基于跨域推理的频谱地图精确构建方法

摘要

本发明公开了基于跨域推理的频谱地图精确构建方法，包括采集频谱数据并进行预处理；各频段分别根据预处理后的频谱数据构建对应的缺损频谱地图；将各频段的缺损频谱地图和目标频段的空白频谱地图在频率维度堆叠，构成跨域频谱地图样本并将其划分为训练集样本和测试集样本；根据跨域频谱地图样本的三维数据特征改进自编码器网络结构并进行网络结构训练；将测试集样本输入训练完成的网络结构，并对网络输出数据进行后处理，得到频谱地图构建结果。本发明能够解决目标频段无频谱数据导致频谱地图难以精确获取的问题。

权利要求

1.基于跨域推理的频谱地图精确构建方法，其特征在于，包括：步骤1、采集频谱数据并对采集的频谱数据进行预处理；

步骤2、各频段分别根据预处理后的频谱数据构建对应的缺损频谱地图；

步骤3、将各频段的缺损频谱地图和目标频段的空白频谱地图在频率维度堆叠，构成跨域频谱地图样本并将其划分为训练集样本和测试集样本；

步骤4、根据跨域频谱地图样本的三维数据特征改进自编码器网络结构并根据训练集样本进行网络结构训练；

步骤4中，自编码器网络结构为U‑Net网络结构，所述U‑Net网络结构分为编码器网络和解码器网络两部分，编码器网络包括卷积层，解码器网络包括卷积层和转置卷积层；

对自编码器网络结构的改进过程为下述1)‑3)，对自编码器网络结构的训练过程为下述的4)：

1)压缩U‑Net网络结构深度，释放网络参数负荷；

2)根据三维数据特征修改卷积层和转置卷积层的参数和结构；

3)在编码器网络和解码器网络对应的网络层之间进行同分辨率特征图的复制拼接；

4)利用训练集样本训练网络；

经过1)‑3)改进后的自编码器网络结构为：

其中，εθ表示改进后的编码器网络，δθ表示改进后的解码器网络， 为缺损的跨域频谱地图样本；

步骤5、将测试集样本输入训练完成的网络结构，并对网络输出数据进行后处理，得到频谱地图构建结果。

2.根据权利要求1所述的基于跨域推理的频谱地图精确构建方法，其特征在于，所述步骤1采集频谱数据，具体为：在目标区域内随机生成固定数量的感知节点位置，采集节点处的接收信号数据；

将采集的信号数据连同接收位置和发射频率上传到中心数据库，由中心数据库计算生成目标频点的完整频谱地图，完成频谱数据采集。

3.根据权利要求1所述的基于跨域推理的频谱地图精确构建方法，其特征在于，所述步骤1中，对频谱数据进行预处理，包括：

1)遍历频谱数据，获取最值pmin、pmax；

2)数据归一化：

其中，p(fk)表示频点fk对应的频谱数据，pmin表示所有频谱数据的最小值，pmax表示所有频谱数据的最大值。

4.根据权利要求1所述的基于跨域推理的频谱地图精确构建方法，其特征在于，步骤2中，各频段分别根据预处理后的频谱数据构建对应的缺损频谱地图时，将目标区域栅格化，如果格点I＝(i,j)对应的网格中存在频谱数据，则 取值为频谱数据值；否则，表示该网格的频谱信息缺失；

其中， 表示频点fk对应的缺损频谱地图， 表示该频谱地图中格点(i,j)上的元素。

5.根据权利要求4所述的基于跨域推理的频谱地图精确构建方法，其特征在于，步骤2所述缺损频谱地图构建方式如下：格点I＝(i,j)所在栅格有频谱数据：

格点I＝(i,j)所在栅格无频谱数据：

其中， 表示频点fk对应的缺损频谱地图， 表示缺损频谱地图中格点(i,j)的数值，p(fk,xi,j)表示实际频谱数据，当一个栅格内存在多个频谱数据时取平均值；

所述频谱地图表示为N×N的离散栅格模型，其由实际的场景均匀划分得到，且假设每个栅格内的信号强度不变，恒定为格点处的信号强度。

6.根据权利要求5所述的基于跨域推理的频谱地图精确构建方法，其特征在于，所述步骤3中，将同一无线电传播场景而不同发射频率的各频段的缺损频谱地图和目标频段的空白频谱地图，在第三个维度按照频率大小进行堆叠，构成具有三维张量结构的跨域频谱地图样本，从而将不同频率的缺损频谱地图在频域中建立关联，进一步将跨域频谱地图样本划分为训练集样本和测试集样本。

