頻譜知識(shí)圖譜詳解：面向未來(lái)頻譜管理的智能引擎

頻譜知識(shí)圖譜：面向未來(lái)頻譜管理的智能引擎

人工智能技術(shù)與咨詢 4天前

本文來(lái)自《通信學(xué)報(bào)》，作者孫佳琛等

1 引言

頻譜管理是指綜合運(yùn)用行政、技術(shù)和工程等手段對(duì)電磁頻譜使用進(jìn)行籌劃、組織、協(xié)調(diào)和控制，以免用頻設(shè)備、系統(tǒng)及業(yè)務(wù)間的相互干擾[1]。早期的頻譜管理主要依靠人工制定頻譜政策、用頻規(guī)則，通過(guò)為用頻設(shè)備、系統(tǒng)和業(yè)務(wù)統(tǒng)一劃分頻段、指配頻率來(lái)實(shí)現(xiàn)，適用于用頻需求有限、電磁環(huán)境相對(duì)簡(jiǎn)單的情況。這種條塊分割的靜態(tài)管理模式側(cè)重計(jì)劃分配、被動(dòng)響應(yīng)，人工成本高，管理效率較低，時(shí)效性較差，難以適應(yīng)用頻需求的爆炸式增長(zhǎng)及電磁環(huán)境的快速變化，還會(huì)導(dǎo)致頻譜使用不平衡、頻譜利用率較低等問(wèn)題。

為解決上述問(wèn)題，可以利用頻譜空穴來(lái)實(shí)現(xiàn)動(dòng)態(tài)頻譜接入。認(rèn)知無(wú)線電是實(shí)現(xiàn)動(dòng)態(tài)頻譜接入的關(guān)鍵技術(shù)，它為未授權(quán)用戶或認(rèn)知用戶提供了以機(jī)會(huì)的方式與授權(quán)用戶共享無(wú)線頻譜資源的能力[2-3]。在部分頻譜已經(jīng)固定地劃分給授權(quán)用戶的情況下，認(rèn)知用戶可以對(duì)電磁環(huán)境進(jìn)行感知，檢測(cè)未被使用的頻譜（即頻譜空穴），估計(jì)信道狀態(tài)信息、預(yù)測(cè)信道容量，從中選擇最優(yōu)可用頻率并接入，與授權(quán)用戶實(shí)現(xiàn)頻譜共享。在此過(guò)程中，認(rèn)知用戶是被賦予了觀察、學(xué)習(xí)、適應(yīng)、決策等能力以及支持在不同頻率上收發(fā)信號(hào)的可重構(gòu)性[4]的智能體。這也為頻譜管理的智能化確立了“頻譜感知-頻譜決策-頻譜共享-頻譜移動(dòng)”的主要框架[5]。

進(jìn)一步地，人工智能技術(shù)的蓬勃發(fā)展為頻譜管理模式的變革帶來(lái)了新的機(jī)遇[6]，深度學(xué)習(xí)、群體智能、區(qū)塊鏈等新興技術(shù)在頻譜數(shù)據(jù)分析、控制信道分配、防欺騙決策等方面表現(xiàn)出優(yōu)越性，使頻譜機(jī)會(huì)發(fā)現(xiàn)和利用的能力不斷提升。具體而言，深度學(xué)習(xí)能夠從原始數(shù)據(jù)中自動(dòng)解析出更加復(fù)雜的統(tǒng)計(jì)模型，如Yu等[7]基于深度學(xué)習(xí)長(zhǎng)短期記憶模型挖掘并利用頻譜時(shí)間序列數(shù)據(jù)中的中長(zhǎng)期頻譜特征，提升了頻譜預(yù)測(cè)的性能。群體智能理論與方法則能使分布式個(gè)體獨(dú)立行動(dòng)并根據(jù)環(huán)境反饋?zhàn)赃m應(yīng)地調(diào)整自身行為，所有個(gè)體互相協(xié)調(diào)耦合，最終形成自發(fā)連貫的系統(tǒng)智能[8]。Chen等[9]提出了一種基于群體智能的信道選擇算法，利用鄰居定時(shí)廣播消息作為信息素對(duì)認(rèn)知用戶常用信道的質(zhì)量進(jìn)行排序，通過(guò)僅基于局部信息的節(jié)點(diǎn)協(xié)作解決了認(rèn)知無(wú)線網(wǎng)絡(luò)中控制信道資源分配的問(wèn)題。區(qū)塊鏈的去中心化存儲(chǔ)、分布式共識(shí)等關(guān)鍵技術(shù)使私有無(wú)線設(shè)備參與貢獻(xiàn)頻譜數(shù)據(jù)、實(shí)現(xiàn)頻譜可信安全共享成為可能。楊健等[10]將區(qū)塊鏈技術(shù)應(yīng)用到大規(guī)模超密集移動(dòng)互聯(lián)網(wǎng)的頻譜共享中，將海量個(gè)人無(wú)線設(shè)備聯(lián)網(wǎng)構(gòu)成頻譜設(shè)備網(wǎng)絡(luò)，定義“頻譜幣”作為設(shè)備采集頻譜數(shù)據(jù)的獎(jiǎng)勵(lì)，并提出由感知節(jié)點(diǎn)共識(shí)融合、驗(yàn)證節(jié)點(diǎn)共識(shí)驗(yàn)證、簇頭節(jié)點(diǎn)共識(shí)確認(rèn)構(gòu)成的分布式共識(shí)機(jī)制。

頻譜管理正在經(jīng)歷從人工/手動(dòng)到機(jī)器自動(dòng)化/自主智能、從靜態(tài)封閉分配到動(dòng)態(tài)開(kāi)放共享、從集中統(tǒng)一指派到分布自主協(xié)同的轉(zhuǎn)變，但在這一過(guò)程中仍面臨以下挑戰(zhàn)。

1) 頻譜空間建模表征方式比較單一，難以適應(yīng)錯(cuò)綜復(fù)雜的電磁環(huán)境。當(dāng)前，頻譜態(tài)勢(shì)常用頻譜圖來(lái)描繪，建模時(shí)主要關(guān)注可用頻譜資源的時(shí)-頻-空分布，具體表現(xiàn)為頻譜的忙閑狀態(tài)、輻射功率、接入?yún)f(xié)議、調(diào)制方式等。隨著用頻設(shè)備/系統(tǒng)的類型和數(shù)量不斷增長(zhǎng)，電磁頻譜空間日益錯(cuò)綜復(fù)雜，演變成多主體、多因素、多變量構(gòu)成的互為輸入輸出的復(fù)雜系統(tǒng)。當(dāng)前頻譜建模和表征方式難以厘清頻譜空間內(nèi)各主體間的多元關(guān)系以及主體受因素、變量的深層影響，缺乏系統(tǒng)性頻譜知識(shí)的精煉。

