认知无线电网络中的频谱推理：算法与应用

认知无线电网络中的频谱推理：算法与应用

2017

摘要

​ 频谱推理，在一些文献中也称为频谱预测（本文统一称为频谱推理），是一种很有前途的技术。通过有效地利用频谱信息之间的内在相关性，从已知/测量的频谱占用统计中推断无线电频谱的占用/空闲状态。

​ 在过去的几年中，频谱推理由于其在认知无线电网络(CRNs)中的广泛应用而受到越来越多的关注。从自适应频谱感知和预测频谱移动性到动态频谱访问和智能拓扑控制。

​ 在本文中，我们提供了一个关于频谱预测最近的进展的全面调查。 具体来说，我们首先介绍了频谱推断的初步内容，包括频谱占用数据的来源、频谱使用模型，并描述了频谱变化的可预测性。

• 通过从时频空间的角度对频谱预测分类，我们提供了一个关于现有算法的深入说明。
• 进一步讲，我们对各种频谱推理算法进行了比较分析，并讨论了评估频谱推理有效性的指标。
• 我们还描述了频谱预测在认知无线电网络和其他领域的各种潜在应用，并展望了第五代移动通信和下一代高频通信系统。
• 最后但并非最不重要的是，我们强调了关键的研究挑战和未来的开放问题。

索引术语—-频谱推断，频谱预测，认知无线电，5G，高频通信。

i. 导言

a. 背景和动机

频谱短缺与频谱利用率不足驱动了控制促使了**动态频谱接入(DSA)或机会性谱接入(OSA)[**1]的出现。

• 认知无线电(CR)[2]已被公认为实现DSA/OSA概念的关键技术之一。认知无线电的设计概念就是，通过学习并适应不断变化的无线电环境[3]，对无线电环境建模。

1.频谱感知的现存问题

​ 实现CR的第一步是捕获有关频谱演化的相关信息。 在**[4]提出的基于频谱感知**、频谱分配决策、频谱共享和频谱移动性的频谱管理框架中，频谱感知就是感知信道占用率和捕获主要用户(PU)特征的模块。

​ 然而，在实际的传感过程中，在传感速度、潜在的过度能耗和有限的传感范围等方面出现了一些不可避免的问题，这些都阻碍了CR的有效运行。

2.造成这些问题的主要原因

​ 每个CR只能感知当前当地的无线电环境，而无法获取未被感知的波段、位置以及整个频域未来的活动趋势。 这不可避免地浪费了关于时隙、频带、地理位置等之间频谱状态演变的宝贵信息。

3.频谱预测的作用

​ 频谱推断/预测是一种有效的技术，可以协助频谱感知，以捕获有关频谱变化和识别频谱空穴的相关信息。

• 频谱感知是一种使用各种信号检测方法，被动确定频谱状态的方式。
• 频谱推断/预测，通过有效地利用频谱信息之间的内在相关性，主动从已知/测量的频谱占用统计数据中推断无线电频谱的占用/空闲状态。

​ 幸运的是，其他一些应用领域，如大气[6]、金融[7]、网络流量[8]和人类移动[9]，推理/预测技术（包括流行的大数据技术[10]），已经有了能够有效挖掘数据的技术。

​ 频谱推理/预测可以用来预先获取未知频谱占用信息，有效加快选择最佳信道的速度和扩大时频域-空间域[11]-[13]中的感知范围，提高CRNs的性能。

​ 越来越多的研究人员一直专注于使用或开发CRNs的有效推理/预测技术。 初步结果（见[14]-[20]）表明，跨时频-空间维度运行的频谱推断/预测算法可以使CRS具有准确的预测能力。 迫切需要对具体算法进行调查，因为推理/预测功能是CR体系结构的核心，在通信技术满足人工智能的领域中运作。

b. 与相关调查文章的比较

​ 以往这方面的综述文章，只有一个简短的调查，它引用了15个相关文章[21]在CRNs中的频谱预测，文章集中在时间范围。

相比之下，本文的目标是双重的。

• 首先，从时频-空间域的角度对频谱推断/预测算法的最新进展进行了全面的系统调查。
• 第二，讨论潜在的应用和前景，以强调推理/预测技术在CR技术背景下的意义，并为研究人员提供指导方针，重点是使CR更加智能和高效。

值得注意的是，频谱推断也与频谱占用率测量[23]、[24]和授权用户活动建模[22]有关。

1.频谱推断和授权用户活动建模的简单区别

• 授权用户活动模型是使用数学或理论表达式来模拟底层PU活动
• 频谱推理算法使用机器学习或数据挖掘方法来预测或推断基于可用历史数据的未来或未知PU活动。

​ 参考文献[22]-[24]是关于频谱占用率测量和基于统计分析的理论建模的优秀综述论文，而我们的论文侧重于介绍为频谱推断/预测的各种数据挖掘算法。

​ 事实上，[22]-[24]中的频谱模型对于理论性能分析或生成仿真数据非常有用。 然而，它们不能直接用于预测。

2.与本调查论文的工作相关的CRNs的各个方面的调查论文

• 频谱感知 [25]–[30]

• 频谱决策 [31]–[35]

• 资源分配[36]–[41]

• 安全和隐私[42]–[48]

• MAC协议[49]，[50]

• 路由[51]，网络编程[52]，

• 各种应用[53]-[56]。

  详情见表一，列出了有关的调查文件，供进一步参考。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NMRntTa5-1608537383009)(C:\Users\74760\AppData\Roaming\Typora\typora-user-images\1607498135688.png)]

​ 一方面，频谱推理的研究可以发现这些应用，这将在下面的章节中详细讨论。 另一方面，频谱推断在某种程度上是与表一中的技术并行或互补的技术。 本文通过对CRNs中频谱推断的全面调查，试图建立起二者的关系。

c.文章的组织和小题目

​ 本文的组织如图1所示，

• 第二节中介绍了关于频谱推断的必要的初步知识。
• 第三节详细介绍了在时频-空间领域工作的具体推理算法。
• 第四节提出了各种推理方法的宏观观点。
• 第五节介绍了频谱预测当前和潜在的应用。
• 第六节介绍了一系列挑战和未来趋势，以及我们的结论。
• 为了方便起见，本文中使用的缩略语可在表七中找到。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tO6UjU3J-1608537383011)(C:\Users\74760\AppData\Roaming\Typora\typora-user-images\1607442054028.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BzCDYmHn-1608537383012)(C:\Users\74760\AppData\Roaming\Typora\typora-user-images\1607442458947.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PGxCchWA-1608537383013)(C:\Users\74760\AppData\Roaming\Typora\typora-user-images\1607442764058.png)]

ii. 在CRNs中频谱推断的初步准备

a. 频谱数据的来源

​ 现实世界的频谱测量构成了频谱数据的非常重要的来源，在频谱推理技术的研究发展中起着基础性的作用。 世界各地开展了许多频谱占用率测量工作（见[23]、[24]、[59]-[87]）。

