CN113365298B

CN113365298B - 基于高阶模糊认知图的mr网络信号强度预测方法及系统

Info

Publication number: CN113365298B
Application number: CN202110437735.0A
Authority: CN
Inventors: 骆超; 丁奉乾
Original assignee: Shandong Normal University
Current assignee: Shandong Normal University
Priority date: 2021-04-22
Filing date: 2021-04-22
Publication date: 2022-08-02
Anticipated expiration: 2041-04-22
Also published as: CN113365298A

Abstract

本发明提供了基于高阶模糊认知图的MR网络信号强度预测方法及系统，将MR网络信号强度映射到极坐标上并确定模糊信息粒；基于模糊信息粒，高阶模糊认知图被建立用于揭示MR网络信号强度时间序列在不同波动特征下的内在转移机制；并引入注意力机制使得构建得到的模糊认知图可以关注MR网络信号强度序列数据中的重点信息，减少对噪声数据的拟合，从而提高预测方法及系统的抗噪能力和泛化能力。

Description

基于高阶模糊认知图的MR网络信号强度预测方法及系统

技术领域

本发明属于网络信号领域，具体涉及基于高阶模糊认知图的MR网络信号强度预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

C-band(3.4GHz-4.9GHz)成为5G网络的主力频谱，为保证信号连续覆盖必然带来站址密度的增加，较4G网络单位区域内基站间距进一步缩小，基站间连通关系更加紧密。

但是，5G基站的超密集组网特性决定了局部区域性基站之间存在相互的关联和干扰，从而增强了MR网络信号(包含小区下行信号强度、信号质量等信息，由基站控制器收集和统计)的噪声、非线性等特性。因此，如何对MR网络信号强度进行准确预测以保证基站性能的稳定和安全运行是一个亟待解决的问题。

发明内容

本发明为了解决上述问题，提出了基于高阶模糊认知图的MR网络信号强度预测方法及系统，将MR网络信号强度映射到极坐标上并确定模糊信息粒；基于模糊信息粒，高阶模糊认知图被建立用于揭示MR网络信号强度时间序列在不同波动特征下的内在转移机制；并引入注意力机制使得构建得到的模糊认知图可以关注MR网络信号强度序列数据中的重点信息。

根据一些实施例，本发明采用如下技术方案：

基于高阶模糊认知图的MR网络信号强度预测方法，包括以下步骤：

获取用于训练的MR网络信号强度数据，计算每个时间窗口的极坐标点；

根据所有时间窗口的极坐标点确定模糊信息粒；

根据得到的模糊信息粒和每个时间窗口的极坐标点训练MR网络信号强度预测模型；所述MR网络信号强度预测模型的训练包括两部分：高阶模糊认知图模型的训练和注意力网络的训练；

获取待预测的MR网络信号强度数据，计算每个时间窗口的极坐标点，并输入训练好的MR网络信号强度预测模型得到下一时间窗口所有模糊信息粒的状态值，基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度。

进一步地，所述计算每个时间窗口的极坐标点的具体步骤包括：

将MR网络信号强度数据划分到若干个时间窗口；

对每个时间窗口内的MR网络信号强度数据进行拟合建立回归方程；

根据回归方程的斜率计算极坐标角度和极坐标半径，得到每个时间窗口的极坐标点。

进一步地，所述根据所有时间窗口的极坐标点确定模糊信息粒的步骤具体包括：

根据所有时间窗口的极坐标点中极坐标角度和极坐标半径的取值，确定极坐标角度和极坐标半径的取值范围；

在该取值范围内将极坐标系划分为若干个扇形区域，每个扇形区域为一个模糊信息粒。

进一步地，所述高阶模糊认知图模型的训练包括：

构建高阶模糊认知图，将模糊信息粒作为高阶模糊认知图的节点；

计算每个时间窗口的极坐标点对节点的隶属度，得到每个时间窗口下的节点状态值；

根据节点状态值训练得到高阶模糊认知图模型。

进一步地，所述隶属度的计算中，使用Fermi函数计算带宽。

进一步地，所述注意力网络的训练包括：

获取训练好的高阶模糊认知图模型中每个时间窗口下的节点之间连边的权重；

将节点状态值和权重输入注意力网络，训练得到最优注意力网络。

进一步地，所述高阶模糊认知图模型的训练采用Elastic Net算法。

基于注意力机制模糊认知图的MR网络信号强度预测系统，包括：

极坐标点计算模块，其被配置为：获取用于训练的MR网络信号强度数据，计算每个时间窗口的极坐标点；

模糊信息粒确定模块，其被配置为：根据所有时间窗口的极坐标点确定模糊信息粒；

模型训练模块，其被配置为：根据得到的模糊信息粒和每个时间窗口的极坐标点训练MR网络信号强度预测模型；所述MR网络信号强度预测模型的训练包括两部分：高阶模糊认知图模型的训练和注意力网络的训练；

