The invention provides a selection method of shortwave communication frequency based on evolutionary neural network technology, used to solve the existing problems of the existing shortwave communication frequency selection method in frequency speed and frequency accuracy can't be taken into account. The method comprises the following steps: detecting data accumulated in the construction training samples; prediction model design of evolutionary neural network frequency quality; solution vector structure evolutionary neural network; particle swarm algorithm to train the network parameters, get the optimal model of evolutionary neural network prediction model of frequency quality; selecting a plurality of frequencies as the detection frequency of channel detection with optimal evolution neural network detection frequency quality, the highest score of the frequency as the best working frequency. The invention uses the model to predict the communication quality of all frequency in frequency evolutionary neural network quality, as the detection frequency frequency communication of the highest quality, under the premise of ensuring the accuracy of frequency, effectively improves the speed of frequency.
【技术实现步骤摘要】
基于进化神经网络的短波通信频率选择方法
本专利技术属于无线通信
,涉及一种短波通信频率选择方法,具体涉及一种基于进化神经网络的短波通信频率选择方法,可用于短波通信中的实时频率预测。
技术介绍
短波通信是一种利用电离层进行信息传输的无线通信技术。由于短波通信具有通信距离远、设备简单、成本低廉、抗毁能力强等优点,因此被广泛应用于军事通信、应急通信和海事通信等领域中。电离层的高度和电子密度受到季节、昼夜,地理位置和太阳活动的影响,信号经电离层反射会出现多径传播、频率选择性衰落和多普勒频移等现象,导致短波的通信质量不稳定。选择合适的工作频率对保证短波的通信质量来说至关重要。如果频率太高,则电波有可能穿透电离层,不能反射回接收站;如果频率太低,则电波在传输的过程中能量会很大程度上被电离层吸收,使得到达接收站的信号太弱,无法被接收机检测到。因此,有必要在通信之前选出一个合适的工作频率。国内外现有的频率选择方法,按其工作原理可分为两类:频率预测和频率探测。频率预测类方法一般通过构建电离层相关的特性参数模型,运用数学分析运算的方法来实现频率选择。汤军等于2013年在《电波科学学报》第28卷第3期发表的名称为“短波通信选频中的电离层同化短期预报方法”的论文,公开了一种基于卡尔曼同化技术的电离层特征参数短期预报方法,该方法以电离层观测网实时测量值为基础,对未来1~24h的电离层参量f0F2进行预报,然后通过经验公式转换得到具体通信链路的最高可用频率。这种选频方法虽然选频速度快,但需要经过转换才能得到具体通信链路的最佳工作频率,选频的精度较低。频率探测类方法一般利用探测设 ...
【技术保护点】
一种基于进化神经网络的短波通信频率选择方法,包括如下步骤:(1)构造训练样本集:读取短波通信系统日志文件中的历史记录,并对每一条历史记录HR进行归一化,得到训练样本集DateSet={(X
【技术特征摘要】