• 关于世界范围频谱占用率测量的最新进展的可在[23]和[24]中找到。

在这里，简单地说，我们强调频谱测量运动的一些共同特征如下：

• 首先，这些工作涵盖了各种频率范围和地点。 最早的测量工作于1995年，美国电信科学研究[59]测量了从108兆赫到19.3千兆赫的非常宽的频带。 最近在北京[86]和伦敦进行的[87]中重点在电视波段（470兆赫∼790兆赫），来识别电视频段的频谱空洞。此外，还有许多其他的工作，以不同的测量周期（从几个小时到几年)以在不同的地点(丹佛、都柏林、亚琛和新加坡等)和情景(包括农村、郊区和城市地区、室内和室外案例）[23]、[24]、[59]-[87]来测量特定的授权波段(如WiFi波段、电视波段、雷达波段和蜂窝波段）。
• 第二，这些工作的测量硬件不尽相同。在硬件设备方面，频谱测量系统一般由天线、滤波器、放大器和频谱分析仪组成。大多数频谱测量工作都指定了几个常见的设置。例如，采样率、测量周期、频率点、频率跨度、测量位置、天线极化方向都必须根据所考虑的特定应用选择。 此外，由于不同的设置可能导致不同程度的测量复杂性和准确性，因此仔细考虑了这些潜在冲突因素之间的权衡。
• 第三，这些工作有一种趋势，即将现实世界的频谱测量与当地公共/私人频谱数据库[247]-[250]联系起来。 一方面，大量频谱测量的收集、存储和评估需要先进的数据库。另一方面，频谱测量确保了一种数据驱动的方法，与传统的基于传播模型的方法相辅相成[242]，旨在提高当地频谱数据库[5]、[88]、[246]提供的频谱可用性的准确性和更新速度。此外，频谱测量还与建立无线电环境地图(REM)[254]-[256]相结合

b. 频谱使用模型

利用频谱使用的统计数据或确定授权用户PUs的状态一直是SU认知用户使用授权频段的关键问题。

• 研究PU的行为的工作从频谱测量中吸取了教训。结论是是，在不同的测量时间、地点、频带上、不同测量硬件和软件，不同人进行的频谱测量工作中获得的频谱占用率结果，例如在占空比方面，并不总是相同的。
• 然而，下面讨论的授权用户占用模型(例如DTMC和CTMC)，被在特定波段、位置和时间的各种参数设置相关的不同测量工作广泛使用。
• 具体来说，在CRNs中，授权用户系统的频谱使用模型通常决定认知用户系统网络的作用和性能，因此它在频谱推理中起着更重要的作用，对推理算法和技术的探索和评价往往是基于它们的[90]。
• 频谱使用模型可以在真实无线电通信系统中，通过分析频谱数据和重建频谱使用的统计特性来发现PU的活动模式。利用这些模式，我们可以生成仿真数据来验证推理算法。

​ 我们将简要介绍在时间、频率和空间三个维度上仿真频谱使用的最常见方法，如图2所示。[19]，[22]，[89]，[91]–[93]，为下一节的讨论奠定坚实的基础，

• 频谱使用模型可以通过分析频谱数据和重建实际无线电通信系统中频谱使用的统计特性来发现PU活动的模式。 利用这些模型，我们可以生成模拟数据来验证推理算法。 为了为下一节的讨论奠定坚实的基础，我们将简要介绍在时间、频率和空间三个正交维度上模拟频谱使用的最常见方法，如图2所示。[19]，[22]，[89]，[91]–[93]。 明确地，在图2中，有几个主要发射机有自己的主要覆盖区域，这些发射机为减轻其他发射机造成的干扰进行了认真协调。 一些PUS和CRS在这些主要发射机的覆盖区域内或外部漫游。 此外，每个主发射机都有其频谱用于许可或未经许可的使用。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YdIouHVY-1608537383014)(C:\Users\74760\AppData\Roaming\Typora\typora-user-images\1607501405767.png)]

iii.CRNS中的频谱推理算法

​ 许多预测算法被提出来预测信道状态、频谱占用率、施加的潜在干扰、PU的覆盖面积等。 在本节中，将采用多维方法对文献中发现的常见频谱推断/预测算法进行时间、频率和空间域的调查。 这些频谱推理算法的分类如图4所示。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vL8Rkx6K-1608537383015)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1608365391384.png)]

• 图4文献中频谱推理算法的分类（缩略语见表七）。
• 图的三个主要分支，将分别iii-A到iii-C节中进行调查，从时间技术开始。

A.时间频谱推理算法

​ 在时域，根据频谱占用[128]演变的历史信息推断频谱的状态。利用线性预测、马尔可夫模型、神经网络、模式挖掘等方法，用从原始数据中提取的一系列数字来表示所收集的信息。 在获得PU的规则模式后，我们可以在比通常更短的时间内感知光谱，节省宝贵的能量，并使PU和CRS之间的碰撞更少。

1)线性预测(LP)：

​ 让我们从时间分支顶部的LP算法开始。 线性预测是数理统计的一个重要分支，未来的值被预测为以前样本的线性函数。 基于LP的方法由于其显著的简单性，被广泛应用于数字信号处理中，以预测信号功率，并且它还被调用来实现时域频谱预测[15]、[93]、[128]-[130]。 其他应用包括语音和音频压缩[131]以及视频压缩[132]。 最常用的线性预测模型包括自回归(AR)模型、移动平均(MA)模型、自回归移动平均(ARMA)模型和自回归综合移动平均(ARIMA)模型。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2ysWpowd-1608537383016)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1608369896048.png)]

• 图5 线性预测模型常见结构

​ 使用这些模型的总体过程如图5所示。 [128]通过时间序列的样本X构成本程序的输入。 如图5所示。

• 我们首先判断输入数据的判断平稳性，如果样本不被认为是平稳的，它们将不得不用不同的技术处理。
• 接下来，我们计算协方差函数和偏自相关函数，然后将X分类为一个特定的模型。
• 最后，我们计算m和n。如图所示。 我们还必须αj和βi估计参数。 最后，我们使用选定的模型来预测预期值。

2)基于马尔可夫模型(MM)的方法：

​ 现在让我们考虑图4中中间分支的第二列。 通过分析[140]寻呼频谱带的实际测量，验证了基于马尔可夫链的子带PUS建模。 马尔可夫模型具有一个非常简单的结构，其特征是状态转换矩阵。 在这一部分中，我们将讨论一对时间预测方法，即隐马尔可夫模型(HMM)和部分可观测的马尔可夫决策过程(POMDP)，也具有图4中的特征。

​ 为了预测信道的未来状态和空闲/繁忙持续时间，在[14]、[20]、[95]、[111]、[142]、[143]和[140]中对这种标准的HMM方法进行了研究。 [95]，HMM用于预测频谱使用模式，这些模式被假定为确定性泊松分布。 给定一系列预测状态，CR将动态地选择这些推测的频率供其使用，尽管频谱占用率通常应该用随机分布来建模，如第二节所述。[142]也提倡这种算法，将其输出与从澳大利亚450-470M Hz频段收集的数据相匹配，但该算法的具体实现在[142]中没有详细说明。同时，陈等人。 [14]考虑到硬件和软件造成的时间延迟，认为这是一个现实的传播环境。 应该提到的是，在[14]中，所使用的HMM的参数是统计得到的，而不对模型进行任何训练。 相反，作者使用测量的WiFi数据而不是人工数据来验证所提出的方法。 对模型复杂性和计算复杂性进行了研究，以提供HMM性能的定性表征，并辅之以设计[118]中出现的一系列实现问题。随着状态数N的增加，需要估计的模型参数的数量也随之增加。 基于HMM的预测器的计算复杂度直接关系到状态数N和观测序列T的大小。

​ 此外，基于MM或HMM的方法在无记忆或马尔可夫谱状态演化的假设下工作得很好，其中未来的状态只取决于有关当前的相关信息，而不是来自遥远过去的信息。 通过对[140]寻呼频谱波段的实际测量结果的分析，验证了马尔可夫特性，从而推动了基于HMM的频谱推理方法的研究。 大多数相关研究都集中在一阶和平稳HMM上。 然而，在实际系统中，未来的频谱状态可能取决于相对较长的历史信息(见GSM波段[209]的潮汐效应)。 PUS的状态分布也可能发生动态变化。 为了提高标准HMM的性能，近年来研究人员通过仔细考虑谱槽占用模式的平稳性和高阶马尔可夫性质，开发了几种复杂的HMM。 一些有代表性的进展概述如下：

• 非平稳隐马尔可夫模型(NS-HMM)：在这里，我们仍然在考虑属于图中所示时间算法的第二分支的马尔可夫建模。 如上所述，PU的

3)基于人工神经网络的方法：

​ 让我们现在转到图中描述的时间方法的第三个家族。 神经网络作为机器学习的关键技术，在通信、信号处理、智能控制等方面得到了广泛的应用。

• 它们代表了一类基于并行计算的柔性非线性模型，它由输入层和输出层以及由人工神经元[157]组成的中间层组成。

• 在CRN中，ANN允许通过调用一组频谱数据来学习PU的行为模式，学习这些模式，然后利用它对新模式进行分类和进行预测。

• 神经网络由于其较高的预测精度和学习能力，成为预测频谱状态演化的一种流行方法。

• 一般情况下，根据它们的结构，我们可以将神经网络分为两类：前馈神经网络和反馈神经网络[158]。

  用于预测信道状态的ANN的体系结构如图8所示。

  [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-N4gkYqbi-1608537383016)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1608373128288.png)]

