一种基于GCV‑RBF神经网络的认知无线电网络频谱的预测方法技术

本发明专利技术公开了一种基于GCV‑RBF神经网络的认知无线电网络频谱的预测方法，包括如下步骤：步骤1：获取信道历史数据信息；步骤2：将信道历史数据信息作为预设的RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，并通过GCV评估方法获取最优的RBF神经网络结构；步骤3：根据信道历史数据信息，通过最优的RBF神经网络结构对当前频谱状态进行预测。相比于现有技术，本发明专利技术通过GCV评估方法获取最优的RBF神经网络结构，解决了训练过程中过度拟合的问题，提高了预测准确率。进一步地，RBF神经网络结构作为一种局部逼近网络，具有结构简单，收敛速度快，实时性强等优势，可以充分地适应网络的变化提高了网络的自适应型。

【技术实现步骤摘要】
一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法
本专利技术属于无线网络
，尤其涉及一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法。
技术介绍
无线通信技术的迅猛发展，激发了越来越多的无线网络业务，而频谱作为无线网络中最宝贵的资源，已经难以满足目前及将来的无线业务需求。为了解决传统固定频谱分配方案造成的资源利用率不高的问题，认知无线电(CognitiveRadio，简称CR)技术作为一种智能的频谱共享技术受到国内外学者的广泛关注，CR技术依靠人工智能技术的支持，动态检测和利用频谱空洞，从根本上解决了频谱利用率低而造成的频谱资源浪费的问题。CR技术的认知无线电网络(CognitiveRadioNetwork，简称CRN)中，为了充分降低次用户(SecondaryUser，简称SU)对主用户(PrimaryUser，简称PU)的干扰，SU需要准确地感知PU的频谱状态，而频谱感知会受到硬件、感知信号强度、感知时间以及感知精度等诸多因素的影响，这些因素会造成由于频谱转移不及时而产生的频谱干扰问题，另外，频谱感知能耗较大，会造成许多不必要的资源浪费。因此，频谱预测作为解决频谱感知问题的关键成为当前的研究热点。高效的频谱预测可以通过其预测能力快速掌握频谱的使用状态，从而有效的避免不必要的频谱感知过程，进而指导频谱感知的行为，改善网络性能，提高频谱的利用率。但是，传统的频谱预测方法普遍存在预测准确率不高的等问题。
技术实现思路
基于此，本专利技术的目的在于，提供一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，其具有预测准确率高、网络反应能力好的优点。一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，包括如下步骤：步骤1：获取信道历史数据信息；步骤2：将信道历史数据信息作为预设的RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，并通过GCV评估方法获取最优的RBF神经网络结构；步骤3：根据信道历史数据信息，通过最优的RBF神经网络结构对当前频谱状态进行预测。相比于现有技术，本专利技术提供的RBF神经网络结构简单，收敛速度快，通过OLS算法对RBF神经网络进行训练后，可充分的适应网络的变化，再结合GCV评估方法获取最优的RBF神经网络结构，解决了训练过程中过度拟合、陷入局部最优的问题，实现了多方位地对样本进行学习训练，不仅提高了预测准确率，而且提高了网络的自适应型。进一步地，在步骤2中，预设的RBF神经网络结构包括输入层、隐含层和输出层；输入层的每个输入样本为x＝(x1,x2,...,xT)；隐含层节点j的输出为：其中，为径向基函数，且该径向基函数为高斯函数，||·||为欧式距离，cj为径向基函数的中心，sj为径向基函数的宽度，M表示RBF神经网络中隐含层的神经元节点数目；输出层的输出为：其中，θj(x)隐含层第j个径向基函数的输出值，wj表示隐含层第j个节点到输出层的连接权值，M为隐含层节点的个数，f(x)为输出层的输出值。本专利技术提供的该RBF神经网络结构简单，收敛速度快，实时性强，可以充分地适应网络的变化，提高了网络的自适应型。进一步地，在步骤2中，具体包括如下步骤：步骤21：初始化操作，令k＝1，k为迭代次数；步骤22：将信道历史数据信息作为RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，获取最大误差对应的中心点，并将该中心点加入到RBF神经网络的中心点集合；步骤23：计算当前中心点的权值，并通过GCV评估方法计算当前RBF神经网络的评估值步骤24：令k＝k+1；将信道历史数据信息作为RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，获取最大误差对应的中心点，并将该中心点加入到RBF神经网络的中心点集合；步骤25：计算当前中心点的权值，并通过GCV方法计算当前RBF神经网络的评估值步骤26：比较和的大小，如果则跳到步骤34；否则停止运算，并以当前的RBF神经网络隐含层神经元个数、隐含层基函数中心、隐含层基函数宽度和网络权值作为最优的RBF神经网络结构参数；其中，RBF神经网络的评估值的计算公式为：上述公式中，p＝N，γ＝M，N表示RBF神经网络输入的样本数量，M表示RBF神经网络中隐含层的神经元节点数量；表示输出误差，且以本专利技术提供的GVC方法进行模型的评估，通过多方位的样本学习，避免OLS算法对RBF神经网络进行训练时，陷入局部最优以及训练过程中过度拟合等问题，以提高预测准确率和网络的自适应性。进一步地，在步骤22中，通过OLS算法对RBF神经网络进行训练时，还包括如下步骤：步骤221：对隐含层的输出数据qi进行Gram-Schmidt正交化，其中，正交化的数据表示为步骤222：根据公式计算LS解，公式中，D表示RBF神经网络的输出层输出的数据矩阵；步骤223：根据公式计算误差；步骤224：获取最大误差对应的qk,并选择与之对应的中心点加入到中心点集合,其中，选择最大误差对应的中心点的计算公式如下：本专利技术提供的该OLS算法作为一种正向的选择算法，其稳定性好、计算量小、迭代次数少，可快速获取最优的RBF神经网络。进一步地，在步骤23中，计算当前中心点的权值为其中，取λj＝1，获取的中心点的权值为最优权值。通过不断迭代试验，获取RBF神经网络的最优权值，进而快速获取最优的RBF神经网络。进一步地，在步骤24中，通过OLS算法对RBF神经网络进行训练时，还包括如下步骤：步骤241：对隐含层的输出数据qi进行Gram-Schmidt正交化，正交化的数据表示为：步骤242：根据公式计算LS解，公式中，D表示RBF神经网络的输出层输出的数据矩阵；步骤243：根据公式计算误差；步骤244：获取最大误差对应的qk,并选择与之对应的中心点加入到中心点集合,其中，选择最大误差对应的中心点的计算公式如下：通过对数据进行Gram-Schmidt正交化，不仅简化了运算，而且很好的保持了数据特性。进一步地，在步骤2中，RBF神经网络的输入层神经元节点的数目为4，输出层神经元节点数目为1。通过选择适合的输入层和输出层神经元节点数目，提高预测的准确率，减少预测时间。相比于现有技术，本专利技术提供的RBF神经网络结构简单，收敛速度快，通过OLS算法对RBF神经网络进行训练后，可充分的适应网络的变化，再结合GCV评估方法获取最优的RBF神经网络结构，解决了训练过程中过度拟合、陷入局部最优的问题，实现了多方位地对样本进行学习训练，不仅提高了预测准确率，而且提高了网络的自适应型。附图说明图1为本专利技术实施例中基于GCV-RBF神经网络的认知无线电网络频谱的预测方法的流程图；图2为本专利技术一个实施例中RBF神经网络结构的原理图；图3为本专利技术一个实施例中步骤2的具体流程图；图4为本专利技术一个实施例中步骤22的具体流程图；图5为本专利技术一个实施例中步骤24的具体流程图；图6是基于GCV-RBF与基于BP神经网络频谱预测误差对比图；图7是基于GCV-RBF与基于BP神经网络频谱预测均方误差平均值对比图；图8是基于GCV-RBF与基于DE-BP神经网络频谱预测误差对比图；图9是基于GCV-RBF与基于DE-BP神经网络频谱预测均方误差平均值对比图；图10是基于GCV-本文档来自技高网...

