機(jī)器學(xué)習(xí)在頻譜大數(shù)據(jù)分析與處理上的應(yīng)用*

史 通，王 潔，羅 暢，肖 軍，王世強(qiáng)

（空軍工程大學(xué)防空反導(dǎo)學(xué)院，西安 710051）

0 引言

在當(dāng)今這個(gè)科技飛速進(jìn)步的世界，各個(gè)領(lǐng)域產(chǎn)生的數(shù)據(jù)正在以前所未有的速度爆炸式擴(kuò)增。大數(shù)據(jù)（big data）的概念便應(yīng)運(yùn)而生。然而大數(shù)據(jù)的定義不一而足，視特定場景而定。全球知名咨詢公司麥肯錫給出的說法是“超越典型數(shù)據(jù)庫軟件工具所能獲取、存儲(chǔ)、管理和分析的數(shù)據(jù)集［1］”。

大數(shù)據(jù)的特點(diǎn)首先在于“大”。那么，大數(shù)據(jù)到底有多大呢？互聯(lián)網(wǎng)數(shù)據(jù)中心報(bào)告預(yù)測，近幾年的全球總數(shù)據(jù)量將從艾字節(jié)（exabyte，EB，1EB=1018B）向澤字節(jié)（zettabyte，ZB，1ZB=1021B）乃至更高的數(shù)量級(jí)增長［2］。但是大數(shù)據(jù)的價(jià)值更多地體現(xiàn)在隱藏于“冰山一角”之下的待開發(fā)、待挖掘的信息資源。只要得到充分的開發(fā)與挖掘，大數(shù)據(jù)就是一座無窮的寶藏。因此，大數(shù)據(jù)在世界范圍內(nèi)受到了越來越多的關(guān)注，大數(shù)據(jù)的浪潮正在席卷全球。

傳統(tǒng)的方法已經(jīng)無法分析與處理如此龐大又復(fù)雜的數(shù)據(jù)。如何用更加智能、深度、便捷的方法來“學(xué)習(xí)”大數(shù)據(jù)成為一項(xiàng)亟待解決的挑戰(zhàn)。

學(xué)習(xí)是一種獲取知識(shí)與技能以達(dá)到提升自我能力的行為方式。一般認(rèn)為，機(jī)器學(xué)習(xí)是通過創(chuàng)建一個(gè)計(jì)算系統(tǒng)，使其不斷地從大量的知識(shí)中學(xué)習(xí)經(jīng)驗(yàn)，并自行改善計(jì)算性能，更好地執(zhí)行下次任務(wù)。那么，大數(shù)據(jù)顯然就成為了機(jī)器學(xué)習(xí)的“營養(yǎng)豐富的食糧”。

近年來，機(jī)器學(xué)習(xí)的新理論不斷被提出，大數(shù)據(jù)的采集傳輸技術(shù)發(fā)展迅速，計(jì)算機(jī)的性能也得到極大提升等等，這些因素都不斷推動(dòng)著機(jī)器學(xué)習(xí)進(jìn)一步發(fā)展［3］。機(jī)器學(xué)習(xí)已經(jīng)在語音識(shí)別、圖像識(shí)別、數(shù)據(jù)挖掘、機(jī)器人控制等諸多領(lǐng)域取得了顯著的進(jìn)展。

1 頻譜大數(shù)據(jù)

無線通信作為通信的主要方式，技術(shù)成熟且未來發(fā)展空間巨大。顧名思義，無線通信是數(shù)據(jù)不通過實(shí)體線纜傳輸?shù)囊环N通信方式，它是通過頻譜在9 kHz到300 000 GHz之間的電磁載波來進(jìn)行數(shù)據(jù)傳輸?shù)摹?/p>

每一種無線業(yè)務(wù)都對(duì)應(yīng)于無線頻譜中的某一特定的區(qū)域?，F(xiàn)存的無線業(yè)務(wù)已經(jīng)能夠產(chǎn)生海量的頻譜數(shù)據(jù)，社會(huì)的不斷進(jìn)步更使得頻譜數(shù)據(jù)的廣度和深度不斷擴(kuò)增。頻譜大數(shù)據(jù)（big spectrum data）的存在已成事實(shí)。頻譜大數(shù)據(jù)是指超越典型的頻譜數(shù)據(jù)軟件工具所能分析與處理的，反映電磁頻譜空間狀態(tài)、演化及其規(guī)律的海量的復(fù)雜的頻譜數(shù)據(jù)集，主要包括以下幾個(gè)方面［4］：

