当前位置: 首页 > 专利查询>同济大学专利>正文

一种基于时空图神经网络的短波预测方法技术

技术编号:39258173 阅读:12 留言:0更新日期:2023-10-30 12:09
本发明专利技术属于无线通信技术领域,提出了一种基于时空图神经网络的短波预测方法,包括步骤:步骤1:对一段时间内多个接收机和发射机的短波通信资源进行采集、分析和处理,获得分布于不同频段的短波参数信息;步骤2:基于步骤1处理的数据,进行图结构建模,用图形结构表示传感器节点之间的关系;步骤3:对步骤2建模好的图结构进行嵌入重构,将节点转化为向量空间中的嵌入表示;步骤4:在本地构建图神经网络模型,用于训练步骤2、步骤3生成的图结构数据,并进行本地预测。该方法可以更好地捕捉时空数据之间的关系,从而提高预测准确性,具有较强的自适应性和泛化能力,能够在不同场景下进行有效的预测。效的预测。效的预测。

【技术实现步骤摘要】
一种基于时空图神经网络的短波预测方法


[0001]本专利技术属于无线通信
,尤其涉及该领域中的一种基于时空图神经网络的短波预测方法。

技术介绍

[0002]短波通信是一种电波通信方式,它的通信频率通常在3MHz至30MHz之间,它具有广播距离远、穿透力强、抗干扰能力强等特点,因此在军事、航空、海事、天气预报、新闻广播等领域得到广泛应用。短波通信的技术原理是在发射端调制电信号,将其转换成可以在空气中传播的电磁波,然后通过天线发射出去;接收端通过天线接收到电磁波后,再通过解调过程将其转换成原始的电信号。由于短波通信的频率范围广,因此可以在不同的频段上进行通信,以避免频谱资源的浪费;同时,短波通信还可以进行加密,保证通信的安全性。尽管现在有更先进的通信技术,但短波通信仍然是一种重要的通信方式,特别是在一些偏远地区或当灾难发生时,短波通信是一种可靠的通信手段。
[0003]短波预测方法是指通过对大气层的物理特性、太阳活动等因素进行分析,从而预测未来一段时间内短波信道参数的变化,这项技术对短波通信的重要性不言而喻。由于短波信号的传播受到大气层的影响,因此短波信道参数时刻在变化,如果通信人员能够提前知道短波信道参数,就可以采取相应的措施,如调整频率、功率等,从而提高通信的成功率和质量。此外,短波预测还可以为应急通信提供重要的支持,在发生自然灾害、战争等情况下,常规通信设备可能会受到破坏,而短波通信则可以作为备用通信手段。因此,短波预测技术的应用,不仅可以提高短波通信的效率和可靠性,还可以为应急通信提供重要的保障。<br/>[0004]传统的统计方法在短波预测上的工作主要是基于历史数据和经验规律进行分析和预测。传统的统计方法可以通过对历史数据的统计分析,建立数学模型,预测未来短波信道的传输参数,如频率,场强,信噪比等。虽然传统的统计方法在短波预测领域具有一定的应用价值,但是由于短波信道的不稳定性和复杂性,其预测精度和可靠性存在一定的局限。因此,现代的短波预测已经开始采用机器学习等先进技术,以提高预测精度和可靠性,更好地满足现代通信需求。