预测模块，其被配置为：获取待预测的MR网络信号强度数据，计算每个时间窗口的极坐标点，并输入训练好的MR网络信号强度预测模型得到下一时间窗口所有模糊信息粒的状态值，基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于高阶模糊认知图的MR网络信号强度预测方法。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于高阶模糊认知图的MR网络信号强度预测方法。

与现有技术相比，本发明的有益效果为：

1、本发明将MR网络信号强度数据映射到极坐标上，从极坐标的角度描述MR网络信号强度序列波动特征，其中极角度表示序列的趋势信息，极半径表示序列趋势变化的信息。

2、本发明基于模糊信息粒建立了高阶模糊认知图，可以进一步探究不同MR网络信号强度的时序模式之间的转移机制，从而更好地实现对网络信号的预测。

3、本发明引入注意力机制使得构建得到的模糊认知图可以关注MR网络信号强度序列数据中的重点信息，减少对噪声数据的拟合，从而提高模型的抗噪能力和泛化能力。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明的极坐标下模糊信息粒的具体构造流程图；

图2是本发明的隶属度函数图；

图3是本发明的注意力网络的设计架构图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

在一个或多个实施方式中公开的技术方案中，基于高阶模糊认知图的MR网络信号强度预测方法，将MR网络信号强度数据映射到极坐标上并确定模糊信息粒，其中，极坐标角度表示MR网络信号强度时间序列的趋势信息，极坐标半径表示MR网络信号强度时间序列趋势的变化；基于模糊信息粒，高阶模糊认知图被建立用于揭示MR网络信号强度时间序列在不同波动特征下的内在转移机制；并引入注意力机制使得构建得到的模糊认知图可以关注MR网络信号强度序列数据中的重点信息，减少对噪声数据的拟合，从而提高模型的抗噪能力和泛化能力；本申请所提出的MR网络信号强度预测方法可用于5G基站MR网络信号强度的预测，并实现较为理想的预测效果。该方法主要包括极坐标下模糊信息粒的构建、模糊认知图的构建、注意力机制的引入以及模型的训练这四个部分。

(1)极坐标下每个时间窗口的极坐标点的计算和模糊信息粒的构建，如图1所示，包括以下步骤：

步骤1.1：计算每个时间窗口的极坐标点，包括：将MR网络信号强度数据划分到若干个时间窗口；对每个时间窗口内的MR网络信号强度数据进行拟合建立回归方程；根据回归方程的斜率计算极坐标角度和极坐标半径，得到每个时间窗口的极坐标点。

需要确定一个长度为ω的时间窗口，以及时间窗口每次向前移动的MR网络信号强度数据样本个数s(即时间窗口步长为s)，其中s的范围是1≤s≤ω，使用长度为ω、步长为s的时间窗口对MR网络信号强度时间序列数据进行窗口化；

对每个窗口中的MR网络信号强度数据通过一个回归模型进行拟合，从而可以得到相应的回归直线，第i个窗口的回归直线表示为P_i(t)＝a_it+b_i+ε_i，它反映了当前窗口中MR网络信号强度数据的线性趋势，其中a_i和b_i分别表示回归直线的斜率和截距，ε_i表示回归直线的残差，进而，可以得到回归方程系数的集合，即{a₁,a₂,...,a_q}，其中q表示总共的窗口数目；

所有的斜率系数a_i被转换为极坐标角度θ_i，以及通过两个相邻的极坐标角度计算得到极坐标半径ρ_i，进而，得到极坐标点(ρ_i,θ_i)，其中θ_i表示窗口中MR网络信号强度序列数据的波动趋势，ρ_i表示MR网络信号强度序列数据波动的剧烈程度；

上述步骤的计算过程如下所示：

为了避免受到MR网络信号强度数据中异常点的影响以及防止引入未来信息，对将极坐标半径和极坐标角度映射到同样的尺度，即，对极坐标角度和极坐标半径进行标准化处理，处理的方式如下，即本实施例中，根据回归方程的斜率计算极坐标角度和极坐标半径的具体计算公式如下：

