CN105989407A - 一种基于神经网络的短波中值场强预测***、方法及装置 - Google Patents
一种基于神经网络的短波中值场强预测***、方法及装置 Download PDFInfo
- Publication number
- CN105989407A CN105989407A CN201510074683.XA CN201510074683A CN105989407A CN 105989407 A CN105989407 A CN 105989407A CN 201510074683 A CN201510074683 A CN 201510074683A CN 105989407 A CN105989407 A CN 105989407A
- Authority
- CN
- China
- Prior art keywords
- prediction
- module
- training
- user instruction
- field intensity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例公开了一种基于神经网络的短波中值场强预测***,包括:用户接口模块、神经网络训练模块和短波中值场强预测模块;用户接口模块用于根据用户需求生成参数形式的用户指令,将参数形式的用户指令发送至神经网络训练模块和短波中值场强预测模块;神经网络训练模块用于根据接收到的所述参数形式的用户指令对神经网络进行训练;短波中值场强预测模块用于根据接收到的参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。本发明实施例还提供一种基于神经网络的短波中值场强预测方法及装置。本发明实施例能够短波中值场强预测的准确性和灵活性问题,建立面向用户需求的自适应场强预测模型。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种基于神经网络的短波中值场强预测***、方法及装置。
背景技术
1943年人类首次提出了神经元的形式化数学描述和网络结构方法,从而开创了人工神经网络(ANNs,Artificial Neural Networks)研究的时代,,它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型,以神经网络作为数据拟合预测方法有着许多优势。
其中,短波中值场强预测对短波信号接收质量、短波资源调度以及短波通信体系论证都具有重要作用。由于受传输距离的限制,短波传播主要是天波实现。在短波天波通信中,天波传播电离层反射信道属于时变色散信道,加上各种干扰的存在,电磁辐射到达接收点后的场强在可预计的时期内是不断起伏变化的。
现有技术中,预测短波中值场强一般情况下需要根据较多的业务经验,选用合适的电离层模型来确定标准模型中的修正参数,通过实施观测数据进行不断的修正来预测短波中值场强,并以此建立电离层模型。
由于短波天波场强影响因素众多,主要与天波电离层状态、电播入射角和跳数等诸多因素密切相关,精确计算十分困难,而且使得电离层模型的建立复杂性较高,用户也难以灵活且准确地对短波中值场强进行预测。
发明内容
本发明实施例提供了一种基于神经网络的短波中值场强预测***、方法及装置,能够解决短波中值场强预测的准确性和灵活性问题,建立面向用户需求的自适应场强预测模型。
有鉴于此,本发明第一方面提供一种基于神经网络的短波中值场强预测***,包括:
用户接口模块、神经网络训练模块和短波中值场强预测模块;
所述用户接口模块用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块和短波中值场强预测模块;
所述神经网络训练模块用于根据接收到的所述参数形式的用户指令对神经网络进行训练;
所述短波中值场强预测模块用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
结合本发明实施例的第一方面,在第一种可能的实现方式中,所述用户接口模块包括数据映射单元和用户接口单元;
所述用户接口模块用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块和短波中值场强预测模块,包括:
所述数据映射单元用于将所述用户需求映射成为所述参数形式的用户指令;
所述用户接口单元用于将所述参数形式的用户指令发送至所述神经网络训练模块和短波中值场强预测模块。
结合本发明实施例的第一方面的第一种可能的实现方式,在第二种可能的实现方式中,所述数据映射单元包括短波场强预测资源管理子单元;
所述数据映射单元用于将所述用户需求映射成为所述参数形式的用户指令,包括:
所述短波场强预测资源管理子单元用于存储标准化短波场强预测的数据资源。
结合本发明实施例的第一方面,在第三实现方式中,所述神经网络训练模块包括用户指令第一接口单元、训练核心功能单元和网络预测模型接口单元;
所述神经网络训练模块用于根据接收到的所述参数形式的用户指令对神经网络进行训练,包括:
所述用户指令第一接口单元用于接收所述用户接口单元发送的所述参数形式的用户指令;
所述训练核心功能单元用于将所述用户指令以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型;
所述网络预测模型接口单元用于将所述神经网络预测模型发送至短波中值场强预测模块。
结合本发明实施例的第一方面的第三种可能的实现方式,在第四可能的实现方式中,所述训练核心功能单元包括训练数据预处理子单元和网络预测模型构建子单元;
所述训练核心功能单元用于将所述用户指令以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型,包括:
所述训练数据预处理子单元用于接收所述用户指令第一接口单元发送的所述参数形式的用户指令,并进行参数预处理;
所述网络预测模型构建子单元用于将所述训练数据预处理子单元处理的数据,以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型。
结合本发明实施例的第一方面,在第五实现方式中,所述短波中值场强预测模块包括用户指令第二接口单元、预测模型接口单元和预测核心功能单元;
所述短波中值场强预测模块用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测,包括:
所述用户指令第二接口单元用于接收所述用户接口单元发送的所述参数形式的用户指令;
所述预测模型接口单元用于接收所述网络预测模型接口单元发送的网络预测模型;
所述预测核心功能单元用于将所述用户指令以输入参数形式通过所述网络预测模型,预测输出短波中值场强。
本发明第二方面提供一种神经网络的短波中值场强预测方法,包括:
根据用户需求生成对应的用户指令,并根据所述用户指令选取短波场强预测的数据集;
根据所述数据集,对神经网络进行训练;
根据所述用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
结合本发明实施例的第二方面,在第一种可能的实现方式中,所述根据用户需求生成对应的用户指令,并根据所述用户指令选取短波场强预测的数据集之后,所述方法还包括:
根据所述用户指令选取短波场强预测的数据集,判断所述数据集是否满足模型传输损耗影响因素;
若满足所述模型传输损耗影响因素,则根据所述数据集进行归一化处理;
若不满足所述模型传输损耗影响因素,则丢弃所述数据集。
结合本发明实施例的第二方面的第一种可能的实现方式,在第二种可能的实现方式中,所述若满足所述模型传输损耗影响因素,则根据所述数据集进行归一化处理之后,所述方法还包括:
判断所述归一化处理后,均方误差MSE是否达到预置的精度范围;