1）頻譜狀態(tài)數(shù)據(jù)，比如在不同時(shí)間、不同空間、不同頻率時(shí)，信號(hào)表現(xiàn)出來不同特征，所產(chǎn)生不同的頻譜狀態(tài)數(shù)據(jù)。

2）用戶相關(guān)數(shù)據(jù)，比如用戶的地址數(shù)據(jù)，用戶發(fā)送與接收的數(shù)據(jù)，用戶所用設(shè)備的狀態(tài)數(shù)據(jù)等等。

3）環(huán)境相關(guān)數(shù)據(jù)，不僅包含自然環(huán)境數(shù)據(jù)，如天氣、地形數(shù)據(jù)，還包括電磁環(huán)境數(shù)據(jù)。

以上種種所體現(xiàn)出的頻譜大數(shù)據(jù)的特點(diǎn)可以概括為4個(gè)關(guān)鍵詞——大量（Volume）、高速（Velocity）、多樣（Variety）、價(jià)值（Value）。

但是，可以看到，9 kHz到300 000 GHz之間的頻譜范圍是有限的，需求的激增使得無線頻譜資源越來越稀缺，越來越珍貴。因此，面對(duì)有限的頻譜資源和無限的頻譜大數(shù)據(jù)，如何根據(jù)頻譜大數(shù)據(jù)的特點(diǎn)有效挖掘出其中有價(jià)值的信息，并以此作出正確決策，達(dá)到提高頻譜資源利用率的目的，這一問題受到了廣泛的關(guān)注。而在大數(shù)據(jù)分析與處理兩個(gè)方面都有突出表現(xiàn)的機(jī)器學(xué)習(xí)方法順理成章地成為大家關(guān)注的焦點(diǎn)。

2 頻譜大數(shù)據(jù)分析的機(jī)器學(xué)習(xí)方法

頻譜大數(shù)據(jù)分析就是從具有大量性、高速性、多樣性、價(jià)值性的頻譜數(shù)據(jù)中充分挖掘出蘊(yùn)藏其中的有用信息，獲取統(tǒng)計(jì)特性，學(xué)習(xí)潛在規(guī)律。針對(duì)頻譜大數(shù)據(jù)不同的特性，需要運(yùn)用特定的機(jī)器學(xué)習(xí)方法。

2.1 大量性與分布并行學(xué)習(xí)

大量性是頻譜大數(shù)據(jù)最基本的一個(gè)屬性。單以無線頻譜狀態(tài)數(shù)據(jù)為例，假設(shè)1 s時(shí)間內(nèi)在一個(gè)1 m3的空間中可以感知到0～1 kHz頻率范圍內(nèi)的頻譜能量值為1字節(jié)，那么1 h時(shí)間內(nèi)在1個(gè)1 km3的空間中，可以感知到0～1 GHz頻率范圍內(nèi)的頻譜能量值將達(dá)到

由此可以看出，無線頻譜的狀態(tài)數(shù)據(jù)能夠在時(shí)間、空間、頻率這三大方向都得到進(jìn)一步擴(kuò)大，使得數(shù)據(jù)規(guī)模激增。如果再把用戶相關(guān)數(shù)據(jù)和環(huán)境相關(guān)數(shù)據(jù)考慮在內(nèi)，那么頻譜大數(shù)據(jù)的規(guī)模將向更高的數(shù)量級(jí)擴(kuò)大。

