一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)、方法及裝置的制造方法
【專(zhuān)利摘要】本發(fā)明實(shí)施例公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)，包括：用戶(hù)接口模塊、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊；用戶(hù)接口模塊用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將參數(shù)形式的用戶(hù)指令發(fā)送至神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊；神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊用于根據(jù)接收到的參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。本發(fā)明實(shí)施例還提供一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法及裝置。本發(fā)明實(shí)施例能夠短波中值場(chǎng)強(qiáng)預(yù)測(cè)的準(zhǔn)確性和靈活性問(wèn)題，建立面向用戶(hù)需求的自適應(yīng)場(chǎng)強(qiáng)預(yù)測(cè)模型。
【專(zhuān)利說(shuō)明】
-種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)、方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明實(shí)施例設(shè)及通信技術(shù)領(lǐng)域，尤其設(shè)及一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù) 測(cè)系統(tǒng)、方法及裝置。
【背景技術(shù)】
[0002] 1943年人類(lèi)首次提出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu)方法，從而開(kāi)創(chuàng)了人 工神經(jīng)網(wǎng)絡(luò)（ANNs，Artificial化ural Networks)研究的時(shí)代，，它是一種模仿動(dòng)物神經(jīng)網(wǎng) 絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，W神經(jīng)網(wǎng)絡(luò)作為數(shù)據(jù)擬合預(yù)測(cè)方 法有著許多優(yōu)勢(shì)。
[0003] 其中，短波中值場(chǎng)強(qiáng)預(yù)測(cè)對(duì)短波信號(hào)接收質(zhì)量、短波資源調(diào)度W及短波通信體系 論證都具有重要作用。由于受傳輸距離的限制，短波傳播主要是天波實(shí)現(xiàn)。在短波天波通 信中，天波傳播電離層反射信道屬于時(shí)變色散信道，加上各種干擾的存在，電磁福射到達(dá)接 收點(diǎn)后的場(chǎng)強(qiáng)在可預(yù)計(jì)的時(shí)期內(nèi)是不斷起伏變化的。
[0004] 現(xiàn)有技術(shù)中，預(yù)測(cè)短波中值場(chǎng)強(qiáng)一般情況下需要根據(jù)較多的業(yè)務(wù)經(jīng)驗(yàn)，選用合適 的電離層模型來(lái)確定標(biāo)準(zhǔn)模型中的修正參數(shù)，通過(guò)實(shí)施觀測(cè)數(shù)據(jù)進(jìn)行不斷的修正來(lái)預(yù)測(cè)短 波中值場(chǎng)強(qiáng)，并W此建立電離層模型。
[0005] 由于短波天波場(chǎng)強(qiáng)影響因素眾多，主要與天波電離層狀態(tài)、電播入射角和跳數(shù)等 諸多因素密切相關(guān)，精確計(jì)算十分困難，而且使得電離層模型的建立復(fù)雜性較高，用戶(hù)也難 W靈活且準(zhǔn)確地對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明實(shí)施例提供了一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)、方法及裝置， 能夠解決短波中值場(chǎng)強(qiáng)預(yù)測(cè)的準(zhǔn)確性和靈活性問(wèn)題，建立面向用戶(hù)需求的自適應(yīng)場(chǎng)強(qiáng)預(yù)測(cè) 模型。
[0007] 有鑒于此，本發(fā)明第一方面提供一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)，包 括：
[000引用戶(hù)接口模塊、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊；
[0009] 所述用戶(hù)接口模塊用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式 的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊；
[0010] 所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練；
[0011] 所述短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0012] 結(jié)合本發(fā)明實(shí)施例的第一方面，在第一種可能的實(shí)現(xiàn)方式中，所述用戶(hù)接口模塊 包括數(shù)據(jù)映射單元和用戶(hù)接口單元；
[0013] 所述用戶(hù)接口模塊用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式 的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊，包括：
[0014] 所述數(shù)據(jù)映射單元用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令；
[0015] 所述用戶(hù)接口單元用于將所述參數(shù)形式的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模 塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊。
[0016] 結(jié)合本發(fā)明實(shí)施例的第一方面的第一種可能的實(shí)現(xiàn)方式，在第二種可能的實(shí)現(xiàn)方 式中，所述數(shù)據(jù)映射單元包括短波場(chǎng)強(qiáng)預(yù)測(cè)資源管理子單元；
[0017] 所述數(shù)據(jù)映射單元用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令，包 括：
[0018] 所述短波場(chǎng)強(qiáng)預(yù)測(cè)資源管理子單元用于存儲(chǔ)標(biāo)準(zhǔn)化短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)資源。
[0019] 結(jié)合本發(fā)明實(shí)施例的第一方面，在第Ξ實(shí)現(xiàn)方式中，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊包括 用戶(hù)指令第一接口單元、訓(xùn)練核屯、功能單元和網(wǎng)絡(luò)預(yù)測(cè)模型接口單元；
[0020] 所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練，包括：
[0021] 所述用戶(hù)指令第一接口單元用于接收所述用戶(hù)接口單元發(fā)送的所述參數(shù)形式的 用戶(hù)指令；
[0022] 所述訓(xùn)練核屯、功能單元用于將所述用戶(hù)指令W輸入?yún)?shù)及輸出參數(shù)的形式進(jìn)行 神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.
[0023] 所述網(wǎng)絡(luò)預(yù)測(cè)模型接口單元用于將所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型發(fā)送至短波中值場(chǎng)強(qiáng) 預(yù)測(cè)模塊。
[0024] 結(jié)合本發(fā)明實(shí)施例的第一方面的第Ξ種可能的實(shí)現(xiàn)方式，在第四可能的實(shí)現(xiàn)方式 中，所述訓(xùn)練核屯、功能單元包括訓(xùn)練數(shù)據(jù)預(yù)處理子單元和網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建子單元；
[00巧]所述訓(xùn)練核屯、功能單元用于將所述用戶(hù)指令W輸入?yún)?shù)及輸出參數(shù)的形式進(jìn)行 神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，包括：
[00%] 所述訓(xùn)練數(shù)據(jù)預(yù)處理子單元用于接收所述用戶(hù)指令第一接口單元發(fā)送的所述參 數(shù)形式的用戶(hù)指令，并進(jìn)行參數(shù)預(yù)處理；
[0027] 所述網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建子單元用于將所述訓(xùn)練數(shù)據(jù)預(yù)處理子單元處理的數(shù)據(jù)，W 輸入?yún)?shù)及輸出參數(shù)的形式進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。
[0028] 結(jié)合本發(fā)明實(shí)施例的第一方面，在第五實(shí)現(xiàn)方式中，所述短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊 包括用戶(hù)指令第二接口單元、預(yù)測(cè)模型接口單元和預(yù)測(cè)核屯、功能單元；
[0029] 所述短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)，包括：
[0030] 所述用戶(hù)指令第二接口單元用于接收所述用戶(hù)接口單元發(fā)送的所述參數(shù)形式的 用戶(hù)指令；
[0031] 所述預(yù)測(cè)模型接口單元用于接收所述網(wǎng)絡(luò)預(yù)測(cè)模型接口單元發(fā)送的網(wǎng)絡(luò)預(yù)測(cè)模 型；
[0032] 所述預(yù)測(cè)核屯、功能單元用于將所述用戶(hù)指令W輸入?yún)?shù)形式通過(guò)所述網(wǎng)絡(luò)預(yù)測(cè) 模型，預(yù)測(cè)輸出短波中值場(chǎng)強(qiáng)。
[0033] 本發(fā)明第二方面提供一種神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法，包括：
[0034] 根據(jù)用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù)所述用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù) 據(jù)集；
[0035] 根據(jù)所述數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
[0036] 根據(jù)所述用戶(hù)指令，通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0037] 結(jié)合本發(fā)明實(shí)施例的第二方面，在第一種可能的實(shí)現(xiàn)方式中，所述根據(jù)用戶(hù)需求 生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù)所述用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集之后，所述方法還 包括：
[0038] 根據(jù)所述用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集，判斷所述數(shù)據(jù)集是否滿(mǎn)足模型傳 輸損耗影響因素；
[0039] 若滿(mǎn)足所述模型傳輸損耗影響因素，則根據(jù)所述數(shù)據(jù)集進(jìn)行歸一化處理；
[0040] 若不滿(mǎn)足所述模型傳輸損耗影響因素，則丟棄所述數(shù)據(jù)集。
[0041] 結(jié)合本發(fā)明實(shí)施例的第二方面的第一種可能的實(shí)現(xiàn)方式，在第二種可能的實(shí)現(xiàn)方 式中，所述若滿(mǎn)足所述模型傳輸損耗影響因素，則根據(jù)所述數(shù)據(jù)集進(jìn)行歸一化處理之后，所 述方法還包括：
[0042] 判斷所述歸一化處理后，均方誤差MSE是否達(dá)到預(yù)置的精度范圍；
[0043] 若達(dá)到預(yù)置的精度范圍，則從所述數(shù)據(jù)集中選取局部數(shù)據(jù)用于進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn) 練；
[0044] 若未達(dá)到預(yù)置的精度范圍，則進(jìn)行進(jìn)一步歸一化處理。