若达到预置的精度范围,则从所述数据集中选取局部数据用于进行神经网络的训练;
若未达到预置的精度范围,则进行进一步归一化处理。
结合本发明实施例的第二方面的第二种可能的实现方式,在第三种可能的实现方式中,所述根据所述数据集,对神经网络进行训练,包括:
判断所述局部数据是否满足足够的置信空间,且相关性在预置区间内;
若满足足够的置信空间,且相关性在预置区间内,则对所述局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习;
若不满足足够的置信空间,且相关性不在预置区间内,则对所述局部数据进行属性降维处理。
结合本发明实施例的第二方面的第三种可能的实现方式,在第四种可能的实现方式中,所述若满足足够的置信空间,且相关性在预置区间内,则对所述局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习之后,所述方法还包括:
判断网络稳定性与收敛速度是否达到第一预置值;
若所述网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据所述级联神经网络结构选取网络节点数,对神经网络进行网络结构优化。
结合本发明实施例的第二方面的第四种可能的实现方式,在第五种可能的实现方式中,所述若所述网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据所述级联神经网络结构选取网络节点数,对神经网络进行网络结构优化之后,所述方法还包括:
判断训练耗时与MSE是否达到第二预置值;
若未达到第二预置值,则重新进行所述网络结构优化。
本发明第三方面提供一种基于神经网络的短波中值场强预测装置,包括:
生成模块,用于根据用户需求生成对应的用户指令,并根据所述用户指令选取短波场强预测的数据集;
训练模块,用于根据所述数据集,对神经网络进行训练;
预测模块,用于根据所述用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
结合本发明实施例的第三方面,在第一种可能的实现方式中,所述装置还包括:
判断模块,用于根据所述用户指令选取短波场强预测的数据集,判断所述数据集是否满足模型传输损耗影响因素;
处理模块,用于若满足所述模型传输损耗影响因素,则根据所述数据集进行归一化处理;
丢弃模块,用于若不满足所述模型传输损耗影响因素,则丢弃所述数据集。
结合本发明实施例的第三方面的第一种可能的实现方式,在第二种可能的实现方式中,所述装置还包括选取模块,
所述判断模块,还用于判断所述归一化处理后,均方误差MSE是否达到预置的精度范围;
所述选取模块,用于若达到预置的精度范围,则从所述数据集中选取局部数据用于进行神经网络的训练;
所述处理模块,还用于若未达到预置的精度范围,则进行进一步归一化处理。
结合本发明实施例的第三方面的第二种可能的实现方式,在第三种可能的实现方式中,所述训练模块包括:
判断单元,用于判断所述局部数据是否满足足够的置信空间,且相关性在预置区间内;
学习单元,用于若满足足够的置信空间,且相关性在预置区间内,则对所述局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习;
处理单元,用于若不满足足够的置信空间,且相关性不在预置区间内,则对所述局部数据进行属性降维处理。
结合本发明实施例的第三方面的第三种可能的实现方式,在第四种可能的实现方式中,所述训练模块还包括优化单元,
所述判断单元,还用于判断网络稳定性与收敛速度是否达到第一预置值;
所述优化单元,用于若所述网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据所述级联神经网络结构选取网络节点数,对神经网络进行网络结构优化。
结合本发明实施例的第三方面的第四种可能的实现方式,在第五种可能的实现方式中,
所述判断单元,还用于判断训练耗时与MSE是否达到第二预置值;
所述优化单元,还用于若未达到第二预置值,则重新进行所述网络结构优化。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,通过基于大量历史数据的神经网络自学习过程,提高了短波中值场强预测的灵活性和准确性,同时在用户接口模块中增加了神经网络训练准则映射功能,按照一定规则将用户需求映射为特定的神经网络训练准则,由此实现预测网络的用户自定义,进一步增强了数值预测的灵活性和通用性。
附图说明
图1为本发明实施例中基于神经网络的短波中值场强预测***一个实施例示意图;
图2为本发明实施例中基于神经网络的短波中值场强预测***另一个实施例示意图;
图3为本发明实施例中基于神经网络的短波中值场强预测***另一个实施例示意图;
图4为本发明实施例中基于神经网络的短波中值场强预测***另一个实施例示意图;
图5为本发明实施例中基于神经网络的短波中值场强预测***另一个实施例示意图;
图6为本发明实施例中基于神经网络的短波中值场强预测***另一个实施例示意图;
图7为本发明实施例中基于神经网络的短波中值场强预测方法一个实施例示意图;
图8为本发明实施例中基于神经网络的短波中值场强预测装置一个实施例示意图;
图9为本发明实施例中基于神经网络的短波中值场强预测装置另一个实施例示意图;
图10为本发明实施例中基于神经网络的短波中值场强预测装置另一个实施例示意图;
图11为本发明实施例中基于神经网络的短波中值场强预测装置另一个实施例示意图;
图12为本发明实施例中基于神经网络的短波中值场强预测装置另一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于神经网络的短波中值场强预测***,用于通过基于大量历史数据的神经网络自学习过程,提高了短波中值场强预测的灵活性和准确性。
请参阅图1,本发明实施例中基于神经网络的短波中值场强预测***一个实施例包括:
用户接口模块101、神经网络训练模块102和短波中值场强预测模块103;
用户接口模块101,用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块102和短波中值场强预测模块103;
神经网络训练模块102,用于根据接收到的所述参数形式的用户指令对神经网络进行训练;
短波中值场强预测模块103,用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
本实施例中,用户接口模块101根据用户需求生成参数形式的用户指令,将参数形式的用户指令发送至神经网络训练模块102和短波中值场强预测模块103,神经网络训练模块102根据接收到的参数形式的用户指令对神经网络进行训练,短波中值场强预测模块103根据接收到的参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
本发明实施例中,提供了一种***,在用户接口模块中增加神经网络训练准则映射功能,可以按照一定规则将用户需求映射为特定的神经网络训练准则,由此实现预测网络的用户自定义,增强了数值预测的灵活性和通用性。
请参阅图2,本发明实施例中基于神经网络的短波中值场强预测***另一个实施例包括:
用户接口模块201、神经网络训练模块202和短波中值场强预测模块203;
用户接口模块201,用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块202和短波中值场强预测模块203;
神经网络训练模块202,用于根据接收到的所述参数形式的用户指令对神经网络进行训练;
短波中值场强预测模块203,用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
所述用户接口模块201可以进一步包括数据映射单元2011和用户接口单元2012;
