CN108631817B - 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 - Google Patents
一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 Download PDFInfo
- Publication number
- CN108631817B CN108631817B CN201810442971.XA CN201810442971A CN108631817B CN 108631817 B CN108631817 B CN 108631817B CN 201810442971 A CN201810442971 A CN 201810442971A CN 108631817 B CN108631817 B CN 108631817B
- Authority
- CN
- China
- Prior art keywords
- frequency
- neural network
- center
- equal
- frequency hopping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
Abstract
本发明公开了一种基于时频分析和径向神经网络进行跳频信号频段预测的方法,包括如下步骤:一、采用时频分析得到跳频信号的频率以及跳频周期;二、采用RBF神经网络对跳频信号的频段进行预测,选取高斯函数作为RBF神经网络的径向基函数;通过上述优化方案可通过优化学习训练得出RBF神经网络中的中心、宽度及权值,在实际测试数据的时候可将得出的数据继续作为样本输入到网络结构当中,重复上述步骤,这样当测试的数据越多网络的结构更加精确,测量的结果也更加精确。
Description
技术领域
本发明涉及一种基于时频分析和径向神经网络进行跳频信号频段预测的方法。
背景技术
本课题的研究内容是基于时频分析和径向神经网络的频段预测,主要是对在军事领域当中用来通信的跳频信号进行频段预测。
在军事通信中采用跳频技术是为了确保通信的秘密性和抗干扰性。与定频通信相比,跳频通信比较隐蔽也难以被截获。只要对方不清楚载频跳变的规律,就很难截获我方的通信内容。同时,跳频通信也具有良好的抗干扰能力,即使有部分频点被干扰,仍能在其他未被干扰的频点上进行正常的通信。
因此,本实验研究对跳频信号的频段预测。跳频信号的频率受伪随机码控制,伪随机码是具有某种随机序列随机特性的序列码,看似没有任何规律,实则是一种具有循环性质的随机序列,只是循环的位数相当大,从而不易找到。
现有网络脆弱性分析方法往往忽略了节点在网络中的重要性差异以及网络节点之间的相互联系,导致预测系统最终得到的输出数据与实际误差较大。
传统的RBF神经网络在解决跳频信号时对全局性的考虑不够充分,导致预测系统容易陷入局部最优解,或者是运算速率较慢,从而得不到准确的频段预测值。
发明内容
本发明提供一种基于时频分析和径向神经网络进行跳频信号频段预测的方法,通过对已知的跳频信号进行时频分析,得出时间--频率的对应关系,将这些数据作为已知输入到RBF神经网络,通过RBF的特点以及学习训练,得出并优化径向基函数的中心,宽度以及输出层与隐层的权值,并通过多个已知输入使得出的隐层结构对将要预测的信号频段更加精准,从而实现对将来信号频段的预测。
本发明提供一种基于时频分析和径向神经网络进行跳频信号频段预测的方法,包括以下步骤:
一、时频分析
时频分析是跳频信号检测的重要工具之一,获得清晰的时频图是跳频信号参数估计和信号分选的前提。首先要在不知道对方跳频图案、跳频集、跳速等参数的情况下通过时频分析获取调频信号的跳频周期、频率和跳速等信息。时频分析过程中,需要构造数学模型,假设天线在一段时间内接收N个信号,绘制信号的时频示意图。因为本实验的目的是为了得到信号的频率,以及信号在每个频率停留的时间也就是跳频周期,所以在时频分析这不需要过多的研究,只需要把所需的信息提取出来就可以。在实验仿真的过程中根据已知的数据这些参数也是可以直接获得的,所以在时频分析这一块所需的分析较少。
二、RBF神经网络
RBF神经网络可以对非线性函数进行线性的逼近,其精确度高,所以本实验采用RBF神经网络对信号的频段进行预测。
选取高斯(Gaussian)函数作为RBF神经网络的径向基函数。因为Gaussian函数从中心到两边单调递减,所以其回应是局部有限的,只有在距离其中心比较近的位置才会有局部响应。高斯函数在RBF神经网络当中类似于生物的神经元也就是上图中隐层的φ(x),最终的输出就是N个高斯函数加权后的线性求和,所以RBF神经网络就把非线性问题转化成了线性问题。下列函数方程即为从输入到输出的映射方程,其中x为输入向量,ci 1≤i≤n为RBF神经网络的中心,范数||·||表示欧氏距离,wi 1≤i≤n为线性求和的权值,选择Gaussian函数作为径向基函数φ(·)。
(一)中心c的选取(均值聚类选择优化算法)
在这种学习方法中的中心是可以移动的,并通过自组织学习确定的中心的,中心的选择可以采用可一均值聚类算法。这是一种无监督的学习方法,中心随着样本数变化而变化。具体步骤如下:
①初始化聚类中心ci 1≤i≤n,n的值越大精确度越高,但是运算量就会增大。从输入样本x(1,2…m)中选择个n样本作为聚类中心。(n是预先给定的,根据跳频信号的特点,将n给定为50)
②将输入样本按照最邻近规则分组,将x(1,2…m)分配给中心c;θn为输入样本的聚类集合,并且满足d=dmin=||xm-ci||。
(三)权值计算
利用高斯函数与矩阵结合计算网络的实际输出值^y,y为网络的实际输出值,w为权值,e(t)为误差函数。
并通过上述推导得出最优学习率的概念,计算最优学习率
进一步地,在上述技术方案中,具体步骤如下:
一、通过上述方法确定隐层节点数n,利用k-means均值聚类算法求中心c和宽度σ。设定学习精度rmse*,以及最大迭代次数maxt
三、令η(t)=η*(t),w=w+η(t)φTe(t-1)进行迭代
四、如果rmse≥rmse*或t≤maxt时,重复步骤三,否则停止并输出^y以及t。
发明有益效果
通过上述优化方案可通过优化学习训练得出RBF神经网络中的中心、宽度及权值,在实际测试数据的时候可将得出的数据继续作为样本输入到网络结构当中,重复上述步骤,这样当测试的数据越多网络的结构更加精确,测量的结果也更加精确。
