一种基于变分图结构的电磁频谱地图构建方法及系统

本发明涉及无线电，具体涉及一种基于变分图结构的电磁频谱地图构建方法及系统。

背景技术：

1、电磁频谱资源作为现代信息通信的基础，已经成为军民建设及发展的重要战略资源。近年来，随着无线通信技术与移动互联网的迅猛发展，无线电频谱资源的需求与日俱增，可用频段基本分配殆尽。因此，在当前频谱资源供求缺口不断扩大的形势下，提高频谱资源使用效率显得尤为重要。

2、目前，频谱共享被认为是解决频谱供需矛盾、提高频谱动态使用效率的方案之一，而电磁频谱地图构建是其中一项非常关键的技术。电磁频谱地图构建，是指以频谱监测站获取的有限空间位置的频谱数据为基础，构建整个认知无线电网络所在空域的分布，整个构建过程就是通过空间局部频谱数据认知空间全局频谱数据的过程。

3、电磁频谱地图构建技术按照研究方法可分为三大类：基于稀疏性的频谱地图构建、基于空间插值的频谱地图构建和基于深度学习的频谱地图构建，这三类方法分别利用了不同的先验信息实现对目标区域电磁频谱地图的构建。

4、基于稀疏性的频谱地图构建方法利用了频谱地图所在空域频谱数据的稀疏性，通过扩展基系数联合求解、压缩感知等算法完成频谱地图的构建。这类方法通常直接对无线电环境特征进行假设，例如路径传播损耗模型已知、假设辐射源分布在若干候选位置等，不精确的先验假设将导致频谱地图构建结果产生较大误差。基于空间插值的频谱地图构建算法，是指通过建立已知监测点与未知点功率谱之间的函数映射关系，以预测未知点的功率谱。常用的空间插值方法有几何空间插值、地理空间插值和数学空间插值等。这类方法对选择具体的数学解析模型类型至关重要，而且算法的前提均基于静态分布图的假设。由于前两类方法本身没有建模无线电传播的物理意义，在应用于频谱地图的构建过程中缺乏对相关参数的合理性选择，因此很难保证频谱数据补全的准确性。由于无线电传播特性复杂，为了进一步提高构建精度，近年来学者们提出了基于数据驱动的神经网络频谱地图构建方法。

5、射线追踪模型是一种被广泛应用于无线通信中预测电波传播特性的技术。本发明受射线跟踪模型启发，在频谱地图构建任务中，将各频谱空间栅格及其电波传播建模为图网络拓扑结构，利用图神经网络深度学习模型实现频谱地图的构建。

6、然而，频谱数据的统计特性会随着空间位置变化，导致频谱地图随分布空域的复杂性变化，在机器学习中称为分布偏移问题。但过往的图神经网络相关工作主要集中在确定的图结构上，而且节点数据遵循独立同分布假设，这些前提条件严重影响着频谱地图构建结果的准确性。

7、因此，如何提升频谱地图构建结果的准确性，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、为实现本发明目的，本技术提供了一种基于变分图结构的电磁频谱地图构建方法，包括：

2、步骤s1：对目标电磁频谱地图的空域进行栅格化处理划分栅格节点，构建电磁频谱地图的图结构；

3、步骤s2：根据互信息度量方法处理所述电磁频谱地图的图结构，并根据自适应变分图结构学习方法引入隐变量特征，建立栅格节点数据预测模型，并基于所述栅格节点数据预测模型预测所述栅格节点的接收功率数据；

4、步骤s3：利用空间分布匹配算法对空间数据进行聚类处理，根据栅格节点之间的依赖性、匹配度生成电磁频谱地图学习模型，以及基于所述电磁频谱地图学习模型构建电磁频谱地图。

5、在其中一些具体实施例中，所述步骤s1包括：利用所述栅格节点的属性，基于knn算法建立稀疏化的栅格初始连边信息，以获得电磁频谱地图中各栅格节点之间基于电波传播的准确拓扑信息；以及根据各栅格节点的平均信号接收功率，构建电磁频谱地图的图结构，以表示各栅格节点之间连边关系的邻接矩阵。