傳統(tǒng)數(shù)據(jù)處理的方法是將小數(shù)據(jù)集中式存儲(chǔ)于一個(gè)工作站中，再進(jìn)行串行化計(jì)算。當(dāng)面對(duì)大數(shù)據(jù)時(shí)，這種方法難以在所要求的時(shí)間內(nèi)完成必要的計(jì)算。為應(yīng)對(duì)頻譜大數(shù)據(jù)的大量性，一個(gè)典型策略就是對(duì)數(shù)據(jù)進(jìn)行分布式存儲(chǔ)并行化計(jì)算，這就是分布并行學(xué)習(xí)（distributed and paralleled learning）［5］。分布式存儲(chǔ)是空間上的分布，通過構(gòu)建相互連接與通信的計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)，將頻譜大數(shù)據(jù)分區(qū)成多個(gè)小塊，由多臺(tái)計(jì)算機(jī)分別存儲(chǔ)，卻又可以共享資源，以平衡計(jì)算負(fù)載；并行化計(jì)算是時(shí)間上的并行，對(duì)離散的數(shù)據(jù)塊同時(shí)進(jìn)行計(jì)算，隨時(shí)并及時(shí)在最適合的計(jì)算機(jī)上運(yùn)行最適合的程序，以快速解決大量且復(fù)雜的計(jì)算問題。分布并行學(xué)習(xí)的結(jié)構(gòu)如圖1所示。

圖1 分布并行學(xué)習(xí)結(jié)構(gòu)圖

而分布并行學(xué)習(xí)的諸多方法中最具代表性的要屬近幾年十分火爆的云計(jì)算（cloud computing）。云計(jì)算是分布并行學(xué)習(xí)方法在互聯(lián)網(wǎng)與物聯(lián)網(wǎng)時(shí)代的再發(fā)展，它是綜合了多種計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的一大新生品［6］。

2.2 高速性與極速學(xué)習(xí)機(jī)

數(shù)據(jù)以極快的速度發(fā)送、傳輸和接收，這就要求計(jì)算機(jī)具有高速的、實(shí)時(shí)的處理能力。以無線網(wǎng)絡(luò)為例，由于頻譜環(huán)境的動(dòng)態(tài)變化，高速的數(shù)據(jù)處理有助于推斷頻譜演化態(tài)勢，是頻譜預(yù)測和決策的重要前提。若數(shù)據(jù)處理的耗時(shí)大于頻譜狀態(tài)改變的時(shí)間，那么時(shí)延會(huì)使分析結(jié)果不再適用，預(yù)測結(jié)果也將毫無意義，更嚴(yán)重的是如果由此產(chǎn)生了不正確的判斷與決策，那么會(huì)使得頻譜的使用情況出現(xiàn)紊亂，降低其利用率，致使頻譜資源更為緊張。因此，為應(yīng)對(duì)頻譜大數(shù)據(jù)的時(shí)間敏感性，高速實(shí)時(shí)的數(shù)據(jù)處理技術(shù)很值得關(guān)注與研究。

傳統(tǒng)的方法使用梯度算法來訓(xùn)練學(xué)習(xí)網(wǎng)絡(luò)，并且迭代調(diào)整網(wǎng)絡(luò)中的所有參數(shù)，使得其速度遠(yuǎn)遠(yuǎn)不能滿足實(shí)際需要。文獻(xiàn)［7］中提出的極速學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）算法有效地解決了學(xué)習(xí)時(shí)間長這個(gè)問題。該算法其實(shí)就是一種前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，整個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)十分簡單，只有3層——輸入層、一個(gè)中間隱層、輸出層。整個(gè)學(xué)習(xí)過程一次完成，無需迭代，因而能達(dá)到極快的學(xué)習(xí)速度，能夠滿足頻譜大數(shù)據(jù)高速性的需求。

但是，在實(shí)際應(yīng)用中，由于新數(shù)據(jù)不斷添加，ELM算法會(huì)把舊數(shù)據(jù)和新數(shù)據(jù)統(tǒng)一訓(xùn)練，時(shí)間消耗變得越來越大。而文獻(xiàn)［8］就極具創(chuàng)新性地提出了新數(shù)據(jù)有序添加，舊數(shù)據(jù)學(xué)完拋棄的在線序列ELM算法，這種算法使得時(shí)間消耗降低，提高了計(jì)算速度。

