本發(fā)明涉及電磁頻譜管理與態(tài)勢(shì)感知領(lǐng)域，尤其涉及一種基于k-means聚類算法的電磁頻譜態(tài)勢(shì)補(bǔ)強(qiáng)方法，該方法旨在通過(guò)高效的非監(jiān)督學(xué)習(xí)算法進(jìn)行電磁頻譜數(shù)據(jù)的補(bǔ)全與態(tài)勢(shì)重構(gòu)。
背景技術(shù)：
：：1、隨著電磁環(huán)境的復(fù)雜性和頻譜資源的日益緊張，如何有效感知和管理電磁頻譜態(tài)勢(shì)已成為重要的研究課題。目前，常用的頻譜態(tài)勢(shì)感知方法主要依賴于深度神經(jīng)網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)，這些方法往往需要大量的標(biāo)注樣本進(jìn)行監(jiān)督學(xué)習(xí)。在哈爾濱工程大學(xué)信息與通信工程學(xué)院張晗等發(fā)表在《無(wú)線電通信技術(shù)》期刊上的《基于殘差編碼器的電磁頻譜地圖構(gòu)建方法》中，通過(guò)利用開源頻譜歷史數(shù)據(jù)集訓(xùn)練殘差編碼器，結(jié)合目標(biāo)區(qū)域的部分觀測(cè)數(shù)據(jù)，實(shí)現(xiàn)對(duì)電磁頻譜數(shù)據(jù)的補(bǔ)全和重構(gòu)。在哈爾濱工業(yè)大學(xué)通信技術(shù)研究所薛文舉等發(fā)表在《無(wú)線電通信技術(shù)》期刊上的《基于gcn-lstm的頻譜預(yù)測(cè)算法》中，基于圖卷積神經(jīng)網(wǎng)絡(luò)，并結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)，并引入自注意力機(jī)制，基于大量過(guò)往數(shù)據(jù)和部分觀測(cè)數(shù)據(jù)實(shí)現(xiàn)對(duì)于電磁頻譜態(tài)勢(shì)的預(yù)測(cè)。由中國(guó)電子科技集團(tuán)公司第五十四研究所暢鑫等申請(qǐng)，授權(quán)公告號(hào)為cn118070230b的國(guó)家發(fā)明專利《一種基于稠密自編碼器的智能電磁頻譜地圖融合方法》中，利用相關(guān)歷史數(shù)據(jù)對(duì)稠密自編碼器進(jìn)行訓(xùn)練，再結(jié)合部分觀測(cè)數(shù)據(jù)進(jìn)行電磁頻譜地圖融合。然而，在實(shí)際應(yīng)用中，樣本數(shù)量有限且分布不均，導(dǎo)致傳統(tǒng)方法在訓(xùn)練過(guò)程中易出現(xiàn)樣本不均衡問(wèn)題，并在不同環(huán)境中出現(xiàn)遷移困難?，F(xiàn)有技術(shù)中，基于監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)在處理頻譜態(tài)勢(shì)感知問(wèn)題時(shí)，盡管在部分條件下取得了一定的成功，但它們對(duì)樣本質(zhì)量和數(shù)量的依賴性較強(qiáng)，增加了模型的復(fù)雜性和計(jì)算成本。此外，在遷移學(xué)習(xí)方面，傳統(tǒng)方法也存在著適應(yīng)性不足和泛化能力差的問(wèn)題。因此，亟需一種不依賴于大量樣本且能有效處理不同環(huán)境中的頻譜態(tài)勢(shì)感知和補(bǔ)全的新方法。技術(shù)實(shí)現(xiàn)思路1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于k-means聚類算法的電磁頻譜態(tài)勢(shì)補(bǔ)強(qiáng)方法，避免了對(duì)大量樣本的依賴，且無(wú)需采用圖神經(jīng)網(wǎng)絡(luò)或?qū)股窠?jīng)網(wǎng)絡(luò)進(jìn)行復(fù)雜訓(xùn)練，從而克服了樣本不均衡和遷移問(wèn)題。本發(fā)明通過(guò)非監(jiān)督學(xué)習(xí)的k-means聚類算法對(duì)電磁頻譜數(shù)據(jù)進(jìn)行態(tài)勢(shì)補(bǔ)全，有效提高了頻譜態(tài)勢(shì)感知的精度和可靠性。2、本發(fā)明采用的技術(shù)方案為：3、一種基于k-means聚類算法的電磁頻譜態(tài)勢(shì)補(bǔ)強(qiáng)方法，包括以下步驟：4、步驟1：對(duì)目標(biāo)區(qū)域進(jìn)行網(wǎng)格化處理，并采用多個(gè)電磁頻譜感知設(shè)備分別測(cè)量所在網(wǎng)格的電磁頻譜強(qiáng)度，形成電磁頻譜態(tài)勢(shì)感知矩陣；其中電磁頻譜感知設(shè)備個(gè)數(shù)小于網(wǎng)格數(shù)；5、步驟2：對(duì)電磁頻譜態(tài)勢(shì)感知矩陣使用k-means算法進(jìn)行聚類，得到聚類中心集；聚類中心集中包含多個(gè)聚類中心位置及對(duì)應(yīng)的電磁頻譜強(qiáng)度；6、步驟3：獲取電磁頻譜感知設(shè)備未測(cè)量到的網(wǎng)格位置，并遍歷聚類中心集，找到與聚類中心位置距離最小的聚類中心，將距離最小聚類中心對(duì)應(yīng)的電磁頻譜強(qiáng)度作為補(bǔ)強(qiáng)數(shù)據(jù)，并疊加網(wǎng)格位置，形成電磁頻譜態(tài)勢(shì)估計(jì)矩陣，將電磁頻譜態(tài)勢(shì)估計(jì)矩陣與電磁頻譜態(tài)勢(shì)感知矩陣合并，得到電磁頻譜態(tài)勢(shì)增強(qiáng)矩陣。7、進(jìn)一步的，步驟1具體過(guò)程為：8、對(duì)目標(biāo)區(qū)域采用正方形進(jìn)行網(wǎng)格化處理，每個(gè)網(wǎng)格邊長(zhǎng)設(shè)為，網(wǎng)絡(luò)的行數(shù)和列數(shù)分別設(shè)為n和m；采用p個(gè)電磁頻譜感知設(shè)備分別測(cè)量所在網(wǎng)格的電磁頻譜強(qiáng)度，其中p<nm，電磁頻譜感知設(shè)備在網(wǎng)格中對(duì)應(yīng)的位置為和，1≤n≤n，1≤m≤m；將目標(biāo)頻率范圍劃分為l個(gè)連續(xù)頻段，記錄每個(gè)頻段和網(wǎng)格測(cè)量得到的電磁頻譜強(qiáng)度為，并將未測(cè)量到的網(wǎng)格補(bǔ)零，形成電磁頻譜態(tài)勢(shì)感知矩陣：9、<mstyledisplaystyle="true"mathcolor="#000000"><mi>d</mi><mi>=</mi><msub><mrow><mo>[</mo><mtable><mtr><mtd><mo>[</mo><mrow><msub><mi>x</mi><mn>1</mn></msub><mi>,</mi><msub><mi>y</mi><mn>1</mn></msub><mi>,</mi><msub><mi>a</mi><mrow><mn>1</mn><mi>,</mi><mn>1</mn><mi>,</mi><mn>1</mn></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><mi>a</mi><mrow><mi>l</mi><mi>,</mi><mn>1</mn><mi>,</mi><mn>1</mn></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><mi>a</mi><mrow><mi>l</mi><mi>,</mi><mn>1</mn><mi>,</mi><mn>1</mn></mrow></msub></mrow><mo>]</mo></mtd></mtr><mtr><mtd><mtable><mtr><mtd><mtable><mtr><mtd><mi>?</mi></mtd></mtr><mtr><mtd><mo>[</mo><mrow><msub><mi>x</mi><mi>n</mi></msub><mi>,</mi><msub><mi>y</mi><mi>m</mi></msub><mi>,</mi><msub><mi>a</mi><mrow><mn>1</mn><mi>,</mi><mi>n</mi><mi>,</mi><mi>m</mi></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><mi>a</mi><mrow><mi>l</mi><mi>,</mi><mi>n</mi><mi>,</mi><mi>m</mi></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><mi>a</mi><mrow><mi>l</mi><mi>,</mi><mi>n</mi><mi>,</mi><mi>m</mi></mrow></msub></mrow><mo>]</mo></mtd></mtr></mtable></mtd></mtr><mtr><mtd><mi>?</mi></mtd></mtr><mtr><mtd><mo>[</mo><mrow><msub><mi>x</mi><mi>n</mi></msub><mi>,</mi><msub><mi>y</mi><mi>m</mi></msub><mi>,</mi><msub><mi>a</mi><mrow><mn>1</mn><mi>,</mi><mi>n</mi><mi>,</mi><mi>m</mi></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><mi>a</mi><mrow><mi>l</mi><mi>,</mi><mi>n</mi><mi>,</mi><mi>m</mi></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><mi>a</mi><mrow><mi>l</mi><mi>,</mi><mi>n</mi><mi>,</mi><mi>m</mi></mrow></msub></mrow><mo>]</mo></mtd></mtr></mtable></mtd></mtr></mtable><mo>]</mo></mrow><mrow><mi>p</mi><mi>×</mi><mrow><mo>(</mo><mrow><mi>l</mi><mo>+</mo><mn>2</mn></mrow><mo>)</mo></mrow></mrow></msub></mstyle>。10、進(jìn)一步的，步驟2具體過(guò)程為：11、步驟2-1：對(duì)電磁頻譜態(tài)勢(shì)感知矩陣使用k-means算法進(jìn)行聚類，采用肘部法，遍歷聚類數(shù)為[1,?k]范圍內(nèi)的簇內(nèi)誤差平方和，并以聚類數(shù)為變量，將簇內(nèi)誤差平方和數(shù)值的二次導(dǎo)數(shù)最大數(shù)值所對(duì)應(yīng)的聚類數(shù)作為結(jié)果；其中，k為設(shè)定值；12、步驟2-2：重復(fù)步驟2-1共e次，構(gòu)建聚類數(shù)結(jié)果<mstyledisplaystyle="true"mathcolor="#000000"><mi>k</mi><mi>=</mi><mrow><mo>[</mo><mrow><msub><mi>k</mi><mn>1</mn></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><mi>k</mi><mi>e</mi></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><mi>k</mi><mi>e</mi></msub></mrow><mo>]</mo></mrow></mstyle>，然后求取均值得到最優(yōu)；其中，e為設(shè)定值；13、；14、步驟2-3：將k-means方法的聚類值設(shè)置為，對(duì)電磁頻譜態(tài)勢(shì)感知矩陣進(jìn)行聚類，得到聚類中心集，其中包含個(gè)聚類中心位置及對(duì)應(yīng)的電磁頻譜強(qiáng)度<mstyledisplaystyle="true"mathcolor="#000000"><mi>c</mi><mi>=</mi><msub><mrow><mo>[</mo><mrow><msub><msup><mi>x</mi><mo>′</mo></msup><mi>c</mi></msub><mi>,</mi><msub><msup><mi>y</mi><mo>′</mo></msup><mi>c</mi></msub><mi>,</mi><msub><msup><mi>a</mi><mo>′</mo></msup><mrow><mn>1</mn><mi>,</mi><mi>c</mi></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><msup><mi>a</mi><mo>′</mo></msup><mrow><mi>l</mi><mi>,</mi><mi>c</mi></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><msup><mi>a</mi><mo>′</mo></msup><mrow><mi>l</mi><mi>,</mi><mi>c</mi></mrow></msub></mrow><mo>]</mo></mrow><mrow><mn>1</mn><mi>×</mi><mrow><mo>(</mo><mrow><mi>l</mi><mo>+</mo><mn>2</mn></mrow><mo>)</mo></mrow></mrow></msub></mstyle>；為某個(gè)聚類中心位置，為聚類中心對(duì)應(yīng)的l頻段的電磁頻譜強(qiáng)度。15、進(jìn)一步的，步驟3具體過(guò)程為：16、步驟3-1：獲取電磁頻譜感知設(shè)備未測(cè)量到的網(wǎng)格位置和；17、步驟3-2：遍歷聚類中心集，找到最小的聚類中心，生成補(bǔ)強(qiáng)數(shù)據(jù)<mstyledisplaystyle="true"mathcolor="#000000"><msub><mrow><mo>[</mo><mrow><msub><mi>x</mi><mi>n</mi></msub><mi>,</mi><msub><mi>y</mi><mi>m</mi></msub><mi>,</mi><msub><msup><mi>a</mi><mo>′</mo></msup><mrow><mn>1</mn><mi>,</mi><mi>c</mi></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><msup><mi>a</mi><mo>′</mo></msup><mrow><mi>l</mi><mi>,</mi><mi>c</mi></mrow></msub><mi>,</mi><mi>?</mi><mi>,</mi><msub><msup><mi>a</mi><mo>′</mo></msup><mrow><mi>l</mi><mi>,</mi><mi>c</mi></mrow></msub></mrow><mo>]</mo></mrow><mrow><mn>1</mn><mi>×</mi><mrow><mo>(</mo><mrow><mi>l</mi><mo>+</mo><mn>2</mn></mrow><mo>)</mo></mrow></mrow></msub></mstyle>，放入電磁頻譜態(tài)勢(shì)估計(jì)矩陣中；18、步驟3-3：重復(fù)步驟3-1和步驟3-2，直到對(duì)所有電磁頻譜感知設(shè)備未測(cè)量到的網(wǎng)格生成補(bǔ)強(qiáng)數(shù)據(jù)，將電磁頻譜態(tài)勢(shì)估計(jì)矩陣和電磁頻譜態(tài)勢(shì)感知矩陣合并，得到電磁頻譜態(tài)勢(shì)增強(qiáng)矩陣。19、本發(fā)明相比現(xiàn)有技術(shù)的優(yōu)點(diǎn)為：20、本發(fā)明通過(guò)引入k-means聚類算法，有效避免了圖神經(jīng)網(wǎng)絡(luò)和對(duì)抗神經(jīng)網(wǎng)絡(luò)在處理電磁頻譜態(tài)勢(shì)感知問(wèn)題時(shí)對(duì)大量樣本的依賴性，避免了樣本不均衡和遷移學(xué)習(xí)問(wèn)題，降低了計(jì)算復(fù)雜性和資源消耗。具體有益效果如下：21、1.降低對(duì)樣本數(shù)量和質(zhì)量的依賴：采用非監(jiān)督學(xué)習(xí)方法，無(wú)需依賴大量標(biāo)注樣本，降低了數(shù)據(jù)獲取的難度和成本。22、2.提高泛化能力和適應(yīng)性：無(wú)需復(fù)雜的遷移學(xué)習(xí)過(guò)程，直接在不同環(huán)境下進(jìn)行頻譜態(tài)勢(shì)補(bǔ)強(qiáng)，增強(qiáng)了方法的泛化能力。23、3.提高計(jì)算效率：采用k-means聚類算法，計(jì)算復(fù)雜性低，適用于實(shí)時(shí)頻譜態(tài)勢(shì)感知與補(bǔ)強(qiáng)。24、4.增強(qiáng)頻譜態(tài)勢(shì)感知的準(zhǔn)確性：通過(guò)補(bǔ)全缺失數(shù)據(jù)，提高了頻譜態(tài)勢(shì)圖的完整性和準(zhǔn)確性，有助于頻譜資源的有效管理。當(dāng)前第1頁(yè)12當(dāng)前第1頁(yè)12