[0045] 結(jié)合本發(fā)明實(shí)施例的第二方面的第二種可能的實(shí)現(xiàn)方式，在第Ξ種可能的實(shí)現(xiàn)方 式中，所述根據(jù)所述數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括：
[0046] 判斷所述局部數(shù)據(jù)是否滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)；
[0047] 若滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)采用列文伯 格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)；
[0048] 若不滿(mǎn)足足夠的置信空間，且相關(guān)性不在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)進(jìn)行屬 性降維處理。
[0049] 結(jié)合本發(fā)明實(shí)施例的第二方面的第Ξ種可能的實(shí)現(xiàn)方式，在第四種可能的實(shí)現(xiàn)方 式中，所述若滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)采用列文伯 格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)之后，所述方法還包括：
[0050] 判斷網(wǎng)絡(luò)穩(wěn)定性與收斂速度是否達(dá)到第一預(yù)置值；
[0051] 若所述網(wǎng)絡(luò)穩(wěn)定性與收斂速度未達(dá)到第一預(yù)置值，則選取級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并 根據(jù)所述級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。
[0052] 結(jié)合本發(fā)明實(shí)施例的第二方面的第四種可能的實(shí)現(xiàn)方式，在第五種可能的實(shí)現(xiàn)方 式中，所述若所述網(wǎng)絡(luò)穩(wěn)定性與收斂速度未達(dá)到第一預(yù)置值，則選取級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并 根據(jù)所述級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化之后，所述方 法還包括：
[0053] 判斷訓(xùn)練耗時(shí)與MSE是否達(dá)到第二預(yù)置值；
[0054] 若未達(dá)到第二預(yù)置值，則重新進(jìn)行所述網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。 陽(yáng)化5] 本發(fā)明第Ξ方面提供一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置，包括：
[0056] 生成模塊，用于根據(jù)用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù)所述用戶(hù)指令選取短 波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集；
[0057] 訓(xùn)練模塊，用于根據(jù)所述數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
[005引預(yù)測(cè)模塊，用于根據(jù)所述用戶(hù)指令，通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值 場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0059] 結(jié)合本發(fā)明實(shí)施例的第Ξ方面，在第一種可能的實(shí)現(xiàn)方式中，所述裝置還包括：
[0060] 判斷模塊，用于根據(jù)所述用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集，判斷所述數(shù)據(jù)集 是否滿(mǎn)足模型傳輸損耗影響因素；
[0061] 處理模塊，用于若滿(mǎn)足所述模型傳輸損耗影響因素，則根據(jù)所述數(shù)據(jù)集進(jìn)行歸一 化處理；
[0062] 丟棄模塊，用于若不滿(mǎn)足所述模型傳輸損耗影響因素，則丟棄所述數(shù)據(jù)集。
[0063] 結(jié)合本發(fā)明實(shí)施例的第Ξ方面的第一種可能的實(shí)現(xiàn)方式，在第二種可能的實(shí)現(xiàn)方 式中，所述裝置還包括選取模塊，
[0064] 所述判斷模塊，還用于判斷所述歸一化處理后，均方誤差MSE是否達(dá)到預(yù)置的精 度范圍；
[0065] 所述選取模塊，用于若達(dá)到預(yù)置的精度范圍，則從所述數(shù)據(jù)集中選取局部數(shù)據(jù)用 于進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；
[0066] 所述處理模塊，還用于若未達(dá)到預(yù)置的精度范圍，則進(jìn)行進(jìn)一步歸一化處理。
[0067] 結(jié)合本發(fā)明實(shí)施例的第Ξ方面的第二種可能的實(shí)現(xiàn)方式，在第Ξ種可能的實(shí)現(xiàn)方 式中，所述訓(xùn)練模塊包括：
[0068] 判斷單元，用于判斷所述局部數(shù)據(jù)是否滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū) 間內(nèi)； W例學(xué)習(xí)單元，用于若滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù) 據(jù)采用列文伯格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)；
[0070] 處理單元，用于若不滿(mǎn)足足夠的置信空間，且相關(guān)性不在預(yù)置區(qū)間內(nèi)，則對(duì)所述局 部數(shù)據(jù)進(jìn)行屬性降維處理。
[0071] 結(jié)合本發(fā)明實(shí)施例的第Ξ方面的第Ξ種可能的實(shí)現(xiàn)方式，在第四種可能的實(shí)現(xiàn)方 式中，所述訓(xùn)練模塊還包括優(yōu)化單元，
[0072] 所述判斷單元，還用于判斷網(wǎng)絡(luò)穩(wěn)定性與收斂速度是否達(dá)到第一預(yù)置值；
[0073] 所述優(yōu)化單元，用于若所述網(wǎng)絡(luò)穩(wěn)定性與收斂速度未達(dá)到第一預(yù)置值，則選取級(jí) 聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù)所述級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié) 構(gòu)優(yōu)化。
[0074] 結(jié)合本發(fā)明實(shí)施例的第Ξ方面的第四種可能的實(shí)現(xiàn)方式，在第五種可能的實(shí)現(xiàn)方 式中，
[00巧]所述判斷單元，還用于判斷訓(xùn)練耗時(shí)與MSE是否達(dá)到第二預(yù)置值；
[0076] 所述優(yōu)化單元，還用于若未達(dá)到第二預(yù)置值，則重新進(jìn)行所述網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。
[0077] 從W上技術(shù)方案可W看出，本發(fā)明實(shí)施例具有W下優(yōu)點(diǎn)：
[0078] 本發(fā)明實(shí)施例中，通過(guò)基于大量歷史數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)過(guò)程，提高了短波中 值場(chǎng)強(qiáng)預(yù)測(cè)的靈活性和準(zhǔn)確性，同時(shí)在用戶(hù)接口模塊中增加了神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)則映射功 能，按照一定規(guī)則將用戶(hù)需求映射為特定的神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)則，由此實(shí)現(xiàn)預(yù)測(cè)網(wǎng)絡(luò)的用戶(hù) 自定義，進(jìn)一步增強(qiáng)了數(shù)值預(yù)測(cè)的靈活性和通用性。
【附圖說(shuō)明】
[0079] 圖1為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)一個(gè)實(shí)施例示意 圖；
[0080] 圖2為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施例示 意圖；
[0081] 圖3為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施例示 意圖；
[0082] 圖4為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施例示 意圖；
[0083] 圖5為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施例示 意圖；
[0084] 圖6為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施例示 意圖；
[00化]圖7為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法一個(gè)實(shí)施例示意 圖；
[0086] 圖8為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置一個(gè)實(shí)施例示意 圖；
[0087] 圖9為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置另一個(gè)實(shí)施例示 意圖；
[0088] 圖10為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置另一個(gè)實(shí)施例示 意圖；
[0089] 圖11為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置另一個(gè)實(shí)施例示 意圖；
[0090] 圖12為本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置另一個(gè)實(shí)施例示 意圖。
【具體實(shí)施方式】
[0091] 本發(fā)明實(shí)施例提供了一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)，用于通過(guò)基于 大量歷史數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)過(guò)程，提高了短波中值場(chǎng)強(qiáng)預(yù)測(cè)的靈活性和準(zhǔn)確性。
[0092] 請(qǐng)參閱圖1，本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)一個(gè)實(shí)施例 包括：
[0093] 用戶(hù)接口模塊101、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊102和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊103 ;
[0094] 用戶(hù)接口模塊101，用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式 的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊102和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊103 ;
[0095] 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊102,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練；
[0096] 短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊103,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0097] 本實(shí)施例中，用戶(hù)接口模塊101根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將參數(shù) 形式的用戶(hù)指令發(fā)送至神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊102和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊103,神經(jīng)網(wǎng)絡(luò)訓(xùn) 練模塊102根據(jù)接收到的參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，短波中值場(chǎng)強(qiáng)預(yù)測(cè)模 塊103根據(jù)接收到的參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng) 強(qiáng)進(jìn)行預(yù)測(cè)。
