本發(fā)明屬于智能無線通信領域，涉及一種基于條件擴散模型的頻譜態(tài)勢預測方法。

背景技術：

1、隨著6g技術推進，沉浸式應用和大規(guī)模物聯(lián)網等業(yè)務進一步占用有限的頻譜資源，海量業(yè)務的用頻特性在不同時間、頻段以及空間上都呈現(xiàn)高動態(tài)特性。目前，移動通信網絡主要依賴“即感知-即調度”策略，即基站先檢測當前頻譜態(tài)勢，再即時下發(fā)功率控制或頻段切換指令。這種被動模式在流量激增或干擾突發(fā)時往往來不及完成鏈路調整，導致吞吐量驟降甚至會話中斷。因此，若能基于歷史頻譜測量結果提前預測未來頻譜態(tài)勢，基站可以預先切換頻段或重新分配功率，從被動響應升級為前瞻式資源管理，顯著提高頻譜利用率和業(yè)務可靠性。

2、傳統(tǒng)頻譜態(tài)勢預測方法主要沿用統(tǒng)計建模思路，先對歷史頻譜數(shù)據(jù)做參數(shù)擬合，再按遞推公式推算未來數(shù)據(jù)。例如，在專利cn107070569a中公開了一種基于隱式馬爾可夫模型預測模型的頻譜態(tài)勢預測方法，利用隱式馬爾可夫模型先建立頻譜“占用/空閑”狀態(tài)轉移的概率矩陣，再利用該矩陣對下一時隙的頻譜狀態(tài)進行推斷，實現(xiàn)實時頻譜態(tài)勢預測。在專利cn106231603b中公開了一種基于統(tǒng)計模型的頻譜預測方法，先根據(jù)歷史占用狀態(tài)計算信道間的相關系數(shù)并進行聚類，在每個信道簇中選取部分檢測信道，再通過隱式馬爾可夫模型與維特比算法，利用檢測信道的當前狀態(tài)推斷同類中其余信道的占用狀態(tài)，從而提高預測效率并降低檢測開銷。然而，這些算法適合捕捉歷史數(shù)據(jù)的短周期變化，但難以擬合頻譜在時間、頻率與空間上的高動態(tài)特性。

3、近年來，深度學習技術興起，深層網絡的特征提取能力顯著增強了對歷史數(shù)據(jù)的表征從而實現(xiàn)更準確的預測效果。研究者已廣泛引入lstm、rnn以及transformer等模型，對歷史頻譜數(shù)據(jù)中的時間、頻率和空間特征進行建模，以預測未來頻譜態(tài)勢，并在多種公開或私有數(shù)據(jù)集上取得了較高精度。例如，在專利cn119155802a中公開了一種基于時間-頻率特征融合網絡的頻譜預測方法，先通過時間卷積網絡提取頻譜數(shù)據(jù)的時域特征，再用圖卷積網絡提取頻域特征，隨后利用注意力機制對兩類特征進行動態(tài)融合，從而實現(xiàn)對未來頻譜狀態(tài)的高精度預測。在專利cn116744455a中公開了一種基于小波分解與lstm網絡的可解釋頻譜態(tài)勢預測方法，先對頻譜數(shù)據(jù)進行小波分解獲得多尺度子序列，再分別通過lstm網絡進行子序列特征融合并預測輸出，實現(xiàn)具有可解釋性和更高精度的頻譜態(tài)勢預測。然而，這些方法普遍假設監(jiān)測節(jié)點在每個采樣周期都能對全帶寬進行掃描，因而擁有完整的歷史數(shù)據(jù)。在實際部署中，為降低射頻成本、減少功耗并縮短采樣時間，節(jié)點往往采用部分掃頻方式，即一次僅掃描寬帶中的部分子帶。這種經濟高效的方案會造成歷史頻譜數(shù)據(jù)天然存在大量缺失觀測數(shù)據(jù)。此外，大多數(shù)智能預測模型仍偏重時間維度建模；少數(shù)工作雖然考慮時間、頻率和空間維度的動態(tài)性，卻沒有深度融合多維特征。因而，如何基于部分觀測的歷史頻譜數(shù)據(jù)，聯(lián)合挖掘并融合時-頻-空三維特征，并準確地推斷未來頻譜狀態(tài)，已成為當前頻譜智能前瞻式管理的關鍵難題，也是待突破的核心技術問題。