数据映射单元2011,用于将所述用户需求映射成为所述参数形式的用户指令;
用户接口单元2012,用于将所述参数形式的用户指令发送至所述神经网络训练模块202和短波中值场强预测模块203。
本实施例中,数据映射单元可以将用户需求映射为参数化的用户指令,而用户接口单元则是为用户提供准则接口,将用户指令发送到神经网络训练模块和短波中值场强预测模块。为了根据用户需求进行灵活配置,可以采用参数化输入及输出接口消息格式,具体用户消息格式如下表所示:
表1
参数个数 | 参数值 | ... |
1字节 | 1字节 | ... |
参数个数用于表示输入及输出参数个数,参数值用于存储输入及输出参数的对应值,参数值空间大小与参数个数相同,本发明实施例以参数个数生成的参数值空间进行参数化传输。
其次,本发明实施例中,采用参数化输入及输出接口消息格式,使得用户可以灵活的根据需要对指令进行配置,从而提升用户的体验,以及进一步提升方案的灵活性与可操作性。
请参阅图3,本发明实施例中基于神经网络的短波中值场强预测***另一个实施例包括:
用户接口模块301、神经网络训练模块202和短波中值场强预测模块203;
用户接口模块301,用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块302和短波中值场强预测模块303;
神经网络训练模块302,用于根据接收到的所述参数形式的用户指令对神经网络进行训练;
短波中值场强预测模块303,用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
所述用户接口模块301可以进一步包括数据映射单元3011和用户接口单元3012;
数据映射单元3011,用于将所述用户需求映射成为所述参数形式的用户指令;
用户接口单元3012,用于将所述参数形式的用户指令发送至所述神经网络训练模块302和短波中值场强预测模块303。
所述数据映射单元3011还可以进一步包括短波场强预测资源管理子单元30111;
短波场强预测资源管理子单元30111,用于存储标准化短波场强预测的数据资源。
本实施例中,数据映射单元将用户需求映射为参数化的用户指令,该单元还包括了短波场强预测资源管理子单元,用于存放标准化的短波场强预测资源信息,其中包括短波场强预测影响因素数据信息及短波场强预测结果数据信息。
需要说明的是,短波场强影响因素数据信息不仅包括大气信息,还可以包括位置信息和时间信息,或者其他的数据信息,故此处不做限定。
具体短波场强预测影响因素数据信息如下表所示:
表2
影响参数 | 类型 |
经度 | 双精度浮点型 |
纬度 | 双精度浮点型 |
时间 | 整型(11) |
节气 | 表示字符数据(20) |
噪声系数 | 整型(11) |
太阳黑子数 | 整型(11) |
功率 | 双精度浮点型 |
频率 | 双精度浮点型 |
天线增益 | 双精度浮点型 |
… | … |
再次,本发明实施例中,短波场强预测资源管理子单元可以存储短波场强预测影响因素数据信息,以及短波场强预测结果数据信息,这些数据信息可用作后续算法和进一步趋势分析,还可以进行模型修正,因此,使得预测模型的精度更强而且更为准确。
请参阅图4,本发明实施例中基于神经网络的短波中值场强预测***另一个实施例包括:
用户接口模块401、神经网络训练模块402和短波中值场强预测模块403;
用户接口模块401,用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块402和短波中值场强预测模块403;
神经网络训练模块402,用于根据接收到的所述参数形式的用户指令对神经网络进行训练;
短波中值场强预测模块403,用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
所述用户接口模块401可以进一步包括数据映射单元4011和用户接口单元4012;
数据映射单元4011,用于将所述用户需求映射成为所述参数形式的用户指令;
用户接口单元4012,用于将所述参数形式的用户指令发送至所述神经网络训练模块402和短波中值场强预测模块403。
所述神经网络训练模块402可以进一步包括用户指令第一接口单元4021、训练核心功能单元4022和网络预测模型接口单元4023;
用户指令第一接口单元4021,用于接收所述用户接口单元4012发送的所述参数形式的用户指令;
训练核心功能单元4022,用于将所述用户指令以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型;
网络预测模型接口单元4023,用于将所述神经网络预测模型发送至短波中值场强预测模块403。
本实施例中,用户指令第一接口单元将输入参数与输出参数形式的指令传递到训练核心功能模块,使该模块根据参数进行神经网络预测模型的训练,由网络预测模型接口单元将训练完成的神经网络预测模型连接到短波中值场强预测模块,用于后期短波中值场强的预测。
需要说明的是,神经网络预测结果精度不仅与输入参数初始化有关,也可以与神经网络预测算法有关,还可以与神经网络结构有关,故此处不做限定。为了精确预测短波中值场强,神经网络训练模块不仅要对输入参数和输出参数进行预处理,还要对神经网络预测算法及神经网络预测结构进行优化。
进一步地,本发明实施例中,神经网络训练模块中包括了用户指令第一接口单元、训练核心功能单元以及网络预测模型接口单元,根据用户指令对神经网络预测模型进行训练,再将训练完成后的神经网络预测模型连接到短波中值场强预测模块,可以获取更为精确的神经网络预测模型。
请参阅图5,本发明实施例中基于神经网络的短波中值场强预测***另一个实施例包括:
用户接口模块501、神经网络训练模块502和短波中值场强预测模块503;
用户接口模块501,用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块502和短波中值场强预测模块503;
神经网络训练模块502,用于根据接收到的所述参数形式的用户指令对神经网络进行训练;
短波中值场强预测模块503,用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
所述用户接口模块501可以进一步包括数据映射单元5011和用户接口单元5012;
数据映射单元5011,用于将所述用户需求映射成为所述参数形式的用户指令;
用户接口单元5012,用于将所述参数形式的用户指令发送至所述神经网络训练模块502和短波中值场强预测模块503。
所述神经网络训练模块502可以进一步包括用户指令第一接口单元5021、训练核心功能单元5022和网络预测模型接口单元5023;
用户指令第一接口单元5021,用于接收所述用户接口单元5012发送的所述参数形式的用户指令;
训练核心功能单元5022,用于将所述用户指令以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型;
网络预测模型接口单元5023,用于将所述神经网络预测模型发送至短波中值场强预测模块503。
所述训练核心功能单元5022还可以进一步包括训练数据预处理子单元50221和网络预测模型构建子单元50222;
训练数据预处理子单元50221,用于接收所述用户指令第一接口单元发送的所述参数形式的用户指令,并进行参数预处理;
网络预测模型构建子单元50222,用于将所述训练数据预处理子单元处理的数据,以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型。
本实施例中,训练数据预处理子单元首先对输入参数进行最大最小归一化处理,并以预测均方误差(MSE,Mean Squared Error)作为评判标准,未达到标准的进一步进行基于标准差的归一化处理,优化神经网络输入参数,精确预测结果。