4)基于模式挖掘的方法

PM是一种经典的数据挖掘技术，用于在大量数据中发现底层模式。

在CRN中，模式通常反映隐藏在信道的频谱占用中的规则。

• 寻找规则的动机来自于——通过分析历史频谱数据以预测未来信道状态的愿望，从而提高可达到的频谱效率，从而降低干扰率。
• 在以往的研究中，频谱使用预测依赖于频繁模式挖掘(FPM)[119]和部分周期模式挖掘(PPPM)[16]。

​ 在CRN的上下文中，观察到的信道状态值按顺序传递，并作为频谱占用历史数据库。 FPM的任务是查找出现出现在数据集中频率高于阈值的特定序列，这些序列被称为频繁序列模式[185]。 因此，可以预测下一个状态或下一个序列。 虽然[119]的FPM是二维的，但它预测未来频谱状态的能力只在时域中是已知的。

PPPM：与FPM相反，部分周期模式在某些时间段内观察PU的特征，而不是整个时间跨度[186]。 由于传播环境是随机的，PU的行为可能没有明显的规律性。 模式只有在[16]一天中的某些时间段具有相关性。，所以采用PPPM。

基于PPPM的预测过程可以描述如下[16]：

步骤1：处理二进制信道状态值并生成候选模式；

步骤2：计算每个候选模式的支持；

步骤3：消除冗余候选模式；

步骤4：生成预测规则并计算未来信道状态的概率。

​ 此外，基于PPPM的算法还被用于预测[16]中的信道状态持续时间，以减少由于PU的短暂缺席而产生的碰撞概率。

5)其他算法：

​ 文献中发现的其他相关的时间方法包括贝叶斯推理(BIF)、**学习自动机(LA)**和支持向量机(SVM)。 BIF是解决CRN中状态预测问题的一种经典方法，它是马尔可夫系统的关键部分，如上述NS-HMM和POMDP。 为顺序状态估计提供了一个通用的统一框架。

​ 基于BIF的预测过程基于频谱数据的流入，以递归的方式不断更新后验分布。假设状态的演化是马尔可夫的，BIF可以进行预测同时基于观察和后验分布。

• 在[17]和[187]中提出了基于BIF的预测，用于估计PU交通中空闲持续时间的分布。 [17]提出的算法将BIF和NS-HMM结合起来预测信道质量，能够提高动态频谱接入的效率。
• 与传统的最大似然技术相比，BIF技术在处理有限数量的样本时能够表现得更好，并且在估计[188]流行的频谱使用模式后，信道可用性可以可靠地预测。
• [157]，利用LA技术预测CRN中的频谱机会。 LA技术首先根据PU行为的特点生成PU的活动模型。然后，训练和测试阶段更新模型的参数，最后对模型的性能进行评估，以纠正系统行为的预测。 与最惠国相比，LA表现出很高的性能，尽管它的结构[157]简单。
• 支持向量机技术已广泛应用于金融营销、电源和医学等许多科学领域的时间序列预测[189]以及CRN中的频谱预测。 应用SVM解决回归问题称为支持向量回归(SVR)。 [190]，SVR用于预测空闲/繁忙CR状态持续时间的概率密度。 [191]，SVR用于处理频谱占用数据。

B. 频域频谱推断

​ 第三-A节回顾了用于预测在时域未来的频谱占用一些流行的技术。 进一步的研究根据已经获得的传感或预测结果[93]、[119]、[130]、[192]、[193]推断其他通道的状态的工作。 通过[194]-[196]实验，评价了相邻通道之间的频谱占用相关性。 这种相关性是代表同一服务中不同信道关系的最重要信息。 换句话说，两个通道关联越多，预测就会越准确。 尹等人。 [192]利用频谱相关性推断其他信道的可用性，以提高吞吐量。 引入了信道可用性向量的新概念来表征频谱占用信息。

​ 在 [193]，预测非紧张信道的状态是一个矩阵完成问题。 经典的信念传播技术(BP)[197]被应用于用预测状态填充矩阵。BP方案更适合于特定的矩阵类型，其中相邻元素是高度相关的[29]。 [198]，提出了贝叶斯网络来联合建模谱域和空间域相关性，其中作者引入了用于评估频谱占用率的统计推断。 利用跨频率维数的相关性来提高宽带频谱感知[195]中频谱占用率的估计[196]。尹等人。 [119]提出了一种在二维模式匹配算法(FPM-2D）频谱推理，它搜索所有相关的二维模式[119]。一旦得到这些模式，我们就可以计算未来信道状态的概率，并估计信道的可用性。 其算法在预测精度方面优于基于一阶HMM的预测器。 同样，频域相关技术也被引入[93]通过对相邻信道建模。 同时考虑多个频带，采用不需要先验知识的经典AR模型来降低通信环境的复杂性[93]。 该算法在确定性使用模式上表现良好。

​ 对[93]、[119]、[192]和[196]的研究清楚地量化了基于光谱相关推理所实现的性能改进。

C.基于地理空间领域的频谱推断

​ 从空间域的角度来看，频谱推断有两个方向：

• 考虑CRS的位置和运动，推断频谱状态信·
• 地理信息，包括主要系统的覆盖轮廓、服务区域等。

1)第一个方向：

​ 在第一个方向上，BP技术和频域中讨论的贝叶斯网络也能够考虑空间相关性，从其他位置推断信道状态。

​ 在静态频谱环境中，利用干扰的空间变化来推断不同CR节点所受到的干扰功率。 具体地，半监督字典学习[200]和压缩传感都被用于空间域中未观测干扰的插值，结合CR网络拓扑。

​ 由于CRS的运动直接影响特定地理区域的频谱可用性，因此时空域的频谱预测构成了重要的研究领域。 将传统的静态模型推广到[201]的动态移动性模型。 在PUS和CRS之间不同的相对位置下，CRS的迁移率和PUS的活性可以共同考虑，以推断一定时期内的频谱占用率和干扰约束。 在此基础上，提出了一种贪婪和公平的预测算法，[201]使频谱利用更加有效，从而保持了频谱分配的公平性。

• [202]同时考虑时间域和地理分布特征，利用SVM对频谱占用演化进行推断。
• 通过对CRS运动和PUS行为的分析，设计了一种联合特征向量提取方法。 再次，引入了一种基于支持向量机的推理机制来加快收敛速度，这表明它比单纯依靠速度和位置信息的算法具有更好的推理性能，如[202]所示。
• 在[203]中，SVM被调用来预测切换点和空闲信道，具有较高的精度。
• 除了频谱可用性外，Hou等人还推断了CRS之间的链路可用性。 [204]。 通过调用这种新的方法，可以在CRN中找到更可靠的动态路由路径。

2)第二个方向：

对于电视服务，主要接收器必须受到保护，不受有害的干扰[18]。

该方法充分利用有效天线高度、有效各向同性辐射功率和地形信息，通过菲涅耳衍射理论绘制了主要用户的覆盖轮廓图。

• 谷歌地球软件在电视**”频谱空洞“**预测中起着不可或缺的作用。
• 根据主要用户的覆盖轮廓推断，CRS施加的潜在干扰和碰撞可能会显著减少。
• 在[205]中，提出了一个位置预测器，其中PU地理位置的历史变化用一个具有加权边的有向图表示。 一旦请求频谱占用率预测，从起点出发的所有边缘都会被列出，然后根据计算的最大权重来预测目的地。

D.联合多域频谱推理

​ 除了上述单域（即时间、频率和空间）的频谱推理技术外，最近还对联合多域频谱推理进行了研究。

• 具体来说，[119]的工作是开发联合时频频谱预测算法的第一个研究之一，其中提出了二维频繁模式挖掘来分析二进制历史频谱占用数据。 Ding等人。
• [210]利用真实世界频谱测量矩阵的近似低秩特性，开发了一种具有不完全历史数据的谱时二维频谱预测算法。
• [211]，在异常或损坏历史数据稀疏性假设下，提出了一种鲁棒的谱时二维谱预测算法。
• [212]，通过时域联合频谱感知和空域频谱推理，提出了一种基于矩阵完成的电视白空间数据库构建算法。 Tang等人。
• [213]提出了频谱张量的概念，并通过调用张量完成的最新进展，开发了一种多维（包括时间、频率和空间）频谱推理算法，用于频谱图的构建。
• 此外，最近的教程论文**[214]，[215]**提出将频谱感知和频谱推理结合到频谱数据库中，为用户提供频谱服务，并强调联合多域频谱推理是一种积极的研究趋势。

E.摘要和洞察力

​ 如上所述，在频谱推断方面有许多贡献。 在这一小节中，我们简要总结和讨论了现有的频谱推理算法。

• 首先，频谱的主要发展推理/预测技术按时间顺序在表二和表三中一目了然。
• 然后，根据处理数据的先验信息和由此产生的复杂性和精度约束，在表四中总结了各种频谱推理算法的优势和技术挑战。
• 此外，根据对现有研究的全面调查，还有几个主要见解，详细如下。

1. 首先，虽然现有的研究大多集中在时域频谱推理上，但在过去的十年中，联合多个领域的频谱推理越来越受到研究的关注。例如，丁等人。 **[209]-[211]**通过利用频谱数据的低秩性质，提出了各种联合二维谱时谱预测算法。Tang等人。 [213]发展了一个多维的（时间、频率和空间）频谱图的构造方法。
2. 第二，不同的频谱推理技术之间有一些定量的比较。具体来说，[20]报道，在相同的流量场景下，基于ANN的预测器由于具有灵活的状态数和更有效的训练机制，比HMM预测器性能略好。虽然在ANN中具有更多的中间层，增加了它们的计算复杂度，但[157]改进了预测结果。正如预期的那样，复杂性和准确性之间存在权衡。
3. 此外，[139]报道了基于ANN的预测器的短期预测性能优于ARIMA预测器，但在未来进一步预测时，它们的性能下降。HMM预测器的性能有两个固有的局限性[218]。 由于无线电环境一直在变化，马尔可夫模型中假定的固定状态无法捕捉信道活动的丰富时间变化。HMM辅助预测器的另一个局限性是，离散或单变量高斯观测模型往往无法充分描述一般情况。
4. POMDP预测器对随机动作、不完全信息和环境噪声观测给予了充分的认识，但它可能无法准确地计算[219]特定动作结果的概率。
5. 在基于模式挖掘的方案中，由于提取了更多的信道状态预测规则，部分周期模式挖掘预测器比HMM预测器具有更强的鲁棒性，与传统的频繁模式挖掘[16]相比，这降低了频谱使用预测的概率。

IV.CRNS频谱推理的算法分析

A. 业绩计量

​ 在评估或选择预测算法时，应考虑仔细选择的指标。

• 通常，表示繁忙状态的正确预测的**检测概率(Pd)的概念和表示空闲状态不正确预测率的虚警概率(PFA)**用于研究算法在频谱占用率预测中的性能。 较高的Pd和较低的PFA的组合表明了更好的预测性能。
• 还可以引入归一化均方误差(NMSE)、**平均绝对百分比误差(MAPE)和均方根误差(RMSE)**等统计准则来量化预测的充分性。
• 为了证明使用频谱预测的优势，还可以调用频谱利用率的百分比提高和传感能量的百分比降低。

​ 频谱推断/预测是一种有效的技术，可补充其他技术，如频谱感知、地理定位频谱数据库和无线电环境图，以获取有关频谱演化的相关信息和识别频谱访问机会。 在本节中，我们首先逐一简要介绍了每种技术的关键思想。 然后，我们讨论了频谱推理与其他技术之间的关系

B. 与频谱感知的关系

​ 频谱感知利用各种信号检测方法以被动的方式确定频谱状态。 这种方法，然而，由于阴影[239]，存在隐藏节点问题。在过去的十年中，在全球范围内进行了密集的研究，以提高频谱传感的检测性能。 这方面的优秀调查论文可以在[25]-[27]中找到。

​ 简单地说，现有的关于CRN中频谱感知的研究可以分为两类：基于安静周期的（见[26])和基于非静止周期的频谱感知(见[288]），在文献中也称为频谱监测。

​ 顾名思义，在以前的研究中，认知无线电首先花费一个时间（称为安静期）来执行频谱感知，然后根据感知结果确定是否传输。相反，后者CRN中的频谱监测是一种相对较新的技术，在这种技术中，认知无线电可以继续它们的通信，同时监视频带，以检测由初级无线电启动的任何传输。

​ 更具体地说，频谱是由认知无线电接收器在接收过程中监测的，没有安静的时间[287]-[289]。到目前为止，频谱感知还没有被监管机构广泛接受，以确保不伤害主要/许可用户。 满足FCC监管机构要求的严格规则是很有挑战性的，例如FCC在-114dBM处检测一次信号。

C.与地理定位谱数据库的关系

​ 相反，根据FCC[240][241]的规定，地理定位光谱数据库方法似乎在不久的将来提供了一种技术上可行和商业上可行的解决方案。这种方法提供了一种服务，确保无许可证的设备可以从地理定位数据库中查询频谱可用性，该数据库使用传播建模结合地形数据[242]预测任何位置的频谱可用性[246]。

​ 根据FCC[240]提供的指导方针，[247]-[250]公司开发了几个电视空白数据库系统。

• 这种方法的一个具体限制是，地理定位数据库提供的频谱可用性的准确性在很大程度上取决于传播建模的质量和地形数据的粒度。为了解决这一问题，提出了一种数据驱动的方法，[5]通过从移动人群感知和大频谱数据分析中学习频谱可用性来构建频谱数据库。
• 这种方法的另一个限制是地理定位数据库提供的频谱可用性的更新速度相对较慢（例如，在小时或天的时间尺度上）。

D.与无线电环境图的关系

​ **无线电环境图(REM)**概念最初是由弗吉尼亚理工[115]、[251]、[252]的科学家提出的，这是一种很有前途的工具，提供了CRN的实际实现，它明确地利用地理定位数据库的多域信息、频谱使用特性、地理地形模型、传播环境和法规[253]来构建CRN的综合地图。与地理定位谱数据库相比，REM是一个高级知识库，存储活多域关于网络中实体以及环境[254]的信息，[255]。

​ 频谱推理是对上述技术的有效补充。 频谱推断，以时域频谱预测为特例，通过有效地利用频谱数据在时间、频率和空间域中的固有统计相关性，从已知频谱数据中推断未知的频谱状态。

​ 频谱推理的一个关键特征是它呈现了对频谱状态的主动视图。 在与频谱感知的关系上，频谱推理可以减少感知时间和能耗[127]。 频谱推断（例如，在时域）也可以与频谱感知融合，以提高[12]频谱访问机会的检测性能。

​ 在与地理定位频谱数据库的关系方面，频谱推理（例如在空间域）可以进一步用于校准传播模型和提高数据库的更新速度。 就其与REM的关系而言，多个域（即时频空间）中的频谱推理可以用主动和节能的方式为感兴趣的[253]的每个位置的每个频率构造动态干扰映射。

v.基于实验的CRNS方法

​ 虽然现有的频谱推理算法大多是从理论的角度来研究的，但也有一些研究旨在将理论和实践联系起来。 在本节中，我们将讨论CRN中基于实际实验的频谱推理方法。 我们首先介绍了几个著名的频谱相关实验项目，这些项目作为频谱推理算法发展的硬件/软件基础。 然后，我们简要地评论了实际频谱测量的分析。 此外，我们还讨论了文献报道的实验结果。

A.频谱相关实验项目

​ 在过去的二十年里，世界各地开展了相当多的与频谱相关的实验项目，收集了经验的真实世界频谱测量，支持了频谱推理技术的发展。

​ 关于世界范围频谱项目和占用率测量的最新进展的优秀调查和教程可在[23]和[24]中找到。 在下面，我们简要回顾了几个著名的频谱占用率评估项目，以帮助读者。

• ORCA代表无线通信b Ands[290]的优化和合理使用，是一个具有广泛评估频谱占用率的一般科学目标的项目，目的是研究创新无线服务开发其潜力。 本项目开发了DTV覆盖预测算法，例如利用Longley-Rice传播模型[291]，[292]。
• Wi SHFUL，代表无线软件和硬件平台的灵活和一体化无线电和网络控制[293]，是一个由欧洲联盟委员会地平线2020方案资助的项目，其目标如下：（一)为无线电控制和网络协议开发提供开放、灵活和适应性的软硬件平台；(二)提供可在任何地点部署的便携式设施；(三）吸引和支持无线创新的实验者。
• CREW，代表认知无线电实验世界[294]，是一个主要目标是建立一个开放的联邦测试平台的项目，该平台促进了对先进频谱感知、认知无线电和认知网络的实验驱动研究，考虑到有执照和无执照波段的水平和垂直频谱共享。 本项目的部分研究成果侧重于[295]利用各种空间推断技术构建无线电环境图。
• FARAMIR，代表通过认知无线电系统[296]中的测量和建模来灵活和频谱感知无线电接入，使CRS成为现实的项目，其主要目标是开发技术，以提高未来无线系统的无线电环境和频谱意识。 本项目的部分研究成果侧重于利用各种统计推断技术[297][298]构建无线电环境图。

B.实谱测量的可预测性分析（这个可以加到开题报告里）

​ 关于频谱推断/预测，有一个基本问题：频谱状态演化在多大程度上是可预测的？（最根本的理论分析） 换句话说，频谱演化的可预测性反映了所有潜在频谱推理/预测技术的上限性能。(这个属于数据本身的性质)。

• 当将给定位置的给定频带的时间频谱使用演化视为随机时间序列时，熵是表征该随机变量可预测性程度的最基本量。一般来说，熵较低意味着更高的可预测性，反之亦然。基于熵的分析确实被引入到不同的预测场景中，例如大气[6]、金融[7]、网络流量[8]和人类移动[9]。
• 熵的基本思想是，熵提供了预测信息内容的精确定义，它以其通用性而闻名，因为它依赖于关于所研究场景模型的最小假设。
• 最近，在[127]，我们引用了一种使用统计熵测度和Fano不等式的信息论方法来量化真实世界频谱测量的可预测性程度。 我们发现，尽管有明显的随机性，但在现实世界中，RSS动态在多种流行服务的光谱波段上可以达到显著的90%的可预测性，包括经典电视波段、蜂窝波段、（工业科学医学）ISM波段等。
• 同样，Olivieri等人。 [123]将信息论熵作为一种可预测性度量方法，在产生开周期和关周期持续时间的过程中。
• Wellens等人。 [124]和Riihijarvi等人。 [125]，[126]已经使用了最先进的多尺度熵度量，以检查作为预测复杂性函数记录的频谱测量跟踪的可预测性。

C.实验光谱推理方法

如表二和表三所示，虽然现有的频谱推理算法大多是从理论角度研究的，但在开放文献中有一些研究从实验的角度实现和测试频谱推理方法。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NtEDfiHB-1608537383017)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1608392935528.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PT27Wiri-1608537383018)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1608392863750.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Io44R5dI-1608537383018)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1608392874491.png)]

• 据作者所知，[140]是这类最早的研究之一，其中频谱使用的马尔可夫特性已经通过分析寻呼频谱带(928-948MHz)中的实际测量来验证。实验中，HMM用于预测PU的开关活性，预测精度约为76%。
• 同样，Chen等人。 [14]用实测的Wi Fi数据代替人工数据验证HMM方法，其中数值结果表明，单个设备的预测精度在70%以上，可以通过多个设备的协同预测来提高。
• Melian-Gutierrez等人。 [111]利用从14MHz高频业余波段收集的实际测量来训练和验证HMM模型，其中平均达到10.3%的预测错误率。
• [162]，采用多层感知ANN对不同信道的空闲或繁忙状态进行预测，对位于华南的地铁城市采集的七天频谱数据集进行性能评价，经验结果表明，预测精度高，平均RMSE低至0.04。
• [119]，基于中国广东省四个地点的20MHz到3GHz的频谱测量，作者开发了一种二维频繁模式挖掘(FPM)算法，同时预测多个信道的可用性，数值结果表明，GSM900/1800下行链路和电视波段的预测精度高于95。
• 电视乐队 Ding等人。 [210]从不完全的历史观测中开发一个联合的频谱-时间预测，其中电视波段的实际测量(614MHz-698M Hz用于量化基于一维神经网络的时间预测方案的改进。
• 在扩展的工作[209]中，丁等人。 开发一种基于不完整和损坏的历史观测的鲁棒在线频谱预测算法，其中使用电视波段、ISM波段和GSM波段的实际测量来证明该算法在缺少数据的情况下表现良好。

vi.频谱推理在CRNS中的应用

​ 认知无线电网络的具体好处取决于我们从已知/测量的频谱数据推断/预测未知/未测量的频谱状态的能力。 为了描述频谱推理技术的各种应用，在这一部分中，我们首先回顾了现有的用例，然后在其中描述频谱推理的可能应用。

• i)第五代移动通信(5G)频谱共享
• ii)下一代高频(H F)自动链路建立(ALE)，
• iii）是在未来各种无线网络中其他潜在应用，如认知智能电网网络、认知无线电传感器网络、认知蜂窝网络(CCN)和认知机对机通信(CM2M)。

​ 基于**[4]**提出的频谱管理框架，现有的频谱预测在CRN中的应用可分为四大基本类别，即频谱感知、频谱决策、切换时的频谱演化和频谱共享[21]。 在表五中总结了第六节中讨论的推理算法在每个类别上的相应示例应用。此外，利用频谱推理/预测在CRN中的应用和好处在图9中给出。 表六，简要概述为第六-A-D节。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5XRleUUD-1608537383019)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1608394403027.png)]

A. 用于传感的频谱推断

​ 频谱感知是频谱推理应用的一个关键方面，旨在探索空闲频谱时隙。 在时间，频率和空间维度的新兴频谱感知范式中，推理技术被广泛用于推断**，提高提高检测性能和降低传感能量和时间消耗**的最可能的空缺通道。

​ 在频谱感知[15]的时域中的频谱推断方面，[93]、[128]、[129]、[139]、[187]，[220]使用AR、MA、ARMA和ARIMA等各种线性预测技术进行频谱预测，利用输出提高传感精度，降低传感成本。

• 马尔可夫模型如HMM[14]，[17]，[20]，[95]，[111]，[118]，[140]，[142]，[144]，[146]，[218]，[221]，[222]and POMDP[153]也被广泛用于执行类似的任务。
• 这类模型在频谱状态演化中存在的无记忆或马尔可夫性质的假设下工作良好。也就是说，未来的状态只取决于当前的相关信息，而不是过去进一步的信息。
• 人工神经网络模型是另一种被广泛研究的技术(see[20]，[119]，[139]，[158]，[160]–[162]，[167]，[168]，[178]，[183]，[223]，[224])，与其他模型相比，预测精度相对较好。 此外，还研究了模式挖掘方法[119]、[216]、BIF方法[17]、[187]和SVM方法[191]。
• 在频谱感知的频域频谱推理方面，通过[194]-[196]的实验，对相邻信道之间的频谱占用相关性进行了评价。
• 相关研究很好地致力于根据已经获得的传感或预测结果[93]、[119]、[192]、[193]推断其他通道的状态。
• 具体来说，尹等人。 [192]利用光谱相关性推断其他信道的可用性，以提高吞吐量。
• 在[193]，预测将非紧张信道的状态表示为矩阵完成问题，并应用信念传播技术(BP)用预测状态填充矩阵。
• 尹等人。 [119]提出了一种在二维(FPM-2D)中工作的频率模式匹配算法，用于频谱推理，该算法对所有相关的二维模式进行搜索。
• 同样，[93]还通过对相邻信道进行建模，引入了频域相关技术，其中也采用了不需要先验知识的经典AR模型来降低通信环境的复杂性。

​ 现有的用于频谱感知的空间域频谱推理研究相对有限。

• [212]，提出了一种基于矩阵完成的基于联合频谱感知的电视空间数据库构建算法，在时域和空域中的频谱推理。
• Tang等人[213]提出了频谱张量的概念，并通过调用张量完成的最新进展，开发了一种多维（包括时间、频率和空间）频谱推理算法，用于频谱图的构建。

B. 用于决策的频谱推断

​ 本文从集中频谱分配、分散信道选择、物理层速率自适应、动态频谱访问等方面对决策的频谱推理进行了研究。 下面我们介绍几个有代表性的例子。

• Akbar和Tranter提出[95]使用基于HMM的预测算法进行动态频谱分配，通过与传统的基于CSMA的算法相比，在系统吞吐量方面具有优越性。
• 秦等人。 [199]和Melian-Gutierreza等人。 [111]分别研究了高频频谱中基于频谱推理的信道选择问题。 赵等人。 [153]提出了一种基于POMDP的信道状态预测方法，通过找到最优策略来最大化奖励的某些方面。
• Baldo等人。 [167]，[168]提出使用基于神经网络的认知控制器进行动态信道选择和适应。
• [178]，Elman递归神经网络用于射频多元时间序列建模，以预测频谱演化，从而导致智能CR决策，以利用预期的频谱机会，优化频谱使用和避免干扰。

C.用于搬迁的频谱预测

​ CRN中的移动性术语具有双重含义。 一方面，它指的是从一个谱带到另一个谱带的“频谱迁移率或频谱切换”，例如，由于PU的出现或由于其他CRS的干扰避免。 另一方面，“CRS和/或PUS的移动性”，例如在车载CRN中，也可能在施加额外干扰方面影响周围的地理光谱环境，从而改变信道条件和频谱可用性等。

​ 多年来，现有的大多数研究都集中在所谓的反应性频谱移动性上，其中CR一旦PU变得活跃，就会切换其通信，其中PU的检测要么依赖于频谱感知，要么依赖于监测。

例如，Butun等人。 [205]提出了一种预测认知用户移动性的静态邻居图(SNG)算法。

Wang等人。 [202]提出了一种基于支持向量机的移动CRN频谱移动性预测算法。 在[203]中，SVM被调用来预测切换点和空闲信道，具有较高的精度。

[170]构思了一篇关于CRN中频谱移动性的优秀调查论文，该论文首先考虑到在高度动态的环境中，CR辅助通信经常被中断，因此频谱移动性被认为是通过将正在进行的会话转移到空闲信道来实现连续CR数据传输的一个关键特征。[171]提供了最近的分类和调查。 [172]建立了一种基于泊松分布的光谱资源模型，该模型依赖于针对认知LTE网络的最小期望传输时间优化的跨层光谱切换协议。 然而，现有频谱的波动性质使得支持无缝CR通信的难度很大。

为了解决这一问题，在CR蜂窝网络的[173]中提出了一种频谱感知移动性管理方案，其中开发了一个统一的移动性管理框架，以支持CR网络中的不同移动性模式，网络包括频谱移动性管理、用户移动性管理和单元间资源平衡。

除了频谱可用性外，Hou等人还推断了CRS之间的链路可用性。 [204]，通过调用这种新的方法，可以在CRN中找到动态路由的可靠路径。

在[205]中，提出了一个位置预测器，其中PU地理位置的历史变化用一个具有加权边的有向图表示。

一旦请求频谱占用率预测，从起点出发的所有边缘都会被列出，然后根据近似计算的最大权重来预测目的地。

[174]提出了一种基于贝叶斯推理的预测算法，用于识别最有可能用于CR辅助车辆adhoc网络的特定信道，其中最关键的挑战是车辆的高速移动性和动态波动信道可用性。

作为进一步的进展，Thakur等人。 [175]提出了一种主动频谱预测技术，其中PU的出现是在其真正出现之前预测的，以避免甚至丢弃一个数据包。

D.共享光谱参考

​ 在频谱共享的背景下，文献中有不同的理解。广义上，频谱共享的概念与动态频谱接入或认知无线电的概念是可互换的，它由三种频谱使用范式组成：底层、覆盖和交织[120]。这种对频谱共享的理解使其含义过于宽泛，无法涵盖CRN的各个方面。另一方面，在狭义上，频谱共享侧重于底层模式，它允许CRS在同一波段同时工作，如果它们之间的相互干扰低于容忍阈值。 用于共享的频谱推理用于支持/便利CRS与PUS共存.

​ 如表五所示，基于推理的频谱共享研究相对有限，主要集中在空间域[5]、[18]、[176][200]。

• [5]，开发了一种系统的方法，以便在PU（即电视接收器）和CR（例如智能手机、平板电脑、移动车辆等）之间实现有效的频谱共享，其中调用基于矩阵完成的频谱推理技术作为未测量频谱的空间插值器
• 维拉迪和原田[18]建议预测PU的轮廓和服务区域，以使无许可证的CR系统在电视白色空间运行，而不产生对PU接收器的有害干扰。
• 最近，Kim和Giannakis[200]提出了一个字典学习框架来预测不同位置的干扰功率水平，以实现PU和CR之间的和谐频谱共享。

[176]将动态频谱共享的自适应车辆数据管道问题作为一种联合编队博弈，并提出了一种近乎最优的联合编队方法，以分布式方式实现车辆数据管道选择分区

E.潜在用例一：支持5G频谱共享的频谱推断

​ 无线频谱共享是5G无线通信[258]的一个重要课题[259]。

• 智能手机、平板电脑、笔记本电脑、车辆和许多其他无线设备提供的数据速率的爆炸性增长即将超过分配的2G-3G-4G无线电频谱。
• 频谱共享正在成为一种可以采用的方法，以解决5G无线电频谱短缺问题，并提高无线电接入网络的能力，以支持5G内容交付[260]。
• 在一个授权用户（例如商业电视或公共雷达）和一个次要5G用户之间可能发生频谱共享，当授权的5G设备不使用的其在某地、某时和某射频信道中的频谱带时，前提是授权使用者5]受到的干扰是可容忍的。

图10—介绍了为5G无线通信设想的频谱推断/基于预测的频谱共享的愿景

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eUAr8joc-1608537383019)(C:\Users\74760\AppData\Roaming\Typora\typora-user-images\1608455559829.png)]

具体而言，在以浅色印刷的基本操作周期中，频谱感知模块从无线电环境中注入可观测的射频信号，并在当前时隙输出各种频谱波段预测的RSS。

• 基于频谱感知的输入，频谱共享模块激活频谱复用和干扰控制，保证商业或公共在位用户与次级5G用户安全共存。
• 对于5G设备来说，探索和利用宽范围的多个（非连续）频谱波段的优点是不可避免的，从甚高频/超高频波段的几百兆赫到30-300GHz毫米波长带。
• 在这种情况下，预测方案预计将获得这种宽谱带的RSS，并能够基于第四节讨论的时域或联合时频域频谱推理算法，以高的时间效率（短时间）和具有成本效益的方式共享宽带频谱。
• 具体来说，在图10中引入了一个频谱推断/预测模块，该模块根据通过频谱感知获得的历史RSS数据来预测未来的RSS，该模块可以进一步加强5G频谱共享，例如，

