CN112418394A - 一种电磁波频率预测方法及装置 - Google Patents

Abstract

本发明公开了一种电磁波频率预测方法及装置，所述方法包括：基于电离层经验模型获取电离层的f0F2数据；根据f0F2数据构建训练样本，并将所述训练样本分为训练集和测试集；利用编码器、LSTM网络以及解码器依次串联构建神经网络模型；利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测。本发明实施例采用编码器、LSTM网络以及解码器级联的模型，能够更好的处理前面CNN提取的特征，最终得到精度更高的图片序列的时空特征，以实现更高精度的电磁波频率预测。

Description

一种电磁波频率预测方法及装置

技术领域

本发明涉及电离层监测技术领域，更具体涉及一种电磁波频率预测方法及装置。

背景技术

电离层是距离地面60公里到1000公里之间的区域，它的内部存在着大量的自由电子，足以影响无线电波的传播。电离层是离地表最近的大气电离区域，由中性大气和占比很小的等离子体组成，等离子体的存在显著改变了大气的性质，使得大气可以承载电流进而影响到从VLF(Very Low Frequency，甚低频)频段到微波的各个波段的无线电波的传播。短波通信一般指的是利用工作频率在3MHz到30MHz之间的电磁波信号在两地之间传递信息。如果两地相据较远，使用频率较高的电磁波信号会衰减更快，无法实现远距离通信和广播。但是电磁波在电离层中的损耗较小，因此可以借助电离层实现远距离短波通信。电离层可以按照电子浓度由低到高的高度分布划分为D、E、F1、F2层，当频率一定的无线电波以某个入射角由空气进入电离层后，在电离层不断发生折射，如果电磁波传播到电离层的某一高度时，该处的电子密度刚好使得电波发生全反射，那么电波从电离层返回地面，则两地可以使用此频率的电磁波实现通信。从电离层反射回来的电磁波的最高频率(MUF)与电离层的最大电子密度成正相关，电子密度越大的地方，允许使用的电磁波频率也就越高。但是，电离层会受到大气环流的运动、太阳活动和地磁活动等诸多因素的共同影响，导致电离层的参数在空间上随着地理经纬度而变化，在时间上存在着昼夜变化、季节变化等。地面上的短波通信也会因此受到影响，通过预测电离层参数我们可以为选择合适的短波通信频率提供指导，提高短波通信的质量。在电磁波频率预测中，电离层F2层截止频率f0F2是短波通信频率选择过程中的主要参考依据，f0F2决定了短波通信的最大可用频率，对f0F2预测的准确性直接影响了短波频率预报的准确性。

在实际应用中，现有技术中对于电离层f0F2的预测还有传统的建立数学模型进行数学计算的方法，比如多元线性回归方法、自相关分析法、数据同化法和卡尔曼滤波法等，但是，这些预测方法操作繁琐，需要大量的物理知识作为前提，且预测精度不足。进入21世纪以来，有学者使用反向传播的神经网络对设定观测台站的f0F2数据进行预测，但是其预测精度有限。此外，有国内学者将季节因子、太阳活动性和地磁指数等参数加入神经网络来预测f0F2的值，虽然预测精度有较大提升，但是需要的数据集更大而且预测的空间范围也是局部区域，无法实现全球电磁波频率的预测。

现有技术中也有仅使用编码器-解码器模型进行电磁波频率预测的，它的两个部分都可以由卷积神经网络CNN和循环神经网络RNN组成，它的最本质的特点就在于：编码和解码之间的唯一联系是一个固定长度的语义向量。也就是说编码器要将整个序列的信息压缩进一个固定长度的向量中去，这就要求此语义向量可以概括表示整个序列的信息，也就是特征提取需要做的非常好。目前使用基于编解码器模型的深度学习预测全球的f0F2数据主要有以下方法：使用CNN或使用RNN。对于全部使用CNN的模型，由于CNN具有SIFT等特征提取算法的特点，而且卷积的权值可以共享，大大降低了运算量。但是CNN模型从本质上来说只是将图像与卷积核对应相乘再求和，不具有记忆功能，因此无法胜任这样的工作。对于全部使用RNN的模型，根据RNN的算法原理：短期的记忆影响较大，但是长期的记忆影响很小，这明显不满足实际需要。

