頻譜知識圖譜：面向未來頻譜管理的智能引擎

人工智能技術與咨詢 4天前

本文來自《通信學報》，作者孫佳琛等

1 引言

頻譜管理是指綜合運用行政、技術和工程等手段對電磁頻譜使用進行籌劃、組織、協調和控制，以免用頻設備、系統及業務間的相互干擾[1]。早期的頻譜管理主要依靠人工制定頻譜政策、用頻規則，通過為用頻設備、系統和業務統一劃分頻段、指配頻率來實現，適用于用頻需求有限、電磁環境相對簡單的情況。這種條塊分割的靜態管理模式側重計劃分配、被動響應，人工成本高，管理效率較低，時效性較差，難以適應用頻需求的爆炸式增長及電磁環境的快速變化，還會導致頻譜使用不平衡、頻譜利用率較低等問題。

為解決上述問題，可以利用頻譜空穴來實現動態頻譜接入。認知無線電是實現動態頻譜接入的關鍵技術，它為未授權用戶或認知用戶提供了以機會的方式與授權用戶共享無線頻譜資源的能力[2-3]。在部分頻譜已經固定地劃分給授權用戶的情況下，認知用戶可以對電磁環境進行感知，檢測未被使用的頻譜（即頻譜空穴），估計信道狀態信息、預測信道容量，從中選擇最優可用頻率并接入，與授權用戶實現頻譜共享。在此過程中，認知用戶是被賦予了觀察、學習、適應、決策等能力以及支持在不同頻率上收發信號的可重構性[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”的主要框架[5]。

進一步地，人工智能技術的蓬勃發展為頻譜管理模式的變革帶來了新的機遇[6]，深度學習、群體智能、區塊鏈等新興技術在頻譜數據分析、控制信道分配、防欺騙決策等方面表現出優越性，使頻譜機會發現和利用的能力不斷提升。具體而言，深度學習能夠從原始數據中自動解析出更加復雜的統計模型，如Yu等[7]基于深度學習長短期記憶模型挖掘并利用頻譜時間序列數據中的中長期頻譜特征，提升了頻譜預測的性能。群體智能理論與方法則能使分布式個體獨立行動并根據環境反饋自適應地調整自身行為，所有個體互相協調耦合，最終形成自發連貫的系統智能[8]。Chen等[9]提出了一種基于群體智能的信道選擇算法，利用鄰居定時廣播消息作為信息素對認知用戶常用信道的質量進行排序，通過僅基于局部信息的節點協作解決了認知無線網絡中控制信道資源分配的問題。區塊鏈的去中心化存儲、分布式共識等關鍵技術使私有無線設備參與貢獻頻譜數據、實現頻譜可信安全共享成為可能。楊健等[10]將區塊鏈技術應用到大規模超密集移動互聯網的頻譜共享中，將海量個人無線設備聯網構成頻譜設備網絡，定義“頻譜幣”作為設備采集頻譜數據的獎勵，并提出由感知節點共識融合、驗證節點共識驗證、簇頭節點共識確認構成的分布式共識機制。

頻譜管理正在經歷從人工/手動到機器自動化/自主智能、從靜態封閉分配到動態開放共享、從集中統一指派到分布自主協同的轉變，但在這一過程中仍面臨以下挑戰。

1) 頻譜空間建模表征方式比較單一，難以適應錯綜復雜的電磁環境。當前，頻譜態勢常用頻譜圖來描繪，建模時主要關注可用頻譜資源的時-頻-空分布，具體表現為頻譜的忙閑狀態、輻射功率、接入協議、調制方式等。隨著用頻設備/系統的類型和數量不斷增長，電磁頻譜空間日益錯綜復雜，演變成多主體、多因素、多變量構成的互為輸入輸出的復雜系統。當前頻譜建模和表征方式難以厘清頻譜空間內各主體間的多元關系以及主體受因素、變量的深層影響，缺乏系統性頻譜知識的精煉。

2) 頻譜管理方式對于人的經驗依賴性較強，難以實現自動化、智能化的頻譜管理效果。靜態劃分的傳統頻譜管理模式依賴于人工操作和人員經驗。在動態協同的智能頻譜管理模式中，雖然頻譜感知、頻譜預測、頻譜決策等各個環節針對各自不同的優化目標都有技術性的解決方法，但各個環節間智能算法的輸入輸出仍然依賴人工銜接和監督，許多操作技巧和實踐經驗只能被頻管人員掌握，用頻設備既無法理解頻譜認知環路中流動的數據的語義，也無法在數據計算的基礎上結合這些技巧經驗進行思考，并未實現自動化的頻譜共享。

