【记忆的科技园】基于关联规则挖掘的多步长频谱占用预测方法认知无线电技术提高了系统的频谱利用率

认知无线电技术提高了系统的频谱利用率，然而在传统频谱感知中，认知用户对所有频带进行感知会造成大量的能量损耗和处理时延，因此如何准确预测空间频谱占用情况，即频谱预测技术，受到研究人员的广泛研究。频谱预测技术能够为认知用户提供更好的频谱接入条件，减少认知用户和主用户之间产生的数据传输冲突，避免对主用户通信造成干扰，降低响应时延，增加网络的吞吐量[1] 。频谱预测过程一般包含3个步骤：(1)数据采集，实际频谱采集或建立仿真频谱模型生成；(2)数据预处理，有效数据选取、信号与噪声的分离；(3)频谱预测，设计频谱预测方法进行预测。
设计有效的频谱预测方法需考虑预测机制与预测方法两方面：预测机制大多是采用时隙通信模式，将每个时隙的频谱占用或空闲情况定义为一个二元时间序列，通过分析历史数据获取频谱使用规律，进而预测未来频谱占用状态[2]；频谱预测方法主要有基于隐马尔可夫(HiddenMarkovModel ， HMM)的方法[3]、基于自回归移动平均模型(AutoregressiveIntegratedMovingAverage ， ARIMA)的方法[4]、基于神经网络的方法[5]、基于的方法等[6] 。基于关联规则挖掘的方法在频谱预测中性能表现较好，这类方法又包括基于部分周期模式挖掘的方法[6]、基于贝叶斯的方法[7]、应用统计学习的方法[8]以及最大子模式命中[9]等。
在实际频谱预测应用中，往往不仅需要预测下一个时隙的频谱占用情况，而且需要预测多个时隙一分钟甚至一小时的频谱占用情况，进而统计分析信道的可用性，避免频繁切换信道。现有方法只能保证下一个时隙的一步预测效果较为理想，而多时隙多步预测存在效果下降较快的问题。针对这一问题，本文借鉴Apriori算法中查找频繁项集的思想，提出基于关联规则挖掘的多步长频谱占用预测方法，通过采集真实数据对所提出方法进行实验验证。
1频谱占用度
1.1频谱占用度预测用数据选取
信道频谱占用度可以体现频谱的活跃程度，信道频谱活跃程度对验证方法的可行性十分关键。若信道频谱占用度极低(0%～5%) ，数据处理后生成的信道状态信息(ChannelStateInformation ， CSI)序列将近似为全0序列；若信道频谱占用度极高(95%～100%) ，生成的CSI序列将近似为全1序列，对这些信道进行CSI序列预测得到的结果极为可观，正确率可达到90%以上，丢失率接近0 。但这两种极端情况都将使得CSI信道活跃度降低，即0/1状态的转换频率变低，此时频谱占用预测也将失去意义。故本文选取频谱占用度35%～94%的信道进行预测分析。信道占用度计算方法如式(1)所示：
其中， Fco表示信道占用度， Tf表示信道占用时间， T表示信道测量时间。
1.2频谱占用度阈值选取
频谱占用状态只有两种：占用和空闲。通常，信道频谱强度高于某门限，则认为信道处于被占用状态，用“1”表示；相反，认为信道处于空闲状态，用“0”表示，转换原理如式(2)所示：
其中， cs表示信道状态， PC表示信道电平值， PO表示预设门限值。该过程中如果预设门限值设置较小，则某些噪声信号将被误认为是有用信号；若门限设置较高，则会遗漏有用信号，因此频谱占用度阈值的选取是数据预处理过程较为关键的步骤。
本文采用动态门限分割[10]的方法确定频谱占用度门限，方法流程如图1所示。
动态门限分割方法涉及两个参数，一个是用于信噪分离的判别值，另一个是噪声曲线平滑处理的次数。在《超短波频段占用度测试技术规范》中，建议门限电平设置为各频段内当地接收机平均功率电平或电压指示以上5dB 。在无线电监测工作中，一般把超过噪声电平3dB～5dB的频点视为信号。基于以上两点，本文采用5dB作为信噪分离的判别值，平滑处理次数取60 ，动态门限如图2所示。