基于貝葉斯網絡的蜂窩網基站狀態時變模型建立方法
【技術領域】
[0001] 本發明涉及通信技術領域，特別涉及移動通信領域，具體是一種基于貝葉斯結構 學習的蜂窩網絡基站狀態時變模型建立方法，適用于蜂窩網絡基站狀態時變統計模型的建 立。
【背景技術】
[0002] 近年來，認知無線網絡設計目的不再只是提高頻譜利用率，具有更為廣泛的目標， 如：較高的服務質量，低能量消耗等。為達到上述目標，基于頻譜感知，環境學習，統計推理 及預測行為一體化的理想的認知無線電操作的初級網絡狀態資源管理和系統控制的統計 知識成為必須。這些統計知識的建立將超越許多現存的通常只集中于檢測主用戶存在的認 知無線電感知。同時對基站狀態的感知和預測可以減少移動用戶業務之間的碰撞，提高無 線網絡資源利用率。
[0003] 貝葉斯網絡是一種將概率統計應用于復雜領域、進行不確定性推理和數據分析強 有力的推理工具，是圖論知識概率論知識相結合的產物。它通過網絡結構來定性的刻畫問 題變量之間的相互獨立關系；通過網絡節點的節點參數來定量地描述各變量節點的獨立關 系。同時，根據鏈式規則，每個貝葉斯網絡確定了 一個聯合概率分布，這樣貝葉斯利用圖論 的語言直觀揭示問題的結構。將貝葉斯結構應用于通信系統中，可實現認知無線網絡中資 源的高效利用。
[0004] 貝葉斯網絡結構學習相關的算法可以分為兩類：一種方法是運用啟發式搜索構造 大概的模型，然后通過評分函數來對其進行評估。具有高分數的結構優先作為學習結果。基 于評分的貝葉斯網絡學習方法被稱為NP-難題。給定一個評分函數，貝葉斯網絡結構的計 算復雜度會隨著變量數目的增加而增加。另一種方法是利用條件獨立性檢驗來測量兩個變 量之間的可能的依賴關系，然后根據得到的關系來決定網絡結構。
[0005] 以貝葉斯網絡結果學習的相關算法為基礎，J.Cheng,和R.Greiner等人于2002 年在文獻"LearningBayesiannetworksfromdata:Aninformation-theorybased approach"中提出了一種有效的學習有序貝葉斯網絡的方法，此方法通過利用互信息檢驗 兩個變量之間的依賴性來建立貝葉斯結構的統計模型。然而這種方法計算復雜度較高，在 網絡中節點不是很大時，變量之間依賴性關系的建立所需計算時間花費已經很高，同時在 網絡中變量數目發生變化時，節點依賴性關系建立時的互信息公式中的中間變量需要重新 進行多次計算，不能根據網絡節點的數目變化做出自適應調整。
【發明內容】
[0006] 本發明的目的在于克服上述學習方法的不足，提出了一種基于貝葉斯網絡的蜂窩 網基站狀態時變模型建立方法，以解決貝葉斯網絡結構計算復雜度較高以及不能根據網絡 節點數目變化做出自適應調整的問題，并將具有低計算復雜度的貝葉斯網絡應用于移動通 信系統中蜂窩網基站狀態時變模型建立中，從而降低蜂窩網絡基站狀態時變模型建立的復 雜度。
[0007] 為了完成上述目的，本發明的基于貝葉斯網絡的蜂窩網基站狀態時變模型建立方 法，包括有如下步驟：
[0008] (1)以現有實際蜂窩網絡為場景，實際蜂窩網絡中的次級感知設備對蜂窩網中基 站的狀態進行感知，收集感知數據，組成觀察序列，用表示第i個基站在t時刻的狀 態，fitG〇= {〇, 1}，〇表示狀態集合，〇和1分別表示基站關（Off)和開（on)狀態，iGM ={1，2,…M}，M表示觀察基站的最大數目，M表示觀察到的基站序列，tGT= {1，2,…T}， T表示觀察時刻，T表示觀察時刻序列。
[0009] (2)根據上述得到的基站狀態觀察序列，將次級感知設備在t時刻感知得到第i個 基站狀態fu作為貝葉斯網絡節點，創建貝葉斯網絡模型，依據完全連通圖的方法對此貝葉 斯結構進行學習，得到可隨網絡節點數目做出自適應調整的條件概率表，利用條件互信息 公式得到節點之間的依賴關系值。
[0010] (3)根據上述得到的條件概率表確定蜂窩網絡基站任一時刻的開關狀態，并根據 上述得到的依賴關系值確定基站狀態之間的依賴關系，建立蜂窩網絡基站狀態時變規律的 統計模型。