通过上面的方式可以得到标准化后的极坐标集合{(ρ₁,θ₁),(ρ₂,θ₂),...,(ρ_q,θ_q)}，其中ρ_i∈[0,2]，θ_i∈[0,2]；

步骤1.2：根据所有时间窗口的极坐标点确定模糊信息粒，包括：根据所有时间窗口的极坐标点中极坐标角度和极坐标半径的取值，确定极坐标角度和极坐标半径的取值范围；在该取值范围内将极坐标系划分为若干个扇形区域，每个扇形区域为一个模糊信息粒。

根据极坐标半径以及极角度的范围ρ_i∈[0,2]，θ_i∈[0,2]，可以在极坐标系中从极半径和极角度两个方向等距划分整个区域，从而可以得到不同大小的扇形区域(形成的区域中，距离原点越近的扇形区域面积越小，距离原点越远面积越大)；其中，每个扇形区域作为一个模糊信息粒，表示MR网络信号强度序列数据的一种波动模式，这个信息粒表示为G(ρ_mid,θ_mid)，其中ρ_mid和θ_mid是具体信息粒的极坐标半径和极坐标角度的中值。

(2)模糊认知图的构建

如图1所示，计算极坐标下每个窗口中的MR网络信号强度数据对信息粒的隶属度。为了衡量某个时刻得到的MR网络信号强度数据对信息粒的隶属度大小，高斯隶属度函数常被到。然而，在实际中，数据距离信息粒的中心越近，则其隶属度大小的增幅应越大，本实施例，提出了一种更具有实际意义的隶属度度量方式。

给定一个极坐标点D(ρ,θ)，即极坐标下一个窗口中的MR网络信号强度数据，则该极坐标点对于某一个信息粒G(ρ_mid,θ_mid)的隶属度计算公式，即每个时间窗口的极坐标点D(ρ,θ)对节点G(ρ_mid,θ_mid)的隶属度为：

其中，g(x)是Fermi函数，用Fermi函数来代替固定带宽，Fermi函数g(x)的形式如下：

其中，β是Boltzmann常数，Fermi函数是一个单调递减的函数，所以通过引入Fermi函数作为高斯隶属度函数的带宽，数据点越靠近信息粒的中心，其隶属度的增幅越大；这样，数据的隶属函数图如图2所示。

构建模糊认知图，所述每个模糊认知图的节点对应一个扇形模糊信息粒，该节点在每个时间窗口的的状态值为该时间窗口中的MR网络信号强度数据对该节点所对应信息粒的隶属度，该节点与其余节点之间连边的权重通过学习得到，一个节点在下一时间窗口的状态值由所有与它相连的节点在前k个时间窗口的状态值以及连边的权重所决定。

极坐标下的模糊信息粒基于MR网络信号强度时间序列的不同时段进行构建，用于描述每个时段的不同波动模式，进而，为了探究不同波动模式之间的转移机制，模糊认知图被建立，其中，每个模糊信息粒作为模糊认知图的一个节点。

构建得到的模糊认知图中的每个概念节点可以用C₁,C₂,...,C_n表示，其中n表示概念节点的个数，每个概念节点对应一个扇形模糊信息粒，代表一种MR网络信号强度时间序列数据的波动模式。节点之间的连边代表了概念之间的因果联系，连边上的权重描述了节点之间的影响程度，节点连边的权重可以被表示为一个n×n的权重矩阵W，其中节点之间连边上的权重w_ji∈[-1,1]，它表示节点j到节点i的影响程度的大小。第i个节点C_i在t时刻(即第t个时间窗口)的状态值可以用A_i(t)进行表示，即t时刻的MR网络信号强度数据对第i个信息粒的隶属度值。在模糊认知图中，一个节点在t+1时刻的状态值由所有与它相连的节点在t时刻的状态值以及连边的权重所决定，即：

其中，f表示变换函数，作用是将节点的状态值映射到一定范围的区间中，它的形式是：

其中，η是一个用于表示函数在原点处的陡度的参数，它的值越大，函数在原点处越陡峭。

在模糊认知图中，每个节点在t+1时刻的状态值依赖于所有与之连接的节点在t时刻的状态值，这就使得一般的模糊认知图模型无法对较长的时间依赖进行建模，从而会限制它的建模能力。

因此为了增强模型的时序建模能力，本实施例用到了高阶模糊认知图来对序列长时间依赖关系进行逼近，即使用若干个连续时间窗口的节点状态值，预测得到下一时间窗口的节点状态值。一个k阶的高阶模糊认知图的迭代公式如下所示：

