CN104868960A - 背景干扰噪声电平预测方法及系统 - Google Patents

Abstract

本发明涉及一种背景干扰噪声电平预测方法及系统，该方法包括如下步骤：根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵；求解相关系数矩阵获得相关系数；根据相关系数及历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值，获取预设频点在预测时刻的背景干扰噪声电平预测值。本发明根据历史数据以及相关系数获取预测频点在预测时刻的背景干扰噪声电平预测值，具有较高的预测精度。另外，本发明在处理数据时采用相关性法，对历史数据量的要求较低，在保证预测精度的同时提高了计算效率，且适用于全频段。

Description

背景干扰噪声电平预测方法及系统

技术领域

本发明涉及频率管理技术，特别涉及一种背景干扰噪声电平预测方法及系统。

背景技术

背景干扰噪声是影响接收机信号干扰噪声比的决定因素之一，其预测精度直接影响到动态频率管理的准确性和有效性。背景干扰噪声是影响或破坏无线电设备正常工作的电磁辐射的总和，由干扰信号和背景噪声组成。目前围绕背景干扰噪声电平预测的主要技术有以下几种：

(1)ITU-R P.372建议书提供了0.1Hz～100GHz范围内背景噪声电平的参考值，该建议书将背景噪声规定为各种来源的无用辐射的总和，且专门排除了来自单一可识别发射信号，这种方式对实际环境特别是城市和居民区等噪声发射设备密集地区并不适用，估算的背景噪声值会普遍偏低。

(2)ITU-R SM.1753建议书给出了一种实际无线电应用中测量和评估背景噪声的方法。该建议书将背景噪声分为高斯白噪声、脉冲噪声和单载波噪声三个组成部分。对高斯白噪声的测量采用“20％方法”，即首先对所研究的频段进行扫描，选取一个或多个不存在发射的频点，记录一定时间段的电平值，并采用其中最低的20％的电平值的中值作为噪声电平。该方法舍弃了80％的样本，精度不高，且需要人工参与选择空闲频点，实施较为复杂。

(3)目前还有一种基于分层-聚类算法的电磁背景噪声提取方法，该方法将采集的频谱监测数据进行数据子集划分和场强分层，获取各聚类簇的中心场强值，通过对中心场强值排序得到背景噪声样本值，形成背景噪声样本序列，获取单位时间内的背景噪声电平。该方法相比上述两种方法，精度显著提高，且不需要人工参与。但该方法以及上述两种方法均只提供了对背景噪声的预测，而在实际的动态频率管理应用中，还需要考虑干扰信号的影响。

在频谱监测中，每个频点采集的电磁能量为该频点的干扰噪声电平总和。由于干扰的随机性，特别是短波频段，干扰噪声电平往往在较大范围内波动，采用实测数据或一段时间内的均值作为短期内的干扰噪声电平预测值，精度亦难以满足要求。

发明内容

基于此，为解决现有背景干扰噪声电平预测技术中存在的问题，本发明提供一种背景干扰噪声电平预测方法及系统，科学分析累积的历史频谱监测数据，得出较高精度的背景干扰噪声电平预测值。

为实现上述目的，本发明实施例中采用如下技术方案：

一种背景干扰噪声电平预测方法，包括如下步骤：

根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵；所述历史背景干扰噪声电平均值数据集包括所述预测频点在若干个不同时间段的背景干扰噪声电平均值；

求解所述相关系数矩阵获得相关系数；

根据所述相关系数及所述历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值，获取所述预设频点在预测时刻的背景干扰噪声电平预测值。

本发明根据历史背景干扰噪声电平均值数据集进行相关性分析，获取相关系数，根据历史数据以及相关系数获取预测频点在预测时刻的背景干扰噪声电平预测值，具有较高的预测精度。另外，本发明在处理数据时采用相关性法，因而对历史数据量的要求较低，在保证良好的预测精度时提高了计算效率，且适用于全频段。