3) 頻譜管理效率較低，難以滿足精準化、實時性的頻譜管理要求。現有頻譜管理方法主要是從頻譜數據中建立統計模型，挖掘統計規律來進行頻譜預測、頻譜決策，這些模型驅動的方法存在模型復雜度、精準度、可解析性等難以調和的內在矛盾。并且，針對不同的頻譜管理場景，由于缺乏系統性的頻譜知識，現有模型的泛化能力欠佳。此外，對于頻譜管理中的大量優化計算，多樣化頻譜數據的格式難以統一，頻譜管理的計算能力受到限制，頻譜預測、頻譜決策的結果常常滯后，時效性較差。

綜上所述，為推動頻譜管理從靜態、低效的以人工為主模式向動態、精準的智能模式轉變，探索一種新的頻譜管理模式是目前亟待解決的難題。為此，本文將知識圖譜理論與技術應用到頻譜管理中，主要貢獻概括如下。

1) 提出“頻譜知識圖譜”的概念、體系和表示方法。

2) 面向未來頻譜管理場景，構建了基于頻譜知識圖譜的智能頻譜管理框架。

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

2 知識圖譜與頻譜管理

2.1 知識圖譜概述

知識圖譜是一種用圖模型來描述知識和建模世界萬物之間關聯關系的技術方法[11]。它利用圖模型中的節點和節點間的邊來表示復雜的人類知識，其中節點代表實體，可以是具體的事物或者抽象的概念；邊代表實體間的關系或者實體的屬性。這種圖模型的表達通常描述為三元組的形式。知識圖譜中的實體和關系具有明確的語義，可以由計算機進行形式化解釋、推理和判斷，用自然語言描述的人類知識由此被映射為機器可以計算和理解的信息。

知識圖譜在 2012 年由谷歌公司提出，用于優化搜索引擎服務[12]。但實際上，它并非一項突然出現的新技術，而是由歷史上很多相關概念互相影響和繼承發展而來[11]，例如專家系統[13]、語義網絡、本體、語義網等。表1列出了這些相關概念與知識圖譜間的聯系和區別。知識圖譜常被稱為語義網的知識庫，谷歌公司提出的知識圖譜搜索引擎服務就是以語義網Freebase作為數據基礎改造的，現代知識圖譜通常沿用語義網中的資源描述框架（RDF, resource description framework）進行簡單實用的知識表示，從這點來看，知識圖譜與語義網是十分相似的。但語義網中以符號邏輯為基礎的知識表示方法只善于刻畫顯式、離散的知識，難以描述隱性知識、過程知識[13]。知識圖譜則可將每一個實體和關系都映射到低維向量空間中獲得它們的向量表示，通過數值計算實現隱含關系的推理。這種自動化的知識圖譜嵌入技術[17]也使知識圖譜的規模得到空前的擴展。傳統的專家系統常依賴人工定義語義關系、獲取知識，知識庫的規模十分有限，而現代知識圖譜與其最顯著的差別就是知識圖譜的規模巨大及其構建過程自動化。同時，逐漸成熟的自然語言處理技術更是與知識圖譜互為支撐、互相促進，自然語言處理的眾多算法已在實體抽取、關系抽取、知識融合等知識圖譜構建環節中發揮關鍵作用。

