關(guān)鍵詞：復(fù)雜網(wǎng)絡(luò);動態(tài)頻譜共享;高效感知;多維協(xié)同預(yù)測;聯(lián)合稀疏采樣;機器學習

作者：崔翠梅;殷昌永;楊德智

作者單位：常州工學院;東南大學;中興通訊股份有限公司

　　摘 要: 動態(tài)頻譜共享被認為是解決未來 5G/6G 復(fù)雜網(wǎng)絡(luò)環(huán)境“頻譜赤字危機”這一問題直接有效 的手段之一。然而，由于 5G/6G 網(wǎng)絡(luò)超密集、高異構(gòu)、高動態(tài)、智能化的新特征，頻譜共享發(fā)現(xiàn)( 頻譜 感知) 面臨著海量數(shù)據(jù)獲取成本高、價值密度低、檢測結(jié)果不準確、機會發(fā)現(xiàn)不充分等問題與挑戰(zhàn)， 基于機器學習的動態(tài)頻譜高效感知成為電磁頻譜領(lǐng)域重要的研究方向。首先分析了電磁頻譜動態(tài) 共享的國家戰(zhàn)略需求和技術(shù)挑戰(zhàn)，然后從動態(tài)頻譜信息的聯(lián)合稀疏采樣、協(xié)同感知、多維協(xié)同預(yù)測三 方面介紹了國內(nèi)外研究現(xiàn)狀和發(fā)展動態(tài)，提出了動態(tài)頻譜高效感知的核心科學問題; 最后給出了問 題解決思路，為實現(xiàn)未來復(fù)雜無線網(wǎng)絡(luò)頻譜高效利用提供理論和使能技術(shù)支撐。  

　　0 引 言

　　電磁頻譜是支撐未來寬帶無線移動通信網(wǎng)絡(luò)發(fā) 展的基本要素，是信息時代不可或缺的國家戰(zhàn)略資 源。隨著 5G 的大規(guī)模商用及陸續(xù)普及，物聯(lián)網(wǎng)、自 動駕駛、虛擬/增強現(xiàn)實等新興技術(shù)和服務(wù)的不斷涌 現(xiàn)，未來社會朝著“移動互聯(lián)”和“萬物智聯(lián)”的方向 發(fā)展。由此伴隨通信、雷達、導(dǎo)航、傳感等各類無線 電設(shè)備和智能終端數(shù)目指數(shù)增長，導(dǎo)致了無線數(shù)據(jù) 業(yè)務(wù)量爆炸式增長，電磁頻譜空間日益錯綜復(fù)雜。 據(jù)預(yù) 測，到 2030 年 全 球 移 動 數(shù) 據(jù) 流 量 將 達 到 5 016 EB /月( 1 EB = 1 0242 TB) ［1］。信息通信產(chǎn)業(yè) 的持續(xù)迅猛發(fā)展在引發(fā)社會信息化提升與變革的同 時也進一步加劇了有限頻譜資源的緊缺現(xiàn)狀: 一方 面，用于無線通信6 GHz以下低頻段( Sub－6 GHz) 大 部分以專用授權(quán)的方式分配殆盡，其頻譜資源稀缺 性愈發(fā)明顯; 另一方面，當前頻譜劃分固定不變，而 實際通信場景對頻譜的需求動態(tài)變化，其使用情況 在頻率、時間、空間上呈現(xiàn)出高度不均衡性。日益嚴 峻的“頻譜赤字”現(xiàn)象已成為制約 5G 和未來寬帶無 線移動通信技術(shù)發(fā)展的瓶頸。

　　為了滿足日益增長的頻譜需求，2015 年世界無 線電大會批準了 24 ～ 100 GHz毫米波范圍一些候選 頻帶，以及60 GHz的非授權(quán)頻帶［2］，但由于 5G 網(wǎng)絡(luò) 超密集、高異構(gòu)的動態(tài)復(fù)雜特性，單純依靠增加公共 通信頻譜資源來解決問題的傳統(tǒng)靜態(tài)資源分配方式 已無法滿足未來“智慧 5G”發(fā)展的需要。因此，除 積極開發(fā)尚未使用的新頻段之外，更為重要和根本 的是如何提高有限頻譜資源的利用效率。而認知無 線電技術(shù)( Cognitive Ｒadio，CＲ) 具有提高頻譜效率 的巨大潛能［3］，被認為是解決頻譜赤字危機的有效 途徑之一。它通過使能的智能終端，也稱認知用戶 ( Secondary Users，SUs) ，挖掘主用戶( Primary Users， PUs) 在時域、頻域、空域各維度上暫未使用的授權(quán) 頻段而伺機占用，同時需避免對 PUs 的干擾，突破 了傳統(tǒng)固定頻譜授權(quán)的藩籬，可以大幅提升電磁頻 譜的復(fù)用率，有望在短期內(nèi)緩解 5G 頻譜需求的燃 眉之急。

