本发明专利技术公开了一种基于联邦学习的短波频谱预测方法。考虑一个无线网络，该网络内部有一个全局用户、多个本地用户。在动态未知的短波频谱环境中，全局用户利用基于联邦学习的频谱预测方法挖掘短波频谱规律，预测最大可用频谱；为避免模型训练过程中本地用户模型对全局用户的精确度产生干扰，引入了长短时记忆网络，设计了复杂环境下训练本地模型选择最大可用频谱，待本地模型训练完毕本地用户再与全局用户进行交互，保证全局用户能够精确地融合本地用户模型，进而较为准确地提取频谱规律，获得较好的最大可用频率预测值。本发明专利技术模型完备，物理意义清晰，算法设计合理有效，能够很好地刻画基于联邦学习的短波频谱预测场景。地刻画基于联邦学习的短波频谱预测场景。地刻画基于联邦学习的短波频谱预测场景。
【技术实现步骤摘要】
一种基于联邦学习的短波频谱预测方法及预测模块
[0001]本专利技术属于无线通信
，特别是一种基于联邦学习的短波频谱预测方法及预测模块。
技术介绍
[0002]短波通信因为通过电离层传播可实现远距离传输的特点而在商业乃至军事领域中得到广泛运用(参考文献，Wang J,Yang C,An W.Regional Refined Long
‑
term Predictions Method of Usable Frequency for HF Communication Based on Machine Learning over Asia[J].IEEE Transactions on Antennas and Propagation,2021.)。但是，通过短波电离层信道传播信息，一直面临着通信质量差、信号不稳定等问题。如何提高短波频谱的利用率，改善通信质量，成为了当前短波通信的一大焦点。
[0003]对短波的最大可用频率进行预测可减小选频时间，提高短波通信的可通率和通信质量(参考文献，Wang J,Shi Y,Yang C,et al.A review and prospects of operational frequency selecting techniques for HF radio communication[J].Advances in Space Research,2022.)。当前对电离层相关探测方法有垂直探测和斜测两种方法(参考文献，Kouba D,P K.Ionospheric vertical drift response at a mid
‑
latitude station[J].Advances in Space Research,2016,58(1):108
‑
116.)。近年来深度学习用于频谱预测取了了很大的发展(参考文献，Lin F,Chen J,Sun J,et al.Cross
‑
band spectrum prediction based on deep transfer learning[J].China Communications,2020,17(2):66
‑
80.)。然而，对于单一预测模型，考虑到泛化能力和预测精度的矛盾以及不同地域间存在时空关联的电离层参数，既要保证对细粒度区域的精准预测又要兼顾粗粒度区域整体电离层演化规律的学习是比较困难的。联邦学习(Federated Learning)给上述矛盾与需求提出了一个较好的解决方案(参考文献，Jiao Y,Wang P,Niyato D,et al.Toward an automated auction framework for wireless federated learning services market[J].IEEE Transactions on Mobile Computing,2020,20(10):3034
‑
3048.)。
[0004]基于联邦学习的预测方法在保护用户隐私的同时，提高了预测速度[12](参考文献，Tehseen R,Farooq M S,Abid A.A framework for the prediction of earthquake using federated learning[J].PeerJ Computer Science,2021,7:e540.)。
技术实现思路
[0005]本专利技术的目的在于提供一种基于联邦学习的短波频谱预测方法及预测模块，有效避免了通过传统的预测方法暴露用户隐私、增大通信损耗的缺陷。
[0006]一种基于联邦学习的短波频谱预测方法，包括以下步骤：
[0007]步骤1：对过去一段时间里多个地点的频谱数据进行采集、分析与补全；
[0008]步骤2：对步骤1处理后的数据集进行划分、标准化与重构；
[0009]步骤3：构建本地训练的神经网络模型，用以训练步骤2处理好的数据集；
[0010]步骤4：构建用以融合本地训练模型的联邦算法，并将更新后的模型下发至各本地用户，更新本地模型，并进行预测；
[0011]循环执行步骤3～4，直至生成的模型达到收敛状态，预测值与真实值基本重合，将训练好的全局模型保存并用以预测全局内的短波最大可用频率。
