CN114337778B - 一种基于联合概率的卫星通信频轨资源数据修正方法 - Google Patents
一种基于联合概率的卫星通信频轨资源数据修正方法 Download PDFInfo
- Publication number
- CN114337778B CN114337778B CN202111627234.5A CN202111627234A CN114337778B CN 114337778 B CN114337778 B CN 114337778B CN 202111627234 A CN202111627234 A CN 202111627234A CN 114337778 B CN114337778 B CN 114337778B
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- value
- whitening
- corrected
- 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
Landscapes
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种基于联合概率的卫星通信频轨资源数据修正方法,包括以下步骤:首先,根据等权均值白化方法对公开数据进行白化处理;然后采用半监督学习的方法,利用数据库中申报数据和实际使用数据训练联合概率模型;利用得到的联合概率模型,修正白化数据;利用修正后的白化数据反演得到修正数据,补充数据库。该方法主要有以下优点:采用联合概率修正的方法,数据修正准确度高;采用半监督学习的方法,利用结合公开数据和数据库数据训练联合概率模型,模型精确度高、实现简单、避免了大量的人工标注的工作;该卫星通信频轨资源数据修正算法,实现的复杂度低,可方便的进行快速构建。
Description
技术领域
本发明涉及卫星通信领域,尤其涉及一种基于联合概率的卫星通信频轨资源数据修正方法。
背景技术
空间频轨资源是不可再生的稀缺战略资源,频轨资源非常宝贵。当前阶段,随着世界各国卫星产业的发展,在太空中发射了很多卫星,占据了大量的轨位资源,导致可用频轨资源愈发稀少。因此,对频轨资源的高效利用具有至关重要的意义。在实际的卫星通信事业的发展中,卫星频轨资源的挖掘,对于频轨数据的高效利用至关重要,可达到充分利用频轨资源数据的效果。但是,在实际应用中,不同单位在对于卫星频轨数据的上报、协调的过程中,存在着部分数据不正确的情况。数据的不准确给频轨资源挖掘模型的构建带来了巨大的挑战,不利于模型的构建。因此,对于卫星通信频轨资源数据的修正具有重要的实际意义。
现有的数据修正算法应用于卫星通信频轨资源数据修正上,适应度较低,导致修正准确度较低。因此,需要研究一种适用于卫星通信频轨资源数据的高效的修正算法。
发明内容
针对卫星通信频轨资源数据修正需求,本发明提出了一种基于联合概率的卫星通信频轨资源数据修正方法,其具体步骤包括:
S1,获取卫星通信频轨资源资源申请者所申报的卫星通信频轨资源数据,其包含定量数据和灰量数据,对灰量数据进行联合白化处理;
所述的步骤S1,其具体包括:
将第p个申请者namep所申报的一组卫星通信频轨资源数据的定量数据和联合白化处理后的灰量数据,作为一组待修正数据din,namep为第p个申请者的名字,Din为待修正数据集合,A为定量数据的个数,B为联合白化处理后的灰量数据的个数。
S2,从国际电联获取卫星频轨资源数据库,其包含卫星通信频轨资源资源申请者所申报的卫星通信频轨资源数据Dw和实际使用的频轨资源数据信息Du,Dw和Du中卫星通信频轨资源的参数顺序和参数数量均相同,参数数量均为m个;统计卫星频轨资源数据库中所有申请者申报和实际使用的频轨资源的每一类参数的最大偏差百分比和最小偏差百分比范围,将该范围均分为M-1份,每段范围端点作为该类参数的偏差百分比计量值;
上式中表示第r个参数的从最大偏差开始的第l个偏差值的计量值,M表示参数偏差值的数目,m表示频轨资源的参数的数目;偏差百分比为申请者申报值和实际使用值之差除以实际使用值;对频轨资源的每个参数进行上述计算过程,得到每个参数的M个偏差值的计量值;
S3,采用半监督学习方法,训练神经网络分类模型学习每个申报者对于频轨资源的某类参数的偏差概率,神经网络分类模型的输出为每个申报者对于每一类参数的偏差百分比的概率值,将待修正的数据输入到该神经网络分类模型,根据输出的偏差百分比及概率值对待修正的数据进行修正;
所述的步骤S3,其具体包括:
S31,将每个申请者名称的每个字使用word2vec模型进行向量化表示,所有字的向量与申请者的申报数据的向量的拼接矩阵为Vecin;
S32,构建神经网络分类模型,其包括卷积层、全连接层和并行softmax输出层,三层依次连接;神经网络分类模型的输入为Vecin,并行softmax输出层包括m个并行的softmax分类器,每一个softmax分类器的输出对应一类参数的偏差百分比的概率值,m个并行的softmax分类器的输出向量表示为其中,Pl r表示第r个参数的第l个偏差百分比的概率值;
S33,计算Dw中任一申请者的申报数据中的卫星通信频轨资源参数的偏差百分值,作为对应该组数据的标签,得到有标签的数据;神经网络分类模型的损失函数设定为所有类别的卫星通信频轨资源参数的交叉熵的均值;