　　但是，隨著研究的不斷深入、海量智能化終端的 不斷涌現(xiàn)，以及 5G 網(wǎng)絡(luò)呈現(xiàn)的超密集、大連接、高 異構(gòu)、低時延、智能化的新特征，未來網(wǎng)絡(luò)通信環(huán)境 呈現(xiàn)出愈加明顯的復(fù)雜動態(tài)特性，單純提高頻譜復(fù) 用率已不能滿足“智慧 5G”發(fā)展的需求。因此，在 復(fù)雜的電磁頻譜環(huán)境下，基于認知無線電技術(shù)的 5G 頻譜共享發(fā)現(xiàn)技術(shù)呈現(xiàn)出新的問題與挑戰(zhàn)。

　　1) 電磁空間復(fù)雜性和高動態(tài)性。5G 網(wǎng)絡(luò)具有 高異構(gòu)和超密集性，用頻設(shè)備種類繁多和數(shù)量豐富， 應(yīng)用場景更加多元化，電磁環(huán)境和頻譜供需關(guān)系瞬 息萬變，頻譜資源競爭更加激烈，加之非法與惡意用 戶的干擾行為，導(dǎo)致頻譜使用耦合性與關(guān)聯(lián)性更加 復(fù)雜，可用頻譜動態(tài)性和不確定性愈加嚴重。

　　2) 海量頻譜信息快速準確獲取難度大，感知成 本巨大。隨著 5G 網(wǎng)絡(luò)部署密集程度的不斷提高， 認知用戶實時監(jiān)測全網(wǎng)頻譜狀態(tài)信息所需的信令開 銷日 益 增 加，其 感 知 能 量 成 本 將 面 臨 著 嚴 峻 挑戰(zhàn)［4］。

　　3) 感知信息真實性和價值密度低。5G 超密集 異構(gòu)網(wǎng)絡(luò)部署導(dǎo)致了不規(guī)則的網(wǎng)絡(luò)拓撲，如果僅采 用傳統(tǒng)的線性協(xié)同頻譜感知方法，頻譜感知準確性 和時間敏捷性等性能不會明顯改善。而且超密集的 網(wǎng)絡(luò)特征，頻譜信息在時域－頻域－空域各維度上和 維度間存在相關(guān)性，感知信息價值密度低。

　　4) 頻譜感知信息實時性差、發(fā)現(xiàn)不充分。由于 5G 網(wǎng)絡(luò)的高動態(tài)性和噪聲變化的不確定性，被動式 的頻譜感知( 周期性感知或有需求才感知) 使感知 結(jié)果時效性較低，已不能滿足智能化設(shè)備的需求。 而且由于歷史感知信息的不完整，在單一維度上感 知不能充分挖掘時域－頻域－空域三維度上的全部 空閑可用機會。

　　因此，在 5G 與未來移動通信網(wǎng)絡(luò)中，如何創(chuàng)新 頻譜多維協(xié)同感知理論方法，設(shè)計合理的認知學習 預(yù)測推理機理和策略，以從海量的異構(gòu)頻譜大數(shù)據(jù) 中挖掘出有價值的特征參數(shù)，并歸納推演出其內(nèi)在 規(guī)律，從時域－頻域－空域多維度上發(fā)現(xiàn)更多的頻譜 共享機會，充分提高頻譜效率、能量效率和時效性， 使感知質(zhì)量綜合性能“一體化”，以有效服務(wù)于高動 態(tài)頻譜資源分配，實現(xiàn)頻譜高效利用、智能化秩序管 理，成為當前亟需解決的新課題。

