CN112418309B - 一种基于机器学习的电磁兼容管控方法预测方法 - Google Patents

一种基于机器学习的电磁兼容管控方法预测方法 Download PDF

Info

Publication number
CN112418309B
CN112418309B CN202011312998.0A CN202011312998A CN112418309B CN 112418309 B CN112418309 B CN 112418309B CN 202011312998 A CN202011312998 A CN 202011312998A CN 112418309 B CN112418309 B CN 112418309B
Authority
CN
China
Prior art keywords
control method
management
interference
equipment
electromagnetic compatibility
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
Application number
CN202011312998.0A
Other languages
English (en)
Other versions
CN112418309A (zh
Inventor
赵逸夫
吴为军
谭辉
温定娥
李霜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Ship Development and Design Centre
Original Assignee
China Ship Development and Design Centre
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Ship Development and Design Centre filed Critical China Ship Development and Design Centre
Priority to CN202011312998.0A priority Critical patent/CN112418309B/zh
Publication of CN112418309A publication Critical patent/CN112418309A/zh
Application granted granted Critical
Publication of CN112418309B publication Critical patent/CN112418309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于机器学习的电磁兼容管控方法预测方法，包括以下步骤：1)采集电子设备的三维坐标、收发频率、发射功率、收发增益、仰角范围和方位角范围；2)遍历所有设备，把收发频率重叠和可能存在邻频干扰的两个设备组成干扰对；3)对设备干扰对，建立干扰对特征向量，4)建立管控方法集；5)建立管控方法预测模型；6)获取未知设备的电磁参数，首先根据电磁参数计算干扰对，若存在干扰情况则将未知设备的干扰对的特征向量输入每个管控方法的分类器，得到是否采用该管控方法，最终该设备的电磁兼容管控方法为所有方法的并集。本发明方法解决了平台用频设备数量较多时计算设备间电磁干扰情况耗时太长的问题。