2) 頻譜管理方式對(duì)于人的經(jīng)驗(yàn)依賴性較強(qiáng)，難以實(shí)現(xiàn)自動(dòng)化、智能化的頻譜管理效果。靜態(tài)劃分的傳統(tǒng)頻譜管理模式依賴于人工操作和人員經(jīng)驗(yàn)。在動(dòng)態(tài)協(xié)同的智能頻譜管理模式中，雖然頻譜感知、頻譜預(yù)測(cè)、頻譜決策等各個(gè)環(huán)節(jié)針對(duì)各自不同的優(yōu)化目標(biāo)都有技術(shù)性的解決方法，但各個(gè)環(huán)節(jié)間智能算法的輸入輸出仍然依賴人工銜接和監(jiān)督，許多操作技巧和實(shí)踐經(jīng)驗(yàn)只能被頻管人員掌握，用頻設(shè)備既無(wú)法理解頻譜認(rèn)知環(huán)路中流動(dòng)的數(shù)據(jù)的語(yǔ)義，也無(wú)法在數(shù)據(jù)計(jì)算的基礎(chǔ)上結(jié)合這些技巧經(jīng)驗(yàn)進(jìn)行思考，并未實(shí)現(xiàn)自動(dòng)化的頻譜共享。

3) 頻譜管理效率較低，難以滿足精準(zhǔn)化、實(shí)時(shí)性的頻譜管理要求?，F(xiàn)有頻譜管理方法主要是從頻譜數(shù)據(jù)中建立統(tǒng)計(jì)模型，挖掘統(tǒng)計(jì)規(guī)律來(lái)進(jìn)行頻譜預(yù)測(cè)、頻譜決策，這些模型驅(qū)動(dòng)的方法存在模型復(fù)雜度、精準(zhǔn)度、可解析性等難以調(diào)和的內(nèi)在矛盾。并且，針對(duì)不同的頻譜管理場(chǎng)景，由于缺乏系統(tǒng)性的頻譜知識(shí)，現(xiàn)有模型的泛化能力欠佳。此外，對(duì)于頻譜管理中的大量?jī)?yōu)化計(jì)算，多樣化頻譜數(shù)據(jù)的格式難以統(tǒng)一，頻譜管理的計(jì)算能力受到限制，頻譜預(yù)測(cè)、頻譜決策的結(jié)果常常滯后，時(shí)效性較差。

綜上所述，為推動(dòng)頻譜管理從靜態(tài)、低效的以人工為主模式向動(dòng)態(tài)、精準(zhǔn)的智能模式轉(zhuǎn)變，探索一種新的頻譜管理模式是目前亟待解決的難題。為此，本文將知識(shí)圖譜理論與技術(shù)應(yīng)用到頻譜管理中，主要貢獻(xiàn)概括如下。

1) 提出“頻譜知識(shí)圖譜”的概念、體系和表示方法。

2) 面向未來(lái)頻譜管理場(chǎng)景，構(gòu)建了基于頻譜知識(shí)圖譜的智能頻譜管理框架。

3) 探討了基于頻譜知識(shí)圖譜的智能用頻推薦案例，展望了基于頻譜知識(shí)圖譜的智能頻譜管理交互應(yīng)用。

2 知識(shí)圖譜與頻譜管理

2.1 知識(shí)圖譜概述

知識(shí)圖譜是一種用圖模型來(lái)描述知識(shí)和建模世界萬(wàn)物之間關(guān)聯(lián)關(guān)系的技術(shù)方法[11]。它利用圖模型中的節(jié)點(diǎn)和節(jié)點(diǎn)間的邊來(lái)表示復(fù)雜的人類知識(shí)，其中節(jié)點(diǎn)代表實(shí)體，可以是具體的事物或者抽象的概念；邊代表實(shí)體間的關(guān)系或者實(shí)體的屬性。這種圖模型的表達(dá)通常描述為三元組的形式。知識(shí)圖譜中的實(shí)體和關(guān)系具有明確的語(yǔ)義，可以由計(jì)算機(jī)進(jìn)行形式化解釋、推理和判斷，用自然語(yǔ)言描述的人類知識(shí)由此被映射為機(jī)器可以計(jì)算和理解的信息。

知識(shí)圖譜在 2012 年由谷歌公司提出，用于優(yōu)化搜索引擎服務(wù)[12]。但實(shí)際上，它并非一項(xiàng)突然出現(xiàn)的新技術(shù)，而是由歷史上很多相關(guān)概念互相影響和繼承發(fā)展而來(lái)[11]，例如專家系統(tǒng)[13]、語(yǔ)義網(wǎng)絡(luò)、本體、語(yǔ)義網(wǎng)等。表1列出了這些相關(guān)概念與知識(shí)圖譜間的聯(lián)系和區(qū)別。知識(shí)圖譜常被稱為語(yǔ)義網(wǎng)的知識(shí)庫(kù)，谷歌公司提出的知識(shí)圖譜搜索引擎服務(wù)就是以語(yǔ)義網(wǎng)Freebase作為數(shù)據(jù)基礎(chǔ)改造的，現(xiàn)代知識(shí)圖譜通常沿用語(yǔ)義網(wǎng)中的資源描述框架（RDF, resource description framework）進(jìn)行簡(jiǎn)單實(shí)用的知識(shí)表示，從這點(diǎn)來(lái)看，知識(shí)圖譜與語(yǔ)義網(wǎng)是十分相似的。但語(yǔ)義網(wǎng)中以符號(hào)邏輯為基礎(chǔ)的知識(shí)表示方法只善于刻畫(huà)顯式、離散的知識(shí)，難以描述隱性知識(shí)、過(guò)程知識(shí)[13]。知識(shí)圖譜則可將每一個(gè)實(shí)體和關(guān)系都映射到低維向量空間中獲得它們的向量表示，通過(guò)數(shù)值計(jì)算實(shí)現(xiàn)隱含關(guān)系的推理。這種自動(dòng)化的知識(shí)圖譜嵌入技術(shù)[17]也使知識(shí)圖譜的規(guī)模得到空前的擴(kuò)展。傳統(tǒng)的專家系統(tǒng)常依賴人工定義語(yǔ)義關(guān)系、獲取知識(shí)，知識(shí)庫(kù)的規(guī)模十分有限，而現(xiàn)代知識(shí)圖譜與其最顯著的差別就是知識(shí)圖譜的規(guī)模巨大及其構(gòu)建過(guò)程自動(dòng)化。同時(shí)，逐漸成熟的自然語(yǔ)言處理技術(shù)更是與知識(shí)圖譜互為支撐、互相促進(jìn)，自然語(yǔ)言處理的眾多算法已在實(shí)體抽取、關(guān)系抽取、知識(shí)融合等知識(shí)圖譜構(gòu)建環(huán)節(jié)中發(fā)揮關(guān)鍵作用。