其中，A_j(t)表示第j个节点在t时刻(第t个时间窗口下)的状态值，对应于t时刻的MR网络信号强度数据对第j个模糊信息粒的隶属度值，

表示第k阶模糊认知图中，节点j到节点i的权值，即不同MR网络信号强度序列的波动模式之间的影响程度。

(3)注意力机制的引入

在MR网络信号强度时间序列中，只有一部分典型的关键模态特征起到了主要的作用，它们反映在极坐标下扇形模糊信息粒中的某些区域中，代表了高阶模糊认知图中的重要空间信息。因此，为了增强模型对这些重要空间特征的关注程度，注意力机制被引入，从而提高模型的抗噪声能力以及泛化能力，具体注意力网络的设计架构如图3所示。

所述注意力网络包括依次连接的输入层、第一全连接层、第二层全连接层、softmax层和第三全连接层。

首先，高阶模糊认知图中每阶模糊认知图的所有节点与权值的计算结果作为注意力网络的输入节点，然后输入层经过一层全连接层进行特征提取，得到特征向量，第一全连接层可以表示为：

v＝σ(W_vU+b_v) (8)

其中，v表示MR网络信号强度数据的特征向量，W_v表示隐藏层权重矩阵，b_v表示偏置项向量，U表示来自高阶模糊认知图的输入，σ表示sigmoid函数。以二阶具有三个节点的模糊认知图为例，U的形式是：

其中，A(t)表示t时刻高阶模糊认知图中第i个节点的输出值，

表示第k阶模糊认知图的第i列权重向量。

之后，为了保证输出与输入层具有相同的节点个数，第二层全连接层被用到，第二层全连接层可以表示为：

h＝σ(W_hv+b_h) (10)

其中，h表示进一步被转换后的MR网络信号强度数据的特征向量，W_h表示隐藏层权重矩阵，b_h表示偏置项向量。

最后，通过一层softmax层输出注意力系数，其计算方式如下所示：

其中，h_i表示特征向量h中的第i个特征值，a_i表示第i个注意力系数。

之后，输入层的MR网络信号强度数据与注意力系数进行加权得到注意力值，进而，将这个结果与输入层的数据进行拼接操作，并在最后通过第三全连接层进行结果输出：

Z＝σ(W_c[c；U]) (13)

其中，[·；·]表示拼接操作，

表示element-wise乘法操作，α表示注意力系数向量，c表示注意力值向量，W_c表示全连接层的权重矩阵，Z表示注意力网络的输出，即下一时刻节点状态值的预测值。这里的最后输出用到了sigmoid函数，目的是同基本模糊认知图的输出一样，以保证输出的结果在[0,1]中。

下一时间窗口所有模糊信息粒的状态值，基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度。

所述基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度的具体步骤包括：首先，选取状态值最大的模糊信息粒作为预测得到的模糊信息粒，因为下一时刻的所有模糊信息粒的状态值表示下一时间窗口的极坐标点对所有模糊信息粒的隶属度，选取隶属度最大的模糊信息粒作为预测得到的模糊信息粒；然后，取该预测得到的模糊信息粒的中值作为偏移角度，在当前MR信号强度数据的基础上再偏移该角度得到下一时间窗口的MR信号强度，换句话说，该预测得到的模糊信息粒包含了趋势的角度θ的范围，所以取这个范围的中值来表示下一个窗口的偏移角度，进而在当前MR信号强度数据的基础上再偏移这个角度来表示下一时刻的MR信号强度。

最后，预测得到的模糊信息粒所代表的角度的中值表示下一窗口的波动方向，从而，在当前MR网络信号强度数据的基础上偏移预测得到的角度来表示下一时刻的预测值。

(4)模型的训练

模型在构建完成之后，模型的训练主要包括两个部分，第一个部分是高阶模糊认知图的训练，第二个部分是注意力网络的训练。这里我们采用了一种两阶段的训练方法，即先通过具体的学习方法对高阶模糊认知图进行学习，得到训练好的高阶模糊认知图模型之后，将高阶模糊认知图模型的输出作为注意力网络的输入，用于注意力网络参数的训练。

其中，高阶模糊认知图的训练方法如下：

首先，将高阶模糊认知图的迭代公式通过下面的逆变换转化为线性形式：

并以矩阵的形式重写上面的公式：

Y＝XW (15)