表1?? 相關概念與知識圖譜的聯系和區別

新窗口打開|?下載CSV

根據知識圖譜中包含的知識類型進行分類，可以將知識圖譜分為通用知識圖譜和領域知識圖譜。關于通用知識圖譜，國內外已有較成熟的項目。國外的代表性項目包括早期影響范圍較廣的由Cycorp 公司開發的 Cyc[18]、普林斯頓大學開發的WordNet[19]、麻省理工學院創建的ConceptNet[20]、MetaWeb 公司構建的 Freebase、維基構建的WikiData等。國內的代表性項目如下。復旦大學知識工場實驗室研發并維護的 CN-DBpedia[21]，是國內較早推出的也是目前規模較大的開放百科中文知識圖譜。清華大學研發的XLORE通過從異構的跨語言在線百科中抽取結構化信息，形成中英文知識規模較平衡的多語言知識圖譜，為構建任意雙語言知識平衡的大規模知識圖譜提供了新的方式。浙江大學、東南大學、同濟大學等多個研究團隊共同研發的OpenKG是一個面向中文域開放知識圖譜的社區項目，旨在促進中文領域知識圖譜數據的開放互聯，同時還收集整理了重要的知識圖譜開源工具。就領域知識圖譜而言，電商、金融、醫療、企業管理等眾多領域的知識圖譜應用逐漸落地生根。例如，醫學知識圖譜用于表達、組織、管理及利用海量異構動態的醫療大數據，在臨床決策支持系統、醫療智能語義搜索引擎、醫療問答系統等系統中得到了廣泛應用[22]。金融知識圖譜可對大量金融數據進行標準化和可視化，用于監管企業的發展趨勢，調查隱藏的財務關系等[23]。

此外，在知識圖譜管理方面，以Jena和RDF4J等為代表的關系數據庫系統和以Neo4j為代表的圖數據管理系統常用來支持大規模知識圖譜的存儲、檢索和分析。

知識圖譜在諸多領域的廣泛應用得益于其對以二元一階謂詞邏輯為主的簡單知識的成功表示。而對于某些三元關系甚至多元高階謂詞邏輯的復雜表達，現有知識圖譜尚無法勝任，且面臨鏈接困難、關系冗余、組合爆炸等難題[24]。Ding 等[25]針對網絡文檔的多跳問答推理難題，受雙過程理論啟發，在知識圖譜的基礎上提出了認知圖譜。認知圖譜被解釋為“基于原始文本數據，針對特定問題情境，使用強大的機器學習模型動態構建的，節點帶有上下文語義信息的知識圖譜”，可以減少圖譜構建時的信息損失，將信息處理壓力轉移給檢索和自然語言理解算法，同時保留圖結構以進行可解釋關系推理[24]。

人工智能的核心難題之一是研究怎樣用計算機易于處理的方式表示、學習和處理各種各樣的知識。不斷發展和完善的知識圖譜將使機器能模仿人的思維過程，擁有思考、理解、判斷、分析的能力，成為實現認知智能不可或缺的重要技術之一[11]。

2.2 知識圖譜引入頻譜管理的意義

據調研，知識圖譜目前在無線通信、信號檢測、網絡管理方面的研究剛剛開始。張育瑜等[26]針對無線電監測數據未規范化的問題，提出了基于知識圖譜的海量無線電監測數據的分析思路，利用盲信號識別等方式，構建了結構化無線電監測數據知識庫。胡航宇等[27]提出一種基于流知識圖譜的網絡流行為分析模型——網絡流連接圖，網絡流連接圖能夠充分利用網絡流行為測量數據中的可用信息，刻畫網絡應用流連接關系的固有特征，檢測與識別網絡異常行為，適合多種圖挖掘算法的應用。Aumayr等[28]針對復雜動態電信網絡系統管理的自動化需求，從網絡當前狀態中收集上下文信息，并將其與網絡提供商和運營商領域的現有電信知識文檔中的有用信息相關聯，構建了一個面向網絡自動管理的知識圖譜。該知識圖譜可針對各種突發的網絡事件，自動推薦工作流，輔助網絡故障診斷和排除，提高網絡管理的效率，改善客戶體驗。上述研究是將知識圖譜應用到通信領域的有益嘗試，但尚沒有系統地涉及無線通信中用頻設備/系統/業務之間，以及與其使用的頻譜資源之間的關系，尤其是在頻譜管理中，知識圖譜的應用目前仍未見報道。

結合知識圖譜的特點和頻譜管理面臨的嚴峻挑戰，本文考慮在頻譜管理中引入知識圖譜，主要如下。

1) 知識圖譜能夠表征頻譜領域的復雜語義。知識圖譜將頻譜管理中蘊含的復雜關系和事實映射于不同的實體和實體間的關系上，且這些實體和關系都具有明確的含義，如用頻設備、頻譜資源表示通信、干擾或使用資源等關系，這種映射方式可以表征頻譜領域的語義，使機器理解頻譜管理中的各種信息。同時，知識圖譜本質上是一種圖模型的數據庫，實體和關系對應圖中的節點和邊，還能通過圖數據計算進一步發掘隱含的深層關系和事實。