网络预测模型构建子单元对神经网络预测模型进行预测算法和网络结构优化,以数据完备性作为标准,对数据属性进行降维处理,以收敛速度和网络稳定性为标准运用共轭梯度算法和拟牛顿算法进行训练算法优化,以训练耗时和预测MSE为标准进行神经网络结构优化。
需要说明的是,数据处理的方法与训练算法的评判标准有多种方式,可以根据预测模型运行时间、运行稳定性和结果精度灵活掌握,故此处不作限定。
再进一步地,本发明实施例中,训练数据预处理子单元对输入参数及输出参数进行预处理,再由网络预测模型构建子单元建立对应的神经网络预测模型,通过多次训练可以使得该神经网络预测模型的稳定性更好。
请参阅图6,本发明实施例中基于神经网络的短波中值场强预测***另一个实施例包括:
用户接口模块601、神经网络训练模块602和短波中值场强预测模块603;
用户接口模块601,用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块602和短波中值场强预测模块603;
神经网络训练模块602,用于根据接收到的所述参数形式的用户指令对神经网络进行训练;
短波中值场强预测模块603,用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
所述用户接口模块601可以进一步包括数据映射单元6011和用户接口单元6012;
数据映射单元6011,用于将所述用户需求映射成为所述参数形式的用户指令;
用户接口单元6012,用于将所述参数形式的用户指令发送至所述神经网络训练模块602和短波中值场强预测模块603。
所述短波中值场强预测模块603可以进一步包括用户指令第二接口单元6031、预测模型接口单元6032和预测核心功能单元6033;
用户指令第二接口单元6031,用于接收所述用户接口单元6012发送的所述参数形式的用户指令;
预测模型接口单元6032,用于接收所述网络预测模型接口单元发送的网络预测模型;
预测核心功能单元6032,用于将所述用户指令以输入参数形式通过所述网络预测模型,预测输出短波中值场强。
本实施例中,用户指令第二接口单元接收用户接口单元发送的用户指令,预测模型接口单元接收神经网络训练模块发送的网络预测模型,而预测核心功能单元将用户指令以输入参数的形式通过网络预测模型,预测输出短波中值场强。
需要说明的是,网络预测模型可以是实时训练模型,也可以是调用已存储的预测模型,故此处不做限定。
再进一步地,本发明实施例中,短波中值场强预测模块包括用户指令第二接口单元、预测模型接口单元和预测核心功能单元,预测核心功能单元将用户指令通过网络预测模型,预测短波中值场强,可以根据仿真数据的特点,选取不同类型的神经网络进行拟合,适用性更广,通用性更强。
请参阅图7,本发明实施例中基于神经网络的短波中值场强预测方法一个实施例包括:
701、根据用户需求生成对应的用户指令,并根据用户指令选取短波场强预测的数据集;
本实施例中,用户接口模块根据用户需求,按照一定的映射准则生成特定的用户指令,选取短波场强预测数据集,以输入参数及输出参数的形式发送到神经网络训练模块和短波中值场强预测模块。
702、根据数据集,对神经网络进行训练;
本实施例中,神经网络训练模块将接收到的输入参数及输出参数进行预处理,并以预测MSE作为全局标准对神经网络进行预测算法优化和网络结构优化,构建出神经网络预测模型。
703、根据用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
本实施例中,短波中值场强预测模块根据接收到的用户指令,利用构建完成的神经网络预测模型,对短波中值场强进行预测,并保存预测结果。
本发明实施例中,通过基于大量历史数据的神经网络自学习过程,提高了短波中值场强预测的灵活性和准确性,同时在用户接口模块中增加了神经网络训练准则映射功能,按照一定规则将用户需求映射为特定的神经网络训练准则,由此实现预测网络的用户自定义,进一步增强了数值预测的灵活性和通用性。
可选地,在上述图7对应的实施例基础上,本发明实施例提供的基于神经网络的短波中值场强预测方法第一个可选实施例中,根据用户需求生成对应的用户指令,并根据用户指令选取短波场强预测的数据集之后,还可以包括:
根据用户指令选取短波场强预测的数据集,判断数据集是否满足模型传输损耗影响因素;
若满足模型传输损耗影响因素,则根据数据集进行归一化处理;
若不满足模型传输损耗影响因素,则丢弃数据集。
本实施例中,用户接口模块根据用户需求,按照一定的映射准则生成特定的用户指令,然后根据用户指令启动短波场强预测资源管理子单元,该子单元即为短波场强资源管理数据库,从中选取数据集作为参数化***的输入变量和输出变量。
选定数据集时,判断选取的输入样本变量是否满足模型传输损耗影响因素,需要说明的是,这些模型传输损耗影响因素可以是频率、功率、发射坐标和侦收点坐标,也可以是地形与地物特性,还可以是侦收时间或其他相关影响因素,故此处不做限定。
当数据集满足模型传输损耗影响因素,则根据选定的数据集进行归一化处理,使得所有数据规整到一个范围区间内,从而使得各变量之间具有相同地位,避免经过sigmoid函数出现误差震荡的问题,其中,sigmoid函数表达式为Sigmoid函数常和单位阶跃函数用于构造人工神经网络。而基于最大最小样本值的线性归一化处理方式是将相同的输入变量,或输出变量的样本进行预处理,将数据线性归一化到[-1,1]。
当数据集不满足模型传输损耗影响因素,则丢弃选取的数据集,启动数据重选的功能。
其次,本发明实施例中,通过判断选取的数据集样本是否满足模型传输损耗影响因素,来决定是否使用所选数据集,如果不满足模型传输损耗影响因素则丢弃数据集,这样可以获取满足条件的数据集,使得方案更具有合理性,同时可操作性也得以提升。
可选地,在上述图7对应的第一个可选实施例基础上,本发明实施例提供的基于神经网络的短波中值场强预测方法第二个可选实施例中,若满足模型传输损耗影响因素,则根据数据集进行归一化处理之后,还可以包括:
判断归一化处理后,均方误差MSE是否达到预置的精度范围;
若达到预置的精度范围,则从数据集中选取局部数据用于进行神经网络的训练;
若未达到预置的精度范围,则进行进一步归一化处理。
本实施例中,在数据集归一化处理完成后,要判断MSE是否达到要求的精度范围内,如果满足要求,则进入到选取训练数据的阶段,否则,则利用基于标准差的归一化方法进一步进行归一化处理,训练集选用与最大最小线性归一法相同的训练集。
当达到预置的精度范围时,针对归一化处理后的数据,选取一定时间段内训练样本集较完备的局部数据作为训练数据。由于整个样本集数据过大,会导致学习时间长,训练精度也无法保证,因此通过分析样本产生、样本变量因素以及神经网络运算效率来选取局部数据作为训练数据,其中样本变量因素中主要是时间因素。
再次,本发明实施例中,针对归一化处理后的数据进行进一步的判断,判断MSE是否达到要求的精度范围内,如果不满足要求,则再进行归一化处理,满足要求后选取局部数据作为训练数据,这样可以提升学习效率,训练的精度也得到了保证,方案的实现效果更好。
可选地,在上述图7对应的第二个可选实施例基础上,本发明实施例提供的基于神经网络的短波中值场强预测方法第三个可选实施例中,根据数据集,对神经网络进行训练,包括:
判断局部数据是否满足足够的置信空间,且相关性在预置区间内;
若满足足够的置信空间,且相关性在预置区间内,则对局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习;
若不满足足够的置信空间,且相关性不在预置区间内,则对局部数据进行属性降维处理。
本实施例中,选取局部数据后,判断局部数据是否满足两个要求,第一个要求是样本时间拥有足够的置信空间,第二个要求是局部数据的输入变量之间相关性在预置区间内。如果都满足要求,则利用局部数据在权值调整批处理模式下,采用列文伯格-马夸尔特法(LM,Levenberg-Marquardt)进行神经网络参数学习,否则,要分析短波损耗时间影响因素,为局部数据进行属性降维处理,使现有数据尽量具有完备集的特征。