Description

一种基于机器学习的电磁兼容管控方法预测方法
技术领域
本发明涉及电磁兼容技术，尤其涉及一种基于机器学习的电磁兼容管控方法预测方法。
背景技术
多个电子设备在共同的电磁环境中执行各自功能时会产生电磁干扰问题，为保证各设备之间能够正常工作以互不干扰的共存状态，需要进行电磁兼容管控设计。对于不同功能的用频设备采用管控方法不尽相同，常用的管控方法有发射限位、频点避让、分时工作、数字滤波和边带抑制等。有些管控方法需要在设备设计阶段预留相应的管控接口，因此，需要建立准确的电磁兼容管控方法预测模型，为用频设备设计和研制阶段提供支撑，以及设备使用过程中采用的电磁兼容管控方法提供理论依据。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于机器学习的电磁兼容管控方法预测方法。
本发明解决其技术问题所采用的技术方案是：一种基于机器学习的电磁兼容管控方法预测方法，包括以下步骤：
1)采集电子设备的三维坐标、收发频率、发射功率、收发增益、仰角范围和方位角范围；
2)遍历所有设备，把收发频率重叠和可能存在邻频干扰的两个设备组成干扰对；
3)对设备干扰对，建立干扰对特征向量，记为下式
Figure BDA0002790408600000021
其中，(x,y,z)为一个干扰对中两个设备的相对三维坐标；f1为干扰设备发射频率；f2为受干扰设备接收频率；P1为干扰设备发射功率；P2为受干扰设备接收功率记为P2；G1为干扰设备发射增益；G2为受干扰设备接收增益；θ为重叠俯仰角；φ为重叠方位角；
将上述数据用矩阵X表示，作为训练样本集，X为大小为m×11的矩阵：
Figure BDA0002790408600000022
其中，m为干扰对的数量；
4)建立管控方法集，对管控方法集中的管控方法采用独热编码的方式标记；获得已有管控方法标记的训练样本数据集；
训练样本数据集为
Figure BDA0002790408600000023
yi∈{-1,+1}，采用该管控方法yi记为+1，未采用该管控方法则yi记为-1；
5)建立管控方法预测模型；
通过已有管控方法标记的数据集依次训练管控方法集中每个管控方法的二分类器，得到每个管控方法二分类器的模型参数，用于对未知设备电磁兼容管控方法的预测；所有管控方法二分类器构成了管控方法预测模型；
6)获取未知设备的电磁参数，首先根据电磁参数计算干扰对，若不造成干扰则不需要进行管控，若存在干扰情况则将未知设备的干扰对的特征向量输入每个管控方法的分类器，得到是否采用该管控方法，最终该设备的电磁兼容管控方法为所有方法的并集。
按上述方案，所述步骤4)中管控方法集中的管控方法包括：方位限制、分时工作、频率避让、工作提醒和匿影。
按上述方案，所述步骤5)中，管控方法集中每个管控方法的二分类器为支持向量机模型。
按上述方案，所述步骤5)中训练管控方法集中每个管控方法的二分类器为对数据采用k折交叉验证的方式进行训练，具体如下：
支持向量机模型构建如下：
训练样本集为
Figure BDA0002790408600000031
yi∈{-1,+1}，采用该管控方法记为+1，未采用该管控方法则记为-1；
设在样本空间中划分超平面的线性方程如下
ωTx+b＝0；
其中ω＝(ω1；ω2；…；ωd)为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离。它们的取值均由下面的计算方法得出。
选择软间隔支持向量机，对优化目标加入正则项，优化目标为
Figure BDA0002790408600000041
s.t.yi(ωTxi+b)≥1-ξi
ξi≥0,i＝1,2,...,m.
其中，C＞0，C为一个常数，ξi为松弛变量，ξi大于等于0；为便于计算通过拉格朗日乘子法引入拉格朗日函数
Figure BDA0002790408600000042
其中，αi≥0，μi≥0是拉格朗日乘子；
令L(ω,b,α,ξ,μ)对ω,b,ξi的偏导为零，可得
Figure BDA0002790408600000043
Figure BDA0002790408600000044
C＝αi+μi；
最终得到优化条件的对偶问题
Figure BDA0002790408600000051
Figure BDA0002790408600000052
并且满足的KKT条件要求为
Figure BDA0002790408600000053
通过已有管控方法标记的数据集训练每个管控方法的分类器，得到分类器的模型参数。
本发明产生的有益效果是：
本发明提出了一种电磁兼容管控方法预测算法，建立了基于电电磁参数对电子设备管控方法快速预测的模型，解决了平台用频设备数量较多时计算设备间电磁干扰情况耗时太长的问题，同时适用于新增用频设备后平台的电磁兼容管控设计。本发明原理简洁明晰，工程实用性强。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提出了一种电磁兼容管控方法预测方法，建立了基于电磁参数对电子设备管控方法快速预测的模型，解决了平台用频设备数量较多时计算设备间电磁干扰情况耗时太长的问题，同时适用于新增用频设备后平台的电磁兼容管控设计；
该方法包括以下步骤：
1.数据收集与预处理
通常在计算电磁干扰提出管控方法时需要知道设备的三维坐标、收发频率、发射功率、收发增益、仰角范围和方位角范围。首先遍历所有设备，考察收发频率，把收发频率重叠和可能存在邻频干扰的两个设备组成干扰对。设一个干扰对中两个设备的相对三维坐标记为(x,y,z)，单位为m；干扰设备发射频率记为f1，单位为GHz；受干扰设备接收频率记为f2，单位为GHz；干扰设备发射功率记为P1，单位为dBm；受干扰设备接收功率记为P2,单位为dBm；干扰设备发射增益记为G1，单位为dB；受干扰设备接收增益记为G2，单位为dB；重叠俯仰角记为θ，单位为弧度；重叠方位角记为φ，单位为弧度。由以上参数组成的干扰对特征向量记为下式
Figure BDA0002790408600000071
由于每个特征的取值都为标量，因此全部用于训练的数据集可以用矩阵X表示，X为大小为m×11的矩阵
Figure BDA0002790408600000072
m为干扰对个数。
通常使用的管控方法有方位限制、分时工作、频率避让、工作提醒和匿影对这些管控方法采用独热编码的方式标记。
2.管控方法预测模型建立
每个干扰对上的设备可以采用多个管控方法，本质上为多标记分类问题，为使问题简化对每个标记采用二分类模型分类，最终的管控方法采用所有模型预测结果的并集；