[0011] 本發明的基于貝葉斯網絡的蜂窩網基站狀態時變模型建立方法，根據對現有實際 蜂窩網絡中基站開關狀態感知所得到的觀察數據創建貝葉斯網絡模型，再依據完全連通圖 和條件互信息的貝葉斯結構學習算法建立基站狀態的時變模型。本發明建立的貝葉斯網絡 模型具有較低復雜度，并可根據網絡中節點數目的改變做出自適應調整，將此貝葉斯網絡 應用于通信系統中，可實現蜂窩網中基站開關狀態的確定及時變規律統計模型的建立。
[0012] 本發明的實現還在于：步驟（2)中的創建貝葉斯網絡模型包括有如下步驟：
[0013] 2. 1.定義貝葉斯網絡的節點：
[0014] 次級感知設備感知到的基站狀態:^^定義為貝葉斯網絡節點，節點時域有序，次級 感知設備在t時刻觀察到的第i個基站狀態，f^tG〇 = {〇, 1}，〇表示狀態集合，〇和1分 別表示基站關（off)和開（on)狀態，iGM= {1，2,…M}，M表示觀察到的基站序列，tGT ={1，2,…T}，T表示觀察時刻序列；
[0015] 2. 2.利用上述節點建立貝葉斯網絡節點之間的邊：
[0016]網絡節點之間的有向箭頭作為一階貝葉斯網絡的邊表示節點之間的依賴關系即 基站狀態之間的依賴關系；貝葉斯網絡完全連通，即對于任意的iGM，對于任意的tGT都 存在連接fi;t和fi，t+1的一條邊；
[0017] 2. 3.根據完全連通圖的相關方法對具有上述節點和邊的貝葉斯網絡結構模型進 行貝葉斯結構學習，V/eM，WeT計算條件概率卩況^邱況^沁得到條件概率表氏十其中 pa(fi，t)表示與節點fi，t直接相連的父節點集合；
[0018] 2. 4.根據上述得到的條件概率表利用條件互信息公式計算節點之間的條件概 率，獲得在節點條件下節點f\t與節點之間依賴關系 i，j，kGM= {1，2, ...M}，j乒k〇
[0019] 上述貝葉斯網絡模型的節點是實際蜂窩網絡中次級感知設備感知得到的基站狀 態，由于節點時域有序，于是此貝葉斯網絡是完全規則的結構；節點之間的有向箭頭反映了 基站狀態之間的依賴關系，得到的依賴關系值可用于基站不同時刻狀態之間依賴關系的確 定，因此根據此貝葉斯網絡模型可建立有效的蜂窩網基站狀態時變統計模型。
[0020] 本發明的實現還在于：步驟2. 3所述的通過對貝葉斯網絡結構的學習獲得條件概 率表包括有如下步驟：
[0021] 2. 3a由上述2. 1與2. 2建立的一階完全連通的貝葉斯網絡計算參量矩陣C:
[0022]
[0023] 公式中，C[x,M_i+1]表不參量矩陣C的第x行第M_i+1列兀素，x= 0, 1，…，2m_1， i= {1,2,…M} ;M表示觀察的基站數目的最大值；!_?」表示向下取整運算；\表示按摸運算。
[0024] 2. 3b根據上述獲得的參量矩陣C計算運算符參數矩陣F:
[0028] 〇t-!=
[0029] 公式中，nom(F)表示F的分子；1N表示元素為N個1的列向量；?表示克羅內克 積；C表示2. 3a中計算的參量矩陣；M表示觀察的基站數目的最大值；)_?」表示向下取整運 算；Oh表示t-1時刻對1，2,…，M基站觀察值序列組成的向量；[?]T表示向量的轉置； 〇m，〇wi，…，〇mi表示第1，2,…，M個基站在t-1時刻的觀察值。
[0030] 2. 3c根據上述獲得的運算符參數矩陣F計算條件概率表Bt_1:
[0031] =[6^-y'B"-"…，BMi-!] =FOz
[0032] 公式中，表示元素個數為2M，包含在條件pa(fi;t) =j下fi;t= 1成立的所有 概率即P(fi;t= 1 |pa(fi;t) =j)的列向量，其中i= 1，2,…，M，t= 1，2，…，T，j= 0, 1 ; 〇t表示t時刻對1，2,…，M基站觀察值序列組成的向量；〇丨表示向量(^的轉置。
[0033] 由于上述步驟中根據已建立的一階連通的貝葉斯網絡，通過計算參量矩陣C和運 算符參數矩陣F獲得條件概率表Bt_i，此條件概率表可根據貝葉斯網絡中節點數目不同做 出自適應調整，從而降低了貝葉斯結構學習的復雜度。
[0034] 本發明的實現還在于：步驟2. 4中節點之間的依賴關系值Dp(fi;t;fj^lfk^)的