[009引本發(fā)明實(shí)施例中，提供了一種系統(tǒng)，在用戶(hù)接口模塊中增加神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)則映 射功能，可W按照一定規(guī)則將用戶(hù)需求映射為特定的神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)則，由此實(shí)現(xiàn)預(yù)測(cè)網(wǎng) 絡(luò)的用戶(hù)自定義，增強(qiáng)了數(shù)值預(yù)測(cè)的靈活性和通用性。
[0099] 請(qǐng)參閱圖2,本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施 例包括：
[0100] 用戶(hù)接口模塊201、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊202和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊203 ; 陽(yáng)101] 用戶(hù)接口模塊201，用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式 的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊202和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊203 ; 陽(yáng)102] 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊202,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練； 陽(yáng)103] 短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊203,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0104] 所述用戶(hù)接口模塊201可W進(jìn)一步包括數(shù)據(jù)映射單元2011和用戶(hù)接口單元 2012 ； 陽(yáng)105] 數(shù)據(jù)映射單元2011，用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令； 陽(yáng)106] 用戶(hù)接口單元2012,用于將所述參數(shù)形式的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模 塊202和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊203。
[0107] 本實(shí)施例中，數(shù)據(jù)映射單元可W將用戶(hù)需求映射為參數(shù)化的用戶(hù)指令，而用戶(hù)接 口單元?jiǎng)t是為用戶(hù)提供準(zhǔn)則接口，將用戶(hù)指令發(fā)送到神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù) 巧順塊。為了根據(jù)用戶(hù)需求進(jìn)行靈活配置，可W采用參數(shù)化輸入及輸出接口消息格式，具體 用戶(hù)消息格式如下表所示：
[0108] 表 1 陽(yáng) 109]
[0110] 參數(shù)個(gè)數(shù)用于表示輸入及輸出參數(shù)個(gè)數(shù)，參數(shù)值用于存儲(chǔ)輸入及輸出參數(shù)的對(duì)應(yīng) 值，參數(shù)值空間大小與參數(shù)個(gè)數(shù)相同，本發(fā)明實(shí)施例W參數(shù)個(gè)數(shù)生成的參數(shù)值空間進(jìn)行參 數(shù)化傳輸。 陽(yáng)111] 其次，本發(fā)明實(shí)施例中，采用參數(shù)化輸入及輸出接口消息格式，使得用戶(hù)可W靈活 的根據(jù)需要對(duì)指令進(jìn)行配置，從而提升用戶(hù)的體驗(yàn)，W及進(jìn)一步提升方案的靈活性與可操 作性。
[0112] 請(qǐng)參閱圖3,本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施 例包括：
[0113] 用戶(hù)接口模塊301、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊202和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊203 ;
[0114] 用戶(hù)接口模塊301，用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式 的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊302和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊303 ;
[0115] 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊302,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練；
[0116] 短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊303,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0117] 所述用戶(hù)接口模塊301可W進(jìn)一步包括數(shù)據(jù)映射單元3011和用戶(hù)接口單元 3012 ；
[0118] 數(shù)據(jù)映射單元3011，用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令；
[0119] 用戶(hù)接口單元3012,用于將所述參數(shù)形式的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模 塊302和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊303。
[0120] 所述數(shù)據(jù)映射單元3011還可W進(jìn)一步包括短波場(chǎng)強(qiáng)預(yù)測(cè)資源管理子單元30111 ; 陽(yáng)121 ] 短波場(chǎng)強(qiáng)預(yù)測(cè)資源管理子單元30111，用于存儲(chǔ)標(biāo)準(zhǔn)化短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)資源。
[0122] 本實(shí)施例中，數(shù)據(jù)映射單元將用戶(hù)需求映射為參數(shù)化的用戶(hù)指令，該單元還包括 了短波場(chǎng)強(qiáng)預(yù)測(cè)資源管理子單元，用于存放標(biāo)準(zhǔn)化的短波場(chǎng)強(qiáng)預(yù)測(cè)資源信息，其中包括短 波場(chǎng)強(qiáng)預(yù)測(cè)影響因素?cái)?shù)據(jù)信息及短波場(chǎng)強(qiáng)預(yù)測(cè)結(jié)果數(shù)據(jù)信息。
[0123] 需要說(shuō)明的是，短波場(chǎng)強(qiáng)影響因素?cái)?shù)據(jù)信息不僅包括大氣信息，還可W包括位置 信息和時(shí)間信息，或者其他的數(shù)據(jù)信息，故此處不做限定。
[0124] 具體短波場(chǎng)強(qiáng)預(yù)測(cè)影響因素?cái)?shù)據(jù)信息如下表所示： 陽(yáng)1對(duì)表2 陽(yáng) 126]

[0127] 再次，本發(fā)明實(shí)施例中，短波場(chǎng)強(qiáng)預(yù)測(cè)資源管理子單元可W存儲(chǔ)短波場(chǎng)強(qiáng)預(yù)測(cè)影 響因素?cái)?shù)據(jù)信息，W及短波場(chǎng)強(qiáng)預(yù)測(cè)結(jié)果數(shù)據(jù)信息，運(yùn)些數(shù)據(jù)信息可用作后續(xù)算法和進(jìn)一 步趨勢(shì)分析，還可W進(jìn)行模型修正，因此，使得預(yù)測(cè)模型的精度更強(qiáng)而且更為準(zhǔn)確。
[012引請(qǐng)參閱圖4,本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施 例包括：
[0129] 用戶(hù)接口模塊401、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊402和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊403 ;
[0130] 用戶(hù)接口模塊401，用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式 的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊402和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊403 ; 陽(yáng)131] 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊402,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練；
[0132] 短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊403,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0133] 所述用戶(hù)接口模塊401可W進(jìn)一步包括數(shù)據(jù)映射單元4011和用戶(hù)接口單元 4012 ；
[0134] 數(shù)據(jù)映射單元4011，用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令；
[0135] 用戶(hù)接口單元4012,用于將所述參數(shù)形式的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模 塊402和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊403。
[0136] 所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊402可W進(jìn)一步包括用戶(hù)指令第一接口單元4021、訓(xùn)練核 屯、功能單元4022和網(wǎng)絡(luò)預(yù)測(cè)模型接口單元4023 ;
[0137] 用戶(hù)指令第一接口單元4021，用于接收所述用戶(hù)接口單元4012發(fā)送的所述參數(shù) 形式的用戶(hù)指令；
[0138] 訓(xùn)練核屯、功能單元4022,用于將所述用戶(hù)指令W輸入?yún)?shù)及輸出參數(shù)的形式進(jìn)行 神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.
[0139] 網(wǎng)絡(luò)預(yù)測(cè)模型接口單元4023,用于將所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型發(fā)送至短波中值場(chǎng)強(qiáng) 預(yù)測(cè)模塊403。
[0140] 本實(shí)施例中，用戶(hù)指令第一接口單元將輸入?yún)?shù)與輸出參數(shù)形式的指令傳遞到訓(xùn) 練核屯、功能模塊，使該模塊根據(jù)參數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練，由網(wǎng)絡(luò)預(yù)測(cè)模型接口 單元將訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型連接到短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊，用于后期短波中值場(chǎng) 強(qiáng)的預(yù)測(cè)。 陽(yáng)141] 需要說(shuō)明的是，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果精度不僅與輸入?yún)?shù)初始化有關(guān)，也可W與神 經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法有關(guān)，還可W與神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)，故此處不做限定。為了精確預(yù)測(cè)短波中 值場(chǎng)強(qiáng)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊不僅要對(duì)輸入?yún)?shù)和輸出參數(shù)進(jìn)行預(yù)處理，還要對(duì)神經(jīng)網(wǎng)絡(luò)預(yù) 測(cè)算法及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)構(gòu)進(jìn)行優(yōu)化。 陽(yáng)142] 進(jìn)一步地，本發(fā)明實(shí)施例中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊中包括了用戶(hù)指令第一接口單元、 訓(xùn)練核屯、功能單元W及網(wǎng)絡(luò)預(yù)測(cè)模型接口單元，根據(jù)用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn) 練，再將訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型連接到短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊，可W獲取更為精 確的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。 陽(yáng)143] 請(qǐng)參閱圖5,本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施 例包括：
