CN103746750B - 无线电监测电磁态势预测*** - Google Patents

Abstract

本发明公开了无线电监测电磁态势预测***，其特征在于：包括无线电电磁态势数据采集设备***、台站数据库、无线电电磁态势指标参数预测***、报警***、网络通信***和处理控制器；数据采集设备***接收空中的电磁波，进行变换处理，产生电磁监测数据，包括扫频数据、语音数据、中频数据、信号方位数据等；无线电电磁态势指标参数预测***首先根据这些监测数据计算出无线电态势指标参数，然后利用这些指标参数数据构建训练数据集，通过训练学***，减少无线电干扰、管理滞后带来的损失。

Description

无线电监测电磁态势预测***

技术领域

本发明涉及到无线电监测领域，更具体涉及到无线电监测电磁态势预测***

背景技术

电磁频谱是支撑国家经济和国防建设的基础性战略资源，随着信息技术迅猛发展及其在经济发展、国防建设和社会生活各领域广泛应用，电磁频谱的战略价值和基础作用越发凸显，国家之间、部门之间、军地之间以及空地业务之间的用频矛盾日益突出，应对反恐维稳、抢险救灾等突发事件对频谱资源动态调配与实时管控的要求越来越高，传统的管理理念、政策、机制和滞后的管理方法、手段、力量，与频谱管理未来发展需求不相适应。新形式下无线电频谱管理的核心是科学规划、合理利用、有效管控资源。

全面掌控国家或地区(省、市、县)的无线电频谱使用的现状和电磁环境变化的态势是频谱管理的重要依据。掌握频率占用信息是频谱资源精细化管理的基础，为频率规划、频率分配、频率共享、频率回收等工作服务。同时频率监测统计分析报告为干扰发现、无线电安全保障等工作提供参考。

已有无线电监测***仅具备监测当前无线电电磁环境参数的能力,通过频谱扫描、中频测量等手段获得电磁环境参数，例如频段占用度、背景噪声等，主要不足体现在：其一是历史数据没有得到有效的利用，而大量的历史数据蕴含电磁环境变化的趋势。其二是只能测量当前电磁环境的参数，不具备电磁态势预测能力，不能掌握电磁环境变化的趋势。不能掌握电磁环境变化的趋势就不能很好地为下阶段的管理、决策提供足够的依据。

发明内容

本发明提供一种无线电监测电磁态势的预测***，以解决现有技术中无线电监测***的各种缺点与不足，本发明采取的技术方案如下：

本发明***所述无线电监测电磁态势预测***包括无线电电磁态势数据采集设备***、台站数据库、无线电电磁态势指标参数预测***、报警***、网络通信***和处理控制器；数据采集设备***接收空中的电磁波，进行变换处理，产生电磁监测数据，包括扫频数据、语音数据、中频数据、信号方位数据等；无线电电磁态势指标参数预测***首先根据这些监测数据计算出无线电态势指标参数，然后利用这些指标参数数据构建训练数据集，通过训练学习，预测下一时刻这些参数的预测值；网络通信***负责***各模块之间，***与外部其它设备之间的通信；处理控制器负责协调各个模块之间的处理调度。

所述无线电电磁态势数据采集设备***包括监测接收机、频谱测量仪、测向设备、监听设备、控制设备、天馈***，以及通信、电源、防雷接地、环境监控等辅助***；监测接收机通过天馈***接收空中的电磁波，进行变换处理，产生信号的频谱数据，语音数据，方位数据，中频测量数据等，监测接收机通过GPS接收机获得经纬度坐标数据，监测接收机通过环境控制***获得监测站所在的地理环境信息、气候温度等数据信息。

所述无线电电磁态势指标参数预测***包括无线电态势指标参数计算模块，无线电态势数据预处理模块，无线电监测态势数据相空间重构模块，无线电态势指标参数预测模块；指标参数计算模块利用采集设备采集到无线电监测数据并计算出无线电态势指标参数；通过数据预处理模块剔除异常数据，使数据具有更好的一致性；通过相空间重构技术，将一维时序数据重构为多维相空间数据，可以用于学习训练；预测模块首先利用历史数据训练、学习参数，采用回归理论得到下一时刻的预测值。