7.根据权利要求6所述的基于跨域推理的频谱地图精确构建方法，其特征在于，所述利用训练集样本训练网络具体包括：第一步，首先随机初始化网络的可训练参数：

初始化网络训练迭代次数epoch为1，学习率为0.0005，将Adam优化算法作为网络训练优化器；

第二步，将训练集样本分批次输入网络训练：

批次大小按照训练效果进行调节，每个批次的训练误差反向梯度传播从而优化模型参数；

当训练集中所有批次的样本都完成了一次正向传播和一次反向传播时即为完成1个epoch；

训练误差函数采用均方误差损失函数，计算公式如下：其中，L是一个训练批次中样本的个数，(M+1)×N×N表示每个训练样本的大小，Pl表示第l个样本的真实结果， 表示第l个样本的估计结果；

第三步，判断网络是否训练完成：

判断网络是否训练至收敛，若是，则执行步骤5，若否，则将epoch加一，继续进行第二步训练网络。

8.根据权利要求1所述的基于跨域推理的频谱地图精确构建方法，其特征在于，步骤5所述对网络输出数据后处理，得到频谱地图构建结果，具体为：p＝p(pmax‑pmin)+pmin

其中，p表示模型构建的频谱数据，即为频谱地图构建结果，pmin表示所有频谱数据的最小值，pmax表示所有频谱数据的最大值。

说明书

基于跨域推理的频谱地图精确构建方法

技术领域

[0001] 本发明属于无线通信技术领域，具体涉及基于跨域推理的频谱地图精确构建方法。

背景技术

[0002] 频谱地图精确构建是认知无线电中的一项重要技术，它通过频谱数据之间的相关性来补全目标区域的频谱数据，并将无线电参数(如接收信号功率、功率谱密度等)在地理位置上的完整分布情况进行可视化，能够表征目标区域内频谱资源的使用情况。频谱地图可以为频谱资源的有序管理和快速决策提供依据，从而辅助通信系统实现对频谱资源的合理利用。

[0003] 现有的频谱地图构建工作大部分根据已知的不同位置频谱数据，利用“空间插值”方法对当前频点频谱地图中的缺失数据进行空间估计。也就是说，只有在目标频段具有一定频谱数据时才能实现该频段频谱地图的构建。

[0004] 事实上，随着无线电业务从文本、语音到视频通话，再到在线游戏等各种在线服务的不断发展，无线通信系统对带宽的需求越来越大，通信频段从低频段向高频段开拓，5G和6G移动通信系统呈现超宽带的特征。如果针对宽频段内的所有频点都进行现场勘测并获取足够的频谱数据，这将耗费大量的部署和感知成本。实际情况中往往只能采集其中一部分频段的频谱数据。因此，研究如何从其他频段获取的稀疏数据，来精确构建目标频段的完整频谱地图具有很大的必要性和现实意义。

[0005] Koya Sato,Katsuya Suto,Kei Inage等人在其发表的论文“Space‑Frequency‑Interpolated Radio Map”(IEEE Trans.Veh.Technol.,vol.70,no.1,pp.714‑725,Jan.2021)中提及了频空域关联的频谱地图模型这一概念，但其假设信号为窄带信号，根据“相近频率的传播现象是相似的”这一原理，认为窄频段内不同频点的信号传播规律近似相同。该工作使用频率分离，直接将三维频谱地图结构沿频率维拆分成若干张二维频谱地图，并当作独立样本进行补全，因此并没有实际利用跨域结构，本质上仍然只利用了数据的空间相关性。Yves Teganya,Daniel Romero等人在其发表的论文“Data‑Driven Spectrum Cartography via Deep Completion Autoencoders”(IEEE ICC.,Jul.2020)中基于“接收信号功率在一个广泛的频域内表现出很强的相关性”这一论断，提出了频率空间双插值方法。但该方法简单地将频率相关系数固定为1，即直接将同一位置上其他频段的测量值当作目标频段的测量值，然后利用空间相关性对该频段的缺损频谱地图进行补全。可见并没有有效利用频率相关性，频域补全精度不高。中国人民解放军国防科技大学提出的公开号为CN 112967357 A的专利“一种基于卷积神经网络的频谱地图构建方法”中公开了一种基于卷积神经网络的频谱地图构建方法。这种方法先通过传统分布式簇克里金插值法进行不同空间分辨率频谱地图的初步构建，再通过字典学习和卷积神经网络学习模型进行图像特征的提取。这一定程度上缓解了计算复杂度和频谱地图精度之间的矛盾，但是这种方法同样只关注空间分辨而忽视了频谱地图的跨域研究。

