一种基于BOOSTING算法的感知无线电通信选择方法

摘要

本发明公开了一种基于BOOSTING算法的感知无线电通信选择方法，它将存在的多个可选的通信网络作为多个可选的感知无线电，将通信网络覆盖、通信网络质量、通信网络费用作为感知无线电的信息，基于BOOSTING理论，综合考虑应用系统传输需求、通信网络覆盖、通信网络质量、通信网络费用并根据实时采集到的上述数据得出智能感知决策结果，并根据该决策结果将应用系统所需的传输通道切换到最优的通信网络。本发明可以为相关的监测、监控系统提供通信网络选择决策，在提高可靠性的同时减少了费用，扩展了感知无线电的应用领域，有非常广阔的应用前景。

权利要求

1.一种基于BOOSTING算法的感知无线电通信选择方法，其特征在于：将存在的多个可选的通信网络作为多个可选的感知无线电，将通信网络覆盖、通信网络质量、通信网络费用作为感知无线电的信息，基于BOOSTING理论，用随机森林算法作为AdaBoost.M1算法的弱分类器构建AdaBoost.M1-RF多类分类器；用AdaBoost.M1-RF多类分类器作为感知无线电的决策算法；将应用系统传输需求、通信网络覆盖、通信网络质量、通信网络费用与综合考虑应用系统传输需求、通信网络覆盖、通信网络质量和通信网络费用得出的专家经验选择的最优的通信网络作为感知无线电决策算法的训练数据，将实时采集到的应用系统传输需求和通信网络覆盖、通信网络质量、通信网络费用数据作为训练好的基于AdaBoost.M1-RF算法的感知无线电决策算法模型的输入，得到输出即为应用系统最优的通信网络。

2.根据权利要求1所述的基于BOOSTING算法的感知无线电通信选择方法，其特征在于：将同一个通信网络在不同情况存在多个价格时作为多个可选的感知无线电之一。

说明书

一种基于BOOSTING算法的感知无线电通信选择方法

技术领域

[0001] 本发明涉及一种无线电通信技术，尤其是一种基于BOOSTING算法的感知无线电通信选择方法。

背景技术

[0002] 1999年，Joseph Mitola III第一次提到“感知无线电”这个术语，仅仅过了4年时间，2003年FCC就宣布授权感知无线电为频谱共享与重用的技术，认可其在TV频段上的固定电话或移动电话的使用。感知无线电已经成为了一个新的技术热点，但理想的、智能的感知无线电应该是有意识的、能学习的、并且可以为了改善状态采取措施。智能的感知无线电不仅仅只是进行简单的学习，它需要进行非常复杂的学习，并具备决策的能力。

[0003] 目前，感知无线电仍处在研究初期阶段。如何得到一个智能的通信系统，仍面临巨大的挑战。其中，感知无线电决策机是关键问题，传统的感知无线电决策模型主要有基于遗传算法与博弈论两种。但基于遗传算法的模型存在局限，它无法解决不可改变参数参与决策的问题。按照适应率原则，可以得到期望的感知无线电染色体，但是在不同的适应率原则要求下，生成的感知无线电染色体不同，这是该模型无法解决的。使用博弈论来分析一个决策规则并预测其对设备、系统、环境的影响，把最初应用在经济学上的理论作了扩展，分析了相互作用情况下的感知无线电决策机的决策问题。但该模型也存在局限：1、理想的感知无线电应该具备智能的特征，决策时应该考虑多因素影响；2、当多游戏者，多个行为并发时，这种情况很难求解该模型的纳什均衡解；3、博弈模型的现实应用中会存在多个的纳什均衡解或者无纳什均衡解。目前很多应用系统(比如一些监测、监控系统)涉及通信传输需求，特别是一些涉及道路、桥梁、环境的应用系统监测(监控)点往往不在主城区，信号覆盖、信号强度往往得不到保证。不同的运营商，覆盖情况和信号情况是不同的；同一运营商，在同一地点，不同的时候，覆盖情况和信号情况也是不同的。另外对于不同的运营商，费率也是不同的，对于不同的传输率，优惠也是不同。作为智能的通信系统，感知无线电就应该做到可以根据信号覆盖、信号强度、传输数据量、采集频率、通信费率等情况决策、选择最佳传输通道。

