CN114742265B - 一种vhf信号传播路径误差预测方法及系统 - Google Patents
一种vhf信号传播路径误差预测方法及系统 Download PDFInfo
- Publication number
- CN114742265B CN114742265B CN202210225095.1A CN202210225095A CN114742265B CN 114742265 B CN114742265 B CN 114742265B CN 202210225095 A CN202210225095 A CN 202210225095A CN 114742265 B CN114742265 B CN 114742265B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- propagation path
- signal propagation
- vhf signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000000739 chaotic effect Effects 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 239000013535 sea water Substances 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种VHF信号传播路径误差预测方法及系统。方法包括：获取用于神经网络训练的相关数据集；由相关数据集提取第一样本集训练所述BP神经网络；基于混沌策略的PSO算法对BP神经网络的网络权值和阈值进行优化，得到最优的BP神经网络；将所述第一样本集输入SDAE重构后训练LSTM；将训练好的BP神经网络和LSTM神经网络作为基模型组合构建元模型，并对所述元模型进行集成学习，基于训练好的元模型对VHF信号传播路径误差进行预测。本发明能够有效地在复杂海面环境下预测VHF信号传播路径误差，为提高陆基导航系统定位精度提供了实验基础。
Description
技术领域
本发明涉及信号传播技术领域，具体而言，尤其涉及一种VHF信号传播路径误差预测方法及系统。
背景技术
GNSS(Global Navigation Satellite System，全球卫星导航系统)具有天然的脆弱性，一旦GNSS失效，船载设备无法正确获取定位信息，势必严重威胁航行安全。因此应研究一种独立于天基导航卫星系统的陆基导航系统。陆基导航系统的定位误差主要来源于三个方面：参考台发射系统、信号传播路径和接收系统。
AIS(Automatic Identification System，船舶自动识别系统)是IMO的SOLAS公约强制船舶装备的陆基导航系统，AIS信号属于VHF(Very High Frequency,甚高频)频段。陆基导航系统获取定位信息所依据的几何原理是对定位几何参量TOA(Time of Arrival，到达时间)和TDOA(Time Difference of Arrival，到达时间差)的测量。由于AIS的本质是通信系统，目前对于AIS信号的TOA和TDOA的测量研究可参考的成果较少，现有成果主要采用的是二次相位实时修正技术，该技术是建立二次相位实时修正平台，通过差分技术获取二次相位实时修正值并经AIS岸站广播给该区域的AIS接收机进行定位误差实时修正。但该技术在实际应用时存在一定的局限性，比如实时修正技术是对传播路径误差修正量的定时定点测量，仅可用于与测量点具有时空相关性的海域，应用范围有限并且无法用在没有实时修正信号覆盖的海域，实现实时修正技术还需耗费工程代价。
发明内容
根据上述提出的VHF信号传播路径误差修正方法受时空局限的技术问题，而提供一种VHF信号传播路径误差预测方法及系统。本发明根据海上气象信息相关数据和海上VHF信号二次相位实测值特征，利用深度学习理论中集成学习法结合两种改进的神经网络模型，提出一种准确预测处理VHF信号传播路径误差的新方法以减小VHF信号测距误差，提高陆基导航系统定位精度。
本发明采用的技术手段如下：
一种VHF信号传播路径误差预测方法，包括：
获取用于神经网络训练的相关数据集，所述相关数据集包括气象信息数据和VHF信号传播路径误差修正数据，所述VHF信号传播路径误差修正数据与所述气象数据相对应，且由二次相位实时修正平台在同一时间同一海域测得；
