一種基于神經網絡的短波中值場強預測系統、方法及裝置的制造方法
【專利摘要】本發明實施例公開了一種基于神經網絡的短波中值場強預測系統，包括：用戶接口模塊、神經網絡訓練模塊和短波中值場強預測模塊；用戶接口模塊用于根據用戶需求生成參數形式的用戶指令，將參數形式的用戶指令發送至神經網絡訓練模塊和短波中值場強預測模塊；神經網絡訓練模塊用于根據接收到的所述參數形式的用戶指令對神經網絡進行訓練；短波中值場強預測模塊用于根據接收到的參數形式的用戶指令，通過訓練后的神經網絡預測模型對短波中值場強進行預測。本發明實施例還提供一種基于神經網絡的短波中值場強預測方法及裝置。本發明實施例能夠短波中值場強預測的準確性和靈活性問題，建立面向用戶需求的自適應場強預測模型。
【專利說明】
-種基于神經網絡的短波中值場強預測系統、方法及裝置
技術領域
[0001] 本發明實施例設及通信技術領域，尤其設及一種基于神經網絡的短波中值場強預 測系統、方法及裝置。
【背景技術】
[0002] 1943年人類首次提出了神經元的形式化數學描述和網絡結構方法，從而開創了人 工神經網絡（ANNs，Artificial化ural Networks)研究的時代，，它是一種模仿動物神經網 絡行為特征，進行分布式并行信息處理的算法數學模型，W神經網絡作為數據擬合預測方 法有著許多優勢。
[0003] 其中，短波中值場強預測對短波信號接收質量、短波資源調度W及短波通信體系 論證都具有重要作用。由于受傳輸距離的限制，短波傳播主要是天波實現。在短波天波通 信中，天波傳播電離層反射信道屬于時變色散信道，加上各種干擾的存在，電磁福射到達接 收點后的場強在可預計的時期內是不斷起伏變化的。
[0004] 現有技術中，預測短波中值場強一般情況下需要根據較多的業務經驗，選用合適 的電離層模型來確定標準模型中的修正參數，通過實施觀測數據進行不斷的修正來預測短 波中值場強，并W此建立電離層模型。
[0005] 由于短波天波場強影響因素眾多，主要與天波電離層狀態、電播入射角和跳數等 諸多因素密切相關，精確計算十分困難，而且使得電離層模型的建立復雜性較高，用戶也難 W靈活且準確地對短波中值場強進行預測。
【發明內容】
[0006] 本發明實施例提供了一種基于神經網絡的短波中值場強預測系統、方法及裝置， 能夠解決短波中值場強預測的準確性和靈活性問題，建立面向用戶需求的自適應場強預測 模型。
[0007] 有鑒于此，本發明第一方面提供一種基于神經網絡的短波中值場強預測系統，包 括：
[000引用戶接口模塊、神經網絡訓練模塊和短波中值場強預測模塊；
[0009] 所述用戶接口模塊用于根據用戶需求生成參數形式的用戶指令，將所述參數形式 的用戶指令發送至所述神經網絡訓練模塊和短波中值場強預測模塊；
[0010] 所述神經網絡訓練模塊用于根據接收到的所述參數形式的用戶指令對神經網絡 進行訓練；
[0011] 所述短波中值場強預測模塊用于根據接收到的所述參數形式的用戶指令，通過訓 練后的神經網絡預測模型對短波中值場強進行預測。
[0012] 結合本發明實施例的第一方面，在第一種可能的實現方式中，所述用戶接口模塊 包括數據映射單元和用戶接口單元；
[0013] 所述用戶接口模塊用于根據用戶需求生成參數形式的用戶指令，將所述參數形式 的用戶指令發送至所述神經網絡訓練模塊和短波中值場強預測模塊，包括：
[0014] 所述數據映射單元用于將所述用戶需求映射成為所述參數形式的用戶指令；
[0015] 所述用戶接口單元用于將所述參數形式的用戶指令發送至所述神經網絡訓練模 塊和短波中值場強預測模塊。
[0016] 結合本發明實施例的第一方面的第一種可能的實現方式，在第二種可能的實現方 式中，所述數據映射單元包括短波場強預測資源管理子單元；
[0017] 所述數據映射單元用于將所述用戶需求映射成為所述參數形式的用戶指令，包 括：
[0018] 所述短波場強預測資源管理子單元用于存儲標準化短波場強預測的數據資源。
[0019] 結合本發明實施例的第一方面，在第Ξ實現方式中，所述神經網絡訓練模塊包括 用戶指令第一接口單元、訓練核屯、功能單元和網絡預測模型接口單元；
[0020] 所述神經網絡訓練模塊用于根據接收到的所述參數形式的用戶指令對神經網絡 進行訓練，包括：
[0021] 所述用戶指令第一接口單元用于接收所述用戶接口單元發送的所述參數形式的 用戶指令；
[0022] 所述訓練核屯、功能單元用于將所述用戶指令W輸入參數及輸出參數的形式進行 神經網絡訓練，并建立對應的神經網絡預測模型.
[0023] 所述網絡預測模型接口單元用于將所述神經網絡預測模型發送至短波中值場強 預測模塊。
[0024] 結合本發明實施例的第一方面的第Ξ種可能的實現方式，在第四可能的實現方式 中，所述訓練核屯、功能單元包括訓練數據預處理子單元和網絡預測模型構建子單元；
[00巧]所述訓練核屯、功能單元用于將所述用戶指令W輸入參數及輸出參數的形式進行 神經網絡訓練，并建立對應的神經網絡預測模型，包括：
[00%] 所述訓練數據預處理子單元用于接收所述用戶指令第一接口單元發送的所述參 數形式的用戶指令，并進行參數預處理；
[0027] 所述網絡預測模型構建子單元用于將所述訓練數據預處理子單元處理的數據，W 輸入參數及輸出參數的形式進行神經網絡訓練，并建立對應的神經網絡預測模型。
[0028] 結合本發明實施例的第一方面，在第五實現方式中，所述短波中值場強預測模塊 包括用戶指令第二接口單元、預測模型接口單元和預測核屯、功能單元；
[0029] 所述短波中值場強預測模塊用于根據接收到的所述參數形式的用戶指令，通過訓 練后的神經網絡預測模型對短波中值場強進行預測，包括：
[0030] 所述用戶指令第二接口單元用于接收所述用戶接口單元發送的所述參數形式的 用戶指令；
[0031] 所述預測模型接口單元用于接收所述網絡預測模型接口單元發送的網絡預測模 型；
[0032] 所述預測核屯、功能單元用于將所述用戶指令W輸入參數形式通過所述網絡預測 模型，預測輸出短波中值場強。
[0033] 本發明第二方面提供一種神經網絡的短波中值場強預測方法，包括：
[0034] 根據用戶需求生成對應的用戶指令，并根據所述用戶指令選取短波場強預測的數 據集；
[0035] 根據所述數據集，對神經網絡進行訓練；
[0036] 根據所述用戶指令，通過訓練后的神經網絡預測模型對短波中值場強進行預測。
[0037] 結合本發明實施例的第二方面，在第一種可能的實現方式中，所述根據用戶需求 生成對應的用戶指令，并根據所述用戶指令選取短波場強預測的數據集之后，所述方法還 包括：
[0038] 根據所述用戶指令選取短波場強預測的數據集，判斷所述數據集是否滿足模型傳 輸損耗影響因素；
[0039] 若滿足所述模型傳輸損耗影響因素，則根據所述數據集進行歸一化處理；
[0040] 若不滿足所述模型傳輸損耗影響因素，則丟棄所述數據集。
