本发明属于无线通信技术领域，更具体地，涉及一种智能短波频率跨频段实时预测方法及系统。
背景技术：
在实际短波通信中，受短波信道本身不稳定的影响，通信链路经常会突然中断，而下一个通讯效果好的频率的选择又很大程度上依赖于经验，实时性和可靠性都得不到保障，面对突发短波通信中断，处理方法有限。
基于神经网络的频率预测方法能依靠神经网络的非线性逼近能力对短波频率进行实时预测。但现有方法在实际使用中往往需要获取全频段的通信数据，不能基于已用频段数据进行跨频段预测，实用性不强。与此同时，受短波信道多变的影响，试验获取的同一频段的通信数据在很短的时间内也会剧烈变化，单个采样得到的数据不具有代表性，训练数据可信度不强。
技术实现要素：
针对现有技术的至少一个缺陷或改进需求，本发明提供了一种智能短波频率跨频段实时预测方法及系统，将通信中断频点处附近的其他建链可信度高的频点作为预测目标，可以减少神经网络在面对大量非线性数据时的训练复杂度，且预测目标更复合实际工作的设备操作需要。
为实现上述目的，按照本发明的第一方面，提供了一种智能短波频率跨频段实时预测方法，包括步骤：
获取短波通信的历史采样数据，利用所述历史采样数据训练基于神经网络的预测模型，所述预测模型用于根据某一频率的频率特征信息预测其他频率的通信质量；
根据不同频率间的相关性确定短波通信中断后下一可用频率的范围；
获取短波通信中断时刻的频率特征信息；
将短波通信中断时刻的频率特征信息输入到所述预测模型，获取所述范围内各个频率的通信质量；
选择所述范围内通信质量最好的频率作为短波通信中断后所选的下一可通频率。
优选的，根据不同频率间的相关性确定短波通信中断后下一可用频率的范围具体是：
采用皮尔逊相关系数方法计算根据不同频率间的相关系数r，计算公式为：
其中，xi,yi表示样本数据，
根据所述相关系数r确定短波通信中断后下一可用频率的范围。
优选的，所述短波通信中断时刻的频率特征信息包括：短波通信中断时刻的时间、断链频率以及中断前不同时刻的通信信噪比。
优选的，利用所述历史采样数据训练所述预测模型前，对所述历史采样数据进行预处理，所述预处理包括步骤：
对所述历史采样数据进行数据平滑处理，所述数据平滑处理是采用信噪比均值填充信噪比缺失的数据；
对经过所述数据平滑处理后的数据进行非线性单位换算，所述非线性单位换算是指单位为db的信噪比数据换算成信号功率与噪声功率的比值；
对经过所述非线性单位换算后的数据进行数据增强，以扩充训练样本。
优选的，所述预测模型包括分类网络和回归网络；
所述分类网络用于根据某一频率的频率特征信息预测其他频率下通信链路是否可通；
所述回归网络用于预测通信链路可通的频率的信噪比。
优选的，所述分类网络包括1个输入层、4个全连接层和1个输出层，所述分类网络的激活函数采用sigmoid函数，所述分类网络的目标函数采用交叉熵函数：
其中，h(x)表示信息熵，p(xi)表示该类别预测得到的概率。
优选的，所述回归网络包括1个输入层、5个全连接层和一个输出层，所述回归网络的激活函数采用relu函数，所述回归网络的自适应学习率为0.01至0.0005。
优选的，所述回归网络的目标函数为：
其中，ypre为网络预测值，yi为实际值，n为样本数量。
优选的，所述范围为与中断时刻的频率相差2mhz以内的频率。
按照本发明的第二方面，提供了一种智能短波频率跨频段实时预测系统，包括：
预训练模块，用于获取短波通信的历史采样数据，利用所述历史采样数据训练基于神经网络的预测模型，所述预测模型用于根据某一频率的频率特征信息预测其他频率的通信质量；
相关性计算模块，用于根据不同频率间的相关性确定短波通信中断后下一可用频率的范围；
中断频率特征信息采集模块，用于获取短波通信中断时刻的频率特征信息；
预测模块，用于将短波通信中断时刻的频率特征信息输入到所述预测模型，获取所述范围内各个频率的通信质量；
