一种基于深度神经网络的频谱测绘图构建方法和系统

技术领域

本发明涉及频谱测绘技术领域，具体涉及一种基于深度神经网络的频谱测绘图构建方法和系统。

背景技术

近年来，随着基于无线电频率的通信服务普及，无线电设备数量不断增加，信道使用频繁，频谱逐渐拥挤。为缓解这种情况，可以通过绘制频谱测绘图提升频谱利用率。其中提升频谱测绘图的绘制精度是关键所在。

受到地形、设备、成本等因素的影响，难以获得目标区域内完整的电磁频谱数据，只能通过采样获得区域的部分稀疏的频谱测量数据。

传统的频谱测绘图构建技术主要包括：基于空间插值的构建方法和基于参数的构建方法。但是，基于空间插值的构建方法使用简单，但是估计精度比较低；基于参数的构建方法在构建过程中需要大量的先验信息。随着电磁环境变得日益复杂，传统的构建方法已经变得不再适用。

构建准确的频谱测绘图往往需要处理大量的数据，在过去的几年里，通信领域的学者在深度学习中应用了典型的网络，如卷积神经网络和循环神经网络等。

基于深度学习的频谱测绘图构建算法的基本思路是将缺失的频谱测绘图作为神经网络的输入，将完整的频谱测绘图作为标签，使得经过神经网络得学习可以将缺失得频谱地图还原成完整的频谱测绘图。整个过程不需要提供先验信息，可以达到较好的估计效果。

现有的深度学习算法大多都是采用全局估计网络的方式，在需要构建的区域内创建一个规则的网格，并将频谱测绘图构建任务定制为一个矩阵或者张量补全任务。不过采用此种方法需要收集大量的数据来训练这样一个网络，而且构建高分辨率的频谱测绘图需要一个密集的网络，大大增加了计算的复杂性。

发明内容

针对上述问题，本发明提供的基于深度神经网络的频谱测绘图构建方法和系统，提高构建精度，提升频谱利用率，缓解频谱拥挤状况。

本发明实施例一方面提供基于深度神经网络的频谱测绘图构建方法，包括：

步骤S10，获取实测的电磁频谱数据；

步骤S20，根据所述电磁频谱数据构建数据集；所述数据集包括多个样本，每个所述样本包括位置信息和信号强度，所述信号强度为所述位置信息处的用户与基站之间的下行信号强度；

步骤S30，构建基于深度神经网络的频谱测绘模型；将每个所述样本的位置信息转化为该样本位置到各个基站的距离和角度，作为所述频谱测绘模型的输入；所述频谱测绘模型包括卷积层、全连接层和ReLU激活函数；

步骤S40，根据所述数据集对所述频谱测绘模型进行优化训练，得到目标频谱测绘模型；

步骤S50，将目标区域位置数据输入所述目标频谱测绘模型，得到目标区域的频谱测绘图。

在一种可能的实现方式中，所述ReLU激活函数的公式如下：

式中，

在一种可能的实现方式中，所述S40包括：

步骤S41，将所述数据集中的位置信息输入所述频谱测绘模型，得到估计能量值；

步骤S42，计算所述估计能量值和所述位置信息对应的真实能量值的差，得到误差；

步骤S43，根据所述误差和误差反向传播算法优化所述频谱测绘模型；

重复所述步骤S41-S43，直至迭代次数为0。

在一种可能的实现方式中，所述S40还包括：

根据所述估计能量值和所述位置信息对应的真实能量值的绝对值误差，构建损失函数；

根据所述损失函数的收敛性确定所述迭代次数。

在一种可能的实现方式中，所述损失函数的公式如下：

式中，

在一种可能的实现方式中，步骤S60，计算真实信号强度和所述频谱测绘模型输出的估计信号强度的归一化均方误差；以及根据所述归一化均方误差对所述目标频谱测绘模型进行评估。

在一种可能的实现方式中，所述步骤S60包括：

当归一化误差大于1时，令归一化误差为1；

对所述归一化误差进行对数处理。

本发明实施例另一方面还提供了一种基于深度神经网络的频谱测绘图构建系统，包括：

采集模块，用于获取实测的电磁频谱数据；

数据集构建模块，用于根据所述电磁频谱数据构建数据集；所述数据集包括多个样本，每个所述样本包括位置信息和信号强度，所述信号强度为所述位置信息处的用户与基站之间的下行信号强度；

建模模块，用于构建基于深度神经网络的频谱测绘模型；将每个所述样本的位置信息转化为该样本位置到各个基站的距离和角度，作为所述频谱测绘模型的输入；所述频谱测绘模型包括用于降维的卷积层、全连接层和ReLU激活函数；

训练模块，用于根据所述数据集对所述频谱测绘模型进行优化训练，得到目标频谱测绘模型；

测绘图生成模块，用于将目标区域位置数据输入所述目标频谱测绘模型，得到目标区域的频谱测绘图。

在一种可能的实现方式中，所述训练模块用于执行以下操作：

将所述数据集中的位置信息输入所述频谱测绘模型，得到估计能量值；

计算所述估计能量值和所述位置信息对应的真实能量值的差，得到误差；

根据所述误差和误差反向传播算法优化所述频谱测绘模型，直至迭代次数为0。

在一种可能的实现方式中，所述训练模块还用于执行以下操作：

根据所述估计能量值和所述位置信息对应的真实能量值的绝对值误差，构建损失函数；

根据所述损失函数的收敛性确定所述迭代次数。

本发明提供的基于深度神经网络的频谱测绘图构建方法和系统，采用深度神经网络来构建点式估计网络，输入是位置信息，输出是该位置的信号强度，使得输入的维度较小，网络结构简单，所构建的网络不受维度影响，最终实现提高构建精度，提升频谱利用率，缓解频谱拥挤状况。

附图说明

图1为本发明实施例提供的频谱测绘图构建方法的流程示意图；

图2为本发明实施例提供的基站位置分布示意图；

图3为本发明实施例提供的频谱测绘模型的结构示意图；

图4为本发明实施例提供的模型训练示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的优选实施例，本发明的范围由权利要求书限定。

在本发明的描述中，需要说明的是，除非另有说明，“多个”的含义是两个或两个以上；术语“第一”“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性；对于本领域的普通技术人员而言，可视具体情况理解上述术语在本发明中的具体含义。

为便于理解，首先对频谱测绘图构建进行简单说明。

在典型的频谱测绘图构建中，目标是使用空间分散的传感器获取的一组测量以及其位置来构建频谱测绘图。考虑

每个传感器可以在多个地点收集测量数据，前提是这些数据是在一个时间窗口内采集的，而这个时间窗口的长度相对于目标地图的变化来说是较小的。因此，实际上传感器的数量可能比

频谱测绘图构建问题可以定义为给定的测量值

图1为本发明实施例提供的频谱测绘图构建方法的流程示意图，如图1所示，本发明实施例提供的基于深度神经网络的频谱测绘图构建方法，包括：

步骤S10，获取实测的电磁频谱数据；

步骤S20，根据电磁频谱数据构建数据集；

在一种可能的实现方式中，数据集包括多个样本，每个样本包括位置信息和信号强度。位置信息为在地图范围内随机坐标，信号强度为位置信息处的用户与基站之间的下行信号强度。

在一个示例中，本文采用实测数据，在400米×400米的区域中部署了4个基站，区域内一共有90个用户，如图2所示，图2为本发明实施例提供的基站位置分布示意图。数据集中每个样本的数据结构为<位置信息，信号强度>。其中位置信息由在该地图范围内随机均匀撒点获得；信号强度数据为对应位置信息处的用户与4个基站之间的下行信号强度，根据用户与各基站之间的无线环境不同，用户不能保证与4个基站之间都是可达的，每个用户有至少一个可达基站，且可能有多个（至多4个）可达基站，不可达的基站对应的信号强度设置为整数0，数据集信息如表1所示。

表1

步骤S30，构建基于深度神经网络的频谱测绘模型；

将每个样本的位置信息转化为该样本位置到各个基站的距离和角度，作为频谱测绘模型的输入；频谱测绘模型包括用于降维的卷积层、全连接层和ReLU激活函数；

深度神经网络是一种多层无监督神经网络，并将上一层的输出特征作为下一层的输入进行学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间，以此来学习对现有输入具有更好的特征表达。