當(dāng)然，算法在不斷改進(jìn)，硬件方面也在不斷突破。圖形處理器（Graphic Processing Unit，GPU）平臺(tái)也是采用了分布架構(gòu)，并行編程的這種方式，大大提高了計(jì)算能力，縮短了計(jì)算時(shí)間。將ELM算法應(yīng)用于上述的GPU平臺(tái)，更能極大地提高數(shù)據(jù)實(shí)時(shí)分析的速度。

2.3 多樣性與核學(xué)習(xí)

不同的分類依據(jù)可以將頻譜大數(shù)據(jù)分成很多類別，比如數(shù)據(jù)的來源、數(shù)據(jù)的結(jié)構(gòu)、數(shù)據(jù)的時(shí)間性以及數(shù)據(jù)的相關(guān)性等，如表1所示。這么多的類別很好地體現(xiàn)了頻譜大數(shù)據(jù)的多樣性。以數(shù)據(jù)的相關(guān)性為例，直接頻譜數(shù)據(jù)主要是指頻譜的占用情況、頻譜質(zhì)量、噪聲與干擾等；間接頻譜數(shù)據(jù)包括時(shí)空信息、用頻設(shè)備數(shù)據(jù)、裝備干擾關(guān)系等。

表1 頻譜大數(shù)據(jù)的分類

對(duì)于頻譜大數(shù)據(jù)的多樣性，傳統(tǒng)的數(shù)據(jù)處理方法往往因?yàn)樽陨砭窒扌远@得力不從心，需要有更加智能的數(shù)據(jù)處理技術(shù)來識(shí)別分類，進(jìn)而分析處理。

針對(duì)此問題，廣泛應(yīng)用于分類算法的核學(xué)習(xí)（kernel learning）受到了人們的關(guān)注。核學(xué)習(xí)方法的核心在于核函數(shù)，該函數(shù)可以把最原先混雜的數(shù)據(jù)映射到高維的空間中，進(jìn)行非線性函數(shù)的線性化處理，使復(fù)雜問題簡單化，從而完成多樣化數(shù)據(jù)的區(qū)分。

這樣的方法用在頻譜感知的相關(guān)研究中，在非線性的頻譜數(shù)據(jù)融合，以及映射后的高維空間的數(shù)據(jù)聚類等問題上表現(xiàn)十分突出，能夠提高監(jiān)測結(jié)果的準(zhǔn)確率［9］。隨著算法的不斷完善與突破，多重核學(xué)習(xí)、加權(quán)核學(xué)習(xí)等延伸出的新算法的數(shù)據(jù)分析能力得到了進(jìn)一步的加強(qiáng)。

2.4 價(jià)值性與深度學(xué)習(xí)

大數(shù)據(jù)的挖掘在于得到隱藏其中的，有重要意義的信息。然而，由于數(shù)據(jù)的大量性、高速性和多樣性，在數(shù)據(jù)發(fā)送、傳輸和接收的整個(gè)過程中，難免存在干擾、模糊、錯(cuò)誤、丟失等現(xiàn)象，使得最終所得的數(shù)據(jù)價(jià)值密度較低。頻譜大數(shù)據(jù)的價(jià)值密度較低主要是因?yàn)樵谙噜彽臅r(shí)間、空間、頻率采集到的數(shù)據(jù)樣本存在較大的冗余［10］。

頻譜大數(shù)據(jù)的價(jià)值密度較低這一特點(diǎn)，給數(shù)據(jù)挖掘和信息提取帶來了更加具有挑戰(zhàn)性的工作。這就要求所采用的學(xué)習(xí)算法不能只浮于表面，要更加深入地進(jìn)行數(shù)據(jù)挖掘，只有這樣才能充分發(fā)揮大數(shù)據(jù)的價(jià)值。

