İlişkilendirme kuralı madenciliğine dayalı çok adımlı frekans spektrumu doluluk tahmin yöntemi
Bilişsel radyo teknolojisi, sistemin spektrum kullanımını iyileştirir.Bununla birlikte, geleneksel spektrum algılamada, tüm frekans bantlarının bilişsel kullanıcılar tarafından algılanması, çok fazla enerji kaybına ve işlem gecikmesine neden olacaktır.Bu nedenle, uzaysal spektrum doluluğunun, yani spektrum tahmininin doğru bir şekilde nasıl tahmin edileceği Teknoloji, araştırmacılar tarafından kapsamlı bir şekilde incelenmiştir. Spektrum tahmin teknolojisi, bilişsel kullanıcılar için daha iyi spektrum erişim koşulları sağlayabilir, bilişsel kullanıcılar ile birincil kullanıcılar arasındaki veri aktarım çatışmalarını azaltabilir, birincil kullanıcı iletişimlerine müdahaleyi önleyebilir, yanıt gecikmelerini azaltabilir ve ağ verimini artırabilir . Spektrum tahmin süreci genellikle 3 adımı içerir: (1) veri toplama, gerçek spektrum edinimi veya simülasyon spektrum modeli oluşturma; (2) veri ön işleme, etkili veri seçimi, sinyal ve gürültünün ayrılması; (3) spektrum tahmini, tasarım spektrumu Tahmin yöntemleri tahminlerde bulunur.
Etkili bir spektrum tahmin yöntemi tasarlamak için, hem tahmin mekanizmasını hem de tahmin yöntemini dikkate almak gerekir: tahmin mekanizması çoğunlukla zaman dilimi iletişim modunu kullanır ve her bir zaman aralığının spektrum doluluğu veya boşluğu, tarihsel verilerin analiz edilmesiyle elde edilen bir ikili zaman serisi olarak tanımlanır. Gelecekteki spektrum doluluk durumunu tahmin etmek için spektrum kullanım kuralları; spektrum tahmin yöntemleri esas olarak Gizli Markov Modeli (HMM) tabanlı yöntemler, Otoregresif Entegre Hareketli Ortalama (ARIMA) tabanlı yöntemler ve sinir tabanlı yöntemleri içerir. Ağ yöntemi, tabanlı yöntem vb. İlişkilendirme kuralı madenciliğine dayanan yöntem, spektrum tahmininde daha iyi performansa sahiptir.Bu tür bir yöntem ayrıca kısmi periyodik desen madenciliğine dayalı yöntemi, Bayes'e dayalı yöntemi, istatistiksel öğrenmeyi uygulama yöntemini ve maksimum alt kalıp ömrünü de içerir.
Gerçek spektrum tahmin uygulamalarında, genellikle yalnızca bir sonraki zaman aralığının spektrum doluluğunu tahmin etmek değil, aynı zamanda bir dakika veya hatta bir saat için birden fazla zaman aralığının spektrum doluluğunu tahmin etmek ve ardından sık kanal değiştirmeyi önlemek için kanal kullanılabilirliğini istatistiksel olarak analiz etmek gerekir. Mevcut yöntem, yalnızca bir sonraki zaman aralığının tek adımlı tahmin etkisinin nispeten ideal olmasını sağlayabilir, ancak çok aralıklı çok adımlı tahminin, etkide hızlı azalma problemi vardır. Bu soruna yanıt olarak, bu makale Apriori algoritmasında sık öğe kümeleri bulma fikrinden yararlanmakta, ilişkilendirme kuralı madenciliğine dayalı çok adımlı bir spektrum doluluk tahmin yöntemi önermekte ve gerçek verileri toplayarak önerilen yöntemi deneysel olarak doğrulamaktadır.
1 Spectrum doluluk
1.1 Spektrum doluluk tahmini için veri seçimi
Kanal spektrumunun doluluğu, spektrumun aktivite derecesini yansıtabilir ve kanal spektrumunun aktivite derecesi, doğrulama yönteminin fizibilitesi için kritiktir. Kanal spektrumu doluluğu son derece düşükse (% 0 ila% 5), veri işlemeden sonra oluşturulan kanal durumu bilgisi (CSI) dizisi yaklaşık olarak 0 dizisi olacaktır; Kanal spektrumu doluluğu çok yüksekse (% 95 ila% 100 %), üretilen CSI dizisi yaklaşık olarak tüm 1'lerin bir dizisi olacaktır ve bu kanallar üzerindeki CSI dizisi tahmininin sonuçları son derece etkileyicidir, doğruluk oranı% 90'dan fazlasına ulaşabilir ve kayıp oranı 0'a yakındır. Bununla birlikte, bu iki aşırı durum, CSI kanalının aktivitesini azaltacak, yani 0/1 durumunun anahtarlama frekansı düşecek ve bu sırada spektrum doluluk tahmini de anlamsız olacaktır. Bu nedenle, bu makale tahmin ve analiz için% 35 ile% 94 arasında bir spektrum doluluğu olan kanalları seçmektedir. Kanal doluluk hesaplama yöntemi formül (1) 'de gösterilmiştir:
Bunlar arasında, Fco kanal doluluğunu, Tf kanal doluluk süresini ve T kanal ölçüm süresini temsil eder.