技术实现思路

[0005]本专利技术的主要目的在于提供一种基于时空图神经网络的短波预测方法,解决短波通信的效率和可靠性问题。
[0006]本专利技术采用如下技术方案:
[0007]一种基于时空图神经网络的短波预测方法,包括如下步骤:
[0008]步骤1:对一段时间内多个接收机和发射机的短波通信资源进行采集、分析和处理,获得分布于不同频段的短波参数信息;
[0009]步骤2:基于步骤1处理的数据,进行图结构建模,用图形结构表示传感器节点之间的关系;
[0010]步骤3:对步骤2建模好的图结构进行嵌入重构,将节点转化为向量空间中的嵌入表示;
[0011]步骤4:在本地构建图神经网络模型,用于训练步骤2、步骤3生成的图结构数据,并进行本地预测。
[0012]进一步的,所述步骤1具体为:
[0013]确定短波通信信号发射机和信号接收机的地理位置,构建短波通信业务场景,收集在信号发射机上的频谱参数,一般情况下,为获得更细粒度的频谱数据需将一天的数据多次迭代作为当月数据:
[0014]x
i
=x1[0015]式中,x
i
为一月中每一天的频谱数据,x为采集的月粒度的频谱数据,而一月数据是一个集合:
[0016]X={x1,x2,...,x
d
}
[0017]式中,X为一月数据的集合,d为当月总天数;
[0018]传统的频谱信息存在着不平滑、不连续等问题,难以直接应用于选频和信道参数预测等实际应用场景。本专利技术对原数据采用了一种平滑拟合方法,可更准确地描述频谱演化规律,提高选频和信道参数预测的准确性和可靠性。
[0019]平滑拟合方式由下式转化求得:
[0020][0021]式中,i为一个月中的第i天,取值为1~31中的一个整数,j为一天中的第j条流量数据,取值为1~48中的一个整数,代表m月的第i天的第j条流量数据。代表m+1月的第i天的第j条流量数据。
[0022]进一步的,所述步骤2具体为:基于步骤1处理的数据,进行图结构建模,用图形结构表示传感器节点之间的关系。在图构建过程中,主要包括:1)针对短波时空序列数据流的空间和时间相关性,生成邻接矩阵;2)从短波时空序列数据流中提取图节点特征。
[0023]第一点,通过对两两节点之间的状态时间序列,功能性相似程度,地理位置相似程度做互相关度量,用该相关性对连通强度进行表示。节点之间的连通性作为邻接矩阵的值从而构建图结构。
[0024]第二点,将短波时空序列数据流耦合为带权无向图,采集到的数据作为图节点上的信号向量,将原始时空数据转化为特征矩阵。
[0025]进一步的,所述步骤3具体为:利用步骤2中的图结构,递归地聚合和变换邻域节点的特征向量生成节点嵌入,将每个节点映射成低维向量表示,同时保留原始图中某些关键信息。
[0026]使用步骤2生成的图邻接矩阵和图信号矩阵进行基于图卷积网络(Graph Convolution Networks,GCN)的嵌入操作。基于频谱的GCN表示为:
[0027][0028]式中,At表示t时刻输入的图邻接矩阵数据,σ表示除输出层外所有层的激活函数,
表示节点特征矩阵最初的节点特征矩阵为步骤2中构建的图信号矩阵。权重矩阵使用GCN将节点特征矩阵更新为并将其作为输出。式中表示为:
[0029][0030]式中,为图的度矩阵,I为单位矩阵,该式为典型的图卷积网络的更新公式。
[0031]使用图卷积网络生成节点嵌入的核心在于权重矩阵的更新,根据当前和历史信息,使用递归结构实现。将W
t(l)
作为动态系统的隐藏状态,使用门控循环单元(Gated Recurrent Unit,GRU)来根据系统t时刻下的输入更新隐藏层状态,表示为:
[0032][0033]式中,GRU是一种循环神经网络(Recurrent Neural Network,RNN)的变体,它通过使用门控机制解决传统RNN中长期依赖问题。本方法构建多层GCN更新层,将最后生成的矩阵作为嵌入的向量表示。
[0034]进一步的,所述步骤4具体为:构建本地训练的图神经网络模型,用于训练步骤2、步骤3生成的图结构数据,并进行本地预测。
[0035]使用步骤2生成的邻接矩阵来进一步构建本地化时空图,表示为:
[0036][0037]式中,3表示本专利技术使用了3个相邻时间步长的时空图来构建本地化时空图。在步骤2构建时空图的基础上,连接相邻时间步的相同节点,将它们之间的权值设置为1,捕获在同一个节点上的时序影响,从而构建新的本地化时空图。
[0038]为捕捉短波数据中的时空信息,加入位置嵌入,使模型能够兼顾时空信息,从而增强了对时空相关性建模的能力。对于时空网络系列X
G
∈R
N
×...

【技术保护点】

【技术特征摘要】
Networks,GCN)的嵌入操作,基于频谱的GCN表示为:Networks,GCN)的嵌入操作,基于频谱的GCN表示为:式中,A
t
表示t时刻输入的图邻接矩阵数据,σ表示除输出层外所有层的激活函数,表示节点特征矩阵最初的节点特征矩阵为步骤2中构建的图信号矩阵;权重矩阵使用GCN将节点特征矩阵更新为并将其作为输出;式中表示为:式中,为图的度矩阵,I为单位矩阵,该式为典型的图卷积网络的更新公式;使用图卷积网络生成节点嵌入的核心在于权重矩阵的更新,根据当前和历史信息,使用递归结构实现;将作为动态系统的隐藏状态,使用门控循环单元(Gated Recurrent Unit,GRU)来根据系统t时刻下的输入更新隐藏层状态,表示为:式中,GRU是一种循环神经网络(Recurrent Neural Network,RNN)的变体,它通过使用门控机制解决传统RNN中长期依赖问题;构建多层GCN更新层,将最后生成的矩阵作为嵌入的向量表示。5.如权利要求1所述的基于时空图神经网络的短波预测方法,其特征在于,所述步骤4具体为:使用步骤2生成的邻接矩阵来进一步构建本地化时空图,表示为:式中,3表示使用了3个相邻时间步长的时空图来构建本地化时空图;在步骤2构建时空图的基础上,连接相邻时间步的相同节点,将它们之间的权值设置为1,捕获在同一个节点上的时序影响,从而构建新的本地化时空图;为捕捉短波数据中的时空信息,加入位置嵌入,使模型能够兼顾时空信息,从而增强了对时空相关性建模的能力;对于时空网络系列X
G
∈R
N
×
C

【专利技术属性】
技术研发人员:何泽华涂涯史清江
申请(专利权)人:同济大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1