发明内容

[0004] 本发明所要解决的技术问题在于提供一种基于BOOSTING理论的感知无线电决策模型。利用该模型可以智能的为应用系统进行通信选择决策。

[0005] 为解决上述技术问题，本发明的技术方案：一种基于BOOSTING算法的感知无线电通信选择方法。该方法将存在的多个可选的通信网络作为多个可选的感知无线电，将通信网络覆盖、通信网络质量、通信网络费用作为感知无线电的信息，基于BOOSTING理论，综合考虑应用系统传输需求、通信网络覆盖、通信网络质量、通信网络费用，根据实时采集到的应用系统传输需求和通信网络覆盖、通信网络质量、通信网络费用数据得出智能感知决策结果，并根据该决策结果将应用系统所需的传输通道切换到最优的通信网络。

[0006] 上述的基于BOOSTING算法的感知无线电通信选择方法中，它是用随机森林(RandomForest)算法作为AdaBoost.M1算法的弱分类器构建AdaBoost.M1-RF多类分类器；用AdaBoost.M1-RF多类分类器作为感知无线电的决策算法。

[0007] 前述的基于BOOSTING算法的感知无线电通信选择方法中，它是将同一个通信网络在不同情况存在多个价格时也作为多个可选的感知无线电之一。

[0008] 前述的基于BOOSTING算法的感知无线电通信选择方法中，它是将应用系统传输需求、通信网络覆盖、通信网络质量和通信网络费用等与综合考虑上述应用系统传输需求、通信网络覆盖、通信网络质量和通信网络费用得出的专家经验选择的最优的通信网络作为感知无线电决策算法的训练数据。

[0009] 前述的基于BOOSTING算法的感知无线电通信选择方法中，它是将实时采集到的应用系统传输需求和通信网络覆盖、通信网络质量、通信网络费用等数据作为训练好的基于AdaBoost.M1-RF算法的感知无线电决策算法模型的输入，得到输出即为应用系统最优的通信网络。

[0010] 本发明的有益效果：与现有技术相比，本发明是基于Boosting理论在知道应用系统数据情况和通信网络质量、通信网络费用的基础上为应用系统进行通信选择选择的方法，它用AdaBoost作为感知无线电的决策模型，智能感知应用需求与网络情况，综合考虑应用系统传输需求、通信网络覆盖、通信网络质量、通信网络费用等因素，为应用系统选择最合适的通信网络，并根据实时采集情况与智能决策结果，将应用系统所需的传输通道切换到最优的通信网络。通过该方法可以为相关的监测、监控系统提供通信网络选择决策，在提高可靠性的同时减少了费用，扩展了感知无线电的应用领域，有非常广阔的应用前景。

附图说明

[0011] 图1是本发明的感知无线电知识库；

[0012] 图2是本发明的通信决策流程；

[0013] 图3是本发明的算法针对二类数据的实验正确率；

[0014] 图4是本发明的算法针对多类数据(6类)的实验正确率；

[0015] 图5是本发明的算法对比Decisionstump in AdaBoost.M1算法的ROC曲线；

[0016] 图6是本发明在桥梁健康监测系统中应用的网络结构。

[0017] 下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

[0018] 实施例1。基于BOOSTING算法的感知无线电通信选择方法。该方法是将存在的多个可选的通信网络作为多个可选的感知无线电，将通信网络覆盖、通信网络质量、通信网络费等用作为感知无线电的信息，基于BOOSTING理论，用随机森林(Random Forest)算法作为AdaBoost.M1算法的弱分类器构建AdaBoost.M1-RF多类分类器；用AdaBoost.M1-RF多类分类器作为感知无线电的决策算法，综合考虑应用系统传输需求、通信网络覆盖、通信网络质量、通信网络费用等因素，根据实时采集到的应用系统传输需求和通信网络覆盖、通信网络质量、通信网络费用等数据得出智能感知决策结果，并根据该决策结果将应用系统所需的传输通道切换到最优的通信网络。当同一个通信网络在不同情况存在多个价格时，也可作为多个可选的感知无线电。该方法将应用系统传输需求、通信网络覆盖、通信网络质量、通信网络费用与综合考虑应用系统传输需求、通信网络覆盖、通信网络质量和通信网络费用得出的专家经验选择的最优的通信网络作为感知无线电决策算法的训练数据，并将实时采集到的应用系统传输需求和通信网络覆盖、通信网络质量、通信网络费用等数据作为训练好的基于AdaBoost.M1-RF算法的感知无线电决策算法模型的输入，得到输出即为应用系统最优的通信网络。

