(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111507860.0 (22)申请日 2021.12.10 (71)申请人 南京航空航天大 学 地址 211106 江苏省南京市江宁区将军路 29号 (72)发明人 吴启晖　潘光良　王威　李泓余　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 代理人 王磊 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 10/04(2012.01) G06F 17/16(2006.01) (54)发明名称 一种基于无线通信网络的频谱可用性预测 方法和系统 (57)摘要 本发明提供一种基于无线通信网络的频谱 可用性预测方法和系统， 其中方法包括获取频谱 数据集； 设置贝叶斯优化的循环次数、 超参数的 搜索空间和深度学习模型迭代次数； 初始化深度 学习模型的结构、 权重、 偏 置和超参数； 计算频谱 数据集在深度学习模型的输入和输出之间的损 失； 更新深度学习模型的权重和偏置参数； 判断 深度学习模型的损失曲线和准确率拟合曲线是 否处于收敛状态； 如果否， 重新设置深度学习模 型迭代次数； 如果是， 采用贝 叶斯优化微调深度 学习模型超参数， 得到最优深度学习模型。 本发 明采用上述方案， 能够准确的预测未来时隙可利 用的频谱空隙， 使得认知用户免受恶意用户的干 扰， 保证认知用户与基站之间以及 认知用户之间 的正常通信。 权利要求书2页 说明书10页 附图7页 CN 114298166 A 2022.04.08 CN 114298166 A 1.一种基于无线通信网络的频谱可用性预测方法， 所述方法应用于包括有多个认知用 户和一个恶意用户组成的无线通信网络， 其特 征在于， 包括： 获取用于深度学习模型离线训练的频谱数据集， 所述频谱数据集包括频谱训练集、 频 谱验证集和频谱测试集； 设置贝叶斯优化的循环次数、 超参数的搜索空间和深度学习模型迭代次数； 初始化深度学习模型的结构、 权 重、 偏置、 和超参数； 计算频谱数据集在深度学习模型的输入和输出之间的损失； 采用梯度下降更新深度学习模型的权 重和偏置参数， 直至深度学习模型训练结束； 判断深度学习模型的损失曲线和准确率拟合曲线是否处于收敛状态； 如果否， 重新设置深度学习模型迭代次数， 直至深度学习模型的损 失曲线和准确率拟 合曲线处于收敛状态； 如果是， 在超参数搜索空间内， 采用贝叶斯优化微调深度学习模型超参数， 直至循环结 束， 得到最优深度学习模型； 利用得到的最优深度学习模型在线预测可以使用的频谱。 2.根据权利要求1所述的频谱可用性预测方法， 其特征在于， 所述深度学习模型为Bi ‑ LSTM神经网络 。 3.根据权利要求2所述的频谱可用性预测方法， 其特征在于， 所述计算频谱数据集在深 度学习模型的输入和输出之间的损失， 包括： 根据以下公式计算频谱数据集在深度学习模型的输入和输出之间的损失： 其中， χ为频谱数据在深度学习模型的输入和输出之间的损失； t为时隙； T为总时隙数； pt为观测的频谱功率； 为预测的频谱功率； η为正则化系数； L为Bi ‑LSTM神经网络的层数； wl为第l层Bi‑LSTM神经网络的权 重向量。 4.根据权利要求3所述的频谱可用性预测方法， 其特征在于， 所述采用梯度下降更新深 度学习模型的权 重和偏置参数， 直至深度学习模型训练结束， 包括： 构建目标函数 获取最优U的算法为： 其中， W(s)和b(s)分别为深度学习模型训练第s次时的权重和偏置； α为深度学习模型 学习率。 5.根据权利要求1所述的频谱可用性预测方法， 其特征在于， 所述贝叶斯优化采用高斯 过程的概 率回归模型和Expected  Improvement采集 函数。 6.一种基于无线通信网络的频谱可用性预测系统， 所述系统应用于包括有多个认知用 户和一个恶意用户组成的无线通信网络， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 114298166 A 2获取模块， 用于获取用于深度学习模型离线训练的频谱数据集， 所述频谱数据集包括 频谱训练集、 频谱 验证集和频谱测试集； 第一设置模块， 用于设置贝叶斯优化的循环次数、 超参数的搜索空间和深度学习模型 迭代次数； 初始化模块， 用于初始化深度学习模型的结构、 权 重、 偏置、 和超参数； 计算模块， 用于计算频谱数据集在深度学习模型的输入和输出之间的损失； 更新模块， 用于采用 梯度下降更新深度学习模型的权重和偏置参数， 直至深度学习模 型训练结束； 判断模块， 用于判断深度学习模型的损失曲线和准确率拟合曲线是否处于收敛状态； 第二设置模块， 用于在判断模块确定深度 学习模型的损失 曲线和准确率拟合曲线不处 于收敛状态的情况下， 重新设置深度学习模型迭代 次数， 直至深度学习模型 的损失曲线和 准确率拟合曲线处于收敛状态； 微调模块， 用于在判断模块确定深度 学习模型的损失曲线和准确率拟合曲线处于收敛 状态的情况下， 在超参数搜索空间内， 采用贝叶斯优化微调深度学习模型超参数， 直至循环 结束， 得到最优深度学习模型； 利用得到的最优深度学习模型在线预测可以使用的频谱。 7.根据权利要求6所述的频谱可用性预测系统， 其特 征在于， 所述计算模块包括： 计算单元， 用于根据以下公式计算频谱数据集在深度学习 模型的输入和输出之间的损 失： 其中， χ为频谱数据在深度学习模型的输入和输出之间的损失； t为时隙； T为总时隙数； pt为观测的频谱功率； 为预测的频谱功率； η为正则化系数； L为Bi ‑LSTM神经网络的层数； wl为第l层Bi‑LSTM神经网络的权 重向量。 8.根据权利要求7 所述的频谱可用性预测系统， 其特 征在于， 所述更新模块包括： 构建单元， 用于构建目标函数 获取单元， 用于获取最优U的算法为： 其中， W(s)和b(s)分别为初始化深度学习模型训练第s次时的权重和偏置； α为深度学 习模型学习率。权　利　要　求　书 2/2 页 3 CN 114298166 A 3