由相关数据集提取第一样本集训练所述BP神经网络，所述BP神经网络采用单隐含层的三层结构，其中气象数据作为BP神经网络的输入数据，将VHF信号传播路径误差修正数据作为BP神经网络的输出数据；基于混沌策略的PSO算法对BP神经网络的网络权值和阈值进行优化，得到最优的BP神经网络；
同时，将所述第一样本集输入SDAE重构后训练LSTM网络，将所述SDAE提取的特征数据作为训练样本集训练LSTM网络，其中气象数据作为SDAE的输入数据，SDAE输出数据作为LSTM网络的输入数据，将VHF信号传播路径误差修正数据作为LSTM网络的输出数据；
将训练好的BP神经网络和LSTM网络作为基模型组合构建元模型，并对所述元模型进行集成学习，基于训练好的元模型对VHF信号传播路径误差进行预测。
进一步地，将训练好的BP神经网络和LSTM网络作为基模型组合构建元模型，并对所述元模型进行集成学习，包括：
由相关数据集提取第二样本集；获取基模型针对第二样本集的预测结果，将得到的不同预测结果进行拼接为新的训练数据，基于所述新的训练数据训练元模型；
由相关数据集提取第三样本集；获取基模型针对第三样本集的预测结果作为元模型的输入数据预测VHF信号传播路径误差，得到的预测结果与第三样本集中的VHF信号传播路径误差修正数据之间的差值则为代价函数，所述元模型为全连接的多元线性回归结构。
进一步地，所述BP神经网络的激励函数为ReLU函数。
进一步地，所述BP神经网络的隐含层节点数目根据以下方式确定：
其中，l为隐含层节点个数n为输入层节点个数，m为输出层节点个数，a为[1,10]之间的整数。
进一步地，所述气象数据包括海水温度、气温、气压、湿度和风速数据。
本发明还公开了一种VHF信号传播路径误差预测系统，包括：
相关数据集组合模块，其用于获取用于神经网络训练的相关数据集，所述相关数据集包括气象信息数据和VHF信号传播路径误差修正数据，所述VHF信号传播路径误差修正数据与所述气象数据相对应，且由二次相位实时修正平台在同一时间同一海域测得；
BP神经网络模块，其用于由相关数据集提取第一样本集训练所述BP神经网络，所述BP神经网络采用单隐含层的三层结构，其中气象数据作为BP神经网络的输入数据，将VHF信号传播路径误差修正数据作为BP神经网络的输出数据；
神经网络优化模块，其用于基于混沌策略的PSO算法对BP神经网络的网络权值和阈值进行优化，得到最优的BP神经网络；
SDAE特征提取模块，其用于对第一样本集数据进行重构，并将重构的数据输入长短期记忆网络；
LSTM网络训练模块，其用于将所述SDAE提取的特征数据作为训练样本集训练LSTM网络，其中气象数据作为SDAE的输入数据，SDAE输出数据作为LSTM网络的输入数据，将VHF信号传播路径误差修正数据作为LSTM网络的输出数据；
集成学习模块，其用于将训练好的BP神经网络和LSTM网络作为基模型组合构建元模型，并对所述元模型进行集成学习，基于训练好的元模型对VHF信号传播路径误差进行预测。
较现有技术相比，本发明具有以下优点：
本发明主要针对由信号传播路径引起的传播时延误差对陆基导航系统定位精度的影响，根据海上气象信息相关数据和海上VHF信号二次相位实测值特征，利用深度学习理论中集成学习法结合两种改进的神经网络模型，提出一种准确预测处理VHF信号传播路径误差的新方法以减小VHF信号测距误差，提高陆基导航系统定位精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明VHF信号传播路径误差预测方法流程图。
图2为本发明BP神经网络结构示意图。
图3为本发明基于混沌策略的PSO算法流程图。
图4为本发明SDAE特征提取模型。
图5为本发明LSTM神经网络结构示意图。
图6为本发明Stacking预测框架图。
图7为本发明元模型结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供了一种VHF信号传播路径误差预测方法，主要包括：
步骤1、获取用于神经网络训练的相关数据集，所述相关数据集包括气象信息数据和VHF信号传播路径误差修正数据，所述VHF信号传播路径误差修正数据与所述气象数据相对应，且由二次相位实时修正平台在同一时间同一海域测得；
步骤2、由相关数据集提取第一样本集训练所述BP(Back Propagation)神经网络，所述BP神经网络采用单隐含层的三层结构，其中气象数据作为BP神经网络的输入数据，将VHF信号传播路径误差修正数据作为BP神经网络的输出数据；
步骤3、基于混沌策略的PSO(Particle Swarm Optimization，粒子群算法PSO)对BP神经网络的网络权值和阈值进行优化，得到最优的BP神经网络；