[0006] 这些方法都忽视了不同频率信号在传播中的频率衰落差异，算法的出发点仍然是数据的空间补全，而没有利用频率相关性，导致这些方法在目标频段无频谱数据的情况下难以精确构建频谱地图。5G及6G通信系统的信号大部分是宽带信号。如何精确获取宽频段频谱地图具有重要意义。因此，亟需开发新的频谱地图构建方法。

发明内容

[0007] 本发明所要解决的技术问题是针对上述现有技术的不足，提供基于跨域推理的频谱地图精确构建方法，针对目标频段无频谱数据导致频谱地图难以精确获取的问题，通过构建频‑空域双域模型及利用频点之间和空间之间的相关性，实现目标频段频谱地图的精确构建，为6G移动通信系统的频谱高效管理提供技术支撑。

[0008] 为实现上述技术目的，本发明采取的技术方案为：

[0009] 基于跨域推理的频谱地图精确构建方法，包括：

[0010] 步骤1、采集频谱数据并对采集的频谱数据进行预处理；

[0011] 步骤2、各频段分别根据预处理后的频谱数据构建对应的缺损频谱地图；

[0012] 步骤3、将各频段的缺损频谱地图和目标频段的空白频谱地图在频率维度堆叠，构成跨域频谱地图样本并将其划分为训练集样本和测试集样本；

[0013] 步骤4、根据跨域频谱地图样本的三维数据特征改进自编码器网络结构并根据训练集样本进行网络结构训练；

[0014] 步骤5、将测试集样本输入训练完成的网络结构，并对网络输出数据进行后处理，得到频谱地图构建结果。

[0015] 为优化上述技术方案，采取的具体措施还包括：

[0016] 上述的步骤1采集频谱数据，具体为：

[0017] 在目标区域内随机生成固定数量的感知节点位置，采集节点处的接收信号数据；

[0018] 将采集的信号数据连同接收位置和发射频率上传到中心数据库，由中心数据库计算生成目标频点的完整频谱地图，完成频谱数据采集。

[0019] 上述的步骤1中，对频谱数据进行预处理，包括：

[0020] 1)遍历频谱数据，获取最值pmin、pmax；

[0021] 2)数据归一化：

[0022]

[0023] 其中，p(fk)表示频点fk对应的频谱数据，pmin表示所有频谱数据的最小值，pmax表示所有频谱数据的最大值。

[0024] 上述的步骤2中，各频段分别根据预处理后的频谱数据构建对应的缺损频谱地图时，将目标区域栅格化，如果格点I＝(i,j)对应的网格中存在频谱数据，则 取值为频谱数据值；否则， 表示该网格的频谱信息缺失；

[0025] 其中， 表示频点fk对应的缺损频谱地图， 表示该频谱地图中格点(i,j)上的元素。

[0026] 上述的步骤2所述缺失频谱地图构建方式如下：

[0027] I＝(i,j)所在栅格有频谱数据：

[0028] I＝(i,j)所在栅格无频谱数据：

[0029] 其中， 表示频点fk对应的缺损频谱地图， 表示缺损频谱地图中格点(i,j)的数值，p(fk,xi,j)表示实际频谱数据，当一个栅格内存在多个频谱数据时取平均值。

[0030] 所述频谱地图表示为N×N的离散栅格模型，其由实际的场景均匀划分得到，且假设每个栅格内的信号强度不变，恒定为格点处的信号强度。

[0031] 上述的步骤3中，将同一无线电传播场景而不同发射频率的各频段的缺损频谱地图和目标频段的空白频谱地图，在第三个维度按照频率大小进行堆叠，构成具有三维张量结构的跨域频谱地图样本，从而将不同频率的缺损频谱地图在频域中建立关联，进一步将跨域频谱地图样本划分为训练集样本和测试集样本。

