一种基于机器学习的共享频谱处理方法

本发明涉及无线通信，具体为一种基于机器学习的共享频谱处理方法。

背景技术：

1、随着无线通信技术的飞速发展和无线电频谱资源的日益紧缺，频谱管理成为国际上广泛关注的话题，频谱共享是向5g sa迁移过程中的一个重要组成部分。动态频谱共享技术是促使移动网络运营商快速启用5g的“催化剂”，频谱共享是一种优化使用频谱或无线通信信道的方法，使多类用户能够安全地共享同一频段，现有的频谱管理方法主要通过频谱分配和频谱使用许可来实现，然而这种方法存在着资源利用率低、难以应对快速变化的通信需求的问题，因此提出一种基于机器学习的共享频谱处理方法。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于机器学习的共享频谱处理方法，解决了现有的频谱管理方法主要通过频谱分配和频谱使用许可来实现，然而这种方法存在着资源利用率低、难以应对快速变化的通信需求的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器学习的共享频谱处理方法，包括以下步骤：

3、s1、利用频谱感知技术获取当前频谱使用情况，建立频谱数据库并制定频谱共享规则；

4、s2、建立机器学习模型；

5、s3、将s1中获取到的频谱使用情况数据输入s2中建立的机器学习模型中进行训练；

6、s4、利用训练后的机器学习模型预测新的频谱使用情况，并利用反馈机制对训练后的机器学习模型进行改进；

7、s5、根据当前频谱使用情况以及预测出的新频谱使用情况对频谱资源进行动态分配和管理。

8、优选的，所述机器学习模型中包括线性回归模型、逻辑回归模型、决策树模型、支持向量模型以及随机森林模型，所述线性回归模型用到的公式为yi＝β0+β1xi+μi，式中yi为预测出的最新频谱使用情况，β0、β1为回归系数，xi为当前频谱使用情况，μi为随机误差项。

9、优选的，所述逻辑回归模型采用的公式为式中h(xi)为概率，xi为测试集中第i个频谱数据，wt为维列向量，w为预测出的最新频谱使用情况。

10、优选的，所述支持向量模型采用的公式包括wtxi+b≥+1、wtxi+b≤-1、式中w,b分别为为法向量和截距，d为样本数据到间隔边界的距离，xi为历史频谱使用数据。

11、优选的，所述频谱共享规制包括频段分配、使用时段规划、功率限制、频谱效率要求、权重分配，所述频段分配的内容包括确定不同频段的使用归属、可用性和保护要求，所述使用时段规划的内容包括规定不同用户或应用程序的使用时段。

12、优选的，所述权重分配的内容包括根据用户或应用程序的重要性或需求，分配不同的权重，所述功率限制的内容包括限制发射功率的大小、限制接收功率的大小，所述频谱效率要求的内容为规定频谱资源的最小利用率要求。

13、优选的，使用机器学习算法，根据实时的频谱感知数据和其他环境参数，动态地分配可用的频谱资源给不同的用户或应用程序，根据实际需求和性能评估指标，进行频谱分配决策，机器学习方法还用来识别和检测频谱中的干扰信号，并采取措施消除干扰，通过将共享频谱处理与机器学习相结合，可以提高频谱资源的利用效率和性能，并优化频谱的分配和管理，使用机器学习算法来预测未来的频谱使用情况，帮助提前做出频谱分配和调度决策，使共享频谱更加智能化、灵活化和自适应，以满足不断变化的通信需求和频谱利用要求。

14、优选的，利用频谱感知数据和分配算法实时地对频谱资源进行动态分配和管理，同时根据实际的频谱使用情况和效果收集反馈数据，利用收集到的反馈数据训练机器学习模型，通过将共享频谱处理与机器学习相结合，可以提高频谱资源的利用效率和性能，并优化频谱的分配和管理。

15、本发明提供了一种基于机器学习的共享频谱处理方法。与现有技术相比具备以下有益效果：

16、(1)、该基于机器学习的共享频谱处理方法，通过利用频谱传感器或无线电接收器，对当前频谱使用情况进行感知和监测，可以获取到当前频谱的使用状况、信号强度、带宽利用等信息，随后设计合适的频谱分配算法，根据不同的需求和权重，动态地分配可用的频谱资源给不同的用户或应用程序。这可以基于预先定义的规则，也可以使用机器学习方法进行决策，可以确保频谱资源的高效利用，减少干扰，提高可用性和性能，实现频谱资源的最大化利用，提高频谱利用效率，促进无线通信的发展和共享经济的实现。

