[发明专利]一种无线通信空闲频段混合预测方法和系统

说明书

本发明属于无线通信技术领域，具体涉及一种无线通信空闲频段混合预测方法，包括步骤：S1、利用自相关函数对频谱熵数据进行特征分析，获得嵌入维度；S2、基于ARIMA构造线性序列模型，运行线性序列模型得到线性预测值，根据线性预测值计算得到残差值；S3、基于SVR方法并根据嵌入维度和残差值构造非线性序列模型，运行非线性序列模型得到非线性预测值；S4、获取最终预测值，所述最终预测值为线性预测值和非线性预测值之和；本发明通过采用基于ARIMA构造的线性序列模型和基于SVR方法并根据嵌入维度和残差值构造的非线性序列模型，将两种预测方式结合预测相对于单一预测模型，更能准确的捕获频谱熵数据模式，实现准确预测。

技术领域

本发明属于无线通信技术领域，具体涉及一种无线通信空闲频段混合预测方法和系统。

背景技术

无线通信业务的迅猛发展，使得对频谱资源的需求日益强烈。然而，现有频谱采用固定频谱分配方式，导致频谱资源分配不平衡、利用率低下。认知无线电作为一种可以有效提高频谱利用率的技术，近年来受到了广泛关注。

在认知无线电网络中，非授权用户利用授权用户的空闲频段进行通信，从而提高频谱利用率。在实际通信中，空闲频段是不断变化的，非授权用户需要不断地寻找空闲频段。若空闲频段切换过于频繁，将导致非授权用户在通信时传输时延和数据包丢失较为严重，影响通信质量。可见，一个适合非授权用户通信的频段不仅需要是空闲的，还需要在较长时间内空闲，即要求频段的频谱利用情况较为平稳，不会在空闲和忙碌间急剧变化。因此，采用频谱熵衡量频谱利用的平稳程度。

现有技术1：差分自回归移动平均方法

差分自回归移动平均(autoregressive integrated moving average model，ARIMA)方法是最常用的线性时间序列预测方法之一，对线性时间序列预测可得到较好的预测效果。ARIMA是将非平稳时间序列转换为平稳时间序列，然后预测值是关于它的滞后值以及随机误差项和滞后值的线性组合，如式(1)所示。

其中，L＝X_t-X_t-1,L表示为滞后算子；α_i、p是自回归项的系数及个数；θ_j、q是滑动平均误差项的系数及个数；d是使序列成为平稳序列所做的差分次数，ε_t是白噪声N(0,σ²)。

现有技术2：支持向量回归方法

支持向量回归(support vector regression,SVR)是基于结构风险最小化准则实现，在处理小样本、非线性、高维数据时，克服了过拟合、易陷入局部最优值等缺陷，是实现非线性时间序列预测最常用的一种预测方法。SVR通过非线性映射函数φ(·)将数据X映射到高维特征空间，使得输入空间的非线性函数估计问题转化为高维特征空间的线性函数的估计问题。即：f(x)＝w^Tφ(x)+b，其中b为偏置量，w为权向量。为了估计w、b引入了损失值ε，惩罚参数C，松弛变量ξ和ξ^*，得到优化目标：

这是一个凸二次规划问题，引入拉格朗日因子α并利用拉格朗日对偶性可较容易求解w、b，则：

其中，K(x_i,x)是核函数。

是高斯核函数，对应的特征空间是无穷维的，有限样本在该特征空间下可构造线性函数。因此本文选用高斯核。

现有技术3：频谱熵方法

申请号为201410855545的发明专利《一种频谱利用率的处理方法及装置》已经分析了采用频谱熵衡量频谱利用平稳程度的方法。