S34,使用半监督学习方法对神经网络分类模型进行训练,首先利用有标签数据训练神经网络分类模型,得到一个初步训练模型,然后将每组待修正数据din对应的申请者名称输入该初步训练模型,得到对应每一参数的偏差百分比的概率,每个参数对应的概率最大的偏差百分比作为该参数的伪标签,得到有伪标签的数据;
S35,利用有标签的数据和有伪标签的数据,再次训练该神经网络分类模型,得到训练完成的神经网络分类模型;
S4,将待修正数据din对应的申请者名称输入到训练完成的神经网络分类模型,利用该训练完成的神经网络分类模型预测得到每一参数的偏差百分比的概率,预测得到的所有参数的偏差百分比的概率的向量表达式为其中,Pl r表示第r个参数的第l个偏差百分比的概率值;计算得到每个参数的修正值为:
S5,将步骤S1的经过联合白化处理的灰量数据,输入至步骤S3中的训练完成的神经网络分类模型,得到修正后的白化数据,再对该修正后的白化数据通过白化数据反演,得到修正后的卫星通信频轨资源数据;白化数据反演过程表示为:
本发明具有如下有益效果:
本发明采用联合概率修正方法对卫星通信频轨资源数据进行修正,与传统的方法相比,该方法数据修正准确度高。本发明采用半监督学习的方法,利用结合公开数据和数据库数据训练联合概率模型,模型精确度高、实现简单、避免了大量的人工标注的工作。本发明的卫星通信频轨资源数据修正方法,实现的复杂度低,可方便的进行快速构建。
附图说明
图1为本发明中基于联合概率的卫星通信频轨资源数据修正方法实现流程图。
具体实施方式
下面给出了本发明的一个实施例,对其进行详细描述。
如图1,本发明提出了一种基于联合概率的卫星通信频轨资源数据修正方法,其具体步骤包括:
S1,获取卫星通信频轨资源资源申请者所申报的卫星通信频轨资源数据,其包含定量数据和灰量数据,对灰量数据进行联合白化处理;
所述的步骤S1,其具体包括:
将第p个申请者namep所申报的一组卫星通信频轨资源数据的定量数据和联合白化处理后的灰量数据,作为一组待修正数据din,namep为第p个申请者的名字,Din为待修正数据集合,A为定量数据的个数,B为联合白化处理后的灰量数据的个数。
S2,从国际电联获取卫星频轨资源数据库,其包含卫星通信频轨资源资源申请者所申报的卫星通信频轨资源数据Dw和实际使用的频轨资源数据信息Du,Dw和Du中卫星通信频轨资源的参数顺序和参数数量均相同,参数数量均为m个;统计卫星频轨资源数据库中所有申请者申报和实际使用的频轨资源的每一类参数的最大偏差百分比和最小偏差百分比范围,将该范围均分为M-1份,每段范围端点作为该类参数的偏差百分比计量值;
上式中表示第r个参数的从最大偏差开始的第l个偏差值的计量值,M表示参数偏差值的数目,m表示频轨资源的参数的数目;偏差百分比为申请者申报值和实际使用值之差除以实际使用值;对频轨资源的每个参数进行上述计算过程,得到每个参数的M个偏差值的计量值;
S3,采用半监督学习方法,训练神经网络分类模型学习每个申报者对于频轨资源的某类参数的偏差概率,神经网络分类模型的输出为每个申报者对于每一类参数的偏差百分比的概率值,将待修正的数据输入到该神经网络分类模型,根据输出的偏差百分比及概率值对待修正的数据进行修正;
所述的步骤S3,其具体包括:
S31,将每个申请者名称的每个字使用word2vec模型进行向量化表示,所有字的向量与申请者的申报数据的向量的拼接矩阵为Vecin;
S32,构建神经网络分类模型,其包括卷积层、全连接层和并行softmax输出层,三层依次连接;神经网络分类模型的输入为Vecin,并行softmax输出层包括m个并行的softmax分类器,每一个softmax分类器的输出对应一类参数的偏差百分比的概率值,m个并行的softmax分类器的输出向量表示为其中,Pl r表示第r个参数的第l个偏差百分比的概率值;
S33,计算Dw中任一申请者的申报数据中的卫星通信频轨资源参数的偏差百分值,作为对应该组数据的标签,得到有标签的数据;神经网络分类模型的损失函数设定为所有类别的卫星通信频轨资源参数的交叉熵的均值;
S34,使用半监督学习方法对神经网络分类模型进行训练,首先利用有标签数据训练神经网络分类模型,得到一个初步训练模型,然后将每组待修正数据din对应的申请者名称输入该初步训练模型,得到对应每一参数的偏差百分比的概率,每个参数对应的概率最大的偏差百分比作为该参数的伪标签,得到有伪标签的数据;
S35,利用有标签的数据和有伪标签的数据,再次训练该神经网络分类模型,得到训练完成的神经网络分类模型;
S4,将待修正数据din对应的申请者名称输入到训练完成的神经网络分类模型,利用该训练完成的神经网络分类模型预测得到每一参数的偏差百分比的概率,预测得到的所有参数的偏差百分比的概率的向量表达式为其中,Pl r表示第r个参数的第l个偏差百分比的概率值;计算得到每个参数的修正值为:
S5,将步骤S1的经过联合白化处理的灰量数据,输入至步骤S3中的训练完成的神经网络分类模型,得到修正后的白化数据,再对该修正后的白化数据通过白化数据反演,得到修正后的卫星通信频轨资源数据;白化数据反演过程表示为:
以上结合附图详细说明了本发明,但是本领域的普通技术人员应当明白,说明书是用于解释权利要求的,本发明的保护范围以权利要求为准,在本发明的基础上,任何所做的修改、等同替换和改进等都应当在所要求的保护范围内。