所述无线电态势指标参数计算模块利用无线电电磁态势数据采集设备***采集到的监测数据，包括中频数据、扫频数据、语音数据、FFT数据等，结合台站数据库计算出反应电磁态势的指标参数，包括频段占用度、信道占用度、大信号比、频偏、带宽、场强和电平等，这些参数总体构成当地的电磁态势。

所述无线电监测电磁态势预测***中的无线电监测数据预处理***对得到的数据中的异常数据进行剔除，从而使原始数据更准确地反映电磁环境变化的趋势，异常数据是指异常大、异常小、缺失的数据。本发明***主要采用格拉布斯准则来处理异常数据。q(h,d)代表已经采集到的电磁态势指标参数序列，其中h表示采集日期中小时数，d表示数据的采集日期编号，格拉布斯准则认为满足|q(h,d)-E(h)|≥G(n,a)σ_i的数据为异常数据应该剔除，其中 G(n，a)是取决于测量次数n和显著性水平a的残差值，a通常取0.01或0.05，具体可查表得到。对监测电磁态势数据样本按照上述方法进行异常值清除操作后，在用这些样本数据作为训练数据，训练回归参数，进行电磁环境态势参数指标预测，克服了异常数据的干扰，可以提高预测精度。

所述监测数据预处理中剔除异常数据方法还可以采用肖维勒(Chauvenet)准则和莱以达准则。

所述无线电监测电磁态势预测***中监测态势数据相空间重构技术是通过时间延迟和嵌入维将低维(一维)的电磁态势指标数据时间序列映射到高维，然后用高维特征空间中相点作为预测数据集。比如，对于给定的指标数据时间序列x₁,x₂,...,x_N，采用相空间重构法，将其转换成维数为m，延时为τ的新数据空间，即X_i＝(x_i,x_i+τ,...,x_i+(m-1)τ)，

其中i＝1,2,...,N-(m-1)τ。X_i为重构后的相点，利用重构后的状态矢量进行训练预测。

所述相空间重构中对于延时的求取，可以采用自相关函数法、平均位移法、复自相关法、去偏复自相关发、互信息法。

所述相空间重构中的嵌入维m的求取，可以采用虚假近邻法、Cao法、奇异值分解法、预测误差最小法。

所述无线电态势指标参数预测模块，采用基于支持向量机回归理论的电磁环境态势预测技术，分别采用了几种不同形式的核函数(线性核函数、多项式核函数、径向基核函数、Sigmoid核函数和复合核函数)及不同的参数来建立预测模型。***使用相空间重构模块得到的相空间数据，根据已知时间序列确定训练样数据，设当前时刻为n，时间序列长度为N，则训练数据可表示为：(X_n,x_n+1),n＝1,2,...,N-(m-1)τ。应用支持向量机回归进行训练求得最佳模型f；对未来某时刻x_t的预测值，以其相空间重构中前(m-1)τ个变量作为输入，应用训练得到的支持向量机模型进行预报。

所述无线电态势指标参数预测模块，除了采用基于相空间重构-支持向量机模型外，也可以采用马尔科夫模型、神经网络模型。

所述无线电态势指标参数预测模块分为单步预测和连续预测，单步预测：选择测试样本输入，得到第一个预测点值，将第一点的监测实际值加入原始输入集，进行第二个点的预测，依次类推，得到预测结果。连续预测：选择测试样本输入，得到第一个预测点值，将第一点的预测值加入原始输入集，进行第二个点的预测，依次类推，从而预测出未来一段时间电磁态势指标参数变化的趋势。

有益效果：本发明的目地在于克服现有技术的不足，提高无线电监测智能化水平，掌握无线电电磁态势的变化趋势，更好地管理电磁频谱，更好地监测电磁环境，使管理监测具有前瞻性，提供了一种无线电电磁环境态势预测***及其方法，该***实现无线电电磁态势参数的预测，通过对历史数据的处理、学***，减少无线电干扰、管理滞后带来的损失。