1.一种基于进化神经网络的短波通信频率选择方法,包括如下步骤:(1)构造训练样本集:读取短波通信系统日志文件中的历史记录,并对每一条历史记录HR进行归一化,得到训练样本集DateSet={(Xn,Yn)},其中,n为样本序号,且n=1,2,...,N,N为样本容量,Xn为第n个样本的输入向量,且为Xn的第d维分量,Yn为第n个样本的输出变量;(2)设计进化神经网络频率质量预测模型:包括一个输入层、M-1个隐含层和一个输出层,其中,输入层的神经元个数为l0,M-1个隐含层的神经元个数分别为l1,...,lm,...,lM-1,输出层的神经元个数为lM,隐含层神经元的激活函数为双曲正切函数tanh(x),输出层神经元的激活函数为线性函数lin(x),m为进化神经网络的层序号,且m=1,2,...,M,M为进化神经网络的层数,x为神经元激活函数的自变量;(3)构造进化神经网络的解向量x:对进化神经网络的权重和阈值按一定次序排列,实现对进化神经网络权重和阈值的编码,得到进化神经网络的解向量x,其中,km为进化神经网络第m层神经元的序号,且km=1,2,...,lm;(4)初始化粒子群算法的迭代次数t=0;(5)根据进化神经网络的解向量x,对粒子群算法的种群进行初始化,得到第t代粒子i的位置向量xi(t)、速度向量vi(t)、历史最优位置向量pbesti(t)和pbesti(t)的适应度fitpi(t),以及第t代整个种群的历史最优位置向量gbest(t)和gbest(t)的适应度fitg(t),其中,i为粒子群算法中粒子的序号,且i=1,2,...,PS,PS为粒子群算法的种群规模;(6)获取粒子群算法第t+1代粒子i的位置向量xi(t+1):(6a)根据粒子群算法第t代粒子i的位置向量xi(t)、速度向量vi(t)、历史最优位置向量pBesti(t)和第t代整个种群的历史最优位置向量gBest(t),对第t代粒子i速度向量vi(t)的每一维分量进行更新,得到粒子群算法第t+1代粒子i的速度向量vi(t+1);(6b)根据粒子群算法第t代粒子i的位置向量xi(t)和第t+1代粒子i的速度向量vi(t+1),对第t代粒子i位置向量xi(t)的每一维分量进行更新,得到粒子群算法第t+1代粒子i的位置向量xi(t+1);(7)评价粒子群算法第t+1代粒子i的位置向量xi(t+1),得到第t+1代粒子i位置向量xi(t+1)的适应度fitxi(t+1);(8)获取粒子群算法第t+1代粒子i的历史最优位置向量pBesti(t+1)和pBesti(t+1)的适应度fitpi(t+1)以及第t+1代整个种群的历史最优位置向量gBest(t+1)和gBest(t+1)的适应度fitg(t+1):(8a)判断fitxi(t+1)>fitpi(t+1)是否成立,若是,则令pBesti(t+1)=xi(t+1),fitpi(t+1)=fitxi(t+1);否则令pBesti(t+1)=pBesti(t),fitpi(t+1)=fitpi(t);(8b)判断fitxi(t+1)>fitg(t+1)是否成立,若是,则令gBest(t+1)=xi(t+1),fitg(t+1)=fitxi(t+1);否则令gBest(t+1)=gBest(t),fitg(t+1)=fitg(t);(9)判断是否执行局部搜索算子:判断mod(t,T)=0是否成立,若是,则执行局部搜索算子,得到局部最优解lBest和lBest的适应度fitl,并执行步骤(10);否则,执行步骤(12),其中,t为当前迭代次数,T为局部搜索算子的执行周期;(10)获取第t+1代适应度fitpi(t+1)最低的历史最优位置向量pBesti(t+1)和pBestb(t+1)的适应度fitpb(t+1):获取第t+1代适应度fitpi(t+1)最低的历史最优位置向量pBesti(t+1)的序号则第t+1代适应度fitpi(t+1)最低的历史最优位置为pBestb(t+1),pBestb(t+1)的适应度为fitpb(t+1);(11)比较局部最优解lBest的适应度fitl与历史最优位置向量pBesti(t+1)的适应度fitpb(t+1)的大小,并保留较大的适应度及其相应的向量:若fitl>fitpb(t+1),则令pBestb(t+1)=lbest,fitpb(t+1)=fitl;否则pBestb(t+1)和fitpb(t+1)保持不变;(12)判断粒子群算法是否满足迭代终止条件:令t=t+1,判断t≥MaxIt是否成立,若是,则粒子群算法的迭代终止,得到粒子群算法的最优解opt,opt=gbest(t);否则,执行步骤(6),其中,MaxIt是粒子群算法的最大迭代次数;(13)获得最优进化神经网络频率质量预测模型:采用与步骤(3)所述的对进化神经网络权重和阈值的编码相对应的方式,对粒子群算法的最优解opt进行解码,得到进化神经网络的最优权重和最优阈值即最优进化神经网络频率质量预测模型;(14)利用最优进化神经网络频率质量预测模型,预测短波通信系统预置频率表中所有频率在当前通信条件下的通信质量,并选出通信质量最高的若干个频率作为探测频率;(15)使用选出的若干个探测频率分别对信道进行探测并打分,并将探测分值最高的频率作为最佳工作频率。2.根据权利要求1所述的基于进化神经网络的短波通信频率选择方法,其特征在于,步骤(1)中所述的历史记录,其每一条历史记录HR为HR=(hr1,hr2,hr3,hr4,hr5,hr6,hr7,hr8,hr9),其中,hr1代表探测频率,hr2代表通信日期,hr3代表通信时间,hr4代表发射站经度,hr5代表发射站纬度,hr6代表接收站经度,hr7代表接收站纬度,hr8代表太阳黑子数月中值,hr9代表通信质量,hr2和hr3分别定义为:其中,Month为月份,且Month=1,2,...,12,Day为日,且Day=1,2,...,Days,Days为当年当月的天数,且Days=28,29,30,31,Hour为小时,且Hour=0,1,...,23,Minute为分钟,且Minute=0,1,...,59,Second为秒,且Second=0,1,...,59。3.根据权利要求1所述的基于进化神经网络的短波通...
【专利技术属性】
技术研发人员:朱晓明,彭地,周亚桥,王德丰,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。