步骤4、将所述第一样本集输入SDAE(Stacked Denoising Auto Encoder，堆叠降噪自动编码器)进行重构；
步骤5、将SDAE提取的特征数据作为训练样本集训练LSTM(LongShort-TermMemory，长短期记忆)网络，其中气象数据作为SDAE的输入数据，SDAE输出数据作为LSTM网络的输入数据，将VHF信号传播路径误差修正数据作为LSTM网络的输出数据；
步骤6、将训练好的BP神经网络和LSTM网络作为基模型组合构建元模型，并对所述元模型进行集成学习，基于训练好的元模型对VHF信号传播路径误差进行预测。
下面通过具体的应用实例，对本发明的方案做进一步说明。
本实施例提供的一种VHF信号传播路径误差预测方法，如图1所示，主要包括采集神经网络相关训练数据集、通过BP神经网络模块用于预测VHF信号传播路径误差、通过混沌PSO算法模块提高BP神经网络预测性能、通过SDAE特征提取降噪VHF信号传播路径误差实测值、通过LSTM神经网络模块预测VHF信号传播路径误差以及通过集成学习模块优化两种神经网络的预测结果的步骤。
步骤1、海面传输的VHF信号为直射、反射和散射等信号的叠加，影响以上信号的气息因素为海水温度、气温、气压、湿度和风速，因此本发明将中国天气网发布的海上气象信息数据中的海水温度、气温、气压、湿度和风速等水文气象信息提取，并将同一时间同一海域用二次相位实时修正平台测得的VHF信号传播路径误差修正值合并组合为相关数据集，用于训练后续的神经网络模型。
步骤2、将采集的相关数据集输入到BP神经网络结构，本部分的BP神经网络采用单隐含层的三层多输入单输出的BP神经网络建立传播路径误差预测模型，具体思路为：以海水温度、气温、气压、湿度、风速作为输入训练样本，ReLU函数作为激励函数，传统神经网络中的激励函数通常采用S型激活函数中的Sigmoid函数，但该函数在上表现出了软饱和性，在误差反向传播过程中进行链式求导时易出现梯度消失现象，因此本发明以线性修正单元ReLU函数作为BP神经网络的激活函数。将输出误差逆向传播到隐含层和输入层并不断调节网络权值和阈值使误差函数达到极小。
具体来说，数学理论有关研究表明，有一个隐含层的神经网络，只要隐含层节点足够多，就可以以任意精度逼近一个非线性函数，因此本部分采用单隐含层的三层多输入单输出的BP神经网络建立传播路径误差预测模型。对于BP神经网络中隐含层节点数目的选择原则是：隐含层节点数目不宜过多，如果节点数目过多，会加大网络计算量，容易产生过拟合现象；但节点数目过少会影响网络性能，达不到预期的预测效果。由于合适的隐含层节点数目没有明确的公式，故本部分参照了经验公式n为输入层节点个数，m为输出层节点个数，a为[1,10]之间的整数。本实施例构建的BP神经网络输入层有5个节点，输出层有1个节点，因此隐含层节点数目在4—13之间，本部分选择隐含层节点数目为5个构建基于BP神经网络的AIS信号传播路径误差预测模型，如图2所示。图中/>为输出层到隐含层的网络权值，/>为隐含层到输入层的网络权值。/>和/>的更新规则为：
式中，δ0(k)为delta项，是误差函数对输出节点的偏导数，g(h)为ReLU函数，η为学习速率。
1)误差函数
VHF信号传播路径误差的预测属于回归问题，在误差函数的定义上选择均方误差(MSE)，以衡量模型输出的预测值与真实值的差异。MSE误差函数δ0(k)的定义如下：
式中，yi为真实值，f(xi)为预测值，训练时不断更新模型参数使δ0(k)最小，理想情况下，当δ0(k)最小时所对应的参数为最优。
2)激活函数
本发明所采用的激活函数g(h)为ReLU函数，其函数形式为：
3)学习速率
学习速率η决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值，本发明对学习速率的动态调整采用Adam(Adaptive moment estimation，自适应矩估计)优化器。Adam优化器结合Adadelta和RMSProp两种优化算法的优点，实现简单、计算高效、对超参数无需或仅需较少的微调等优点。Adam优化器中使用了动态变量vt和指数加权平均变量st，其中vt和st的表达式为：
vt←β1vt-1+(1-β1)gt (5)
st←β2st-1+(1-β2)gt⊙gt (6)
式中，gt为小批量随机梯度的指数加权移动平均，⊙表示按元素相乘，β1和β2为超参数，同时取值为0.9。由于v0和s0中的元素初始化为0，因此在时间步t可得那么在Adam优化器中对vt和st作偏差修正，得：
由此将模型中的每个元素学习率通过按元素运算重新调整为：