LM算法是基于最优理论,综合共轭梯度算法(FR,Fletcher-Reeves)和拟牛顿算法的特点,使其性能参数MSE趋于更小,网络训练更加稳定,收敛速度更快的一种神经网络参数学习算法。FR算法是权值和阈值沿共轭梯度方向调整获得更快收敛的算法。
进一步地,本发明实施例中,对局部数据在权值调整批处理模式下,采用LM算法进行神经网络的学习,可以使得性能参数MSE趋于更小,令网络训练达到更加稳定的状态,且收敛速度更快。对于不符合条件的局部数据进行属性降维处理,使得数据尽可能具备完整集的特征,因此方案在实现的过程中具有合理性,同时提高了预测的效率。
可选地,在上述图7对应的第三个可选实施例基础上,本发明实施例提供的基于神经网络的短波中值场强预测方法第四个可选实施例中,若满足足够的置信空间,且相关性在预置区间内,则对局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习之后,还可以包括:
判断网络稳定性与收敛速度是否达到第一预置值;
若所述网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据所述级联神经网络结构选取网络节点数,对神经网络进行网络结构优化。
本实施例中,对局部数据采用LM,算法进行神经网络参数学习后,需要判断收敛速度和网络稳定性是否达到第一预置值,如果未达到要求,则针对学习后的神经网络,进一步优化网络结构,是误差函数下降,实现拟合性能优化,可以使用拟牛顿算法进行学习,拟牛顿算法能够在收敛到最优值附近计算一个最优的方向,实现收敛的优化。
如果收敛速度和网络稳定性达到第一预置值,则可以直接使用训练后的神经网络预测模型对短波中值场强进行预测。
本实施例中,针对参数学习后的神经网络进行网络结构优化,需要选取级联神经网络结构,经过经验公式推演和试凑法,选取适合网络节点数。经验公式一般是由拟合得到的,没有完整的理论推导过程,经验公式更趋向于应用,着重看其精确度的大小。级联网络由于网络权值数目的增加,迭代一次的时间也有所增加,但它的收敛速度更快,得到的训练结果拟合精度更好,而且趋于稳定。网络节点数据的多少可以决定对于网络的学习程度,神经元各节点作用使其拥有模型规律存储能力,所以节点数过少时,网络存储模型能力不足,不能高精度学习样本,但是节点数过多时,则会出现对样本非规律性特征进行学习,造成网络泛化能力不足,同时也增加网络运算负担,使得网络学习时间增长。
需要说明的是,收敛速度和网络稳定性的第一预置值可根据实际情况进行设定,故此处不做限定。
再进一步地,本发明实施例中,通过判断网络稳定性和收敛速度是否达到预置值,来达到优化网络结构的目的,如果未达到预置值,则继续使用拟牛顿算法进行学习。收敛速度快说明计算效率高,可以更快的得到精确结果,网络稳定性越好所预测的神经网络预测模型的精度也越高。与此同时,取合适的网络节点数据,一方面使网络存储模型具有足够的能力,可以高精度的学习样本,另一方面拥有泛化能力强的优势,具有很大的自由度和很强的数据处理能力,还可以有很强的数据外插能力。
可选地,在上述图7对应的第四个可选实施例基础上,本发明实施例提供的基于神经网络的短波中值场强预测方法第五个可选实施例中,若网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据级联神经网络结构选取网络节点数,对神经网络进行网络结构优化之后,方法还可以包括:
判断训练耗时与MSE是否达到第二预置值;
若未达到第二预置值,则重新进行所述网络结构优化。
本实施例中,神经网络结构优化后,要判断训练耗时和性能参数MSE是否达到标准,如果达到标准的第二预置值,则根据用户指令,利用中值场强预测模型,预测短波中值场强。如果没有达到标准的第二预置值,则继续对神经网络结构继续优化。
需要说明的是,训练耗时与MSE的第二预置值也可以根据实际情况做设定,故此处不对具体第二预置值做限定。
更进一步地,本发明实施例中,网络结构优化后需要判断训练耗时与MSE是否达到预置值,如果没有达到则继续进行网络结构的进一步优化,这样可以很大程度的增强训练后的神经网络预测模型的精度和准确度,使方案的实用性更强。
为便于理解,下面以一个具体应用场景对本发明中一种网络处理方法进行详细描述,具体为:
A用户需要预测近期的太阳黑子数,于是根据用户A的需求生成一个“预测太阳黑子数”的用户指令,且该需求与该指令之间是有映射关系的。根据A用户的指令启动了短波场强预测资源管理数据库,假设选取了一组数据集,为5,11,6,23,36,58,29,将这些数据集作为参数化***输入和输出变量。选取数据集时,需要判断这些选取的样本是否满足频率、侦收点坐标、地形、地物特性以及侦收时间。判断后得到这组数据集满足上述的要求,于是对这组数据集进行归一化处理,将时间线性归一化到[-1,1]这个区间内。
归一化处理完成后,继续判断MSE是否达到要求的精度范围内,假设要求的MSE在10%以内,经过判断后确认数据集的均方误差在该范围内,于是选取一段时间内的局部数据作为训练数据。且这些数据有较大的置信空间,而且输入变量之间相关性较低。
局部数据在权值调整批处理模式下,采用LM算法进行神经网络参数学习,可以使得MSE趋于更小值,网络训练更稳定,而收敛速度也更快。当收敛速度和网络稳定性都稳定时,针对参数学习后的神经网络进一步优化网络结构,使误差函数下降,实现拟合性能优化。
选取级联神经网络结构,经过经验公式推演和试凑发,选取合适的网络节点数,假设选取100个网络节点,于是对这100个网络节点进行训练,在训练耗时和MSE都达到标准后,即完成中值场强预测模型的构建,根据A用户的需求,预测出近期的太阳黑子数为20。
下面对本发明中的基于神经网络的短波中值场强预测装置进行详细描述,请参阅图8,本发明实施例中的基于神经网络的短波中值场强预测装置包括:
生成模块801,用于根据用户需求生成对应的用户指令,并根据所述用户指令选取短波场强预测的数据集;
训练模块802,用于根据所述生成模块801选取数据集,对神经网络进行训练;
预测模块803,用于根据所述生成模块801生成的用户指令,通过所述训练模块802训练后的神经网络预测模型对短波中值场强进行预测。
生成模块801用户需求生成对应的用户指令,并根据用户指令选取短波场强预测的数据集,训练模块802根据生成模块801选取的数据集,对神经网络进行训练,预测模型803根据生成模块801生成用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
本发明实施例中,通过基于大量历史数据的神经网络自学习过程,提高了短波中值场强预测的灵活性和准确性,同时在用户接口模块中增加了神经网络训练准则映射功能,按照一定规则将用户需求映射为特定的神经网络训练准则,由此实现预测网络的用户自定义,进一步增强了数值预测的灵活性和通用性。
可选地,在上述图8所对应的实施例的基础上,请参阅图9,本发明实施例提供的基于神经网络的短波中值场强预测装置的另一实施例中,所述基于神经网络的短波中值场强预测装置80还包括:
判断模块804,用于根据所述生成模块801生成的用户指令选取短波场强预测的数据集,判断所述数据集是否满足模型传输损耗影响因素;
处理模块806,用于若所述判断模块804判断满足所述模型传输损耗影响因素,则根据所述数据集进行归一化处理;
丢弃模块805,用于若所述判断模块804判断不满足所述模型传输损耗影响因素,则丢弃所述数据集。
其次,本发明实施例中,通过判断选取的数据集样本是否满足模型传输损耗影响因素,来决定是否使用所选数据集,如果不满足模型传输损耗影响因素则丢弃数据集,这样可以获取满足条件的数据集,使得方案更具有合理性,同时可操作性也得以提升。