　　鑒于此，本文對未來復(fù)雜網(wǎng)絡(luò)環(huán)境下動態(tài)頻譜 高效感知技術(shù)的研究現(xiàn)狀和發(fā)展動態(tài)進行了分析， 提出了核心科學問題。在此基礎(chǔ)上，重點從聯(lián)合稀 疏采樣、協(xié)同感知、多維協(xié)同預(yù)測 3 個方面討論了動 態(tài)頻譜高效感知的基本解決思路與方法，為相關(guān)人 員在未來復(fù)雜網(wǎng)絡(luò)動態(tài)頻譜共享方面進一步研究提 供思路和可行參考。

　　1 國內(nèi)外研究現(xiàn)狀與發(fā)展動態(tài)分析

　　5G 頻譜共享是目前的國際研究熱點和研究前 沿，引起學術(shù)界、工業(yè)界、標準化組織、政府頻譜管理部門等多方力量的密切關(guān)注。文獻［5］從頻譜態(tài)勢 理論模型、廣域頻譜態(tài)勢感知、動態(tài)頻譜態(tài)勢生成和 頻譜態(tài)勢高效利用 4 個方面討論了電磁頻譜空間認 知新范式，綜述了對電磁頻譜空間認知基礎(chǔ)理論和 關(guān)鍵技術(shù)的研究現(xiàn)狀，并指出將孤立、分散、靜態(tài)的 頻譜數(shù)據(jù)整合成一個整體、動態(tài)、關(guān)聯(lián)、可視的異構(gòu) 數(shù)據(jù)集合是頻譜態(tài)勢未來的發(fā)展方向。吳啟暉教授 團隊［6］還提出了基于區(qū)塊鏈的動態(tài)頻譜共享方法， 指出實現(xiàn)基于區(qū)塊鏈的動態(tài)、高效、安全的頻譜共享 急需解決區(qū)塊鏈體系架構(gòu)、頻譜交易激勵機制和頻 譜協(xié)作管理等關(guān)鍵問題。文獻［7］面向 5G、6G 的 智能頻譜管理研究，分析了未來無線通信系統(tǒng)頻譜 管理面臨的四大挑戰(zhàn)，提出了智能頻譜管理的構(gòu)想 及體系架構(gòu)，探討了智能頻譜管理的關(guān)鍵技術(shù)，為充 分合理有效利用有限的頻譜資源提供思路和建議。 但是，目前難以科學、有效地開展 5G 乃至未來移動 通信網(wǎng)絡(luò)頻譜研究工作。

　　下面根據(jù)前述頻譜共享發(fā)現(xiàn)所呈現(xiàn)出的問題與 挑戰(zhàn)，分別從高動態(tài)頻譜態(tài)勢信息的聯(lián)合稀疏采樣 ( 信息獲取) 、頻譜協(xié)同感知( 信息融合) 、頻譜協(xié)同 預(yù)測( 信息認知) 3 個方面展開闡述與分析，其結(jié)構(gòu) 如圖 1 所示。

　　1．1 復(fù)雜動態(tài)頻譜的聯(lián)合稀疏采樣技術(shù)

　　頻譜感知( 即頻譜共享發(fā)現(xiàn)) 是頻譜接入( 即頻 譜共享利用) 的前提與基礎(chǔ)，是實現(xiàn)動態(tài)頻譜共享 的核心技術(shù)。目前國內(nèi)外關(guān)于頻譜感知技術(shù)的研究 已取得了豐碩成果: 文獻［8－9］分別在不同歷史階 段對頻譜感知的研究進展進行了較為系統(tǒng)全面的梳 理; 文獻［10］全面綜述了面向 5G 寬帶移動通信網(wǎng) 絡(luò)復(fù)雜無線網(wǎng)絡(luò)架構(gòu)的全頻譜共享研究，分析表明 面向 5G/6G 寬帶頻譜感知研究還有待深入。下面 具體分析 5G/6G 寬帶頻譜感知相關(guān)理論方法的總 體研究趨勢與技術(shù)挑戰(zhàn)。