6、在其中一些具体实施例中，所述步骤s2还包括：根据自适应变分图结构学习方法约束并提取隐特征，并结合空间分布匹配算法构建所述栅格节点数据预测模型；以及基于所述栅格节点数据预测模型对栅格节点的平均信号接收功率进行预测，通过所述栅格节点的平均信号接收功率获取完整表征电磁频谱地图的结构化数据。

7、在其中一些具体实施例中，所述根据自适应变分图结构学习方法约束并提取隐变量特征包括：

8、；

9、其中，为隐变量特征矩阵的均值向量，为隐变量特征矩阵的协方差矩阵，表示hadamard积，表示独立高斯噪声，表示隐变量特征提取器， a k表示邻接矩阵。

10、在其中一些具体实施例中，所述s3包括：

11、步骤s31：利用空间分布匹配算法中的注意力矩阵捕获栅格节点之间的依赖性；

12、步骤s32：根据图神经网络算法将所述栅格节点的分布与正则化项进行匹配，确定匹配度；

13、步骤s33：根据自适应变分图结构学习方法确定损失函数；

14、步骤s34：根据所述栅格节点之间的依赖性、匹配度和所述损失函数生成电磁频谱地图学习模型，并基于所述电磁频谱地图学习模型构建所述电磁频谱地图。

15、在其中一些具体实施例中，所述步骤s33包括：

16、；

17、其中，为基于变分推理的图结构学习的损失函数，为隐变量特征矩阵的均值向量，为隐变量特征矩阵的协方差矩阵。

18、为实现同一发明目的，本技术还提供了一种基于变分图结构的电磁频谱地图构建系统，包括：

19、栅格划分模块：用于对目标电磁频谱地图的空域进行栅格化处理划分栅格节点，构建电磁频谱地图的图结构；

20、预测模型建立模块：用于根据互信息度量方法处理所述电磁频谱地图的图结构，并根据自适应变分图结构学习方法引入隐变量特征，建立栅格节点数据预测模型，并基于所述栅格节点数据预测模型预测所述栅格节点的接收功率数据；

21、学习模型建立模块：用于利用空间分布匹配算法对空间数据进行聚类处理，根据栅格节点之间的依赖性、匹配度生成电磁频谱地图学习模型，以及基于所述电磁频谱地图学习模型构建电磁频谱地图。

22、在其中一些具体实施例中，所述栅格划分模块还用于：利用所述栅格节点的属性，基于knn算法建立稀疏化的栅格初始连边信息，以获得电磁频谱地图中各栅格节点之间基于电波传播的准确拓扑信息；以及根据各栅格节点的平均信号接收功率，构建电磁频谱地图的图结构，以表示各栅格节点之间连边关系的邻接矩阵。

23、在其中一些具体实施例中，所述预测模型建立模块还用于根据自适应变分图结构学习方法约束并提取隐特征，并结合空间分布匹配算法构建所述栅格节点数据预测模型；以及基于所述栅格节点数据预测模型对栅格节点的平均信号接收功率进行预测，通过所述栅格节点的平均信号接收功率获取完整表征电磁频谱地图的结构化数据。

24、在其中一些具体实施例中，所述学习模型建立模块包括：

25、关系捕获单元：用于利用空间分布匹配算法中的注意力矩阵捕获栅格节点之间的依赖性；

26、匹配单元：用于根据图神经网络算法将所述栅格节点的分布与正则化项进行匹配确定匹配度；

27、损失函数生成单元：根据自适应变分图结构学习方法确定损失函数；

28、频谱地图构建单元：根据所述栅格节点之间的依赖性、匹配度和所述损失函数生成电磁频谱地图学习模型，并基于所述电磁频谱地图学习模型构建所述电磁频谱地图。

29、上述技术方案的有益效果：

30、本技术通过划分栅格节点并且提出将自适应融入变分图结构学习的方法中，提高频谱地图的图结构准确构建。本技术还通过在变分图结构学习来约束分布流形并提取隐特征的基础上，提出空间分布匹配算法来自适应地动态减少空间数据分布的发散性，以此建立一种端到端的、泛化能力更好的图数据监督学习模型，提升频谱地图补全精度。