2) 知識圖譜能夠支撐頻譜管理的自動化。通過為頻譜管理提供多域關聯的頻譜知識參考，知識圖譜可以將頻譜管理中各個零散的工作環節串聯起來，自動進行多步查詢推理，從而減少頻譜管理對人工操作的依賴。

3) 知識圖譜能夠增強頻譜管理的知識引導。知識圖譜能將人類積累的頻管經驗和實踐技巧轉化為機器能夠理解和處理的頻譜知識，并融入頻譜管理中發揮頻譜知識的引導作用，使頻譜管理從單純的數據驅動轉變為數據與經驗知識混合驅動。

4) 知識圖譜能夠提升頻譜管理的規模化。頻譜知識圖譜的向量表示將用頻設備、頻譜資源等實體及其之間的關系映射到連續向量空間，向量表示的具體過程采用深度學習模型進行自動訓練，使知識圖譜的規模得到極大拓展。

5) 知識圖譜能夠提升頻譜管理的可解釋性。知識圖譜相當于大腦中的知識庫，使智能算法的輸入、輸出行為以及它們之間的內在因果關系或關聯關系可以被理解，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圖譜有助于高效融合頻譜監測數據、用頻設備信息、頻譜管理日志等多源數據，挖掘頻譜管理中各實體之間在時間/頻率/空間等多元維度上的隱藏關系，實現頻譜數據與模型/專家經驗混合驅動的頻譜智能管理，提升復雜環境下頻譜管理的智能化水平，更加接近人類的認知思維，便于實現人工智能與人類智能的協同增效。知識圖譜將成為頻譜智能管理領域強有力的新概念、新工具。

3 頻譜知識圖譜的構建

3.1 頻譜知識圖譜的概念

頻譜知識圖譜是表征頻譜管理領域復雜知識的新概念，本文給出頻譜知識圖譜的初步定義：頻譜知識圖譜是一種領域知識圖譜，它通過整合多源異構的頻譜數據，表示頻譜資源、用頻設備等頻譜空間內概念、實體間的復雜關系，實現頻譜知識的表征、提取、存儲、推理，服務于未來頻譜管理的自動化、智能化、精準化需求。下面將結合知識圖譜的生命周期和構建過程具體闡釋頻譜知識圖譜的定義。如圖1(a)所示，頻譜知識圖譜的生命周期主要包括知識體系構建、知識獲取、知識融合、知識存儲與查詢、知識推理、知識應用6個環節[29]。其中，知識體系構建是頻譜知識圖譜的實現基礎，知識建模和本體構建明確了頻譜知識圖譜將包含的各種概念、實體以及具有的屬性和它們之間的關系；知識獲取主要是指從數據中抽取頻譜知識；知識融合是對不同來源、不同結構的知識進行融合的過程；知識存儲與查詢關注的是知識圖譜的數據模型、存儲方式及查詢語言；知識推理是針對知識圖譜的缺失鏈接進行補全，挖掘實體隱含的內在關系，同時將為頻管搜索、頻管問答、用頻推薦等知識圖譜下游應用提供支撐。

根據圖譜生命周期，頻譜知識圖譜構建過程如圖1(b)所示。首先，對來源廣泛、類型多樣的非結構化頻譜數據進行知識獲取，數據來源包括專業頻譜管理人員的實踐經驗、文本化的頻譜管理政策和用頻設備信息、格式化的頻譜管理日志和頻譜監測數據報表，甚至頻譜態勢圖像等。在此過程中，頻譜知識體系將為知識獲取提供依據和參考，即由模式層創建實例層，其中模式層存儲的是精煉的概念或實體以及它們之間的關系類型，而實例層對應的則是從實際數據中抽取的具體實例對象及其關系。然后，抽取得到的頻譜知識將與結構化頻譜數據進行知識融合，形成統一的頻譜知識表示。對頻譜知識進行存儲，即形成可用的頻譜知識圖譜。通過知識推理可以對已構建的頻譜知識圖譜中缺失的知識鏈接進行補全完善，最后服務于具體應用。