发明内容

本发明所要解决的技术问题在于实现较好的电磁波频率预测效果。

本发明是通过以下技术方案解决上述技术问题的：

本发明提供了一种电磁波频率预测方法，所述方法包括：

步骤S1，基于电离层经验模型获取电离层的f0F2数据；

步骤S2，根据f0F2数据构建训练样本，并将所述训练样本分为训练集和测试集；

步骤S3，利用编码器、LSTM网络以及解码器依次串联构建神经网络模型；

步骤S4，利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测。

进一步的，步骤S1的具体实现包括，

基于IRI模型生成在预先设定的高度下，各个经度、纬度以及时刻时对应的总电子含量；

根据所述总电子含量，利用公式，

计算预先设定的高度、经度、纬度以及时刻时的f0F2数据。

进一步的，计算设定的高度、经度、纬度以及时刻时的f0F2数据的具体实现方式如下，

S103，在T1时间，首先固定纬度值，分别将经度设置为0°、5°、…、360°，每次递增5°，计算得到该时刻和固定纬度下不同经度的f0F2数据，得到共计73个频率数据；

S104，然后固定经度值，分别将纬度设置为360°、357.5、355、…，每次递减2.5°，直到纬度减小到步骤S103中固定的纬度值，停止计算；

S105，把步骤S103和步骤S104中的数据按照生成的顺序依次写入同一个文件中，即可得到T1时间的全球f0F2的分布；

S106，以一个小时为步长，继续执行S103-S106步骤，直到某一时间结束生成一个时间段内的全球f0F2的分布数据。

进一步的，步骤S2中根据f0F2数据构建训练样本的具体实现包括，

针对每天各个时刻的f0F2数据，以纬度为行以经度为列构建f0F2数据对应的矩阵；

根据各个矩阵，将当前天的f0F2数据对应的矩阵作为模型输入数据，将当前天的下一天的f0F2数据对应的矩阵作为模型输出数据，将模型输入数据与模型输出数据的集合作为样本数据，进而得到若干个训练样本。

进一步的，所述以纬度为行以经度为列构建f0F2数据对应的矩阵，包括：

针对每一时刻，以纬度为行以经度为列构建f0F2数据对应的初始矩阵；

将初始矩阵的进行列对调、末行补零、首末列合并处理，得到所述时刻的目标矩阵；

将同一天中各个时刻的目标矩阵进行组合，得到每一天的f0F2数据对应的矩阵。

进一步的，步骤S3利用编码器、LSTM网络以及解码器依次串联构建神经网络模型，包括：

按照3D卷积层、3D最大值池化层的顺序将一个3D卷积层以及一个3D最大值池化层串联为一组；将三组顺序串联得到编码器；

按照3D反卷积层、3D上采样层的顺序将一个3D反卷积层以及一个3D上采样层串联为一组；将三组顺序串联得到解码器；

然后将编码器、LSTM网络以及解码器依次串联构建神经网络模型，此外LSTM网络后面还添加了一个批次归一化网络层，解码器之后还添加一个卷积层用于将结果输出。

进一步的，卷积层的卷积核大小为(5,5,5)，池化层的大小为(1,2,2)。

进一步的，所述利用训练集训练神经网络模型，直至收敛，得到目标网络模型，包括：

利用训练集训练神经网络模型，获取当前次迭代时神经网络模型对应的损失值，并根据验证集判断该损失值是否小于预设阈值；损失值的计算公式如下，

其中，

Y为训练样本中的实际输出值，

是网络在输入为X情况下的预测输出值，E表示期望；

若是，将当前次迭代后的神经网络模型作为目标模型；

若否，利用Adamax优化器进行模型训练参数的寻优，利用寻优后的参数更新当前次迭代后的神经网络模型，并返回执行所述利用训练集训练神经网络模型的步骤，直至收敛，得到目标网络模型，其中，所述参数包括：每一层网络的滤波器个数、每轮迭代的批次大小中的一种或组合。