表1?? 相關(guān)概念與知識(shí)圖譜的聯(lián)系和區(qū)別

新窗口打開(kāi)|?下載CSV

根據(jù)知識(shí)圖譜中包含的知識(shí)類型進(jìn)行分類，可以將知識(shí)圖譜分為通用知識(shí)圖譜和領(lǐng)域知識(shí)圖譜。關(guān)于通用知識(shí)圖譜，國(guó)內(nèi)外已有較成熟的項(xiàng)目。國(guó)外的代表性項(xiàng)目包括早期影響范圍較廣的由Cycorp 公司開(kāi)發(fā)的 Cyc[18]、普林斯頓大學(xué)開(kāi)發(fā)的WordNet[19]、麻省理工學(xué)院創(chuàng)建的ConceptNet[20]、MetaWeb 公司構(gòu)建的 Freebase、維基構(gòu)建的WikiData等。國(guó)內(nèi)的代表性項(xiàng)目如下。復(fù)旦大學(xué)知識(shí)工場(chǎng)實(shí)驗(yàn)室研發(fā)并維護(hù)的 CN-DBpedia[21]，是國(guó)內(nèi)較早推出的也是目前規(guī)模較大的開(kāi)放百科中文知識(shí)圖譜。清華大學(xué)研發(fā)的XLORE通過(guò)從異構(gòu)的跨語(yǔ)言在線百科中抽取結(jié)構(gòu)化信息，形成中英文知識(shí)規(guī)模較平衡的多語(yǔ)言知識(shí)圖譜，為構(gòu)建任意雙語(yǔ)言知識(shí)平衡的大規(guī)模知識(shí)圖譜提供了新的方式。浙江大學(xué)、東南大學(xué)、同濟(jì)大學(xué)等多個(gè)研究團(tuán)隊(duì)共同研發(fā)的OpenKG是一個(gè)面向中文域開(kāi)放知識(shí)圖譜的社區(qū)項(xiàng)目，旨在促進(jìn)中文領(lǐng)域知識(shí)圖譜數(shù)據(jù)的開(kāi)放互聯(lián)，同時(shí)還收集整理了重要的知識(shí)圖譜開(kāi)源工具。就領(lǐng)域知識(shí)圖譜而言，電商、金融、醫(yī)療、企業(yè)管理等眾多領(lǐng)域的知識(shí)圖譜應(yīng)用逐漸落地生根。例如，醫(yī)學(xué)知識(shí)圖譜用于表達(dá)、組織、管理及利用海量異構(gòu)動(dòng)態(tài)的醫(yī)療大數(shù)據(jù)，在臨床決策支持系統(tǒng)、醫(yī)療智能語(yǔ)義搜索引擎、醫(yī)療問(wèn)答系統(tǒng)等系統(tǒng)中得到了廣泛應(yīng)用[22]。金融知識(shí)圖譜可對(duì)大量金融數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和可視化，用于監(jiān)管企業(yè)的發(fā)展趨勢(shì)，調(diào)查隱藏的財(cái)務(wù)關(guān)系等[23]。

此外，在知識(shí)圖譜管理方面，以Jena和RDF4J等為代表的關(guān)系數(shù)據(jù)庫(kù)系統(tǒng)和以Neo4j為代表的圖數(shù)據(jù)管理系統(tǒng)常用來(lái)支持大規(guī)模知識(shí)圖譜的存儲(chǔ)、檢索和分析。

知識(shí)圖譜在諸多領(lǐng)域的廣泛應(yīng)用得益于其對(duì)以二元一階謂詞邏輯為主的簡(jiǎn)單知識(shí)的成功表示。而對(duì)于某些三元關(guān)系甚至多元高階謂詞邏輯的復(fù)雜表達(dá)，現(xiàn)有知識(shí)圖譜尚無(wú)法勝任，且面臨鏈接困難、關(guān)系冗余、組合爆炸等難題[24]。Ding 等[25]針對(duì)網(wǎng)絡(luò)文檔的多跳問(wèn)答推理難題，受雙過(guò)程理論啟發(fā)，在知識(shí)圖譜的基礎(chǔ)上提出了認(rèn)知圖譜。認(rèn)知圖譜被解釋為“基于原始文本數(shù)據(jù)，針對(duì)特定問(wèn)題情境，使用強(qiáng)大的機(jī)器學(xué)習(xí)模型動(dòng)態(tài)構(gòu)建的，節(jié)點(diǎn)帶有上下文語(yǔ)義信息的知識(shí)圖譜”，可以減少圖譜構(gòu)建時(shí)的信息損失，將信息處理壓力轉(zhuǎn)移給檢索和自然語(yǔ)言理解算法，同時(shí)保留圖結(jié)構(gòu)以進(jìn)行可解釋關(guān)系推理[24]。

人工智能的核心難題之一是研究怎樣用計(jì)算機(jī)易于處理的方式表示、學(xué)習(xí)和處理各種各樣的知識(shí)。不斷發(fā)展和完善的知識(shí)圖譜將使機(jī)器能模仿人的思維過(guò)程，擁有思考、理解、判斷、分析的能力，成為實(shí)現(xiàn)認(rèn)知智能不可或缺的重要技術(shù)之一[11]。

2.2 知識(shí)圖譜引入頻譜管理的意義

據(jù)調(diào)研，知識(shí)圖譜目前在無(wú)線通信、信號(hào)檢測(cè)、網(wǎng)絡(luò)管理方面的研究剛剛開(kāi)始。張育瑜等[26]針對(duì)無(wú)線電監(jiān)測(cè)數(shù)據(jù)未規(guī)范化的問(wèn)題，提出了基于知識(shí)圖譜的海量無(wú)線電監(jiān)測(cè)數(shù)據(jù)的分析思路，利用盲信號(hào)識(shí)別等方式，構(gòu)建了結(jié)構(gòu)化無(wú)線電監(jiān)測(cè)數(shù)據(jù)知識(shí)庫(kù)。胡航宇等[27]提出一種基于流知識(shí)圖譜的網(wǎng)絡(luò)流行為分析模型——網(wǎng)絡(luò)流連接圖，網(wǎng)絡(luò)流連接圖能夠充分利用網(wǎng)絡(luò)流行為測(cè)量數(shù)據(jù)中的可用信息，刻畫(huà)網(wǎng)絡(luò)應(yīng)用流連接關(guān)系的固有特征，檢測(cè)與識(shí)別網(wǎng)絡(luò)異常行為，適合多種圖挖掘算法的應(yīng)用。Aumayr等[28]針對(duì)復(fù)雜動(dòng)態(tài)電信網(wǎng)絡(luò)系統(tǒng)管理的自動(dòng)化需求，從網(wǎng)絡(luò)當(dāng)前狀態(tài)中收集上下文信息，并將其與網(wǎng)絡(luò)提供商和運(yùn)營(yíng)商領(lǐng)域的現(xiàn)有電信知識(shí)文檔中的有用信息相關(guān)聯(lián)，構(gòu)建了一個(gè)面向網(wǎng)絡(luò)自動(dòng)管理的知識(shí)圖譜。該知識(shí)圖譜可針對(duì)各種突發(fā)的網(wǎng)絡(luò)事件，自動(dòng)推薦工作流，輔助網(wǎng)絡(luò)故障診斷和排除，提高網(wǎng)絡(luò)管理的效率，改善客戶體驗(yàn)。上述研究是將知識(shí)圖譜應(yīng)用到通信領(lǐng)域的有益嘗試，但尚沒(méi)有系統(tǒng)地涉及無(wú)線通信中用頻設(shè)備/系統(tǒng)/業(yè)務(wù)之間，以及與其使用的頻譜資源之間的關(guān)系，尤其是在頻譜管理中，知識(shí)圖譜的應(yīng)用目前仍未見(jiàn)報(bào)道。

