短波认知ALE系统中基于深度学习-GP混合模型的多维谱预测方法研究

Spectrum prediction in cognitive HF automatic link establishment(ALE) system not only can improve the spectral efficiency, but also supports aggregation of "Spectrum Hole" finished by ALE. Then ALE can assign bandwidth flexibly to user according to the needs of HF communications services.In this project, we will research a novel method of multidimensional spectrum prediction based on deep learning-Gaussian process hybrid model which can pridict "space spectrum hole" and "frequency spetrum hole" in next time duration.We will launch the research from following four aspects. Firstly,we will research the architecture of deep-learning - Gaussian process hybrid pridiction model in HF ALE system.Secondly, the performaance of the prediction model put forword by us will be researched. Thirdly, the peformence of our pridiction model for long time status will be researched. Lastly, the method of building multi-hop link by HF ALE based on prediction results and its improvement for spectrum efficiency will we researched.The spectrum pridiction method obtained from this project combine the relative sthenths of both deep learing and Gaussian process regression, which are helpful to improve spectral efficiency and can guarantee the quality of HF service in next generation wideband HF ALE system.

在短波认知ALE系统中利用多维谱预测不仅能够提高频谱利用率,还能支持ALE将频谱空洞进行聚合，根据短波通信业务的需要灵活地为用户分配带宽。本项目拟研究短波ALE中基于深度学习-高斯过程（GP）混合模型的多维谱预测新方法，能够预测下一时段内的"空间谱空洞"和"频谱空洞"。我们拟在以下四个方面展开研究。首先，研究短波ALE系统中多维谱预测深度学习-GP混合模型结构；其次，研究深度学习-GP混合模型的多维谱预测算法性能；第三，研究预测模型的预测长期状态的性能；第四，研究短波ALE系统中基于预测结果的多跳通信链路建立方法，分析其提高频谱利用率的作用。该研究得到的多维谱预测方法实现了深度学习与高斯过程的优势互补，可应用于下一代宽带短波ALE系统中提高频谱利用率并保证短波业务传输的质量。

未来的短波通信也面临着亟待解决的问题：（1）短波通信的广泛使用增加了对频率资源需求，导致通信拥塞情况日益严重；（2）未来以实时监控视频、互联网为代表的应用需要更高的数据传输速率，这会导致带宽需求的急剧增加；（3）天波信道在日间与夜间的可用频率有显著差异，并且很大程度上还取决于通信的日期和太阳黑子活动，使短波链路将无法建立。如果在无线通信系统中能够预测频谱和空间谱，不仅能够缩短认知决策的时间，而且通过将“频谱空洞”、“空间谱空洞”会聚成足够的带宽供用户使用，能够为未来短波宽带业务提供有效、可靠的通信链路。. 主要研究的内容包括：（1）研究短波ALE系统中多维谱预测的深度学习-GP混合模型结构；（2）研究深度学习-GP混合模型的多维谱预测算法性能；（3）研究预测模型的长期预测性能；（4）研究短波ALE系统中基于预测结果的多跳通信链路建立方法，分析其提高频谱利用率的作用。. 项目的研究获得了若干重要结果和关键数据：. （1）实现了基于改进的深度置信网络的电离层F2层临界频率预测方法，在短时预测方面具有更高的预测准确率，能对电离层foF2的趋势变化进行很好的拟合；. （2）构建频谱预测的深度循环神经网络，优化多时隙频谱预测策略，采用基于扩展卡尔曼滤波的空间和时间训练方法将训练时间缩短到了原方法的十分之一；. （3）实现了多时隙频谱空洞预测，用信道数据开展了频谱预测器训练和频谱预测的实验，结果预测器的结果具有更小的归一化均方误差（Normalized Mean Square Error, NMSE）；. （4）通过实验证明采用多时隙频谱预测的方法比完全采用频谱认知的方法的频谱利用高79%~110%，同时减少能量消耗50%~80%。. 项目的研究阐明了深度学习网络的“深度规模”、GP回归的高斯噪声分布假设与预测准确性的关系，通过深度模型的在线训练使预测方法能自适应电离层的变化，通过深度循环网络结构控制预测误差的累积实现预测时间的最大化，从而为提高频谱利用率和通信服务质量提供了有效的技术途径和理论指导。