Claims (1)
1.一种基于联合概率的卫星通信频轨资源数据修正方法,其特征在于,其具体步骤包括:
S1,获取卫星通信频轨资源资源申请者所申报的卫星通信频轨资源数据,其包含定量数据和灰量数据,对灰量数据进行联合白化处理;
S2,从国际电联获取卫星频轨资源数据库,其包含卫星通信频轨资源资源申请者所申报的卫星通信频轨资源数据Dw和实际使用的频轨资源数据信息Du,Dw和Du中卫星通信频轨资源的参数顺序和参数数量均相同,参数数量均为m个;统计卫星频轨资源数据库中所有申请者申报和实际使用的频轨资源的每一类参数的最大偏差百分比和最小偏差百分比范围,将该范围均分为M-1份,每段范围端点作为该类参数的偏差百分比计量值;
S3,采用半监督学习方法,训练神经网络分类模型学习每个申报者对于频轨资源的某类参数的偏差概率,神经网络分类模型的输出为每个申报者对于每一类参数的偏差百分比的概率值,将待修正的数据输入到该神经网络分类模型,根据输出的偏差百分比及概率值对待修正的数据进行修正;
S4,将待修正数据din对应的申请者名称输入到训练完成的神经网络分类模型,利用该训练完成的神经网络分类模型预测得到每一参数的偏差百分比的概率,预测得到的所有参数的偏差百分比的概率的向量表达式为其中,Pl r表示第r个参数的第l个偏差百分比的概率值;计算得到每个参数的修正值为:
S5,将步骤S1的经过联合白化处理的灰量数据,输入至步骤S3中的训练完成的神经网络分类模型,得到修正后的白化数据,再对该修正后的白化数据通过白化数据反演,得到修正后的卫星通信频轨资源数据;白化数据反演过程表示为:
所述的步骤S1,其具体包括:
将第p个申请者namep所申报的一组卫星通信频轨资源数据的定量数据和联合白化处理后的灰量数据,作为一组待修正数据din,namep为第p个申请者的名字,Din为待修正数据集合,A为定量数据的个数,B为联合白化处理后的灰量数据的个数;
上式中表示第r个参数的从最大偏差开始的第l个偏差值的计量值,M表示参数偏差值的数目,m表示频轨资源的参数的数目;偏差百分比为申请者申报值和实际使用值之差除以实际使用值;对频轨资源的每个参数进行上述计算过程,得到每个参数的M个偏差值的计量值;
所述的步骤S3,其具体包括:
S31,将每个申请者名称的每个字使用word2vec模型进行向量化表示,所有字的向量与申请者的申报数据的向量的拼接矩阵为Vecin;
S32,构建神经网络分类模型,其包括卷积层、全连接层和并行softmax输出层,三层依次连接;神经网络分类模型的输入为Vecin,并行softmax输出层包括m个并行的softmax分类器,每一个softmax分类器的输出对应一类参数的偏差百分比的概率值,m个并行的softmax分类器的输出向量表示为其中,Pl r表示第r个参数的第l个偏差百分比的概率值;
S33,计算Dw中任一申请者的申报数据中的卫星通信频轨资源参数的偏差百分值,作为对应该组数据的标签,得到有标签的数据;神经网络分类模型的损失函数设定为所有类别的卫星通信频轨资源参数的交叉熵的均值;
S34,使用半监督学习方法对神经网络分类模型进行训练,首先利用有标签数据训练神经网络分类模型,得到一个初步训练模型,然后将每组待修正数据din对应的申请者名称输入该初步训练模型,得到对应每一参数的偏差百分比的概率,每个参数对应的概率最大的偏差百分比作为该参数的伪标签,得到有伪标签的数据;
S35,利用有标签的数据和有伪标签的数据,再次训练该神经网络分类模型,得到训练完成的神经网络分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627234.5A CN114337778B (zh) | 2021-12-28 | 2021-12-28 | 一种基于联合概率的卫星通信频轨资源数据修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627234.5A CN114337778B (zh) | 2021-12-28 | 2021-12-28 | 一种基于联合概率的卫星通信频轨资源数据修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114337778A CN114337778A (zh) | 2022-04-12 |
CN114337778B true CN114337778B (zh) | 2022-06-24 |
Family
ID=81015819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111627234.5A Active CN114337778B (zh) | 2021-12-28 | 2021-12-28 | 一种基于联合概率的卫星通信频轨资源数据修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114337778B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108957594A (zh) * | 2018-05-15 | 2018-12-07 | 北京维艾思气象信息科技有限公司 | 一种商遥卫星轨道总云量预报修正方法及修正系统 |