[0032] 上述的步骤4包括：

[0033] 1)压缩U‑Net网络结构深度，释放网络参数负荷；

[0034] 2)根据三维数据特征修改卷积层和转置卷积层的参数和结构；

[0035] 3)在编码器网络和解码器网络对应的层之间进行同分辨率特征图的复制拼接；

[0036] 4)利用训练集样本训练网络。

[0037] 上述的利用训练集样本训练网络具体包括：

[0038] 第一步，首先随机初始化网络的可训练参数：

[0039] 初始化网络训练迭代次数epoch为1，学习率为0.0005，将Adam优化算法作为网络训练优化器；

[0040] 第二步，将训练集样本分批次输入网络训练：

[0041] 批次大小按照训练效果进行调节，每个批次的训练误差反向梯度传播从而优化模型参数；

[0042] 当训练集中所有批次的样本都完成了一次正向传播和一次反向传播时即为完成1个epoch；

[0043] 训练误差函数采用均方误差损失函数，计算公式如下：

[0044]

[0045] 其中，L是一个训练批次中样本的个数，(M+1)×N×N表示每个训练样本的大小，Pl表示第l个样本的真实结果， 表示第l个样本的估计结果；

[0046] 第三步，判断网络是否训练完成：

[0047] 判断网络是否训练至收敛，若是，则执行步骤5，若否，则将epoch加一，继续进行第二步训练网络。

[0048] 上述的步骤4改进后的自编码器网络结构为：

[0049]

[0050] 其中，εθ表示改进后的自编码器网络，δθ表示解码器网络。

[0051] 上述的步骤5所述对网络输出数据后处理，得到频谱地图构建结果，具体为：

[0052] p＝p(pmax‑pmin)+pmin

[0053] 其中，p表示模型构建的频谱数据，即为频谱地图构建结果，pmin表示所有频谱数据的最小值，pmax表示所有频谱数据的最大值。

[0054] 本发明具有以下有益效果：

[0055] 本发明能够在目标频段无频谱数据的情况下，根据其他频段的频谱数据，通过频‑空域双域频谱地图构建和改进的自编码器网络实现目标频段频谱地图的精确构建，解决了目标频段无频谱数据导致频谱地图难以精确获取的问题。

[0056] 1、本发明引入了无线电传播的频率相关性概念和频‑空域双域频谱地图(即跨域频谱地图样本)建模方法，克服了现有频谱地图构建方法在目标频段无频谱数据时难以精确构建频谱地图的问题。

[0057] 2、本发明引入了跨域推理方法，基于神经网络模型完成了频率衰落特征和空间衰落特征的同步学习，利用频率相关性和空间相关性提升了频谱地图构建精度，克服了现有方法中忽视不同频率信号在传播时的频率衰落差异而导致频率相关性未有效利用的问题，可应用于实际的无线通信系统。

[0058] 3、相比经典的深度神经网络，本发明设计的网络框架压缩了网络深度，精简了网络结构，网络深度更小，网络结构更精简，释放了网络的参数负荷，克服了三维输入数据带来的网络参数多，训练复杂度高，以及容易过拟合的问题，提升了网络的收敛速度。

附图说明

[0059] 图1是本发明方法的流程图；

[0060] 图2是本发明的网络框架图；

[0061] 图3是本发明和其他方法构建的频谱地图可视化效果对比图；

[0062] 图4是本发明和其他方法在不同采样率下的性能对比图。

[0063] 图5是本发明在不同发射源场景下的收敛曲线图。

具体实施方式

[0064] 以下结合附图对本发明的实施例作进一步详细描述。

[0065] 参见图1，本发明基于跨域推理的频谱地图精确构建方法，具体步骤描述如下：

[0066] 步骤1、采集频谱数据并对采集的频谱数据进行预处理；

[0067] 步骤1.1、采集频谱数据：

[0068] 在目标区域内随机生成固定数量的感知节点位置，获取节点处的接收信号数据。将信号采集数据连同接收位置和发射频率等信息上传到中心数据库，由中心数据库计算生成目标频点的完整频谱地图。

[0069] 在本发明的实施例中，假设信号源可以在若干个发射频率间切换。

[0070] 本发明采用信号大尺度衰落模型P(fk,xi,j)＝PTx‑nflog10(f)‑10ndlog10(d)‑LC表征无线电传播规律。

[0071] 其中，PTx表示信号源的发射功率；fk表示信号源的发射频率；nf和nd分别表示频率损耗系数和路径损耗系数；d表示发射端与接收端之间的距离；LC为自由空间传播损耗，系常量。

[0072] 步骤1.2、对采集的频谱数据进行预处理：

[0073] 1)根据步骤1.1得到的信号数据，首先遍历频谱数据获取所有数据中的最小值pmin和最大值pmax。

[0074] 2)为了让神经网络更好地学习数据的分布特征，提升网络的收敛效果，对输入数据进行数据预处理，即对每个格点上的频谱数据进行归一化处理，以预防神经网络中常见的梯度消失或梯度爆炸问题：

[0075]

[0076] 其中，p(fk)表示频率fk对应的频谱数据，pmin表示所有频谱数据的最小值，pmax表示所有频谱数据的最大值。

[0077] 步骤2、各频段分别根据预处理后的频谱数据构建对应的缺损频谱地图；

[0078] 本发明将频谱地图表示为N×N的离散化栅格模型，其由实际的场景均匀划分得到。格点上的数值代表所在栅格的信号强度，假设每个栅格内的信号强度不变。分别为每个频点生成对应的二维频谱地图。

[0079] 将目标区域栅格化，如果格点I＝(i,j)对应的栅格内存在采集数据，则 取值为该测量值；否则， 以表示该网格的频谱信息缺失。其中， 表示频点fk对应的缺损频谱地图， 表示该频谱地图中格点(i,j)上的元素。

[0080] 所述缺失频谱地图构建方式具体如下：

[0081] I＝(i,j)所在栅格有频谱数据：

[0082] I＝(i,j)所在栅格无频谱数据：

[0083] 其中， 表示频点fk对应的缺损频谱地图， 表示缺损频谱地图中格点(i,j)的数值，p(fk,xi,j)表示该位置的实际频谱数据，当一个栅格内存在多个频谱数据时取平均值。

[0084] 步骤3、将各频段的缺损频谱地图和目标频段的空白频谱地图在频率维度堆叠，构成跨域频谱地图样本并将其划分为训练集样本和测试集样本；

[0085] 本发明利用改进的自编码器网络结构，根据稀疏频谱数据进行频、空域的跨域推理，通过学习到的信号衰落特征实现频谱地图的精确构建。本步骤的关键在于利用频率相关性，因此首先需要将不同频率的缺损频谱地图在频域中建立关联。

[0086] 将同一无线电传播场景而不同信号发射频率的若干帧频谱地图，在第三个维度按照频率大小进行堆叠，构成三维张量结构，从而将若干独立的二维频谱地图在频域中建立关联。其中，各已测频段的频谱地图是包含若干测量数据的缺损频谱地图，目标频段的频谱地图是不含任何频谱数据的空白频谱地图。

[0087] 步骤4、根据跨域频谱地图样本的三维数据特征改进自编码器网络结构并根据训练集样本进行网络结构训练；

[0088] 本发明基于自编码器的U‑Net像素级语义分割结构设计网络结构。将三维频谱张量看作三维图像，先采用编码过程进行下采样来提取无线电传播的频率衰落特征和空间衰落特征；再采用解码过程进行上采样，以重构出表征频谱数据分布的完整图像。因此，网络对频谱地图的预测过程如下所示：

[0089]

[0090] 其中，εθ表示编码器网络，δθ表示解码器网络。

[0091] 针对经典U‑Net深度神经网络结构专注于二维数据处理，应用到三维数据后导致的参数过多，训练复杂度高以及容易过拟合的问题，本发明基于U‑Net结构进行改进，搭建适用于三维数据结构的网络结构。包括：