输出模块，用于选择所述范围内通信质量最好的频率作为短波通信中断后所选的下一可通频率。
总体而言，本发明与现有技术相比，具有有益效果：在用神经网络拟合短波频率变化规律的基础上，结合实际选频操作流程，改变传统神经网络学习目标，即不将全时段全频段的频率选择作为预测目标，而是依据实际短波通信过程的选频痛点，将通信中断频点处附近的其他建链可信度高的频点作为预测目标。在短波通信中断时，直接选取这些频点中的最佳频点作为下一可通频点，实现跨频段预测，通过这种方式减少神经网络在面对大量非线性数据时的训练复杂度，且预测目标更复合实际工作的设备操作需要。
附图说明
图1是本发明实施例提供的应用场景图；
图2是本发明实施例提供的方法原理示意图；
图3是本发明实施例提供的数据相关性验证结果图；
图4为本发明实施例提供的数据进行非线性变换后的波形对比图；
图5为本发明实施例提供的预测网络的结构图；
图6为本发明实施例提供的预测模块神经网络结构示意图；
图7为本发明实施例提供的预测网络的训练误差趋势图；
图8为本发明实施例提供的部分预测结果波形对照图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本发明实施例提供的一种智能短波频率跨频段实时预测方法的应用场景图。对于常用的神经网络预测方法，为了预测某一频率点的通信质量，需要根据该频率点的历史数据来进回归预测，如图1(a)所示；在实际频率优选过程中，需要对全频带的通信质量进行预测，并选择通信质量最好的频点，最终得到预测的通信频率。使用这种方法需要提前获得全频段的通信质量数据，如图1(b)所示；实际通信在现有频率可通的情况下不会刻意对其他频段通信质量进行数据采集。预测缺乏全频段数据。本发明提出的跨频段预测方法的主要思路为：改变神经网络预测方式，利用可通频段历史数据预测其他频段的通信效果，实现跨频段预测。如图1(c)所示；在实际通信过程中，通过挖掘相邻频点间的相关性，可以将中断频点附近其他频点的通信效果作为预测目标，从而缩小频段预测范围，提高输入信息量，有效提高预测的精度。如图1(d)所示。
图2为本发明实施例提供的一种智能短波频率跨频段实时预测方法的原理示意图，该方法包括步骤s1至s5。
s1，获取短波通信的历史采样数据，利用历史采样数据训练基于神经网络的预测模型，预测模型用于根据某一频率的频率特征信息预测其他频率的通信质量。
只需要在预训练时采集历史采样数据，后续短波通信中断时刻进行预测时不需要采集全频段的通信质量数据。而现有技术中的预测方法通常进行预测时不需要采集全频段的通信质量数据。
从历史采样数据提取多个采样点的频率特征信息。频率特征信息优选包括通信时间、通信频率和通信质量。通信质量优选采用信噪比数据。
通过神经网络的预测功能，对每个采样的短波频率附近其他频点的通信质量进行回归训练。具体是把频率特征数据输入神经网络；经过反向传播和逐步迭代获得训练好的预测网络g；预测网络g可以拟合不同时间下的频率-信噪比波形关系。
s2，根据不同频率间的相关性确定短波通信中断后下一可用频率的范围，记为df。
通过对历史数据的每一个频点与全频段频点做相关性计算寻找与通信中断频点处频率特性相关性较强的其他频点，为步骤s4预测下一可用频率提供了一个频率范围，而不需要在全频段选取下一可用频率。
s3，获取短波通信中断时刻的频率特征信息。
只需要获取短波通信中断时刻的频率特征信息作为分类模型的输入。短波通信中断时刻的频率特征信息和上述进行预训练数据的类型相同，优选包括短波通信中断时刻的时间、断链频率以及中断前不同时刻的通信信噪比。优选通信中断发生时的时间；通信中断时刻的断链频率；通信中断发生前一小时的通信信噪比；通信中断发生前两小时的通信信噪比；通信中断发生前一天的通信信噪比。
短波通信中断时刻的频率特征信息会随通信中断时间地点电离层变化而变化。