圖1?? 頻譜知識圖譜的概念

由于知識獲取和知識融合都屬于自然語言處理中的重點研究內容，目前均有眾多較可行的方法，參考實體識別[30-31]、實體消歧[32-33]、關系抽取[34-35]、事件抽取[36]、聯合抽取[37]等，因此本文不再贅述。本文將知識圖譜應用于頻譜管理，旨在突出頻譜知識圖譜對頻譜管理自動化、智能化、精準化水平的提升作用，而知識體系是否合理完備將直接影響頻譜知識圖譜的應用效果，因此本文在第3節詳細闡述頻譜知識圖譜知識體系的具體內容，在第5節著重探討頻譜知識圖譜的應用場景。

3.2 頻譜知識圖譜的知識體系

頻譜知識目前尚未有公認的或被廣泛接受的定義。Zhang等[38]將頻譜知識形式化地定義為用于推理或預測頻譜機會可用性及占用率的可延伸的可定量的信息，頻譜知識的形式可以是頻譜預測模型、頻譜管理范式和頻譜接入策略等。結合知識的定義，本文認為在頻譜管理實踐中積累的經驗、制定的規則或頻譜管理中出現的各種事實、信息，都屬于頻譜知識的范疇。而在表征具體的頻譜知識前，首先要建立合理的知識體系，知識體系對領域內的知識具有高度概括性和抽象性，確定了描述知識的基本框架，具體包括概念的分類、概念屬性的描述和概念之間相互關系的定義3個方面的內容[29]。面向頻譜管理的應用需求，本文采用自頂向下的方式，嘗試構建了頻譜知識體系。一方面受篇幅限制，表2中只列出了頻譜知識體系的主要條目。另一方面，本文認為頻譜知識圖譜是基于開放世界的設定，人們所掌握的頻譜知識將隨著技術發展和研究深入而逐步豐富，因此頻譜知識體系尚不完備，可根據具體應用情況進行調整和擴展。

具體地，從管理對象而言，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備展開的；從管理內容而言，頻譜管理的場景配置和各場景下具體任務各不相同；從管理手段而言，頻譜管理涉及眾多面向不同任務目標的智能算法。基于此，頻譜知識體系中的主要概念分類、實體及其屬性如表2?所示，其中，“類”代表概念類別，縮進表示概念、實體間的上下位關系，實體后的方括號內列舉了實體的部分屬性。實體間關系的類型和關系的作用范圍如表3所示。

3.3 頻譜知識圖譜的表示

在頻譜知識體系的框架下，頻譜知識圖譜采用三元組的形式描述實例知識，即(頭實體, 關系, 尾實體)，記為(h,r,t)。其中，頭實體h一般為知識體系中的概念或實體；尾實體t既可以是概念或實體，也可以是實體的屬性值字段；相應地，關系r可以為連接頭、尾實體的謂詞或上下位關系，也可以描述實體對象與其屬性值字段之間的屬性關系。一個完整的三元組被稱為一個事實，記作F=(h,r,t)。從圖模型的角度，頻譜知識圖譜中的所有實體和字段均對應圖中的節點，實體間的關系或實體的屬性對應圖中的邊，形成網狀的圖數據模型，將分散的頻譜知識緊密地組織在一起。

新窗口打開|?下載CSV

表2?? 頻譜知識體系示例

表3?? 實體間關系的類型和作用范圍

新窗口打開|?下載CSV

空地頻譜共享的知識圖譜局部示意如圖2?所示。在設備-資源層面上，每一個橢圓形節點即為資源或者設備類別中的概念的一個實例，如頻譜共享管理、空地頻譜共享、頻譜感知、無人機用戶A、干擾站、信道1等；每一個矩形節點是描述屬性值的字段，如單維頻譜預測、直接序列擴頻、2.432 GHz等。實體間的關系或實體的屬性用節點間的有向邊表示，如表示概念層級間包含或包括關系的有向邊、設備與資源間使用關系的有向邊、表示信道的中心頻率屬性的有向邊等。場景-技術層面與設備-資源層面通過場景任務中包含設備、資源聯系起來。此外，將知識圖譜的節點設置為實體或字段是可以根據實際情況靈活調整的。如圖2中的直接序列擴頻節點，若僅用于描述設備發射信號的調制方式屬性，可將其設置為字段；若圖譜中還涉及該調制方式的具體屬性參數，如擴頻碼長度、碼速率等，則將其設置為實體。