[0041] 結合本發明實施例的第二方面的第一種可能的實現方式，在第二種可能的實現方 式中，所述若滿足所述模型傳輸損耗影響因素，則根據所述數據集進行歸一化處理之后，所 述方法還包括：
[0042] 判斷所述歸一化處理后，均方誤差MSE是否達到預置的精度范圍；
[0043] 若達到預置的精度范圍，則從所述數據集中選取局部數據用于進行神經網絡的訓 練；
[0044] 若未達到預置的精度范圍，則進行進一步歸一化處理。
[0045] 結合本發明實施例的第二方面的第二種可能的實現方式，在第Ξ種可能的實現方 式中，所述根據所述數據集，對神經網絡進行訓練，包括：
[0046] 判斷所述局部數據是否滿足足夠的置信空間，且相關性在預置區間內；
[0047] 若滿足足夠的置信空間，且相關性在預置區間內，則對所述局部數據采用列文伯 格-馬夸爾特法LM進行神經網絡參數的學習；
[0048] 若不滿足足夠的置信空間，且相關性不在預置區間內，則對所述局部數據進行屬 性降維處理。
[0049] 結合本發明實施例的第二方面的第Ξ種可能的實現方式，在第四種可能的實現方 式中，所述若滿足足夠的置信空間，且相關性在預置區間內，則對所述局部數據采用列文伯 格-馬夸爾特法LM進行神經網絡參數的學習之后，所述方法還包括：
[0050] 判斷網絡穩定性與收斂速度是否達到第一預置值；
[0051] 若所述網絡穩定性與收斂速度未達到第一預置值，則選取級聯神經網絡結構，并 根據所述級聯神經網絡結構選取網絡節點數，對神經網絡進行網絡結構優化。
[0052] 結合本發明實施例的第二方面的第四種可能的實現方式，在第五種可能的實現方 式中，所述若所述網絡穩定性與收斂速度未達到第一預置值，則選取級聯神經網絡結構，并 根據所述級聯神經網絡結構選取網絡節點數，對神經網絡進行網絡結構優化之后，所述方 法還包括：
[0053] 判斷訓練耗時與MSE是否達到第二預置值；
[0054] 若未達到第二預置值，則重新進行所述網絡結構優化。 陽化5] 本發明第Ξ方面提供一種基于神經網絡的短波中值場強預測裝置，包括：
[0056] 生成模塊，用于根據用戶需求生成對應的用戶指令，并根據所述用戶指令選取短 波場強預測的數據集；
[0057] 訓練模塊，用于根據所述數據集，對神經網絡進行訓練；
[005引預測模塊，用于根據所述用戶指令，通過訓練后的神經網絡預測模型對短波中值 場強進行預測。
[0059] 結合本發明實施例的第Ξ方面，在第一種可能的實現方式中，所述裝置還包括：
[0060] 判斷模塊，用于根據所述用戶指令選取短波場強預測的數據集，判斷所述數據集 是否滿足模型傳輸損耗影響因素；
[0061] 處理模塊，用于若滿足所述模型傳輸損耗影響因素，則根據所述數據集進行歸一 化處理；
[0062] 丟棄模塊，用于若不滿足所述模型傳輸損耗影響因素，則丟棄所述數據集。
[0063] 結合本發明實施例的第Ξ方面的第一種可能的實現方式，在第二種可能的實現方 式中，所述裝置還包括選取模塊，
[0064] 所述判斷模塊，還用于判斷所述歸一化處理后，均方誤差MSE是否達到預置的精 度范圍；
[0065] 所述選取模塊，用于若達到預置的精度范圍，則從所述數據集中選取局部數據用 于進行神經網絡的訓練；
[0066] 所述處理模塊，還用于若未達到預置的精度范圍，則進行進一步歸一化處理。
[0067] 結合本發明實施例的第Ξ方面的第二種可能的實現方式，在第Ξ種可能的實現方 式中，所述訓練模塊包括：
[0068] 判斷單元，用于判斷所述局部數據是否滿足足夠的置信空間，且相關性在預置區 間內； W例學習單元，用于若滿足足夠的置信空間，且相關性在預置區間內，則對所述局部數 據采用列文伯格-馬夸爾特法LM進行神經網絡參數的學習；
[0070] 處理單元，用于若不滿足足夠的置信空間，且相關性不在預置區間內，則對所述局 部數據進行屬性降維處理。
[0071] 結合本發明實施例的第Ξ方面的第Ξ種可能的實現方式，在第四種可能的實現方 式中，所述訓練模塊還包括優化單元，
[0072] 所述判斷單元，還用于判斷網絡穩定性與收斂速度是否達到第一預置值；
[0073] 所述優化單元，用于若所述網絡穩定性與收斂速度未達到第一預置值，則選取級 聯神經網絡結構，并根據所述級聯神經網絡結構選取網絡節點數，對神經網絡進行網絡結 構優化。
[0074] 結合本發明實施例的第Ξ方面的第四種可能的實現方式，在第五種可能的實現方 式中，
[00巧]所述判斷單元，還用于判斷訓練耗時與MSE是否達到第二預置值；
[0076] 所述優化單元，還用于若未達到第二預置值，則重新進行所述網絡結構優化。
[0077] 從W上技術方案可W看出，本發明實施例具有W下優點：
[0078] 本發明實施例中，通過基于大量歷史數據的神經網絡自學習過程，提高了短波中 值場強預測的靈活性和準確性，同時在用戶接口模塊中增加了神經網絡訓練準則映射功 能，按照一定規則將用戶需求映射為特定的神經網絡訓練準則，由此實現預測網絡的用戶 自定義，進一步增強了數值預測的靈活性和通用性。
【附圖說明】
[0079] 圖1為本發明實施例中基于神經網絡的短波中值場強預測系統一個實施例示意 圖；
[0080] 圖2為本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施例示 意圖；
[0081] 圖3為本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施例示 意圖；
[0082] 圖4為本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施例示 意圖；
[0083] 圖5為本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施例示 意圖；
[0084] 圖6為本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施例示 意圖；
[00化]圖7為本發明實施例中基于神經網絡的短波中值場強預測方法一個實施例示意 圖；
[0086] 圖8為本發明實施例中基于神經網絡的短波中值場強預測裝置一個實施例示意 圖；
[0087] 圖9為本發明實施例中基于神經網絡的短波中值場強預測裝置另一個實施例示 意圖；
[0088] 圖10為本發明實施例中基于神經網絡的短波中值場強預測裝置另一個實施例示 意圖；
[0089] 圖11為本發明實施例中基于神經網絡的短波中值場強預測裝置另一個實施例示 意圖；
[0090] 圖12為本發明實施例中基于神經網絡的短波中值場強預測裝置另一個實施例示 意圖。
【具體實施方式】
[0091] 本發明實施例提供了一種基于神經網絡的短波中值場強預測系統，用于通過基于 大量歷史數據的神經網絡自學習過程，提高了短波中值場強預測的靈活性和準確性。
[0092] 請參閱圖1，本發明實施例中基于神經網絡的短波中值場強預測系統一個實施例 包括：