进一步的，包括如下模块：

获取模块，用于基于电离层经验模型获取电离层的f0F2数据；

拆分模块，用于根据f0F2数据构建训练样本，并将所述训练样本分为训练集和测试集；

构建模块，用于利用编码器、LSTM网络以及解码器依次串联构建神经网络模型；

预测模块，用于利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测。

进一步的，构建模块具体包括，

按照3D卷积层、3D最大值池化层的顺序将一个3D卷积层以及一个3D最大值池化层串联为一组；将三组顺序串联得到编码器；

按照3D反卷积层、3D上采样层的顺序将一个3D反卷积层以及一个3D上采样层串联为一组；将三组顺序串联得到解码器；

然后将编码器、LSTM网络以及解码器依次串联构建神经网络模型，此外LSTM网络后面还添加了一个批次归一化网络层，解码器之后还添加一个卷积层用于将结果输出。

本发明相比现有技术具有以下优点：

本发明实施例采用编码器、LSTM网络以及解码器级联的模型，其中，编码器部分为CNN，它用来提取输入图片的潜在空间表征；解码器部分也采用CNN，用来从图片的特征重构图片。本发明在编码器和解码器之间添加一个加上卷积操作之后的LSTM层，本发明不仅能够得到时序关系，还能够像卷积层一样提取特征，提取空间特征，将状态与状态之间的切换也换成了卷积计算，这样就能够更好的处理前面CNN提取的特征，最终得到精度更高的图片序列的时空特征，以实现更高精度的电磁波频率预测。

附图说明

图1为本发明实施例提供的一种电磁波频率预测方法的流程示意图；

图2为本发明实施例提供的一种电磁波频率预测方法中训练样本的构建流程示意图；

图3为本发明实施例提供的一种电磁波频率预测方法中目标模型的架构示意图；

图4为本发明实施例在测试集上的短波频率预测效果图，(a)为原始数据；(b)为目标模型输出的预测数据。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

为了解决上述问题，本发明实施例提供了一种电磁波频率预测方法及装置。

图1为本发明实施例提供的一种电磁波频率预测方法的流程示意图，如图1所示，所述方法包括:

S1：基于电离层经验模型获取电离层的f0F2数据。

S101：从IRI(International Reference Ionosphere，国际参考电离层模式)工作组的官方网站下载最新电离层经验模型IRI-2016的Fortran版本，通过分析源代码可知，它每次运行只能生成在预先设定的高度下，各个经度、纬度以及时刻时对应的总电子含量。

S102：根据模型的输出参数中的总电子含量TEC的值，利用公式，

计算得到在设定时刻、经纬度下的f0F2数据。

在实际应用中，为了达到实施例中所需要的数据，发明人编写了Fortran程序来自动重复执行IRI-2016的Fortran版本，以生成模型训练所需的大量数据。本发明实施例以电离层高度为1000Km进行说明。

S103：在时间为2016年01月01日00时的前提下，固定纬度为87.5°N，分别将经度设置为0°、5°、…、360°(每次递增5°)，计算得到该时刻和固定纬度下不同经度的f0F2数据，得到共计73个频率数据。

S104：将纬度设置为85.0°N，重复步骤S104(每次递减2.5°)，直到纬度减小到87.5°S停止计算，共计需要71次执行步骤S104。

S105：把步骤S103和步骤S104中的数据按照生成的顺序依次写入同一个文件中，即可得到2016年01月01日00时的全球f0F2的分布。

S106：将时间改为2016年01月01日01时，重复步骤S103-步骤S105即可得到此时的全球电离层截止频率，即电离层f0F2数据的分布。

S107：然后以一个小时为步长，继续执行S103-S107步骤，直到时间为2018年12月31日23时结束生成数据。

S2：根据f0F2数据构建训练样本。

图2为本发明实施例提供的一种电磁波频率预测方法中训练样本的构建流程示意图，如图2所示，S2包括以下步骤：

S201：对于每天每一个小时的f0F2数据，将f0F2数据中同一纬度下所有经度的频率数据排列成一行；然后将各行数据按照纬度顺次排列，得到成71×73的矩阵。

S202：为了方便将数据显示在以本初子午线为中心的平面地图上，需要对此矩阵的列进行对调，即0--180°的对应的数据不变，且标为东经；180--360°对应的数据标为180°W--0°W；再按照从180°W--0°--180°E的顺序对矩阵的列进行调整。

进一步的，根据神经网络的算法，需要将此矩阵的行数与列数尽可能是2的非零次幂的倍数，因此，本发明实施例中在S202步骤中得到的矩阵的最下面添加一个全零的行得到72×73的矩阵；由于经度180°W与经度180°E实际是同一个位置，所以可将72×73矩阵最后一列删去，此时矩阵维度是72×72；由于神经网络采用3D输入，为了方便利用图像卷积的算法，本发明实施例中将72×72矩阵变换成三维，即变换成72×72×1的矩阵；相当于图像处理领域的单通道图像数据。

S203：f0F2频率存在显著的日变化规律，所以把每一天的从0时到23时共24个整点时刻的数据文件分为一组，则可以得到一个24×72×72×1的四维矩阵，以此作为数据集样本的输入Xⁱ；将下一天的24个数据，即24×72×72×1的四维矩阵作为数据集样本的输出Yⁱ，此时得到一个样本(Xⁱ；Yⁱ)。