附图说明
图1为本发明方法流程图;
图2为本发明RBF神经网络结构图;
图3为利用传统的RBF神经网络的权值优化所得出的仿真图形;
图4为本发明改进的RBF神经网络预测所得到的仿真分析图。
具体实施方式
下述非限定性实施例可以使本领域的普通技术人员更全面地理解本发明,但不以任何方式限制本发明。
实施例1
一、采用时频分析得到跳频信号的频率以及跳频周期;
二、采用RBF神经网络对跳频信号的频段进行预测,选取高斯函数作为RBF神经网络的径向基函数;
下列函数方程即为从输入到输出的映射方程,其中x为输入向量,ci 1≤i≤n为RBF神经网络的中心,范数||·||表示欧氏距离,wi 1≤i≤n为线性求和的权值,选择Gaussian函数作为径向基函数φ(·);
(一)中心c的选取,采用均值聚类选择优化算法
具体步骤如下:
①初始化聚类中心ci 1≤i≤n,从输入样本x(1,2…m)中选择个50样本作为聚类中心;
②将输入样本按照最邻近规则分组,将x(1,2…m)分配给中心c;θn为输入样本的聚类集合,并且满足d=dmin=||xm-ci||;
(三)权值计算
利用高斯函数与矩阵结合计算网络的实际输出值^y,y为网络的实际输出值,w为权值,e(t)为误差函数。
并通过上述推导得出最优学习率的概念,计算最优学习率
2、上述基于时频分析和径向神经网络进行跳频信号频段预测的方法,包括如下步骤:
一、通过上述方法确定隐层节点数n,利用k-means均值聚类算法求中心c和宽度σ,设定学习精度rmse*,以及最大迭代次数maxt;
三、令η(t)=η*(t),w=w+η(t)φTe(t-1)进行迭代;
四、如果rmse≥rmse*或t≤maxt时,重复步骤三,否则停止并输出^y以及t。
图1中,数据流是1000组跳频信号的频率大小;当一组数据完成预测时,下一组数据自动舍弃1000个数的第一个,将第1001个加入到数据中,以此类推,永远保持数据总数不变。
RBF神经网络的结构如图2所示:x是输入层代表信号频率,r是隐含层,数据在这里进行优化学习,也就是上边所写的算法部分,后边是输出层,通过权值w进行连接。通过上述算法优化后得到的输出值与真实值进行误差比较,如果误差没有达到设定目标就继续学习,以此类推,继续迭代,直到达到设定目标方可进行下一步。
通过上述优化方案可通过优化学习训练得出RBF神经网络中的中心、宽度及权值,在实际测试数据的时候可将得出的数据继续作为样本输入到网络结构当中,重复上述步骤,这样当测试的数据越多网络的结构更加精确,测量的结果也更加精确。
图3为利用传统的RBF神经网络的权值优化所得出的仿真图形,可见实际值与预测值误差较大,且运行时间较长。
图4为本发明改进的RBF神经网络预测所得到的仿真分析图,可见误差缩小,并且运行时间较短,可以有效地完成时频分析。本方案利用如下四个评估标准对仿真结果进行分析。
标准分别为:
1、平均绝对误差(Mean Absolute Error,MAE)可以反映预测值误差的实际情况。
其中Xt为实际值,Ft为预测值,n为样本总数。
2、平均绝对误差率(Mean Absolute Percentage Error,MAPE)是描述预测和实际误差值的准则,其数学表达式为:
对于MAPE,其数值越接近0,说明预测效果越好。
3、均方根误差(拟合标准差)(Root Mean Squared Error),为预测数据和原始数据对应点误差的平方和的均值。
4、对称平均绝对百分比误差(Symmetrical Mean Absolute Percentage,SMAPE)。
SMAPE是描述预测和实际的误差值的准则,它的表示为:
取值范围为[0,2),其值越接近0说明预测效果越好,误差越小。
预测结果量化分析
MAE(Hz) | MAPE | RMSE(Hz) | SMAPE | |
传统方案 | 36.2 | 0.1475 | 109.9 | 0.2949 |
改进方案 | 11.7 | 0.0461 | 35.5 | 0.0922 |
Claims (3)
1.一种基于时频分析和径向神经网络进行跳频信号频段预测的方法,包括如下步骤:
一、采用时频分析得到跳频信号的频率以及跳频周期;
二、采用RBF神经网络对跳频信号的频段进行预测,选取高斯函数作为RBF神经网络的径向基函数;
下列函数方程即为从输入到输出的映射方程,其中x为输入向量,ci 1≤i≤n为RBF神经网络的中心,范数||·||表示欧氏距离,wi 1≤i≤n为线性求和的权值,选择Gaussian函数作为径向基函数φ(·);
(一)中心c的选取,采用均值聚类选择优化算法
具体步骤如下:
①初始化聚类中心ci 1≤i≤n,从输入样本x(1,2…m)中选择n个样本作为聚类中心;
②将输入样本按照最邻近规则分组,将x(1,2…m)分配给中心c;θn为输入样本的聚类集合,并且满足d=dmin=||xm-ci||;
(三)权值计算
利用高斯函数与矩阵结合计算网络的实际输出值^y,y为网络的实际输出值,w为权值,e(t)为误差函数;
并通过上述推导得出最优学习率的概念,计算最优学习率
3.根据权利要求1或2所述基于时频分析和径向神经网络进行跳频信号频段预测的方法,其特在于:①中,n给定为50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442971.XA CN108631817B (zh) | 2018-05-10 | 2018-05-10 | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442971.XA CN108631817B (zh) | 2018-05-10 | 2018-05-10 | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108631817A CN108631817A (zh) | 2018-10-09 |
CN108631817B true CN108631817B (zh) | 2020-05-19 |
Family