有些知識圖譜表示還考慮了事實的其他維度。例如，趙澤亞[39]針對傳統的知識網絡模型無法充分描述復雜多元異構信息的問題，提出了一種開放知識網絡八元組模型，網絡中的節點和邊都帶有時間、空間等信息，便于信息的深度挖掘。而在頻譜管理中，某些頻譜知識描述的語義實際上也隱含著重要的時空信息，如“某信道在某時段的占空比為57%”，僅描述信道的占空比屬性值就會丟失時間信息，因此在頻譜知識圖譜中也可以根據實際情況增加關系的時空描述信息。

4 基于頻譜知識圖譜的智能頻譜管理框架

頻譜知識圖譜將頻譜管理領域內各個層面的知識有效緊密地聯結在一起，本節將構建基于頻譜知識圖譜的智能頻譜管理框架。

圖3給出了基于頻譜知識圖譜的智能頻譜管理框架，從左至右依次為圖譜層、設備層和場景層。在此框架中，未來頻譜管理被認為是集中控制與分布自主相結合的模式，頻譜管理中心是具備存儲、計算、理解、思考等能力的智能控制中心，用頻設備是具備感知、理解、記憶、思考等能力的智能體，頻譜知識圖譜則是頻譜管理中心和用頻設備“大腦”中的知識庫。在頻譜知識圖譜的引導下，智能頻管中心可以根據所處的場景，確定頻譜管理目標，選擇合適的智能方法，并為場景中的智能用頻設備下發頻管任務；智能用頻設備可以根據接收到的頻管任務及其在場景中的角色，自動調用智能算法，實現既定的頻譜管理目標，同時向智能頻管中心上報信息。智能用頻設備在完成頻管任務的過程中將通過頻譜感知、頻譜決策、頻譜行動等對頻譜知識圖譜進行查詢、檢索、推理、更新；智能頻管中心也將根據多樣化的場景和任務，對頻譜知識圖譜進行擴充和完善。下面將具體闡釋智能頻譜管理框架各個層面的具體內容。

圖2?? 空地頻譜共享知識圖譜示意

圖3?? 基于頻譜知識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動內核，即多域關聯的頻譜知識圖譜。構建頻譜知識圖譜的原始數據來源如第3節所述，其中頻譜管理政策、專家經驗以及部分歷史頻譜管理日志、歷史頻譜監測數據等用于頻譜知識圖譜的初始構建，而用頻設備后續通過頻譜感知、決策、行動得到的監測數據、圖像信息和管理日志將作為新的輸入數據用于更新頻譜知識圖譜。頻譜知識圖譜使異構頻譜數據與模型/專家經驗得以有效融合，匯聚成用頻設備的知識庫。

設備層是智能頻譜管理框架的執行單元，主要是指配置頻譜知識圖譜的智能用頻設備。除傳統認知無線電技術中用頻設備的認知能力和可重構性，智能頻譜管理框架中的用頻設備還需具備理解、記憶、思考的能力，頻譜知識圖譜則在其中充當用頻設備大腦的角色。借助設備-資源層面的頻譜知識圖譜，用頻設備能夠對多源異構頻譜數據中包含的信息進行提取、加工和存儲，把握頻譜態勢演化的規律和方向，處理自身與其他設備間的關系，成為大腦賦能的智能體。智能用頻設備主要完成三項任務：知識圖譜賦能的頻譜感知、知識圖譜賦能的頻譜決策和知識圖譜賦能的頻譜行動，其中知識圖譜賦能體現在頻譜感知、頻譜決策、頻譜行動中的頻譜知識圖譜應用。

1) 知識圖譜賦能的頻譜感知。感知得到的數據信息經過提取、加工形成新的頻譜知識，將被存儲在頻譜知識圖譜中，而頻譜知識圖譜中已有的知識可以作為先驗信息，輔助用頻設備進行基于注意力機制的知識抽取。

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

3) 知識圖譜賦能的頻譜行動。頻譜共享或移動的事實將進一步更新頻譜知識圖譜，基于頻譜知識圖譜的推理也可以對頻譜行動的效果進行評估。

場景層是智能頻譜管理框架的應用呈現。面向頻譜秩序管理、頻譜對抗管理、頻譜共享管理等多樣化應用場景，智能頻管中心首先在頻譜知識圖譜中蘊含的場景知識引導下確定頻譜管理的目標，如圖3中的場景層所示，無人機網絡及智能用頻設備的通信受到干擾站干擾，頻譜管理的目標是要實現頻譜安全共享。智能頻管中心將根據頻譜知識圖譜中的“場景-技術”知識，選擇合適的技術方法，并向智能用頻設備下發頻管任務。智能用頻設備通過分布協作的方式完成頻管任務，并向智能頻管中心上報信息。