把S1步骤中得到数据全部按照上述流程进行处理，进而得到样本集合(X；Y)。

然后，把从2018年01月01日00时到2018年12月31日23时的数据作为测试集；其余两年的数据作为训练集(占比95％)和验证集(占比5％)。

S3：利用编码器、LSTM网络以及解码器依次串联构建神经网络模型。

图3为本发明实施例提供的一种电磁波频率预测方法中目标模型的架构示意图，如图3所示，使用Keras库创建基于序贯模型搭建的神经网络，分别实现以下部分：

首先实现编码器部分。按照3D卷积层、3D最大值池化层的顺序将一个3D卷积层以及一个3D最大值池化层串联为一组；将三组顺序串联得到编码器。编码器中的3D卷积层可以提取出全球f0F2分布的空间特征，编码器中的3D最大值的池化层可以降低特征图的尺寸大小以及减少用于网络模型训练的参数，加快训练速度。

然后，在序贯模型中继续添加卷积优化的长短时记忆网络ConvLSTM，它对处理具有空间相关性的时间序列数据效果显著；再继续添加一个批次归一化网络层BatchNormalization，它可以将前一层的输出值规范化，使得输出数据的均值接近于0，标准差接近于1，可以加快网络训练的收敛速度，同时还有防止网络过拟合的作用，减小了网络模型的复杂性。

最后，在序贯模型中添加解码器部分。按照3D反卷积层、3D上采样层的顺序将一个3D反卷积层以及一个3D上采样层串联为一组；将三组顺序串联得到解码器。解码器逐步将特征图恢复到原始图片的尺寸，这个功能主要靠UpSampling3D层来实现；最后添加一个卷积层用于将结果输出，方便网络在训练过程中计算损失函数。

在本发明实施例中，设置卷积层的卷积核大小为(5,5,5)，卷积核过大则需要的计算量和参数会大幅度增加，而过小则会导致模型无法捕捉到图片的大尺度上的特征；设置池化层的大小为(1,2,2)，这可以降低图片的尺寸大小并减少训练参数，需要注意的是原始f0F2矩阵的长宽均为72，这里的池化层大小需要满足72的因数；同理反卷积部分的大小也是(1,2,2)才能将图像正确恢复。ConvLSTM网络层的激活函数采用tanh函数，其他层的激活函数均采用elu函数；

S4：利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测。

首先，设置网络的优化器，常用的优化器有随机梯度下降SGD、Adagrad、RMSprop、Adam、Adamax等算法。其中SGD算法更新频繁，容易造成损失函数振荡，Adagrad可能出现学习率急速下降的问题，Rmsprop和Adam算法可以解决学习率急速下降的问题，但是相比Adamax算法，在相同的训练次数下，后者表现更好，所以选用Adamax优化器进行模型训练参数的寻优。

然后，本发明采用均方误差函数MSE作为网络的损失函数，计算公式如下：

其中，

Y为训练样本中的实际输出值，

是网络在输入为X情况下的预测输出值，E表示期望。然后使用S2步骤中得到的训练集训练S3步骤中构建的神经网络模型，在训练过程中，使用Adamax优化器进行模型训练参数的寻优，设置编码器和解码器部分每一层3D卷积网络的滤波器个数为40、卷积步长为(1,1,1)，ConvLSTM2D层的滤波器个数为40，卷积步长为(1,1)，每轮训练的批次大小为32、训练的轮数为300；然后将训练出的模型在验证集上进行验证，如果满足均方根误差的均值小于0.3MHz即可停止训练，此时的模型即为所需要的目标模型，否则继续调整参数直到满足条件。

需要强调的是，验证集是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。测试集用来评估模最终模型的泛化能力，但不能作为调参、选择特征等算法相关的选择的依据。

为了对本发明实施例的技术效果进行说明，将2018年06月10日的原始数据对应的样本作为目标模型的输入，得到的2018年06月11日的数据。

利用公式，

计算模型的预测均方根误差，其中，

N表示每一帧图像的数据个数，即71×73；

表示预测得到的一帧数据，Y_i表示根据原始数据得到的一帧f0F2图像，i表示此图像的第i个数据点。根据计算，RMSE＝0.2097MHz。

图4为本发明实施例在测试集上的短波频率预测效果图，如图4所示，图4中的图(a)为原始数据；图4中的图(b)为目标模型输出的预测数据(24×71×73的矩阵)，即2018年06月11日08时的f0F2数据中的第9帧图像。从图4可以看出，图(a)与图(b)基本一致，说明本发明实施例训练的目标模型取得了比较好的技术效果。