ID=63692547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810442971.XA Active CN108631817B (zh) | 2018-05-10 | 2018-05-10 | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108631817B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859804A (zh) * | 2019-01-10 | 2019-06-07 | 中国石油大学(华东) | 一种基于神经网络的桑黄发酵实验数据优化及预测方法 |
CN112787878B (zh) * | 2019-11-08 | 2023-03-14 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN113452408B (zh) * | 2021-04-30 | 2022-07-22 | 郑州大学 | 一种网台跳频信号分选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0574936A2 (en) * | 1992-06-19 | 1993-12-22 | United Parcel Service Of America, Inc. | Method and apparatus for input classification using non-spherical neurons |
CN104932264A (zh) * | 2015-06-03 | 2015-09-23 | 华南理工大学 | 基于rbf网络的q学习框架仿人机器人稳定控制方法 |
CN105784556A (zh) * | 2016-05-07 | 2016-07-20 | 北京工业大学 | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN106960075A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法 |
-
2018
- 2018-05-10 CN CN201810442971.XA patent/CN108631817B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0574936A2 (en) * | 1992-06-19 | 1993-12-22 | United Parcel Service Of America, Inc. | Method and apparatus for input classification using non-spherical neurons |
CN104932264A (zh) * | 2015-06-03 | 2015-09-23 | 华南理工大学 | 基于rbf网络的q学习框架仿人机器人稳定控制方法 |
CN105784556A (zh) * | 2016-05-07 | 2016-07-20 | 北京工业大学 | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN106960075A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法 |
Non-Patent Citations (2)
Title |
---|
《一种基于神经网络的跳频信号频率预测方法》;韩睿等;《数据采集与处理》;20010315;第16卷(第01期);第27-31页 * |
《跳频时间序列预测方法研究》;李金龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115;I136-252,第1章第1.2-1.3节,第3章第3.4节,图3.11 * |
Also Published As
Publication number | Publication date |
---|---|
CN108631817A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN110138475B (zh) | 一种基于lstm神经网络的自适应门限信道占用状态预测方法 | |
CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
Zhang et al. | Signal detection and classification in shared spectrum: A deep learning approach | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN114337880B (zh) | 一种考虑主用户信号随机到达和离开的频谱感知方法 | |
CN110224771B (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN111464469B (zh) | 基于神经网络的混合数字调制方式识别方法 | |
CN113676266B (zh) | 一种基于量子生成对抗网络的信道建模方法 | |
CN110830124A (zh) | 基于量子粒子群优化极限学习机的频谱感知方法 | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
CN112183742A (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
CN112307927A (zh) | 基于bp网络针对非合作通信中mpsk信号的识别研究 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
CN103209417A (zh) | 基于神经网络的频谱占用状态的预测方法以及装置 | |
CN103795436B (zh) | 基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法 | |
CN116170066A (zh) | 一种面向低轨卫星物联网的负载预测方法 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
CN115567131A (zh) | 一种基于降维复卷积网络的6g无线信道特性提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |