[发明专利]一种基于图形模型的跳频序列预测系统

权利要求书

1.一种基于图形模型的跳频序列预测系统，其特征在于，通过相空间重构建立的基于图形模型的跳频序列预测系统包括：

预处理模块，对截获的原始跳频序列进行去噪、去带宽等，选取适量的一段跳频序列{x_i},i=1,2,…,N作为模型构建的训练集数据，把训练集数据后面相邻的M个跳频码作为模型检验数据；

预测模块，与所述预处理模块连接，用于重构相空间和构建预测模型；

反馈调整模块，与所述预处理模块和预测模块连接，用于精度检测，反馈与模型调整。

2.如权利要求1所述的基于图形模型的跳频序列预测系统，其特征在于，重构相空间所需的嵌入维数m和时间延迟τ分别采用Cao方法和自相关法求解。

3.如权利要求1所述的基于图形模型的跳频序列预测系统，其特征在于，构建预测模型所需的贝叶斯网局部络构由基于MMPC的改进算法学习查询节点的马尔科夫边界而获得。

4.如权利要求1所述的基于图形模型的跳频序列预测系统，其特征在于，所述预处理模块还包括：

用侦察接收机截获原始跳频序列的跳频序列数据收集单元；

用于去除原始跳频序列噪声、带宽的数据处理单元，与所述跳频序列数据收集单元连接；

经过归一化得到的用于重构相空间和构建模型的训练集数据单元，与所述数据处理单元连接；

用于预测精度检测、反馈与模型调整的检测模型检验数据单元，与所述数据处理单元连接；

经相空间τ步延拓得到的用于预测的证据数据单元，与所述训练集数据单元连接。

5.如权利要求1所述的基于图形模型的跳频序列预测系统，其特征在于，所述预测模块还包括：

利用训练集数据学习获得的相空间数据单元，与所述训练集数据单元连接；

在相空间重构基础上，经过局部结构学习和参数学习得到的贝叶斯网络单元，与所述相空间数据单元连接；

利用贝叶斯网络模型预测跳频序列的预测数列单元，与所述贝叶斯网络单元和证据数据单元连接。

6.一种基于图形模型的跳频序列预测方法，其特征在于，所述跳频序列预测方法包括以下步骤：

步骤1，对截获的原始跳频序列进行去噪、去带宽等，选取适量的一段跳频序列{x_i},i=1,2,…,N作为模型构建的训练集数据，把训练集数据后面相邻的M个跳频码作为模型检验数据；

步骤2，利用自相关法和Cao方法求重构相空间的时间延迟τ和嵌入维数m，然后根据这两个参数，把训练集数据重构成m×n维的矩阵作为相空间X，其中

X=x1x2...xnx1+τx2+τ...xn+τ............x1+(m-2)τx2+(m-2)τ...xn+(m-2)τx1+(m-1)τx2+(m-1)τ...xN,n=N-(m-1)τ]]>

作为用于贝叶斯网络学习的数据样本D，数据样本D的规模为n；

步骤3，基于MMPC的改进算法学习查询节点X_m的马尔科夫边界，再利用最大似然估计学习各节点的参数，最终获得用于多频点数跳频序列预测的局部贝叶斯网络；

步骤4，模型的预测步长η=τ，τ为时间延迟，依据贝叶斯后验推理算法，计算其中l的取值范围为1≤l≤η，即l是η步预测中预测的第l次预测，E(n+l)为查询节点X_m的马尔科夫边界集中各节点的取值。当P最大时，f_i就是x_N+l的预测值；

步骤5，在每η步预测结束后，保存预测的跳频码，并把模型检测数据中相应的的真实跳频码扩充为相点X(n+l)l=1,…,η，并添加到相空间中，更新网络参数，转到步骤4，直至训练集数据后面相邻的M个跳频码被预测后结束；

步骤6，利用模型检测数据检测模型预测精度，若达不到精度要求，反馈与模型调整，转到步骤3，若达到精度要求，即获得稳定的贝叶斯网络预测模型，用于跳频序列预测。