[0093] 用戶接口模塊101、神經網絡訓練模塊102和短波中值場強預測模塊103 ;
[0094] 用戶接口模塊101，用于根據用戶需求生成參數形式的用戶指令，將所述參數形式 的用戶指令發送至所述神經網絡訓練模塊102和短波中值場強預測模塊103 ;
[0095] 神經網絡訓練模塊102,用于根據接收到的所述參數形式的用戶指令對神經網絡 進行訓練；
[0096] 短波中值場強預測模塊103,用于根據接收到的所述參數形式的用戶指令，通過訓 練后的神經網絡預測模型對短波中值場強進行預測。
[0097] 本實施例中，用戶接口模塊101根據用戶需求生成參數形式的用戶指令，將參數 形式的用戶指令發送至神經網絡訓練模塊102和短波中值場強預測模塊103,神經網絡訓 練模塊102根據接收到的參數形式的用戶指令對神經網絡進行訓練，短波中值場強預測模 塊103根據接收到的參數形式的用戶指令，通過訓練后的神經網絡預測模型對短波中值場 強進行預測。
[009引本發明實施例中，提供了一種系統，在用戶接口模塊中增加神經網絡訓練準則映 射功能，可W按照一定規則將用戶需求映射為特定的神經網絡訓練準則，由此實現預測網 絡的用戶自定義，增強了數值預測的靈活性和通用性。
[0099] 請參閱圖2,本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施 例包括：
[0100] 用戶接口模塊201、神經網絡訓練模塊202和短波中值場強預測模塊203 ; 陽101] 用戶接口模塊201，用于根據用戶需求生成參數形式的用戶指令，將所述參數形式 的用戶指令發送至所述神經網絡訓練模塊202和短波中值場強預測模塊203 ; 陽102] 神經網絡訓練模塊202,用于根據接收到的所述參數形式的用戶指令對神經網絡 進行訓練； 陽103] 短波中值場強預測模塊203,用于根據接收到的所述參數形式的用戶指令，通過訓 練后的神經網絡預測模型對短波中值場強進行預測。
[0104] 所述用戶接口模塊201可W進一步包括數據映射單元2011和用戶接口單元 2012 ； 陽105] 數據映射單元2011，用于將所述用戶需求映射成為所述參數形式的用戶指令； 陽106] 用戶接口單元2012,用于將所述參數形式的用戶指令發送至所述神經網絡訓練模 塊202和短波中值場強預測模塊203。
[0107] 本實施例中，數據映射單元可W將用戶需求映射為參數化的用戶指令，而用戶接 口單元則是為用戶提供準則接口，將用戶指令發送到神經網絡訓練模塊和短波中值場強預 巧順塊。為了根據用戶需求進行靈活配置，可W采用參數化輸入及輸出接口消息格式，具體 用戶消息格式如下表所示：
[0108] 表 1 陽 109]
[0110] 參數個數用于表示輸入及輸出參數個數，參數值用于存儲輸入及輸出參數的對應 值，參數值空間大小與參數個數相同，本發明實施例W參數個數生成的參數值空間進行參 數化傳輸。 陽111] 其次，本發明實施例中，采用參數化輸入及輸出接口消息格式，使得用戶可W靈活 的根據需要對指令進行配置，從而提升用戶的體驗，W及進一步提升方案的靈活性與可操 作性。
[0112] 請參閱圖3,本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施 例包括：
[0113] 用戶接口模塊301、神經網絡訓練模塊202和短波中值場強預測模塊203 ;
[0114] 用戶接口模塊301，用于根據用戶需求生成參數形式的用戶指令，將所述參數形式 的用戶指令發送至所述神經網絡訓練模塊302和短波中值場強預測模塊303 ;
[0115] 神經網絡訓練模塊302,用于根據接收到的所述參數形式的用戶指令對神經網絡 進行訓練；
[0116] 短波中值場強預測模塊303,用于根據接收到的所述參數形式的用戶指令，通過訓 練后的神經網絡預測模型對短波中值場強進行預測。
[0117] 所述用戶接口模塊301可W進一步包括數據映射單元3011和用戶接口單元 3012 ；
[0118] 數據映射單元3011，用于將所述用戶需求映射成為所述參數形式的用戶指令；
[0119] 用戶接口單元3012,用于將所述參數形式的用戶指令發送至所述神經網絡訓練模 塊302和短波中值場強預測模塊303。
[0120] 所述數據映射單元3011還可W進一步包括短波場強預測資源管理子單元30111 ; 陽121 ] 短波場強預測資源管理子單元30111，用于存儲標準化短波場強預測的數據資源。
[0122] 本實施例中，數據映射單元將用戶需求映射為參數化的用戶指令，該單元還包括 了短波場強預測資源管理子單元，用于存放標準化的短波場強預測資源信息，其中包括短 波場強預測影響因素數據信息及短波場強預測結果數據信息。
[0123] 需要說明的是，短波場強影響因素數據信息不僅包括大氣信息，還可W包括位置 信息和時間信息，或者其他的數據信息，故此處不做限定。
[0124] 具體短波場強預測影響因素數據信息如下表所示： 陽1對表2 陽 126]
[0127] 再次，本發明實施例中，短波場強預測資源管理子單元可W存儲短波場強預測影 響因素數據信息，W及短波場強預測結果數據信息，運些數據信息可用作后續算法和進一 步趨勢分析，還可W進行模型修正，因此，使得預測模型的精度更強而且更為準確。
[012引請參閱圖4,本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施 例包括：
[0129] 用戶接口模塊401、神經網絡訓練模塊402和短波中值場強預測模塊403 ;
[0130] 用戶接口模塊401，用于根據用戶需求生成參數形式的用戶指令，將所述參數形式 的用戶指令發送至所述神經網絡訓練模塊402和短波中值場強預測模塊403 ; 陽131] 神經網絡訓練模塊402,用于根據接收到的所述參數形式的用戶指令對神經網絡 進行訓練；
[0132] 短波中值場強預測模塊403,用于根據接收到的所述參數形式的用戶指令，通過訓 練后的神經網絡預測模型對短波中值場強進行預測。
[0133] 所述用戶接口模塊401可W進一步包括數據映射單元4011和用戶接口單元 4012 ；
[0134] 數據映射單元4011，用于將所述用戶需求映射成為所述參數形式的用戶指令；
[0135] 用戶接口單元4012,用于將所述參數形式的用戶指令發送至所述神經網絡訓練模 塊402和短波中值場強預測模塊403。
[0136] 所述神經網絡訓練模塊402可W進一步包括用戶指令第一接口單元4021、訓練核 屯、功能單元4022和網絡預測模型接口單元4023 ;
[0137] 用戶指令第一接口單元4021，用于接收所述用戶接口單元4012發送的所述參數 形式的用戶指令；
[0138] 訓練核屯、功能單元4022,用于將所述用戶指令W輸入參數及輸出參數的形式進行 神經網絡訓練，并建立對應的神經網絡預測模型.