s4，将短波通信中断时刻的频率特征信息输入到预测模型，获取中断频率附近df范围内各个频率的通信质量。
将短波通信中断时刻的频率特征信息输入到预测模型，即可获得中断频率附近df范围内其他频率的通信质量。
s5，选择中断频率附近df范围内通信质量最好的频率作为短波通信中断后所选的下一可通频率。
下面具体说明步骤s2的优选实现方式。
图3为本发明实施例提供的一种智能短波频率跨频段实时预测方法的数据相关热力图，根据本发明实施例的选频方法，首先要确定通信中断处附近的可通频点的选择范围，我们发现下一可通频率一般是在通信中断处附近以一定的规律分布着，彼此之间具有一定的相关性。相关联的数据才具有可预测的可能，对现有的数据的每一个频点于全频段频点做相关性验证，获得可通频点的选择范围。该方法包括：
使用皮尔逊相关系数作为量化相关的方法，两个变量之间的皮尔逊相关系数定义为变量之间的协方差与标准差的商：
对于样本数据皮尔逊相关系数可以由上式推演为：
其中，xi,yi表示样本数据，
假设利用一个月的历史采样数据去计算相关热力图，结果如图3所示，可知，数据中某频点与其附近频点相关性较强(热力图较亮)的范围为20个左右的采样点，即频点附近2mhz范围。进而可以推知某频点的信噪比特性是与附近2mhz的数据高度相关的。由此，优选采用中断频率附近2mhz的频率范围可以作为预测该频点信噪比特性的输入。如果有大量的历史数据做支撑，可以一次全部投入计算，得到适用大部分条件下的范围。如果数据量有限，可以间断性地采集全频段全时段数据(如每月一次)，以应对电离层随时间的变化，使预测更加准确。
下面具体说明步骤s1的优选实现方式。
利用历史采样数据训练预测模型前，对历史采样数据进行预处理，预处理包括步骤：
对历史采样数据进行数据平滑处理。受电离层信道随机波动影响，同一频率下的通信信噪比会在很短时间内剧烈变化。同时受采样方法的限制，在某一频率上的信噪比只采集一次，严重影响非有效值处的数据可信度。使用信噪比均值填充的方法将数据中信噪比疑似缺失的部分填补上。
对经过数据平滑处理后数据进行非线性单位换算。图4为本发明实施例提供的一种智能短波频率跨频段实时预测方法的数据预处理进行非线性变换后的波形对比图。由于所采数据信噪比单位为db，所以理论上信号不通处的信噪比数据为-∞db。梯度差较大的波形数据不适合使用神经网络去预测，所以将信噪比数据换算成ps/pn的比例单位，即信号功率与噪声功率的比值。同时，由于换算公式指数形式是非线性变换，使得变换完的信号波形在描述信噪比高的地方更加有优势，这和我们的预测目标不谋而合。
对经过非线性单位换算后的数据进行数据增强(mix-up)。由于原始数据的采集具有采样间隔，在间隔内的频点特性不好描述，使用mix-up的方法对数据进行数据增强。这种线性建模能提高模型的泛化性能。
数据增强的计算公式为：
其中，δ是一个融合比例，取值范围为0到1。xi，yi表示未增强前的样本数据，
优选从处理好的数据中以测试数尽量不在一天的原则下随机选取10％的数据作为测试集样本，剩余的数据经过mix-up数据增强后作为训练集样本。
图5为本发明实施例提供的预测模型网络结构示意图，该结构包括：
分类模块：用于根据某一频率的频率特征信息预测其他频率下通信链路是否可通。即将输入数据首先预测为链路可通和不可通两类，分别预测以提高网络效率。对于不可通的一类输出直接为0，代表接收信噪比为负无穷，此频点不可通。
回归模块：用于预测通信链路可通的频率的信噪比。即对于可通的一类数据，直接输入到经过训练好的回归网络，得到预测的波形。
综合分类模块和回归模块的输出，得到该输入频率附近其他频点在全频段(3-30mhz)上的信噪比波形。
进而可以通过计算得出该输入附近的最佳通信信噪比频点，作为网络的输出。
图6为本发明实施例提供的预测模型神经网络结构示意图，其中第k个神经元的输出为：