結(jié)合知識(shí)圖譜的特點(diǎn)和頻譜管理面臨的嚴(yán)峻挑戰(zhàn)，本文考慮在頻譜管理中引入知識(shí)圖譜，主要如下。

1) 知識(shí)圖譜能夠表征頻譜領(lǐng)域的復(fù)雜語(yǔ)義。知識(shí)圖譜將頻譜管理中蘊(yùn)含的復(fù)雜關(guān)系和事實(shí)映射于不同的實(shí)體和實(shí)體間的關(guān)系上，且這些實(shí)體和關(guān)系都具有明確的含義，如用頻設(shè)備、頻譜資源表示通信、干擾或使用資源等關(guān)系，這種映射方式可以表征頻譜領(lǐng)域的語(yǔ)義，使機(jī)器理解頻譜管理中的各種信息。同時(shí)，知識(shí)圖譜本質(zhì)上是一種圖模型的數(shù)據(jù)庫(kù)，實(shí)體和關(guān)系對(duì)應(yīng)圖中的節(jié)點(diǎn)和邊，還能通過(guò)圖數(shù)據(jù)計(jì)算進(jìn)一步發(fā)掘隱含的深層關(guān)系和事實(shí)。

2) 知識(shí)圖譜能夠支撐頻譜管理的自動(dòng)化。通過(guò)為頻譜管理提供多域關(guān)聯(lián)的頻譜知識(shí)參考，知識(shí)圖譜可以將頻譜管理中各個(gè)零散的工作環(huán)節(jié)串聯(lián)起來(lái)，自動(dòng)進(jìn)行多步查詢推理，從而減少頻譜管理對(duì)人工操作的依賴。

3) 知識(shí)圖譜能夠增強(qiáng)頻譜管理的知識(shí)引導(dǎo)。知識(shí)圖譜能將人類積累的頻管經(jīng)驗(yàn)和實(shí)踐技巧轉(zhuǎn)化為機(jī)器能夠理解和處理的頻譜知識(shí)，并融入頻譜管理中發(fā)揮頻譜知識(shí)的引導(dǎo)作用，使頻譜管理從單純的數(shù)據(jù)驅(qū)動(dòng)轉(zhuǎn)變?yōu)閿?shù)據(jù)與經(jīng)驗(yàn)知識(shí)混合驅(qū)動(dòng)。

4) 知識(shí)圖譜能夠提升頻譜管理的規(guī)?；ｎl譜知識(shí)圖譜的向量表示將用頻設(shè)備、頻譜資源等實(shí)體及其之間的關(guān)系映射到連續(xù)向量空間，向量表示的具體過(guò)程采用深度學(xué)習(xí)模型進(jìn)行自動(dòng)訓(xùn)練，使知識(shí)圖譜的規(guī)模得到極大拓展。

5) 知識(shí)圖譜能夠提升頻譜管理的可解釋性。知識(shí)圖譜相當(dāng)于大腦中的知識(shí)庫(kù)，使智能算法的輸入、輸出行為以及它們之間的內(nèi)在因果關(guān)系或關(guān)聯(lián)關(guān)系可以被理解，有利于提升頻譜管理的透明度、可信任度、推廣泛化能力。

綜上所述，在頻譜管理中引入知識(shí)圖譜有助于高效融合頻譜監(jiān)測(cè)數(shù)據(jù)、用頻設(shè)備信息、頻譜管理日志等多源數(shù)據(jù)，挖掘頻譜管理中各實(shí)體之間在時(shí)間/頻率/空間等多元維度上的隱藏關(guān)系，實(shí)現(xiàn)頻譜數(shù)據(jù)與模型/專家經(jīng)驗(yàn)混合驅(qū)動(dòng)的頻譜智能管理，提升復(fù)雜環(huán)境下頻譜管理的智能化水平，更加接近人類的認(rèn)知思維，便于實(shí)現(xiàn)人工智能與人類智能的協(xié)同增效。知識(shí)圖譜將成為頻譜智能管理領(lǐng)域強(qiáng)有力的新概念、新工具。

3 頻譜知識(shí)圖譜的構(gòu)建

3.1 頻譜知識(shí)圖譜的概念

頻譜知識(shí)圖譜是表征頻譜管理領(lǐng)域復(fù)雜知識(shí)的新概念，本文給出頻譜知識(shí)圖譜的初步定義：頻譜知識(shí)圖譜是一種領(lǐng)域知識(shí)圖譜，它通過(guò)整合多源異構(gòu)的頻譜數(shù)據(jù)，表示頻譜資源、用頻設(shè)備等頻譜空間內(nèi)概念、實(shí)體間的復(fù)雜關(guān)系，實(shí)現(xiàn)頻譜知識(shí)的表征、提取、存儲(chǔ)、推理，服務(wù)于未來(lái)頻譜管理的自動(dòng)化、智能化、精準(zhǔn)化需求。下面將結(jié)合知識(shí)圖譜的生命周期和構(gòu)建過(guò)程具體闡釋頻譜知識(shí)圖譜的定義。如圖1(a)所示，頻譜知識(shí)圖譜的生命周期主要包括知識(shí)體系構(gòu)建、知識(shí)獲取、知識(shí)融合、知識(shí)存儲(chǔ)與查詢、知識(shí)推理、知識(shí)應(yīng)用6個(gè)環(huán)節(jié)[29]。其中，知識(shí)體系構(gòu)建是頻譜知識(shí)圖譜的實(shí)現(xiàn)基礎(chǔ)，知識(shí)建模和本體構(gòu)建明確了頻譜知識(shí)圖譜將包含的各種概念、實(shí)體以及具有的屬性和它們之間的關(guān)系；知識(shí)獲取主要是指從數(shù)據(jù)中抽取頻譜知識(shí)；知識(shí)融合是對(duì)不同來(lái)源、不同結(jié)構(gòu)的知識(shí)進(jìn)行融合的過(guò)程；知識(shí)存儲(chǔ)與查詢關(guān)注的是知識(shí)圖譜的數(shù)據(jù)模型、存儲(chǔ)方式及查詢語(yǔ)言；知識(shí)推理是針對(duì)知識(shí)圖譜的缺失鏈接進(jìn)行補(bǔ)全，挖掘?qū)嶓w隱含的內(nèi)在關(guān)系，同時(shí)將為頻管搜索、頻管問(wèn)答、用頻推薦等知識(shí)圖譜下游應(yīng)用提供支撐。

根據(jù)圖譜生命周期，頻譜知識(shí)圖譜構(gòu)建過(guò)程如圖1(b)所示。首先，對(duì)來(lái)源廣泛、類型多樣的非結(jié)構(gòu)化頻譜數(shù)據(jù)進(jìn)行知識(shí)獲取，數(shù)據(jù)來(lái)源包括專業(yè)頻譜管理人員的實(shí)踐經(jīng)驗(yàn)、文本化的頻譜管理政策和用頻設(shè)備信息、格式化的頻譜管理日志和頻譜監(jiān)測(cè)數(shù)據(jù)報(bào)表，甚至頻譜態(tài)勢(shì)圖像等。在此過(guò)程中，頻譜知識(shí)體系將為知識(shí)獲取提供依據(jù)和參考，即由模式層創(chuàng)建實(shí)例層，其中模式層存儲(chǔ)的是精煉的概念或?qū)嶓w以及它們之間的關(guān)系類型，而實(shí)例層對(duì)應(yīng)的則是從實(shí)際數(shù)據(jù)中抽取的具體實(shí)例對(duì)象及其關(guān)系。然后，抽取得到的頻譜知識(shí)將與結(jié)構(gòu)化頻譜數(shù)據(jù)進(jìn)行知識(shí)融合，形成統(tǒng)一的頻譜知識(shí)表示。對(duì)頻譜知識(shí)進(jìn)行存儲(chǔ)，即形成可用的頻譜知識(shí)圖譜。通過(guò)知識(shí)推理可以對(duì)已構(gòu)建的頻譜知識(shí)圖譜中缺失的知識(shí)鏈接進(jìn)行補(bǔ)全完善，最后服務(wù)于具體應(yīng)用。