[0012]本专利技术在动态未知的短波频谱环境中，全局用户利用基于联邦学习的频谱预测方法挖掘短波频谱规律，预测最大可用频谱；为避免模型训练过程中本地用户模型对全局用户的精确度产生干扰，引入了长短时记忆网络，设计了复杂环境下训练本地模型选择最大可用频谱，待本地模型训练完毕本地用户再与全局用户进行交互，保证全局用户能够精确地融合本地用户模型，进而较为准确地提取频谱规律，获得较好的最大可用频率预测值。
[0013]首先，对数据集进行采集、分析、处理，得到可以直接进行训练的数据集。其次，建立适用于短波频谱预测的神经网络模型。然后，将本地模型与全局网络进行联接，得到全网的训练模型。最后，对训练好的模型进行实际预测使用。
[0014]本专利技术与现有技术相比，其显著优点在于：(1)本专利技术可较好地解决在某地历史频谱数据受限的情况下，通过全网内其他用户训练模型的融合进行预测；(2)通过引入联邦学习的方法，使得在预测时保护用户隐私，降低通信量。
附图说明
[0015]图1是本专利技术中基于联邦学习的短波频谱预测的系统模型图。
[0016]图2是本专利技术中联邦学习的训练流程图。
[0017]图3是本专利技术中纯本地训练和联邦学习训练预测效果对比图。
[0018]图4是本专利技术中漠河、三亚、武汉、北京四个地区的最大可用频率预测效果图。
[0019]图5是本专利技术中漠河、三亚、武汉、北京四个地区的最大可用频率频谱预测图。
[0020]图6是本专利技术中漠河、三亚、武汉、北京四个地区的全局训练轮数与训练损失值之间的关系图。
[0021]图7是本专利技术中漠河、三亚、武汉、北京四个地区的训练轮数与测试损失值之间的关系图。
[0022]图8是本专利技术中漠河、三亚、武汉、北京四个地区的训练窗口与测试损失值之间的关系图。
[0023]图9是本专利技术中漠河、三亚、武汉、北京四个地区的训练集占比与测试损失值之间的关系图。
具体实施方式
[0024]一种基于联邦学习的短波频谱预测方法，建立一个无线网络，该网络内部有一个全局用户、多个本地用户。包括如下步骤：
[0025]步骤1：对过去一段时间里多个地点的频谱数据进行采集、分析与补全；具体过程为：
[0026]每小时测试次多个地点的短波电离层最大可用频率，测试时间不少于一年，缺失数值采用lasso回归插值进行补全。采用lasso回归插值的方法，即最小二乘法插值加上了正则化项，可避免太容易过拟合的现象，总体方程特征表现出的现象为当前时刻的值受到
最近本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于联邦学习的短波频谱预测方法，建立一个无线网络，该无线网络内部有一个全局用户、多个本地用户，其特征在于，包括如下步骤：步骤1：对过去一段时间里多个地点的频谱数据进行采集、分析与补全；步骤2：对步骤1处理后的数据集进行划分、标准化与重构；步骤3：构建本地训练的神经网络模型，用以训练步骤2处理好的数据集；步骤4：构建用以融合本地训练模型的联邦算法，并将更新后的模型下发至各本地用户，更新本地模型，并进行预测。2.根据权利要求1所述的基于联邦学习的短波频谱预测方法，其特征在于，所述步骤1中的对过去一段时间里多个地点的频谱数据进行采集、分析与补全，具体过程为：每小时测试次多个地点的短波电离层最大可用频率，测试时间不少于一年，缺失数值采用lasso回归插值进行补全；采用lasso回归插值的方法，即最小二乘法插值加上了正则化项，总体方程特征表现出的现象为当前时刻的值受到最近历史时刻和过去一天相同时刻的影响最大，客观符合短波电离层最大可用频率的客观规律；以日为周期、各地的数据为本地用户数据进行联邦学习的模型训练。3.根据权利要求2所述的基于联邦学习的短波频谱预测方法，其特征在于，所述对数据集进行划分、标准化与重构，具体过程为：首先，对数据集进行划分；在训练模型时，需要将数据集划分为训练集和测试集，训练集用以训练模型，测试集作为评估模型学习能力的新样本；划分时要尽量保证训练集与测试集的互斥且独立同分布，采用留出法进行数据集的划分，直接将数据集A划分为两个互斥集合，其中一个作为训练集X，另一个作为测试集C，即A＝X∪C
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)训练集的占比通常取0.7或0.8，当数据集较大时，训练集占比达0.98；数据集中等级别，最佳训练集占比为0.9；其次，对数据集进行标准化；为了消除指标之间量纲的影响，保证结果的可靠性，需要对数据进行标准化处理，以解决数据指标之间的可比性；选用线性函数归一化的方法进行数据标准化，转化函数为其中，X为原始数据，min为样本数据的最小值，max为样本数据的最大值，X
norm
为标准化后的数据；最后，对数据集进行重构；为了在训练的过程中，得到训练效果的反馈，做到边训练边调整，将数据集进行重构；定义一个滑动窗口，其窗口大小为tw，步长为step；通过滑动窗口将数据集分割为一个个顺序的长度为tw的片段，每个片段的头部之间相差step个...
【专利技术属性】
技术研发人员：陈瑾，焦雨涛，林凡迪，俞永娟，宋绯，崔丽，龚玉萍，戴文婷，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：
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。