附图说明

图1无线电监测电磁态势预测***；

图2无线电电磁态势指标参数预测***；

图3电磁环境态势预测流程图；

图4数据预处理流程图；

图5相空间重构求延时流程图；

图6相空间重构求嵌入维流程图；

图7训练预测模型流程图；

图8回归预测流程图；

具体实施方式

本发明***所述无线电监测电磁态势预测***包括无线电电磁态势数据采集设备***、台站数据库、无线电电磁态势指标参数预测***、报警***、网络通信***和处理控制器；数据采集设备***接收空中的电磁波，进行变换处理，产生电磁监测数据，包括扫频数据、语音数据、中频数据、信号方位数据等；无线电电磁态势指标参数预测***首先根据这些监测数据计算出无线电态势指标参数，然后利用这些指标参数数据构建训练数据集，通过训练学习，预测下一时刻这些参数的预测值；网络通信***负责***各模块之间，***与外部其它设备之间的通信；处理控制器负责协调各个模块之间的处理调度。

本发明所述无线电电磁态势数据采集设备***包括接收机、频谱测量仪、测向设备、监听设备、控制设备、天馈***，以及通信、电源、防雷接地、环境监控等辅助***；监测接收机通过天馈***接收空中的电磁波，进行变换处理，产生信号的频谱数据，语音数据，方位数据，中频测量数据等，监测接收机通过GPS接收机获得经纬度坐标数据，监测接收机通过环境控制***获得监测站所在的地理环境信息、气候温度等数据信息；本发明所述台站数据库是指该地域的所有申报、批准的无线电用频设备的数据，电磁环境数据库包含该地域所有频段正常情况下的监测数据。

本发明所述无线电电磁态势指标参数预测***包括无线电态势指标参数计算模块，无线电态势数据预处理模块，无线电监测态势数据相空间重构模块，无线电态势指标参数预测模块；指标参数计算模块利用采集设备采集到无线电监测数据并计算出无线电态势指标参数；通过数据预处理模块剔除异常数据，使数据具有更好的一致性；通过相空间重构技术，将一维时序数据重构为多维相空间数据，可以用于学习训练；预测模块首先利用历史数据训练、学习参数，采用回归理论得到下一时刻的预测值。

本发明所述无线电态势指标参数计算模块利用无线电电磁态势数据采集设备***采集到的监测数据，包括中频数据、扫频数据、语音数据、FFT数据等，结合台站数据库计算出反映电磁态势的指标参数，包括频段占用度、信道占用度、大信号比、频偏、场强等，这些参数总体构成当地的电磁态势。

本发明所述无线电监测电磁态势预测***中的无线电监测数据预处理***，目的是对得到的数据中的异常数据进行剔除，从而使原始数据更准确地反映电磁环境变化的趋势，异常数据是指异常大、异常小、缺失的数据。本发明***主要采用格拉布斯准则来处理异常数据。q(h,d)代表已经采集到的电磁态势指标参数序列，其中h表示采集日期中小时数，d表示数据的采集日期编号，格拉布斯准则认为满足|q(h,d)-E(h)|≥G(n,a)σ_i的数据为异常数据应该剔除，其中 $E\left(h\right)=\frac{1}{N}\underset{d=1}{\overset{N}{\mathrm{\Σ}}}q(h,d),D\left(h\right)={\mathrm{\σ}}_i^2=\frac{1}{N}\underset{d=1}{\overset{N}{\mathrm{\Σ}}}{\[q(h,d)-E\left(h\right)\]}^2,$ G(n，a)是取决于测量次数n和显著性水平a的残差值，a通常取0.01或0.05，具体可查表得到。对监测电磁态势数据样本按照上述方法进行异常值清除操作后，在用这些样本数据作为训练数据，训练回归参数，进行电磁环境态势参数指标预测，克服了异常数据的干扰，可以提高预测精度。

本发明所述监测数据预处理中剔除异常数据方法还可以采用肖维勒(Chauvenet)准则和莱以达准则。

本发明所述无线电监测电磁态势预测***中监测态势数据相空间重构技术是通过时间延迟和嵌入维将低维(一维)的态势指标数据时间序列映射到高维，然后用高维特征空间中相点作为预测数据集。比如，对于给定的指标数据时间序列x₁,x₂,...,x_N，采用相空间重构法，将其转换成维数为m，延时为τ的新数据空间，即X_i＝(x_i,x_i+τ,...,x_i+(m-1)τ)。

