1.一种ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，包括步骤：

步骤1：收集ISM频段实测数据，计算ISM频段时域的相关性和频域的相关性；在步骤1中，在收集ISM频段频谱实测数据后，该频段时域的相关性R(Δt)，频域的相关性R(Δf)的计算如下：其中,CSI(t,c)的量化公式为：

R(t,c)

和CSI(t,c)分别表示时刻t下信道c的实测功率值和信道状态信息；

两个0-1序列的相关度 定义如下：

该式常用于评估两个二进制序列的相关性，其中I(A)为判别函数，如A值为真，则I(A)＝1，否则I(A)＝0，由R(Δt)，R(Δf)的相关性曲线得到ISM频段邻近时隙和邻近频点间的相关性；

步骤2：基于ISM频段时域的相关性和频域的相关性，构建二维预测矩阵，在第一层网络中以并行的方式实现时域和频域的共同训练，得到第一层网络的输出向量Y1t,Y2t，将第一层网络的输出向量Y1t,Y2t作为第二层网络的输入向量，得到最终的预测值Yt，即构建时频二维LMBP神经网络实现ISM频段的频谱预测；

步骤3：利用步骤1中得到的ISM频段的实测数据作为训练序列，通过调整公式，调整公式为：调整公式 uk+1表示下一步迭代得到的参数向量，uk表示当前迭代的参数向量，J(uk)表示e(uk)的Jacobian矩阵， 表示微增量单位矩阵，e(uk)表示误差向量，调整公式以误差函数F(u)≤ε为条件，ε表示预设的目标误差；完成时频二维LMBP神经网络的迭代训练，得到参数向量u的最优解，以此得到神经网络的权值向量w和阈值向量b；步骤3具体为：将ISM频段的实测数据作为训练序列输入时频二维LMBP神经网络中，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，并与目标向量构成误差函数：，Zi为神经网络模型的目标向量，ei为误差向量，u是由神经网络权值w和阀值b组成的参数向量：

参数向量u的牛顿法学习规则： 其中 为Hessian矩阵的逆矩阵；gk为

F(u)的梯度，gk＝▽F(u)＝2JT(u)·e(u)，J(uk)为e(u)的雅克比矩阵：

步骤4：构建时域和频域输入向量矩阵Xt,Xf：将Xt、Xf作为神经网络输入向量，通过权值向量w和阈值向量b已达到最优值的时频二维LMBP神经网络，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，Ym即为CSI(tm,cm)的预测值，tm表示第m个时刻，cm为第m个信道，完成频谱预测。

2.根据权利要求1所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，所述步骤1和步骤2的时域X1＝[CSI(t-1,c),CSI(t-2,c),...,CSI(t-Δt,c)]T和频域X2＝[CSI(t,c±1),CSI(t,c±2),...,CSI(t,c±Δf)]T，所示CSI(t-Δt,c)表示时刻(t-Δt)信道c的信道状态信息，CSI(t,c±Δf)表示时刻t信道(c±Δf)的信道状态信息。

3.根据权利要求1所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，在步骤2中，将频域预测点加入神经网络输入向量中，构建二维预测矩阵，在第一层网络中以并行的方式实现时域X1＝[CSI(t-1,c),CSI(t-2,c),...,CSI(t-Δt,c)]T和频域X2＝[CSI(t,c±1),CSI(t,c±2),...,CSI(t,c±Δf)]T的共同训练，得到输出向量Y1t,Y2t，将Y1t,Y2t作为第二层网络的输入向量，得到最终的预测值Yt，以时域和频域结合的方法构建时频二维LMBP神经网络来实现ISM频段的频谱预测。

4.根据权利要求1所述的ISM频段中基于时频二维LMBP神经网络的频谱预测方法，其特征在于，在步骤4具体为：以ISM频段实测数据来构建时域和频域输入向量矩阵Xt，Xf：将Xt，Xf作为神经网络输入向量，通过权值向量w和阈值向量b已达到最优值的时频二维LMBP神经网络，得到输出向量Y＝[Y1,Y2,Y3,...,Ym]T，Ym即为CSI(tm,cm)的预测值。