可选地,在上述图9所对应的实施例的基础上,请参阅图10,本发明实施例提供的基于神经网络的短波中值场强预测装置的另一实施例中,
所述判断模块804,还用于判断所述归一化处理后,均方误差MSE是否达到预置的精度范围;
选取模块807,用于若所述判断模块804判断达到预置的精度范围,则从所述数据集中选取局部数据用于进行神经网络的训练;
所述处理模块806,还用于若所述判断模块804判断未达到预置的精度范围,则进行进一步归一化处理。
再次,本发明实施例中,针对归一化处理后的数据进行进一步的判断,判断MSE是否达到要求的精度范围内,如果不满足要求,则再进行归一化处理,满足要求后选取局部数据作为训练数据,这样可以提升学习效率,训练的精度也得到了保证,方案的实现效果更好。
可选地,在上述图10对应的实施例的基础上,参阅图11,本发明实施例提供的基于神经网络的短波中值场强预测装置另一实施例中,所述训练模块802包括:
判断单元8021,用于判断所述选取模块807选取的局部数据是否满足足够的置信空间,且相关性在预置区间内;
学习单元8022,用于若所述判断单元8021判断满足足够的置信空间,且相关性在预置区间内,则对所述局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习;
处理单元8023,用于若判断单元8021判断不满足足够的置信空间,且相关性不在预置区间内,则对所述局部数据进行属性降维处理。
进一步地,本发明实施例中,对局部数据在权值调整批处理模式下,采用LM算法进行神经网络的学习,可以使得性能参数MSE趋于更小,令网络训练达到更加稳定的状态,且收敛速度更快。对于不符合条件的局部数据进行属性降维处理,使得数据尽可能具备完整集的特征,因此方案在实现的过程中具有合理性,同时提高了预测的效率。
可选地,在上述图11对应的实施例的基础上,参阅图12,本发明实施例提供的基于神经网络的短波中值场强预测装置另一实施例中,所述训练模块802还包括优化单元8024,
所述判断单元8021,还用于判断网络稳定性与收敛速度是否达到第一预置值;
所述优化单元8024,用于若所述网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据所述级联神经网络结构选取网络节点数,对神经网络进行网络结构优化。
再进一步地,本发明实施例中,通过判断网络稳定性和收敛速度是否达到预置值,来达到优化网络结构的目的,如果未达到预置值,则继续使用拟牛顿算法进行学习。收敛速度快说明计算效率高,可以更快的得到精确结果,网络稳定性越好所预测的神经网络预测模型的精度也越高。与此同时,取合适的网络节点数据,一方面使网络存储模型具有足够的能力,可以高精度的学习样本,另一方面拥有泛化能力强的优势,具有很大的自由度和很强的数据处理能力,还可以有很强的数据外插能力。
可选地,在上述图12对应的实施例的基础上,本发明实施例提供的基于神经网络的短波中值场强预测装置另一实施例中,
所述判断单元8021,还用于判断训练耗时与MSE是否达到预置值;
所述优化单元8024,还用于若所述判断单元8021判断未达到预置值,则重新进行所述网络结构优化。
更进一步地,本发明实施例中,网络结构优化后需要判断训练耗时与MSE是否达到预置值,如果没有达到则继续进行网络结构的进一步优化,这样可以很大程度的增强训练后的神经网络预测模型的精度和准确度,使方案的实用性更强。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (18)
1.一种基于神经网络的短波中值场强预测***,其特征在于,包括:
用户接口模块、神经网络训练模块和短波中值场强预测模块;
所述用户接口模块用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块和短波中值场强预测模块;
所述神经网络训练模块用于根据接收到的所述参数形式的用户指令对神经网络进行训练;
所述短波中值场强预测模块用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
2.根据权利要求1所述的***,其特征在于,所述用户接口模块包括数据映射单元和用户接口单元;
所述用户接口模块用于根据用户需求生成参数形式的用户指令,将所述参数形式的用户指令发送至所述神经网络训练模块和短波中值场强预测模块,包括:
所述数据映射单元用于将所述用户需求映射成为所述参数形式的用户指令;
所述用户接口单元用于将所述参数形式的用户指令发送至所述神经网络训练模块和短波中值场强预测模块。
3.根据权利要求2所述的***,其特征在于,所述数据映射单元包括短波场强预测资源管理子单元;
所述数据映射单元用于将所述用户需求映射成为所述参数形式的用户指令,包括:
所述短波场强预测资源管理子单元用于存储标准化短波场强预测的数据资源。
4.根据权利要求1所述的***,其特征在于,所述神经网络训练模块包括用户指令第一接口单元、训练核心功能单元和网络预测模型接口单元;
所述神经网络训练模块用于根据接收到的所述参数形式的用户指令对神经网络进行训练,包括:
所述用户指令第一接口单元用于接收所述用户接口单元发送的所述参数形式的用户指令;
所述训练核心功能单元用于将所述用户指令以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型;
所述网络预测模型接口单元用于将所述神经网络预测模型发送至短波中值场强预测模块。
5.根据权利要求4所述的***,其特征在于,所述训练核心功能单元包括训练数据预处理子单元和网络预测模型构建子单元;
所述训练核心功能单元用于将所述用户指令以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型,包括:
所述训练数据预处理子单元用于接收所述用户指令第一接口单元发送的所述参数形式的用户指令,并进行参数预处理;
所述网络预测模型构建子单元用于将所述训练数据预处理子单元处理的数据,以输入参数及输出参数的形式进行神经网络训练,并建立对应的神经网络预测模型。
6.根据权利要求1所述的***,其特征在于,所述短波中值场强预测模块包括用户指令第二接口单元、预测模型接口单元和预测核心功能单元;
所述短波中值场强预测模块用于根据接收到的所述参数形式的用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测,包括:
所述用户指令第二接口单元用于接收所述用户接口单元发送的所述参数形式的用户指令;
所述预测模型接口单元用于接收所述网络预测模型接口单元发送的网络预测模型;
所述预测核心功能单元用于将所述用户指令以输入参数形式通过所述网络预测模型,预测输出短波中值场强。
7.一种基于神经网络的短波中值场强预测方法,其特征在于,包括:
根据用户需求生成对应的用户指令,并根据所述用户指令选取短波场强预测的数据集;
根据所述数据集,对神经网络进行训练;
根据所述用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
8.根据权利要求7所述的方法,其特征在于,所述根据用户需求生成对应的用户指令,并根据所述用户指令选取短波场强预测的数据集之后,所述方法还包括:
根据所述用户指令选取短波场强预测的数据集,判断所述数据集是否满足模型传输损耗影响因素;
若满足所述模型传输损耗影响因素,则根据所述数据集进行归一化处理;
若不满足所述模型传输损耗影响因素,则丢弃所述数据集。
9.根据权利要求8所述的方法,其特征在于,所述若满足所述模型传输损耗影响因素,则根据所述数据集进行归一化处理之后,所述方法还包括:
判断所述归一化处理后,均方误差MSE是否达到预置的精度范围;