17、(2)、该基于机器学习的共享频谱处理方法，通过训练机器学习模型来预测新的频谱使用情况，同时根据预测结果，可以动态地分配可用的频谱资源给不同的用户或应用程序，还可以使用反馈机制来改进机器学习模型的性能。根据实际的频谱使用情况和分配结果，可以收集反馈数据，用于调整模型参数和优化算法，可以有效地利用有限的频谱资源，并在实时动态环境下实现高效的频谱分配和管理，提高频谱利用率，提供更好的服务质量，并减少频谱干扰。

18、(3)、该基于机器学习的共享频谱处理方法，通过利用历史频谱数据和其他相关信息，可以使用机器学习算法来预测未来的频谱使用情况，帮助提前做出频谱分配和调度决策，同时利用机器学习算法，可以根据不同用户或应用程序的需求、历史频谱使用模式和其他相关信息，进行频谱共享决策，帮助确定合适的频段分配、时段规划以及权重分配，通过将共享频谱处理与机器学习相结合，可以提高频谱资源的利用效率和性能，并优化频谱的分配和管理。使共享频谱更加智能化、灵活化和自适应，以满足不断变化的通信需求和频谱利用要求。

技术特征：

1.一种基于机器学习的共享频谱处理方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于机器学习的共享频谱处理方法，其特征在于：所述机器学习模型中包括线性回归模型、逻辑回归模型、决策树模型、支持向量模型以及随机森林模型，所述线性回归模型用到的公式为yi＝β0+β1xi+μi，式中yi为预测出的最新频谱使用情况，β0、β1为回归系数，xi为当前频谱使用情况，μi为随机误差项。

3.根据权利要求2所述的一种基于机器学习的共享频谱处理方法，其特征在于：所述逻辑回归模型采用的公式为式中h(xi)为概率，xi为测试集中第i个频谱数据，wt为维列向量，w为预测出的最新频谱使用情况。

4.根据权利要求2所述的一种基于机器学习的共享频谱处理方法，其特征在于：所述支持向量模型采用的公式包括wtxi+b≥+1、wtxib≤-1、式中w,b分别为为法向量和截距，d为样本数据到间隔边界的距离，xi为历史频谱使用数据。

5.根据权利要求1所述的一种基于机器学习的共享频谱处理方法，其特征在于：所述频谱共享规制包括频段分配、使用时段规划、功率限制、频谱效率要求、权重分配，所述频段分配的内容包括确定不同频段的使用归属、可用性和保护要求，所述使用时段规划的内容包括规定不同用户或应用程序的使用时段。

6.根据权利要求5所述的一种基于机器学习的共享频谱处理方法，其特征在于：所述权重分配的内容包括根据用户或应用程序的重要性或需求，分配不同的权重，所述功率限制的内容包括限制发射功率的大小、限制接收功率的大小，所述频谱效率要求的内容为规定频谱资源的最小利用率要求。

7.根据权利要求1所述的一种基于机器学习的共享频谱处理方法，其特征在于：使用机器学习算法，根据实时的频谱感知数据和其他环境参数，动态地分配可用的频谱资源给不同的用户或应用程序，根据实际需求和性能评估指标，进行频谱分配决策，机器学习方法还用来识别和检测频谱中的干扰信号，并采取措施消除干扰。

8.根据权利要求1所述的一种基于机器学习的共享频谱处理方法，其特征在于：利用频谱感知数据和分配算法实时地对频谱资源进行动态分配和管理，同时根据实际的频谱使用情况和效果收集反馈数据，利用收集到的反馈数据训练机器学习模型。

技术总结本发明公开了一种基于机器学习的共享频谱处理方法，本发明涉及无线通信技术领域。该基于机器学习的共享频谱处理方法，包括以下步骤：S1、利用频谱感知技术获取当前频谱使用情况，建立频谱数据库并制定频谱共享规则；S2、建立机器学习模型；S3、将S1中获取到的频谱使用情况数据输入S2中建立的机器学习模型中进行训练；S4、利用训练后的机器学习模型预测新的频谱使用情况，并利用反馈机制对训练后的机器学习模型进行改进；使用机器学习算法来预测未来的频谱使用情况，帮助提前做出频谱分配和调度决策，使共享频谱更加智能化、灵活化和自适应，以满足不断变化的通信需求和频谱利用要求。技术研发人员：韩钰,郑金亮,王紫玉,王磊受保护的技术使用者：安徽大学江淮学院技术研发日：技术公布日：2024/8/20