y(k)＝[g(w1·x)+b1][g(w2·x)+b2]...[g(wl·x)+bl]·βk+b2|k|
其中，g(·)表示激励函数，wi∈rn，bi∈rn，i＝1,…,l表示隐含层中第i个神经元的输入权值。βk∈rl，k＝1,..,m表示输出层中第k个神经元输入权值。
该结构包括：
分类网络：包含一层输入层，四层全连接层(64个节点)，一层输出层，激活函数选择‘sigmoid’函数，目标函数为交叉熵函数：
回归网络：包含一层输入层，五层全连接层(64个节点)，一层输出层，激活函数选择‘relu’函数，自适应学习率为0.01-0.0005。
度量学习机制：根据我们对频率预测的侧重点的不同，引入度量学习机制。由于本发明是通过计算不同频点的最大信噪比来频率优选的，提高对高信噪比的度量可以使得预测网络更注重对信噪比高的频点的拟合。度量学习有众多模型，本发明实施例着重在神经网络的损失函数中使用度量学习。一般来讲，用于序列预测的回归网络使用的损失函数为均方误差(mse)函数：
本发明实施例在mse的基础上加入对较高yi的度量，更改回归网络的损失函数为：
其中，ypre为网络预测值，yi为实际值，n为样本数量。
即对于信噪比比例大于1(snr大于0db)的信号误差给予一个增幅，使其在反向传播中占有更大的地位。对于信噪比比例小于1(snr小于0db)的信号给予一个衰减，使其在反向传播中占有更小的地位。这样使得网络对于信噪比较大的信号误差更加敏感。
另外在在建立的神经网络的每个隐藏层中加入dropout或正则化技术防止过拟合问题。dropout以概率舍弃神经元，改变了网络本身的结构从而使得模型的泛化效果更好。正则化是通过对原目标函数加上一个和项来限制参数大小。本文使用更适用与防止过拟合的l2正则化，对应的惩罚项为l2范数：
从上式可以看出，l2正则化通过让原目标函数加上了所有特征系数的平方和来实现正则化。
图7为本发明实施例提供的预测模型的训练误差趋势图。
样本集数据为武汉—北京通信链路在2019年10月份的历史信噪比数据，选取时间、频率、当前时刻信噪比、一小时前信噪比、两小时前信噪比、一天前信噪比作为输入特征。处理成以小时为单位的多组全频段短波通信数据，并测试数据以尽量不在一天的原则下随机选取10％的数据作为测试样本，剩余的数据经过mix-up数据增强后作为训练样本。
从训练的误差函数曲线图可以看出，测试集误差与训练集误差下降趋势相近并最终趋于收敛，预测网络能够拟合短波选频问题的非线性变化规律，并具有良好的泛化能力。
图8为本发明实施例提供的智能短波频率跨频段实时预测方法的预测结果波形对照图。
回归网络结果对于测试集预测结果误差在8％-12％范围内，平均误差rmse为0.25。由于原始数据为换算成比例单位，将误差换算成以db为单位后，对于我们较为关心的信噪比大于0的数据，rmse范围为0.96db-2.23db。且因换算公式的非线性，对于信噪比越高(越关心)的频点，预测误差越低，信噪比越低(越不关心)的频点，预测误差越高。
综上，本发明实施例提出的一种短波通信中断附近可通频率预测方法，充分考虑了短波高速变化的频谱环境和实际选频的操作情况，在短波通信中断的情况下，使用本方法可以以较好的效果选取下一可通频率。
本发明实施例的一种智能短波频率跨频段实时预测系统，包括：
预训练模块，用于获取短波通信的历史采样数据，利用历史采样数据训练基于神经网络的预测模型，预测模型用于根据某一频率的频率特征信息预测其他频率的通信质量；
相关性计算模块，用于根据不同频率间的相关性确定短波通信中断后下一可用频率的范围；
中断频率特征信息采集模块，用于获取短波通信中断时刻的频率特征信息；
预测模块，用于将短波通信中断时刻的频率特征信息输入到预测模型，获取范围内各个频率的通信质量；
输出模块，用于选择范围内通信质量最好的频率作为短波通信中断后所选的下一可通频率。