其中，η是学习速率，∈数值稳定性参数，一般取10-8。g′t逐元素应用为xt←xt-1-g′t。
步骤3、对BP神经网络的预测模型在应用时易陷入局部极小化及算法收敛速度慢等问题，本发明采用PSO算法，并在PSO算法的基础上融合混沌策略，提出一种基于混沌策略的PSO算法以解决BP神经网络的缺陷。既利用了PSO算法的模型简答易于实现且搜索速度快的特点又结合了混沌策略优越的动态调节性能，可大大提高算法的寻优性能。
算法流程如图3所示，基于混沌策略的PSO算法工作流程分为初始化、混沌PSO算法和监控输出阶段，初始化阶段确定PSO算法群体规模、进化总代数、惯性权重和引入跟踪参数，用于监测随机搜索算法停止迭代时的搜索状态；混沌PSO算法阶段将以混沌映射方式生成混沌搜索空间、混沌惯性权重及最大混沌搜索次数，跟踪参数随着迭代的进行线性减小；监控输出阶段，在算法达到最大迭代次数，但系统精度尚未到达最优个体所对应的网络输出误差，根据监控的跟踪参数因子决定算法重新搜索方式。具体地：
1)初始化阶段：除确定PSO算法群体规模、进化总代数、惯性权重外，尝试引入一个跟踪参数，用于监测随机搜索算法停止迭代时的搜索状态。
2)混沌PSO算法阶段：这一部分将以混沌映射方式生成混沌搜索空间、混沌惯性权重及最大混沌搜索次数。本实施例选取动力学系统Logistic映射机制作为混沌策略，其系统方程为：
xn+1＝μxn(1-xn) (10)
n表示迭代次数，xn∈[0，1]，μ表示系统控制参数，当μ＝4时，系统处于完全混沌状态。PSO算法是整个优化算法的主要部分，尝试通过跟踪的优化参数数值大小判断算法此时所处的状态。PSO算法的速度vi(t)和位置xi(t)更新采用传统PSO算法更新方式，即
vi(t)＝ωvi(t-1)+c1r1[pb-xi(t-1)]+c2r2[gb-xi(t-1)] (11)
xi(t)＝xi(t-1)+vi(t) (12)
式中，xi(t)为第i个粒子所处的位置，t为进化代数，vi(t)为粒子速度(这里的粒子速度取值区间为混沌映射的搜索区间)，ω为惯性权重(这里的惯性权重为采用混沌策略的惯性权重)，c1、c2为学习因子，本实施例中c1＝c2＝1。pb表示该粒子历史上最好的位置，gb表示当前整个群体中所有粒子发现的最好位置，r1、r2为0～1之间的随机数。跟踪参数随着迭代的进行线性减小。
3)监控输出阶段：在算法达到最大迭代次数，但系统精度尚未到达最优个体所对应的网络输出误差，根据监控的跟踪参数因子，做出如下操作：如果跟踪参数因子数值较小，说明还有全局搜索能力，算法在不改变搜索参数的基础上重新搜索；如果跟踪参数因子数值较大，说明到达局部极值点，算法进入停滞状态，需要重新采用混沌策略生产混沌区间、混沌惯性权重和最大混沌搜索次数等参数，再次进行初始化，重新搜索最优解。直到满足迭代次数且最优个体对应的网络输出误差满足精度要求，停止运行，输出当前结果。
步骤4、采集的相关数据集同时作为另一个神经网络的输入数据，在该神经网络前端增加SDAE特征提取模块，由于二次相位实时修正平台在真实海面环境下实时测量的VHF信号传播路径误差修正值中不可避免地存在大量噪声，具有高复杂性特征，为避免后续回归器在喊噪声数据上训练出相异的结果，同时抽取出原始数据中的鲁棒性特征作为后续回归器的输入，因此引入SDAE重构相关数据集。为了抽取原始数据中的鲁棒性特征作为后续回归器的输入，在LSTM神经网络输入前采取SDAE方法对训练样本进行特征提取。SDAE特征提取模型如图4所示。图4(a)为第二层贪心逐层无监督训练过程，为第2层的解码函数，是第2层的编码函数，qD为遮蔽噪声，LH为代价函数，贪心逐层无监督时每层自编码层单独进行无监督训练，以使输入(前一隐含层的输出)与重构结果之间的误差，即代价函数LH最小为训练目标，不断调整网络参数使LH最小。图4(b)展示了SDAE的模型结构，本发明的SDAE模型采用两层DAE模型堆叠，第一层DAE模型隐含层神经元节点数为128个，第二层为64个，编码和解码函数即激活函数采用ReLU函数。
步骤5、由于本申请根据当前海上气象信息数据对VHF信号传播路径误差进行高效准确的预测，所处理的数据是时序数据并利用其历史信息对特征进行提取分析和预测，因此需要网络具有短期记忆功能。循环神经网络带有自反馈神经元，可以处理任意长度的时序数据。为了改善循环神经网络的长程依赖问题和梯度爆炸或消失问题，本实施例采用LSTM神经网络对输入训练序列(SDAE模型的输出数据)进行预测。LSTM模型如图5所示。
首先利用上一时刻的外部状态和当前时刻的输入数据计算输入门、遗忘门、输出门以及候选状态，再结合遗忘门和输入门更新记忆单元状态，最后结合输出门将内部状态信息传递给外部状态，得到输出数据。图5中，it为输入门，ft为遗忘门，ot为输出门。当ft＝0，it＝1时，记忆单元将历史信息清空并将状态向量写入；当ft＝1，it＝0时，记忆单元复制上一时刻的内容。ct为当前记忆单元信息，σ为Logistic函数，输出区间在0～1之间，xt为当前时刻的输入，ht为当前时刻的外部输出状态。以上各参数之间的关系为：
ht＝ot⊙tanh(ct) (15)
其中，W∈R4D×(D+M)和b∈R4D为网络参数。
步骤6、采用Stacking集成学习策略，采用线性回归方法，以预测值和实测值之间的误差作为代价函数训练回归模型，提高本发明的整体预测精度。
具体来说，集成学习是通过某种策略将多个模型集成起来共同学习任务，比单一学习器的泛化性能更加优越，本发明采用的集成学习策略为Stacking策略，Stacking策略提升预测效果明显。在Stacking集成学习框架中，被组合的个体学习器成为基模型，组合基模型的学习器成为元模型，Stacking预测框架图如图6所示。
首先将数据集分为三部分，其中第一样本集T1和第二样本集分T2为训练数据集，第三样本集T3为测试数据集，每一部分数据集都包含海面气象信息数据序列Xi(i＝1、2、3)和VHF信号传播路径误差实测值Yi(i＝1、2、3)。将T1用于训练2个基模型，在本发明中2个基模型分别为基于混沌策略PSO算法的BP神经网络和基于SDAE的LSTM神经网络。再将T2中的海面气象信息数据序列X2输入训练完成的2个基模型，得到VHF信号传播路径误差的预测结果，将2个基模型得到的不同预测结果拼接成新的训练数据作为元模型的输入数据，将T2中的VHF信号传播路径误差实测值作为输出数据用于训练元模型。最后将T3中的海面气象信息数据序列X3输入基模型，基模型的预测结果作为元模型的输入数据预测VHF信号传播路径误差，得到预测结果Y′3，预测结果Y′3与T3中的VHF信号传播路径误差实测值Y3之间的差值则为代价函数。
为了使模型设计简单高效且避免集成学习易出现的过拟合现象，并保证不损失训练数据的全部特征，元模型采用全连接的多元线性回归结构(MLR)，如图7所示。
另外，本发明实施例还提供了一种VHF信号传播路径误差预测系统，包括：
相关数据集组合模块，其用于获取用于神经网络训练的相关数据集，所述相关数据集包括气象信息数据和VHF信号传播路径误差修正数据，所述VHF信号传播路径误差修正数据与所述气象数据相对应，且由二次相位实时修正平台在同一时间同一海域测得；
BP神经网络模块，其用于由相关数据集提取第一样本集训练所述BP神经网络，所述BP神经网络采用单隐含层的三层结构，其中气象数据作为BP神经网络的输入数据，将VHF信号传播路径误差修正数据作为BP神经网络的输出数据；
混沌PSO算法模块，其用于基于混沌策略的PSO算法对BP神经网络的网络权值和阈值进行优化，得到最优的BP神经网络；
SDAE特征提取模块，其用于对第一样本集数据进行重构，并将重构的数据输入LSTM网络；
LSTM神经网络模块，其用于将所述SDAE提取的特征数据作为训练样本集训练LSTM网络，其中气象数据作为SDAE的输入数据，SDAE输出数据作为LSTM网络的输入数据，将VHF信号传播路径误差修正数据作为LSTM网络的输出数据；
集成学习模块，其用于将训练好的BP神经网络和LSTM网络作为基模型组合构建元模型，并对所述元模型进行集成学习，基于训练好的元模型对VHF信号传播路径误差进行预测。
对于本发明实施例的而言，由于其与上面实施例中的相对应，所以描述的比较简单，相关相似之处请参见上面实施例中部分的说明即可，此处不再详述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种 VHF 信号传播路径误差预测方法，其特征在于，包括：
获取用于神经网络训练的相关数据集，所述相关数据集包括气象信息数据和VHF 信号传播路径误差修正数据，所述 VHF 信号传播路径误差修正数据与所述气象信息数据相对应，且由二次相位实时修正平台在同一时间同一海域测得；
由相关数据集提取第一样本集训练 BP 神经网络，所述 BP 神经网络采用单隐含层的三层结构，其中气象信息数据作为 BP 神经网络的输入数据，将VHF 信号传播路径误差修正数据作为 BP 神经网络的输出数据；
基于混沌策略的 PSO 算法对 BP 神经网络的网络权值和阈值进行优化，得到最优的BP 神经网络；
同时，将所述第一样本集输入 SDAE 重构后训练 LSTM 网络，将 SDAE 提取的特征数据作为训练样本集训练 LSTM 网络，其中气象信息数据作为 SDAE的输入数据，SDAE 输出数据作为 LSTM 网络的输入数据，将 VHF 信号传播路径误差修正数据作为 LSTM 网络的输出数据；
将训练好的 BP 神经网络和 LSTM 网络作为基模型组合构建元模型，并对所述元模型进行集成学习，具体步骤为：
由相关数据集提取第二样本集；获取基模型针对第二样本集的预测结果，将得到的不同预测结果进行拼接为新的训练数据，基于所述新的训练数据训练元模型；
由相关数据集提取第三样本集；获取基模型针对第三样本集的预测结果作为元模型的输入数据预测 VHF 信号传播路径误差，得到的预测结果与第三样本集中的 VHF 信号传播路径误差修正数据之间的差值则为代价函数，所述元模型为全连接的多元线性回归结构；
基于训练好的元模型对 VHF 信号传播路径误差进行预测。
2.根据权利要求 1 所述的一种 VHF 信号传播路径误差预测方法，其特征在于，所述BP 神经网络的激励函数为 ReLU 函数。
3.根据权利要求 1 所述的一种 VHF 信号传播路径误差预测方法，其特征在于，所述BP 神经网络的隐含层节点数目根据以下方式确定：
其中，l 为隐含层节点个数 n 为输入层节点个数，m 为输出层节点个数，a 为[1, 10]之间的整数。
4.根据权利要求 1 所述的一种 VHF 信号传播路径误差预测方法，其特征在于，所述气象信息数据包括海水温度、气温、气压、湿度和风速数据。
5.一种 VHF 信号传播路径误差预测系统，其特征在于，包括：相关数据集组合模块，其用于获取用于神经网络训练的相关数据集，所述相关数据集包括气象信息数据和 VHF 信号传播路径误差修正数据，所述 VHF 信号传播路径误差修正数据与所述气象信息数据相对应，且由二次相位实时修正平台在同一时间同一海域测得；
BP 神经网络模块，其用于由相关数据集提取第一样本集训练 BP 神经网络，所述 BP神经网络采用单隐含层的三层结构，其中气象信息数据作为 BP 神经网络的输入数据，将VHF 信号传播路径误差修正数据作为 BP 神经网络的输出数据；
神经网络优化模块，其用于基于混沌策略的 PSO 算法对 BP 神经网络的网络权值和阈值进行优化，得到最优的 BP 神经网络；
SDAE 特征提取模块，其用于对第一样本集数据进行重构，并将重构的数据输入长短期记忆网络；
LSTM 网络训练模块，其用于将 SDAE 提取的特征数据作为训练样本集训练 LSTM 网络，其中气象信息数据作为 SDAE 的输入数据，SDAE 输出数据作为 LSTM 网络的输入数据，将 VHF 信号传播路径误差修正数据作为 LSTM 网络的输出数据；
集成学习模块，其用于将训练好的 BP 神经网络和 LSTM 网络作为基模型组合构建元模型，并对所述元模型进行集成学习，基于训练好的元模型对 VHF 信号传播路径误差进行预测，其中，将训练好的 BP 神经网络和 LSTM 网络作为基模型组合构建元模型，并对所述元模型进行集成学习，基于如下方式实现：
由相关数据集提取第二样本集；获取基模型针对第二样本集的预测结果，将得到的不同预测结果进行拼接为新的训练数据，基于所述新的训练数据训练元模型；
由相关数据集提取第三样本集；获取基模型针对第三样本集的预测结果作为元模型的输入数据预测 VHF 信号传播路径误差，得到的预测结果与第三样本集中的 VHF 信号传播路径误差修正数据之间的差值则为代价函数，所述元模型为全连接的多元线性回归结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210225095.1A CN114742265B (zh) | 2022-03-09 | 2022-03-09 | 一种vhf信号传播路径误差预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210225095.1A CN114742265B (zh) | 2022-03-09 | 2022-03-09 | 一种vhf信号传播路径误差预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114742265A CN114742265A (zh) | 2022-07-12 |
| CN114742265B true CN114742265B (zh) | 2023-07-18 |
Family
ID=82275374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210225095.1A Active CN114742265B (zh) | 2022-03-09 | 2022-03-09 | 一种vhf信号传播路径误差预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114742265B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115856873B (zh) * | 2022-11-15 | 2023-11-07 | 大连海事大学 | 一种岸基ais信号可信性判别模型、方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184416A (zh) * | 2015-09-23 | 2015-12-23 | 上海大学 | 基于粒子群优化反向传播神经网络的脉动风速预测方法 |
| CN109145434A (zh) * | 2018-08-16 | 2019-01-04 | 北京理工大学 | 一种利用改进bp神经网络预测广播星历轨道误差的方法 |
| CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
| CN111461457A (zh) * | 2020-04-17 | 2020-07-28 | 福州大学 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
| CN112037012A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于pso-bp神经网络的互联网金融信用评价方法 |
| CN113329437A (zh) * | 2021-06-07 | 2021-08-31 | 北京邮电大学 | 无线网络信号传播路径损耗预测方法及电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
| CN112765772B (zh) * | 2020-12-25 | 2022-11-04 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
-
2022
- 2022-03-09 CN CN202210225095.1A patent/CN114742265B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184416A (zh) * | 2015-09-23 | 2015-12-23 | 上海大学 | 基于粒子群优化反向传播神经网络的脉动风速预测方法 |
| CN109145434A (zh) * | 2018-08-16 | 2019-01-04 | 北京理工大学 | 一种利用改进bp神经网络预测广播星历轨道误差的方法 |
| CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
| CN111461457A (zh) * | 2020-04-17 | 2020-07-28 | 福州大学 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
| CN112037012A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于pso-bp神经网络的互联网金融信用评价方法 |
| CN113329437A (zh) * | 2021-06-07 | 2021-08-31 | 北京邮电大学 | 无线网络信号传播路径损耗预测方法及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| AIS自主定位系统传播路径误差及修正技术研究;王晓烨;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第12期);C036-15 * |
| Multiscale Decomposition Prediction of Propagation Loss in Oceanic Tropospheric Ducts;Mingxia Dang 等;《remote sensing》;1-23 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114742265A (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