1.2 Spektrum doluluk eşiği seçimi
Yalnızca iki çeşit doluluk durumu vardır: dolu ve boşta. Genel olarak, kanal spektrum yoğunluğu belirli bir eşikten yüksekse, kanalın "1" ile gösterilen dolu bir durumda olduğu kabul edilir; bunun tersine, kanalın "0" ile gösterilen boşta durumda olduğu kabul edilir. Dönüşüm ilkesi formül (2) 'de gösterilmiştir:
Bunlar arasında, cs kanal durumunu, PC kanal seviyesi değerini ve PO önceden ayarlanmış eşiği temsil eder. Bu süreçte, önceden ayarlanmış eşik küçük olarak ayarlanırsa, bazı gürültü sinyalleri yararlı sinyaller olarak yanlış anlaşılır; eşik yüksek ayarlanırsa, yararlı sinyaller kaçırılır, bu nedenle spektrum doluluk eşiği seçimi bir veri ön işleme sürecidir. Daha kritik adım.
Bu metin, spektrum doluluk eşiğini belirlemek için dinamik eşik bölme yöntemini kullanır ve yöntem süreci Şekil 1'de gösterilmektedir.
Dinamik eşik bölümleme yöntemi iki parametre içerir, biri sinyal-gürültü ayrımı için kullanılan ayırt edici değerdir ve diğeri gürültü eğrisinin düzleştirilme sayısıdır. "Ultrashort Dalga Frekans Bandı Kullanım Testi için Teknik Şartname" de, eşik seviyesinin, her bir frekans bandındaki yerel alıcının ortalama güç seviyesinin veya voltaj göstergesinin 5 dB üzerine ayarlanması tavsiye edilir. Radyo izleme çalışmasında, gürültü seviyesini 3 dB ila 5 dB aşan frekans noktaları genellikle sinyal olarak kabul edilir. Yukarıdaki iki noktaya dayanarak, bu kağıt sinyal-gürültü ayrımının ayırt etme değeri olarak 5 dB kullanır, yumuşatma işleminin sayısı 60'tır ve dinamik eşik Şekil 2'de gösterilmektedir.
Şekil 2 (a) 'daki kanal numarası 3'tür, istatistiksel seviye değeri nispeten düşüktür, çoğu -76,45 dBm civarında yoğunlaşmıştır ve gürültü kanalları olarak tanımlanan dinamik karar eşiğinin altındadır; Şekil 2 (b) Kanal numarası 61, istatistiksel güç Ortalama değer nispeten yüksektir, çoğunlukla -67.45 dBm civarında yoğunlaşmıştır ve dinamik karar eşiğinin üzerinde bir sinyal kanalı olarak kabul edilir.
Her kanalın genlik frekansı sinyali dinamik eşikle bölündükten sonra, Şekil 3'te gösterildiği gibi CSI matrisi oluşturulur (şekildeki siyah düz kare mevcut CSI = 1'i gösterir ve boşluk CSI = 0'ı gösterir).
2 Algoritma prensibi
2.1 Zaman serisi ilişkilendirme kuralı madenciliği algoritması
Apriori algoritması, ilişkilendirme kuralı madenciliği algoritmalarında klasik bir algoritmadır ve çoğunlukla sıralı olmayan öğe kümeleri için kullanılır. Algoritma genellikle iki kısma ayrılır; biri sık kalıplar oluşturmak, diğeri ise sık kalıplara dayalı ilişkilendirme kuralları oluşturmaktır. Zaman serisi verilerini işlemek için bu algoritmayı kullanırken, serilerin modlara bölünmesi gerekir. Sıra modlara bölündüğünde, zaman serisi ilişkilendirme kuralını hesaplamak için verilerin bir bölümü her alındığında ve ardından yeni bir işlem oluşturmak için bir pencere geriye kaydırılır ve zaman serisi ilişkilendirme kuralı yeniden hesaplanır. Şekil 4'te gösterildiği gibi, olası zaman serisi özellik kombinasyonlarını kaçırmadan mevcut işlemin önceki işlemden ayırt edilebilmesi için her işlemin penceresini tutarlı tutun.
