面向大数据的机场协同频谱感知及智能频谱管理研究

With the rapid growth of airport size and various civil aviation communication systems, airport spectrum is stepping into the era of big data. Improving the ability of airport spectrum sensing and management is the key to ensure the reliable communications of civil aviation, which depends on mastering the overall use of spectrum and predicting the spectrum trend using the big spectrum data. However, traditional spectrum sensing uses small amount of data to detect a specific communication system, which cannot achieve a comprehensive and accurate prediction of the complex and heterogeneous airport spectrum environment. Traditional spectrum management based on static strategy cannot make full use of big spectrum data due to the lack of intelligent planning and dynamic collaboration. In view of the above problems, this project facing big spectrum data investigates the followings: (1) multi-sensor cooperative compressive spectrum sensing is investigated to improve the reliability and real time of spectrum sensing, which establishes a cooperative spectrum sensing network to acquire big spectrum data and uses compressive sensing to reduce spectrum samplings; (2) spectrum trend prediction based on big data mining is studied, which uses correlation and approximate entropy to extract effective data sources and exploits clustering machine learning to predict the spectrum trend of heterogeneous communication systems; (3) spectrum management based on cooperative Q learning is studied to realize the dynamically intelligent spectrum management, which takes Q learning as the core of spectrum decision and cognizes big spectrum data comprehensively through cooperative learning. This project will provide new ideas and methods for the intelligent and accurate supervision of the airport spectrum.

随着机场规模和各种民航通信系统的迅速增长，机场频谱正步入大数据时代。如何利用频谱大数据掌握频谱整体使用情况和预测频谱趋势，进而提高机场频谱感知与管理能力是保证民航可靠通信的关键。传统频谱感知利用少量数据检测特定通信系统，难以对复杂、异构的机场频谱环境进行全面准确的预测，频谱管理基于静态策略，缺少智能规划和动态协同，无法充分利用频谱大数据。针对上述问题，本项目面向频谱大数据：(1)研究多传感器协同压缩频谱感知，建立协同频谱感知网络获取频谱大数据，利用压缩感知减少频谱采样量，提高频谱感知的可靠性和实时性；(2)研究基于大数据挖掘的频谱趋势预测，利用相关性和近似熵提取有效数据源，利用聚类机器学习预测异构通信系统的频谱趋势；(3)研究基于协作Q学习的频谱管理，将Q学习作为频谱决策核心，通过协作学习全面认知频谱大数据，实现频谱的动态智能管理。本项目将为机场频谱智能化和精准化监管提供新思路和新方法。

机场通信系统通过传递飞机飞行动态、通信调度指示、气象情报、客流分布和航空运输业务等信息，实现飞机的指挥调度、航路规划和空中交通管制等。保障机场各种通信的准确和安全可靠，直接关系到民航运输的效率和安全。当前随着机场规模和各种民航通信系统的迅速增长，机场频谱正步入大数据时代。如何利用频谱大数据掌握频谱整体使用情况和预测频谱趋势，进而提高机场频谱感知与管理能力是保证民航可靠通信的关键。基于此，项目的主要研究内容概括如下：.1. 研究多传感器协同压缩频谱感知，包括：(1) 基于NI USRP建立多传感器协同频谱感知平台，联合使用Matlab和LabView搭建频谱感知软件系统，实现频谱大数据的采集和测量；(2) 提出分簇协作频谱感知算法，通过感知节点分簇、簇内频谱感知和最终融合决策，有效提高机场频谱感知的检测概率。.2. 研究基于大数据挖掘的频谱趋势预测，包括：(1) 提出基于双阈值和贝叶斯融合的频谱大数据挖掘，通过多时隙频谱感知的贝叶斯融合决策，降低感知数据量的同时提高频谱大数据感知精度；(2) 基于强化学习的频谱状态预测，采用汤姆森采样算法实现信道空闲概率的准确预测，通过信道排序提高机场频谱资源的搜索速度。.3. 研究基于协作Q学习的动态智能频谱管理，包括：(1) 提出基于强化学习的多信道协作动态频谱管理，机场通信系统同时接入多个信道确保通信持续性，采用汤姆森采样信道排序和选择算法，实现较低的频谱冲突和频谱开销；(2) 提出基于Q学习的机场异构通信系统频谱接入方法，针对OMA、Undelay和NOMA频谱接入模式，通过Q学习动态频谱接入算法有效提高机场通信系统吞吐量和降低通信中断。.项目取得的研究成果：.1. 发表SCI期刊论文27篇，EI期刊论文5篇，EI会议论文3篇，授权发明专利4项。.2. 培养研究生10人，其中硕士毕业4人。.3. 参加国际学术会议6次，其中做特邀报告1次、分组报告4次。.4. 提出面向大数据的协同频谱感知和基于强化学习的智能频谱管理方法，基于USRP搭建可视化验证平台，为项目应用推广提供技术保障。