另外，本发明提出了一种短波频率预测技术，预测的空间范围更大，可以实现全球范围内5°×2.5°范围内的频率预测，这可以为大范围的短波通信提供重要的参考。

最后，由于本发明实施例考虑了全球尺度内的f0F2数据存在局部相关性，所以使用深度学习算法训练大量样本实现的短波频率预测的精度更高，这可以保证短波通信质量的有效性和可靠性；无需其他的地磁活动和太阳活动参数，仅靠深度学习算法来找出数据的时间和空间分布规律；本发明在进行频率预测时的运算速度很快，提前一天的预测耗时不到一秒，远高于其他物理经验模型的计算速度。

对应于前述方法实施例，本发明还提供了一种电磁波频率预测装置，所述装置包括：

获取模块，用于基于电离层经验模型获取电离层的f0F2数据；

拆分模块，用于根据f0F2数据构建训练样本，并将所述训练样本分为训练集和测试集；

构建模块，用于利用编码器、LSTM网络以及解码器依次串联构建神经网络模型；

预测模块，用于利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测。

在本发明实施例的一种具体实施方式中，所述获取模块，用于：

基于IRI模型生成在预先设定的高度下，各个经度、纬度以及时刻时对应的总电子含量；

根据所述总电子含量，利用公式，

计算预先设定的高度、经度、纬度以及时刻时的f0F2数据。

在本发明实施例的一种具体实施方式中，所述拆分模块，用于：

针对每天各个时刻的f0F2数据，以纬度为行以经度为列构建f0F2数据对应的矩阵；

根据各个矩阵，将当前天的f0F2数据对应的矩阵作为模型输入数据，将当前天的下一天的f0F2数据对应的矩阵作为模型输出数据，将模型输入数据与模型输出数据的集合作为样本数据，进而得到若干个训练样本。

在本发明实施例的一种具体实施方式中，所述拆分模块，用于：

针对每一时刻，以纬度为行以经度为列构建f0F2数据对应的初始矩阵；

将初始矩阵的进行列对调、末行补零、首末列合并处理，得到所述时刻的目标矩阵；

将同一天中各个时刻的目标矩阵进行组合，得到每一天的f0F2数据对应的矩阵。

在本发明实施例的一种具体实施方式中，所述构建模块，用于：

按照3D卷积层、3D最大值池化层的顺序将一个3D卷积层以及一个3D最大值池化层串联为一组；将三组顺序串联得到编码器；

按照3D反卷积层、3D上采样层的顺序将一个3D反卷积层以及一个3D上采样层串联为一组；将三组顺序串联得到解码器；

序贯模型中将编码器、LSTM网络以及解码器依次串联构建神经网络模型。

在本发明实施例的一种具体实施方式中，所述预测模块，用于：

利用训练集训练神经网络模型，获取当前次迭代时神经网络模型对应内的损失值，并根据验证集判断该损失值是否小于预设阈值；

若是，将当前次迭代后的神经网络模型作为目标模型；

若否，利用Adamax优化器进行模型训练参数的寻优，利用寻优后的参数更新当前次迭代后的神经网络模型，并返回执行所述利用训练集训练神经网络模型的步骤，直至收敛，得到目标网络模型，其中，所述参数包括：每一层网络的滤波器个数、每轮迭代的批次大小中的一种或组合。

在本发明实施例的一种具体实施方式中，所述预测模块，用于：

利用公式，

计算模型的预测均方根误差，其中，

N表示每一帧图像的数据个数；

表示预测得到的一帧数据，Y_i表示根据原始数据得到的一帧f0F2图像，i表示此图像的第i个数据点。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电磁波频率预测方法，其特征在于，包括如下步骤：

步骤S1，基于电离层经验模型获取电离层的f0F2数据；

步骤S2，根据f0F2数据构建训练样本，并将所述训练样本分为训练集和测试集；

步骤S3，利用编码器、LSTM网络以及解码器依次串联构建神经网络模型；

步骤S4，利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测。

2.根据权利要求1所述的一种电磁波频率预测方法，其特征在于：步骤S1的具体实现包括，

基于IRI模型生成在预先设定的高度下，各个经度、纬度以及时刻时对应的总电子含量；

根据所述总电子含量，利用公式，

计算预先设定的高度、经度、纬度以及时刻时的f0F2数据。

3.根据权利要求2所述的一种电磁波频率预测方法，其特征在于：计算设定的高度、经度、纬度以及时刻时的f0F2数据的具体实现方式如下，

S103，在T1时间，首先固定纬度值，分别将经度设置为0°、5°、…、360°，每次递增5°，计算得到该时刻和固定纬度下不同经度的f0F2数据，得到共计73个频率数据；