　　1．1．1 感知采樣速率

　　在 CＲ 情況下寬帶頻譜感知的主要挑戰(zhàn)之一是 采樣速率瓶頸問題。因為 CＲ 感知典型的寬帶信號 時，其奈奎斯特速率需非常高，甚至超過最優(yōu)模數(shù)轉(zhuǎn) 化器( Analog-to-Digital Converter，ADC) 前端寬帶，而 這種 ADC 復(fù)雜且昂貴。因此，對于寬帶信號，傳統(tǒng) 以奈奎斯特速率抽樣進行頻譜感知的方法實際上很 難執(zhí)行。其次，寬帶信號的高抽樣速率會產(chǎn)生巨量 的樣本數(shù)據(jù)，將影響數(shù)據(jù)處理速度，增加感知時延和 計算復(fù)雜度，同時也會增加功率消耗。現(xiàn)有的寬帶 頻譜感知系統(tǒng)大都采用掃頻的方式進行，因此會丟 失很多短時存在信號。為了解決上述問題，考慮到 頻譜利用具有稀疏性，一些稀疏采樣技術(shù)吸引了越 來 越 多 研 究 者 的 關(guān) 注，例 如 壓 縮 感 知［11－12］ ( Compressed Sensing，CS) 、稀疏快速傅里葉變換［13］ ( sparse Fast Fourier Transform，sFFT) 等，而基于 CS 和 sFFT 的寬帶頻譜感知方法要求寬帶輸入信號具 有稀疏性。

　　同時，利用稀疏采樣技術(shù)時，時域、頻域和空域 稀疏采樣的時間間隔( 抽樣速率) 、頻率間隔與空間 距離的設(shè)置十分重要。如圖 2 所示( 圖中粉色曲線 和填充顏色表示頻譜空閑，藍色表示被 PU 占用) ， 頻域采樣參數(shù)要大于等于抽樣帶寬且小于單個信道 寬度，如果設(shè)置參數(shù)太小會產(chǎn)生如圖所示信號交疊 現(xiàn)象，參數(shù)太大則出現(xiàn)漏檢，不能準確判斷信道是否 被 PU 占用。對于時域觀察時長與周期，空域測量 設(shè)備的移動速度與測量間距的設(shè)置存在類似的道 理，這里不再一一詳述。

　　關(guān)于采樣參數(shù)的設(shè)置，機器學習方法被認為是 一個有效的工具。例如，文獻［15］基于強化學習的 方法構(gòu)建了一種認知無線電網(wǎng)絡(luò)中的認知環(huán)，使得 整個網(wǎng)絡(luò)范圍動態(tài)信道選擇的能力均獲得了增強。 Flokas 等［16］研究了基于稀疏的在線寬帶頻譜感知， 利用基于最小均方根的在線學習從頻率維度估計非 零元素數(shù)的上限。

　　1．1．2 噪聲不確定性影響

　　能量檢測作為最簡單通用的頻譜感知方法不需 要輸入信號的先驗知識，但對噪聲很敏感，當輸入信 號信噪比( Signal-to-Noise Ｒatio，SNＲ) 很低時，檢測 性能很差。若用 Sub-Nyquist 欠采樣機制進行感知 時檢測性能更差，由于噪聲混疊而使能量檢測的敏 感性被放大［17］。因此，在低 SNＲ 時，欠采樣壓縮感 知方法很難達到 CＲ 性能要求。但由于能量檢測簡 單易實現(xiàn)，呈現(xiàn)出較多克服噪聲影響的研究: 文獻 ［18］研究了基于循環(huán)前綴自相關(guān)性的頻域稀疏頻 譜感知和共享問題，提出了在寬帶噪聲不確定環(huán)境 下基于壓縮感知的頻域自相關(guān)方法，以有效提高頻 譜感知的準確性; 文獻［19］基于壓縮感知理論，研 究了 sub-Nyquist 抽樣的寬帶頻譜感知預(yù)決策算法， 該算法對噪聲不確定性的影響比較健壯，而且不需 要主用戶信號先驗信息; 文獻［20］研究了實時信號 數(shù)據(jù)低復(fù)雜度的壓縮頻譜感知方案，依據(jù)壓縮感知 的 sub-Nyquist 抽樣率給出了非線性重加權(quán)的最小 均方數(shù)據(jù)處理算法，通過減少抽樣率來降低計算復(fù) 雜度; 同樣，利用 sub-Nyquist 抽樣速率，文獻［21］研 究了寬帶頻譜感知中一個兩階段單節(jié)點的協(xié)同頻譜 感知算法來減少計算復(fù)雜度，同時提高感知對噪聲 不確定性影響的魯棒性。但是，前述 Sub-Nyquist 采 樣方法都需要將稀疏采樣的寬帶信號重構(gòu)作為 CＲ 感知信號。然而，CＲ 的最終目標通常是只需要檢 測，并不需要重構(gòu) PU 發(fā)射的信號。

　　1．2 復(fù)雜動態(tài)頻譜的多維協(xié)同感知技術(shù)