Zaman serisi ilişkilendirme kuralı madenciliği sürecinde iki önemli yargı koşulu vardır: (1) N modelinin oluşum sayısı minimum destek derecesinden büyük olduğunda, sık desenler oluşturun; (2) Sık desen aktarım hızı P minimum güven derecesinden büyük olduğunda, ilişkilendirme kuralları oluşturun. Şekil 5'te gösterildiği gibi.
2.2 İlişkilendirme kuralı madenciliğine dayalı çok adımlı spektrum doluluk tahmin algoritması
Bu bölümde, yukarıdaki yöntemle oluşturulan ilişkilendirme kuralları, çok adımlı spektrum doluluk tahmini için kullanılacaktır.
Bu yazıda algoritmaya dahil olan kavramlar ve semboller Tablo 1'de gösterilmektedir.
Girdi: Ham genlik frekansı verileri (Dosya_seviyesi).
Çıktı: tahmin doğruluğu ve kayıp oranı.
(1) Orijinal genlik frekansı verileri dinamik eşik ve kanala bölünür ve 0 ve 1'den oluşan bir CSI dizisi oluşturulur.
(2) Üretilen CSI dizisinin uzunluğu L açıklığından daha büyük olduğunda, dizideki anormal değer tespit edilir ve ilişki kuralı madenciliğine dayalı çok aşamalı spektrum doluluk tahmini gerçekleştirilir.
(3) Tahmin sonuçlarını gerçek izleme sonuçlarıyla karşılaştırın ve tahmin doğruluğunu ve kayıp oranını hesaplayın.
Algoritmadaki orijinal veri girişi 401 × n'lik bir matristir (Dosya_seviyesi), burada n, veri toplamak için zaman dilimi sayısıdır (bu makaledeki zaman aralığı aralığı 1 sn'dir) ve dinamik eşik bölümü ve kanal numaralarının seçimi (1 ~ 401) tarafından oluşturulur Tek kanallı CSI dizisi. Sık dönem aralığı (FrQ_length), sık alt dizilerin maksimum uzunluğunu sınırlar Değer aralığı, 1'den n'ye kadar herhangi bir tamsayı değerine ayarlanabilir. 1'e ayarlandığında, algoritma iki durumlu bir Markov sürecini yaklaşık olarak tahmin edebilir; N'ye yakın ayarlandığında, sık kullanılan öğelerin sayısı çok azdır ve algoritma başarısız olur, bu nedenle bu makale% 10 n alır. Minimum destek (Min_sup) ve minimum güvenirlik (Min_conf) sık öğelerin sıklığını ve kuralların güvenilirliğini yansıtır. Minimum tahmin uzunluğunun (Min_span) ayarlanması, sık alt dizi oluşturma kurallarının sayısını azaltabilir ve algoritmanın etkinliğini ve doğruluğunu artırabilir.
İlişkilendirme kuralları, spektrum doluluk tahmini için ana temeldir. Madde seti istatistikleri Min_sup'tan büyükse, sık görülen bir öğedir. Sık öğe A'nın istatistikleri a ve sık öğe B'nin istatistikleri b ise, transfer hızı Pab = a / b.Pab Min_conf'tan büyük olduğunda, güçlü bir ilişki kuralı, yani mevcut sıra oluşturulur A olduğunda, tahmin edilen sonucun B olma olasılığı Pab'dir.
Şekil 6, çok adımlı frekans spektrumu doluluk tahmin algoritması akışını göstermektedir.
Çok adımlı tahmin sürecinde, algoritma kuralda uygun bir kural bulamazsa kayıp olarak kaydedilir ve çıkış, aykırı değer olan "-1" olur. Aykırı değerlerin oluşması bir sonraki tahmini etkileyeceğinden aykırı değerler gerçekleştirilmelidir. Değiştirin, her aykırı değer "-1" iki kez "0" veya "1" ile değiştirilir, örneğin, dizi bir toplamla değiştirilir ve iki sıra, tahmin için ilişkilendirme kurallarında en yüksek güvenilirliğe sahip kuralı bulmak için kullanılır veya kaybolmaya devam eder Diğer bir deyişle, aykırı değerler varsa, 2 milyon değiştirme gerekir ve son olarak değiştirmeden sonraki sıra güven değeri, tahmin edilecek veya kaybedilmeye devam edilecek en yüksek değerdir. Pred_length ise > 1. Çok adımlı uzunluk, adım uzunluğu artırma işlemi Şekil 7'de gösterilmiştir. Şekildeki altı çizili ve kalın karakterler tahmin edilen dizi değerleridir Algoritma, çok adımlı tahmin algoritması tamamlanana kadar CSI dizisini güncellemek için tahmin sonuçlarını kullanır.