其中i＝1,2,...,N-(m-1)τ。X_i为重构后的相点，利用重构后的状态矢量进行训练预测。

本发明所述相空间重构中对于延时的求取，可以采用自相关函数法、平均位移法、复自相关法、去偏复自相关发、互信息法。

本发明***所述相空间重构中的嵌入维m的求取，可以采用虚假近邻法、Cao法、奇异值分解法、预测误差最小法。

本发明所述无线电态势指标参数预测模块，采用基于支持向量机回归理论的电磁环境态势预测技术，分别采用了几种不同形式的核函数(线性核函数、多项式核函数、径向基核函数、Sigmoid核函数和复合核函数)及不同的参数来建立预测模型。***使用相空间重构模块得到的相空间数据，根据已知时间序列确定训练样数据，设当前时刻为n，时间序列长度为N，则训练数据可表示为：(X_n,x_n+1),n＝1,2,...,N-(m-1)τ。应用支持向量机回归进行训练求得最佳模型f；对未来某时刻x_t的预测值，以其相空间重构中前(m-1)τ个变量作为输入，应用训练得到的支持向量机模型进行预报。

此外，本发明中所述无线电态势指标参数预测模块，除了采用基于相空间重构-支持向量机模型外，也可以采用马尔科夫模型、神经网络模型。

本发明所述无线电态势指标参数预测模块分为单步预测和连续预测，单步预测：选择测试样本输入，得到第一个预测点值，将第一点的实际值加入原始输入集，进行第二个点的预测，依次类推，得到预测结果。连续预测：选择测试样本输入，得到第一个预测点值，将第一点的预测值加入原始输入集，进行第二个点的预测，依次类推，从而预测出未来一段时间电磁态势指标参数变化的趋势。

本发明所述报警***根据预测模块预测出的下一时刻的值x_P,与给定的阈值T进行比较，如果x_P＞T则***向用户发出报警信息；另一方面，将预测值x_P与历史值进行比较，发现剧烈增加或降低，同样向用户发出报警信息。

本发明所述无线电监测电磁态势预测***可以预测的电磁态势参数包括频段占用度、信道占用度、最大电平、平均电平、最大场强、平均场强、大信号比、信道占空比等多种构成电磁态势的指标参数。

如图1所示，电磁环境态势预测***在现有无线电监测设备的基础上扩展了无线电智能分析***，增加了电磁环境态势预测***。

如图2所示，电磁环境态势预测***通过接收设备获取数据，并计算态势参数。用各个参数分别进行相空间重构，把重构后的数据带入支持向量机进行训练，获得最佳预测模型，最后对未来某时刻做出预测。

如图3所示，电磁环境态势预测***主要包括数据预处理、相空间重构、训练预测模型、回归预测等步骤。如图4所示，数据预处理技术：我们通过设备获得的时间数据序列x₁,x₂,...,x_n,...，对其做预处理剔除异常数据，首先将采集到的数据序列重新存储，设q(h,d)代表采集到的数据序列，两次数据采集之间的时间间隔t＝1小时，其中h＝{0,1,2,3,...,23}代表一天中的24小时，d＝{1,2,3,...,N)代表一共采集H天数据中的日期编号，q代表采集时间点采到的数据。数据集记为：Q＝{q₁,q₂,q₃,...,q_n,...}。对于每一个时间点h，求数据序列q(h,d)的期望E(h)及方差D(H)公式如下：

$\begin{array}{cc}E\left(h\right)=\frac{1}{H}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}q(h,d)& D\left(h\right)={\mathrm{\σ}}_i^2=\frac{1}{N}\underset{d=1}{\overset{N}{\mathrm{\Σ}}}{\[q(h,d)-E\left(h\right)\]}^2\end{array}$

根据上述两个公式,结合格拉布斯准则，如果对于样本集q(h,d)中的样本点满足：

|q(h,d)-E(h)|≥G(n,a)σ_i则应该将该样本点剔除。

相空间重构-延时参数τ的确定。

如图5所示，本发明***所述相空间重构技术中互信息法：设预处理后得到时间序列X＝{x₁,x₂,...,x_n}，在上述得到的数据基础上进行相空间重构，求出延迟时间τ和嵌入维m。首先选择***中任意一种方法求取延迟时间τ，这里以互信息法为例，步骤为：

