- 文献综述（或调研报告）：
随着无线电通信在社会生活中的广泛应用,无线频谱资源匮乏问题受到广泛关注，许多组织对这一现象进行了测量与分析，比如美国联邦通信委员会（FCC）曾提出，静态的资源分配方式造成了未授权用户的资源匮乏，而授权用户实际上并没有完全利用授权频段，即存在空闲频谱。将这些空闲频谱合理共享给未授权用户，可提高资源利用率，即动态频谱接入[1]。
认知无线电技术（CR）在1999年提出，这是一种将频谱资源按时间划分成时隙，主动感知各时隙频谱使用情况，旨在智能管理频谱资源分配的技术[2]。频谱预测是认知无线电进行频谱感知、频谱决定、频谱共享、频谱转移的重要技术，预测未来主用户活动，可供系统优先感知空闲频谱，节约能耗，并让次级用户做好接入准备[3]。
无线频谱预测，主要是预测在未来特定时隙频谱是否有主用户占用，所以可以视为一种二元分类问题。频谱预测模型最早借鉴于统计学、经济学等学科，如将用户选择频谱视作博弈过程的纳什均衡最优算法[4]，这类算法与之后产生的基于机器学习的频谱预测算法相比，依赖分布的先验知识[5]，对于复杂的预测环境缺乏鲁棒。基于机器学习的频谱预测算法种类繁多，如隐马尔可夫（HMM）、支持向量机（SVM）、多层感知器（MLP）等等，这些算法仿真性能优秀，也提供了一般的学习模型以及性能比较标准，不过通常是在时域对各频道逐个预测[6]，即在训练时将某信道一定长度的频谱使用情况时间序列，按照模型尺寸分批输入给学习模型，每次输入、处理、输出后利用误差改变权重，在测试时预测未来一段时间主用户占用情况，为次要用户选择可用的频道与时隙。隐马尔可夫虽经典但运算复杂[7]，支持向量机稳健性强但依赖于核函数选择[8]，多层感知器采用了人工神经网络（ANN），自适应性强，是传统机器学习与深度学习的分界点，但内存需求较大，精确度上有提升空间[9]。
深度学习是对人工神经网络的进一步发展，比如在图像识别领域，卷积神经网络（CNN）利用卷积核、池化将庞大图像数据“采样”为尺寸较小的特征图，利用区域置信度排除掉无用区域，既基于足够多的数据，又在运算上减少内存占用[10]。目前已有运用卷积神经网络进行频谱冲突回避算法的研究，这种算法相比TDMA将冲突率降低了4.5倍[11]。因此，基于深度学习的无线频谱预测方法有望进一步实现性能的突破。此外，上文中提过，许多预测模型的输入是一维时序，而时频联合预测不仅提高了预测效率（不用逐个信道预测），同时还利用了频道之间的相关性[12]。二维时频图，仿佛一张“黑白图片”，利用卷积神经网络对其进行处理可以借鉴相关图像识别方法。除了时域，也有考虑次级用户和主用户空间方位的预测模型[13]，若进一步扩展，则可形成三维的频谱预测。
测试基于深度学习的频谱预测方法性能，应在仿真时对主用户活动有较好的建模。对于主用户活动的建模方式较为丰富，比如马尔可夫链时域模型、泊松分布流量、自相似流量等等，并将模型用在特定传输数据，如泊松分布对应语音数据、间断泊松分布对应电子邮件信息等等[14]。而在主用户活动可变性上，通常并不改变流量类型，而是用不同时间段不同流量强度体现[5]。
将深度学习运用进频谱预测，实现智能化的资源管理，也是5G甚至6G移动通信技术在资源共享上的一大发展趋势，如5G NR技术中自组织网络智能化，在部分设备受损的情况下亦可智能分配频谱资源，以及6G中将AI与认知无线电、频谱池技术联合运用，实现智能频谱共享使用[15]。
参考文献
[1] 蒋师， 屈代明，吴露露，等. 动态频谱接入技术的分类和研究现状[J]. 通信技术，2008，11（41）.
[2] Mitola J. Cognitive radio for flexible mobile multimedia communication[C]. Proc. IEEE International Workshop on Mobile Multimedia Communiations(MoMucrsquo; 99)，San Diego，CA，November 1999.
[3] Xing X, Jing T, Cheng W, et al. Spectrum prediction in cognitive radio networks[J]. IEEE Wireless Communications. IEEE, 2013, 20(2):90-96.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