附图说明

图1为本发明实施例中背景干扰噪声电平预测方法的流程示意图；

图2为本发明实施例中构建相关系数矩阵的流程示意图；

图3为本发明实施例中6MHz的背景干扰噪声电平预测结果与实际结果的对比示意图；

图4为本发明实施例中6MHz的背景干扰噪声电平预测误差分布图；

图5为本发明实施例中11MHz的背景干扰噪声电平预测结果与实际结果的对比示意图；

图6为本发明实施例中11MHz的背景干扰噪声电平预测误差分布图；

图7为本发明实施例中15MHz的背景干扰噪声电平预测结果与实际结果的对比示意图；

图8为本发明实施例中15MHz的背景干扰噪声电平预测误差分布图；

图9为本发明实施例中背景干扰噪声电平预测系统的结构示意图；

图10为本发明实施例中另一背景干扰噪声电平预测系统的结构示意图；

图11为本发明实施例中又一背景干扰噪声电平预测系统的结构示意图。

具体实施方式

下面结合附图对本发明的内容作进一步描述。

如图1所示，本实施例中提供一种背景干扰噪声电平预测方法，包括如下步骤：

S100根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵；所述历史背景干扰噪声电平均值数据集包括所述预测频点在若干个不同时间段的背景干扰噪声电平均值；

S200求解所述相关系数矩阵获得相关系数；

S300根据所述相关系数及所述历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值，获取所述预设频点在预测时刻的背景干扰噪声电平预测值。

具体的，本实施例的基本原理为：假设某个时间段的背景干扰噪声电平与之前一定时间内(例如同一天之前一段时间和前几天相近时间)的背景干扰噪声电平成线性关系，则找出这种线性关系，就可以预测未来时间的背景干扰噪声电平。因此，首先根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵。其中，历史背景干扰噪声电平均值数据集中涵盖了预测频点的历史数据，即预测频点在多个不同时间段的背景干扰噪声电平均值。然后根据相关系数矩阵即可以求解出相关系数，获得相关系数后，也就是说找出了上述的线性关系，因此根据相关系数以及与预测时刻对应的若干个不同时间段的背景干扰噪声电平均值即可对预测频点在预测时刻的背景干扰噪声进行预测。

在一种具体实施方式中，可通过如下方法获取预测频点的历史背景干扰噪声电平均值数据集：

采集所述预测频点若干个观察周期的背景干扰噪声电平瞬时值；

将一个观察周期按照预设粒度划分为若干个时间段，根据各个时间段内的背景干扰噪声电平瞬时值，统计所述预测频点各个时间段的背景干扰噪声电平均值；

根据各个时间段的背景干扰噪声电平均值生成所述预测频点的历史背景干扰噪声电平均值数据集。

举例而言，假设以一天为一个观察周期，设预测频点的监测数据集为P₀，P₀的表达式为：

P₀＝[p₀(d,n)]d＝1,2,…,D；n＝1,2,…,N

其中：

p₀为监测数据集中的元素，即每个观察周期监测到的预测频点的背景干扰噪声电平瞬时值(单位为dB)；

D为采集的天数；

N为一天中的预测频点原始监测数据的样本数，N＝24×60/t₀，其中，t₀为频谱监测设备的扫描周期。

然后将一天(24小时)按预设粒度划分为若干个时间段，统计预测频点每个时间段的背景干扰噪声电平均值。

设预测频点的历史背景干扰噪声电平均值数据集为P₁，P₁的表达式为：

P₁＝[p₁(d,m)]d＝1,2,…,D；m＝1,2,…,M

其中：

p₁为历史背景干扰噪声电平均值数据集中的元素(单位为dB)；

M为一天中被划分出的时间段数，M＝24×60/T，其中T为预设粒度(单位为分钟)。

由此可推导出p₁的表达式为：

$p_1(d,m)=101g(\underset{n=n_1}{\overset{n=n_2}{\mathrm{\Σ}}}{10}^{\frac{p_0(d,n)}{10}}/L)$