1.对于时间序列X＝{x₁,x₂,...,x_n}按其值从小到大重排，设其排列后的序列为 $X^{\′}=\{x_{k_1},x_{k_2},...,x_{k_n}\}$ 这时有 $x_{k_1}\≤x_{k_2}\≤,...,\≤x_{k_n}$

2.按照经验分组公式：(式中n为样本数)分组。依次将X'等概率分成m等 $x_{k_1}{x}_{k_2}\mathrm{...}{x}_{k_i}/x_{k_{i+1}}{x}_{k_{i+2}}\mathrm{...}{x}_{k_{2i}}/x_{k_{2i+1}}{x}_{k_{2i+2}}\mathrm{...}{x}_{3i}/x_{k_{3i+1}}\mathrm{....}$ 确定临界点集合 $\{x_{c_1},x_{c_2},\mathrm{...},x_{c_{m+1}}\}.$

3.(粗粒化)给定m个符号组成的符号集{S₀,S₁,...,S_m-1}，将时间列{x_n}转化成一个符号序列s(n)(n＝1,2,…)；若x_ck<x_j<x_ck+1,则s(j)＝S_k。比如：{s(1),s(2),s(3),…}＝{S₁,S₀,S₃,S₁,S₂,S₀,S₂,...}。

4.(短序列化)将所得符号序列进一步分割成长度为L的短序列：其中i表示短序列沿着符号序列s(n)从第i个符号开始.将S_k用相应的整数k代替，这样每一个短序列都可以方便地用整数集{0,1,2,…m^L-1}中的一个整数唯一地进行标记和辨别。

5.时间序列{x_n}包含在符号序列l_x(n)中的信息量熵为：其中表示特定短序列l_x出现的概率。

6.对于延时序列{x_(n+τ)},重复步骤2、3、4.得到延时序列信息熵H(x_τ)。

7.对于时间序列{x_n}及其延时序列{x_(n+τ)},n＝0,1,2…。其联合熵为： $H(x,x_{\mathrm{\&tau;}})=-\frac{1}{L}\underset{l_x}{\mathrm{\&Sigma;}}\underset{l_{x_{\mathrm{\&tau;}}}}{\mathrm{\&Sigma;}}P(l_x,l_{x_{\mathrm{\&tau;}}}){\log }_{2}P(l_x,l_{x_{\mathrm{\&tau;}}}).$ 其中是变量,处于状态l_x而变量x_τ处于状态的联合概率，它可以用变量x处于状态l_x而变量x_τ处于状态的联合序列数除以符号序列和的联合序列的总数来计算。

8.计算互信息函数I(τ): $I\left(\mathrm{\&tau;}\right)=H\left(x\right)+H\left(x_{\mathrm{\&tau;}}\right)-H(x,x_{\mathrm{\&tau;}})$

$=-\frac{1}{L}\underset{l_x}{\mathrm{\&Sigma;}}{P}_{l_x}{\log }_2\left(P_{l_x}\right)-\frac{1}{L}\underset{l_{x_{\mathrm{\&tau;}}}}{\mathrm{\&Sigma;}}{\log }_2\left(P_{l_{x_{\mathrm{\&tau;}}}}\right)+\frac{1}{L}\underset{l_x}{\mathrm{\&Sigma;}}\underset{l_{x_{\mathrm{\&tau;}}}}{\mathrm{\&Sigma;}}P(l_x,l_{x_{\mathrm{\&tau;}}})*{\log }_{2}P(l_x,l_{x_{\mathrm{\&tau;}}}).$

9.求出时间延迟τ。计算出互信息函数I(S)在不同延时S下的值,取I(S)的第一个局部极小值点对应的时间S为延迟时间,即可确定出一个合适的相空间重构延迟时间τ

本发明***所述相空间重构技术中自相关函数法：对于混沌时间序列x₁,x₂,...,x_n,...,可以写出其自相关函数，我们设总点数为N，则时间序列{x_(n)}在时间跨度为τ时的自相关函数为我们使用实际观测数据做出自相关函数随时间τ变化的函数图像，当自相关函数下降到初始值的1-1/e时，所得的时间就是重构相空间的时间延迟τ。