| CN107544904B (zh) | 一种基于深度cg-lstm神经网络的软件可靠性预测方法 | |
| CN110502806B (zh) | 一种基于lstm网络的无线频谱占用度预测方法 | |
| CN112364119B (zh) | 基于lstm编解码模型的海洋浮标轨迹预测方法 | |
| CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
| CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
| CN111598325A (zh) | 基于层次聚类和分层注意力机制的交通速度预测方法 | |
| Kayri | An Intelligent Approach to Educational Data: Performance Comparison of the Multilayer Perceptron and the Radial Basis Function Artificial Neural Networks. | |
| CN114004342B (zh) | 一种基于lstm网络的激光通信系统畸变波前预测方法 | |
| CN113988263A (zh) | 工业物联网边缘设备中基于知识蒸馏的空时预测方法 | |
| CN114742265B (zh) | 一种vhf信号传播路径误差预测方法及系统 | |
| CN112257847A (zh) | 一种基于CNN和LSTM预测地磁Kp指数的方法 | |
| Kim et al. | DeepTC: ConvLSTM network for trajectory prediction of tropical cyclone using spatiotemporal atmospheric simulation data | |
| Wei et al. | An ensemble multi-step forecasting model for ship roll motion under different external conditions: A case study on the South China Sea | |
| Suparta et al. | Modeling of precipitable water vapor using an adaptive neuro-fuzzy inference system in the absence of the GPS network | |
| CN113221450B (zh) | 一种针对稀疏不均匀时序数据的航位预测方法及系统 | |
| CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
| CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
| Bi et al. | Multi-indicator water time series imputation with autoregressive generative adversarial networks | |
| Li et al. | Covid-19 Epidemic Trend Prediction Based on CNN-StackBiLSTM | |
| Elbasheer et al. | Machine Learning and Committee Models for Improving ECMWF Subseasonal to Seasonal (S2S) Precipitation Forecast | |
| CN112926758A (zh) | 短期风速预测方法及系统 | |
| Tan et al. | OSP-FEAN: Optimizing Significant Wave Height Prediction with Feature Engineering and Attention Network | |
| Youwei et al. | Predictions to the water level of changjiang waterway employing deep learning algorithm lstm |
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 |