举例如下：干扰对特征特征向量通过A管控方法分类器，预测结果为采用A管控方法；通过B管控方法分类器，预测结果为不采用B管控方法；通过C管控方法分类器，预测结果为采用C管控方法，因此最终该干扰对中设备采用的管控方法为A和C。
每个分类器为支持向量机模型，对数据采用k折交叉验证的方式进行训练，支持向量机模型构建如下。
训练样本集为
Figure BDA0002790408600000081
yi∈{-1,+1}，采用该管控方法记为+1，未采用该管控方法则记为-1。
设在样本空间中划分超平面的线性方程如下
ωTx+b＝0
为了防止过拟合问题，考虑软间隔支持向量机，对优化目标加入正则项，优化目标为
Figure BDA0002790408600000082
s.t.yi(ωTxi+b)≥1-ξi
ξi≥0,i＝1,2,...,m.
其中，C大于0，为一个常数，ξi为松弛变量，满足大于等于0。为便于计算通过拉格朗日乘子法引入拉格朗日函数
Figure BDA0002790408600000083
其中，αi≥0，μi≥0是拉格朗日乘子。令L(ω,b,α,ξ,μ)对ω,b,ξi的偏导为零可得
Figure BDA0002790408600000091
Figure BDA0002790408600000092
C＝αi+μi，
最终得到优化条件的对偶问题
Figure BDA0002790408600000093
Figure BDA0002790408600000094
并且满足的KKT条件要求为
Figure BDA0002790408600000095
通过已有管控方法标记的数据集依次训练每个管控方法的分类器，得到每个管控方法分类器的模型参数，用于对未知设备电磁兼容管控方法的预测。
3.管控方法预测
将未知设备电磁参数输入算法模型，首先计算干扰对，若不造成干扰则不需要进行管控，若存在干扰情况则将干扰对的特征向量输入每个管控方法的分类器，得到是否采用该管控方法，最终该设备的电磁兼容管控方法为所有方法的并集
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种基于机器学习的电磁兼容管控方法预测方法，其特征在于，包括以下步骤：
1)采集电子设备的三维坐标、收发频率、发射功率、收发增益、仰角范围和方位角范围；
2)遍历所有设备，把收发频率重叠和可能存在邻频干扰的两个设备组成干扰对；
3)对设备干扰对，建立干扰对特征向量，记为下式
Figure FDA0003608376190000011
其中，(x’,y’,z’)为一个干扰对中两个设备的相对三维坐标；f1为干扰设备发射频率；f2为受干扰设备接收频率；P1为干扰设备发射功率；P2为受干扰设备接收功率；G1为干扰设备发射增益；G2为受干扰设备接收增益；θ为重叠俯仰角；φ为重叠方位角；
将上述干扰对特征向量用矩阵X表示，作为训练样本集，X为大小为m×11的矩阵：
Figure FDA0003608376190000012
其中，m为干扰对的数量；
4)建立管控方法集，对管控方法集中的管控方法采用独热编码的方式标记；获得已有管控方法标记的训练样本数据集；
训练样本数据集为
Figure FDA0003608376190000021
采用该管控方法yi记为+1，未采用该管控方法则yi记为-1；
5)建立管控方法预测模型；
通过已有管控方法标记的数据集依次训练管控方法集中每个管控方法的二分类器，得到每个管控方法二分类器的模型参数，用于对未知设备电磁兼容管控方法的预测；所有管控方法二分类器构成了管控方法预测模型；
6)获取未知设备的电磁参数，首先根据电磁参数计算干扰对，若不造成干扰则不需要进行管控，若存在干扰情况则将未知设备的干扰对的特征向量输入每个管控方法的分类器，得到是否采用该管控方法，最终该设备的电磁兼容管控方法为所有方法的并集。
2.根据权利要求1所述的基于机器学习的电磁兼容管控方法预测方法，其特征在于，所述步骤4)中管控方法集中的管控方法包括：方位限制、分时工作、频率避让、工作提醒和匿影。
3.根据权利要求1所述的基于机器学习的电磁兼容管控方法预测方法，所述步骤5)中，管控方法集中每个管控方法的二分类器为支持向量机模型。
4.根据权利要求3所述的基于机器学习的电磁兼容管控方法预测方法，所述步骤5)中训练管控方法集中每个管控方法的二分类器为对数据采用k折交叉验证的方式进行训练，具体如下：
支持向量机模型构建如下：
训练样本集为
Figure FDA0003608376190000031
采用该管控方法记为+1，未采用该管控方法则记为-1；
设在样本空间中划分超平面的线性方程如下
ωTx+b＝0；
其中，ω＝(ω1；ω2；…；ωd)为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离；
选择软间隔支持向量机，对优化目标加入正则项，优化目标为
Figure FDA0003608376190000032
Figure FDA0003608376190000033
ξi≥0,i＝1,2,...,m；
其中，C＞0，C为一个常数，ξi为松弛变量，ξi大于等于0；为便于计算通过拉格朗日乘子法引入拉格朗日函数
Figure FDA0003608376190000034
其中，αi≥0，μi≥0是拉格朗日乘子；
令L(ω,b,α,ξ,μ)对ω,b,ξi的偏导为零，得
Figure FDA0003608376190000041
Figure FDA0003608376190000042
C＝αi+μi；
最终得到优化条件的对偶问题
Figure FDA0003608376190000043
Figure FDA0003608376190000044
并且满足的KKT条件要求为
Figure FDA0003608376190000045
通过已有管控方法标记的数据集训练每个管控方法的分类器，得到分类器的模型参数。
CN202011312998.0A 2020-11-20 2020-11-20 一种基于机器学习的电磁兼容管控方法预测方法 Active CN112418309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011312998.0A CN112418309B (zh) 2020-11-20 2020-11-20 一种基于机器学习的电磁兼容管控方法预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011312998.0A CN112418309B (zh) 2020-11-20 2020-11-20 一种基于机器学习的电磁兼容管控方法预测方法