系统的实现原理、技术效果与上述方法相同，此处不再赘述。
必须说明的是，上述任一实施例中，方法并不必然按照序号顺序依次执行，只要从执行逻辑中不能推定必然按某一顺序执行，则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
1.一种智能短波频率跨频段实时预测方法，其特征在于，包括步骤：
获取短波通信的历史采样数据，利用所述历史采样数据训练基于神经网络的预测模型，所述预测模型用于根据某一频率的频率特征信息预测其他频率的通信质量；
根据不同频率间的相关性确定短波通信中断后下一可用频率的范围；
获取短波通信中断时刻的频率特征信息；
将短波通信中断时刻的频率特征信息输入到所述预测模型，获取所述范围内各个频率的通信质量；
选择所述范围内通信质量最好的频率作为短波通信中断后所选的下一可通频率。
2.如权利要求1所述的一种智能短波频率跨频段实时预测方法，其特征在于，根据不同频率间的相关性确定短波通信中断后下一可用频率的范围具体是：
采用皮尔逊相关系数方法计算根据不同频率间的相关系数r，计算公式为：
其中，xi,yi表示样本数据，
根据所述相关系数r确定短波通信中断后下一可用频率的范围。
3.如权利要求1所述的一种智能短波频率跨频段实时预测方法，其特征在于，所述短波通信中断时刻的频率特征信息包括：短波通信中断时刻的时间、断链频率以及中断前不同时刻的通信信噪比。
4.如权利要求1所述的一种智能短波频率跨频段实时预测方法，其特征在于，利用所述历史采样数据训练所述预测模型前，对所述历史采样数据进行预处理，所述预处理包括步骤：
对所述历史采样数据进行数据平滑处理，所述数据平滑处理是采用信噪比均值填充信噪比缺失的数据；
对经过所述数据平滑处理后的数据进行非线性单位换算，所述非线性单位换算是指单位为db的信噪比数据换算成信号功率与噪声功率的比值；
对经过所述非线性单位换算后的数据进行数据增强，以扩充训练样本。
5.如权利要求1所述的一种智能短波频率跨频段实时预测方法，其特征在于，所述预测模型包括分类网络和回归网络；
所述分类网络用于根据某一频率的频率特征信息预测其他频率下通信链路是否可通；
所述回归网络用于预测通信链路可通的频率的信噪比。
6.如权利要求5所述的一种智能短波频率跨频段实时预测方法，其特征在于，所述分类网络包括1个输入层、4个全连接层和1个输出层，所述分类网络的激活函数采用sigmoid函数，所述分类网络的目标函数采用交叉熵函数：
其中，h(x)表示信息熵，p(xi)表示该类别预测得到的概率。
7.如权利要求5所述的一种智能短波频率跨频段实时预测方法，其特征在于，所述回归网络包括1个输入层、5个全连接层和一个输出层，所述回归网络的激活函数采用relu函数，所述回归网络的自适应学习率为0.01至0.0005。
8.如权利要求5所述的一种智能短波频率跨频段实时预测方法，其特征在于，所述回归网络的目标函数为：
其中，ypre为网络预测值，yi为实际值，n为样本数量。
9.如权利要求5所述的一种智能短波频率跨频段实时预测方法，其特征在于，所述范围为与中断时刻的频率相差2mhz以内的频率。
10.一种智能短波频率跨频段实时预测系统，其特征在于，包括：
预训练模块，用于获取短波通信的历史采样数据，利用所述历史采样数据训练基于神经网络的预测模型，所述预测模型用于根据某一频率的频率特征信息预测其他频率的通信质量；
相关性计算模块，用于根据不同频率间的相关性确定短波通信中断后下一可用频率的范围；
中断频率特征信息采集模块，用于获取短波通信中断时刻的频率特征信息；
预测模块，用于将短波通信中断时刻的频率特征信息输入到所述预测模型，获取所述范围内各个频率的通信质量；
输出模块，用于选择所述范围内通信质量最好的频率作为短波通信中断后所选的下一可通频率。
技术总结