Mevcut sıra tahmin koşullarını karşılıyorsa, tahmin sayısını (Tahmin) artı 1 olarak kaydedin; tahmin sonucu bir sonraki zaman aralığının durum dizisi ile aynıysa, doğru tahminlerin sayısını (Doğru) artı 1 olarak kaydedin; tahmin koşullarını karşılayan ilişkilendirme kuralı sonunda bulunamazsa, kayıp olarak kaydedin Kaç kez (Kayıp) artı 1, kayıp oranı Loss_Rate olarak kaydedilir, formül aşağıdaki gibidir:
3 Deney ve analiz
3.1 Veri toplama ve ön işleme
Bu makaledeki spektrum izleme verileri, Beihang Üniversitesi Xueyuan Road kampüsünden 48 saat boyunca sürekli olarak gelir (22 Aralık 2018'de 16:22 ~ 24 Aralık 2018'de 16:25) Frekans bandı 88 MHz 108 MHz'dir, yani FM FM yayın hizmeti frekans bandı izlenir İzleme ekipmanı, Keysightın E4407b spektrum analizörü, PC ve SAS-521F-2 alıcı antenini içerir. Tablo 2 izleme parametrelerini listeler.
Spektrum analizörü, uzamsal spektrumu tararken her seferinde 400 spektrum örnekleme noktası elde eder ve izleme süresi boyunca her saniye "alan şiddeti-frekansı" karşılığını içeren bir metin veri dosyası oluşturur, böylece her saat 3600 veri seti oluşturulur.
Veri seçimi, tahmine dayalı modelin öğrenme etkisi üzerinde son derece önemli bir etkiye sahiptir.Uygun veriler, tahmine dayalı modelin doğruluğunu geliştirmek için iyi bir destek sağlayabilir. Normal koşullar altında, frekans spektrumunun kısa vadeli değişim eğilimi süreklidir, uzun vadeli değişim ise günlük, haftalık ve yıllık dönemsellik ve tatil özelliklerinde somutlaşan bariz bir periyodikliğe sahiptir. Kanal spektrumu doluluk tahmininin doğruluğunu artırmak için, bu periyodik özellik veri seçerken dikkate alınmalıdır. Bu nedenle, bu makale eğitim seti olarak ilk gün 100 zaman aralığı ve test seti olarak ikinci gün aynı anda 100 zaman aralığı kullanır.
Şekil 8, toplanan spektrum verilerinin "alan yoğunluğu-frekans-zaman" üç boyutlu görselleştirme işleme sonucunu gösterir.
3.2 Ana parametrelerin analizi
3.2.1 Birden fazla adımın tahmin sonuçları üzerindeki etkisi
Şekil 9 ve Şekil 10, sırasıyla kanal 13 ve 86'da tahmin adımı boyutunun tahmin sonuçları üzerindeki etkisini göstermektedir.
Kanal 13 ve kanal 86'nın 10 adımlı tahmin sonuçları sayesinde tahmin adımı büyüklüğünün artması ile tahmin kayıp oranının giderek azaldığı görülebilmektedir.Adım boyutunun artması ile tahmin doğruluk oranı da aşağı yönlü bir eğilim göstermesine rağmen aşağı yönlü trend yavaş ve toplam tahmin doğruluk oranı Zarar oranının kademeli olarak düşmesi nedeniyle, tahmin adımının artmasıyla birlikte hafif bir yükseliş eğilimi göstermektedir. Bu algoritmanın, yüksek bir tahmin doğruluk oranını korurken, çok adımlı tahminde kayıp oranını etkili bir şekilde azalttığı görülebilir.
3.2.2 Kanal doluluğunun tahmin sonucu üzerindeki etkisi
Bu deneyde doluluk oranı% 35'ten% 94'e çıkan 6 kanal seçildi. Şekil 11, 1 ve 10'un tahmin adımlarının sonuçlarını gösterir.
Şekil 11'den, kanal doluluk tahmininin doğruluk oranının genellikle yüksek bir seviyede korunduğu ve kayıp oranının doluluk değişikliği ile pozitif veya negatif bir korelasyona sahip olmadığı görülebilmektedir. Algoritmanın genel olarak iyi performans gösterdiği ve kanal doluluğundaki değişikliğin tahmin sonucuna çok az etkisi olduğu görülmektedir.
