ISM频段时频相关性，构建时频二维LMBP神经网络来实现ISM频段的预测；第三步：以实测数据作为神经网络的时频输入向量和目标向量，以牛顿法学习规则实现时频二维LMBP神经网络的迭代训练，得到由神经网络节点间权值w和阈值b构成的参数向量u的最优解；第四步：以训练完成的二维LMBP神经网络来实现ISM频段的频谱预测。计算ISM频段时频相关性的基础上，通过时频二维LMBP神经网络实现ISM频段的频谱预测，该方法同时域LMBP神经网络和Markov算法相比具有预测精度高，训练收敛时间短的优点。

主权项

1.一种ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，包括步骤：步骤1：收集ISM频段实测数据，计算ISM频段时域的相关性和频域的相关性；在步骤1中，在收集ISM频段频谱实测数据后，该频段时域的相关性R(Δt)，频域的相关性R(Δf)的计算如下：其中,CSI(t,c)的量化公式为：R(t,c)和CSI(t,c)分别表示时刻t下信道c的实测功率值和信道状态信息；两个0‑1序列的相关度定义如下：该式常用于评估两个二进制序列的相关性，其中I(A)为判别函数，如A值为真，则I(A)＝1，否则I(A)＝0，由R(Δt)，R(Δf)的相关性曲线得到ISM频段邻近时隙和邻近频点间的相关性；步骤2：基于ISM频段时域的相关性和频域的相关性，构建二维预测矩阵，在第一层网络中以并行的方式实现时域和频域的共同训练，得到第一层网络的输出向量Y1t,Y2t，将第一层网络的输出向量Y1t,Y2t作为第二层网络的输入向量，得到最终的预测值Yt，即构建时频二维LMBP神经网络实现ISM频段的频谱预测；步骤3：利用步骤1中得到的ISM频段的实测数据作为训练序列，通过调整公式，调整公式为：调整公式u_k+1表示下一步迭代得到的参数向量，u_k表示当前迭代的参数向量，J(u_k)表示e(u_k)的Jacobian矩阵，表示微增量单位矩阵，e(u_k)表示误差向量，调整公式以误差函数F(u)≤ε为条件，ε表示预设的目标误差；完成时频二维LMBP神经网络的迭代训练，得到参数向量u的最优解，以此得到神经网络的权值向量w和阈值向量b；步骤3具体为：将ISM频段的实测数据作为训练序列输入时频二维LMBP神经网络中，得到输出向量Y＝[Y₁,Y₂,Y₃,...,Y_m]^T，并与目标向量构成误差函数：，Zi为神经网络模型的目标向量，ei为误差向量，u是由神经网络权值w和阀值b组成的参数向量：参数向量u的牛顿法学习规则：其中为Hessian矩阵的逆矩阵；g_k为F(u)的梯度，g_k＝▽F(u)＝2J^T(u)·e(u)，J(u_k)为e(u)的雅克比矩阵：步骤4：构建时域和频域输入向量矩阵Xt,Xf：将Xt、Xf作为神经网络输入向量，通过权值向量w和阈值向量b已达到最优值的时频二维LMBP神经网络，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，Ym即为CSI(tm,cm)的预测值，tm表示第m个时刻，cm为第m个信道，完成频谱预测。