[0139] 網絡預測模型接口單元4023,用于將所述神經網絡預測模型發送至短波中值場強 預測模塊403。
[0140] 本實施例中，用戶指令第一接口單元將輸入參數與輸出參數形式的指令傳遞到訓 練核屯、功能模塊，使該模塊根據參數進行神經網絡預測模型的訓練，由網絡預測模型接口 單元將訓練完成的神經網絡預測模型連接到短波中值場強預測模塊，用于后期短波中值場 強的預測。 陽141] 需要說明的是，神經網絡預測結果精度不僅與輸入參數初始化有關，也可W與神 經網絡預測算法有關，還可W與神經網絡結構有關，故此處不做限定。為了精確預測短波中 值場強，神經網絡訓練模塊不僅要對輸入參數和輸出參數進行預處理，還要對神經網絡預 測算法及神經網絡預測結構進行優化。 陽142] 進一步地，本發明實施例中，神經網絡訓練模塊中包括了用戶指令第一接口單元、 訓練核屯、功能單元W及網絡預測模型接口單元，根據用戶指令對神經網絡預測模型進行訓 練，再將訓練完成后的神經網絡預測模型連接到短波中值場強預測模塊，可W獲取更為精 確的神經網絡預測模型。 陽143] 請參閱圖5,本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施 例包括：
[0144] 用戶接口模塊501、神經網絡訓練模塊502和短波中值場強預測模塊503 ;
[0145] 用戶接口模塊501，用于根據用戶需求生成參數形式的用戶指令，將所述參數形式 的用戶指令發送至所述神經網絡訓練模塊502和短波中值場強預測模塊503 ; 陽146] 神經網絡訓練模塊502,用于根據接收到的所述參數形式的用戶指令對神經網絡 進行訓練； 陽147] 短波中值場強預測模塊503,用于根據接收到的所述參數形式的用戶指令，通過訓 練后的神經網絡預測模型對短波中值場強進行預測。
[0148] 所述用戶接口模塊501可W進一步包括數據映射單元5011和用戶接口單元 5012 ；
[0149] 數據映射單元5011，用于將所述用戶需求映射成為所述參數形式的用戶指令； 陽150] 用戶接口單元5012,用于將所述參數形式的用戶指令發送至所述神經網絡訓練模 塊502和短波中值場強預測模塊503。 陽151] 所述神經網絡訓練模塊502可W進一步包括用戶指令第一接口單元5021、訓練核 屯、功能單元5022和網絡預測模型接口單元5023 ; 陽152] 用戶指令第一接口單元5021，用于接收所述用戶接口單元5012發送的所述參數 形式的用戶指令； 陽153] 訓練核屯、功能單元5022,用于將所述用戶指令W輸入參數及輸出參數的形式進行 神經網絡訓練，并建立對應的神經網絡預測模型； 陽154] 網絡預測模型接口單元5023,用于將所述神經網絡預測模型發送至短波中值場強 預測模塊503。
[01巧]所述訓練核屯、功能單元5022還可W進一步包括訓練數據預處理子單元50221和 網絡預測模型構建子單元50222 ;
[0156] 訓練數據預處理子單元50221，用于接收所述用戶指令第一接口單元發送的所述 參數形式的用戶指令，并進行參數預處理； 陽157] 網絡預測模型構建子單元50222,用于將所述訓練數據預處理子單元處理的數據， W輸入參數及輸出參數的形式進行神經網絡訓練，并建立對應的神經網絡預測模型。
[0158] 本實施例中，訓練數據預處理子單元首先對輸入參數進行最大最小歸一化處理， 并W預測均方誤差（MSE，Mean Squared化ror)作為評判標準，未達到標準的進一步進行基 于標準差的歸一化處理，優化神經網絡輸入參數，精確預測結果。
[0159] 網絡預測模型構建子單元對神經網絡預測模型進行預測算法和網絡結構優化，W 數據完備性作為標準，對數據屬性進行降維處理，W收斂速度和網絡穩定性為標準運用共 輛梯度算法和擬牛頓算法進行訓練算法優化，W訓練耗時和預測MSE為標準進行神經網絡 結構優化。
[0160] 需要說明的是，數據處理的方法與訓練算法的評判標準有多種方式，可W根據預 測模型運行時間、運行穩定性和結果精度靈活掌握，故此處不作限定。 陽161] 再進一步地，本發明實施例中，訓練數據預處理子單元對輸入參數及輸出參數進 行預處理，再由網絡預測模型構建子單元建立對應的神經網絡預測模型，通過多次訓練可 w使得該神經網絡預測模型的穩定性更好。 陽162] 請參閱圖6,本發明實施例中基于神經網絡的短波中值場強預測系統另一個實施 例包括：
[0163] 用戶接口模塊601、神經網絡訓練模塊602和短波中值場強預測模塊603 ;
[0164] 用戶接口模塊601，用于根據用戶需求生成參數形式的用戶指令，將所述參數形式 的用戶指令發送至所述神經網絡訓練模塊602和短波中值場強預測模塊603 ; 陽1化]神經網絡訓練模塊602,用于根據接收到的所述參數形式的用戶指令對神經網絡 進行訓練；
[0166] 短波中值場強預測模塊603,用于根據接收到的所述參數形式的用戶指令，通過訓 練后的神經網絡預測模型對短波中值場強進行預測。
[0167] 所述用戶接口模塊601可W進一步包括數據映射單元6011和用戶接口單元 6012 ；
[0168] 數據映射單元6011，用于將所述用戶需求映射成為所述參數形式的用戶指令；
[0169] 用戶接口單元6012,用于將所述參數形式的用戶指令發送至所述神經網絡訓練模 塊602和短波中值場強預測模塊603。
[0170] 所述短波中值場強預測模塊603可W進一步包括用戶指令第二接口單元6031、預 測模型接口單元6032和預測核屯、功能單元6033 ; 陽171] 用戶指令第二接口單元6031，用于接收所述用戶接口單元6012發送的所述參數 形式的用戶指令； 陽172] 預測模型接口單元6032,用于接收所述網絡預測模型接口單元發送的網絡預測模 型； 陽173] 預測核屯、功能單元6032,用于將所述用戶指令W輸入參數形式通過所述網絡預測 模型，預測輸出短波中值場強。
[0174] 本實施例中，用戶指令第二接口單元接收用戶接口單元發送的用戶指令，預測模 型接口單元接收神經網絡訓練模塊發送的網絡預測模型，而預測核屯、功能單元將用戶指令 W輸入參數的形式通過網絡預測模型，預測輸出短波中值場強。 陽175] 需要說明的是，網絡預測模型可W是實時訓練模型，也可W是調用已存儲的預測 模型，故此處不做限定。 陽176] 再進一步地，本發明實施例中，短波中值場強預測模塊包括用戶指令第二接口單 元、預測模型接口單元和預測核屯、功能單元，預測核屯、功能單元將用戶指令通過網絡預測 模型，預測短波中值場強，可W根據仿真數據的特點，選取不同類型的神經網絡進行擬合， 適用性更廣，通用性更強。
[0177] 請參閱圖7,本發明實施例中基于神經網絡的短波中值場強預測方法一個實施例 包括：
[0178] 701、根據用戶需求生成對應的用戶指令，并根據用戶指令選取短波場強預測的數 據集；
[0179] 本實施例中，用戶接口模塊根據用戶需求，按照一定的映射準則生成特定的用戶 指令，選取短波場強預測數據集，W輸入參數及輸出參數的形式發送到神經網絡訓練模塊 和短波中值場強預測模塊。
