【技术实现步骤摘要】
本申请涉及数据处理，更具体地，涉及基于机器学习的微波天线波束调控方法和系统。
技术介绍
1、基于机器学习的微波天线波束调控是一项前沿技术，结合了微波通信、天线技术和机器学习领域的知识。它通过调整天线辐射模式，实现了更智能、自适应和高性能的通信和雷达系统。这项技术需要深入理解微波通信、波束调控原理，以及机器学习和深度学习方法，同时依赖环境感知、大数据和计算能力。它在通信、军事、航空航天等领域有广泛应用前景，能够提高系统性能和灵活性。
2、现有技术中，机器学习的调控模型，所需数据量过大，特征并未经过筛选，导致无关特征进入，使得调控模型的调控精度低，适应性差，调控效果差。
3、因此，如何提高调控精度，是目前有待解决的技术问题。
技术实现思路
1、本专利技术提供一种基于机器学习的微波天线波束调控方法，用以解决现有技术中波束调控精度低的技术问题。所述方法包括：
2、获取建模所需数据，根据建模所需数据进行特征提取；
3、将提取后的特征按照功能类别进行分类，筛选每个类别内的所有特征，将有效特征保留下来；
4、根据多个类别内的有效特征之间的关联建立新特征，基于新特征和有效特征进行归一化尺度处理；
5、将新特征和有效特征划分入训练集、验证集和测试集；
6、根据训练集、验证集和测试集训练神经网络模型，通过神经网络模型进行微波天线波束调控；
7、其中，有效特征包括信号强度特征、信噪比特征、多径传播特征。>
8、本申请一些实施例中，筛选每个类别内的所有特征，将有效特征保留下来，包括：
9、计算每种特征分别与波束调控指标的相关度，将相关度超过第一阈值的相关度记作第一相关度；
10、将相关度超过第二阈值，且不超过第一阈值的相关度记作第二相关度，将相关度不超过第二阈值的相关度记作第三相关度；
11、根据第一相关度、第二相关度和第三相关度确定有效特征。
12、本申请一些实施例中，根据第一相关度、第二相关度和第三相关度确定有效特征，包括：
13、根据所有的第一相关度确定第一相关度平均值，根据所有的第二相关度确定第二相关度平均值，根据所有的第三相关度确定第三相关度平均值；
14、基于第一相关度平均值与第二相关度平均值之差确定第一比例，基于第二相关度平均值与第三相关度平均值之差确定第二比例，基于第一相关度平均值与第三相关度平均值之差确定第三比例；
15、根据第一相关度、第二相关度和第三相关度中各自相关度大小进行排序；
16、根据第一比例将排名靠前的多个第一相关度对应的特征作为有效特征；
17、根据第二比例将排名靠前的多个第二相关度对应的特征作为有效特征；
18、根据第三比例将排名靠前的多个第三相关度对应的特征作为有效特征。
19、本申请一些实施例中，在筛选每个类别内的所有特征之前，所述方法还包括：
20、获取所有波束调控效果指标，并根据所有波束调控效果指标确定波束调控指标；
21、；
22、其中，p为波束调控指标，n为所有波束调控效果指标数量，为第i个波束调控效果指标对应的原始权重，exp为指数函数，为第i个超过对应阈值的波束调控效果指标参数，为第i个波束调控效果指标对应阈值，k为预设常数，为第i个波束调控效果指标，波束调控效果指标包括主瓣增益、副瓣水平、波束宽度、波束方向误差。
23、本申请一些实施例中，根据多个类别内的有效特征之间的关联建立新特征，包括：
24、分别计算不同类别之间的有效特征之间的相关度，并将相关度超过对应阈值的作为新的特征。
25、本申请一些实施例中，将新特征和有效特征划分入训练集、验证集和测试集，包括：
26、将新特征和有效特征按照标准比例进行划分，从而得到训练集、验证集和测试集；
27、分别确定初始模型在训练集、验证集和测试集的性能大小，分别记作第一性能、第二性能和第三性能；
28、若第一性能符合第一要求，且第二性能和第三性能不符合第二要求和第三要求，则根据第一性能与第二性能之差、第二性能与第三性能之差确定调整系数，基于调整系数调整标准比例，从而重新划分训练集、验证集和测试集；
29、若第一性能不符合第一要求，且第二性能和第三性能不符合第二要求和第三要求，则根据第一性能、第二性能和第三性能调整标准比例，从而重新划分训练集、验证集和测试集。
30、本申请一些实施例中，所述方法还包括：
31、若第一性能符合第一要求，且第二性能和第三性能符合第二要求和第三要求，则不调整标准比例。
32、对应的，本申请还提供了基于机器学习的微波天线波束调控系统，所述系统包括：
33、第一模块，用于获取建模所需数据，根据建模所需数据进行特征提取；
34、第二模块，用于将提取后的特征按照功能类别进行分类，筛选每个类别内的所有特征，将有效特征保留下来；
35、第三模块，用于根据多个类别内的有效特征之间的关联建立新特征，基于新特征和有效特征进行归一化尺度处理；
36、第四模块，用于将新特征和有效特征划分入训练集、验证集和测试集；
37、第五模块，用于根据训练集、验证集和测试集训练神经网络模型，通过神经网络模型进行微波天线波束调控；
38、其中，有效特征包括信号强度特征、信噪比特征、多径传播特征。
39、通过应用以上技术方案，获取建模所需数据，根据建模所需数据进行特征提取；将提取后的特征按照功能类别进行分类，筛选每个类别内的所有特征，将有效特征保留下来；根据多个类别内的有效特征之间的关联建立新特征，基于新特征和有效特征进行归一化尺度处理；将新特征和有效特征划分入训练集、验证集和测试集；根据训练集、验证集和测试集训练神经网络模型，通过神经网络模型进行微波天线波束调控。提高了波束调控的精度和适应性，保证了调控效果。
本文档来自技高网...【技术保护点】
1.基于机器学习的微波天线波束调控方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于机器学习的微波天线波束调控方法，其特征在于，筛选每个类别内的所有特征，将有效特征保留下来，包括：
3.如权利要求2所述的基于机器学习的微波天线波束调控方法，其特征在于，根据第一相关度、第二相关度和第三相关度确定有效特征，包括：
4.如权利要求2所述的基于机器学习的微波天线波束调控方法，其特征在于，在筛选每个类别内的所有特征之前，所述方法还包括：
5.如权利要求1所述的基于机器学习的微波天线波束调控方法，其特征在于，根据多个类别内的有效特征之间的关联建立新特征，包括：
6.如权利要求1所述的基于机器学习的微波天线波束调控方法，其特征在于，将新特征和有效特征划分入训练集、验证集和测试集，包括：
7.如权利要求6所述的基于机器学习的微波天线波束调控方法，其特征在于，所述方法还包括：
8.基于机器学习的微波天线波束调控系统，其特征在于，所述系统包括：
【技术特征摘要】
1.基于机器学习的微波天线波束调控方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于机器学习的微波天线波束调控方法，其特征在于，筛选每个类别内的所有特征，将有效特征保留下来，包括：
3.如权利要求2所述的基于机器学习的微波天线波束调控方法，其特征在于，根据第一相关度、第二相关度和第三相关度确定有效特征，包括：
4.如权利要求2所述的基于机器学习的微波天线波束调控方法，其特征在于，在筛选每个类别内的所有特征之前，所述方...
【专利技术属性】
技术研发人员：吴钢雄，袁航，刘传梅，白梓安，
申请(专利权)人：南通先进通信技术研究院有限公司，
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。