1. 支持自适应PHY层光谱传感，即自适应优化传感参数，如每个时隙中的传感时间持续时间，即自适应优化传感参数，如每个时隙中的传感时间持续时间。
2. 促进资源效率高的MAC层频谱感知，例如减少多波段顺序感知和调度所需的时隙数量，以及减少多传感器协作感知和调度的能耗，
3. 支持高数据速率频谱共享，结合频谱感知和频谱预测的输出，例如指导载波聚合中高信道质量的频谱带的选择。

具体而言，在5G系统中，基于预测的频谱共享可以集中地安排在宏/小单元的基站(BSS)和WLAN的接入点(APs)，也可以更主动地安装在用户设备上，通过依赖博弈论和图论以自组织的方式进行。

F.潜在用例二：下一代高频自动链路建立的频谱参考

​ 高频无线电，也称为短波无线电[261]，使用1.5-30兆赫频谱波段，现在不仅被业余社区广泛使用，而且被世界各地的政府和非政府机构作为超视距无线通信卫星的替代办法。

​ 高频无线电的典型应用场景（原来卫星通信的使用场景）包括海上船舶、视线范围以外的飞机无线电网络、地面通信基础设施遭到破坏的灾区以及缺乏其他通信的遥远地区。

• 在使用高频通信方面的一个关键挑战是找到一个支持从发射机到接收器远程通信的频率。

这一挑战背后的原因主要有两个方面.

• 第一，超视距高频通信通常使用电离层折射提供的天波传播路径，这种传输线路在物理上的特性为，可用频率的窗口在整天、季节、子点周期、天气环境和无线电位置等方面时刻改变[262]这与地面无线通信(如蜂窝和WLAN系统)有很大的不同。（可用频段时变）
• 第二，高频波段有许多政府和非政府的高频无线电系统，这使得每个传输找到一个频率而不干扰其他用户[263]成为一项有挑战性的任务。

​ 为了应对上述关键挑战，ALE[262]被公认为是一种很有前途的技术，它使寻找可用频率和在两个或多个收音机之间建立链接的过程自动化。

自20世纪70年代末以来，已经发展了三代自动链路建立技术。

• 第一代ALE是由不同的制造商独立开发的，用于使用微处理器自动识别合适的传输频率，而不是最初的手动操作。
• 第二代ALE侧重于标准化的、可互操作的HF无线电系统，依赖于MIL-STD-188-141A和FED-STD-1045等标准。
• 第三代ALE以较低的信噪比运行，承载更多的流量，支持更大的网络。

​ 前三代的ALE本质上是工作在高频3kHz信道上的窄带ALE。 然而，近几年来，我们看到对高频链路上的高数据速率传输的需求日益增加，支持从语音和低速数据到飞机高频天波信道上的实时视频等服务，这促使我们开发宽带ALE，在大于3kHz和最多24kHz[262]的宽带高频信道上工作。

​ 宽带ALE，也称为第四代(4G)ALE，带来了更大的带宽灵活性和额外的自动化能力：

• 一)检测和表征宽带信道内的占用或干扰
• 二)协调清晰子信道的分配

​ 文献**[263]-[266]描述了认知无线电技术在4GALE中的潜在应用，在这方面，共识确保频谱传感确实将用于高频无线电，以检测高达24kHz的信道**的任何部分的占用或干扰。

​ 数据链路质量分析(LQA)，将调用相关的频率选择算法来确定用于数据传输的信道。 对4GALE的研发尚处于起步[267]。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-c4Ivc0y4-1608537383020)(C:\Users\74760\AppData\Roaming\Typora\typora-user-images\1608466259865.png)]

​

​ 图11介绍了基于频谱推断/预测的宽带4G ALE的愿景。 具体来说，在以浅色印刷为基本的操作流程中

• 首先进行顺序频谱传感，以检测每个信道内的占用率或干扰。
• 基于频谱感知的输出，然后在被预测为空闲的信道上执行顺序LQA。
• 根据LQA结果，选择具有高质量的频带作为有源传输链路。 为wid基本运行周期的主要问题之一。
• 宽带ALE基本工作流程的一个主要问题是过程所需的时间随频谱感知和LQA分析的频率数成比例地增加。
• 为了减少相关的延迟，频谱推断/预测可以被调用，如图11所示。 具体来说，频谱推断可以用两种具体的方式：

1. 频谱占用率的推断/预测，它输出预测的频谱占用率排序。 基于这个输出，在接下来的过程中，将首先感知显示出更高空置概率的特定波段的特定频率。
2. 链接质量的推断/预测，它输出预测的链接质量排名。 在此基础上，首先为LQA选择具有较高预测链路质量的链路的特定频率。

​ 我们注意到，在宽带4G_ALE的基本工作周期中，进行频谱感知和LQA的具体顺序通常是随机的或预定义的。 相反，引入频谱推理/预测可以提供考虑感知顺序和LQA顺序的信息指导。 因此，链路建立时间预计将在第四代ALE中减少，只要调用前面章节中总结的频谱推理技术。 可以使用第四节中讨论的时域或联合时频域频谱推断算法，以启用图11中所示的；流程。

G.其他用例：频谱推理在各种未来无线网络中的应用（这里可以补充到开题报告）

​ 除了5G和高频通信外，频谱推理在各种未来无线网络中还有许多其他潜在的应用，如认知智能电网网络(CSGN)[56]、[268]、认知无线电传感器网络(CRSN)[40]、[269][271]、认知蜂窝网络(CCN)[272][274]和认知机器-机器通信(CM2M)[275]。

​ 具体来说，在认知无线电支持的智能电网网络中，频谱感知和频谱推理技术是利用所有可用的频谱资源及时提供智能电网无线通信的一种有保障的方法。

​ 除了预测频谱状态演化之外，还可以利用各种统计推断技术来预测智能电网本身的系统状态以及环境灾害、网络攻击和机械故障[56]产生的潜在故障。

​ 在CRSN中，无线传感器网络受益于认知无线电的优势，通过启用动态频谱访问[269]来克服频谱稀缺。 此外，无线传感器有限的能量/电源供应和处理能力导致对各种认知无线电技术使用额外的限制。

更具体地说，CRSNS中频谱推理的设计应该仔细地平衡推理精度、计算复杂度和内存需求之间的权衡。

​ 在未来的CCN（认知蜂窝网络）中，基于频谱共享的认知无线电技术可以用来提高频谱利用率，满足无线数据速率要求的急剧增加。在未来的CCNs中，大多数关于频谱共享的研究都认为：

i)该网络将是一个多层的，包括宏单元、小单元，如微单元和微微单元，以及设备到设备或机器到机器的通信[272]；

ii)多波段，包括有许可证和无许可证的波段[273]；

iii)软件定义，依靠[274]云无线电接入网络中操作的各种智能学习或数据挖掘算法。

​ 参考频谱使用状态和用户的内容需求将有助于更积极和有效的网络操作。

vii.开放问题和研究趋势

​ 虽然对CRN中的频谱推断进行了大量的研究，但本研究课题对未来的研究具有很大的潜力。 事实上，仍有一些尚未解决的挑战等待解决。 基于上述调查和教程，本节介绍了一系列潜在的未决问题和未来的研究趋势如下。

a. 频谱推理的基本性能极限（这一部分可以选一种方法，对数据进行验证，作为理论根据放置到论文中）

​ 首先，频谱推理的基本性能限制尚不清楚。 现有的频谱推断工作大多集中在应用各种统计推断技术来捕捉频谱状态的演变。 然而，据我们所知，关于频谱推断的理论性能分析的研究还很少。 正如香农容量给出了各种调制和编码方案的上限一样，各种频谱推理技术应该有基本的性能限制。 这些基本性能限制可以指导频谱推理算法的进一步发展。