圖1?? 頻譜知識(shí)圖譜的概念

由于知識(shí)獲取和知識(shí)融合都屬于自然語(yǔ)言處理中的重點(diǎn)研究?jī)?nèi)容，目前均有眾多較可行的方法，參考實(shí)體識(shí)別[30-31]、實(shí)體消歧[32-33]、關(guān)系抽取[34-35]、事件抽取[36]、聯(lián)合抽取[37]等，因此本文不再贅述。本文將知識(shí)圖譜應(yīng)用于頻譜管理，旨在突出頻譜知識(shí)圖譜對(duì)頻譜管理自動(dòng)化、智能化、精準(zhǔn)化水平的提升作用，而知識(shí)體系是否合理完備將直接影響頻譜知識(shí)圖譜的應(yīng)用效果，因此本文在第3節(jié)詳細(xì)闡述頻譜知識(shí)圖譜知識(shí)體系的具體內(nèi)容，在第5節(jié)著重探討頻譜知識(shí)圖譜的應(yīng)用場(chǎng)景。

3.2 頻譜知識(shí)圖譜的知識(shí)體系

頻譜知識(shí)目前尚未有公認(rèn)的或被廣泛接受的定義。Zhang等[38]將頻譜知識(shí)形式化地定義為用于推理或預(yù)測(cè)頻譜機(jī)會(huì)可用性及占用率的可延伸的可定量的信息，頻譜知識(shí)的形式可以是頻譜預(yù)測(cè)模型、頻譜管理范式和頻譜接入策略等。結(jié)合知識(shí)的定義，本文認(rèn)為在頻譜管理實(shí)踐中積累的經(jīng)驗(yàn)、制定的規(guī)則或頻譜管理中出現(xiàn)的各種事實(shí)、信息，都屬于頻譜知識(shí)的范疇。而在表征具體的頻譜知識(shí)前，首先要建立合理的知識(shí)體系，知識(shí)體系對(duì)領(lǐng)域內(nèi)的知識(shí)具有高度概括性和抽象性，確定了描述知識(shí)的基本框架，具體包括概念的分類、概念屬性的描述和概念之間相互關(guān)系的定義3個(gè)方面的內(nèi)容[29]。面向頻譜管理的應(yīng)用需求，本文采用自頂向下的方式，嘗試構(gòu)建了頻譜知識(shí)體系。一方面受篇幅限制，表2中只列出了頻譜知識(shí)體系的主要條目。另一方面，本文認(rèn)為頻譜知識(shí)圖譜是基于開(kāi)放世界的設(shè)定，人們所掌握的頻譜知識(shí)將隨著技術(shù)發(fā)展和研究深入而逐步豐富，因此頻譜知識(shí)體系尚不完備，可根據(jù)具體應(yīng)用情況進(jìn)行調(diào)整和擴(kuò)展。

具體地，從管理對(duì)象而言，頻譜管理是圍繞重要稀缺的頻譜資源和類型多樣的用頻設(shè)備展開(kāi)的；從管理內(nèi)容而言，頻譜管理的場(chǎng)景配置和各場(chǎng)景下具體任務(wù)各不相同；從管理手段而言，頻譜管理涉及眾多面向不同任務(wù)目標(biāo)的智能算法?；诖耍l譜知識(shí)體系中的主要概念分類、實(shí)體及其屬性如表2?所示，其中，“類”代表概念類別，縮進(jìn)表示概念、實(shí)體間的上下位關(guān)系，實(shí)體后的方括號(hào)內(nèi)列舉了實(shí)體的部分屬性。實(shí)體間關(guān)系的類型和關(guān)系的作用范圍如表3所示。

3.3 頻譜知識(shí)圖譜的表示

在頻譜知識(shí)體系的框架下，頻譜知識(shí)圖譜采用三元組的形式描述實(shí)例知識(shí)，即(頭實(shí)體, 關(guān)系, 尾實(shí)體)，記為(h,r,t)。其中，頭實(shí)體h一般為知識(shí)體系中的概念或?qū)嶓w；尾實(shí)體t既可以是概念或?qū)嶓w，也可以是實(shí)體的屬性值字段；相應(yīng)地，關(guān)系r可以為連接頭、尾實(shí)體的謂詞或上下位關(guān)系，也可以描述實(shí)體對(duì)象與其屬性值字段之間的屬性關(guān)系。一個(gè)完整的三元組被稱為一個(gè)事實(shí)，記作F=(h,r,t)。從圖模型的角度，頻譜知識(shí)圖譜中的所有實(shí)體和字段均對(duì)應(yīng)圖中的節(jié)點(diǎn)，實(shí)體間的關(guān)系或?qū)嶓w的屬性對(duì)應(yīng)圖中的邊，形成網(wǎng)狀的圖數(shù)據(jù)模型，將分散的頻譜知識(shí)緊密地組織在一起。

新窗口打開(kāi)|?下載CSV

表2?? 頻譜知識(shí)體系示例

表3?? 實(shí)體間關(guān)系的類型和作用范圍

新窗口打開(kāi)|?下載CSV

空地頻譜共享的知識(shí)圖譜局部示意如圖2?所示。在設(shè)備-資源層面上，每一個(gè)橢圓形節(jié)點(diǎn)即為資源或者設(shè)備類別中的概念的一個(gè)實(shí)例，如頻譜共享管理、空地頻譜共享、頻譜感知、無(wú)人機(jī)用戶A、干擾站、信道1等；每一個(gè)矩形節(jié)點(diǎn)是描述屬性值的字段，如單維頻譜預(yù)測(cè)、直接序列擴(kuò)頻、2.432 GHz等。實(shí)體間的關(guān)系或?qū)嶓w的屬性用節(jié)點(diǎn)間的有向邊表示，如表示概念層級(jí)間包含或包括關(guān)系的有向邊、設(shè)備與資源間使用關(guān)系的有向邊、表示信道的中心頻率屬性的有向邊等。場(chǎng)景-技術(shù)層面與設(shè)備-資源層面通過(guò)場(chǎng)景任務(wù)中包含設(shè)備、資源聯(lián)系起來(lái)。此外，將知識(shí)圖譜的節(jié)點(diǎn)設(shè)置為實(shí)體或字段是可以根據(jù)實(shí)際情況靈活調(diào)整的。如圖2中的直接序列擴(kuò)頻節(jié)點(diǎn)，若僅用于描述設(shè)備發(fā)射信號(hào)的調(diào)制方式屬性，可將其設(shè)置為字段；若圖譜中還涉及該調(diào)制方式的具體屬性參數(shù)，如擴(kuò)頻碼長(zhǎng)度、碼速率等，則將其設(shè)置為實(shí)體。