深度學(xué)習(xí)（deep learning）是傳統(tǒng)的淺層學(xué)習(xí)（shallow learning）深度化的結(jié)果。傳統(tǒng)的淺層學(xué)習(xí)模型在輸入層和輸出層之間通常不包含或者只包含一兩層隱層單元，其模型如圖2所示。神經(jīng)網(wǎng)絡(luò)中所包含的隱層單元通常被視為數(shù)據(jù)的特征表示。淺層學(xué)習(xí)雖然也能夠完成數(shù)據(jù)的學(xué)習(xí)，但是有一定的前提，它需要輸入經(jīng)過專家預(yù)先選擇的優(yōu)秀特征，這個(gè)前提就成為影響整個(gè)系統(tǒng)性能的關(guān)鍵因素，如果特征選擇好，那么學(xué)習(xí)效果就好，系統(tǒng)性能就好。

圖2 淺層學(xué)習(xí)模型圖

與傳統(tǒng)的淺層學(xué)習(xí)算法進(jìn)行比較，深度學(xué)習(xí)有以下兩點(diǎn)不同［11］：1）強(qiáng)調(diào)模型結(jié)構(gòu)的深度，著重建立具有類腦神經(jīng)多隱層結(jié)構(gòu)的計(jì)算模型；2）著力于數(shù)據(jù)特征的自我學(xué)習(xí)，對(duì)每個(gè)隱層都進(jìn)行初始化，生成新的特征，最終將原始特征變換成能夠?qū)?shù)據(jù)的原始特征產(chǎn)生本質(zhì)刻畫的高級(jí)特征。深度學(xué)習(xí)模型如圖3所示。

圖3 深度學(xué)習(xí)模型圖

目前，在深度學(xué)習(xí)的研究領(lǐng)域，特征學(xué)習(xí)算法對(duì)于標(biāo)記數(shù)據(jù)的分析與處理已經(jīng)十分成熟了。而真實(shí)世界中存在著諸如頻譜大數(shù)據(jù)這類的無標(biāo)記數(shù)據(jù)。所以，對(duì)無標(biāo)記數(shù)據(jù)的特征學(xué)習(xí)以及自動(dòng)添加標(biāo)簽技術(shù)的研究必將越來越受到重視。

綜上，面向頻譜大數(shù)據(jù)的分析，討論了對(duì)應(yīng)其大量性的分布并行學(xué)習(xí)方法、高速性的極速學(xué)習(xí)機(jī)方法、多樣性的核學(xué)習(xí)方法、價(jià)值性的深度學(xué)習(xí)方法，如表2所示。

表2 頻譜大數(shù)據(jù)分析的機(jī)器學(xué)習(xí)方法

3 頻譜大數(shù)據(jù)處理的機(jī)器學(xué)習(xí)方法

頻譜大數(shù)據(jù)處理是相對(duì)于頻譜大數(shù)據(jù)分析而言的，旨在對(duì)數(shù)據(jù)分析的結(jié)果進(jìn)一步利用，就是依據(jù)獲得的統(tǒng)計(jì)特性、學(xué)到的潛在規(guī)律，推斷頻譜演化態(tài)勢，作出正確的頻譜預(yù)測和決策。下面將介紹兩個(gè)側(cè)重點(diǎn)略有不同的用于頻譜大數(shù)據(jù)處理的機(jī)器學(xué)習(xí)方法。

強(qiáng)化學(xué)習(xí)（reinforcement learning）的思想可以簡單描述為獎(jiǎng)懲機(jī)制，即對(duì)象在環(huán)境的獎(jiǎng)勵(lì)或懲罰的刺激下，學(xué)會(huì)自主決策以獲得更多的獎(jiǎng)勵(lì)。

強(qiáng)化學(xué)習(xí)的基本模型如圖4所示。對(duì)象與環(huán)境的互動(dòng)可以描述為：對(duì)象根據(jù)當(dāng)前狀態(tài)，作出動(dòng)作A，與環(huán)境發(fā)生交互，環(huán)境產(chǎn)生下一個(gè)狀態(tài)S的同時(shí)向?qū)ο蠓答佉粋€(gè)獎(jiǎng)懲信號(hào)R作為強(qiáng)化信號(hào)，對(duì)象再結(jié)合當(dāng)前的狀態(tài)和收到的反饋信號(hào)作出下一個(gè)動(dòng)作，作出動(dòng)作的依據(jù)是這個(gè)動(dòng)作更有可能使得環(huán)境向?qū)ο蠓答佉粋€(gè)獎(jiǎng)勵(lì)信號(hào)，也就是正強(qiáng)化信號(hào)。