[0019] 本发明的AdaBoost.M1-RF算法如下：

[0020] ·Input:Train Set T，(x1，y1)，....，(xm，ym)

[0021] with labels yi∈Y＝{1，...，c}

[0022] Initialize:D1(t)＝1/m for all i

[0023] ·For t＝1，…，T

[0024] hi:＝learn(T，hi)Train weak learner using distribution Dt[0025] { Initially select the number K of trees to be generated[0026] For k＝1 to K do

[0027] A vector θk is generated

[0028] Construct Tree h(x，θk) using any Decision Tree Algorithm[0029] Each Tree casts 1 vote for the most popular class at X[0030] The class at X is predicted by selecting the class with max votes.

[0031] Return a hypothesis hi}

[0032] Get back a hypothesis ht:X→Y

[0033] error:

[0034]

[0035] If εt＞1/2，the set T＝t-1 and abo loop

[0036]

[0037] -Update Dt:

[0038]

[0039] Where Zt is a nonnalization constant(chosen so that Dt+1 will be a distr:

[0040] Output:

[0041] 本发明中基于BOOSTING的感知无线电决策模型和AdaBoost.M1-RF算法如下：

[0042] 一、基于BOOSTING的感知无线电决策模型

[0043] 在感知无线电模型中有的参数都是可改变的，比如无线电的带宽、加密方式、调制方式等，在也存在一些参数是无法改变的，比如无线电的费用、所需传输的数量大小、应用系统的采集频率等等，但是在实际应用中无线电的费用常常是无线电决策最重要的因素之一。因为当我们选择无线电时，我们总是希望降低使用费用。类似于无线电费用的参数是无法改变的，如果把无法改变的参数纳入决策考虑之内，基于遗传算法与博弈论的感知无线电决策模型处理这种情况没有优势。本发明用BOOSTING理论，把可改变因素与无法改变因素一起纳入决策考虑，对感知无线电决策进行评估，同时学习最优的决策。 具体到感知无线电通信选择决策，又不仅需要考虑通信网络的相关信息，还要考虑应用系统的相关信息。首先应该建立更全面的感知无线电知识库，采集通信网络信息与应用系统信息，其中通信网络信息应该考虑可改变因素与不可改变因素。如图1所示，可改变因素包括发射功率、带宽、信号速率、加密方式以及调制方式等信息；无可改变因素包括某个无线电的费用、应用系统采集频率、所需传输的数据大小等信息。基于BOOSTING的感知无线电决策机，感知无线电知识库需要的采集信息作为决策机的输入信息，同时感知无线电知识库中的信息也为该决策机的训练数据。如图2，通过学习和评估，模型的输出为综合了所需传输的数据量大小、费用、带宽、信号速率等因素的最优感知无线电的决策选择。在设计决策机模型时，应根据需求来设计其具体决策输出内容，可以把综合考虑作出选择的无线电作为输出，这些模型是参考可改变和不可变因素综合决策得出最优的通信选择决策。

[0044] 二、AdaBoost.M1-RF算法

[0045] Boosting由Freund和Schapire于1990年提出，是提高预测学习系统预测能力的有效工具之一，也是组合学习中最具代表性的方法，它试图提供一种提升任意学习算法精度的普遍方法。1995年Freund和Schapire介绍了通过调整权重而运作的算法：AdaBoost(AdaptiveBoost)，AdaBoost.M1，解决了早期Boosting算法很多实践上的困难。

[0046] AdaBoost.M1算法：

[0047] · Iuput:(x1，y1)，....，(xm，ym)

[0048] With labels yi∈Y＝{1，...，k}

[0049] Iutialize:D1(i)＝1/m for all i

[0050] · For t＝1，…，T

[0051] 1.Call weak learner，providing it with the distribution Dt[0052] 2.Get back a hypothesis ht:X→Y

[0053] error:

[0054]

[0055] If εt＞1/2，the set T＝t-1 and abort loop

[0056]

[0057] -Update Dt:

[0058]

[0059] Where Zt is a nonnalization constant(chosen so that Dt+1 will be a distribution).