有些知識(shí)圖譜表示還考慮了事實(shí)的其他維度。例如，趙澤亞[39]針對(duì)傳統(tǒng)的知識(shí)網(wǎng)絡(luò)模型無(wú)法充分描述復(fù)雜多元異構(gòu)信息的問(wèn)題，提出了一種開(kāi)放知識(shí)網(wǎng)絡(luò)八元組模型，網(wǎng)絡(luò)中的節(jié)點(diǎn)和邊都帶有時(shí)間、空間等信息，便于信息的深度挖掘。而在頻譜管理中，某些頻譜知識(shí)描述的語(yǔ)義實(shí)際上也隱含著重要的時(shí)空信息，如“某信道在某時(shí)段的占空比為57%”，僅描述信道的占空比屬性值就會(huì)丟失時(shí)間信息，因此在頻譜知識(shí)圖譜中也可以根據(jù)實(shí)際情況增加關(guān)系的時(shí)空描述信息。

4 基于頻譜知識(shí)圖譜的智能頻譜管理框架

頻譜知識(shí)圖譜將頻譜管理領(lǐng)域內(nèi)各個(gè)層面的知識(shí)有效緊密地聯(lián)結(jié)在一起，本節(jié)將構(gòu)建基于頻譜知識(shí)圖譜的智能頻譜管理框架。

圖3給出了基于頻譜知識(shí)圖譜的智能頻譜管理框架，從左至右依次為圖譜層、設(shè)備層和場(chǎng)景層。在此框架中，未來(lái)頻譜管理被認(rèn)為是集中控制與分布自主相結(jié)合的模式，頻譜管理中心是具備存儲(chǔ)、計(jì)算、理解、思考等能力的智能控制中心，用頻設(shè)備是具備感知、理解、記憶、思考等能力的智能體，頻譜知識(shí)圖譜則是頻譜管理中心和用頻設(shè)備“大腦”中的知識(shí)庫(kù)。在頻譜知識(shí)圖譜的引導(dǎo)下，智能頻管中心可以根據(jù)所處的場(chǎng)景，確定頻譜管理目標(biāo)，選擇合適的智能方法，并為場(chǎng)景中的智能用頻設(shè)備下發(fā)頻管任務(wù)；智能用頻設(shè)備可以根據(jù)接收到的頻管任務(wù)及其在場(chǎng)景中的角色，自動(dòng)調(diào)用智能算法，實(shí)現(xiàn)既定的頻譜管理目標(biāo)，同時(shí)向智能頻管中心上報(bào)信息。智能用頻設(shè)備在完成頻管任務(wù)的過(guò)程中將通過(guò)頻譜感知、頻譜決策、頻譜行動(dòng)等對(duì)頻譜知識(shí)圖譜進(jìn)行查詢、檢索、推理、更新；智能頻管中心也將根據(jù)多樣化的場(chǎng)景和任務(wù)，對(duì)頻譜知識(shí)圖譜進(jìn)行擴(kuò)充和完善。下面將具體闡釋智能頻譜管理框架各個(gè)層面的具體內(nèi)容。

圖2?? 空地頻譜共享知識(shí)圖譜示意

圖3?? 基于頻譜知識(shí)圖譜的智能頻譜管理框架

圖譜層是智能頻譜管理框架的驅(qū)動(dòng)內(nèi)核，即多域關(guān)聯(lián)的頻譜知識(shí)圖譜。構(gòu)建頻譜知識(shí)圖譜的原始數(shù)據(jù)來(lái)源如第3節(jié)所述，其中頻譜管理政策、專家經(jīng)驗(yàn)以及部分歷史頻譜管理日志、歷史頻譜監(jiān)測(cè)數(shù)據(jù)等用于頻譜知識(shí)圖譜的初始構(gòu)建，而用頻設(shè)備后續(xù)通過(guò)頻譜感知、決策、行動(dòng)得到的監(jiān)測(cè)數(shù)據(jù)、圖像信息和管理日志將作為新的輸入數(shù)據(jù)用于更新頻譜知識(shí)圖譜。頻譜知識(shí)圖譜使異構(gòu)頻譜數(shù)據(jù)與模型/專家經(jīng)驗(yàn)得以有效融合，匯聚成用頻設(shè)備的知識(shí)庫(kù)。

設(shè)備層是智能頻譜管理框架的執(zhí)行單元，主要是指配置頻譜知識(shí)圖譜的智能用頻設(shè)備。除傳統(tǒng)認(rèn)知無(wú)線電技術(shù)中用頻設(shè)備的認(rèn)知能力和可重構(gòu)性，智能頻譜管理框架中的用頻設(shè)備還需具備理解、記憶、思考的能力，頻譜知識(shí)圖譜則在其中充當(dāng)用頻設(shè)備大腦的角色。借助設(shè)備-資源層面的頻譜知識(shí)圖譜，用頻設(shè)備能夠?qū)Χ嘣串悩?gòu)頻譜數(shù)據(jù)中包含的信息進(jìn)行提取、加工和存儲(chǔ)，把握頻譜態(tài)勢(shì)演化的規(guī)律和方向，處理自身與其他設(shè)備間的關(guān)系，成為大腦賦能的智能體。智能用頻設(shè)備主要完成三項(xiàng)任務(wù)：知識(shí)圖譜賦能的頻譜感知、知識(shí)圖譜賦能的頻譜決策和知識(shí)圖譜賦能的頻譜行動(dòng)，其中知識(shí)圖譜賦能體現(xiàn)在頻譜感知、頻譜決策、頻譜行動(dòng)中的頻譜知識(shí)圖譜應(yīng)用。

1) 知識(shí)圖譜賦能的頻譜感知。感知得到的數(shù)據(jù)信息經(jīng)過(guò)提取、加工形成新的頻譜知識(shí)，將被存儲(chǔ)在頻譜知識(shí)圖譜中，而頻譜知識(shí)圖譜中已有的知識(shí)可以作為先驗(yàn)信息，輔助用頻設(shè)備進(jìn)行基于注意力機(jī)制的知識(shí)抽取。

2) 知識(shí)圖譜賦能的頻譜決策。用頻設(shè)備可以查詢頻譜知識(shí)圖譜以獲得實(shí)體間的關(guān)系事實(shí)，頻譜知識(shí)圖譜也可以用于實(shí)體間關(guān)系或事實(shí)的推理以輔助決策。

3) 知識(shí)圖譜賦能的頻譜行動(dòng)。頻譜共享或移動(dòng)的事實(shí)將進(jìn)一步更新頻譜知識(shí)圖譜，基于頻譜知識(shí)圖譜的推理也可以對(duì)頻譜行動(dòng)的效果進(jìn)行評(píng)估。