​ 如上所述

• 最近Olivieri等人[123]将信息论熵作为一种可预测性的度量方法应用于生成过程开启和关闭期间。
• Wellens等人[124]，Riihijarvi等人[125]，[126]使用了多尺度熵，以检查记录的频谱测量痕迹的复杂性和可预测性。
• 在[127]，从信息理论的角度，作者介绍了一种使用统计熵测度和Fano不等式来量化真实世界光谱测量的可预测性程度的方法。
• 然而，到目前为止，文献中对频谱推断没有普遍接受的限制。 （还没有达成理论共识）
• 此外，它们大多集中在时域频谱预测的性能限制上。 没有工作考虑到联合多域频谱推理的局限性，直观地说，这将具有更高的性能上限。

b. 不同领域的频谱推断

​ 除了时间、频率和空间域，在其他维度，如代码**（code）和角域（angular域）**，据我们所知，频谱使用的推断/预测还没有被提出。

• 一旦系统意识到PU将使用的扩展代码，SU就能够选择正交代码同时传输信息，而不会受到很少或没有干扰。 在多输入多输出(MIMO)技术的背景下，PUS可以在特定方向[279]的窄波束内传输数据。 这为CRS在同一频带上同时在不同方向传输提供了机会。
• 推理/预测技术可以帮助CRS推断PU的发射相位轨迹，并相应地对相位进行预移。推理/预测技术可以帮助CRS推断PU的发射相位轨迹，并相应地对相位进行预移。
• 此外，现有的频谱推理研究大多集中在单域频谱推理、更具体的时域频谱预测上，但只有非常有限的工作考虑联合多域频谱推理。
• 实际上，没有单独的频谱数据是孤立存在的，这些数据与其邻域在时域、频域和空间域上存在着固有的相关性。 因此，联合多域频谱推理是一个积极的研究方向，有望带来更全面、准确、可靠的频谱信息。

C.各波段频谱推断

​ 尽管在过去十年中，世界各地开展了广泛的频谱测量运动，但大多数努力都集中在电视波段，以确定电视空洞（见[86]，[87]），这在一定程度上代表了对FCC2002年频谱政策工作队的回应[57]以及FCC在2010年[240]左右对无照使用电视空白的采用规则的回应。

​ 目前，迫切需要进行频谱测量和推断，以便记录最近引起监管机构兴趣的频谱带的使用情况。 例如，FCC在2015年发布了一份报告和命令，采用了在3550-3700MHz频段(称为3.5GHz频段)商用150MHz频谱的规则，其中主要用户是美国国防部(DoD)雷达系统。

​ 关于新波段[282]-[284]的频谱测量的研究相对较少。 有趣的是，现有雷达系统与物联网设备或二次Wi Fi网络之间的频谱共享最近在[284]-[286]进行了研究。

D.协作频谱推断

​ 在存在多个PUS和多个CRS的情况下，SUS之间的协同频谱推理是一个很有前途的研究方向。 合作频谱推理可以受益于多用户分集增益，因为不同的CRS可能面临不同的阴影和衰落环境，并对推理产生不同的频谱后果。 此外，协作频谱推理可以使不同的CRS执行不同的推理子任务，这既降低了计算复杂度，又降低了推理延迟。 此外，合作计划可以更好地预测CRS的地理移动和数据传输趋势。 这个方向有几个研究[257]，[277]，[278]。

E.深频谱推断

​ 随着频谱需求的升级，迫切需要识别、分类和激活可用的波段。 在公共卫生、经济发展和气候预测等领域，数据挖掘显示出有益的预测能力[276]。 只要有足够的训练数据，在无线电环境中设想所需的传输功率、频谱状态、PU/CR位置，也可以预期类似的成功。 为了处理大量的频谱数据，人工智能技术的最新进展，如深度学习和强化学习[280]，[281]是提高频谱推理性能的有前途的工具。

F.频谱传感的参考

​ 利用频谱推断进行传感有许多有趣的方向。 首先，众所周知，无线频谱具有（时间、频率、空间等）多域空间。

• 由于硬件限制或传感器部署成本，频谱感知只能捕获部分频谱空间的状态。
• 为了获得多域频谱空间的全貌，频谱推理可以通过充当插值器来帮助填充未测量的空间。
• 第二，为了从大量候选波段中找到空闲频谱，频谱感知的顺序对于最小化感知时间开销至关重要。频谱推理可以为频谱感知提供预测输入，以实现更好的感知顺序。此外，频谱推理还可以输出对频谱感知的互补频谱状态估计。 可以对频谱推理和频谱感知的输出进行引信，以获得更准确的状态估计。

G.共享频谱参考

​ 在频谱共享的背景下，调用频谱推理来支持/促进CRS和PU的共存。

​ 目前基于推理的频谱共享研究有限，主要集中在空间域[5]、[18]、[176]、[200]，其中利用空间信号覆盖的推理来提高空间重用性。

• 一个有趣的方向是联合预测/参考CRS的频谱需求和PUS的频谱活动，以积极协调它们之间的频谱共享。
• 另一个方向是预测/参考CR链路、PU链路和CR-PU干扰链路的统计信道增益，这可以促进资源分配，特别是当由于各种实际约束而无法获得信道增益时。

H.频谱迁移的频谱推断

​ 如上所述，CRN中的频谱搬迁具有双重解释。 一方面，它是指由于PUS的出现或干扰的避免，从一个波段到另一个波段的频谱切换。 另一方面，CRS和/或PUS的移动性，例如在车载CRN中，也可能在施加额外干扰、改变信道条件和频谱可用性等方面影响地理周围的频谱环境。

​ 与前一种情况相关的频谱推断已被广泛研究。 然而，在后一种情况下，只有少数工作。

​ 支持高通量车辆通信，对于安全应用、交通管理和移动互联网接入至关重要。 在基于铁路、公路或地铁的认知通信中，可以找到一种很有前途的移动性频谱推理方案，其中移动轨迹是固定的，因此频谱需求可能相对规律地进行推理。

​ 一个有趣的研究方向是共同考虑频谱移动性与用户移动性，因为频谱演化模式通常是由人类使用无线电频谱决定的。 此外，[9]报道了93%的人的移动性的潜在可预测性，这可以用来支持精确的频谱推断。

I. 频谱决策的频谱推断

​ 如上所述，用于决策的频谱推理在集中频谱分配、分散信道选择、物理层速率自适应、动态频谱访问等方面得到了广泛的研究。 在这一专题上发现的未决问题相对较少。 然而，一个方向是设计演示或系统，利用特定的技术与众所周知的例子，即DAPRA的频谱挑战。

J. 频谱推理的应用

​ 最后但并非最不重要的是，对频谱推理技术的具体应用进行更多的研究也是一个富有成果的研究方向。 虽然对于各种应用有几种常见的规则，但在不同的应用场景中，频谱推理的要求是相当多样化的。例如，电视波段的频谱占用状态在几个小时的时间尺度上变化相对缓慢，而蜂窝带或Wi-Fi带中的频谱占用状态在几毫秒内发生变化。

​ 考虑到过时的预测或推理是无用的，在相应的频谱推理中对时间延迟的容忍度是显著不同的，这对特定的推理算法施加了不同的设计约束。

viii.结论

​ 频谱推理是提高认知无线电网络频谱利用率的一种很有前途的技术。 本文在对现有文献进行广泛研究的基础上，综述了频谱推断的最新进展。

• 我们首先介绍了频谱推断的初步内容，包括频谱数据的来源、频谱使用模型和频谱演化的可预测性。

• 然后，我们从时间频率空间域的角度探索了各种频谱推理算法，并给出了一个深入的教程。

• 我们接着对各种频谱推理技术的优势和挑战进行了比较分析。

• 此外，我们还综述了频谱推理在现有无线网络和未来无线网络中的应用，包括5G蜂窝通信、下一代HF通信、认知智能电网网络、认知无线电传感器网络等。

• 我们的结论是，现有和即将进行的关于CRN中频谱推理的研究的主要目标是在提高预测精度、降低其计算复杂度和内存需求的相互冲突的目标之间实现折衷。

• 这形成了一个富有成果的研究领域。 我们希望本文以其跨学科的视角，激发未来无线网络中频谱推理的研究和发展。

作者感谢编辑和评审员的有益评论和建设性建议，这帮助他们大大改进了这项工作。 作者还感谢张静女士、唐梦云女士和聂光明先生收集和格式化了部分参考资料。