　　為了克服頻譜感知過程陰影衰落、隱藏終端、多 徑衰落和干擾等多重不確定因素的影響，協(xié)同頻譜 感知方法被提出，相關(guān)成果在文獻［8，22］中有較全 面系統(tǒng)的介紹。文獻［23］利用強化學習的方法克 服諸如感知時延、網(wǎng)絡(luò)流量擁塞等問題，讓每位非授 權(quán)用戶的學習策略能夠最小化感知開銷。文獻 ［24］提出了基于機器學習的協(xié)同頻譜感知方法，將 非監(jiān)督學習( K－均值分類法與高斯混合模型) 和監(jiān) 督學習( 支持向量機與基于加權(quán)的最近 K 鄰居學習 分類技術(shù)) 方法融入?yún)f(xié)同頻譜感知技術(shù)，利用超平 面將空閑可用授權(quán)頻譜與主用戶正在占用的授權(quán)頻 譜分類。文獻［25］利用深度感知方法，提出了一個 基于伯努利濾波算法的隨機有限集，以感知 5G 通 信中未來頻譜狀態(tài)與主用戶位置。然而，上述研究 沒有綜合考慮時域－頻域－空域多域環(huán)境頻譜信息 相關(guān)性影響，存在檢測結(jié)果不準確這一問題。

　　此外，由于 5G 網(wǎng)絡(luò)的超密集特征，海量頻譜感 知大數(shù)據(jù)價值密度低，協(xié)同頻譜感知在數(shù)據(jù)融合過 程中從海量低價值密度的數(shù)據(jù)中獲取重要的價值信 息是頗具挑戰(zhàn)的工作。

　　1．2．1 空間相關(guān)性

　　由于空間相關(guān)性，局部范圍內(nèi)的頻譜數(shù)據(jù)可能 存在較大的冗余，而且距離 PU 位置較近的認知用 戶一般會比距離 PU 位置遠的認知用戶檢測的更準 確可靠。例如，密集或熱點區(qū)域內(nèi)的認知用戶感知 結(jié)果多存在相似性。如圖 3 所示，認知用戶 CＲ1，與 在其射頻覆蓋范圍內(nèi)近 PU 一側(cè)的特定扇區(qū)范圍內(nèi) 的其他認知用戶( CＲ2 和 CＲ3) 感知結(jié)果相似。

　　1．2．2 時間相關(guān)性

　　由于時間相關(guān)性，同一設(shè)備對于某一空間某一 頻段在短時間內(nèi)的感知樣本存在冗余。例如，同樣 在某一用戶密集區(qū)域，CＲ1 在晚上 7—8 點間檢測 TV 頻段的結(jié)果應(yīng)該非常相近，而若是上午 7—8 點 與晚上 7—8 點兩個時間段的檢測結(jié)果將會相差 甚遠。

　　1．2．3 頻率相關(guān)性

　　由于頻率相關(guān)性，相鄰頻段上的頻譜數(shù)據(jù)存在 冗余。例如，檢測兩相鄰頻段，其檢測結(jié)果亦存在很 大相似性。

　　由上述分析可知，頻譜信息同樣存在時間與空 間、空間與頻率、時間與頻率之間的相關(guān)性，頻譜信 息各維度內(nèi)與各維度間的這種相關(guān)性成為推動優(yōu)化 協(xié)同頻譜感知因素。同時，由于頻譜信息相關(guān)性而 顯示出稀疏性，意味著可在各感知節(jié)點利用壓縮感 知算法僅需抽樣很少部分的壓縮測量數(shù)據(jù)傳送給數(shù)據(jù)融合中心來取代大部分的抽樣測量表示，從而減 少低功耗節(jié)點用于感知、數(shù)據(jù)處理與通信所消耗的 功率。因此，為有效獲取頻譜價值信息，研究更加智 能的協(xié)同數(shù)據(jù)融合處理方法顯得尤其緊迫。

　　1．3 復(fù)雜動態(tài)頻譜的多維協(xié)同預(yù)測技術(shù)

　　頻譜預(yù)測的重要特性是頻譜狀態(tài)的主動感知， 利用頻譜數(shù)據(jù)之間的相關(guān)性實現(xiàn)由已知頻譜數(shù)據(jù)樣 本推演未知頻譜數(shù)據(jù)，由稀疏、不完整樣本推演完整 頻譜態(tài)勢。頻譜預(yù)測與頻譜感知的融合有助于提高 頻譜接入的性能，減少頻譜感知的時間和能量消耗。 當前國內(nèi)外關(guān)于無線頻譜狀態(tài)預(yù)測的研究已經(jīng)取得 了階段性成果，吳啟暉教授團隊［26－27］對頻譜態(tài)勢推 理進行了系統(tǒng)的分析梳理，并總結(jié)了未來研究趨勢。