場(chǎng)景層是智能頻譜管理框架的應(yīng)用呈現(xiàn)。面向頻譜秩序管理、頻譜對(duì)抗管理、頻譜共享管理等多樣化應(yīng)用場(chǎng)景，智能頻管中心首先在頻譜知識(shí)圖譜中蘊(yùn)含的場(chǎng)景知識(shí)引導(dǎo)下確定頻譜管理的目標(biāo)，如圖3中的場(chǎng)景層所示，無(wú)人機(jī)網(wǎng)絡(luò)及智能用頻設(shè)備的通信受到干擾站干擾，頻譜管理的目標(biāo)是要實(shí)現(xiàn)頻譜安全共享。智能頻管中心將根據(jù)頻譜知識(shí)圖譜中的“場(chǎng)景-技術(shù)”知識(shí)，選擇合適的技術(shù)方法，并向智能用頻設(shè)備下發(fā)頻管任務(wù)。智能用頻設(shè)備通過(guò)分布協(xié)作的方式完成頻管任務(wù)，并向智能頻管中心上報(bào)信息。

5 頻譜知識(shí)圖譜的應(yīng)用

知識(shí)圖譜的典型應(yīng)用包括智能問(wèn)答、智能搜索、智能推薦等。作為一種領(lǐng)域知識(shí)圖譜，頻譜知識(shí)圖譜的應(yīng)用將以這些典型應(yīng)用為基礎(chǔ)，在頻譜管理領(lǐng)域進(jìn)行實(shí)踐和創(chuàng)新。本節(jié)將重點(diǎn)討論基于頻譜知識(shí)圖譜的智能用頻推薦案例，并進(jìn)一步展望基于頻譜知識(shí)圖譜的智能頻譜管理交互應(yīng)用。

5.1 基于頻譜知識(shí)圖譜的智能用頻推薦案例

推薦系統(tǒng)的核心目標(biāo)是通過(guò)分析用戶行為、興趣、需求等信息，在海量數(shù)據(jù)中挖掘用戶感興趣的信息[40]。推薦方法依賴的數(shù)據(jù)基礎(chǔ)通常是用戶與物品之間的大量交互數(shù)據(jù)。將知識(shí)圖譜技術(shù)應(yīng)用到推薦系統(tǒng)可以解決傳統(tǒng)推薦方法難以勝任的用戶-物品行為關(guān)系數(shù)據(jù)稀疏問(wèn)題、對(duì)新用戶或新物品進(jìn)行推薦的冷啟動(dòng)問(wèn)題等，提升推薦的可解釋性[40]。本節(jié)展示了頻譜知識(shí)圖譜在用頻推薦中的具體應(yīng)用。

頻譜管理中的用頻推薦是將用頻設(shè)備看作用戶，將頻譜資源看作物品，通過(guò)挖掘頻譜資源的演化特性，分析用頻設(shè)備的用頻需求、行為模式，從而為用頻設(shè)備推薦可用、好用的頻譜資源。用頻推薦有助于突破感知能力限制、降低感知時(shí)間開(kāi)銷，彌補(bǔ)頻譜可用性模型在復(fù)雜度、精準(zhǔn)性、可解釋性等方面的不足，為頻譜決策提供主動(dòng)型、預(yù)測(cè)型、增強(qiáng)型信息支撐，協(xié)助頻管人員優(yōu)化頻譜管理政策，提高頻譜管理效率。

在通信中，用戶與物品間的交互數(shù)據(jù)可以表現(xiàn)為用頻設(shè)備對(duì)頻譜資源傳輸質(zhì)量的評(píng)價(jià)。例如，在短波通信系統(tǒng)中，由于反射短波信號(hào)的電離層是一種典型的時(shí)變傳輸媒介，電離層對(duì)不同頻率電波的反射和吸收能力不同，其特性還受日夜交替、季節(jié)更替、太陽(yáng)黑子周期和地理位置等多因素影響變化，且信道受干擾嚴(yán)重，因此通信極不穩(wěn)定。短波用頻設(shè)備通常先對(duì)預(yù)置頻率集進(jìn)行鏈路質(zhì)量分析，再根據(jù)鏈路質(zhì)量評(píng)價(jià)結(jié)果，自適應(yīng)地選擇通信頻率[41]。由此，容易聯(lián)想到利用鏈路質(zhì)量評(píng)價(jià)等交互數(shù)據(jù)進(jìn)行短波用頻推薦。

然而，一方面，短波用頻設(shè)備通過(guò)探測(cè)信道獲得鏈路質(zhì)量時(shí)，可能受到干擾或噪聲的影響而導(dǎo)致探測(cè)失敗；另一方面，用頻設(shè)備的探測(cè)能力有限，在實(shí)際系統(tǒng)中，用頻設(shè)備主要在其常用頻率附近進(jìn)行探測(cè)。因此，鏈路質(zhì)量矩陣是不完整的，上述短波用頻推薦也面臨交互數(shù)據(jù)稀疏的問(wèn)題。本節(jié)將利用頻譜知識(shí)圖譜對(duì)鏈路質(zhì)量矩陣進(jìn)行補(bǔ)全，服務(wù)于短波用頻推薦。

對(duì)于頻譜管理專業(yè)人員而言，鏈路質(zhì)量受哪些主要因素影響，總體上呈現(xiàn)何種時(shí)變趨勢(shì)，這些實(shí)踐經(jīng)驗(yàn)都屬于頻譜知識(shí)，可以通過(guò)頻譜知識(shí)圖譜表征，發(fā)揮頻譜知識(shí)在智能頻譜管理中的引導(dǎo)作用，實(shí)現(xiàn)數(shù)據(jù)與經(jīng)驗(yàn)知識(shí)混合驅(qū)動(dòng)的用頻推薦。具體地，本節(jié)在第3節(jié)的基礎(chǔ)上進(jìn)一步細(xì)化頻譜知識(shí)圖譜中資源類實(shí)體，將鏈路質(zhì)量建模為實(shí)體。首先，考慮知識(shí) 1，鏈路質(zhì)量主要受頻率、時(shí)間、傳輸距離等因素影響，則將鏈路質(zhì)量的數(shù)值、所對(duì)應(yīng)的時(shí)刻、頻率、鏈路起點(diǎn)和鏈路終點(diǎn)等建模為實(shí)體的屬性。如圖4所示，對(duì)于鏈路質(zhì)量矩陣中任一已知元素，上述圖譜建模方式已形成(qi,j,ValueIs,23)、(qi,j,TimeIs,06/01_08)、(qi,j,FrequencyIs,f?2)、(qi,j,TrLocationIs,A地)等多個(gè)三元組；對(duì)于鏈路質(zhì)量矩陣中的缺失元素，由于元素在矩陣中的位置是明確的，即時(shí)刻、頻率、鏈路起點(diǎn)和鏈路終點(diǎn)等信息已知，此時(shí)僅形成 (qm,n,TimeIs,06/01_03)、(qm,n,FrequencyIs,f?5)、(qm,n,TrLocationIs,A地)等部分三元組，鏈路質(zhì)量矩陣補(bǔ)全問(wèn)題即轉(zhuǎn)化為對(duì)表示鏈路質(zhì)量數(shù)值的三元組(qm,n,ValueIs,?)的鏈接預(yù)測(cè)問(wèn)題。在此基礎(chǔ)上，可以進(jìn)一步考慮“知識(shí)2”，鏈路質(zhì)量受日夜更替影響較大，對(duì)于同一條鏈路，不同天的相同時(shí)刻的鏈路質(zhì)量應(yīng)具有相似性，則可以增加(06/01_07,TimeSimilar,06/11_07)等三元組作為已知信息。