[0144] 用戶(hù)接口模塊501、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊502和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊503 ;
[0145] 用戶(hù)接口模塊501，用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式 的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊502和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊503 ; 陽(yáng)146] 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊502,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練； 陽(yáng)147] 短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊503,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0148] 所述用戶(hù)接口模塊501可W進(jìn)一步包括數(shù)據(jù)映射單元5011和用戶(hù)接口單元 5012 ；
[0149] 數(shù)據(jù)映射單元5011，用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令； 陽(yáng)150] 用戶(hù)接口單元5012,用于將所述參數(shù)形式的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模 塊502和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊503。 陽(yáng)151] 所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊502可W進(jìn)一步包括用戶(hù)指令第一接口單元5021、訓(xùn)練核 屯、功能單元5022和網(wǎng)絡(luò)預(yù)測(cè)模型接口單元5023 ; 陽(yáng)152] 用戶(hù)指令第一接口單元5021，用于接收所述用戶(hù)接口單元5012發(fā)送的所述參數(shù) 形式的用戶(hù)指令； 陽(yáng)153] 訓(xùn)練核屯、功能單元5022,用于將所述用戶(hù)指令W輸入?yún)?shù)及輸出參數(shù)的形式進(jìn)行 神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型； 陽(yáng)154] 網(wǎng)絡(luò)預(yù)測(cè)模型接口單元5023,用于將所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型發(fā)送至短波中值場(chǎng)強(qiáng) 預(yù)測(cè)模塊503。
[01巧]所述訓(xùn)練核屯、功能單元5022還可W進(jìn)一步包括訓(xùn)練數(shù)據(jù)預(yù)處理子單元50221和 網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建子單元50222 ;
[0156] 訓(xùn)練數(shù)據(jù)預(yù)處理子單元50221，用于接收所述用戶(hù)指令第一接口單元發(fā)送的所述 參數(shù)形式的用戶(hù)指令，并進(jìn)行參數(shù)預(yù)處理； 陽(yáng)157] 網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建子單元50222,用于將所述訓(xùn)練數(shù)據(jù)預(yù)處理子單元處理的數(shù)據(jù)， W輸入?yún)?shù)及輸出參數(shù)的形式進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。
[0158] 本實(shí)施例中，訓(xùn)練數(shù)據(jù)預(yù)處理子單元首先對(duì)輸入?yún)?shù)進(jìn)行最大最小歸一化處理， 并W預(yù)測(cè)均方誤差（MSE，Mean Squared化ror)作為評(píng)判標(biāo)準(zhǔn)，未達(dá)到標(biāo)準(zhǔn)的進(jìn)一步進(jìn)行基 于標(biāo)準(zhǔn)差的歸一化處理，優(yōu)化神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，精確預(yù)測(cè)結(jié)果。
[0159] 網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建子單元對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行預(yù)測(cè)算法和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，W 數(shù)據(jù)完備性作為標(biāo)準(zhǔn)，對(duì)數(shù)據(jù)屬性進(jìn)行降維處理，W收斂速度和網(wǎng)絡(luò)穩(wěn)定性為標(biāo)準(zhǔn)運(yùn)用共 輛梯度算法和擬牛頓算法進(jìn)行訓(xùn)練算法優(yōu)化，W訓(xùn)練耗時(shí)和預(yù)測(cè)MSE為標(biāo)準(zhǔn)進(jìn)行神經(jīng)網(wǎng)絡(luò) 結(jié)構(gòu)優(yōu)化。
[0160] 需要說(shuō)明的是，數(shù)據(jù)處理的方法與訓(xùn)練算法的評(píng)判標(biāo)準(zhǔn)有多種方式，可W根據(jù)預(yù) 測(cè)模型運(yùn)行時(shí)間、運(yùn)行穩(wěn)定性和結(jié)果精度靈活掌握，故此處不作限定。 陽(yáng)161] 再進(jìn)一步地，本發(fā)明實(shí)施例中，訓(xùn)練數(shù)據(jù)預(yù)處理子單元對(duì)輸入?yún)?shù)及輸出參數(shù)進(jìn) 行預(yù)處理，再由網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建子單元建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)多次訓(xùn)練可 w使得該神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的穩(wěn)定性更好。 陽(yáng)162] 請(qǐng)參閱圖6,本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)另一個(gè)實(shí)施 例包括：
[0163] 用戶(hù)接口模塊601、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊602和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊603 ;
[0164] 用戶(hù)接口模塊601，用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式 的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊602和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊603 ; 陽(yáng)1化]神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊602,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練；
[0166] 短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊603,用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0167] 所述用戶(hù)接口模塊601可W進(jìn)一步包括數(shù)據(jù)映射單元6011和用戶(hù)接口單元 6012 ；
[0168] 數(shù)據(jù)映射單元6011，用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令；
[0169] 用戶(hù)接口單元6012,用于將所述參數(shù)形式的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模 塊602和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊603。
[0170] 所述短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊603可W進(jìn)一步包括用戶(hù)指令第二接口單元6031、預(yù) 測(cè)模型接口單元6032和預(yù)測(cè)核屯、功能單元6033 ; 陽(yáng)171] 用戶(hù)指令第二接口單元6031，用于接收所述用戶(hù)接口單元6012發(fā)送的所述參數(shù) 形式的用戶(hù)指令； 陽(yáng)172] 預(yù)測(cè)模型接口單元6032,用于接收所述網(wǎng)絡(luò)預(yù)測(cè)模型接口單元發(fā)送的網(wǎng)絡(luò)預(yù)測(cè)模 型； 陽(yáng)173] 預(yù)測(cè)核屯、功能單元6032,用于將所述用戶(hù)指令W輸入?yún)?shù)形式通過(guò)所述網(wǎng)絡(luò)預(yù)測(cè) 模型，預(yù)測(cè)輸出短波中值場(chǎng)強(qiáng)。
[0174] 本實(shí)施例中，用戶(hù)指令第二接口單元接收用戶(hù)接口單元發(fā)送的用戶(hù)指令，預(yù)測(cè)模 型接口單元接收神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊發(fā)送的網(wǎng)絡(luò)預(yù)測(cè)模型，而預(yù)測(cè)核屯、功能單元將用戶(hù)指令 W輸入?yún)?shù)的形式通過(guò)網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)輸出短波中值場(chǎng)強(qiáng)。 陽(yáng)175] 需要說(shuō)明的是，網(wǎng)絡(luò)預(yù)測(cè)模型可W是實(shí)時(shí)訓(xùn)練模型，也可W是調(diào)用已存儲(chǔ)的預(yù)測(cè) 模型，故此處不做限定。 陽(yáng)176] 再進(jìn)一步地，本發(fā)明實(shí)施例中，短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊包括用戶(hù)指令第二接口單 元、預(yù)測(cè)模型接口單元和預(yù)測(cè)核屯、功能單元，預(yù)測(cè)核屯、功能單元將用戶(hù)指令通過(guò)網(wǎng)絡(luò)預(yù)測(cè) 模型，預(yù)測(cè)短波中值場(chǎng)強(qiáng)，可W根據(jù)仿真數(shù)據(jù)的特點(diǎn)，選取不同類(lèi)型的神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合， 適用性更廣，通用性更強(qiáng)。
[0177] 請(qǐng)參閱圖7,本發(fā)明實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法一個(gè)實(shí)施例 包括：
[0178] 701、根據(jù)用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù)用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù) 據(jù)集；
[0179] 本實(shí)施例中，用戶(hù)接口模塊根據(jù)用戶(hù)需求，按照一定的映射準(zhǔn)則生成特定的用戶(hù) 指令，選取短波場(chǎng)強(qiáng)預(yù)測(cè)數(shù)據(jù)集，W輸入?yún)?shù)及輸出參數(shù)的形式發(fā)送到神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊 和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊。
[0180] 702、根據(jù)數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 陽(yáng)181] 本實(shí)施例中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊將接收到的輸入?yún)?shù)及輸出參數(shù)進(jìn)行預(yù)處理，并 W預(yù)測(cè)MSE作為全局標(biāo)準(zhǔn)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)算法優(yōu)化和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，構(gòu)建出神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)模型。 陽(yáng)182] 703、根據(jù)用戶(hù)指令，通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0183] 本實(shí)施例中，短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊根據(jù)接收到的用戶(hù)指令，利用構(gòu)建完成的神 經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)，并保存預(yù)測(cè)結(jié)果。
[0184] 本發(fā)明實(shí)施例中，通過(guò)基于大量歷史數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)過(guò)程，提高了短波中 值場(chǎng)強(qiáng)預(yù)測(cè)的靈活性和準(zhǔn)確性，同時(shí)在用戶(hù)接口模塊中增加了神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)則映射功 能，按照一定規(guī)則將用戶(hù)需求映射為特定的神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)則，由此實(shí)現(xiàn)預(yù)測(cè)網(wǎng)絡(luò)的用戶(hù) 自定義，進(jìn)一步增強(qiáng)了數(shù)值預(yù)測(cè)的靈活性和通用性。 陽(yáng)化5] 可選地，在上述圖7對(duì)應(yīng)的實(shí)施例基礎(chǔ)上，本發(fā)明實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò)的 短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法第一個(gè)可選實(shí)施例中，根據(jù)用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù) 用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集之后，還可W包括：
[0186] 根據(jù)用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集，判斷數(shù)據(jù)集是否滿(mǎn)足模型傳輸損耗影 響因素； 陽(yáng)187] 若滿(mǎn)足模型傳輸損耗影響因素，則根據(jù)數(shù)據(jù)集進(jìn)行歸一化處理；
[0188] 若不滿(mǎn)足模型傳輸損耗影響因素，則丟棄數(shù)據(jù)集。
[0189] 本實(shí)施例中，用戶(hù)接口模塊根據(jù)用戶(hù)需求，按照一定的映射準(zhǔn)則生成特定的用戶(hù) 指令，然后根據(jù)用戶(hù)指令啟動(dòng)短波場(chǎng)強(qiáng)預(yù)測(cè)資源管理子單元，該子單元即為短波場(chǎng)強(qiáng)資源 管理數(shù)據(jù)庫(kù)，從中選取數(shù)據(jù)集作為參數(shù)化系統(tǒng)的輸入變量和輸出變量。
[0190] 選定數(shù)據(jù)集時(shí)，判斷選取的輸入樣本變量是否滿(mǎn)足模型傳輸損耗影響因素，需要 說(shuō)明的是，運(yùn)些模型傳輸損耗影響因素可W是頻率、功率、發(fā)射坐標(biāo)和偵收點(diǎn)坐標(biāo)，也可W 是地形與地物特性，還可W是偵收時(shí)間或其他相關(guān)影響因素，故此處不做限定。 陽(yáng)1W] 當(dāng)數(shù)據(jù)集滿(mǎn)足模型傳輸損耗影響因素，則根據(jù)選定的數(shù)據(jù)集進(jìn)行歸一化處理，使 得所有數(shù)據(jù)規(guī)整到一個(gè)范圍區(qū)間內(nèi)，從而使得各變量之間具有相同地位，避免經(jīng)過(guò)sigmoid 函數(shù)出現(xiàn)誤差震蕩的問(wèn)題，其中，sigmoid函數(shù)表達(dá)式為r-槪Sigmoid函數(shù)常 和單位階躍函數(shù)用于構(gòu)造人工神經(jīng)網(wǎng)絡(luò)。而基于最大最小樣本值的線(xiàn)性歸一化處理方式是 將相同的輸入變量，或輸出變量的樣本進(jìn)行預(yù)處理，將數(shù)據(jù)線(xiàn)性歸一化到[-1，1]。 陽(yáng)192] 當(dāng)數(shù)據(jù)集不滿(mǎn)足模型傳輸損耗影響因素，則丟棄選取的數(shù)據(jù)集，啟動(dòng)數(shù)據(jù)重選的 功能。
[0193] 其次，本發(fā)明實(shí)施例中，通過(guò)判斷選取的數(shù)據(jù)集樣本是否滿(mǎn)足模型傳輸損耗影響 因素，來(lái)決定是否使用所選數(shù)據(jù)集，如果不滿(mǎn)足模型傳輸損耗影響因素則丟棄數(shù)據(jù)集，運(yùn)樣 可W獲取滿(mǎn)足條件的數(shù)據(jù)集，使得方案更具有合理性，同時(shí)可操作性也得W提升。
[0194] 可選地，在上述圖7對(duì)應(yīng)的第一個(gè)可選實(shí)施例基礎(chǔ)上，本發(fā)明實(shí)施例提供的基于 神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法第二個(gè)可選實(shí)施例中，若滿(mǎn)足模型傳輸損耗影響因素， 則根據(jù)數(shù)據(jù)集進(jìn)行歸一化處理之后，還可W包括：
[01巧]判斷歸一化處理后，均方誤差MSE是否達(dá)到預(yù)置的精度范圍； 陽(yáng)196] 若達(dá)到預(yù)置的精度范圍，則從數(shù)據(jù)集中選取局部數(shù)據(jù)用于進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練； 陽(yáng)197] 若未達(dá)到預(yù)置的精度范圍，則進(jìn)行進(jìn)一步歸一化處理。
[0198] 本實(shí)施例中，在數(shù)據(jù)集歸一化處理完成后，要判斷MSE是否達(dá)到要求的精度范圍 內(nèi)，如果滿(mǎn)足要求，則進(jìn)入到選取訓(xùn)練數(shù)據(jù)的階段，否則，則利用基于標(biāo)準(zhǔn)差的歸一化方法 進(jìn)一步進(jìn)行歸一化處理，訓(xùn)練集選用與最大最小線(xiàn)性歸一法相同的訓(xùn)練集。
[0199] 當(dāng)達(dá)到預(yù)置的精度范圍時(shí)，針對(duì)歸一化處理后的數(shù)據(jù)，選取一定時(shí)間段內(nèi)訓(xùn)練樣 本集較完備的局部數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。由于整個(gè)樣本集數(shù)據(jù)過(guò)大，會(huì)導(dǎo)致學(xué)習(xí)時(shí)間長(zhǎng)，訓(xùn)練 精度也無(wú)法保證，因此通過(guò)分析樣本產(chǎn)生、樣本變量因素 W及神經(jīng)網(wǎng)絡(luò)運(yùn)算效率來(lái)選取局 部數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其中樣本變量因素中主要是時(shí)間因素。 陽(yáng)200] 再次，本發(fā)明實(shí)施例中，針對(duì)歸一化處理后的數(shù)據(jù)進(jìn)行進(jìn)一步的判斷，判斷MSE是 否達(dá)到要求的精度范圍內(nèi)，如果不滿(mǎn)足要求，則再進(jìn)行歸一化處理，滿(mǎn)足要求后選取局部數(shù) 據(jù)作為訓(xùn)練數(shù)據(jù)，運(yùn)樣可W提升學(xué)習(xí)效率，訓(xùn)練的精度也得到了保證，方案的實(shí)現(xiàn)效果更 好。 陽(yáng)201] 可選地，在上述圖7對(duì)應(yīng)的第二個(gè)可選實(shí)施例基礎(chǔ)上，本發(fā)明實(shí)施例提供的基于 神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法第Ξ個(gè)可選實(shí)施例中，根據(jù)數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn) 練，包括： 陽(yáng)202] 判斷局部數(shù)據(jù)是否滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)； 陽(yáng)203] 若滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)，則對(duì)局部數(shù)據(jù)采用列文伯 格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)； 陽(yáng)204] 若不滿(mǎn)足足夠的置信空間，且相關(guān)性不在預(yù)置區(qū)間內(nèi)，則對(duì)局部數(shù)據(jù)進(jìn)行屬性降 維處理。 陽(yáng)205] 本實(shí)施例中，選取局部數(shù)據(jù)后，判斷局部數(shù)據(jù)是否滿(mǎn)足兩個(gè)要求，第一個(gè)要求是樣 本時(shí)間擁有足夠的置信空間，第二個(gè)要求是局部數(shù)據(jù)的輸入變量之間相關(guān)性在預(yù)置區(qū)間 內(nèi)。如果都滿(mǎn)足要求，則利用局部數(shù)據(jù)在權(quán)值調(diào)整批處理模式下，采用列文伯格-馬夸爾特 法（LM，Levenberg-Marquar化）進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)，否則，要分析短波損耗時(shí)間影響因 素，為局部數(shù)據(jù)進(jìn)行屬性降維處理，使現(xiàn)有數(shù)據(jù)盡量具有完備集的特征。
[0206] LM算法是基于最優(yōu)理論，綜合共輛梯度算法（FR，F(xiàn)letcher-Reeves)和擬牛頓算 法的特點(diǎn)，使其性能參數(shù)MSE趨于更小，網(wǎng)絡(luò)訓(xùn)練更加穩(wěn)定，收斂速度更快的一種神經(jīng)網(wǎng)絡(luò) 參數(shù)學(xué)習(xí)算法。FR算法是權(quán)值和闊值沿共輛梯度方向調(diào)整獲得更快收斂的算法。 陽(yáng)207] 進(jìn)一步地，本發(fā)明實(shí)施例中，對(duì)局部數(shù)據(jù)在權(quán)值調(diào)整批處理模式下，采用LM算法 進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，可W使得性能參數(shù)MSE趨于更小，令網(wǎng)絡(luò)訓(xùn)練達(dá)到更加穩(wěn)定的狀態(tài)， 且收斂速度更快。對(duì)于不符合條件的局部數(shù)據(jù)進(jìn)行屬性降維處理，使得數(shù)據(jù)盡可能具備完 整集的特征，因此方案在實(shí)現(xiàn)的過(guò)程中具有合理性，同時(shí)提高了預(yù)測(cè)的效率。 陽(yáng)20引可選地，在上述圖7對(duì)應(yīng)的第Ξ個(gè)可選實(shí)施例基礎(chǔ)上，本發(fā)明實(shí)施例提供的基于 神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法第四個(gè)可選實(shí)施例中，若滿(mǎn)足足夠的置信空間，且相關(guān) 性在預(yù)置區(qū)間內(nèi)，則對(duì)局部數(shù)據(jù)采用列文伯格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)之 后，還可W包括： 陽(yáng)209] 判斷網(wǎng)絡(luò)穩(wěn)定性與收斂速度是否達(dá)到第一預(yù)置值；
[0210] 若所述網(wǎng)絡(luò)穩(wěn)定性與收斂速度未達(dá)到第一預(yù)置值，則選取級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并 根據(jù)所述級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。 陽(yáng)211] 本實(shí)施例中，對(duì)局部數(shù)據(jù)采用LM，算法進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)后，需要判斷收斂 速度和網(wǎng)絡(luò)穩(wěn)定性是否達(dá)到第一預(yù)置值，如果未達(dá)到要求，則針對(duì)學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)，進(jìn)一 步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，是誤差函數(shù)下降，實(shí)現(xiàn)擬合性能優(yōu)化，可W使用擬牛頓算法進(jìn)行學(xué)習(xí)，擬 牛頓算法能夠在收斂到最優(yōu)值附近計(jì)算一個(gè)最優(yōu)的方向，實(shí)現(xiàn)收斂的優(yōu)化。
[0212] 如果收斂速度和網(wǎng)絡(luò)穩(wěn)定性達(dá)到第一預(yù)置值，則可W直接使用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。
[0213] 本實(shí)施例中，針對(duì)參數(shù)學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，需要選取級(jí)聯(lián)神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)過(guò)經(jīng)驗(yàn)公式推演和試湊法，選取適合網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)。經(jīng)驗(yàn)公式一般是由擬合得到 的，沒(méi)有完整的理論推導(dǎo)過(guò)程，經(jīng)驗(yàn)公式更趨向于應(yīng)用，著重看其精確度的大小。級(jí)聯(lián)網(wǎng)絡(luò) 由于網(wǎng)絡(luò)權(quán)值數(shù)目的增加，迭代一次的時(shí)間也有所增加，但它的收斂速度更快，得到的訓(xùn)練 結(jié)果擬合精度更好，而且趨于穩(wěn)定。網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)的多少可W決定對(duì)于網(wǎng)絡(luò)的學(xué)習(xí)程度，神 經(jīng)元各節(jié)點(diǎn)作用使其擁有模型規(guī)律存儲(chǔ)能力，所W節(jié)點(diǎn)數(shù)過(guò)少時(shí)，網(wǎng)絡(luò)存儲(chǔ)模型能力不足， 不能高精度學(xué)習(xí)樣本，但是節(jié)點(diǎn)數(shù)過(guò)多時(shí)，則會(huì)出現(xiàn)對(duì)樣本非規(guī)律性特征進(jìn)行學(xué)習(xí)，造成網(wǎng) 絡(luò)泛化能力不足，同時(shí)也增加網(wǎng)絡(luò)運(yùn)算負(fù)擔(dān)，使得網(wǎng)絡(luò)學(xué)習(xí)時(shí)間增長(zhǎng)。
[0214] 需要說(shuō)明的是，收斂速度和網(wǎng)絡(luò)穩(wěn)定性的第一預(yù)置值可根據(jù)實(shí)際情況進(jìn)行設(shè)定， 故此處不做限定。
[0215] 再進(jìn)一步地，本發(fā)明實(shí)施例中，通過(guò)判斷網(wǎng)絡(luò)穩(wěn)定性和收斂速度是否達(dá)到預(yù)置值， 來(lái)達(dá)到優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的目的，如果未達(dá)到預(yù)置值，則繼續(xù)使用擬牛頓算法進(jìn)行學(xué)習(xí)。收斂速 度快說(shuō)明計(jì)算效率高，可W更快的得到精確結(jié)果，網(wǎng)絡(luò)穩(wěn)定性越好所預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 模型的精度也越高。與此同時(shí)，取合適的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)，一方面使網(wǎng)絡(luò)存儲(chǔ)模型具有足夠的 能力，可W高精度的學(xué)習(xí)樣本，另一方面擁有泛化能力強(qiáng)的優(yōu)勢(shì)，具有很大的自由度和很強(qiáng) 的數(shù)據(jù)處理能力，還可W有很強(qiáng)的數(shù)據(jù)外插能力。
[0216] 可選地，在上述圖7對(duì)應(yīng)的第四個(gè)可選實(shí)施例基礎(chǔ)上，本發(fā)明實(shí)施例提供的基于 神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法第五個(gè)可選實(shí)施例中，若網(wǎng)絡(luò)穩(wěn)定性與收斂速度未達(dá)到 第一預(yù)置值，則選取級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，對(duì)神經(jīng) 網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化之后，方法還可W包括：
[0217] 判斷訓(xùn)練耗時(shí)與MSE是否達(dá)到第二預(yù)置值；
[0218] 若未達(dá)到第二預(yù)置值，則重新進(jìn)行所述網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。
[0219] 本實(shí)施例中，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化后，要判斷訓(xùn)練耗時(shí)和性能參數(shù)MSE是否達(dá)到標(biāo) 準(zhǔn)，如果達(dá)到標(biāo)準(zhǔn)的第二預(yù)置值，則根據(jù)用戶(hù)指令，利用中值場(chǎng)強(qiáng)預(yù)測(cè)模型，預(yù)測(cè)短波中值 場(chǎng)強(qiáng)。如果沒(méi)有達(dá)到標(biāo)準(zhǔn)的第二預(yù)置值，則繼續(xù)對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)繼續(xù)優(yōu)化。 陽(yáng)220] 需要說(shuō)明的是，訓(xùn)練耗時(shí)與MSE的第二預(yù)置值也可W根據(jù)實(shí)際情況做設(shè)定，故此 處不對(duì)具體第二預(yù)置值做限定。 陽(yáng)221] 更進(jìn)一步地，本發(fā)明實(shí)施例中，網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化后需要判斷訓(xùn)練耗時(shí)與MSE是否達(dá) 到預(yù)置值，如果沒(méi)有達(dá)到則繼續(xù)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)一步優(yōu)化，運(yùn)樣可W很大程度的增強(qiáng)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的精度和準(zhǔn)確度，使方案的實(shí)用性更強(qiáng)。 陽(yáng)222] 為便于理解，下面W-個(gè)具體應(yīng)用場(chǎng)景對(duì)本發(fā)明中一種網(wǎng)絡(luò)處理方法進(jìn)行詳細(xì)描 述，具體為：
[0223] A用戶(hù)需要預(yù)測(cè)近期的太陽(yáng)黑子數(shù)，于是根據(jù)用戶(hù)A的需求生成一個(gè)"預(yù)測(cè)太陽(yáng)黑 子數(shù)"的用戶(hù)指令，且該需求與該指令之間是有映射關(guān)系的。根據(jù)A用戶(hù)的指令啟動(dòng)了短波 場(chǎng)強(qiáng)預(yù)測(cè)資源管理數(shù)據(jù)庫(kù)，假設(shè)選取了一組數(shù)據(jù)集，為5,11，6, 23, 36, 58, 29,將運(yùn)些數(shù)據(jù)集 作為參數(shù)化系統(tǒng)輸入和輸出變量。選取數(shù)據(jù)集時(shí)，需要判斷運(yùn)些選取的樣本是否滿(mǎn)足頻率、 偵收點(diǎn)坐標(biāo)、地形、地物特性W及偵收時(shí)間。判斷后得到運(yùn)組數(shù)據(jù)集滿(mǎn)足上述的要求，于是 對(duì)運(yùn)組數(shù)據(jù)集進(jìn)行歸一化處理，將時(shí)間線(xiàn)性歸一化到[-1,1]運(yùn)個(gè)區(qū)間內(nèi)。
[0224] 歸一化處理完成后，繼續(xù)判斷MSE是否達(dá)到要求的精度范圍內(nèi)，假設(shè)要求的MSE在 10% W內(nèi)，經(jīng)過(guò)判斷后確認(rèn)數(shù)據(jù)集的均方誤差在該范圍內(nèi)，于是選取一段時(shí)間內(nèi)的局部數(shù) 據(jù)作為訓(xùn)練數(shù)據(jù)。且運(yùn)些數(shù)據(jù)有較大的置信空間，而且輸入變量之間相關(guān)性較低。 陽(yáng)225] 局部數(shù)據(jù)在權(quán)值調(diào)整批處理模式下，采用LM算法進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)，可W使 得MSE趨于更小值，網(wǎng)絡(luò)訓(xùn)練更穩(wěn)定，而收斂速度也更快。當(dāng)收斂速度和網(wǎng)絡(luò)穩(wěn)定性都穩(wěn) 定時(shí)，針對(duì)參數(shù)學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，使誤差函數(shù)下降，實(shí)現(xiàn)擬合性能優(yōu) 化。 陽(yáng)226] 選取級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)過(guò)經(jīng)驗(yàn)公式推演和試湊發(fā)，選取合適的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，假 設(shè)選取100個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)，于是對(duì)運(yùn)100個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行訓(xùn)練，在訓(xùn)練耗時(shí)和MSE都達(dá)到標(biāo)準(zhǔn) 后，即完成中值場(chǎng)強(qiáng)預(yù)測(cè)模型的構(gòu)建，根據(jù)A用戶(hù)的需求，預(yù)測(cè)出近期的太陽(yáng)黑子數(shù)為20。 陽(yáng)227] 下面對(duì)本發(fā)明中的基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置進(jìn)行詳細(xì)描述，請(qǐng)參閱 圖8,本發(fā)明實(shí)施例中的基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置包括：
[0228] 生成模塊801，用于根據(jù)用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù)所述用戶(hù)指令選取 短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集；
[0229] 訓(xùn)練模塊802,用于根據(jù)所述生成模塊801選取數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 陽(yáng)230] 預(yù)測(cè)模塊803,用于根據(jù)所述生成模塊801生成的用戶(hù)指令，通過(guò)所述訓(xùn)練模塊 802訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。 陽(yáng)231] 生成模塊801用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù)用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè) 的數(shù)據(jù)集，訓(xùn)練模塊802根據(jù)生成模塊801選取的數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，預(yù)測(cè)模型 803根據(jù)生成模塊801生成用戶(hù)指令，通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn) 行預(yù)測(cè)。 陽(yáng)232] 本發(fā)明實(shí)施例中，通過(guò)基于大量歷史數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)過(guò)程，提高了短波中 值場(chǎng)強(qiáng)預(yù)測(cè)的靈活性和準(zhǔn)確性，同時(shí)在用戶(hù)接口模塊中增加了神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)則映射功 能，按照一定規(guī)則將用戶(hù)需求映射為特定的神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)則，由此實(shí)現(xiàn)預(yù)測(cè)網(wǎng)絡(luò)的用戶(hù) 自定義，進(jìn)一步增強(qiáng)了數(shù)值預(yù)測(cè)的靈活性和通用性。 陽(yáng)233] 可選地，在上述圖8所對(duì)應(yīng)的實(shí)施例的基礎(chǔ)上，請(qǐng)參閱圖9,本發(fā)明實(shí)施例提供的 基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置的另一實(shí)施例中，所述基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng) 強(qiáng)預(yù)測(cè)裝置80還包括：
[0234] 判斷模塊804,用于根據(jù)所述生成模塊801生成的用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的 數(shù)據(jù)集，判斷所述數(shù)據(jù)集是否滿(mǎn)足模型傳輸損耗影響因素；
[0235] 處理模塊806,用于若所述判斷模塊804判斷滿(mǎn)足所述模型傳輸損耗影響因素，貝U 根據(jù)所述數(shù)據(jù)集進(jìn)行歸一化處理； 陽(yáng)236] 丟棄模塊805,用于若所述判斷模塊804判斷不滿(mǎn)足所述模型傳輸損耗影響因素， 則丟棄所述數(shù)據(jù)集。 陽(yáng)237] 其次，本發(fā)明實(shí)施例中，通過(guò)判斷選取的數(shù)據(jù)集樣本是否滿(mǎn)足模型傳輸損耗影響 因素，來(lái)決定是否使用所選數(shù)據(jù)集，如果不滿(mǎn)足模型傳輸損耗影響因素則丟棄數(shù)據(jù)集，運(yùn)樣 可W獲取滿(mǎn)足條件的數(shù)據(jù)集，使得方案更具有合理性，同時(shí)可操作性也得W提升。
[0238] 可選地，在上述圖9所對(duì)應(yīng)的實(shí)施例的基礎(chǔ)上，請(qǐng)參閱圖10,本發(fā)明實(shí)施例提供的 基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置的另一實(shí)施例中，
[0239] 所述判斷模塊804,還用于判斷所述歸一化處理后，均方誤差MSE是否達(dá)到預(yù)置的 精度范圍；
[0240] 選取模塊807,用于若所述判斷模塊804判斷達(dá)到預(yù)置的精度范圍，則從所述數(shù)據(jù) 集中選取局部數(shù)據(jù)用于進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練； 陽(yáng)241] 所述處理模塊806,還用于若所述判斷模塊804判斷未達(dá)到預(yù)置的精度范圍，則進(jìn) 行進(jìn)一步歸一化處理。 陽(yáng)242] 再次，本發(fā)明實(shí)施例中，針對(duì)歸一化處理后的數(shù)據(jù)進(jìn)行進(jìn)一步的判斷，判斷MSE是 否達(dá)到要求的精度范圍內(nèi)，如果不滿(mǎn)足要求，則再進(jìn)行歸一化處理，滿(mǎn)足要求后選取局部數(shù) 據(jù)作為訓(xùn)練數(shù)據(jù)，運(yùn)樣可W提升學(xué)習(xí)效率，訓(xùn)練的精度也得到了保證，方案的實(shí)現(xiàn)效果更 好。 陽(yáng)243] 可選地，在上述圖10對(duì)應(yīng)的實(shí)施例的基礎(chǔ)上，參閱圖11，本發(fā)明實(shí)施例提供的基 于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置另一實(shí)施例中，所述訓(xùn)練模塊802包括：
[0244] 判斷單元8021，用于判斷所述選取模塊807選取的局部數(shù)據(jù)是否滿(mǎn)足足夠的置信 空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)；
[0245] 學(xué)習(xí)單元8022,用于若所述判斷單元8021判斷滿(mǎn)足足夠的置信空間，且相關(guān)性在 預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)采用列文伯格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)； 陽(yáng)246] 處理單元8023,用于若判斷單元8021判斷不滿(mǎn)足足夠的置信空間，且相關(guān)性不在 預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)進(jìn)行屬性降維處理。 陽(yáng)247] 進(jìn)一步地，本發(fā)明實(shí)施例中，對(duì)局部數(shù)據(jù)在權(quán)值調(diào)整批處理模式下，采用LM算法 進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，可W使得性能參數(shù)MSE趨于更小，令網(wǎng)絡(luò)訓(xùn)練達(dá)到更加穩(wěn)定的狀態(tài)， 且收斂速度更快。對(duì)于不符合條件的局部數(shù)據(jù)進(jìn)行屬性降維處理，使得數(shù)據(jù)盡可能具備完 整集的特征，因此方案在實(shí)現(xiàn)的過(guò)程中具有合理性，同時(shí)提高了預(yù)測(cè)的效率。
[0248] 可選地，在上述圖11對(duì)應(yīng)的實(shí)施例的基礎(chǔ)上，參閱圖12,本發(fā)明實(shí)施例提供的基 于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置另一實(shí)施例中，所述訓(xùn)練模塊802還包括優(yōu)化單元 8024，
[0249] 所述判斷單元8021，還用于判斷網(wǎng)絡(luò)穩(wěn)定性與收斂速度是否達(dá)到第一預(yù)置值； 陽(yáng)巧0] 所述優(yōu)化單元8024,用于若所述網(wǎng)絡(luò)穩(wěn)定性與收斂速度未達(dá)到第一預(yù)置值，則選 取級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù)所述級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng) 絡(luò)結(jié)構(gòu)優(yōu)化。 陽(yáng)巧1] 再進(jìn)一步地，本發(fā)明實(shí)施例中，通過(guò)判斷網(wǎng)絡(luò)穩(wěn)定性和收斂速度是否達(dá)到預(yù)置值， 來(lái)達(dá)到優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的目的，如果未達(dá)到預(yù)置值，則繼續(xù)使用擬牛頓算法進(jìn)行學(xué)習(xí)。收斂速 度快說(shuō)明計(jì)算效率高，可W更快的得到精確結(jié)果，網(wǎng)絡(luò)穩(wěn)定性越好所預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 模型的精度也越高。與此同時(shí)，取合適的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)，一方面使網(wǎng)絡(luò)存儲(chǔ)模型具有足夠的 能力，可w高精度的學(xué)習(xí)樣本，另一方面擁有泛化能力強(qiáng)的優(yōu)勢(shì)，具有很大的自由度和很強(qiáng) 的數(shù)據(jù)處理能力，還可W有很強(qiáng)的數(shù)據(jù)外插能力。 陽(yáng)巧2] 可選地，在上述圖12對(duì)應(yīng)的實(shí)施例的基礎(chǔ)上，本發(fā)明實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò) 的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置另一實(shí)施例中， 陽(yáng)巧3] 所述判斷單元8021，還用于判斷訓(xùn)練耗時(shí)與MSE是否達(dá)到預(yù)置值； 陽(yáng)巧4] 所述優(yōu)化單元8024,還用于若所述判斷單元8021判斷未達(dá)到預(yù)置值，則重新進(jìn)行 所述網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。 陽(yáng)巧5] 更進(jìn)一步地，本發(fā)明實(shí)施例中，網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化后需要判斷訓(xùn)練耗時(shí)與MSE是否達(dá) 到預(yù)置值，如果沒(méi)有達(dá)到則繼續(xù)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)一步優(yōu)化，運(yùn)樣可W很大程度的增強(qiáng)訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的精度和準(zhǔn)確度，使方案的實(shí)用性更強(qiáng)。 陽(yáng)巧6] 所屬領(lǐng)域的技術(shù)人員可W清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)， 裝置和單元的具體工作過(guò)程，可W參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再寶述。 陽(yáng)巧7] 在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所掲露的系統(tǒng)，裝置和方法，可W 通過(guò)其它的方式實(shí)現(xiàn)。例如，W上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的 劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可W有另外的劃分方式，例如多個(gè)單元或組件 可W結(jié)合或者可W集成到另一個(gè)系統(tǒng)，或一些特征可W忽略，或不執(zhí)行。另一點(diǎn)，所顯示或 討論的相互之間的禪合或直接禪合或通信連接可W是通過(guò)一些接口，裝置或單元的間接禪 合或通信連接，可W是電性，機(jī)械或其它的形式。 陽(yáng)巧引所述作為分離部件說(shuō)明的單元可W是或者也可W不是物理上分開(kāi)的，作為單元顯 示的部件可W是或者也可W不是物理單元，即可W位于一個(gè)地方，或者也可W分布到多個(gè) 網(wǎng)絡(luò)單元上?？蒞根據(jù)實(shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現(xiàn)本實(shí)施例方案的目 的。 陽(yáng)巧9] 另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可W集成在一個(gè)處理單元中，也可W 是各個(gè)單元單獨(dú)物理存在，也可W兩個(gè)或兩個(gè)W上單元集成在一個(gè)單元中。上述集成的單 元既可W采用硬件的形式實(shí)現(xiàn)，也可W采用軟件功能單元的形式實(shí)現(xiàn)。
[0260] 所述集成的單元如果W軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷(xiāo)售或使用 時(shí)，可W存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶\(yùn)樣的理解，本發(fā)明的技術(shù)方案本質(zhì) 上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可軟件產(chǎn)品的形 式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用W使得一臺(tái)計(jì)算 機(jī)設(shè)備（可W是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等）執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法 的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤(pán)、移動(dòng)硬盤(pán)、只讀存儲(chǔ)器（R0M，ReacK)nly Memcxry)、隨機(jī)存取存儲(chǔ)器（RAM, Random Access Memcxry)、磁碟或者光盤(pán)等各種可W存儲(chǔ)程 序代碼的介質(zhì)。 陽(yáng)261] W上所述，W上實(shí)施例僅用W說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前 述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可W對(duì)前 述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而運(yùn)些 修改或者替換，并不使對(duì)應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。
【主權(quán)項(xiàng)】