若达到预置的精度范围,则从所述数据集中选取局部数据用于进行神经网络的训练;
若未达到预置的精度范围,则进行进一步归一化处理。
10.根据权利要求9所述的方法,其特征在于,所述根据所述数据集,对神经网络进行训练,包括:
判断所述局部数据是否满足足够的置信空间,且相关性在预置区间内;
若满足足够的置信空间,且相关性在预置区间内,则对所述局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习;
若不满足足够的置信空间,且相关性不在预置区间内,则对所述局部数据进行属性降维处理。
11.根据权利要求10所述的方法,其特征在于,所述若满足足够的置信空间,且相关性在预置区间内,则对所述局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习之后,所述方法还包括:
判断网络稳定性与收敛速度是否达到第一预置值;
若所述网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据所述级联神经网络结构选取网络节点数,对神经网络进行网络结构优化。
12.根据权利要求11所述的方法,其特征在于,所述若所述网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据所述级联神经网络结构选取网络节点数,对神经网络进行网络结构优化之后,所述方法还包括:
判断训练耗时与MSE是否达到第二预置值;
若未达到第二预置值,则重新进行所述网络结构优化。
13.一种基于神经网络的短波中值场强预测装置,其特征在于,包括:
生成模块,用于根据用户需求生成对应的用户指令,并根据所述用户指令选取短波场强预测的数据集;
训练模块,用于根据所述数据集,对神经网络进行训练;
预测模块,用于根据所述用户指令,通过训练后的神经网络预测模型对短波中值场强进行预测。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括:
判断模块,用于根据所述用户指令选取短波场强预测的数据集,判断所述数据集是否满足模型传输损耗影响因素;
处理模块,用于若满足所述模型传输损耗影响因素,则根据所述数据集进行归一化处理;
丢弃模块,用于若不满足所述模型传输损耗影响因素,则丢弃所述数据集。
15.根据权利要求14所述的装置,其特征在于,所述装置还包括选取模块,
所述判断模块,还用于判断所述归一化处理后,均方误差MSE是否达到预置的精度范围;
所述选取模块,用于若达到预置的精度范围,则从所述数据集中选取局部数据用于进行神经网络的训练;
所述处理模块,还用于若未达到预置的精度范围,则进行进一步归一化处理。
16.根据权利要求15所述的装置,其特征在于,所述训练模块包括:
判断单元,用于判断所述局部数据是否满足足够的置信空间,且相关性在预置区间内;
学习单元,用于若满足足够的置信空间,且相关性在预置区间内,则对所述局部数据采用列文伯格-马夸尔特法LM进行神经网络参数的学习;
处理单元,用于若不满足足够的置信空间,且相关性不在预置区间内,则对所述局部数据进行属性降维处理。
17.根据权利要求16所述的装置,其特征在于,所述训练模块还包括优化单元,
所述判断单元,还用于判断网络稳定性与收敛速度是否达到第一预置值;
所述优化单元,用于若所述网络稳定性与收敛速度未达到第一预置值,则选取级联神经网络结构,并根据所述级联神经网络结构选取网络节点数,对神经网络进行网络结构优化。
18.根据权利要求17所述的装置,其特征在于,
所述判断单元,还用于判断训练耗时与MSE是否达到第二预置值;
所述优化单元,还用于若未达到第二预置值,则重新进行所述网络结构优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510074683.XA CN105989407A (zh) | 2015-02-12 | 2015-02-12 | 一种基于神经网络的短波中值场强预测***、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510074683.XA CN105989407A (zh) | 2015-02-12 | 2015-02-12 | 一种基于神经网络的短波中值场强预测***、方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105989407A true CN105989407A (zh) | 2016-10-05 |
Family
ID=57041236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510074683.XA Pending CN105989407A (zh) | 2015-02-12 | 2015-02-12 | 一种基于神经网络的短波中值场强预测***、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105989407A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547131A (zh) * | 2018-11-21 | 2019-03-29 | 河海大学 | 一种预测海陆短波通讯网络传输损耗的简易方法 |
CN112836287A (zh) * | 2020-11-10 | 2021-05-25 | 华北电力大学 | 一种基于神经网络的电动汽车资源灵活性预测方法 |
CN117135639A (zh) * | 2023-08-09 | 2023-11-28 | 中国人民解放军61905部队 | 基于神经网络的无线通信覆盖预测方法、***及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1992010804A1 (en) * | 1990-12-14 | 1992-06-25 | Ktaadn, Inc. | Apparatus and method for predicting lightning |
CN1897573A (zh) * | 2006-06-30 | 2007-01-17 | 南京联创科技股份有限公司 | 基于神经网络改进算法的电信客户流失预测方法 |
CN102075352A (zh) * | 2010-12-17 | 2011-05-25 | 北京邮电大学 | 一种网络用户行为预测的方法和装置 |
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN102622418A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种基于bp神经网络的预测装置及设备 |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
CN102938742A (zh) * | 2012-11-08 | 2013-02-20 | 广东电网公司电力调度控制中心 | 基于电力业务需求的通信带宽预测方法及装置 |
CN103489038A (zh) * | 2013-09-09 | 2014-01-01 | 国家电网公司 | 基于lm-bp神经网络的光伏超短期功率预测方法 |
CN103746750A (zh) * | 2013-08-23 | 2014-04-23 | 西华大学 | 无线电监测电磁态势预测*** |
CN104007243A (zh) * | 2014-01-13 | 2014-08-27 | 上海市长宁区卫生局卫生监督所 | 应用反向传播神经网络模型评价游泳池水质的方法 |
-
2015