4、為此，本發(fā)明提出一種面向部分觀測歷史頻譜數(shù)據(jù)的基于條件擴散模型的頻譜態(tài)勢預測方法。具體而言，首先構建“時-頻-空”特征提取網絡，通過多維注意力機制從零填充后的歷史頻譜數(shù)據(jù)中分別提取時間、頻率與空間特征，并利用跨注意力機制將“時-頻-空”特征融合為統(tǒng)一的條件向量；隨后將該條件向量注入條件擴散模型，引導其在前向擴散階段學習加入噪聲的分布，在后向生成過程中持續(xù)提供先驗引導，實現(xiàn)對未來頻譜的逐步去噪與精細重建。該方法通過多層注意力建模全局相關性和條件擴散模型確保細節(jié)生成，即使在歷史頻譜數(shù)據(jù)缺失的部分掃頻場景下，仍能輸出高精度的頻譜態(tài)勢預測結果，為動態(tài)頻段切換、功率控制和干擾規(guī)避等頻譜資源管理任務提供前瞻性決策支持。

技術實現(xiàn)思路

1、本發(fā)明考慮在一個移動通信網絡中，為實現(xiàn)頻譜態(tài)勢的前瞻式預測，按照預設密度部署個頻譜監(jiān)測節(jié)點，采取部分掃頻方式對個頻段進行監(jiān)測，并將測量結果實時上傳到基站或者邊緣節(jié)點。隨后，基站或邊緣節(jié)點對來自不同監(jiān)測節(jié)點的部分觀測頻譜數(shù)據(jù)進行零填補和數(shù)據(jù)處理，并構建用于模型訓練的數(shù)據(jù)集。構建數(shù)據(jù)集時，以連續(xù)個采樣周期的數(shù)據(jù)為歷史窗口，以其后緊接的個采樣周期的數(shù)據(jù)作為預測窗口。由此可構建大量樣本對，在基站或邊緣節(jié)點處進行離線訓練。模型訓練完成后，基站可在線接收監(jiān)測節(jié)點持續(xù)上傳的頻譜數(shù)據(jù)，實時生成最新的歷史窗口，輸入模型以預測未來頻譜狀態(tài)，實現(xiàn)在線預測與動態(tài)前瞻式頻譜資源管理。

2、本發(fā)明的技術方案：

3、一種基于條件擴散模型的頻譜態(tài)勢預測方法，如圖1所示由“時-頻-空”特征提取網絡和頻譜態(tài)勢預測生成網絡構成。首先，通過“時-頻-空”特征提取網絡，在時間、頻率和空間多個維度上對歷史頻譜數(shù)據(jù)進行深層次相關性建模，提取多維融合特征；隨后，將提取的特征作為條件輸入，引導頻譜態(tài)勢預測生成網絡逐步還原未來頻譜數(shù)據(jù)，實現(xiàn)對頻譜演化趨勢的精準預測與細節(jié)恢復。該方法有效結合了多維度注意力機制的全局建模能力以及條件擴散模型的高保真生成能力，顯著提升了頻譜態(tài)勢預測的準確性。具體步驟如下：

4、（1）構建“時-頻-空”特征提取網絡；

5、“時-頻-空”特征提取網絡用于從歷史頻譜數(shù)據(jù)中充分挖掘時間維度、頻率維度和空間維度的相關性，構建高維融合特征；其中，?為歷史采樣周期數(shù)，為監(jiān)測節(jié)點數(shù)，為頻點數(shù)；

6、（1.1）時間特征提取；

7、采用多頭注意力機制對歷史頻譜數(shù)據(jù)的時間維度進行建模，以充分捕獲歷史頻譜數(shù)據(jù)的全局時域相關性；首先將歷史頻譜數(shù)據(jù)沿時間維度展平得到二維矩陣；隨后，引入位置編碼以保留歷史頻譜數(shù)據(jù)的時間順序信息，得到位置嵌入后的矩陣：

8、（1）

9、其中，表示位置編碼矩陣；接著，通過三組線性變換生成每個注意力頭的查詢矩陣、鍵矩陣、值矩陣：

10、（2）

11、其中，、、是可學習的線性映射矩陣；隨后，進行多頭注意力計算得到每個注意力頭的輸出為：

12、（3）

13、其中，表示鍵矩陣的轉置，表示對注意力得分進行歸一化操作，是每個注意力頭的維度；對所有注意力頭的輸出進行特征融合，并輸入到帶有激活函數(shù)的前饋神經網絡中以進一步提升“時-頻-空”特征提取網絡的表達能力；最后，為了保證訓練穩(wěn)定性和加速收斂，在殘差連接后加入歸一化操作得到時間維度的全局特征；