5 頻譜知識圖譜的應用

知識圖譜的典型應用包括智能問答、智能搜索、智能推薦等。作為一種領域知識圖譜，頻譜知識圖譜的應用將以這些典型應用為基礎，在頻譜管理領域進行實踐和創新。本節將重點討論基于頻譜知識圖譜的智能用頻推薦案例，并進一步展望基于頻譜知識圖譜的智能頻譜管理交互應用。

5.1 基于頻譜知識圖譜的智能用頻推薦案例

推薦系統的核心目標是通過分析用戶行為、興趣、需求等信息，在海量數據中挖掘用戶感興趣的信息[40]。推薦方法依賴的數據基礎通常是用戶與物品之間的大量交互數據。將知識圖譜技術應用到推薦系統可以解決傳統推薦方法難以勝任的用戶-物品行為關系數據稀疏問題、對新用戶或新物品進行推薦的冷啟動問題等，提升推薦的可解釋性[40]。本節展示了頻譜知識圖譜在用頻推薦中的具體應用。

頻譜管理中的用頻推薦是將用頻設備看作用戶，將頻譜資源看作物品，通過挖掘頻譜資源的演化特性，分析用頻設備的用頻需求、行為模式，從而為用頻設備推薦可用、好用的頻譜資源。用頻推薦有助于突破感知能力限制、降低感知時間開銷，彌補頻譜可用性模型在復雜度、精準性、可解釋性等方面的不足，為頻譜決策提供主動型、預測型、增強型信息支撐，協助頻管人員優化頻譜管理政策，提高頻譜管理效率。

在通信中，用戶與物品間的交互數據可以表現為用頻設備對頻譜資源傳輸質量的評價。例如，在短波通信系統中，由于反射短波信號的電離層是一種典型的時變傳輸媒介，電離層對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、季節更替、太陽黑子周期和地理位置等多因素影響變化，且信道受干擾嚴重，因此通信極不穩定。短波用頻設備通常先對預置頻率集進行鏈路質量分析，再根據鏈路質量評價結果，自適應地選擇通信頻率[41]。由此，容易聯想到利用鏈路質量評價等交互數據進行短波用頻推薦。

然而，一方面，短波用頻設備通過探測信道獲得鏈路質量時，可能受到干擾或噪聲的影響而導致探測失敗；另一方面，用頻設備的探測能力有限，在實際系統中，用頻設備主要在其常用頻率附近進行探測。因此，鏈路質量矩陣是不完整的，上述短波用頻推薦也面臨交互數據稀疏的問題。本節將利用頻譜知識圖譜對鏈路質量矩陣進行補全，服務于短波用頻推薦。

對于頻譜管理專業人員而言，鏈路質量受哪些主要因素影響，總體上呈現何種時變趨勢，這些實踐經驗都屬于頻譜知識，可以通過頻譜知識圖譜表征，發揮頻譜知識在智能頻譜管理中的引導作用，實現數據與經驗知識混合驅動的用頻推薦。具體地，本節在第3節的基礎上進一步細化頻譜知識圖譜中資源類實體，將鏈路質量建模為實體。首先，考慮知識 1，鏈路質量主要受頻率、時間、傳輸距離等因素影響，則將鏈路質量的數值、所對應的時刻、頻率、鏈路起點和鏈路終點等建模為實體的屬性。如圖4所示，對于鏈路質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)等多個三元組；對于鏈路質量矩陣中的缺失元素，由于元素在矩陣中的位置是明確的，即時刻、頻率、鏈路起點和鏈路終點等信息已知，此時僅形成 (qm,n,TimeIs,06/01_03)、(qm,n,FrequencyIs,f?5)、(qm,n,TrLocationIs,A地)等部分三元組，鏈路質量矩陣補全問題即轉化為對表示鏈路質量數值的三元組(qm,n,ValueIs,?)的鏈接預測問題。在此基礎上，可以進一步考慮“知識2”，鏈路質量受日夜更替影響較大，對于同一條鏈路，不同天的相同時刻的鏈路質量應具有相似性，則可以增加(06/01_07,TimeSimilar,06/11_07)等三元組作為已知信息。