其中，Y是包含n列向量的矩阵，X是所有节点在不同时刻的状态值矩阵，W是权重矩阵。由于通过极坐标下扇形区域信息粒构造得到的模糊认知图一般具有大规模的特点，而其中主要起到作用的只是某些区域中的节点，因此实际中的模糊认知图的权重矩阵应具有稀疏特征。除此之外，模糊认知图的权重矩阵每列的学习互不影响，所以可以对权重矩阵的每个列向量进行单独求解。即下面的形式：

Y_i＝Xw_i (16)

其中，Y_i是包含f^-1(A_i(t+1))所有时刻的值的列向量，w_i是权重向量。以一个二阶模糊认知图为例，Y_i，X以及w_i可以表示为下面的形式：

这是一个典型的稀疏信号重构问题，针对此类问题，本实施例中，高阶模糊认知图模型的训练通过最小二乘法来最小化误差

进行求解，即：

在进行求解的过程中，为了保证模型的稀疏性，并且防止模型出现过拟合的问题，本实施例的技术方案中，高阶模糊认知图模型的训练采用Elastic Net算法，即采用一种基于Elastic Net算法的高阶模糊认知图训练方法，其中将L₁和L₂正则项都引入了优化目标中，即：

L₁正则项指的是优化目标中的λ||w_i||₁，L₂正则项指的是优化目标中的

它们常被加入到优化目标中以防止模型出现过拟合的现象。由于优化目标是凸函数，所以针对此类问题，可以通过一系列的梯度优化的方法进行求解。

另外，对于注意力网络参数的训练，即是对网络中隐藏层和全连接层的权值进行学习，注意力网络的训练采用了最为常用的反向传播算法，其中的权值根据学习记录进行更新，直到结束所有的epoch。学习过程的目标是最小化如下的学习误差函数，即注意力网络的学习误差函数为：

其中，T表示MR网络信号强度数据样本个数，o表示输出节点的个数，Z_j(i)表示第i个样本在注意力网络中所对应的第j个节点的输出，A_j(i)表示第i个样本对于第j个节点的真实值,θ表示需要参与训练的参数，即隐藏层和全连接层的权重。在反向传播算法中，参数值的更新迭代公式如下：

其中，θ_τ表示第τ轮迭代的参数值，γ表示更新迭代的步长。

实施例2

本实施例提供基于注意力机制模糊认知图的MR网络信号强度预测系统，包括：

模糊信息粒确定模块，其被配置为：根据极坐标点确定模糊信息粒；

预测模块，其被配置为：获取待预测的MR网络信号强度数据，计算每个时间窗口的极坐标点，并输入训练好的MR网络信号强度预测模型，得到下一时间窗口的MR网络信号强度。

实施例3

本实施例提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于高阶模糊认知图的MR网络信号强度预测方法。

实施例4

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：包括以下步骤：

根据所有时间窗口的极坐标点确定模糊信息粒；

获取待预测的MR网络信号强度数据，计算每个时间窗口的极坐标点，并输入训练好的MR网络信号强度预测模型得到下一时间窗口所有模糊信息粒的状态值，基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度；

所述高阶模糊认知图模型的训练包括：构建高阶模糊认知图，将模糊信息粒作为高阶模糊认知图的节点；计算每个时间窗口的极坐标点对节点的隶属度，得到每个时间窗口下的节点状态值；根据节点状态值训练得到高阶模糊认知图模型；

其中，每个时间窗口的极坐标点D(ρ,θ)对节点G(ρ_mid,θ_mid)的隶属度为：

其中，g(x)是Fermi函数。

2.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述计算每个时间窗口的极坐标点的具体步骤包括：

将MR网络信号强度数据划分到若干个时间窗口；

3.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述根据所有时间窗口的极坐标点确定模糊信息粒的步骤具体包括：

4.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述隶属度的计算中，使用Fermi函数计算带宽。

5.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述注意力网络的训练包括：

将所述节点状态值和权重输入注意力网络，训练注意力网络。

6.如权利要求1所述的基于高阶模糊认知图的MR网络信号强度预测方法，其特征是：所述高阶模糊认知图模型的训练采用Elastic Net算法。

7.基于注意力机制模糊认知图的MR网络信号强度预测系统，其特征是：包括：

预测模块，其被配置为：获取待预测的MR网络信号强度数据，计算每个时间窗口的极坐标点，并输入训练好的MR网络信号强度预测模型得到下一时间窗口所有模糊信息粒的状态值，基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度；

其中，g(x)是Fermi函数。

8.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的基于高阶模糊认知图的MR网络信号强度预测方法。

9.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-6中任一项所述的基于高阶模糊认知图的MR网络信号强度预测方法。