14、（1.2）頻率特征提取；

15、為了捕捉不同地理位置內歷史頻譜數(shù)據(jù)中各頻率點之間的相關性，對歷史頻譜數(shù)據(jù)的頻率維度上引入自注意力機制進行頻率維度建模；對歷史頻譜數(shù)據(jù)沿頻率維度展平得到二維矩陣，并進行位置編碼、多頭注意力計算以及特征融合，與步驟（1.1）的操作過程相同，得到頻率維度的全局特征；

16、（1.3）空間特征提??；

17、為了捕捉不同地理位置之間的空間相關性，對歷史頻譜數(shù)據(jù)的空間維度上引入自注意力機制進行頻率維度建模；接著，對歷史頻譜數(shù)據(jù)沿空間維度展平得到二維矩陣，并進行位置編碼、多頭注意力計算以及特征融合，與步驟（1.1）的操作過程相同，得到空間維度相關性的全局特征；

18、（1.4）“時-頻-空”特征融合；

19、為了將從時間維度、頻率維度和空間維度中提取的特征進行統(tǒng)一整合，引入跨注意力機制，融合時間維度的全局特征與包含頻率維度和空間維度相關性的全局特征；首先通過線性映射生成跨注意力機制所需的查詢矩陣、鍵矩陣和值矩陣：

20、（4）

21、其中，、、為可學習的權重矩陣；最后，對、、進行注意力計算得到“時-頻-空”融合特征；

22、（2）構建頻譜態(tài)勢預測生成網絡；

23、在前向過程中，通過向真實未來頻譜數(shù)據(jù)逐步注入高斯噪聲，構造出不同擴散時間步對應的帶噪聲數(shù)據(jù)，用于監(jiān)督噪聲估計網絡學習不同擴散時間步中所注入噪聲的分布；隨后，訓練該噪聲估計網絡以精準擬合噪聲分布；噪聲估計網絡訓練完成后，在后向過程中以標準高斯噪聲作為起點，利用已訓練的噪聲估計網絡逐步估計并去除每一步所對應的噪聲量，最終還原出高保真度的未來頻譜數(shù)據(jù)；

24、（2.1）前向過程；

25、前向過程為噪聲估計網絡提供訓練樣本，從真實未來頻譜數(shù)據(jù)出發(fā)，按照如下擴散公式向其中逐步注入高斯噪聲，生成帶噪聲數(shù)據(jù)：

26、（5）

27、其中，表示擴散時間步對應的帶噪聲數(shù)據(jù)，表示擴散時間步；表示累計保留系數(shù)，表示每一步添加的噪聲強度，是預設的噪聲調度參數(shù)；表示服從高斯分布的真實噪聲；為單位協(xié)方差矩陣；

28、噪聲估計網絡采用u-net結構，其輸入為擴散時間步、對應的帶噪聲數(shù)據(jù)以及“時-頻-空”特征提取網絡得到的“時-頻-空”融合特征，輸出為當前時間步的估計噪聲：

29、（6）

30、其中，為噪聲估計網絡參數(shù)；訓練過程中，優(yōu)化的目標是最小化估計噪聲與真實噪聲之間的均方誤差：

31、（7）

32、通過對式（7）進行梯度下降，同時更新噪聲估計網絡和“時-頻-空”特征提取網絡中的所有可學習參數(shù)；

33、（2.2）后向過程；

34、當噪聲估計網絡和“時-頻-空”特征提取網絡訓練完成后，先使用“時-頻-空”特征提取網絡從歷史頻譜數(shù)據(jù)中提取“時-頻-空”融合特征作為噪聲估計網絡的條件輸入，從純噪聲開始，利用訓練好的噪聲估計網絡后向逐步去噪，重構未來頻譜數(shù)據(jù)；每一步的后向采樣過程為：

35、（8）

36、其中，為后向過程中的噪聲尺度系數(shù)，表示標準高斯噪聲；重復上述過程直到，即得到最終預測的未來頻譜數(shù)據(jù)。

37、本發(fā)明的有益效果：

38、（1）本發(fā)明可在實際頻譜監(jiān)測節(jié)點采用部分掃頻策略、歷史觀測數(shù)據(jù)存在大量缺失的情況下，仍實現(xiàn)準確的頻譜態(tài)勢預測，突破了傳統(tǒng)模型對全頻觀測數(shù)據(jù)的依賴限制，增強了在真實通信網絡中的部署適應性和實用性。

39、（2）本發(fā)明引入多維注意力機制提取時-頻-空特征，并結合條件擴散模型進行高保真預測生成，顯著提升頻譜預測的精度與細節(jié)還原能力，為頻段預分配、功率控制與干擾規(guī)避等前瞻性頻譜管理任務提供有力支撐。