CN111582319A (zh) * | 2020-04-16 | 2020-08-25 | 军事科学院系统工程研究院网络信息研究所 | 一种基于层次的卫星通信资源利用率灰色估计方法 |
CN113824489A (zh) * | 2021-11-22 | 2021-12-21 | 凯睿星通信息科技(南京)股份有限公司 | 基于深度学习的卫星网络资源动态分配方法、系统及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10594027B1 (en) * | 2018-08-31 | 2020-03-17 | Hughes Networks Systems, Llc | Machine learning models for detecting the causes of conditions of a satellite communication system |
-
2021
- 2021-12-28 CN CN202111627234.5A patent/CN114337778B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108957594A (zh) * | 2018-05-15 | 2018-12-07 | 北京维艾思气象信息科技有限公司 | 一种商遥卫星轨道总云量预报修正方法及修正系统 |
CN111582319A (zh) * | 2020-04-16 | 2020-08-25 | 军事科学院系统工程研究院网络信息研究所 | 一种基于层次的卫星通信资源利用率灰色估计方法 |
CN113824489A (zh) * | 2021-11-22 | 2021-12-21 | 凯睿星通信息科技(南京)股份有限公司 | 基于深度学习的卫星网络资源动态分配方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114337778A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159426B (zh) | 一种基于图卷积神经网络的产业图谱融合方法 | |
US20190034784A1 (en) | Fixed-point training method for deep neural networks based on dynamic fixed-point conversion scheme | |
CN113051399B (zh) | 一种基于关系型图卷积网络的小样本细粒度实体分类方法 | |
CN107391501A (zh) | 一种基于词预测的神经机器翻译方法 | |
CN111985523A (zh) | 基于知识蒸馏训练的2指数幂深度神经网络量化方法 | |
WO2022126683A1 (zh) | 面向多任务的预训练语言模型自动压缩方法及平台 | |
CN110674459B (zh) | 基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN112487193B (zh) | 一种基于自编码器的零样本图片分类方法 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN111369535B (zh) | 一种细胞检测方法 | |
CN109858972B (zh) | 广告点击率的预测方法和装置 | |
CN113988449A (zh) | 基于Transformer模型的风电功率预测方法 | |
CN111783423A (zh) | 解题模型的训练方法及装置、解题方法及装置 | |
CN114283320B (zh) | 基于全卷积的无分支结构目标检测方法 | |
CN110188762A (zh) | 中英文混合商户门店名称识别方法、系统、设备及介质 | |
CN114120041A (zh) | 一种基于双对抗变分自编码器的小样本分类方法 | |
CN111353620A (zh) | 构建网点件量预测模型的方法、装置、设备及存储介质 | |
CN112183065A (zh) | 文本评估方法、装置、计算机可读存储介质及终端设备 | |
CN113591971A (zh) | 基于dpi时间序列词嵌入向量的用户个性行为预测方法 | |
CN115544277A (zh) | 一种基于迭代蒸馏的快速知识图谱嵌入模型压缩方法 | |
CN114337778B (zh) | 一种基于联合概率的卫星通信频轨资源数据修正方法 | |
CN114880538A (zh) | 基于自监督的属性图社团检测方法 | |
CN111523404A (zh) | 一种基于卷积神经网络和稀疏表示的部分人脸识别方法 | |
CN107808664A (zh) | 基于稀疏神经网络的语音识别方法、语音识别装置和电子设备 | |
CN111461229B (zh) | 一种基于目标传递和线搜索的深层神经网络优化及图像分类方法 |
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 |