论文部分内容阅读
近些年来,随着无线通信技术和服务的高速发展,无线频谱变得越来越拥挤,频谱资源的短缺也日益严重,再加上传统固定式频谱分配方式的缺点使得上述现象愈发严重;为了解决这个问题,一些研究学者们提出了认知无线电的概念,其指在不影响主授权用户通信的情况下,次级用户通过频谱感知可以动态地接入到一些频段中,从而可以有效地提高频谱的利用率。而针对电磁频谱态势的分析对于感知过程是至关重要的,因为其可以为次级用户动态接入频谱提供事实依据,从而使得次级用户可以提高其接入的准确性和频谱感知的有效性。本文从时间维度和频率维度分别对频谱态势预测算法进行了深入地分析与研究。与传统频谱数据分析方法不同,本文将针对频谱数据中SCR业务拥塞序列,引入小波分解和RCLSTM网络来提升预测精度;对于业务信道,将空间频繁模式引入到基于密度的信道聚类算法中来提升聚类效果。下面是本文的主要工作和贡献:(1)时间维度,针对SCR序列,提出一种基于WD-RCLSTM网络的SCR序列预测算法:本算法创新性地将小波分解引入到基于随机连接的RCLSTM网络中,小波分解能充分探测出时间序列在频域中隐含的关联信息,它相比较于SVR,ARIMA,LSTM这些常用的时间序列预测模型,有更好的预测精度;与此同时,WDRCLSTM网络比常用的LSTM网络更加灵活,可以通过控制其连接度,来使网络轻量化,让其可以在预测精度满足条件的情况下,减少网络的训练时间。(2)频率维度,针对固定业务中的信道,根据传统的基于MEI的信道聚类算法和基于密度的信道聚类算法的不足,提出一种基于DBSCAN-SFPM的频谱信道聚类算法,它主要是对基于密度的频谱信道聚类算法之后的非聚类点,用本文提出的基于空间频繁模式的频谱挖掘算法(SFPM)进行分析;最后通过实验分析验证了对于非聚类点利用提出的SFPM算法,能有效地提升信道预测范围,也即能提高频谱感知过程中的效率。(3)实现了一个基于B/S模式的频谱数据智能分析平台,其主要是通过网页后端开发技术,可视化技术和网页前端开发技术,以及上文提到的在时间域内的基于WD-RCLSTM网络的SCR序列预测算法和在频率域内的基于DBSCAN-SFPM的频谱信道聚类算法来对频谱数据进行分析,并在浏览器端对分析结果进行可视化的展示,以便让研究人员可以更加方便和直观地了解频谱态势。