　　下面結(jié)合圖 4，從時域－頻域－空域 3 個維度對 多維協(xié)同預(yù)測技術(shù)進行分析。

　　1．3．1 時域預(yù)測

　　早期頻譜預(yù)測方面的研究主要集中于時域頻譜 預(yù)測。加利福尼亞大學的 Acharya 教授等人［28］于 2006 年首次引入線性預(yù)測機制，來推演時域頻譜空 洞出現(xiàn)的時刻和持續(xù)時間。Sarikhani 等人［29］將深 度增強學習方法用于認知無線網(wǎng)絡(luò)的協(xié)同頻譜感 知，通過選擇部分認知用戶而不是所有用戶參與協(xié) 作來提高信號分類的準確度。為了優(yōu)化認知網(wǎng)絡(luò)系 統(tǒng)的能量效益，He 等人［30］將圖神經(jīng)網(wǎng)絡(luò)與增強學 習 算 法 相 結(jié) 合，提 出 了 基 于 深 度 學 習 ( Deep Learning，DL) 的分布式協(xié)同頻譜感知方法。

　　1．3．2 頻域預(yù)測

　　伴隨著基于頻譜實測的數(shù)據(jù)分析工作的不斷深 入，頻 域 相 關(guān) 性 現(xiàn) 象 逐 漸 引 起 研 究 者 們 的 關(guān) 注［18，31］，基于頻域相關(guān)性的多信道聯(lián)合頻譜預(yù)測算 法也不斷涌現(xiàn)。文獻［32］設(shè)計了基于頻繁模式挖 掘的多信道聯(lián)合頻譜預(yù)測算法，并通過實測數(shù)據(jù)論 證了該算法相對于單信道時域頻譜預(yù)測算法的有 效性。

　　1．3．3 空域預(yù)測

　　空域頻譜預(yù)測研究也取得了階段性研究成果。 文獻［33］基于空域卡爾曼濾波理論實現(xiàn)了多用戶 分布式空域頻譜預(yù)測算法，每個用戶通過與鄰居用 戶交互觀測信號，經(jīng)過多次迭代，所有用戶均可獲得 整個區(qū)域的頻譜狀態(tài)。文獻［34］進一步利用字典 學習和壓縮感知理論，基于稀疏空間采樣實現(xiàn)了空 域干擾圖的構(gòu)建。

　　1．3．4 協(xié)同預(yù)測

　　頻譜信息時域、頻域和空域多維協(xié)同預(yù)測的研 究主要以吳啟暉教授團隊成果居多。吳教授團 隊［35］提出一種結(jié)合預(yù)測模型的頻譜張量補全方法， 用于恢復(fù)由于壓縮感知或者受傳輸噪聲的影響而缺 失的數(shù)據(jù)。Ding 等人［36］提出了一種增強的在線頻 譜預(yù)測方法，根據(jù)不完整的和/或受損的歷史信息， 從時間－頻率兩維度進行感知矩陣補全與恢復(fù)，并 通過實際信號驗證了預(yù)測性能。文獻［37］針對時 空分布復(fù)雜多變的無線網(wǎng)絡(luò)提出了一種基于協(xié)同學 習的頻譜智能感知算法，通過用戶感知層和邊緣融 合層的協(xié)同學習感知頻譜狀態(tài)。

　　從調(diào)研文獻可以看出，目前頻譜預(yù)測的研究多 以時域、頻域或空域一維預(yù)測為主，由于頻譜信息的 相關(guān)性與稀疏性，以及歷史信息的不完整性，多維協(xié) 同預(yù)測開始引起研究者的重視，相關(guān)研究還有待 深入。

　　2 復(fù)雜動態(tài)頻譜高效感知需要解決的核心

　　科學問題 縱觀上述技術(shù)研究成果，結(jié)合分析未來寬帶移 動通信網(wǎng)絡(luò)( 含 5G) 的核心內(nèi)容，在未來寬帶移動 通信網(wǎng)絡(luò)復(fù)雜電磁環(huán)境下動態(tài)頻譜高效感知亟待解 決的關(guān)鍵科學問題可歸結(jié)為如下幾點:

　　第一，面向未來寬帶移動通信系統(tǒng)業(yè)務(wù)流量數(shù) 量級增長對系統(tǒng)高頻譜效率、高功率效率和低時延 需求，迫切需要更多的頻率資源提供支撐，而有限的 頻譜資源與傳統(tǒng)靜態(tài)的資源分配管理政策無法滿足 頻譜需求。頻譜“赤字危機”日益嚴峻，迫切需要動 態(tài)頻譜高效感知的新理論和新方法。

　　第二，未來寬帶移動通信網(wǎng)絡(luò)大規(guī)模、超密集、 高異構(gòu)、高動態(tài)的新特征，以及海量異構(gòu)頻譜大數(shù)據(jù) 在時域－頻域－空域的相關(guān)性而呈現(xiàn)出的動態(tài)時變 稀疏性和低價值密度，給頻譜信息獲取與數(shù)據(jù)分析處理帶來巨大挑戰(zhàn)，迫切需要從多域、多維創(chuàng)新協(xié)同 頻譜感知預(yù)測方案。

　　第三，未來寬帶移動通信系統(tǒng)需要綜合提高頻 譜效率、能量效率和時效性 3 個關(guān)鍵性能指標，而頻 譜狀態(tài)信息的動態(tài)稀疏性和不完整性迫切需要設(shè)計 新的認知協(xié)同控制策略。

　　3 解決思路與面臨技術(shù)挑戰(zhàn)

　　3．1 基于壓縮感知的自適應(yīng)聯(lián)合稀疏采樣模型 設(shè)計

　　針對上述 5G 超密集、高異構(gòu)、大連接的網(wǎng)絡(luò)結(jié) 構(gòu)特征，若采用以奈奎斯特頻率持續(xù)全網(wǎng)感知，將產(chǎn) 生海量頻譜大數(shù)據(jù)，感知成本與數(shù)據(jù)認知分析處理 壓力將面臨巨大挑戰(zhàn)。在保證感知性能的情況下， 應(yīng)探究如何使總抽樣數(shù)最小化，具體包括多用戶協(xié) 同感知參與感知的用戶數(shù)最小化、多帶聯(lián)合檢測感 知信道數(shù)的最小化，以及如何自適應(yīng)調(diào)整抽樣速率 與能量判決閾值，根據(jù)動態(tài)與非預(yù)期的環(huán)境變化自 動調(diào)整感知策略。

　　基于能量檢測的自適應(yīng)聯(lián)合稀疏采樣理論結(jié)構(gòu) 具體可概括為 4 步: ①認知用戶接收稀疏信號; ② 認知用戶利用所設(shè)計的自適應(yīng)聯(lián)合稀疏測量矩陣收 集信號樣本; ③認知用戶或數(shù)據(jù)中心根據(jù)壓縮感知 理論恢復(fù)信號; ④認知用戶或數(shù)據(jù)中心利用所設(shè)計 的基于在線學習的非線性能量檢測方法判決 PU 是 否存在。

　　3．2 基于稀疏學習的深度協(xié)同感知技術(shù)

　　針對上述頻譜大數(shù)據(jù)的多源異構(gòu)性、價值密度 性、真實性等特征，應(yīng)利用稀疏學習、魯棒學習、核學 習等機器學習方法，探究頻譜資源在時域、頻域和空 域等多維空間的多重關(guān)聯(lián)動態(tài)特征和信息描述方 法，進行關(guān)聯(lián)分析與多維整合，去除冗余與異常數(shù) 據(jù)，提取能全面反映頻譜態(tài)勢的指標信息，建立協(xié)同 頻譜感知綜合性能“一體化”評價體系的函數(shù)表 達式。

　　考慮到感知信息的多源異構(gòu)性，可用稀疏學習 中的魯棒學習方法，提取更加本質(zhì)的關(guān)聯(lián)認知信息， 以提高整體認知效率。所謂稀疏學習中的魯棒學習 方法是將稀疏學習與魯棒學習相結(jié)合，所形成的新 算法可以快速求解各參數(shù)和其學習輸出值，有效去 除異常值。因此，基于該學習方法可以有效去除多 源異構(gòu)頻譜大數(shù)據(jù)中不相關(guān)的特征向量、冗余值和 異常值，進而提高感知的時效性。