本发明***所述相空间重构技术中平均位移法：对于时间序列{x_(n)}按延迟τ进行相空间重构后，相空间的相邻两点x_i和x_i+τ之间的平均距离s_m(τ)可以定义如下：

$S_m\left(\mathrm{\&tau;}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|\right|x_{(i+\mathrm{\&tau;})}-x_{\left(i\right)}\left|\right|$

若嵌入维m已确定，则有：s_m(τ)随着时间延迟τ的增加，会逐渐从线性增加趋于饱和，其线性区的末端所对应的τ值即为最佳时间延迟，可选择AD法度量s_m(τ)曲线波形的斜率，第一次将为其波形初始斜率的40以下对应的时间延迟即为所求的时间延迟τ。

本发明***所述相空间重构技术中复自相关法：定义复自相关法函数为：可设m维相空间重构的复自相关法为：选择的第一次零点为时间延迟τ。

相空间重构技术中-嵌入维参数m的确定。

如图6所示，本发明***所述相空间重构技术中Cao法其步骤如下：

1.设初始嵌入维m＝3，结合上述延时τ，进行相空间重构，对于每一个相点X(i)求最近邻点X^NN(i)，其距离记为：R_m(i)＝||X(i)-X^NN(i)||。

2.增加1，再构相空间，在m+1维向空间中对每一个相点X(i)求最近邻点X^NN(i)，其距离记为：R_m+1(i)＝||X(i)-X^NN(i)||。记：

3.计算：E1(m)＝E(m+1)/E(m)；

4.增加嵌入维m，重复步骤1、2、3，直到E1(m)的值不再随着m增加而变化时，停止；5.确定嵌入维m。

本发明***所述相空间重构技术中虚假近邻法：在d维空间中，每一个相点矢量为X(i)＝{x_i,x_i+τ,...,x_i+(d-1)τ},都有一个某距离内的最近临点X^NN(i),其距离为：

R_d(i)＝||X(i)-X^NN(i)||。当相空间的维数从d维增加到d+1维时，这两个相点的距离就会发生变化，两者的距离成为R_d+1(i)且有如果R_d+1(i)比R_d(i)大很多，可以认为这是由于高维混沌吸引子中两个不相邻的点投影到低维轨道上时变成相邻两点造成的，因此这样的临点是虚假的，令若a_i(i，d)＞R_t，则X^NN(i)是X(i)的虚假最紧临，阈值R_t可在[10,50]之间选取。对于含噪的有限长度数据，也可以加入如下法则判断，若R_d+1(i)/R_A≥2，则X^NN(i)是X(i)的虚假近邻点，其中，对于实测时间序列，从嵌入维数的最小值开始，计算虚假近邻点的比例，然后增加d，直到虚假近邻点的比列小于5或者虚假近邻点不再随着d的增加而减少时，可以认为混沌吸引子已经完全打开，此时的d为嵌入维。

本发明***所述相空间重构技术中预测误差最小法：当嵌入维m和延时τ已经确定时，存在映射F：R^M→R，使得x_i+1+(m-1)τ＝F(X_m)。利用F的连续性，当X_i和Xj靠近时，x_i+1+(m-1)τ和x_j+1+(m-1)τ，也应靠近，记X_η(i)是X_i的最近点，即：

$\left|\right|X_{\mathrm{\&eta;}\left(i\right)}-X_i\left|\right|=\underset{j=1,2,...,N-(m-1)\mathrm{\&tau;};j\&NotEqual;i}{min}\left|\right|X_j-X_i\left|\right|$

预测误差为： $E(M,\mathrm{\&tau;})=\frac{1}{N-(m-1)\mathrm{\&tau;}-1}\underset{i=1}{\overset{N-(m-1)\mathrm{\&tau;}}{\mathrm{\&Sigma;}}}\left|x_{i+1+(m-1)\mathrm{\&tau;}}-x_{\mathrm{\&eta;}\left(i\right)+1+(m-1)\mathrm{\&tau;}}\right|,$ 当m小于嵌入维数时，预测较差，所以E(M,τ)较大，随着m的增大，E(M,τ)在减少，因此，当E(M,τ)最小时的m即为最小嵌入相空间维数。