S104，然后固定经度值，分别将纬度设置为360°、357.5、355、…，每次递减2.5°，直到纬度减小到步骤S103中固定的纬度值，停止计算；

S105，把步骤S103和步骤S104中的数据按照生成的顺序依次写入同一个文件中，即可得到T1时间的全球f0F2的分布；

S106，以一个小时为步长，继续执行S103-S106步骤，直到某一时间结束生成一个时间段内的全球f0F2的分布数据。

4.根据权利要求1所述的一种电磁波频率预测方法，其特征在于：步骤S2中根据f0F2数据构建训练样本的具体实现包括，

针对每天各个时刻的f0F2数据，以纬度为行以经度为列构建f0F2数据对应的矩阵；

根据各个矩阵，将当前天的f0F2数据对应的矩阵作为模型输入数据，将当前天的下一天的f0F2数据对应的矩阵作为模型输出数据，将模型输入数据与模型输出数据的集合作为样本数据，进而得到若干个训练样本。

5.根据权利要求4所述的一种电磁波频率预测方法，其特征在于：所述以纬度为行以经度为列构建f0F2数据对应的矩阵，包括：

针对每一时刻，以纬度为行以经度为列构建f0F2数据对应的初始矩阵；

将初始矩阵的进行列对调、末行补零、首末列合并处理，得到所述时刻的目标矩阵；

将同一天中各个时刻的目标矩阵进行组合，得到每一天的f0F2数据对应的矩阵。

6.根据权利要求1所述的一种电磁波频率预测方法，其特征在于：步骤S3利用编码器、LSTM网络以及解码器依次串联构建神经网络模型，包括：

按照3D卷积层、3D最大值池化层的顺序将一个3D卷积层以及一个3D最大值池化层串联为一组；将三组顺序串联得到编码器；

按照3D反卷积层、3D上采样层的顺序将一个3D反卷积层以及一个3D上采样层串联为一组；将三组顺序串联得到解码器；

然后将编码器、LSTM网络以及解码器依次串联构建神经网络模型，此外LSTM网络后面还添加了一个批次归一化网络层，解码器之后还添加一个卷积层用于将结果输出。

7.根据权利要求6所述的一种电磁波频率预测方法，其特征在于：卷积层的卷积核大小为(5,5,5)，池化层的大小为(1,2,2)。

8.根据权利要求1所述的一种电磁波频率预测方法，其特征在于：所述利用训练集训练神经网络模型，直至收敛，得到目标网络模型，包括：

利用训练集训练神经网络模型，获取当前次迭代时神经网络模型对应的损失值，并根据验证集判断该损失值是否小于预设阈值；损失值的计算公式如下，

其中，

Y为训练样本中的实际输出值，

是网络在输入为X情况下的预测输出值，E表示期望；

若是，将当前次迭代后的神经网络模型作为目标模型；

若否，利用Adamax优化器进行模型训练参数的寻优，利用寻优后的参数更新当前次迭代后的神经网络模型，并返回执行所述利用训练集训练神经网络模型的步骤，直至收敛，得到目标网络模型，其中，所述参数包括：每一层网络的滤波器个数、每轮迭代的批次大小中的一种或组合。

9.一种电磁波频率预测装置，其特征在于，包括如下模块：

获取模块，用于基于电离层经验模型获取电离层的f0F2数据；

拆分模块，用于根据f0F2数据构建训练样本，并将所述训练样本分为训练集和测试集；

构建模块，用于利用编码器、LSTM网络以及解码器依次串联构建神经网络模型；

预测模块，用于利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测。

10.一种电磁波频率预测装置，其特征在于：构建模块具体包括，

按照3D卷积层、3D最大值池化层的顺序将一个3D卷积层以及一个3D最大值池化层串联为一组；将三组顺序串联得到编码器；

按照3D反卷积层、3D上采样层的顺序将一个3D反卷积层以及一个3D上采样层串联为一组；将三组顺序串联得到解码器；

然后将编码器、LSTM网络以及解码器依次串联构建神经网络模型，此外LSTM网络后面还添加了一个批次归一化网络层，解码器之后还添加一个卷积层用于将结果输出。

Images