Publications (2)

Publication Number Publication Date
CN112418309A CN112418309A (zh) 2021-02-26
CN112418309B true CN112418309B (zh) 2022-06-03

Family

ID=74777681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011312998.0A Active CN112418309B (zh) 2020-11-20 2020-11-20 一种基于机器学习的电磁兼容管控方法预测方法

Country Status (1)

Country Link
CN (1) CN112418309B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792156A (zh) * 2021-08-31 2021-12-14 国营芜湖机械厂 一种基于人工智能的飞机电磁兼容分级管理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485209A (zh) * 2016-09-23 2017-03-08 北京航空航天大学 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法
CN107679453A (zh) * 2017-08-28 2018-02-09 天津大学 基于支持向量机的天气雷达电磁干扰回波识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6834380B2 (en) * 2000-08-03 2004-12-21 Qualcomm, Incorporated Automated EMC-driven layout and floor planning of electronic devices and systems
US10706197B2 (en) * 2018-05-24 2020-07-07 Hitachi, Ltd. Automated electromagnetic interference filter design
CN109359523B (zh) * 2018-09-06 2021-08-24 东南大学 一种基于svm多分类算法的卫星导航干扰类型识别方法
CN109508889A (zh) * 2018-11-20 2019-03-22 中国舰船研究设计中心 一种基于层次分析法的船舶平台用频设备电磁兼容性能分级方法
CN110161338B (zh) * 2019-05-30 2021-08-03 中国舰船研究设计中心 一种主被动电子系统间电磁兼容时域管理的测试方法
CN111368919B (zh) * 2020-02-25 2023-08-22 重庆大学 特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485209A (zh) * 2016-09-23 2017-03-08 北京航空航天大学 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法
CN107679453A (zh) * 2017-08-28 2018-02-09 天津大学 基于支持向量机的天气雷达电磁干扰回波识别方法

Also Published As

Publication number Publication date
CN112418309A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
EP3648014A1 (en) Model training method, data identification method and data identification device
CN109932708B (zh) 一种基于干涉条纹和深度学习的水面水下分类目标的方法
JP6999134B2 (ja) 管理装置、コンピュータに実行させるためのプログラムおよびそのプログラムを記録したコンピュータ読み取り可能な記録媒体
CN105069423A (zh) 一种人体姿态检测方法及装置
Liu et al. Detection and pose estimation for short-range vision-based underwater docking
US10943352B2 (en) Object shape regression using wasserstein distance
CN108229419A (zh) 用于聚类图像的方法和装置
CN110224771B (zh) 基于bp神经网络与信息几何的频谱感知方法及装置
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN112418309B (zh) 一种基于机器学习的电磁兼容管控方法预测方法
Gong et al. Multi-task based deep learning approach for open-set wireless signal identification in ISM band
CN110276801B (zh) 一种物体定位方法、装置及存储介质
Liu et al. Unveiling patterns: A study on semi-supervised classification of strip surface defects
CN116403058A (zh) 一种遥感跨场景多光谱激光雷达点云分类方法
JP2017118384A (ja) 管理装置、コンピュータに実行させるためのプログラムおよびそのプログラムを記録したコンピュータ読み取り可能な記録媒体
CN113114399B (zh) 基于生成对抗网络的三维频谱态势补全方法和装置
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
Xu et al. A hybrid approach using multistage collaborative calibration for wireless sensor network localization in 3D environments
CN108834043B (zh) 基于先验知识的压缩感知多目标无源定位方法
CN103235950A (zh) 一种目标检测图像处理方法
CN114459482B (zh) 边界简化方法、路径规划方法、装置、设备及系统
Zhou et al. Deep radio signal clustering with interpretability analysis based on saliency map
CN115757828A (zh) 一种基于辐射源知识图谱的空中目标意图识别方法
Peng et al. Uck-means: A customized k-means for clustering uncertain measurement data
CN114724245A (zh) 基于csi的增量学习人体动作识别方法

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