3.2.3 Kural güveninin tahmin sonuçları üzerindeki etkisi
Şekil 12 (a) ve Şekil 12 (b), minimum güven sırasıyla 0.7, 0.8 ve 0.9 olduğunda üç kanalın doğruluk ve kayıp oranlarını göstermektedir.
Şekil 12'den, minimum güven seviyesi 0.7'den 0.9'a yükseldikçe, kayıp oranının yaklaşık% 15'ten yaklaşık% 40'a çıktığı görülebilir. Minimum güven ortamının kayıp oranı üzerinde büyük bir etkisi olduğu görülmektedir, çünkü minimum güven arttıkça mevcut ilişkilendirme kuralları giderek azalmaktadır, yani kanal bilgisinin öngörülebilirliği azalmaktadır. Tahmin doğruluk oranı, minimum güvenin artmasıyla yavaş yavaş artar ve tahmin kaybı oranı, minimum güvenin artmasıyla keskin bir şekilde artar.Bu nedenle, uygun bir minimum güvenin belirlenmesi, CSI dizisinin öngörülebilirliği için çok önemlidir.
4. Sonuç
Bu makale, kanal doluluk durumunun çok aşamalı tahminini gerçekleştirmek için Apriori algoritmasına benzer bir sık örüntü ilişkilendirme kuralı madenciliği algoritması önermektedir. Deneyler, algoritmanın, gizli Markov modelleri ve sinir ağı modelleri gibi tahmin yöntemlerine kıyasla gerçek spektrum tahmininde herhangi bir ön bilgi gerektirmediğini, geçmiş verilere dayalı hızlı tahminler yapabileceğini ve daha iyi tahmin sonuçları elde edebileceğini göstermektedir.
Referanslar
Liu Zhenming, Gong Xiaofeng. Bilişsel radyoda spektrum tahmin yöntemi. Ordnance Industry Automation, 2017, 36 (9): 86-89.
Yin Sixing Bilişsel Radyoda Kütle Spektrum İzleme Veri Madenciliğine Dayalı Dinamik Spektrum Erişim Stratejisi Araştırması Pekin: Pekin Posta ve Telekomünikasyon Üniversitesi, 2010.
Zhang Kai, Qi Lina. Gizli Markov modeline dayalı uyarlanabilir bir ortak spektrum tahmin yöntemi. Journal of Nanjing University of Posts and Telecommunications (Natural Science Edition), 2015, 35 (1): 79-83.
Duan Hongtao, Zeng Fansheng, Li Jingchun.Frekans bandı doluluğunu tahmin etmek için bir zaman serisi analiz yöntemi Radyo Mühendisliği, 2011, 41 (7): 17-20, 64.
Yang Jian, Zhao Hangsheng, Chen Xi. Genetik algoritma ile optimize edilmiş sinir ağı spektrum tahmin modeli eğitimi. PLA University of Science and Technology (Natural Science Edition), 2016, 17 (6): 505-511.
Man Fangwei, Shi Rong, He Binbin. İlişki kuralı madenciliğine dayalı radyo spektrumu doluluk tahmini Telekomünikasyon Teknolojisi, 2016, 56 (11): 1183-1188.
HUANG P, LIU C, YANG X, ve diğerleri.Kısmi periyodik model madenciliğine dayalı kablosuz spektrum doluluk tahmini.Paralel ve Dağıtılmış Sistemlerde IEEE İşlemleri, 2014, 25 (7): 1925-1934.
JACOB J, JOSE B R, MATHEW J. Bilişsel radyo ağlarında spektrum tahmini: bayesci bir yaklaşım. 2014 Sekizinci Uluslararası Yeni Nesil Mobil Uygulamalar, Hizmetler ve Teknolojiler Konferansı, Oxford, 2014: 203-208.
MAN F, SHI R, HE B.Kablosuz spektrum izleme uygulamasında veri madenciliği.2017 IEEE 2nd International Conference on Big Data Analysis (ICBDA), Beijing, 2017: 223-227.
Ding Hao, Shen Wenjing Dinamik eşik seviyesine dayalı kısa bant spektrum doluluk ölçümü 2011 Ulusal Kablosuz ve Mobil İletişim Konferansı Bildirileri, 2011: 408-411.
yazar bilgileri:
Jing Tong 1, Ding Wenrui 1, 2, Liu Chunhui 2
(1. Elektronik Bilgi Mühendisliği Okulu, Beihang Üniversitesi, Pekin 100191; 2. İnsansız Sistemler Araştırma Enstitüsü, Beihang Üniversitesi, Pekin 100191)
