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

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

一种基于联合概率的卫星通信频轨资源数据修正方法

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：

对于第k个灰量数据

按等权白化均值方式获得其白化值

该过程的计算公式为：

其中，a_k是灰量数据

的起点，b_k是灰量数据

的止点，

为第k个灰量数据的白化值；c_k为灰量数据的止点到起点的距离，c_k＝b_k-a_k，取α＝0.5，即上述白化过程即为等权均值白化；

将第p个申请者name^p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d_in，

name^p为第p个申请者的名字，D_in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D_w和实际使用的频轨资源数据信息D_u，D_w和D_u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；

所述的步骤S2，其具体为：对于频轨资源的每r类参数，计算卫星频轨资源数据库中申请者申报值和实际使用值的最大偏差百分比

与最小偏差百分比

的范围，然后将该范围均分为M-1份，其具体过程为：

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Vec_in；

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Vec_in，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，P_l ^r表示第r个参数的第l个偏差百分比的概率值；

S33，计算D_w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d_in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d_in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，P_l ^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：

其中，

表示第r个参数的修正值，e^r为第r个待修正参数值；

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：

其中，

为第k个修正后的白化数据，

为第k个修正后的白化反演数据。最后将所有参数的修正值以及所有修正后的白化反演数据补充到卫星频轨资源数据库中。

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：

对于第k个灰量数据

按等权白化均值方式获得其白化值

该过程的计算公式为：

其中，a_k是灰量数据

的起点，b_k是灰量数据

的止点，

为第k个灰量数据的白化值；c_k为灰量数据的止点到起点的距离，c_k＝b_k-a_k，取α＝0.5，即上述白化过程即为等权均值白化；

将第p个申请者name^p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d_in，

name^p为第p个申请者的名字，D_in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D_w和实际使用的频轨资源数据信息D_u，D_w和D_u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；

所述的步骤S2，其具体为：对于频轨资源的每r类参数，计算卫星频轨资源数据库中申请者申报值和实际使用值的最大偏差百分比

与最小偏差百分比

的范围，然后将该范围均分为M-1份，其具体过程为：

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Vec_in；

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Vec_in，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，P_l ^r表示第r个参数的第l个偏差百分比的概率值；

S33，计算D_w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d_in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d_in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，P_l ^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：

其中，

表示第r个参数的修正值，e^r为第r个待修正参数值；

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：

其中，

为第k个修正后的白化数据，

为第k个修正后的白化反演数据。最后将所有参数的修正值以及所有修正后的白化反演数据补充到卫星频轨资源数据库中。

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D_w和实际使用的频轨资源数据信息D_u，D_w和D_u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d_in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，P_l ^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：

其中，

表示第r个参数的修正值，e^r为第r个待修正参数值；

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：

其中，

为第k个修正后的白化数据，

为第k个修正后的白化反演数据；最后将所有参数的修正值以及所有修正后的白化反演数据补充到卫星频轨资源数据库中；

所述的步骤S1，其具体包括：

对于第k个灰量数据

按等权白化均值方式获得其白化值

该过程的计算公式为：

其中，a_k是灰量数据

的起点，b_k是灰量数据

的止点，

为第k个灰量数据的白化值；c_k为灰量数据的止点到起点的距离，c_k＝b_k-a_k，取α＝0.5，即上述白化过程即为等权均值白化；

将第p个申请者name^p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d_in，

name^p为第p个申请者的名字，D_in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；

所述的步骤S2，其具体为：对于频轨资源的每r类参数，计算卫星频轨资源数据库中申请者申报值和实际使用值的最大偏差百分比

与最小偏差百分比

的范围，然后将该范围均分为M-1份，其具体过程为：

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Vec_in；

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Vec_in，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，P_l ^r表示第r个参数的第l个偏差百分比的概率值；

S33，计算D_w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d_in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。

Images