(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211469821.0 (22)申请日 2022.11.23 (71)申请人 中国人民解 放军战略支援 部队航天 工程大学 地址 101416 北京市怀柔区八一路一 号 (72)发明人 方胜良　温晓敏　马淑丽　范友臣　 程东航　徐照菁　马昭　王孟涛　 刘涵　胡豪杰　 (74)专利代理 机构 北京天盾知识产权代理有限 公司 11421 专利代理师 姜有保 (51)Int.Cl. H04B 17/309(2015.01) G06N 3/04(2006.01) G06N 3/08(2006.01)H04B 17/373(2015.01) (54)发明名称 一种无线电环境 地图预测方法 (57)摘要 本发明涉及一种无线电环 境地图预测方法， 该方法包括以下步骤： （1） 获取认知无线电任务 区域中次级用户监测采集的各个频段上随时间 变化的 功率数据 ， 并进行预处理 ； （2）由 TensorGCN模型和LSTM模型构建基于TensorGCN ‑ LSTM无线电环境地 图的预测模型； （3） 通过预测 模型预测未来时间段的无线电环 境地图。 本发明 提升了无线电环境地图随时间变化的预测精度， 为频谱资源规划 和调度提供依据。 权利要求书3页 说明书10页 附图6页 CN 115549823 A 2022.12.30 CN 115549823 A 1.一种无线电环境 地图预测方法， 其特 征在于， 该 方法包括以下步骤： （1） 获取认知无线电任务区域中次级用户监测采集的各个频段上随时间变化的接收功 率数据， 并进行 预处理； （2） 由TensorGCN模型和LSTM模型构建基于TensorGCN ‑LSTM无线电环境地图的预测模 型； （3） 通过 所述预测模型 预测未来时间段的无线电环境 地图。 2.根据权利要求1所述的预测方法， 其特 征在于， 所述 步骤 （1） 包括： （1‑1） 将所述认知无线电任务区域划分为等间隔网格， 建立次级用户节点集合， 对于任 意一个次级用户节点， 建立该节点随着时间和频率变化的属性向量； （1‑2） 构建所述次级用户节点 集合在某一时刻某一工作频率的属性矩阵； （1‑3） 构建所述次级用户节点 集合在不同时刻不同工作频率的属性张量。 3.根据权利要求2所述的预测方法， 其特 征在于， 所述属性张量 为： ， 其中， 表示次级用户节点数量， 表示一个 次级用户节点的属性数量， K表示次级用 户可以工作在K个不同频率； 所述次级用户节点 集合在时刻 工作频率 时， 所述属性矩阵为： ； 任意一个次级用户节点的所述属性向量 为： , 其中， ， ， 表示次级用户 接收到的随着时间和 频率变化的功率谱数据， 、 分别表示次级用户 与移动主用户之间随 时间变化的收发距离和方位角， 分别表示次级用户 不随时间变化的纬度和经 度地理坐标。 4.根据权利要求2或3所述的预测方法， 其特 征在于， 所述 步骤 （1） 还 包括： （1‑4） 构建所述认知无线电任务区域内所述次级用户节点集合在频率 下的网络图结 构， 记作： ， 其中，  为N个次级用户节点在频率 下的集合， 表 示次级用户节点之间在频率 的拓扑连接边的集合， 表示 的邻接矩阵， 其中的各 元素表示次级用户节点之间的空域相关性； （1‑5） 由图结构 在K个不同工作频率下生成的多个图结构 构建图张量权　利　要　求　书 1/3 页 2 CN 115549823 A 2； （1‑6） 构建次级用户节点 在接收不同频率数据时的多 个状态间关系的图结构， 记作： , 其中，  表示节点 在接收频率 数据时的状态， 表示 各虚拟节点之间的连边集合， 邻接矩阵 的各元素表示虚拟节点之间的频域相 关 性； （1‑7） 由图结构 在N个次级用户节点下生成的多个图结构所构建的图张量 。 5.根据权利要求1所述的预测方法， 其特 征在于， 所述 步骤 （2） 包括： （2‑1） 利用图神经网络学习训练方式， 在图 内同频率的节点空域信息和图 内不 同频率间的虚拟节点频域信息， 提取所有次级用户在同频率工作时的空间特征和特定次级 用户在不同频率之间的频域特 征， 构建TensorGCN模型以提取空域和频域的融合特 征信息； （2‑2） 在融合空域特征和频域特征的基础上， 利用LSTM模型， 提取各次级用户节点在时 域上的特 征信息； （2‑3） 由TensorGCN模型和LSTM模型组成TensorGCN ‑LSTM模型。 6.根据权利要求5所述的预测方法， 其特 征在于， 所述 步骤 （2‑1） 包括： N个次级用户节点在频率 、 时刻t的属性矩阵 经过图卷积的前向传播 公式 为: ， 其中, 为经过图卷积提取的特征矩阵， 是需要学习更新的频率 内图卷积的滤波器参数矩阵， 表示每个节点经频率内图卷积操作后提取的空域特征维 度， 是 阶的切比雪夫多项式， 表示标准化的Laplace矩阵 ， ， 表示Laplace矩阵 的最大特征值， 为单位 矩阵； 表示 的邻接矩阵； 为度矩阵； 和 分别是 Laplace矩阵 的特征向量矩阵和特 征值构成的对角矩阵。 7.根据权利要求6所述的预测方法， 其特 征在于， 所述 步骤 （2‑2） 包括： 次级用户节点在空域和频域的 个融合特 征为： ，权　利　要　求　书 2/3 页 3 CN 115549823 A 3