【技术保护点】
一种基于GCV‑RBF神经网络的认知无线电网络频谱的预测方法，其特征在于：包括如下步骤：步骤1：获取信道历史数据信息；步骤2：将信道历史数据信息作为预设的RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，并通过GCV评估方法获取最优的RBF神经网络结构；步骤3：根据信道历史数据信息，通过最优的RBF神经网络结构对当前频谱状态进行预测。

【技术特征摘要】
1.一种基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，其特征在于：包括如下步骤：步骤1：获取信道历史数据信息；步骤2：将信道历史数据信息作为预设的RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，并通过GCV评估方法获取最优的RBF神经网络结构；步骤3：根据信道历史数据信息，通过最优的RBF神经网络结构对当前频谱状态进行预测。2.根据权利要求1所述的基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，其特征在于：在步骤2中，预设的RBF神经网络结构包括输入层、隐含层和输出层；输入层的每个输入样本为x＝(x1,x2,...,xT)；隐含层节点j的输出为：其中，为径向基函数，且该径向基函数为高斯函数，||·||为欧式距离，cj为径向基函数的中心，sj为径向基函数的宽度，M表示RBF神经网络中隐含层的神经元节点数目；输出层的输出为：其中，θj(x)隐含层第j个径向基函数的输出值，wj表示隐含层第j个节点到输出层的连接权值，M为隐含层节点的个数，f(x)为输出层的输出值。3.根据权利要求2所述的基于GCV-RBF神经网络的认知无线电网络频谱的预测方法，其特征在于：在步骤2中，具体包括如下步骤：步骤21：初始化操作，令k＝1，k为迭代次数；步骤22：将信道历史数据信息作为RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，获取最大误差对应的中心点，并将该中心点加入到RBF神经网络的中心点集合；步骤23：计算当前中心点的权值，并通过GCV评估方法计算当前RBF神经网络的评估值步骤24：令k＝k+1；将信道历史数据信息作为RBF神经网络的输入样本，通过OLS算法对RBF神经网络进行训练，获取最大误差对应的中心点，并将该中心点加入到RBF神经网络的中心点集合；步骤25：计算当前中心点的权值，并通过GCV方法计算当前RBF神经网络的评估值步骤26：比较和的大小，如果则跳到步骤34；否则停止运算，并以当前的RBF神经网络隐含层神经元个数、隐含层基函数中心、隐含层基函数宽度和网络权值作为最优的RBF神经网络结构参数；其中，RBF神经网络的评估值的计算公式为：

【专利技术属性】
技术研发人员：曾碧卿，胡翩翩，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44