基于AOS-ELM的高铁频谱预测策略

针对高铁无线通信环境中频谱利用率低且网络环境复杂这一现实问题,提出一种基于自适应在线极限学习机(Adaptive Online Sequence Extreme Learning Machine, AOS-ELM)的频谱状态预测模型。利用计算机产生与实际环境相符且在一定时间内满足指数分布的主用户到来时间及满足正态分布的持续时间,建立频谱状态模型。提出基于自适应神经元构造法和Cholesky分解的AOS-ELM,通过二者对模型的优化,提高模型灵活性及泛化能力,简化计算复杂度。将一维数据利用交互信息法和Cao氏计算法分别计算延迟时间和嵌入维数,构造相应样本,并送入ELM计算相对较优的初始隐层节点数,进而利用AOS-ELM进行频谱状态的预测,并与ELM和在线序列ELM(Online Sequence ELM, OS-ELM)等模型进行对比。研究结果表明:该模型可用于预知频谱状态,指导信道择优分配,提高频谱利用率。在提高预测精度的同时,显著降低了频谱预测时间,具有一定的适用性及实用性。