[0180] 702、根據數據集，對神經網絡進行訓練； 陽181] 本實施例中，神經網絡訓練模塊將接收到的輸入參數及輸出參數進行預處理，并 W預測MSE作為全局標準對神經網絡進行預測算法優化和網絡結構優化，構建出神經網絡 預測模型。 陽182] 703、根據用戶指令，通過訓練后的神經網絡預測模型對短波中值場強進行預測。
[0183] 本實施例中，短波中值場強預測模塊根據接收到的用戶指令，利用構建完成的神 經網絡預測模型，對短波中值場強進行預測，并保存預測結果。
[0184] 本發明實施例中，通過基于大量歷史數據的神經網絡自學習過程，提高了短波中 值場強預測的靈活性和準確性，同時在用戶接口模塊中增加了神經網絡訓練準則映射功 能，按照一定規則將用戶需求映射為特定的神經網絡訓練準則，由此實現預測網絡的用戶 自定義，進一步增強了數值預測的靈活性和通用性。 陽化5] 可選地，在上述圖7對應的實施例基礎上，本發明實施例提供的基于神經網絡的 短波中值場強預測方法第一個可選實施例中，根據用戶需求生成對應的用戶指令，并根據 用戶指令選取短波場強預測的數據集之后，還可W包括：
[0186] 根據用戶指令選取短波場強預測的數據集，判斷數據集是否滿足模型傳輸損耗影 響因素； 陽187] 若滿足模型傳輸損耗影響因素，則根據數據集進行歸一化處理；
[0188] 若不滿足模型傳輸損耗影響因素，則丟棄數據集。
[0189] 本實施例中，用戶接口模塊根據用戶需求，按照一定的映射準則生成特定的用戶 指令，然后根據用戶指令啟動短波場強預測資源管理子單元，該子單元即為短波場強資源 管理數據庫，從中選取數據集作為參數化系統的輸入變量和輸出變量。
[0190] 選定數據集時，判斷選取的輸入樣本變量是否滿足模型傳輸損耗影響因素，需要 說明的是，運些模型傳輸損耗影響因素可W是頻率、功率、發射坐標和偵收點坐標，也可W 是地形與地物特性，還可W是偵收時間或其他相關影響因素，故此處不做限定。 陽1W] 當數據集滿足模型傳輸損耗影響因素，則根據選定的數據集進行歸一化處理，使 得所有數據規整到一個范圍區間內，從而使得各變量之間具有相同地位，避免經過sigmoid 函數出現誤差震蕩的問題，其中，sigmoid函數表達式為r-槪Sigmoid函數常 和單位階躍函數用于構造人工神經網絡。而基于最大最小樣本值的線性歸一化處理方式是 將相同的輸入變量，或輸出變量的樣本進行預處理，將數據線性歸一化到[-1，1]。 陽192] 當數據集不滿足模型傳輸損耗影響因素，則丟棄選取的數據集，啟動數據重選的 功能。
[0193] 其次，本發明實施例中，通過判斷選取的數據集樣本是否滿足模型傳輸損耗影響 因素，來決定是否使用所選數據集，如果不滿足模型傳輸損耗影響因素則丟棄數據集，運樣 可W獲取滿足條件的數據集，使得方案更具有合理性，同時可操作性也得W提升。
[0194] 可選地，在上述圖7對應的第一個可選實施例基礎上，本發明實施例提供的基于 神經網絡的短波中值場強預測方法第二個可選實施例中，若滿足模型傳輸損耗影響因素， 則根據數據集進行歸一化處理之后，還可W包括：
[01巧]判斷歸一化處理后，均方誤差MSE是否達到預置的精度范圍； 陽196] 若達到預置的精度范圍，則從數據集中選取局部數據用于進行神經網絡的訓練； 陽197] 若未達到預置的精度范圍，則進行進一步歸一化處理。
[0198] 本實施例中，在數據集歸一化處理完成后，要判斷MSE是否達到要求的精度范圍 內，如果滿足要求，則進入到選取訓練數據的階段，否則，則利用基于標準差的歸一化方法 進一步進行歸一化處理，訓練集選用與最大最小線性歸一法相同的訓練集。
[0199] 當達到預置的精度范圍時，針對歸一化處理后的數據，選取一定時間段內訓練樣 本集較完備的局部數據作為訓練數據。由于整個樣本集數據過大，會導致學習時間長，訓練 精度也無法保證，因此通過分析樣本產生、樣本變量因素 W及神經網絡運算效率來選取局 部數據作為訓練數據，其中樣本變量因素中主要是時間因素。 陽200] 再次，本發明實施例中，針對歸一化處理后的數據進行進一步的判斷，判斷MSE是 否達到要求的精度范圍內，如果不滿足要求，則再進行歸一化處理，滿足要求后選取局部數 據作為訓練數據，運樣可W提升學習效率，訓練的精度也得到了保證，方案的實現效果更 好。 陽201] 可選地，在上述圖7對應的第二個可選實施例基礎上，本發明實施例提供的基于 神經網絡的短波中值場強預測方法第Ξ個可選實施例中，根據數據集，對神經網絡進行訓 練，包括： 陽202] 判斷局部數據是否滿足足夠的置信空間，且相關性在預置區間內； 陽203] 若滿足足夠的置信空間，且相關性在預置區間內，則對局部數據采用列文伯 格-馬夸爾特法LM進行神經網絡參數的學習； 陽204] 若不滿足足夠的置信空間，且相關性不在預置區間內，則對局部數據進行屬性降 維處理。 陽205] 本實施例中，選取局部數據后，判斷局部數據是否滿足兩個要求，第一個要求是樣 本時間擁有足夠的置信空間，第二個要求是局部數據的輸入變量之間相關性在預置區間 內。如果都滿足要求，則利用局部數據在權值調整批處理模式下，采用列文伯格-馬夸爾特 法（LM，Levenberg-Marquar化）進行神經網絡參數學習，否則，要分析短波損耗時間影響因 素，為局部數據進行屬性降維處理，使現有數據盡量具有完備集的特征。
[0206] LM算法是基于最優理論，綜合共輛梯度算法（FR，Fletcher-Reeves)和擬牛頓算 法的特點，使其性能參數MSE趨于更小，網絡訓練更加穩定，收斂速度更快的一種神經網絡 參數學習算法。FR算法是權值和闊值沿共輛梯度方向調整獲得更快收斂的算法。 陽207] 進一步地，本發明實施例中，對局部數據在權值調整批處理模式下，采用LM算法 進行神經網絡的學習，可W使得性能參數MSE趨于更小，令網絡訓練達到更加穩定的狀態， 且收斂速度更快。對于不符合條件的局部數據進行屬性降維處理，使得數據盡可能具備完 整集的特征，因此方案在實現的過程中具有合理性，同時提高了預測的效率。 陽20引可選地，在上述圖7對應的第Ξ個可選實施例基礎上，本發明實施例提供的基于 神經網絡的短波中值場強預測方法第四個可選實施例中，若滿足足夠的置信空間，且相關 性在預置區間內，則對局部數據采用列文伯格-馬夸爾特法LM進行神經網絡參數的學習之 后，還可W包括： 陽209] 判斷網絡穩定性與收斂速度是否達到第一預置值；
[0210] 若所述網絡穩定性與收斂速度未達到第一預置值，則選取級聯神經網絡結構，并 根據所述級聯神經網絡結構選取網絡節點數，對神經網絡進行網絡結構優化。 陽211] 本實施例中，對局部數據采用LM，算法進行神經網絡參數學習后，需要判斷收斂 速度和網絡穩定性是否達到第一預置值，如果未達到要求，則針對學習后的神經網絡，進一 步優化網絡結構，是誤差函數下降，實現擬合性能優化，可W使用擬牛頓算法進行學習，擬 牛頓算法能夠在收斂到最優值附近計算一個最優的方向，實現收斂的優化。
[0212] 如果收斂速度和網絡穩定性達到第一預置值，則可W直接使用訓練后的神經網絡 預測模型對短波中值場強進行預測。
[0213] 本實施例中，針對參數學習后的神經網絡進行網絡結構優化，需要選取級聯神經 網絡結構，經過經驗公式推演和試湊法，選取適合網絡節點數。經驗公式一般是由擬合得到 的，沒有完整的理論推導過程，經驗公式更趨向于應用，著重看其精確度的大小。級聯網絡 由于網絡權值數目的增加，迭代一次的時間也有所增加，但它的收斂速度更快，得到的訓練 結果擬合精度更好，而且趨于穩定。網絡節點數據的多少可W決定對于網絡的學習程度，神 經元各節點作用使其擁有模型規律存儲能力，所W節點數過少時，網絡存儲模型能力不足， 不能高精度學習樣本，但是節點數過多時，則會出現對樣本非規律性特征進行學習，造成網 絡泛化能力不足，同時也增加網絡運算負擔，使得網絡學習時間增長。
[0214] 需要說明的是，收斂速度和網絡穩定性的第一預置值可根據實際情況進行設定， 故此處不做限定。
[0215] 再進一步地，本發明實施例中，通過判斷網絡穩定性和收斂速度是否達到預置值， 來達到優化網絡結構的目的，如果未達到預置值，則繼續使用擬牛頓算法進行學習。收斂速 度快說明計算效率高，可W更快的得到精確結果，網絡穩定性越好所預測的神經網絡預測 模型的精度也越高。與此同時，取合適的網絡節點數據，一方面使網絡存儲模型具有足夠的 能力，可W高精度的學習樣本，另一方面擁有泛化能力強的優勢，具有很大的自由度和很強 的數據處理能力，還可W有很強的數據外插能力。
[0216] 可選地，在上述圖7對應的第四個可選實施例基礎上，本發明實施例提供的基于 神經網絡的短波中值場強預測方法第五個可選實施例中，若網絡穩定性與收斂速度未達到 第一預置值，則選取級聯神經網絡結構，并根據級聯神經網絡結構選取網絡節點數，對神經 網絡進行網絡結構優化之后，方法還可W包括：
[0217] 判斷訓練耗時與MSE是否達到第二預置值；
[0218] 若未達到第二預置值，則重新進行所述網絡結構優化。
[0219] 本實施例中，神經網絡結構優化后，要判斷訓練耗時和性能參數MSE是否達到標 準，如果達到標準的第二預置值，則根據用戶指令，利用中值場強預測模型，預測短波中值 場強。如果沒有達到標準的第二預置值，則繼續對神經網絡結構繼續優化。 陽220] 需要說明的是，訓練耗時與MSE的第二預置值也可W根據實際情況做設定，故此 處不對具體第二預置值做限定。 陽221] 更進一步地，本發明實施例中，網絡結構優化后需要判斷訓練耗時與MSE是否達 到預置值，如果沒有達到則繼續進行網絡結構的進一步優化，運樣可W很大程度的增強訓 練后的神經網絡預測模型的精度和準確度，使方案的實用性更強。 陽222] 為便于理解，下面W-個具體應用場景對本發明中一種網絡處理方法進行詳細描 述，具體為：
[0223] A用戶需要預測近期的太陽黑子數，于是根據用戶A的需求生成一個"預測太陽黑 子數"的用戶指令，且該需求與該指令之間是有映射關系的。根據A用戶的指令啟動了短波 場強預測資源管理數據庫，假設選取了一組數據集，為5,11，6, 23, 36, 58, 29,將運些數據集 作為參數化系統輸入和輸出變量。選取數據集時，需要判斷運些選取的樣本是否滿足頻率、 偵收點坐標、地形、地物特性W及偵收時間。判斷后得到運組數據集滿足上述的要求，于是 對運組數據集進行歸一化處理，將時間線性歸一化到[-1,1]運個區間內。
[0224] 歸一化處理完成后，繼續判斷MSE是否達到要求的精度范圍內，假設要求的MSE在 10% W內，經過判斷后確認數據集的均方誤差在該范圍內，于是選取一段時間內的局部數 據作為訓練數據。且運些數據有較大的置信空間，而且輸入變量之間相關性較低。 陽225] 局部數據在權值調整批處理模式下，采用LM算法進行神經網絡參數學習，可W使 得MSE趨于更小值，網絡訓練更穩定，而收斂速度也更快。當收斂速度和網絡穩定性都穩 定時，針對參數學習后的神經網絡進一步優化網絡結構，使誤差函數下降，實現擬合性能優 化。 陽226] 選取級聯神經網絡結構，經過經驗公式推演和試湊發，選取合適的網絡節點數，假 設選取100個網絡節點，于是對運100個網絡節點進行訓練，在訓練耗時和MSE都達到標準 后，即完成中值場強預測模型的構建，根據A用戶的需求，預測出近期的太陽黑子數為20。 陽227] 下面對本發明中的基于神經網絡的短波中值場強預測裝置進行詳細描述，請參閱 圖8,本發明實施例中的基于神經網絡的短波中值場強預測裝置包括：
[0228] 生成模塊801，用于根據用戶需求生成對應的用戶指令，并根據所述用戶指令選取 短波場強預測的數據集；
[0229] 訓練模塊802,用于根據所述生成模塊801選取數據集，對神經網絡進行訓練； 陽230] 預測模塊803,用于根據所述生成模塊801生成的用戶指令，通過所述訓練模塊 802訓練后的神經網絡預測模型對短波中值場強進行預測。 陽231] 生成模塊801用戶需求生成對應的用戶指令，并根據用戶指令選取短波場強預測 的數據集，訓練模塊802根據生成模塊801選取的數據集，對神經網絡進行訓練，預測模型 803根據生成模塊801生成用戶指令，通過訓練后的神經網絡預測模型對短波中值場強進 行預測。 陽232] 本發明實施例中，通過基于大量歷史數據的神經網絡自學習過程，提高了短波中 值場強預測的靈活性和準確性，同時在用戶接口模塊中增加了神經網絡訓練準則映射功 能，按照一定規則將用戶需求映射為特定的神經網絡訓練準則，由此實現預測網絡的用戶 自定義，進一步增強了數值預測的靈活性和通用性。 陽233] 可選地，在上述圖8所對應的實施例的基礎上，請參閱圖9,本發明實施例提供的 基于神經網絡的短波中值場強預測裝置的另一實施例中，所述基于神經網絡的短波中值場 強預測裝置80還包括：
[0234] 判斷模塊804,用于根據所述生成模塊801生成的用戶指令選取短波場強預測的 數據集，判斷所述數據集是否滿足模型傳輸損耗影響因素；
[0235] 處理模塊806,用于若所述判斷模塊804判斷滿足所述模型傳輸損耗影響因素，貝U 根據所述數據集進行歸一化處理； 陽236] 丟棄模塊805,用于若所述判斷模塊804判斷不滿足所述模型傳輸損耗影響因素， 則丟棄所述數據集。 陽237] 其次，本發明實施例中，通過判斷選取的數據集樣本是否滿足模型傳輸損耗影響 因素，來決定是否使用所選數據集，如果不滿足模型傳輸損耗影響因素則丟棄數據集，運樣 可W獲取滿足條件的數據集，使得方案更具有合理性，同時可操作性也得W提升。
[0238] 可選地，在上述圖9所對應的實施例的基礎上，請參閱圖10,本發明實施例提供的 基于神經網絡的短波中值場強預測裝置的另一實施例中，
[0239] 所述判斷模塊804,還用于判斷所述歸一化處理后，均方誤差MSE是否達到預置的 精度范圍；