1. 一種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)，其特征在于，包括： 用戶(hù)接口模塊、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊； 所述用戶(hù)接口模塊用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式的用 戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊； 所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行 訓(xùn)練； 所述短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn)練后 的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。2. 根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述用戶(hù)接口模塊包括數(shù)據(jù)映射單元和 用戶(hù)接口單元； 所述用戶(hù)接口模塊用于根據(jù)用戶(hù)需求生成參數(shù)形式的用戶(hù)指令，將所述參數(shù)形式的用 戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊，包括： 所述數(shù)據(jù)映射單元用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令； 所述用戶(hù)接口單元用于將所述參數(shù)形式的用戶(hù)指令發(fā)送至所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和 短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊。3. 根據(jù)權(quán)利要求2所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)映射單元包括短波場(chǎng)強(qiáng)預(yù)測(cè)資 源管理子單元； 所述數(shù)據(jù)映射單元用于將所述用戶(hù)需求映射成為所述參數(shù)形式的用戶(hù)指令，包括： 所述短波場(chǎng)強(qiáng)預(yù)測(cè)資源管理子單元用于存儲(chǔ)標(biāo)準(zhǔn)化短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)資源。4. 根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊包括用戶(hù)指令第 一接口單元、訓(xùn)練核心功能單元和網(wǎng)絡(luò)預(yù)測(cè)模型接口單元； 所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行 訓(xùn)練，包括： 所述用戶(hù)指令第一接口單元用于接收所述用戶(hù)接口單元發(fā)送的所述參數(shù)形式的用戶(hù) 指令； 所述訓(xùn)練核心功能單元用于將所述用戶(hù)指令以輸入?yún)?shù)及輸出參數(shù)的形式進(jìn)行神經(jīng) 網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型； 所述網(wǎng)絡(luò)預(yù)測(cè)模型接口單元用于將所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型發(fā)送至短波中值場(chǎng)強(qiáng)預(yù)測(cè) 豐旲塊。5. 根據(jù)權(quán)利要求4所述的系統(tǒng)，其特征在于，所述訓(xùn)練核心功能單元包括訓(xùn)練數(shù)據(jù)預(yù) 處理子單元和網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建子單元； 所述訓(xùn)練核心功能單元用于將所述用戶(hù)指令以輸入?yún)?shù)及輸出參數(shù)的形式進(jìn)行神經(jīng) 網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，包括： 所述訓(xùn)練數(shù)據(jù)預(yù)處理子單元用于接收所述用戶(hù)指令第一接口單元發(fā)送的所述參數(shù)形 式的用戶(hù)指令，并進(jìn)行參數(shù)預(yù)處理； 所述網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建子單元用于將所述訓(xùn)練數(shù)據(jù)預(yù)處理子單元處理的數(shù)據(jù)，以輸入 參數(shù)及輸出參數(shù)的形式進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。6. 根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊包括用戶(hù)指 令第二接口單元、預(yù)測(cè)模型接口單元和預(yù)測(cè)核心功能單元； 所述短波中值場(chǎng)強(qiáng)預(yù)測(cè)模塊用于根據(jù)接收到的所述參數(shù)形式的用戶(hù)指令，通過(guò)訓(xùn)練后 的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)，包括： 所述用戶(hù)指令第二接口單元用于接收所述用戶(hù)接口單元發(fā)送的所述參數(shù)形式的用戶(hù) 指令； 所述預(yù)測(cè)模型接口單元用于接收所述網(wǎng)絡(luò)預(yù)測(cè)模型接口單元發(fā)送的網(wǎng)絡(luò)預(yù)測(cè)模型； 所述預(yù)測(cè)核心功能單元用于將所述用戶(hù)指令以輸入?yún)?shù)形式通過(guò)所述網(wǎng)絡(luò)預(yù)測(cè)模型， 預(yù)測(cè)輸出短波中值場(chǎng)強(qiáng)。7. -種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)方法，其特征在于，包括： 根據(jù)用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù)所述用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù) 集； 根據(jù)所述數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 根據(jù)所述用戶(hù)指令，通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng)進(jìn)行預(yù)測(cè)。8. 根據(jù)權(quán)利要求7所述的方法，其特征在于，所述根據(jù)用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令， 并根據(jù)所述用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集之后，所述方法還包括： 根據(jù)所述用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集，判斷所述數(shù)據(jù)集是否滿(mǎn)足模型傳輸損 耗影響因素； 若滿(mǎn)足所述模型傳輸損耗影響因素，則根據(jù)所述數(shù)據(jù)集進(jìn)行歸一化處理； 若不滿(mǎn)足所述模型傳輸損耗影響因素，則丟棄所述數(shù)據(jù)集。9. 根據(jù)權(quán)利要求8所述的方法，其特征在于，所述若滿(mǎn)足所述模型傳輸損耗影響因素， 則根據(jù)所述數(shù)據(jù)集進(jìn)行歸一化處理之后，所述方法還包括： 判斷所述歸一化處理后，均方誤差MSE是否達(dá)到預(yù)置的精度范圍； 若達(dá)到預(yù)置的精度范圍，則從所述數(shù)據(jù)集中選取局部數(shù)據(jù)用于進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練； 若未達(dá)到預(yù)置的精度范圍，則進(jìn)行進(jìn)一步歸一化處理。10. 根據(jù)權(quán)利要求9所述的方法，其特征在于，所述根據(jù)所述數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行 訓(xùn)練，包括： 判斷所述局部數(shù)據(jù)是否滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)； 若滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)采用列文伯 格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)； 若不滿(mǎn)足足夠的置信空間，且相關(guān)性不在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)進(jìn)行屬性降 維處理。11. 根據(jù)權(quán)利要求10所述的方法，其特征在于，所述若滿(mǎn)足足夠的置信空間，且相關(guān)性 在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)采用列文伯格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí) 之后，所述方法還包括： 判斷網(wǎng)絡(luò)穩(wěn)定性與收斂速度是否達(dá)到第一預(yù)置值； 若所述網(wǎng)絡(luò)穩(wěn)定性與收斂速度未達(dá)到第一預(yù)置值，則選取級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù) 所述級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。12. 根據(jù)權(quán)利要求11所述的方法，其特征在于，所述若所述網(wǎng)絡(luò)穩(wěn)定性與收斂速度未 達(dá)到第一預(yù)置值，則選取級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù)所述級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn) 數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化之后，所述方法還包括： 判斷訓(xùn)練耗時(shí)與MSE是否達(dá)到第二預(yù)置值； 若未達(dá)到第二預(yù)置值，則重新進(jìn)行所述網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。13. -種基于神經(jīng)網(wǎng)絡(luò)的短波中值場(chǎng)強(qiáng)預(yù)測(cè)裝置，其特征在于，包括： 生成模塊，用于根據(jù)用戶(hù)需求生成對(duì)應(yīng)的用戶(hù)指令，并根據(jù)所述用戶(hù)指令選取短波場(chǎng) 強(qiáng)預(yù)測(cè)的數(shù)據(jù)集； 訓(xùn)練模塊，用于根據(jù)所述數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 預(yù)測(cè)模塊，用于根據(jù)所述用戶(hù)指令，通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)短波中值場(chǎng)強(qiáng) 進(jìn)行預(yù)測(cè)。14. 根據(jù)權(quán)利要求13所述的裝置，其特征在于，所述裝置還包括： 判斷模塊，用于根據(jù)所述用戶(hù)指令選取短波場(chǎng)強(qiáng)預(yù)測(cè)的數(shù)據(jù)集，判斷所述數(shù)據(jù)集是否 滿(mǎn)足模型傳輸損耗影響因素； 處理模塊，用于若滿(mǎn)足所述模型傳輸損耗影響因素，則根據(jù)所述數(shù)據(jù)集進(jìn)行歸一化處 理； 丟棄模塊，用于若不滿(mǎn)足所述模型傳輸損耗影響因素，則丟棄所述數(shù)據(jù)集。15. 根據(jù)權(quán)利要求14所述的裝置，其特征在于，所述裝置還包括選取模塊， 所述判斷模塊，還用于判斷所述歸一化處理后，均方誤差MSE是否達(dá)到預(yù)置的精度范 圍； 所述選取模塊，用于若達(dá)到預(yù)置的精度范圍，則從所述數(shù)據(jù)集中選取局部數(shù)據(jù)用于進(jìn) 行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練； 所述處理模塊，還用于若未達(dá)到預(yù)置的精度范圍，則進(jìn)行進(jìn)一步歸一化處理。16. 根據(jù)權(quán)利要求15所述的裝置，其特征在于，所述訓(xùn)練模塊包括： 判斷單元，用于判斷所述局部數(shù)據(jù)是否滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間 內(nèi)； 學(xué)習(xí)單元，用于若滿(mǎn)足足夠的置信空間，且相關(guān)性在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù)據(jù)采 用列文伯格-馬夸爾特法LM進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)； 處理單元，用于若不滿(mǎn)足足夠的置信空間，且相關(guān)性不在預(yù)置區(qū)間內(nèi)，則對(duì)所述局部數(shù) 據(jù)進(jìn)行屬性降維處理。17. 根據(jù)權(quán)利要求16所述的裝置，其特征在于，所述訓(xùn)練模塊還包括優(yōu)化單元， 所述判斷單元，還用于判斷網(wǎng)絡(luò)穩(wěn)定性與收斂速度是否達(dá)到第一預(yù)置值； 所述優(yōu)化單元，用于若所述網(wǎng)絡(luò)穩(wěn)定性與收斂速度未達(dá)到第一預(yù)置值，則選取級(jí)聯(lián)神 經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù)所述級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu) 化。18. 根據(jù)權(quán)利要求17所述的裝置，其特征在于， 所述判斷單元，還用于判斷訓(xùn)練耗時(shí)與MSE是否達(dá)到第二預(yù)置值； 所述優(yōu)化單元，還用于若未達(dá)到第二預(yù)置值，則重新進(jìn)行所述網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。
【文檔編號(hào)】G06N3/02GK105989407SQ201510074683
【公開(kāi)日】2016年10月5日
【申請(qǐng)日】2015年2月12日
【發(fā)明人】陳迎春, 孫昱, 張靜, 董芳, 杜劍平, 童珉, 冉曉旻, 莫有權(quán), 張暉, 馬博強(qiáng), 翟龍飛
【申請(qǐng)人】中國(guó)人民解放軍信息工程大學(xué)