[发明专利]一种频谱预测方法、系统及电子设备

说明书

本申请属于频谱预测技术领域，特别涉及一种频谱预测方法、系统及电子设备。所述频谱预测方法包括：步骤a：采集原始频谱数据；步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；步骤d：通过所述频谱预测模型输出频谱预测结果。本申请通过调整隐含层节点的数目，选取最优的隐含层节点数，建立最优裁剪极限学习机，最优裁剪极限学习机对隐含层节点的数量进行了有意的控制，避免过拟合的问题，提高了网络的性能，有效的提高了预测速度和准确度。

技术领域

本申请属于频谱预测技术领域，特别涉及一种频谱预测方法、系统及电子设备。

背景技术

随着无线通信的蓬勃发展，无线通信及其应用已经深入到人们生活的各个方面，随之带来的频谱资源日益紧缺问题也日益突出。频谱分配的不合理是造成频谱资源紧缺的重要原因，如果能智能的对频谱资源进行动态分配，则可实现可靠的通信服务并提高频谱的利用率。

频谱预测是认知无线电中的关键技术，传统的频谱预测方法包括以下几种：

1、时间序列预测：时间序列预测从先前学习观察时间序列预测未来值在一个或多个步骤。传统上，时间序列预测是由线性统计模型实现，包括指数平滑法、自回归移动平均模型集成状态空间和结构模型(例如卡尔曼滤波器)。除了自回归模型的变体，人工神经网络模型已经成为另一个焦点领域由于其非线性和伟大的适应性。例如，Geirhofer S等人在《Cognitive radios for dynamic spectrum access-dynamic spectrum access in thetime domain:Modeling and exploiting white》中提出一种逻辑回归模型来进行预测。同样，Zhao Q等人在《Decentralized cognitive mac for dynamic spectrum access》中使用线性自回归模型进行预测。

2、人工神经网络：人工神经网络是一种模拟人脑神经的网络结构、功能和互联特性，并进行分布式信息处理的智能系统。人工神经网络由大量的隐含层节点相互连接构成，每个隐含层节点代表一种特性的输出函数，同时隐含层节点之间连接信号的加权值，从而网络的输出可依据网络的连接方式，权值和激活函数的不同而不同。人工神经网络在频谱预测中，能够提供快速有效的建模，缩短计算时间，提高工作效率。例如，Xu C等人在《Anovel spectrum prediction algorithm for cognitive radio system based onchaotic neutal network》提出一种混沌的前馈神经网络进行频谱预测。同样，Kumar P A等人在《Reliable open spectrum communications through proactive spectrumaccess》使用支持向量机进行频谱预测。

3、极限学习机：极限学习机是由黄广斌等人在《Extreme learning machine:anew learning scheme of feedforward neural networks》中提出的一种新型单层前馈神经网络。其原理是极限学习机的网络输入权值以及隐含层节点的偏置都是随机生成的，只需要设置隐含层节点的数目，再由最小二乘法计算出输出权值，即可得出唯一的最优解。极限学习机相比于传统的神经网络，减少了计算时间，不仅满足了频谱预测的实时性要求，并具有良好的鲁棒性和泛化性，在时间序列预测、模式分类、非线性系统建模、辨识及控制等领域得到了广泛的应用，现在己经渗透到其他工程应用领域。但是，现有的极限学习机算法存在很多缺陷，在经典的极限学习机网络结构中，随机生成的隐含层节点中存在部分无用或者作用很少的隐含层节点，这影响了网络的泛化性和鲁棒性，不能满足在实际应用中的需求。