　　3．3 基于深度學習的多維協(xié)同預(yù)測方法

　　在目前單域( 多集中于時域) 頻譜預(yù)測研究的 基礎(chǔ)上，應(yīng)針對頻譜數(shù)據(jù)的不確定性、動態(tài)性、時變 性和歷史數(shù)據(jù)不完整性等挑戰(zhàn)，考慮頻譜時－頻相 關(guān)性及可預(yù)測性的特點，利用深度學習、歸納推理、 統(tǒng)計學等相關(guān)理論與算法，通過對歷史頻譜數(shù)據(jù)的 關(guān)聯(lián)分析、分類分析和聚類分析等，從時域－頻域－ 空域多維協(xié)同的角度，發(fā)現(xiàn)頻譜數(shù)據(jù)在時、頻、空等 多維空間上的特點及規(guī)律，搭建自適應(yīng)、快速時變、 多粒度的態(tài)勢演化的概率預(yù)測模型，以滿足復(fù)雜多 樣的頻譜環(huán)境趨勢分析的需要。即利用已知頻譜數(shù) 據(jù)在時域－頻域－空域本質(zhì)的統(tǒng)計相關(guān)性，推斷未知 頻譜的狀態(tài)。

　　可以利用卷積神經(jīng)網(wǎng)絡(luò)( Convolutional Neural Network，CNN ) 與 長 短 期 記 憶 ( Long Short-term Memory，LSTM) 結(jié)合的深度學習算法，構(gòu)建頻譜不 同態(tài)勢演化的概率預(yù)測模型。深度學習預(yù)測模型包 括以下幾個模塊:

　　1) 自適應(yīng)壓縮感知模塊: 根據(jù)不同場景不同要 求自動調(diào)整抽樣稀疏度參數(shù)，負責以盡量少的抽樣 數(shù)收集無線環(huán)境的測量數(shù)據(jù)信息，也就是說首先要 產(chǎn)生 固 定 長 度 的 矢 量 以 描 述 狀 態(tài) 變 量，如 xt = ［x1( t) ，…，xn( t) T ］。

　　2) CNN 算法模塊: 該模塊用 3 層的 CNN 抽取 頻譜的關(guān)鍵特征參數(shù)存入數(shù)據(jù)池，并對這些非線性 數(shù)據(jù)進行預(yù)處理，有助于 LSTM 模塊層學習。 3) LSTM 模塊: 實際是回歸神經(jīng)網(wǎng)絡(luò)( Ｒecurrent Neural Network，ＲNN) 的拓展，用 2 層 LSTM 訓(xùn)練 CNN 中提取的數(shù)據(jù)，譯碼下一時刻行為狀態(tài)變量。 因為已有研究驗證，用 2 層的結(jié)構(gòu)，信號分類的準確 性優(yōu)于 3 層的，特別是對于低 SNＲ 的信號，性能改 善顯著。

　　4) 預(yù)測推理模塊: 該模塊是完全連接的線性 層，預(yù)測輸出下一時刻的狀態(tài) xt+1 =［x1 ( t+1) ，…， xn( t+1) ］T 。

　　5) 頻譜大數(shù)據(jù)存儲模塊: 負責保存歷史數(shù)據(jù)、 當前數(shù)據(jù)與預(yù)測數(shù)據(jù)。 最后，可以加入 Softmax 功能層以對各狀態(tài)進 行分類提取。

　　將 CS、CNN 與 LSTM 集成一體化的深度學習結(jié) 構(gòu)模型具有如下優(yōu)點:

　　1) 特征相關(guān)性提取: CNN 預(yù)訓(xùn)練可以提取所有 相關(guān)與交互變量較好的狀態(tài)表征。

　　2) 動態(tài)實時性: 具有長短記憶的 LSTM 層可建 模和預(yù)測動態(tài)系統(tǒng)，相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)具有更強 的魯棒性和準確性，以及實時控制能力。

　　3) 低抽樣( 低成本) : 低抽樣率、低功耗的頻譜 傳感器同樣適用，可以動態(tài)學習訓(xùn)練變化長度的時 域測量數(shù)據(jù)，并分類到相應(yīng)的群以聚類，對于低 SNＲ 樣本學習預(yù)測效果相對比較好。

　　4) 隱藏特征挖掘: 深度學習算法可以恢復(fù)隱藏 的模式特征，使歷史信息與當前信息高度匹配與 融合。