[0240] 選取模塊807,用于若所述判斷模塊804判斷達到預置的精度范圍，則從所述數據 集中選取局部數據用于進行神經網絡的訓練； 陽241] 所述處理模塊806,還用于若所述判斷模塊804判斷未達到預置的精度范圍，則進 行進一步歸一化處理。 陽242] 再次，本發明實施例中，針對歸一化處理后的數據進行進一步的判斷，判斷MSE是 否達到要求的精度范圍內，如果不滿足要求，則再進行歸一化處理，滿足要求后選取局部數 據作為訓練數據，運樣可W提升學習效率，訓練的精度也得到了保證，方案的實現效果更 好。 陽243] 可選地，在上述圖10對應的實施例的基礎上，參閱圖11，本發明實施例提供的基 于神經網絡的短波中值場強預測裝置另一實施例中，所述訓練模塊802包括：
[0244] 判斷單元8021，用于判斷所述選取模塊807選取的局部數據是否滿足足夠的置信 空間，且相關性在預置區間內；
[0245] 學習單元8022,用于若所述判斷單元8021判斷滿足足夠的置信空間，且相關性在 預置區間內，則對所述局部數據采用列文伯格-馬夸爾特法LM進行神經網絡參數的學習； 陽246] 處理單元8023,用于若判斷單元8021判斷不滿足足夠的置信空間，且相關性不在 預置區間內，則對所述局部數據進行屬性降維處理。 陽247] 進一步地，本發明實施例中，對局部數據在權值調整批處理模式下，采用LM算法 進行神經網絡的學習，可W使得性能參數MSE趨于更小，令網絡訓練達到更加穩定的狀態， 且收斂速度更快。對于不符合條件的局部數據進行屬性降維處理，使得數據盡可能具備完 整集的特征，因此方案在實現的過程中具有合理性，同時提高了預測的效率。
[0248] 可選地，在上述圖11對應的實施例的基礎上，參閱圖12,本發明實施例提供的基 于神經網絡的短波中值場強預測裝置另一實施例中，所述訓練模塊802還包括優化單元 8024，
[0249] 所述判斷單元8021，還用于判斷網絡穩定性與收斂速度是否達到第一預置值； 陽巧0] 所述優化單元8024,用于若所述網絡穩定性與收斂速度未達到第一預置值，則選 取級聯神經網絡結構，并根據所述級聯神經網絡結構選取網絡節點數，對神經網絡進行網 絡結構優化。 陽巧1] 再進一步地，本發明實施例中，通過判斷網絡穩定性和收斂速度是否達到預置值， 來達到優化網絡結構的目的，如果未達到預置值，則繼續使用擬牛頓算法進行學習。收斂速 度快說明計算效率高，可W更快的得到精確結果，網絡穩定性越好所預測的神經網絡預測 模型的精度也越高。與此同時，取合適的網絡節點數據，一方面使網絡存儲模型具有足夠的 能力，可w高精度的學習樣本，另一方面擁有泛化能力強的優勢，具有很大的自由度和很強 的數據處理能力，還可W有很強的數據外插能力。 陽巧2] 可選地，在上述圖12對應的實施例的基礎上，本發明實施例提供的基于神經網絡 的短波中值場強預測裝置另一實施例中， 陽巧3] 所述判斷單元8021，還用于判斷訓練耗時與MSE是否達到預置值； 陽巧4] 所述優化單元8024,還用于若所述判斷單元8021判斷未達到預置值，則重新進行 所述網絡結構優化。 陽巧5] 更進一步地，本發明實施例中，網絡結構優化后需要判斷訓練耗時與MSE是否達 到預置值，如果沒有達到則繼續進行網絡結構的進一步優化，運樣可W很大程度的增強訓 練后的神經網絡預測模型的精度和準確度，使方案的實用性更強。 陽巧6] 所屬領域的技術人員可W清楚地了解到，為描述的方便和簡潔，上述描述的系統， 裝置和單元的具體工作過程，可W參考前述方法實施例中的對應過程，在此不再寶述。 陽巧7] 在本申請所提供的幾個實施例中，應該理解到，所掲露的系統，裝置和方法，可W 通過其它的方式實現。例如，W上所描述的裝置實施例僅僅是示意性的，例如，所述單元的 劃分，僅僅為一種邏輯功能劃分，實際實現時可W有另外的劃分方式，例如多個單元或組件 可W結合或者可W集成到另一個系統，或一些特征可W忽略，或不執行。另一點，所顯示或 討論的相互之間的禪合或直接禪合或通信連接可W是通過一些接口，裝置或單元的間接禪 合或通信連接，可W是電性，機械或其它的形式。 陽巧引所述作為分離部件說明的單元可W是或者也可W不是物理上分開的，作為單元顯 示的部件可W是或者也可W不是物理單元，即可W位于一個地方，或者也可W分布到多個 網絡單元上。可W根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目 的。 陽巧9] 另外，在本發明各個實施例中的各功能單元可W集成在一個處理單元中，也可W 是各個單元單獨物理存在，也可W兩個或兩個W上單元集成在一個單元中。上述集成的單 元既可W采用硬件的形式實現，也可W采用軟件功能單元的形式實現。
[0260] 所述集成的單元如果W軟件功能單元的形式實現并作為獨立的產品銷售或使用 時，可W存儲在一個計算機可讀取存儲介質中。基于運樣的理解，本發明的技術方案本質 上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可軟件產品的形 式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用W使得一臺計算 機設備（可W是個人計算機，服務器，或者網絡設備等）執行本發明各個實施例所述方法 的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬盤、只讀存儲器（R0M，ReacK)nly Memcxry)、隨機存取存儲器（RAM, Random Access Memcxry)、磁碟或者光盤等各種可W存儲程 序代碼的介質。 陽261] W上所述，W上實施例僅用W說明本發明的技術方案，而非對其限制；盡管參照前 述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可W對前 述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而運些 修改或者替換，并不使對應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
【主權項】