本发明***所述相空间重构技术中奇异值分解法：设由时间序列{x_n}已求出延时τ，初始维数为m₀。采用重构技术进行相空间重构得到相点集{X(i)}，i＝1,2,...,N-(m-1)τ，其中N原始数据点数。然后用向空间的相点构造矩阵X如下：

$X=\frac{1}{\sqrt{N-(m-1)\mathrm{\&tau;}}}{\&lsqb;X_1^T,X_2^T,X_3^T,...,X_{N-(m-1)\mathrm{\&tau;}}^T\&rsqb;}^T.$ 对矩阵X进行奇异值分解，求其最大特征值。让嵌入维m增加，当相空间维数m由小到大变化而矩阵X的最大特征值不再随着m变化而变化时，所得到的m即为所求的嵌入维。

如图7所示，在上述参数τ和m的确定基础上，利用相空间重构技术确定训练样本对，假设获取的时间序列为：x₁,x₂,...,x_N,x_N+1。则训练样本属性集为：

$R=\left(\begin{array}{cccc}{x}_1& x_{1+\mathrm{\&tau;}}& ...& x_{1+(m-1)\mathrm{\&tau;}}\\ x_2& x_{2+\mathrm{\&tau;}}& ...& x_{2+(m-1)\mathrm{\&tau;}}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{N-(m-1)\mathrm{\&tau;}}& x_{N-(m-1)\mathrm{\&tau;}+\mathrm{\&tau;}}& ...& x_{N-(m-1)\mathrm{\&tau;}+(m-1)\mathrm{\&tau;}}\end{array}\right)$

训练样本标签集为：A＝(x_1+(m-1)τ+1,x_2+(m-1)τ+1,...,x_N-2(m-1)τ+1)′。将属性集R和标签集A代入支持向量机进行训练，确定最佳模型。

如图8所示：如果对未来某一时刻x_t+1做预测，选择相空间前一时刻的属性样本(x_t-(m-1)τ,...,x_t-τ,x_t)作为输入，代入训练好的支持向量机模型得到该时刻的预测值；如果对未来某一段时间做预测，则选择样本输入，得到第一个预测点值，将第一点的预测值加入原始输入集，进行第二个点的预测，依次类推，从而预测出未来一段时间电磁态势指标参数变化的趋势。

Claims (7)

1.无线电监测电磁态势预测***，其特征在于：包括无线电电磁态势数据采集设备***、台站数据库、无线电电磁态势指标参数预测***、报警***、网络通信***和处理控制器；数据采集设备***接收空中的电磁波，进行变换处理，产生电磁监测数据，包括扫频数据、语音数据、中频数据、信号方位数据；无线电电磁态势指标参数预测***首先根据这些监测数据计算出无线电态势指标参数，然后利用这些指标参数数据构建训练数据集，通过训练学习，预测下一时刻这些参数的值；网络通信***负责***各模块之间，***与外部其它设备之间的通信；处理控制器负责协调各个模块之间的处理调度；

所述无线电电磁态势指标参数预测***包括无线电态势指标参数计算模块，无线电态势数据预处理模块，无线电监测态势数据相空间重构模块，无线电态势指标参数预测模块；指标参数计算模块利用采集设备采集到无线电监测数据并计算出无线电态势指标参数；通过数据预处理模块剔除异常数据，使数据具有更好的一致性；通过相空间重构技术，将一维时序数据重构为多维相空间数据，可以用于学习训练；预测模块首先利用历史数据训练、学习模型参数，采用回归理论得到下一时刻的预测值；