其中：

$\left\{\begin{array}{c}L=T/t_0\\ n_1=(m-1)\×L+1\\ n_2=m\×L\end{array}\right.$

根据历史背景干扰噪声电平均值数据集P₁，采用相关法开展背景干扰噪声电平预测。相关性法的优点是对历史数据要求较低，在数据较少时也能得出较满意的结果，而得出的相关性系数在短期内可重复使用，计算效率高。下面详细讲述相关性法的过程。

首先，根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵，如图2所示，在一种具体实施方式中，包括以下步骤：

S101根据所述历史背景干扰噪声电平均值数据集选定若干个时间段作为参考时间段；

S102获取与所述参考时间段相关的若干个相关时间段；

S103根据所述参考时间段的背景干扰噪声电平均值以及所述相关时间段的背景干扰噪声电平均值构建所述参考时间段的相关函数；

S104根据各个所述参考时间段的相关函数构建所述相关系数矩阵。

假设某个参考时间段的背景干扰噪声电平均值为p_1.0，可按照一定的规律选取相关性比较大的时间段作为相关时间段，例如同一天之前的数个时间段和前几天相近的时间段，即一定周期前的相近时间段，周期的选择可以根据实际情况确定，一般常用的为小时和天，相关时间段选好后按次序排列。假设与p_1.0相关的w个相关时间段的背景干扰噪声电平均值分别为p_1.1、p_1.2、…、p_1.w，存在相关系数{a₁，a₂，…，a_w}，满足a₁+a₂+…+a_w＝1，使得以下函数成立：

p_1.0＝a₁p_1.1+a₂p_1.2+…+a_wp_1.w

这样选择若干个参考时间段，依据各个参考时间段的背景干扰噪声电平均值以及相关时间段的背景干扰噪声电平均值构建参考时间段的相关函数。例如：选择s个参考时间段分别构建各自的相关函数：

$\left\{\begin{array}{c}{a}_1{p}_{1.11}+a_2{p}_{1.21}+...+a_w{p}_{1.w1}-p_{1.01}=0\\ a_1{p}_{1.12}+a_2{p}_{1.22}+...+a_w{p}_{1.w2}-p_{1.02}=0\\ ...\\ a_1{p}_{1.1s}+a_2{p}_{1.2s}+...+a_w{p}_{1.\mathrm{ws}}-p_{1.0s}=0\end{array}\right.$

其中，p_1.01、p_1.02、…、p_1.0s表示第1至第s个参考时间段对应的背景干扰噪声电平均值，p_1.11、p_1.21、…、p_1.w1为第1个参考时间段(该第1个参考时间段的背景干扰噪声电平均值为p_1.01)的w个相关时间段对应的背景干扰噪声电平均值，p_1.12、p_1.22、…、p_1.w2为第2个参考时间段(该第2个参考时间段的背景干扰噪声电平均值为p_1.02)的w个相关时间段对应的背景干扰噪声电平均值，以此类推，p_1.1s、p_1.2s、…、p_1.ws为第s个参考时间段(该第s个参考时间段的背景干扰噪声电平均值为p_1.0s)的w个相关时间段对应的背景干扰噪声电平均值。根据上述s个参考时间段的相关函数，即可构建相关系数矩阵。

在一种具体实施方式中，当根据参考时间段的背景干扰噪声电平均值以及相关时间段的背景干扰噪声电平均值构建参考时间段的相关函数时，若有相关时间段的背景干扰噪声电平均值缺失，则将该相关时间段所属的参考时间段的背景干扰噪声电平均值作为该相关时间段的背景干扰噪声电平均值，例如，若p_1.ws缺失，则可用p_1.0s替代p_1.ws进行计算。

在一种具体实施方式中，当根据参考时间段的背景干扰噪声电平均值以及相关时间段的背景干扰噪声电平均值构建参考时间段的相关函数时，若当前参考时间段对应的若干个相关时间段的背景干扰噪声电平均值缺失，且缺失背景干扰噪声电平均值的相关时间段的数量占当前参考时间段对应的相关时间段总量的比例大于阈值，则取消构建当前参考时间段的相关函数。例如，第s个参考时间段对应的相关时间段总量为w个，w个相关时间段对应的背景干扰噪声电平均值分别为p_1.1s、p_1.2s、…、p_1.ws，其中有b个相关时间段的背景干扰噪声电平均值缺失，当b/w大于阈值时，则取消构建该第s个参考时间段的相关函数，可重新挑选参考时间段进行计算。

在一种具体实施方式中，当根据参考时间段的背景干扰噪声电平均值以及相关时间段的背景干扰噪声电平均值构建参考时间段的相关函数时，若参考时间段的背景干扰噪声电平均值缺失，则取消构建该参考时间段的相关函数。例如，若第s个参考时间段的背景干扰噪声电平均值缺失，则该第s个参考时间段不参与计算，可重新挑选参考时间段构建相关函数。

其次，构建出相关系数矩阵后，即可求解相关系数。在一种具体实施方式中，在求解相关系数矩阵时采用最小二乘法，最终获得相关系数{a₁，a₂，…，a_w}。

然后，基于计算出的相关系数及历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值，即可计算预测频点在预测时刻的背景干扰噪声电平预测值。此处在挑选预测时刻对应的若干个不同时间段时，可参考上述选择参考时间段对应的相关时间段的方式，本发明对此不做限制。

在一种具体实施方式中，若预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值存在部分数据缺失，则根据预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值的剩余数据以及该剩余数据所对应的相关系数获取预测频点在预测时刻的背景干扰噪声电平预测值。例如，在实际预测计算时，计算所需的背景干扰噪声电平均值：p_1.1、p_1.2、…、p_1.w，存在部分数据缺失，则可取剩余数据以及剩余数据对应的相关系数进行计算：

$p_{1.0}=\frac{a_{i1}{p}_{1.i1}+a_{i2}{p}_{1.i2}+...+a_{\mathrm{ik}}{p}_{1.\mathrm{ik}}}{a_{i1}+a_{i2}+...+a_{\mathrm{ik}}},k<w$

其中，p_1.0表示预测频点在预测时刻的背景干扰噪声电平预测值，p_1.i1、p_1.i2、…、p_1.ik表示k个剩余数据，a_i1、a_i2、…、a_ik分别为k个剩余数据对应的相关系数。

以下结合一个具体的案例说明本发明的背景干扰噪声电平预测方法的有益效果。

在本案例中，以1天作为一个观察周期，采集北京延庆地区2014年5月13日至5月20日连续8天的频谱监测数据。频谱监测设备工作频段为2～30MHz，分析带宽为3kHz，扫描速率为500信道每秒。以5分钟为一个时间段，将一天24小时划分为288个时间段，分别计算6MHz、11MHz、15MHz三个预测频点每个时间段的背景干扰噪声电平均值，得到各预测频点的历史背景干扰噪声电平均值数据集。然后，基于历史背景干扰噪声电平均值数据集采用相关性法进行背景干扰噪声电平预测：

(1)在2014年5月19日的背景干扰噪声电平均值中，分散提取30个参考时间段，采用2014年5月17日、18日、19日的背景干扰噪声电平均值提取对应的相关时间段，构建6MHz的相关系数矩阵。

(2)根据6MHz的相关系数矩阵，基于最小二乘法求得相关系数。

(3)基于2014年5月13日至19日6MHz的背景干扰噪声电平均值及求出的相关系数，计算2014年5月20日6MHz全天288个时间段的背景干扰噪声电平预测值，预测结果与实测结果的对比如图3所示，误差分布如图4所示。图3中，横轴表示时间，单位为小时，纵轴表示背景干扰噪声电平，单位为dB。图4中，横轴表示绝对误差，单位为dB，纵轴表示时间段数量，单位为个。

通过同样的方法可分别求得5月20日11MHz和15MHz的背景干扰噪声电平预测值。11MHz预测结果与实测结果对比如图5所示，误差分布如图6所示。15MHz预测结果与实测结果对比如图7所示，误差分布如图8所示。

综上所述，本发明根据历史背景干扰噪声电平均值数据集进行相关性分析，根据历史数据以及相关系数获取预测频点在预测时刻的背景干扰噪声电平预测值，具有较高的预测精度。另外，本发明对历史数据量的要求较低，得出的相关系数短期内可重复使用，因而在保证预测精度的同时提高了计算效率，且适用于全频段。

相应的，本发明还提供一种背景干扰噪声电平预测系统，如图9所示，包括：

矩阵构建模块100，用于根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵；所述历史背景干扰噪声电平均值数据集包括所述预测频点在若干个不同时间段的背景干扰噪声电平均值；

相关系数求解模块200，用于求解所述相关系数矩阵获得相关系数；

预测模块300，用于根据所述相关系数及所述历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值，获取所述预设频点在预测时刻的背景干扰噪声电平预测值。

具体的，本发明的背景干扰噪声电平预测系统的基本原理为：假设某个时间段的背景干扰噪声电平与之前一定时间内(例如同一天之前一段时间和前几天相近时间)的背景干扰噪声电平成线性关系，则找出这种线性关系，就可以预测未来时间的背景干扰噪声电平。因此，本发明的背景干扰噪声电平预测系统中的矩阵构建模块100首先根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵。其中，历史背景干扰噪声电平均值数据集中涵盖了预测频点的历史数据，即预测频点在多个不同时间段的背景干扰噪声电平均值。然后相关系数求解模块200根据相关系数矩阵即可以求解出相关系数，获得相关系数后，也就是说找出了上述的线性关系，因此预测模块300根据相关系数以及与预测时刻对应的若干个不同时间段的背景干扰噪声电平均值即可对预测频点在预测时刻的背景干扰噪声进行预测。

在一种具体实施方式中，本发明的背景干扰噪声电平预测系统还包括历史数据集模块，如图10所示，历史数据集模块400包括：

采集模块401，用于采集所述预测频点若干个观察周期的背景干扰噪声电平瞬时值；

均值统计模块402，用于将一个观察周期按照预设粒度划分为若干个时间段，根据各个时间段内的背景干扰噪声电平瞬时值，统计所述预测频点各个时间段的背景干扰噪声电平均值；

数据集生成模块403，用于根据每个时间段的背景干扰噪声电平均值生成所述预测频点的历史背景干扰噪声电平均值数据集。

举例而言，假设以一天为一个观察周期，采集模块401采集预测频点若干天的背景干扰噪声电平瞬时值，设预测频点的频谱监测数据集为P₀，P₀的表达式为：

P₀＝[p₀(d,n)]d＝1,2,…,D；n＝1,2,…,N

其中：

p₀为频谱监测数据集中的元素，即每天监测到的预测频点的背景干扰噪声电平瞬时值(单位为dB)；

D为采集的天数；

N为一天中的预测频点频谱监测数据的样本数即背景干扰噪声电平瞬时值的样本数，N＝24×60/t₀，其中，t₀为频谱监测设备的扫描周期。

然后均值统计模块402将一天(24小时)按预设粒度划分为若干个时间段，统计预测频点每个时间段的背景干扰噪声电平均值。

数据集生成模块403根据每个时间段的背景干扰噪声电平均值生成预测频点的历史背景干扰噪声电平均值数据集。

设预测频点的历史背景干扰噪声电平均值数据集为P₁，P₁的表达式为：

P₁＝[p₁(d,m)]d＝1,2,…,D；m＝1,2,…,M

其中：

p₁为历史背景干扰噪声电平均值数据集中的元素(单位为dB)；

M为一天中被划分出的时间段数，M＝24×60/T，其中T为预设粒度(单位为分钟)。

由此可推导出p₁的表达式为：

$p_1(d,m)=101g(\underset{n=n_1}{\overset{n=n_2}{\mathrm{\&Sigma;}}}{10}^{\frac{p_0(d,n)}{10}}/L)$

其中：

$\left\{\begin{array}{c}L=T/t_0\\ n_1=(m-1)\&times;L+1\\ n_2=m\&times;L\end{array}\right.$

在一种具体实施方式中，如图11所示，矩阵构建模块100包括：

参考选取模块101，用于根据所述历史背景干扰噪声电平均值数据集选定若干个时间段作为参考时间段；

相关获取模块102，用于获取与所述参考时间段相关的若干个相关时间段；

相关函数构建模块103，用于根据所述参考时间段的背景干扰噪声电平均值以及所述相关时间段的背景干扰噪声电平均值构建所述参考时间段的相关函数；

矩阵生成模块104，用于根据各个所述参考时间段的相关函数构建所述相关系数矩阵。

参考选取模块101根据历史背景干扰噪声电平均值数据集P₁选定若干个时间段作为参考时间段。假设选定的某个参考时间段的背景干扰噪声电平均值为p_1.0，相关获取模块102获取与该参考时间段相关的若干个相关时间段，可按照一定的规律选取相关性比较大的时间段，例如同一天之前的数个时间段和前几天相近的时间段，即一定周期前的相近时间段，周期的选择可以根据实际情况确定，一般常用的为小时和天，相关时间段选好后按次序排列。假设与p_1.0相关的w个相关时间段的背景干扰噪声电平均值分别为p_1.1、p_1.2、…、p_1.w，存在相关系数{a₁，a₂，…，a_w}，满足a₁+a₂+…+a_w＝1，使得以下函数成立：

p_1.0＝a₁p_1.1+a₂p_1.2+…+a_wp_1.w

这样选择若干个参考时间段及对应的相关时间段，相关函数构建模块103依据各个参考时间段的背景干扰噪声电平均值以及相关时间段的背景干扰噪声电平均值构建参考时间段的相关函数。例如：选择s个参考时间段分别构建各自的相关函数：

$\left\{\begin{array}{c}{a}_1{p}_{1.11}+a_2{p}_{1.21}+...+a_w{p}_{1.w1}-p_{1.01}=0\\ a_1{p}_{1.12}+a_2{p}_{1.22}+...+a_w{p}_{1.w2}-p_{1.02}=0\\ ...\\ a_1{p}_{1.1s}+a_2{p}_{1.2s}+...+a_w{p}_{1.\mathrm{ws}}-p_{1.0s}=0\end{array}\right.$

其中，p_1.01、p_1.02、…、p_1.0s表示第1至第s个参考时间段对应的背景干扰噪声电平均值，p_1.11、p_1.21、…、p_1.w1为第1个参考时间段(该第1个参考时间段的背景干扰噪声电平均值为p_1.01)的w个相关时间段对应的背景干扰噪声电平均值，p_1.12、p_1.22、…、p_1.w2为第2个参考时间段(该第2个参考时间段的背景干扰噪声电平均值为p_1.02)的w个相关时间段对应的背景干扰噪声电平均值，以此类推，p_1.1s、p_1.2s、…、p_1.ws为第s个参考时间段(该第s个参考时间段的背景干扰噪声电平均值为p_1.0s)的w个相关时间段对应的背景干扰噪声电平均值。根据上述s个参考时间段的相关函数，矩阵生成模块104即可构建出相关系数矩阵。

在一种具体实施方式中，相关函数构建模块103在根据参考时间段的背景干扰噪声电平均值以及相关时间段的背景干扰噪声电平均值构建参考时间段的相关函数时，若有相关时间段的背景干扰噪声电平均值缺失，则相关函数构建模块103将该相关时间段所属的参考时间段的背景干扰噪声电平均值作为该相关时间段的背景干扰噪声电平均值。

在一种具体实施方式汇总，相关函数构建模块103在根据参考时间段的背景干扰噪声电平均值以及相关时间段的背景干扰噪声电平均值构建参考时间段的相关函数时，若当前参考时间段对应的若干个相关时间段的背景干扰噪声电平均值缺失，且缺失背景干扰噪声电平均值的相关时间段的数量占当前参考时间段对应的相关时间段总量的比例大于阈值，则相关函数构建模块取消构建当前参考时间段的相关函数。

在一种具体实施方式中，相关函数构建模块103在根据参考时间段的背景干扰噪声电平均值以及相关时间段的背景干扰噪声电平均值构建参考时间段的相关函数时，若参考时间段的背景干扰噪声电平均值缺失，则取消构建该参考时间段的相关函数。例如，若第s个参考时间段的背景干扰噪声电平均值缺失，则该第s个参考时间段不参与计算，可通过参考选取模块101重新挑选参考时间段构建相关函数。

矩阵构建模块100构建出相关系数矩阵后，相关系数求解模块200即可求解相关系数。在一种具体实施方式中，相关系数求解模块200在求解相关系数矩阵获得相关系数时采用最小二乘法。

另外，预测模块300在获取预设频点在预测时刻的背景干扰噪声电平预测值时，若预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值存在部分数据缺失，则预测模块300根据预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值的剩余数据以及该剩余数据所对应的相关系数获取预测频点在预测时刻的背景干扰噪声电平预测值。例如，在实际预测计算时，计算所需的背景干扰噪声电平均值：p_1.1、p_1.2、…、p_1.w，存在部分数据缺失，则预测模块300可取剩余数据以及剩余数据对应的相关系数进行计算：

$p_{1.0}=\frac{a_{i1}{p}_{1.i1}+a_{i2}{p}_{1.i2}+...+a_{\mathrm{ik}}{p}_{1.\mathrm{ik}}}{a_{i1}+a_{i2}+...+a_{\mathrm{ik}}},k<w$

其中，p_1.0表示预测频点在预测时刻的背景干扰噪声电平预测值，p_1.i1、p_1.i2、…、p_1.ik表示k个剩余数据，a_i1、a_i2、…、a_ik分别为k个剩余数据对应的相关系数。

以上各个模块其具体功能的实现，可参照上述背景烦扰噪声预测方法部分的描述，此处不再赘述。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (14)

1.一种背景干扰噪声电平预测方法，其特征在于，包括如下步骤：

根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵；所述历史背景干扰噪声电平均值数据集包括所述预测频点在若干个不同时间段的背景干扰噪声电平均值；

求解所述相关系数矩阵获得相关系数；

根据所述相关系数及所述历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值，获取所述预设频点在预测时刻的背景干扰噪声电平预测值。

2.根据权利要求1所述的背景干扰噪声电平预测方法，其特征在于，通过如下步骤获取所述预测频点的历史背景干扰噪声电平均值数据集：

采集所述预测频点若干个观察周期的背景干扰噪声电平瞬时值；

将一个观察周期按照预设粒度划分为若干个时间段，根据各个时间段内的背景干扰噪声电平瞬时值统计所述预测频点各个时间段的背景干扰噪声电平均值；

根据各个时间段的背景干扰噪声电平均值生成所述预测频点的历史背景干扰噪声电平均值数据集。

3.根据权利要求1所述的背景干扰噪声电平预测方法，其特征在于，根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵的过程包括如下步骤：

根据所述历史背景干扰噪声电平均值数据集选定若干个时间段作为参考时间段；

获取与所述参考时间段相关的若干个相关时间段；

根据所述参考时间段的背景干扰噪声电平均值以及所述相关时间段的背景干扰噪声电平均值构建所述参考时间段的相关函数；

根据各个所述参考时间段的相关函数构建所述相关系数矩阵。

4.根据权利要求1所述的背景干扰噪声电平预测方法，其特征在于，在求解所述相关系数矩阵获得相关系数时采用最小二乘法。

5.根据权利要求2所述的背景干扰噪声电平预测方法，其特征在于，在根据所述相关系数及所述历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值、获取所述预设频点在预测时刻的背景干扰噪声电平预测值时，若所述预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值存在部分数据缺失，则根据所述预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值的剩余数据以及该剩余数据所对应的相关系数获取所述预测频点在预测时刻的背景干扰噪声电平预测值。

6.根据权利要求3所述的背景干扰噪声电平预测方法，其特征在于，在根据所述参考时间段的背景干扰噪声电平均值以及所述相关时间段的背景干扰噪声电平均值构建所述参考时间段的相关函数时，若有相关时间段的背景干扰噪声电平均值缺失，则将该相关时间段所属的参考时间段的背景干扰噪声电平均值作为该相关时间段的背景干扰噪声电平均值。

7.根据权利要求6所述的背景干扰噪声电平预测方法，其特征在于，在根据所述参考时间段的背景干扰噪声电平均值以及所述相关时间段的背景干扰噪声电平均值构建所述参考时间段的相关函数时，若当前参考时间段对应的若干个相关时间段的背景干扰噪声电平均值缺失，且缺失背景干扰噪声电平均值的相关时间段的数量占当前参考时间段对应的相关时间段总量的比例大于阈值，则取消构建当前参考时间段的相关函数。

8.一种背景干扰噪声电平预测系统，其特征在于，包括：

矩阵构建模块，用于根据预测频点的历史背景干扰噪声电平均值数据集构建相关系数矩阵；所述历史背景干扰噪声电平均值数据集包括所述预测频点在若干个不同时间段的背景干扰噪声电平均值；

相关系数求解模块，用于求解所述相关系数矩阵获得相关系数；

预测模块，用于根据所述相关系数及所述历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值，获取所述预设频点在预测时刻的背景干扰噪声电平预测值。

9.根据权利要求8所述的背景干扰噪声电平预测系统，其特征在于，还包括历史数据集模块，所述历史数据集模块包括：

采集模块，用于采集所述预测频点若干个观察周期的背景干扰噪声电平瞬时值；

均值统计模块，用于将一个观察周期按照预设粒度划分为若干个时间段，根据各个时间段内的背景干扰噪声电平瞬时值，统计所述预测频点各个时间段的背景干扰噪声电平均值；

数据集生成模块，用于根据各个时间段的背景干扰噪声电平均值生成所述预测频点的历史背景干扰噪声电平均值数据集。

10.根据权利要求8所述的背景干扰噪声电平预测系统，其特征在于，所述矩阵构建模块包括：

参考选取模块，用于根据所述历史背景干扰噪声电平均值数据集选定若干个时间段作为参考时间段；

相关获取模块，用于获取与所述参考时间段相关的若干个相关时间段；

相关函数构建模块，用于根据所述参考时间段的背景干扰噪声电平均值以及所述相关时间段的背景干扰噪声电平均值构建所述参考时间段的相关函数；

矩阵生成模块，用于根据各个所述参考时间段的相关函数构建所述相关系数矩阵。

11.根据权利要求8所述的背景干扰噪声电平预测系统，其特征在于，所述相关系数求解模块在求解所述相关系数矩阵获得相关系数时采用最小二乘法。

12.根据权利要求9所述的背景干扰噪声电平预测系统，其特征在于，所述预测模块在根据所述相关系数及所述历史背景干扰噪声电平均值数据集中预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值、获取所述预设频点在预测时刻的背景干扰噪声电平预测值时，若所述预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值存在部分数据缺失，则所述预测模块根据所述预测时刻所对应的若干个不同时间段的背景干扰噪声电平均值的剩余数据以及该剩余数据所对应的相关系数获取所述预测频点在预测时刻的背景干扰噪声电平预测值。

13.根据权利要求10所述的背景干扰噪声电平预测系统，其特征在于，所述相关函数构建模块在根据所述参考时间段的背景干扰噪声电平均值以及所述相关时间段的背景干扰噪声电平均值构建所述参考时间段的相关函数时，若有相关时间段的背景干扰噪声电平均值缺失，则所述相关函数构建模块将该相关时间段所属的参考时间段的背景干扰噪声电平均值作为该相关时间段的背景干扰噪声电平均值。

14.根据权利要求10所述的背景干扰噪声电平预测方法，其特征在于，所述相关函数构建模块在根据所述参考时间段的背景干扰噪声电平均值以及所述相关时间段的背景干扰噪声电平均值构建所述参考时间段的相关函数时，若当前参考时间段对应的若干个相关时间段的背景干扰噪声电平均值缺失，且缺失背景干扰噪声电平均值的相关时间段的数量占当前参考时间段对应的相关时间段总量的比例大于阈值，则所述相关函数构建模块取消构建当前参考时间段的相关函数。