[论文解读] Spectrum Hole Prediction Based On Historical Data: A Neural Network Approach

Bara’u Gafai Najashi, Wenjiang Feng+1 more|arXiv (Cornell University)|Jan 5, 2014

Cognitive Radio Networks and Spectrum Sensing被引用 10

一句话总结

本文提出了一种基于神经网络的频谱洞预测模型，利用历史频谱占用数据以改善认知无线电的频谱共享。通过将Levenberg-Marquardt反向传播网络与遗传算法结合进行权重优化，该方法在多个频段中均实现了高预测精度，展示了动态频谱接入的稳健解决方案。

ABSTRACT

The concept of cognitive radio pioneered by Mitola promises to change the future of wireless communication especially in the area of spectrum management. Currently, the command and control strategy employed in spectrum assignment is too rigid and needs to be reviewed. Recent studies have shown that assigned spectrum is underutilized spectrally and temporally. Cognitive radio provides a viable solution whereby licensed users can share the spectrum with unlicensed users opportunistically without causing interference. Unlicensed users must be able to sense weather the channel is busy or idle, failure to do so will lead to interference to the licensed user. In this paper, a neural network based prediction model for predicting the channel status using historical data obtained during a spectrum occupancy measurement is presented. Genetic algorithm is combined with LM BP for increasing the probability of obtaining the best weights thus optimizing the network. The results obtained indicate high prediction accuracy over all bands considered

研究动机与目标

• 为解决刚性频谱分配的低效性，实现动态、机会式的频谱共享。
• 利用历史占用数据实时预测频谱洞的可用性。
• 提高非许可用户对预测精度的把握，以避免对许可用户造成干扰。
• 使用混合遗传算法与Levenberg-Marquardt反向传播方法优化神经网络权重。
• 在真实条件下评估模型在多个频段上的性能。

提出的方法

• 使用具有Levenberg-Marquardt反向传播（LM-BP）的前馈神经网络进行信道状态预测。
• 将测量周期内收集的历史频谱占用数据用作训练输入。
• 采用遗传算法（GA）优化神经网络的初始权重，以避免陷入局部极小值。
• 混合GA-LM-BP方法提升了收敛速度与预测精度。
• 在多频段频谱数据上对模型进行训练与测试，以评估其泛化能力。
• 通过不同频段的预测精度评估模型性能。

实验结果

研究问题

• RQ1 历史频谱占用数据能否有效用于预测未来频谱洞的可用性？
• RQ2 将遗传算法与LM-BP结合，如何提升神经网络在频谱预测中的性能？
• RQ3 所提模型在不同频段上的预测精度如何？
• RQ4 该模型能否在动态环境中可靠地区分繁忙与空闲的频谱状态？
• RQ5 与标准训练方法相比，该混合优化方法在收敛性与精度方面表现如何？

主要发现

• 所提出的GA-LM-BP神经网络模型在所有测试频段中均实现了高预测精度。
• 遗传算法的引入显著提升了网络收敛至最优权重的能力。
• 该模型在仅使用历史占用数据的情况下，表现出稳健的信道状态预测性能。
• 预测精度始终较高，表明其在不同频段间具有强大的泛化能力。
• 该方法通过精确预测频谱可用性，有效降低了对许可用户造成干扰的风险。
• 结果证实，采用混合优化的神经网络在认知无线电系统中实现实时频谱洞预测是可行的。