所述无线电态势数据预处理模块对得到的数据中的异常数据进行剔除，从而使原始数据更准确地反映电磁环境变化的趋势，异常数据是指异常大、异常小、缺失的数据；采用格拉布斯准则来处理异常数据，q(h,d)代表已经采集到的电磁态势指标参数序列，其中h表示采集日期中小时数，d表示数据的采集日期编号，格拉布斯准则认为满足|q(h,d)-E(h)|≥G(n,a)σi的数据为异常数据应该剔除，其中 $E\left(h\right)=\frac{1}{N}\underset{d=1}{\overset{N}{\mathrm{\&Sigma;}}}q(h,d),D\left(h\right)={\mathrm{\&sigma;}}_i^2\frac{1}{N}\underset{d=1}{\overset{N}{\mathrm{\&Sigma;}}}{\&lsqb;q(h,d)-E\left(h\right)\&rsqb;}^2,$ G(n，a)是取决于测量次数n和显著性水平a的残差值，a取0.01或0.05；对监测电磁态势数据样本按照上述方法进行异常值清除操作后，再用这些样本数据作为训练数据，训练回归参数，进行电磁环境态势参数指标预测；

所述无线电态势指标参数预测模块，采用基于支持向量机回归理论的电磁环境态势预测技术，分别采用线性核函数、多项式核函数、径向基核函数、Sigmoid核函数和复合核函数及不同的参数来建立预测模型；***使用相空间重构模块得到的相空间数据，根据已知时间序列确定训练数据，设当前时刻为n，时间序列长度为N，则训练数据可表示为：(Xn,xn+1),n＝1,2,...,N-(m-1)τ；应用支持向量机回归进行训练求得最佳模型f；对未来某时刻xt的预测值，以其相空间重构中前(m-1)τ个变量作为输入，应用训练得到的支持向量机模型进行预报；

所述无线电态势指标参数预测模块分为单步预测和连续预测，单步预测：选择测试样本输入，得到第一个预测点值，将第一点的预测点值加入原始输入集，进行第二个点的预测，依次类推，得到预测结果；连续预测：选择测试样本输入，得到第一个预测点值，将第一点的预测值加入原始输入集，进行第二个点的预测，依次类推，从而预测出未来一段时间电磁态势指标参数变化的趋势。

2.如权利要求1所述的无线电监测电磁态势预测***，其特征在于：所述无线电电磁态势数据采集设备***包括监测接收机、频谱测量仪、测向设备、监听设备、控制设备、天馈***，以及通信、电源、防雷接地、环境监控***；监测接收机通过天馈***接收空中的电磁波，进行变换处理，产生信号的频谱数据，语音数据，方位数据，中频测量数据，监测接收机通过GPS接收机获得经纬度坐标数据，监测接收机通过环境控制***获得监测站所在的地理环境信息、气候温度数据信息。

3.如权利要求1所述的无线电监测电磁态势预测***，其特征在于：所述无线电态势指标参数计算模块利用无线电电磁态势数据采集设备***采集到的监测数据，包括中频数据、扫频数据、语音数据、FFT数据，结合台站数据库计算出反映电磁态势的指标参数，包括频段占用度、信道占用度、大信号比、频偏、带宽、场强和电平，这些参数总体构成当地的电磁态势。

4.如权利要求1所述的无线电监测电磁态势预测***，其特征在于：所述监测数据预处理中剔除异常数据方法还可以采用肖维勒Chauvenet准则和莱以达准则。

5.如权利要求1所述的无线电监测电磁态势预测***，其特征在于：所述无线电监测电磁态势预测***中监测态势数据相空间重构技术是通过时间延迟和嵌入维将一维的态势指标数据时间序列映射到高维，然后用高维特征空间中相点作为预测数据集；对于给定的指标数据时间序列x1,x2,...,xN，采用相空间重构法，将其转换成维数为m，延时为τ的新数据空间，即Xi＝(xi,xi+τ,...,xi+(m-1)τ)，其中i＝1,2,...,N-(m-1)τ，Xi为重构后的相点，利用重构后的状态矢量进行训练预测。

6.如权利要求5所述的无线电监测电磁态势预测***，其特征在于：所述相空间重构中对于延时的求取，采用自相关函数法、平均位移法、复自相关法、去偏复自相关发、互信息法。

7.如权利要求5所述的无线电监测电磁态势预测***，其特征在于：所述相空间重构中的嵌入维m的求取，采用虚假近邻法、Cao法、奇异值分解法、预测误差最小法。