[0060] Output:

[0061] 其误差上界为

[0062]

[0063] 可以看出，与AdaBoost一样，当错误率＜1/2时，AdaBoost.M1有很好的效果。AdaBoost.M1与AdaBoost算法一样，要求弱分类器的正确率大于50％，如果在两类问题时这个要求是容易实现的。但是当类别数K增大，比较容易实现的是正确率大于1/K。正确率大于50％是比较难以实现的，相当于当感知无线电数量大于2时，就比较难找到适合的弱分类器。

[0064] Random Forests算法是1996年由Leo Breimans提出的，它是在决策树分类算法的基础上发展而来的，是机器学习最重要的算法之一。它利用了基于样本相互独立的随机向量，显示出了很好的健壮性，可以提高分类结果正确率，是继神经网络、集合算法、支持向量机等算法后又一新的、高效的机器学习算法。

[0065] Random Forests算法：

[0066] 1.Initially select the number of trees to be generated，e.g.K.[0067] 2.At Step k(1＜k＜K):

[0068] A vector θk is generated.θk represents Samples(data selected for creating tree).

[0069] 3.Construct tree h(x，θk):

[0070] Using any decision tree Algorithm.

[0071] 4.Each tree casrs 1 vote for the most popular class at X.[0072] 5.The class at X is predicted byselecting the class with maximum votes

[0073] 为了满足AdaBoost.M1对于弱分类器的要求，可以把Random Forest作为AdaBoost.M1算法的弱分类器，这样既能满足AdaBoost.M1对于弱分类器的要求，同时又可能把RandomForest算法与AdaBoost.M1结合在一起，提高AdaBoost.M1的性能。

[0074] 为了公正的评估AdaBoost.M1-RF算法，需要用公开数据库对其性能进行评估。为了多方面的评估AdaBoost.M1-RF算法，需要用不同分类数量的公开数据对其进行验证。通过采用国际公开的UCI数据库中的ionosphere数据，让AdaBoost.M1-RF算法与最常用的多种算法进行对比，图3给出了各个算法的正确率。对于两类问题，AdaBoost.M1-RF的正确率为92.88％，是所有算法里面最好的。对于多类问题，采用国际公开的UCI数据库中的GLASS数据(六类数据)，让AdaBoost.M1-RF算法与最常用多种算法进行对比，图4给出了各个算法的正确率。可以看出，对于这个六类问题，AdaBoost.M1-RF的正确率为80.84％，也是所有算法里面最好的。图5是AdaBoost.M1-RF与Deeisionstump in AdaBoost.M1的ROC曲线，可以看出对于多类问题，Random Forest也大大的改善和提高了AdaBoost.M1的性能。

[0075] 从上述仿真实验，我们可以得出结论，AdaBoost.M1-RF算法不仅可以作为感知无线电决策算法，而且相比其它常用的机器学习算法，AdaBoost.M1-RF算法的性能和稳定性是最好的。

[0076] 三、在桥梁健康监测系统的应用

[0077] 如图6所示，通过选取一个桥梁健康监测系统作为实际应用案例来说明该模型针对应用的有效性。对中国移动提供的GPRS和SMS，以及中国电信提供的CDMA做出通信选择。图6是决策时的网络结构。可以看出在感知无线电决策时，综合考虑了各个通信业务的网络情况、费率情况、桥梁健康监测的采集情况(历史数据量)、采集数据量等因素，同时对真实数据进行分析，模型在该应用中的数据决策正确率为90.9091％，正确率远高于其它算法。

[0078] 本发明的实施方式不限于上述实施例，在不脱离本发明宗旨的前提下做出的各种变化均属于本发明的保护范围之内。