圖4 強(qiáng)化學(xué)習(xí)模型圖

在頻譜大數(shù)據(jù)處理過程中，由于頻譜狀態(tài)時(shí)變，環(huán)境條件未知等因素，邊學(xué)邊用邊完善的強(qiáng)化學(xué)習(xí)方法在決策問題上有很大的優(yōu)勢，比如可以根據(jù)信道的實(shí)時(shí)使用情況進(jìn)行適當(dāng)?shù)恼{(diào)整，選擇最優(yōu)的網(wǎng)絡(luò)，以提高頻譜的利用率［10］。

博弈學(xué)習(xí)（game learning）是指若干個(gè)對(duì)象都有各自的目標(biāo)，對(duì)象相互之間不斷作出被允許的行為策略，最終產(chǎn)生各自的所得與所失。其過程可以描述為：第1步，先分辨出若干個(gè)交互對(duì)象的狀態(tài)；第2步，將其分成自己想要合作和想要競爭的兩個(gè)族群，這兩個(gè)族群能夠隨機(jī)選擇行動(dòng)策略；第3步，提出兩個(gè)相反的學(xué)習(xí)概率：P1是想要合作的族群向想要競爭的族群學(xué)習(xí)的概率，P2是想要競爭的族群向想要合作的族群學(xué)習(xí)的概率；第4步，假使經(jīng)過逐步作出的行為策略，通過合作能夠達(dá)到一種動(dòng)態(tài)平衡，那么P2會(huì)越來越大，而P1會(huì)越來越小，即結(jié)果選擇合作的群體規(guī)模越來越大，最終就會(huì)達(dá)到較好的均衡。

博弈學(xué)習(xí)目前已經(jīng)成為認(rèn)知無線電（Cognitive Radio，CR）領(lǐng)域的重要方法之一［12］，該方法可以完成類似頻譜拍賣的資源管理項(xiàng)目，也可以完成實(shí)時(shí)信道調(diào)整，選擇最優(yōu)網(wǎng)絡(luò)的資源優(yōu)化項(xiàng)目。

4 結(jié)論

本文介紹的幾種機(jī)器學(xué)習(xí)方法只是管中窺豹，略見一斑，能夠應(yīng)用于頻譜大數(shù)據(jù)分析與處理的機(jī)器學(xué)習(xí)方法還有很多。

當(dāng)然，實(shí)際應(yīng)用中，肯定不是某一特定方法的單獨(dú)使用，也不可能是所有方法的堆疊使用。面對(duì)眾多的機(jī)器學(xué)習(xí)方法，要對(duì)癥下藥，選擇最合適的方法去解決針對(duì)性的問題；要集約高效，講究多種方法的有機(jī)融合，相輔相成。比如，建立機(jī)器學(xué)習(xí)方法庫，可供數(shù)據(jù)分析與處理系統(tǒng)訪問。這就給頻譜大數(shù)據(jù)分析與處理的智能系統(tǒng)樹立了更高的目標(biāo)。

另外隨著科技的不斷進(jìn)步，5G移動(dòng)網(wǎng)絡(luò)、微型平臺(tái)系統(tǒng)、個(gè)人數(shù)據(jù)隱私、涉密數(shù)據(jù)傳輸?shù)葐栴}都對(duì)通信領(lǐng)域的機(jī)器學(xué)習(xí)方法提出了更廣泛、更嚴(yán)格的要求。比如，在智能手機(jī)、平板電腦等移動(dòng)終端越來越普及的今天，機(jī)器學(xué)習(xí)應(yīng)用于類似的微型平臺(tái)是必然的發(fā)展趨勢，這就需要對(duì)規(guī)模更小，速度更快，又對(duì)計(jì)算性能要求較低的機(jī)器學(xué)習(xí)方法進(jìn)行更深入的研究。

總之，機(jī)器學(xué)習(xí)領(lǐng)域還有很長的路要走，更加智能、高效、便捷的機(jī)器學(xué)習(xí)方法有待在今后的實(shí)際工作和研究中繼續(xù)探索。