圖4?? 鏈路質量矩陣與頻譜知識圖譜

由于上述頻譜知識圖譜存在大量多對一關系（N-to-1），考慮采用TransR模型[42]對頻譜知識圖譜進行表示學習，學習圖譜中所有實體、關系以及相應映射矩陣的向量表示。然后，針對鏈接預測問題(qm,n,ValueIs,?)，對每一個待預測三元組中缺失的尾實體，將知識圖譜中對應類別下的所有實體作為候選項計算得分函數，可以得到這些候選尾實體的得分排名，以得分排名最高的實體作為預測結果，即鏈路質量矩陣中缺失元素的值。

實驗數據來自短波中長期預報軟件 VOACAP的仿真數據。數據集1模擬由南京至廈門的短波通信鏈路的接收信噪比（假設鏈路質量指標以接收信噪比為主），記錄時間為2020年6月至8月的每旬第一天（共9天）的全時段的鏈路質量，每小時記錄一次鏈路質量，鏈路頻率設置為短波頻段內均勻分布的9個頻點，信噪比數值經預處理后進行5級均勻量化，因此完整的鏈路質量矩陣應為9×216的數值矩陣。數據集2模擬由南京至海口的短波通信鏈路的接收信噪比，記錄時間為2015年每月15日的全時段的鏈路質量，每小時記錄一次鏈路質量，鏈路頻率設置為9個頻點，對信噪比數值進行5級量化，則數據集2的完整鏈路質量矩陣應為9×288的數值矩陣。對上述2個數據集設置鏈路質量矩陣中缺失元素的比例均為 80%。本文采用清華大學OpenKE toolkits工具包[43]中的TransR模型，對所構建的頻譜知識圖譜進行向量表示學習，其中實體向量、關系向量和映射矩陣的維度分別設置為100、100 和 100×100，隨機梯度下降算法的學習率設置為0.02、邊際參數設置為4，每一批次訓練數據的規模設置為5 000，訓練次數設置為5 000。實驗結果如表4所示，預測結果的均方根誤差（RMSE, root mean square error）隨知識的增多而減少，說明頻譜知識圖譜能在用頻推薦中起到知識引導的作用，增加知識能提升鏈路質量矩陣補全的性能。

表4?? 鏈路質量矩陣補全的準確性

新窗口打開|?下載CSV

5.2 基于頻譜知識圖譜的智能頻譜管理交互應用

知識圖譜為機器理解人類語言提供了新的思路。結合自然語言處理技術，頻譜知識圖譜可以支撐人機協作交互的眾多下游應用，滿足管理人員直接用人類自然語言進行與頻譜管理相關的智能搜索、人機問答的需求，減少頻譜管理人力成本和對頻管專家的依賴。

1) 頻譜管理智能搜索系統。頻譜知識圖譜以統一的知識表示形式存儲了大量頻譜知識，可以針對搜索關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) 頻譜管理智能問答系統。支持使用自然語言輸入與頻譜管理相關的事實型、是非型、原因型等類型的問題進行提問，如“某設備使用的頻段是什么”“某頻段在明天8時是否可用”“某設備切換頻率的原因是什么”等，系統經過自然語言理解、知識圖譜查詢和推理，直接返回問題答案。

6 結束語

針對頻譜管理面臨的嚴峻挑戰，本文將知識圖譜技術引入頻譜管理中，提出了頻譜知識圖譜的概念、知識體系和表示，構建了基于頻譜知識圖譜的智能頻譜管理框架，重點探討了基于頻譜知識圖譜的智能用頻推薦案例，并對基于頻譜知識圖譜的智能頻譜管理交互應用進行了展望。下一步將搭建頻譜知識圖譜演示應用平臺，繼續深入探索頻譜知識圖譜應用，進一步評估驗證頻譜知識圖譜對頻譜管理自動化、智能化、精準化的提升效果。頻譜管理與知識圖譜技術的結合將是一個很有意義的研究領域，未來將產生眾多富有成效的研究成果，為智能頻譜管理領域帶來顛覆性的技術變革。本文關于頻譜知識圖譜的研究和討論只觸及了其中的冰山一角，希望能夠激發更多的研究興趣。

【轉載聲明】轉載目的在于傳遞更多信息。如涉及作品版權和其它問題，請在30日內與本號聯系，我們將在第一時間解決！

編輯：fqj