深度神经网络是一个函数

以往的模型是将位置信息

本发明在四个基站的位置是已知的情况下，我们将估计点的位置信息转化为点到四个基站的距离和角度，

模型结构细节参数如表2所示。

表2

在一种可能的实现方式中，ReLU激活函数的公式（1）如下：

式中，

步骤S40，根据数据集对频谱测绘模型进行优化训练，得到目标频谱测绘模型；

在一种可能的实现方式中，根据估计能量值和位置信息对应的真实能量值的绝对值误差，构建损失函数。损失函数的定义对于频谱测绘模型的性能至关重要。

根据损失函数的收敛性确定迭代次数。

损失函数

式中，

图4为本发明实施例提供的模型训练示意图，如图4所示，S40包括S41-S43。

步骤S41，将数据集中的位置信息输入频谱测绘模型，得到估计能量值；

步骤S42，计算估计能量值和位置信息对应的真实能量值的差，得到误差；

步骤S43，根据误差和误差反向传播算法优化频谱测绘模型；

重复步骤S41-S43，直至迭代次数为0。

本发明通过不断迭代训练减少估计能量值和真实能量值之间的误差，并利用误差反传算法实现频谱测绘模型自身的优化。

步骤S50，将目标区域位置数据输入目标频谱测绘模型，得到目标区域的频谱测绘图。

在一种可能的实现方式中，还包括步骤S60，计算真实信号强度和频谱测绘模型输出的估计信号强度的归一化均方误差：当归一化误差大于1时，令归一化误差为1；对归一化误差进行对数处理。根据归一化均方误差对目标频谱测绘模型进行评估。

以上为本发明的频谱测绘图构建方法，为了验证本发明提出的方法的有效性，我们将改进前的算法和改进后的算法进行了比较，并进行了对比分析。对比分析的硬件和软件环境如表3所示。

表3

将数据集按8：1：1划分为训练集、验证集和测试集，其中训练集有100000条数据，验证集有12500条数据，测试集有12500条数据。

由于超参数较少，使用网格搜索来选择超参数。首先定义遍历区间批量大小（Batchsize） ={256, 512, 1024, 2048}，学习率= {0.00003,0.0003,0.003,0.03}， 优化器 = {Adma}，然后计算验证集上所有超参数组合的代价函数，得到区间内的最优超参数集。通过观察损失函数的收敛性来确定迭代次数，训练的具体超参数如表4所示。

表4

模型的初始学习率设置为0.00003，训练过程中模型通过计算损失函数不断迭代优化，模型训练完成之后，保存最终的权重模型。

为了验证本文方法的构建性能，我们将测试集在训练好的权重模型上进行测试，采用

表5

从表5中可以看出，改进后的算法相较于改进前的算法估计误差降低了，这表示估计精度有着明显的提升。由此可见改进后的算法在频谱测绘图构建性能上有了显著的提升。

本发明实施例还提供了一种基于深度神经网络的频谱测绘图构建系统，包括：

采集模块，用于获取实测的电磁频谱数据；

数据集构建模块，用于根据电磁频谱数据构建数据集；数据集包括多个样本，每个样本包括位置信息和信号强度，信号强度为位置信息处的用户与基站之间的下行信号强度；

建模模块，用于构建基于深度神经网络的频谱测绘模型；将每个样本的位置信息转化为该样本位置到各个基站的距离和角度，作为频谱测绘模型的输入；频谱测绘模型包括用于降维的卷积层、全连接层和ReLU激活函数；

训练模块，用于根据数据集对频谱测绘模型进行优化训练，得到目标频谱测绘模型；

测绘图生成模块，用于将目标区域位置数据输入目标频谱测绘模型，得到目标区域的频谱测绘图。

在一种可能的实现方式中，训练模块用于执行以下操作：

将数据集中的位置信息输入频谱测绘模型，得到估计能量值；

计算估计能量值和位置信息对应的真实能量值的差，得到误差；

根据误差和误差反向传播算法优化频谱测绘模型，直至迭代次数为0。

在一种可能的实现方式中，训练模块还用于执行以下操作：

根据估计能量值和位置信息对应的真实能量值的绝对值误差，构建损失函数；

根据损失函数的收敛性确定迭代次数。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。