买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学

摘要：本发明公开了一种基于深度堆栈自编码器的长期频谱预测方法，包括获取来源于真实世界不同通信业务的频谱数据；数据预处理，得到训练集和测试集；将训练集输入到堆栈自编码器，更新自编码器中的参数，使输入和输出之间的损失函数值最小化；将训练集重新输入训练好的堆栈自编码器得到原始高维频谱数据的语义编码，将语义编码信息输入到预测器,完成预测器训练，同时实现对堆栈自编码器的微调；将训练好的堆栈自编码器和预测器在测试集上进行在线测试，统计预测的性能指标。本发明能够利用真实世界频谱数据实现长期频谱态势预测，并具有较好的预测精度，可很好服务于无线通信。

主权项：1.一种基于深度堆栈自编码器的长期频谱预测方法，其特征在于，所述方法基于堆栈自编码器和预测器所组成的预测模型实现，预测模型利用堆栈自编码器挖掘高维频谱数据的复杂依赖性后得到语义编码，所述语义编码即为低维特征表示，在其输出端连接一个预测器通过学习语义编码完成长期频谱预测；所述方法包括：步骤1：通过稀疏分布的频谱传感器获取来源于真实世界不同通信业务的频谱数据，并将其回传至频谱数据存储中心；步骤2：读取数据存储中心中的原始频谱数据并进行数据预处理，得到训练集和测试集；步骤3：将训练集输入到堆栈自编码器，采用Adam优化方法更新自编码器中的参数，使自编码器输入和输出之间的损失函数值最小化，完成训练；步骤4：将训练集重新输入训练好的堆栈自编码器得到原始高维频谱数据的语义编码，即低维特征，将语义编码信息输入到预测器，采用Adam优化方法完成预测器训练，同时实现对堆栈自编码器的微调；步骤5：将训练好的堆栈自编码器和预测器在测试集上进行在线测试，统计预测的性能指标；所述步骤2具体为采用零均值归一化方法对带宽范围为F的原始频谱数据进行归一化，并划分为训练集和测试集，数据集构造完成；所述采用零均值归一化方法对带宽范围为F的原始频谱数据进行归一化，其归一化公式为： 其中，pf,t为第f,f∈{1,...,F}频点第t,t∈{1,...,T}时隙的归一化值，p'f,t为第f频点第t时隙的原始频谱值，为第f频点T个时隙的均值，σf为第f频点T个时隙的方差；步骤3所述堆栈自编码器由2个自编码器堆栈而成，单独训练每一个自编码器，输出和输入之间的损失函数为： 上式中，等号右侧第一项为均方误差项MSE，第二项为稀疏正则项SR，第三项为权重矩阵F范数F-norm；Ql为第l个自编码器输入数据的尺寸，xl,q为第l个自编码器的第q个输入，为第l个自编码器的第q个输出，γ为稀疏因子，Ml为第l个自编码器隐藏层节点数，ρ为一个目标激活值，为第j个隐藏单元的平均激活值，λ为正则化系数，Wl和Wl'分别为第l个自编码器的编码和解码权重向量； 所述步骤3中将自编码器中的参数更新描述为一个最优化问题： 采用Adam优化方法得到最优的参数β*： 其中，βτ为第τ次迭代更新的参数集，η为学习率；步骤4所述预测器是由3层的Bi-LSTM网络组成，微调过程中整个堆栈自编码器网络的损失函数为： 其中，βall＝{W1,b1,...,WL,bL}，P为总的输入频谱数据，和pt分别为整个预测模型第t个时隙的输出向量和输入向量；步骤5所述性能指标包括平方绝对误差MAE、均方根误差RMSE、平均绝对百分比误差sMAPE和拟合度R2，具体表示为： 其中，为Δt时间内的预测值，pΔt为Δt时间内的真实值。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于深度堆栈自编码器的长期频谱预测方法