基于机器学习的无线频谱占用预测研究

王翀　李争平　栗卓然

摘 要：为解决无线频谱资源利用率较低的问题，文中提出了基于機器学习的无线频谱占用预测方法，实现了对无线频谱资源占用情况的预测。通过软件无线电平台感知无线频谱资源的占用情况，利用机器学习算法对无线频谱资源占用数据进行训练和预测。经过实际测试的验证与应用，效果显著，可以有效预测无线频谱资源占用情况。

关键词：无线频谱资源;软件无线电;频谱感知;机器学习;Matlab;SVM

中图分类号：TP39 文献标识码：A 文章编号：2095-1302（2020）04-00-02

0 引 言

近年来，随着无线通信系统的快速发展，无线频谱资源越发紧张，但与之相对的是已经授权的频谱资源利用率较低。Mitola于1999年提出了认知无线电（CR）的概念[1]，它是一种可以有效提高频谱资源利用率的方法。认知无线电可以感知无线频谱利用情况，通过分析频谱资源占用情况，预测未来频谱占用可能性，从而发展可用频谱，提高频谱资源利用率。

软件无线电（SDR）可以有效解决无线频谱感知问题[2]。因此可以使用软件无线电（SDR）实现频谱数据采集，通过机器学习算法实现对频谱占用的预测。

1 基于HackRF的频谱感知

1.1 频谱感知方法的分析

当前频谱感知的方法主要包括能量检测法、匹配滤波法和循环平稳频谱检测法[3]。其中能量检测法是一种使用最广泛的检测方法，该方法实现简单，且无需知道检测信号的先验信息，但该方法无法识别信号类型。本文中频谱感知的目的在于感知无线频谱的占用情况，无需判断接收信号的类型，为此选取计算量小且实用性好的能量检测方法。

1.2 能量检测法的实现

为得到无线频谱的占用情况，搭建基于GNU Radio的FFT频谱检测器。通过正确的初始化配置软件无线电（SDR）设备HackRF，建立流图，搭建FFT频谱检测的软件无线电结构。

能量检测法的模型如图1所示。

信号在HackRF中经过放大、混频、数字化、采样后得到基带数字信号，GNU Radio将接收的数据流转化为向量流，再对其进行FFT操作，在进行FFT操作之前需要加窗以防止频谱混叠。将经FFT之后的数据进行处理，并将复信号转化为均方表示，然后再对这些数据进行处理和存储[4]。

能量检测实现流程如图2所示。

2 基于SVM无线频谱预测的实现

2.1 支持向量机

支持向量机的目的是寻找一个超平面分开二类样本，分开的原则是间隔最大化。

给定训练样本：

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

式中：xi为特征向量;yi为分类标签。

超平面用函数f （x）=wx+b表示，其中w为法向量，决定了超平面的方向;b为位移量，决定了超平面与原点的距离。

超平面关于训练样本（xi， yi）的几何间隔定义为：

（2）

超平面关于所有样本点的几何间隔的最小值为：

（3）

最大分割超平面问题可以表示为以下约束最优化问题：

（4）

又因为最大化γ，等价于最大化，即最小化，将约束条件化简后可得：

（3）

这就转换成了含有不等式约束的凸二次规划的问题，利用拉格朗日数乘法对其求解即可。

2.2 测试数据

为简化数据处理和节省时间，数据库仅记录同一区域在100 min内对2.4 GHz频谱的占用情况，即数据集里一共含有100个样本。无线频谱占用可以认为是二值序列问题，1表示该无线频谱段被占用，0表示该无线频谱段空闲，并以此作为标签对每个样本进行标注。

将100个样本数据分为两组，每组前40个样本作为训练集，后10个样本作为测试集。代码表示如下：

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 数据预处理

对采集的无线频谱数据进行预处理，目的是将无线频谱转化为便于处理的数据。利用Matlab归一化函数将训练集和测试集的原始数据进行归一化处理，使最终的数据落在[0，1]区间范围，实现对数据的预处理。

3 结 语

本文通过软件无线电HackRF设备和SVM算法实现了对无线频谱资源占用的感知和预测。经测试，该方法可以较好地感知和预测无线频谱资源的占用情况，从而提高频谱资源的利用率。

参考文献

[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]潘建国，翟旭平.基于能量检测的频谱感知方法[J].上海大学学报（自然科学版），2009，15（1）：54-59.

[4]朱建新.一种认知无线电频谱感知系统硬件平台的设计[D].北京：北京邮电大学，2011.

[5]屈玉涛，邓万宇.基于Matlab的SVM分类预测实现[J].信息通信，2017（3）：33-34.

[6]翟旭平，孟田，王涛.采用对数预处理的SVM频谱感知方法[J].应用科学学报，2017，35（6）：726-734.

[7]刘乐.基于能量检测的认知无线电频谱感知算法研究[J].物联网技术，2019，9（5）：15-17.

[8]江莹，杨震.认知无线电的几种频谱感知方法研究[J].科技资讯，2007（10）：6-7.

[9]杨小平.数据挖掘三大经典算法在交通领域的应用综述[J].物联网技术，2018，8（11）：42-44.

[10]周超.基于机器学习的感知信号分类与预测方法研究[D].成都：电子科技大学，2018.