【技术实现步骤摘要】
本专利技术涉及机器学习，特别涉及一种非视距通信信号识别方法、系统、设备和介质。
技术介绍
1、通信过程中，如果目标对象被障碍物遮挡或无法到达目标对象，原始信号就无法通过直接的视距传输到达目标对象的接收端，而是通过反射、散射或衍射等非视距方式传播。非视距识别技术能够分析和判断通信信号的传播方式，对通信系统进行优化。
2、现有技术中，极限学习机是一种基于单层神经网络的机器学习算法。其过程为：隐藏层的参数随机进行初始化，采用非线性映射作为激活函数，将输入数据映射到elm特征空间，通过求解一个线性方程组得到输出层的权值，由输入数据和随机生成的隐藏层参数共同决定线性方程组的系数矩阵，求解这个线性方程组可以得到输出层的权值，从而完成整个网络的训练。通信过程中产生的信号通过已经训练好的隐藏层进行非线性映射，得到其在elm特征空间中的表示，将这个表示与输出层的权值进行线性组合，得到最终的非视距通信信号识别结果。
3、上述现有技术存在的缺陷是：极限学习机构建的传统模型难以准确地对通信过程中产生的原始信号进行重建和有效分析，从而导致...
【技术保护点】
1.一种非视距通信信号识别方法，其特征在于，包括：
2.如权利要求1所述的一种非视距通信信号识别方法，其特征在于，将原始通信信号输入SSA-ELM模型之前进行滤波、降噪、归一化预处理。
3.如权利要求1所述的一种非视距通信信号识别方法，其特征在于，所述初始ELM模型包括隐含层权重矩阵W和输出层权重向量Q，其具体包括：
4.如权利要求1所述的一种非视距通信信号识别方法，其特征在于，所述使用松鼠搜索优化算法SSA对初始ELM模型进行多次迭代，其具体包括：
5.一种非视距通信信号识别系统，其特征在于，包括：
6.如...
【技术特征摘要】
1.一种非视距通信信号识别方法，其特征在于，包括：
2.如权利要求1所述的一种非视距通信信号识别方法，其特征在于，将原始通信信号输入ssa-elm模型之前进行滤波、降噪、归一化预处理。
3.如权利要求1所述的一种非视距通信信号识别方法，其特征在于，所述初始elm模型包括隐含层权重矩阵w和输出层权重向量q，其具体包括：
4.如权利要求1所述的一种非视距通信信号识别方法，其特征在于，所述使用松鼠搜索优化算法ssa对初始elm模型进行多次迭代，其具体包括：
...【专利技术属性】
技术研发人员：王洪梅，张成君，王法广，李世银，邢升，杨晨，渠开贵，渠丹，
申请(专利权)人：中国矿业大学，
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。