基于機器學習的無線頻譜占用預測研究

王翀　李爭平　栗卓然

摘 要：為解決無線頻譜資源利用率較低的問題，文中提出了基于機器學習的無線頻譜占用預測方法，實現了對無線頻譜資源占用情況的預測。通過軟件無線電平臺感知無線頻譜資源的占用情況，利用機器學習算法對無線頻譜資源占用數據進行訓練和預測。經過實際測試的驗證與應用，效果顯著，可以有效預測無線頻譜資源占用情況。

關鍵詞：無線頻譜資源;軟件無線電;頻譜感知;機器學習;Matlab;SVM

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2020）04-00-02

0 引 言

近年來，隨著無線通信系統的快速發展，無線頻譜資源越發緊張，但與之相對的是已經授權的頻譜資源利用率較低。Mitola于1999年提出了認知無線電（CR）的概念[1]，它是一種可以有效提高頻譜資源利用率的方法。認知無線電可以感知無線頻譜利用情況，通過分析頻譜資源占用情況，預測未來頻譜占用可能性，從而發展可用頻譜，提高頻譜資源利用率。

軟件無線電（SDR）可以有效解決無線頻譜感知問題[2]。因此可以使用軟件無線電（SDR）實現頻譜數據采集，通過機器學習算法實現對頻譜占用的預測。

1 基于HackRF的頻譜感知

1.1 頻譜感知方法的分析

當前頻譜感知的方法主要包括能量檢測法、匹配濾波法和循環平穩頻譜檢測法[3]。其中能量檢測法是一種使用最廣泛的檢測方法，該方法實現簡單，且無需知道檢測信號的先驗信息，但該方法無法識別信號類型。本文中頻譜感知的目的在于感知無線頻譜的占用情況，無需判斷接收信號的類型，為此選取計算量小且實用性好的能量檢測方法。

1.2 能量檢測法的實現

為得到無線頻譜的占用情況，搭建基于GNU Radio的FFT頻譜檢測器。通過正確的初始化配置軟件無線電（SDR）設備HackRF，建立流圖，搭建FFT頻譜檢測的軟件無線電結構。

能量檢測法的模型如圖1所示。

信號在HackRF中經過放大、混頻、數字化、采樣后得到基帶數字信號，GNU Radio將接收的數據流轉化為向量流，再對其進行FFT操作，在進行FFT操作之前需要加窗以防止頻譜混疊。將經FFT之后的數據進行處理，并將復信號轉化為均方表示，然后再對這些數據進行處理和存儲[4]。

能量檢測實現流程如圖2所示。

2 基于SVM無線頻譜預測的實現

2.1 支持向量機

支持向量機的目的是尋找一個超平面分開二類樣本，分開的原則是間隔最大化。

給定訓練樣本：

D={（x₁， y₁）， （x₂， y₂）， ...， （x_i， y_i）}， y_i∈{-1， +1}， i=1， 2， ...， n? ?（1）

式中：xi為特征向量;yi為分類標簽。

超平面用函數f （x）=wx+b表示，其中w為法向量，決定了超平面的方向;b為位移量，決定了超平面與原點的距離。

超平面關于訓練樣本（xi， yi）的幾何間隔定義為：

（2）

超平面關于所有樣本點的幾何間隔的最小值為：

（3）

最大分割超平面問題可以表示為以下約束最優化問題：

（4）

又因為最大化γ，等價于最大化，即最小化，將約束條件化簡后可得：

（3）

這就轉換成了含有不等式約束的凸二次規劃的問題，利用拉格朗日數乘法對其求解即可。

2.2 測試數據

為簡化數據處理和節省時間，數據庫僅記錄同一區域在100 min內對2.4 GHz頻譜的占用情況，即數據集里一共含有100個樣本。無線頻譜占用可以認為是二值序列問題，1表示該無線頻譜段被占用，0表示該無線頻譜段空閑，并以此作為標簽對每個樣本進行標注。

將100個樣本數據分為兩組，每組前40個樣本作為訓練集，后10個樣本作為測試集。代碼表示如下：

RSdata = RSdata（1：100，：）;

Label = [ones（50，1）; zeros（50，1）];

Train = RSdata（1：40，：）;

Train = [Train; RSdata（51：90，：）];

Test = RSdata（41：50，：）;

Test = [Test; RSdata（91：100，：）];

2.3 數據預處理

對采集的無線頻譜數據進行預處理，目的是將無線頻譜轉化為便于處理的數據。利用Matlab歸一化函數將訓練集和測試集的原始數據進行歸一化處理，使最終的數據落在[0，1]區間范圍，實現對數據的預處理。

3 結 語

本文通過軟件無線電HackRF設備和SVM算法實現了對無線頻譜資源占用的感知和預測。經測試，該方法可以較好地感知和預測無線頻譜資源的占用情況，從而提高頻譜資源的利用率。

參考文獻

[1] MITOLA J，MAGUIRE G Q. Cognitive radio：making software radios more personal [J]. IEEE personal communications，1999，6（4）：13-18.

[2] ALEXANDRU M.Real-time spectrum sensing using software defined radio platforms [J]. Telecommunication systems，2017，64（4）：571.

[3]潘建國，翟旭平.基于能量檢測的頻譜感知方法[J].上海大學學報（自然科學版），2009，15（1）：54-59.

[4]朱建新.一種認知無線電頻譜感知系統硬件平臺的設計[D].北京：北京郵電大學，2011.

[5]屈玉濤，鄧萬宇.基于Matlab的SVM分類預測實現[J].信息通信，2017（3）：33-34.

[6]翟旭平，孟田，王濤.采用對數預處理的SVM頻譜感知方法[J].應用科學學報，2017，35（6）：726-734.

[7]劉樂.基于能量檢測的認知無線電頻譜感知算法研究[J].物聯網技術，2019，9（5）：15-17.

[8]江瑩，楊震.認知無線電的幾種頻譜感知方法研究[J].科技資訊，2007（10）：6-7.

[9]楊小平.數據挖掘三大經典算法在交通領域的應用綜述[J].物聯網技術，2018，8（11）：42-44.

[10]周超.基于機器學習的感知信號分類與預測方法研究[D].成都：電子科技大學，2018.