- 2015-02-12 CN CN201510074683.XA patent/CN105989407A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1992010804A1 (en) * | 1990-12-14 | 1992-06-25 | Ktaadn, Inc. | Apparatus and method for predicting lightning |
CN1897573A (zh) * | 2006-06-30 | 2007-01-17 | 南京联创科技股份有限公司 | 基于神经网络改进算法的电信客户流失预测方法 |
CN102075352A (zh) * | 2010-12-17 | 2011-05-25 | 北京邮电大学 | 一种网络用户行为预测的方法和装置 |
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN102622418A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种基于bp神经网络的预测装置及设备 |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
CN102938742A (zh) * | 2012-11-08 | 2013-02-20 | 广东电网公司电力调度控制中心 | 基于电力业务需求的通信带宽预测方法及装置 |
CN103746750A (zh) * | 2013-08-23 | 2014-04-23 | 西华大学 | 无线电监测电磁态势预测*** |
CN103489038A (zh) * | 2013-09-09 | 2014-01-01 | 国家电网公司 | 基于lm-bp神经网络的光伏超短期功率预测方法 |
CN104007243A (zh) * | 2014-01-13 | 2014-08-27 | 上海市长宁区卫生局卫生监督所 | 应用反向传播神经网络模型评价游泳池水质的方法 |
Non-Patent Citations (2)
Title |
---|
李亚伟: "基于神经网络的智能预测***研究与开发", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
林玉妹: "基于射线跟踪和神经网络的场强预测混合模型", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547131A (zh) * | 2018-11-21 | 2019-03-29 | 河海大学 | 一种预测海陆短波通讯网络传输损耗的简易方法 |
CN112836287A (zh) * | 2020-11-10 | 2021-05-25 | 华北电力大学 | 一种基于神经网络的电动汽车资源灵活性预测方法 |
CN117135639A (zh) * | 2023-08-09 | 2023-11-28 | 中国人民解放军61905部队 | 基于神经网络的无线通信覆盖预测方法、***及设备 |
CN117135639B (zh) * | 2023-08-09 | 2024-03-08 | 中国人民解放军61905部队 | 基于神经网络的无线通信覆盖预测方法、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Multi-armed bandit-based client scheduling for federated learning | |
CN110770761B (zh) | 深度学习***和方法以及使用深度学习的无线网络优化 | |
CN110401964A (zh) | 一种面向用户为中心网络基于深度学习的功率控制方法 | |
CN107172166A (zh) | 面向工业智能化服务的云雾计算*** | |
WO2021036414A1 (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 | |
Zaher et al. | Learning-based downlink power allocation in cell-free massive MIMO systems | |
CN112492691B (zh) | 一种深度确定性策略梯度的下行noma功率分配方法 | |
CN109991591B (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
CN111163487B (zh) | 通信波形综合传输性能评价方法及*** | |
Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
CN114723057A (zh) | 一种用于多接入边缘计算***的神经网络协同推理方法 | |
Tuba et al. | Energy efficient sink placement in wireless sensor networks by brain storm optimization algorithm | |
CN105989407A (zh) | 一种基于神经网络的短波中值场强预测***、方法及装置 | |
CN101399708B (zh) | 一种建立网络性能模型的方法和设备 | |
Bhandari et al. | Optimal Cache Resource Allocation Based on Deep Neural Networks for Fog Radio Access Networks | |
CN115103372A (zh) | 一种基于深度强化学习的多用户mimo***用户调度方法 | |
Zhang et al. | Bayesian and multi-armed contextual meta-optimization for efficient wireless radio resource management | |
Jiang et al. | An optimal stopping approach for iterative training in federated learning | |
CN114449536B (zh) | 一种基于深度强化学习的5g超密集网络多用户接入选择方法 | |
Gao et al. | An Efficient Approximation for Nakagami‐m Quantile Function Based on Generalized Opposition‐Based Quantum Salp Swarm Algorithm | |
Zappone et al. | Complexity-aware ANN-based energy efficiency maximization | |
TWI748794B (zh) | 基於類神經網路的波束選擇方法及管理伺服器 | |
EP3794861B1 (en) | Performance simulation of a distributed mimo antenna system | |
Tian et al. | Hierarchical federated learning with adaptive clustering on non-IID data | |
Zhang et al. | Beyond supervised power control in massive MIMO network: Simple deep neural network solutions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161005 |