圖4?? 鏈路質(zhì)量矩陣與頻譜知識(shí)圖譜

由于上述頻譜知識(shí)圖譜存在大量多對(duì)一關(guān)系（N-to-1），考慮采用TransR模型[42]對(duì)頻譜知識(shí)圖譜進(jìn)行表示學(xué)習(xí)，學(xué)習(xí)圖譜中所有實(shí)體、關(guān)系以及相應(yīng)映射矩陣的向量表示。然后，針對(duì)鏈接預(yù)測(cè)問(wèn)題(qm,n,ValueIs,?)，對(duì)每一個(gè)待預(yù)測(cè)三元組中缺失的尾實(shí)體，將知識(shí)圖譜中對(duì)應(yīng)類別下的所有實(shí)體作為候選項(xiàng)計(jì)算得分函數(shù)，可以得到這些候選尾實(shí)體的得分排名，以得分排名最高的實(shí)體作為預(yù)測(cè)結(jié)果，即鏈路質(zhì)量矩陣中缺失元素的值。

實(shí)驗(yàn)數(shù)據(jù)來(lái)自短波中長(zhǎng)期預(yù)報(bào)軟件 VOACAP的仿真數(shù)據(jù)。數(shù)據(jù)集1模擬由南京至廈門(mén)的短波通信鏈路的接收信噪比（假設(shè)鏈路質(zhì)量指標(biāo)以接收信噪比為主），記錄時(shí)間為2020年6月至8月的每旬第一天（共9天）的全時(shí)段的鏈路質(zhì)量，每小時(shí)記錄一次鏈路質(zhì)量，鏈路頻率設(shè)置為短波頻段內(nèi)均勻分布的9個(gè)頻點(diǎn)，信噪比數(shù)值經(jīng)預(yù)處理后進(jìn)行5級(jí)均勻量化，因此完整的鏈路質(zhì)量矩陣應(yīng)為9×216的數(shù)值矩陣。數(shù)據(jù)集2模擬由南京至?？诘亩滩ㄍㄐ沛溌返慕邮招旁氡?，記錄時(shí)間為2015年每月15日的全時(shí)段的鏈路質(zhì)量，每小時(shí)記錄一次鏈路質(zhì)量，鏈路頻率設(shè)置為9個(gè)頻點(diǎn)，對(duì)信噪比數(shù)值進(jìn)行5級(jí)量化，則數(shù)據(jù)集2的完整鏈路質(zhì)量矩陣應(yīng)為9×288的數(shù)值矩陣。對(duì)上述2個(gè)數(shù)據(jù)集設(shè)置鏈路質(zhì)量矩陣中缺失元素的比例均為 80%。本文采用清華大學(xué)OpenKE toolkits工具包[43]中的TransR模型，對(duì)所構(gòu)建的頻譜知識(shí)圖譜進(jìn)行向量表示學(xué)習(xí)，其中實(shí)體向量、關(guān)系向量和映射矩陣的維度分別設(shè)置為100、100 和 100×100，隨機(jī)梯度下降算法的學(xué)習(xí)率設(shè)置為0.02、邊際參數(shù)設(shè)置為4，每一批次訓(xùn)練數(shù)據(jù)的規(guī)模設(shè)置為5 000，訓(xùn)練次數(shù)設(shè)置為5 000。實(shí)驗(yàn)結(jié)果如表4所示，預(yù)測(cè)結(jié)果的均方根誤差（RMSE, root mean square error）隨知識(shí)的增多而減少，說(shuō)明頻譜知識(shí)圖譜能在用頻推薦中起到知識(shí)引導(dǎo)的作用，增加知識(shí)能提升鏈路質(zhì)量矩陣補(bǔ)全的性能。

表4?? 鏈路質(zhì)量矩陣補(bǔ)全的準(zhǔn)確性

新窗口打開(kāi)|?下載CSV

5.2 基于頻譜知識(shí)圖譜的智能頻譜管理交互應(yīng)用

知識(shí)圖譜為機(jī)器理解人類語(yǔ)言提供了新的思路。結(jié)合自然語(yǔ)言處理技術(shù)，頻譜知識(shí)圖譜可以支撐人機(jī)協(xié)作交互的眾多下游應(yīng)用，滿足管理人員直接用人類自然語(yǔ)言進(jìn)行與頻譜管理相關(guān)的智能搜索、人機(jī)問(wèn)答的需求，減少頻譜管理人力成本和對(duì)頻管專家的依賴。

1) 頻譜管理智能搜索系統(tǒng)。頻譜知識(shí)圖譜以統(tǒng)一的知識(shí)表示形式存儲(chǔ)了大量頻譜知識(shí)，可以針對(duì)搜索關(guān)鍵詞迅速返回豐富全面的表單式信息，提升了信息檢索的效率。

2) 頻譜管理智能問(wèn)答系統(tǒng)。支持使用自然語(yǔ)言輸入與頻譜管理相關(guān)的事實(shí)型、是非型、原因型等類型的問(wèn)題進(jìn)行提問(wèn)，如“某設(shè)備使用的頻段是什么”“某頻段在明天8時(shí)是否可用”“某設(shè)備切換頻率的原因是什么”等，系統(tǒng)經(jīng)過(guò)自然語(yǔ)言理解、知識(shí)圖譜查詢和推理，直接返回問(wèn)題答案。

6 結(jié)束語(yǔ)

針對(duì)頻譜管理面臨的嚴(yán)峻挑戰(zhàn)，本文將知識(shí)圖譜技術(shù)引入頻譜管理中，提出了頻譜知識(shí)圖譜的概念、知識(shí)體系和表示，構(gòu)建了基于頻譜知識(shí)圖譜的智能頻譜管理框架，重點(diǎn)探討了基于頻譜知識(shí)圖譜的智能用頻推薦案例，并對(duì)基于頻譜知識(shí)圖譜的智能頻譜管理交互應(yīng)用進(jìn)行了展望。下一步將搭建頻譜知識(shí)圖譜演示應(yīng)用平臺(tái)，繼續(xù)深入探索頻譜知識(shí)圖譜應(yīng)用，進(jìn)一步評(píng)估驗(yàn)證頻譜知識(shí)圖譜對(duì)頻譜管理自動(dòng)化、智能化、精準(zhǔn)化的提升效果。頻譜管理與知識(shí)圖譜技術(shù)的結(jié)合將是一個(gè)很有意義的研究領(lǐng)域，未來(lái)將產(chǎn)生眾多富有成效的研究成果，為智能頻譜管理領(lǐng)域帶來(lái)顛覆性的技術(shù)變革。本文關(guān)于頻譜知識(shí)圖譜的研究和討論只觸及了其中的冰山一角，希望能夠激發(fā)更多的研究興趣。

【轉(zhuǎn)載聲明】轉(zhuǎn)載目的在于傳遞更多信息。如涉及作品版權(quán)和其它問(wèn)題，請(qǐng)?jiān)?0日內(nèi)與本號(hào)聯(lián)系，我們將在第一時(shí)間解決！

編輯：fqj