一种基于机器学习的电磁环境复杂度评估方法及系统技术方案

本发明专利技术公开了一种基于机器学习的电磁环境复杂度评估方法及系统，属于电磁场与微波领域技术领域，包括以下步骤：S1：信号采集；S2：时频变换；S3：评估指标选择；S4：利用模型评估。本发明专利技术利用极限学习机集成模型对电磁环境复杂度进行评估，使评估结果更加精确；并且通过对增量极限学习机、剪枝型极限学习机进行平行训练，再将两个网络输出的加权平均作为极限学习机集成模型最终的输出值，使隐含层节点的数量更加合理，提高了极限学习机集成模型最终的鲁棒性和泛化性，值得被推广使用。

【技术实现步骤摘要】
一种基于机器学习的电磁环境复杂度评估方法及系统
本专利技术涉及电磁场与微波
，具体涉及一种基于机器学习的电磁环境复杂度评估方法及系统。
技术介绍
随着电磁环境信号数量增加，电磁环境越来越复杂，对电子系统的影响也越来越大，复杂电磁环境问题也开始逐步得到人们的重视。电磁环境中的电磁信号可通过多种途径进入电子信息系统，如果各类干扰信号进入了系统，而系统又无法有效地消除干扰信号，则干扰信号必将影响电子信息系统的正常工作。如今，许多重大安全事故中暴露出的问题清晰无误地表明，复杂电磁环境对电子信息系统的严重影响已经扩大为对社会发展与公共安全的严重威胁。针对电磁环境难以评定，尤其是电磁环境与电子信息系统相互影响、紧密耦合情况下电磁环境复杂性难以度量的问题，开展电磁环境复杂性度量方法的研究，为复杂电磁环境评定和模拟提供方法依据，是十分必要的。极限学习机网络作为高效的机器学习算法，能够较好地解决电磁环境复杂度评估。极限学习机属于单隐层前馈式神经网络，通过随机给定神经元的权值，对隐含层求逆与训练输出相乘来计算输出权值，网络的训练过程就完成，不再去调整网络中的参数，用这种方法构造的神经网络能逼近任何连续的系统，从而得到的广泛应用，但是在电磁环境复杂度评估的应用中，存在一些缺点。极限学习机的隐含层节点的数目需要人工设置，神经网络隐含层节点(神经元)的设置会一定程度的影响网络的性能。也就是说，不合理的隐含层数目的选取会导致网络的泛化性能下降。在实际应用时，选取隐含层节点的数目需要通过多次尝试才能获得。极限学习机的隐含层节点是随机生成的，过多的隐含层节点中难免会出现一些作用非常小或几乎不起作用的节点。过多的隐含层节点会在训练学习的过程中出现过拟合现象，使得训练精度和测试的精度不一致，降低了网络的鲁棒性和泛化性。因此，提出一种基于机器学习的电磁环境复杂度评估方法及系统。
技术实现思路
本专利技术所要解决的技术问题在于：如何更好地对电磁环境复杂度进行评估，提高评估的准确度，提供了一种基于机器学习的电磁环境复杂度评估方法。本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：S1：信号采集利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；S2：时频变换通过傅里叶级数和傅里叶变换将步骤S1中采集到的电磁信号参数由时域变换到频域；S3：评估指标选择选择电磁信号的多项参数作为评估指标；S4：利用模型评估将步骤S3中的评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果。更进一步地，在所述步骤S1中，电磁信号的参数分别为中心频率、信号带宽、场强大小、驻留时间，对其进行精确测量并存储，为评估方法流程的下一步提供数据。更进一步地，在所述步骤S3中，选择的评估指标分别为电磁信号的时域占用度、频域占用度、能量占用度、频率重合度、信号调制格式、信道占用度、背景噪声强度，选择上述评估指标可以从分别从时域、频域两个维度进行全面评估。其中时域占用度是在时域的评估，其它指标都是在频域的评估。更进一步地，在所述步骤S4中，极限学习机集成模型通过对增量极限学习机与剪枝型极限学习机进行平行训练形成，所述极限学习机集成模型的输出值(即评估结果)为所述增量极限学习机与所述剪枝型极限学习机输出值的加权平均，权重系数均为0.5。更进一步地，所述增量极限学习机的训练过程如下：S411：初始化设置隐含层节点数为零，设定误差目标；S412：不断向网络中增加隐含节点进行训练，当隐含节点数增加到可达到设定误差目标时确定为极限学习机网络的隐含节点数，即确定网络结构。更进一步地，在所述增量极限学习机的训练过程中，设训练样本为激活函数为g(·)，隐含层节点的输出函数为G(w,b,x)，最大隐含层的节点数为Lmax，期望训练误差为ε。更进一步地，所述剪枝型极限学习机的训练过程如下：S421：初始化一个含有多个隐含层节点的极限学习机网络；S422：根据隐含层节点的评价函数，计算每个隐含层节点的评价值，按照评价值从高到低进行排序；S423：不断移除评价值最低的隐含层节点，计算此时神经网络的训练误差直到满足停止条件，即为满足加上该节点就可以达到训练误差要求，删除该节点则达不到训练误差要求，算法停止。更进一步地，在所述剪枝型极限学习机的训练过程中，训练样本为其中，d1、d2均为输入样本的维数。本专利技术还提供了一种基于机器学习的电磁环境复杂度评估系统，包括：信号采集模块，用于利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；时频变换模块，用于通过傅里叶级数和傅里叶变换将采集到的电磁信号参数由时域变换到频域；评估指标选择模块，用于选择电磁信号的多项参数作为评估指标；评估模块，用于将评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果；中央处理模块，用于向其他模块发出指令，完成相关动作；所述信号采集模块、时频变换模块、评估指标选择模块、评估模块均与中央处理模块电连接。本专利技术相比现有技术具有以下优点：该基于机器学习的电磁环境复杂度评估方法，利用极限学习机集成模型对电磁环境复杂度进行评估，使评估结果更加精确；并且通过对增量极限学习机、剪枝型极限学习机进行平行训练，再将两个网络输出的加权平均作为极限学习机集成模型最终的输出值，使隐含层节点的数量更加合理，提高了极限学习机集成模型最终的鲁棒性和泛化性，值得被推广使用。附图说明图1是本专利技术实施例一中电磁环境复杂度评估方法的流程示意图；图2是本专利技术实施例二中电磁环境复杂度评估方法的实施流程示意图。具体实施方式下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例一如图1所示，本实施例提供一种技术方案：一种基于机器学习的电磁环境复杂度评估方法，包括以下步骤：S1：信号采集利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；S2：时频变换通过傅里叶级数和傅里叶变换将步骤S1中采集到的电磁信号参数由时域变换到频域；S3：评估指标选择选择电磁信号的多项参数作为评估指标；S4：利用模型评估将步骤S3中的评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果。在所述步骤S1中，电磁信号的参数分别为中心频率、信号带宽、场强大小、驻留时间，对其进行精确测量并存储，为评估方法流程的下一步提供数据。在所述步骤S3中，选择的评估指标分别为电磁信号的时域占用度、频域占用度、能量占用度、频率重合度、信号调制格式、信道占用度、背景噪声强度。选本文档来自技高网...

【技术保护点】
1.一种基于机器学习的电磁环境复杂度评估方法，其特征在于，包括以下步骤：/nS1：信号采集/n利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；/nS2：时频变换/n通过傅里叶级数和傅里叶变换将步骤S1中采集到的电磁信号参数由时域变换到频域；/nS3：评估指标选择/n选择电磁信号的多项参数作为评估指标；/nS4：利用模型评估/n将步骤S3中的评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果。/n

【技术特征摘要】
1.一种基于机器学习的电磁环境复杂度评估方法，其特征在于，包括以下步骤：
S1：信号采集
利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；
S2：时频变换
通过傅里叶级数和傅里叶变换将步骤S1中采集到的电磁信号参数由时域变换到频域；
S3：评估指标选择
选择电磁信号的多项参数作为评估指标；
S4：利用模型评估
将步骤S3中的评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果。


2.根据权利要求1所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：在所述步骤S1中，电磁信号的参数分别为中心频率、信号带宽、场强大小、驻留时间。


3.根据权利要求1所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：在所述步骤S3中，选择的评估指标分别为电磁信号的时域占用度、频域占用度、能量占用度、频率重合度、信号调制格式、信道占用度、背景噪声强度。


4.根据权利要求1所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：在所述步骤S4中，极限学习机集成模型通过对增量极限学习机与剪枝型极限学习机进行平行训练形成，所述极限学习机集成模型的输出值为所述增量极限学习机与所述剪枝型极限学习机输出值的加权平均。


5.根据权利要求4所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：所述增量极限学习机的训练过程如下：
S411：初始化设置隐含层节点数为零，设定误差目标；
S412：不断向网络中增加隐含节点进行训练，当隐含节点数增加到可...

【专利技术属性】
技术研发人员：戴承，温夕林，谷晓鹏，方子成，杨众博，刘东鹏，王锐，
申请(专利权)人：合肥博雷电气有限公司，
类型：发明
国别省市：安徽;34