在如今这个信息化的时代,无线通信技术正在飞速的发展,使得人们如今沟通交流越来越方便,通信质量也越来越好,同时越来越多基于无线通信的系统也开始被应用到生活中(例如自动驾驶系统)。但是无线技术的飞速发展也伴随着一些问题。随着频谱资源越来越稀缺,次用户与主用户进行频谱共享成为解决频谱稀缺问题的方案,然而当大量次用户动态接入主用户的频谱中时,会在主用户的接收机上产生大量聚合干扰,一旦聚合干扰超过主用户接收机的承受极限,就会对主用户的通信造成有害影响。在这一背景下本文主要工作将围绕下面两个问题来展开。第一个问题是累积干扰预测算法的性能(即预测误差)。为了预测频谱共享所带来的累积干扰,本实验室提出了一种基于神经网络的累积干扰预测算法来评估累积干扰的大小。本文将会使用软件无线电平台(Sora)来对累积干扰预测算法的性能进行实测。文中首先将对比神经网络输入参数个数不同时算法的性能差异。其次对比使用极坐标系及使用直角坐标系时算法性能差异。初步实测结果显示,(1)当输入参数越多时算法预测结果越准确。在迭代次数足够多的情况下,输入参数为4个时预测均方误差为3.13,输入参数为3个时均方误差为8.32,输入参数为2个时均方误差为12.08。(2)使用极坐标系时算法预测结果比使用直角坐标系时准确。第二个问题是算法的实时性问题。随着如自动驾驶系统这样的新技术被运用到生活中,算法实时性的不足导致了许多事故的发生。现如今的一些交通事故发生的原因就是车辆处于自动驾驶模式,而算法实时性差导致对于突发情况反应不及时。本文将以基于神经网络的累积干扰预测算法为例,对累积干扰预测算法的实时性进行实测。算法的运行可以分成两个部分,一是神经网络训练,二是神经网络预测累积干扰。实测结果显示算法运行一次的总时间为0.12s左右。神经网络预测时间基本在5ms左右仅占算法运行总时间的百分之五,神经网络的训练时间占算法总运行时间的百分之九十五。也就是说神经网络训练的速度将决定算法实时性的好坏。本文将对比在随机梯度下降法(SGD)、动量法(Momentum)、变学习率法(AdaGrad)三种优化器下神经网络训练时间。实测显示实时性的结果为使用变学习率法(AdaGrad)时最好、动量法(Momentum)其次、随机梯度下降法(SGD)最差。