[0092] 1)压缩U‑Net网络深度，释放网络的参数负荷；

[0093] 2)根据三维特征修改卷积层和转置卷积层的参数和结构，同时实现数据通道增加和特征图尺寸压缩，从而减少网络深度，减轻参数负荷；

[0094] 3)在编码器网络和解码器网络对应层之间进行同分辨率特征图的复制拼接，补充细节特征。

[0095] 4)利用训练集样本训练网络，判断网络是否训练完成，若是，则执行下一步骤，若否，则将训练迭代次数加一后继续训练，具体为：

[0096] 第一步，首先随机初始化网络的可训练参数。初始化网络训练迭代次数epoch为1，学习率为0.0005，将Adam优化算法作为网络训练优化器。

[0097] 第二步，将训练集样本分批次输入网络训练，批次大小按照训练效果进行调节，每个批次的训练误差反向梯度传播从而优化模型参数。当训练集中所有批次的样本都完成了一次正向传播和一次反向传播时即为完成1个epoch。训练误差函数采用常用的均方误差损失函数，计算公式如下：

[0098]

[0099] 其中，L是一个训练批次中样本的个数，(M+1)×N×N表示每个训练样本的大小，Pl表示第l个样本的真实结果， 表示第l个样本的模型估计结果。

[0100] 第三步，判断网络是否训练完成：

[0101] 判断网络是否训练至收敛，若是，则执行步骤5，若否，则将epoch加一，继续进行第二步训练网络。

[0102] 本发明网络结构参见图2。

[0103] 步骤5、将测试集样本输入训练完成的网络结构，并对网络输出数据进行后处理，得到频谱地图构建结果。

[0104] 对网络的输出结果进行数据再处理，将频谱地图中的元素恢复成以dBm为单位的接收信号强度：

[0105] p＝p(pmax‑pmin)+pmin

[0106] 其中，p表示模型构建的频谱数据，pmin表示所有频谱数据的最小值，pmax表示所有频谱数据的最大值。

[0107] 下面结合仿真实验对本发明的效果做进一步说明。

[0108] 1、仿真条件与参数设置：

[0109] 本发明的仿真实验是在Python3.6，Pytorch1.9.1的仿真平台上进行的。用于预测频谱地图的频谱数据由随机分布在目标区域的感知节点采集得到，考虑15％和29％两种采用率以及单发射源和多发射源两种场景。初始化网络训练迭代次数epoch为1，学习率为0.0005，将Adam优化算法作为网络训练优化器。单个批次的样本数为4。

[0110] 2、仿真内容：

[0111] 图3是本发明和其他方法构建的频谱地图可视化效果对比图。

[0112] 图3中的图3(a)是频谱地图的真实结果，图3(b)是本发明方法构建的频谱地图结果，图3(c)是基于传统空间插值方法得到的频谱地图结果。通过比较可以看出本发明构建的频谱地图效果明显优于另一方法，能够较精确地表征目标区域内频谱数据的整体分布情况以及信号源位置。

[0113] 图4是本发明和其他方法在不同采样率下的性能对比图。

[0114] 图4中的横坐标表示不同采样率(％)，纵坐标表示补全误差(dB)。每个采样率下的深色柱体表示采用本发明方法的构建误差，白色柱体表示采用传统空间插值法生成频谱地图的误差。采样率分别为15％和29％。通过比较可以看出本发明的构建性能明显优于另一方法。从总体趋势来看，模型性能随着采样率的增加而提高。在采样率为15％时，本发明的构建误差在2.53dB左右，这比基于空间插值的方法低了大约9％；在采样率为29％时，本发明的构建误差在1.69dB左右，这比基于空间插值的方法低了大约39％。

[0115] 图5是本发明在不同发射源场景下的收敛曲线图。

[0116] 图5中的横坐标表示训练轮数(次)，纵坐标表示训练损失。以圆形标示的折线表示本发明方法在单发射源场景下的收敛曲线，以矩形标示的折线表示本发明方法在多发射源场景下的收敛曲线。可以看出本发明方法的网络收敛速度较快，在两种场景下都能在10个训练周期之内达到收敛。

[0117] 综合上述仿真结果和分析，本发明所提出的基于跨域推理的频谱地图精确构建方法，能够更好地利用无线电传播的频率相关性和空间相关性，实现了目标频段无频谱数据时的频谱地图精确构建。本发明在实际的通信场景中能得到广泛的应用。

[0118] 以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。