1. 一種基于神經網絡的短波中值場強預測系統，其特征在于，包括： 用戶接口模塊、神經網絡訓練模塊和短波中值場強預測模塊； 所述用戶接口模塊用于根據用戶需求生成參數形式的用戶指令，將所述參數形式的用 戶指令發送至所述神經網絡訓練模塊和短波中值場強預測模塊； 所述神經網絡訓練模塊用于根據接收到的所述參數形式的用戶指令對神經網絡進行 訓練； 所述短波中值場強預測模塊用于根據接收到的所述參數形式的用戶指令，通過訓練后 的神經網絡預測模型對短波中值場強進行預測。2. 根據權利要求1所述的系統，其特征在于，所述用戶接口模塊包括數據映射單元和 用戶接口單元； 所述用戶接口模塊用于根據用戶需求生成參數形式的用戶指令，將所述參數形式的用 戶指令發送至所述神經網絡訓練模塊和短波中值場強預測模塊，包括： 所述數據映射單元用于將所述用戶需求映射成為所述參數形式的用戶指令； 所述用戶接口單元用于將所述參數形式的用戶指令發送至所述神經網絡訓練模塊和 短波中值場強預測模塊。3. 根據權利要求2所述的系統，其特征在于，所述數據映射單元包括短波場強預測資 源管理子單元； 所述數據映射單元用于將所述用戶需求映射成為所述參數形式的用戶指令，包括： 所述短波場強預測資源管理子單元用于存儲標準化短波場強預測的數據資源。4. 根據權利要求1所述的系統，其特征在于，所述神經網絡訓練模塊包括用戶指令第 一接口單元、訓練核心功能單元和網絡預測模型接口單元； 所述神經網絡訓練模塊用于根據接收到的所述參數形式的用戶指令對神經網絡進行 訓練，包括： 所述用戶指令第一接口單元用于接收所述用戶接口單元發送的所述參數形式的用戶 指令； 所述訓練核心功能單元用于將所述用戶指令以輸入參數及輸出參數的形式進行神經 網絡訓練，并建立對應的神經網絡預測模型； 所述網絡預測模型接口單元用于將所述神經網絡預測模型發送至短波中值場強預測 豐旲塊。5. 根據權利要求4所述的系統，其特征在于，所述訓練核心功能單元包括訓練數據預 處理子單元和網絡預測模型構建子單元； 所述訓練核心功能單元用于將所述用戶指令以輸入參數及輸出參數的形式進行神經 網絡訓練，并建立對應的神經網絡預測模型，包括： 所述訓練數據預處理子單元用于接收所述用戶指令第一接口單元發送的所述參數形 式的用戶指令，并進行參數預處理； 所述網絡預測模型構建子單元用于將所述訓練數據預處理子單元處理的數據，以輸入 參數及輸出參數的形式進行神經網絡訓練，并建立對應的神經網絡預測模型。6. 根據權利要求1所述的系統，其特征在于，所述短波中值場強預測模塊包括用戶指 令第二接口單元、預測模型接口單元和預測核心功能單元； 所述短波中值場強預測模塊用于根據接收到的所述參數形式的用戶指令，通過訓練后 的神經網絡預測模型對短波中值場強進行預測，包括： 所述用戶指令第二接口單元用于接收所述用戶接口單元發送的所述參數形式的用戶 指令； 所述預測模型接口單元用于接收所述網絡預測模型接口單元發送的網絡預測模型； 所述預測核心功能單元用于將所述用戶指令以輸入參數形式通過所述網絡預測模型， 預測輸出短波中值場強。7. -種基于神經網絡的短波中值場強預測方法，其特征在于，包括： 根據用戶需求生成對應的用戶指令，并根據所述用戶指令選取短波場強預測的數據 集； 根據所述數據集，對神經網絡進行訓練； 根據所述用戶指令，通過訓練后的神經網絡預測模型對短波中值場強進行預測。8. 根據權利要求7所述的方法，其特征在于，所述根據用戶需求生成對應的用戶指令， 并根據所述用戶指令選取短波場強預測的數據集之后，所述方法還包括： 根據所述用戶指令選取短波場強預測的數據集，判斷所述數據集是否滿足模型傳輸損 耗影響因素； 若滿足所述模型傳輸損耗影響因素，則根據所述數據集進行歸一化處理； 若不滿足所述模型傳輸損耗影響因素，則丟棄所述數據集。9. 根據權利要求8所述的方法，其特征在于，所述若滿足所述模型傳輸損耗影響因素， 則根據所述數據集進行歸一化處理之后，所述方法還包括： 判斷所述歸一化處理后，均方誤差MSE是否達到預置的精度范圍； 若達到預置的精度范圍，則從所述數據集中選取局部數據用于進行神經網絡的訓練； 若未達到預置的精度范圍，則進行進一步歸一化處理。10. 根據權利要求9所述的方法，其特征在于，所述根據所述數據集，對神經網絡進行 訓練，包括： 判斷所述局部數據是否滿足足夠的置信空間，且相關性在預置區間內； 若滿足足夠的置信空間，且相關性在預置區間內，則對所述局部數據采用列文伯 格-馬夸爾特法LM進行神經網絡參數的學習； 若不滿足足夠的置信空間，且相關性不在預置區間內，則對所述局部數據進行屬性降 維處理。11. 根據權利要求10所述的方法，其特征在于，所述若滿足足夠的置信空間，且相關性 在預置區間內，則對所述局部數據采用列文伯格-馬夸爾特法LM進行神經網絡參數的學習 之后，所述方法還包括： 判斷網絡穩定性與收斂速度是否達到第一預置值； 若所述網絡穩定性與收斂速度未達到第一預置值，則選取級聯神經網絡結構，并根據 所述級聯神經網絡結構選取網絡節點數，對神經網絡進行網絡結構優化。12. 根據權利要求11所述的方法，其特征在于，所述若所述網絡穩定性與收斂速度未 達到第一預置值，則選取級聯神經網絡結構，并根據所述級聯神經網絡結構選取網絡節點 數，對神經網絡進行網絡結構優化之后，所述方法還包括： 判斷訓練耗時與MSE是否達到第二預置值； 若未達到第二預置值，則重新進行所述網絡結構優化。13. -種基于神經網絡的短波中值場強預測裝置，其特征在于，包括： 生成模塊，用于根據用戶需求生成對應的用戶指令，并根據所述用戶指令選取短波場 強預測的數據集； 訓練模塊，用于根據所述數據集，對神經網絡進行訓練； 預測模塊，用于根據所述用戶指令，通過訓練后的神經網絡預測模型對短波中值場強 進行預測。14. 根據權利要求13所述的裝置，其特征在于，所述裝置還包括： 判斷模塊，用于根據所述用戶指令選取短波場強預測的數據集，判斷所述數據集是否 滿足模型傳輸損耗影響因素； 處理模塊，用于若滿足所述模型傳輸損耗影響因素，則根據所述數據集進行歸一化處 理； 丟棄模塊，用于若不滿足所述模型傳輸損耗影響因素，則丟棄所述數據集。15. 根據權利要求14所述的裝置，其特征在于，所述裝置還包括選取模塊， 所述判斷模塊，還用于判斷所述歸一化處理后，均方誤差MSE是否達到預置的精度范 圍； 所述選取模塊，用于若達到預置的精度范圍，則從所述數據集中選取局部數據用于進 行神經網絡的訓練； 所述處理模塊，還用于若未達到預置的精度范圍，則進行進一步歸一化處理。16. 根據權利要求15所述的裝置，其特征在于，所述訓練模塊包括： 判斷單元，用于判斷所述局部數據是否滿足足夠的置信空間，且相關性在預置區間 內； 學習單元，用于若滿足足夠的置信空間，且相關性在預置區間內，則對所述局部數據采 用列文伯格-馬夸爾特法LM進行神經網絡參數的學習； 處理單元，用于若不滿足足夠的置信空間，且相關性不在預置區間內，則對所述局部數 據進行屬性降維處理。17. 根據權利要求16所述的裝置，其特征在于，所述訓練模塊還包括優化單元， 所述判斷單元，還用于判斷網絡穩定性與收斂速度是否達到第一預置值； 所述優化單元，用于若所述網絡穩定性與收斂速度未達到第一預置值，則選取級聯神 經網絡結構，并根據所述級聯神經網絡結構選取網絡節點數，對神經網絡進行網絡結構優 化。18. 根據權利要求17所述的裝置，其特征在于， 所述判斷單元，還用于判斷訓練耗時與MSE是否達到第二預置值； 所述優化單元，還用于若未達到第二預置值，則重新進行所述網絡結構優化。
【文檔編號】G06N3/02GK105989407SQ201510074683
【公開日】2016年10月5日
【申請日】2015年2月12日
【發明人】陳迎春, 孫昱, 張靜, 董芳, 杜劍平, 童珉, 冉曉旻, 莫有權, 張暉, 馬博強, 翟龍飛
【申請人】中國人民解放軍信息工程大學