[发明专利]一种基于优化型小波神经网络的跳频序列预测方法

说明书

本发明公开了一种基于优化型小波神经网络的跳频序列预测方法，属于跳频序列预测方法领域；其包括步骤1：对跳频信号进行时域分析获取当前时刻的跳频序列；步骤2：将跳频序列进行预处理获取训练样本和测试样本；步骤3：将训练样本输入初始化后的神经网络依次进行DBSCAN聚类计算和权值优化完成训练；步骤4：将测试样本输入完成训练的神经网络进行预测，获取下一时刻的跳频序列；本发明解决了目前使用小波神经网络对不同的跳频序列进行预测时，网络训练过程中因无通用且有效的算法，导致无法自适应确定隐含层节点个数和小波平移因子初始值的问题，提高了相同隐含层节点网络的预测精度，加快了网络后续的学习速度，缩短了程序的运行时间。

技术领域

本发明属于跳频序列预测方法领域，尤其是一种基于优化型小波神经网络的跳频序列预测方法。

背景技术

跳频通信属于扩频通信的一种方式，是一个“多频、选码、频移键控”系统，具有灵活多变、多址容量大、频带利用率高和抗干扰能力强等特点，在军事通信和民用移动通信中都得到广泛的应用。对跳频序列的预测研究不仅能够实现对跳频信号的对准式干扰，降低功耗成本，对跳频信号盲接收性能的改善也起着至关重要的作用；因而，对跳频序列估计方法的研究已成为当今国内外跳频通信领域的一个热点话题，有效的预测结果将节省大量的干扰带宽和功率，并能大幅度提高干扰效果。

由于跳频序列的非线性特性，普通的拟合精度不够，预测数据与真实数据存在较大偏差。小波神经网络具有强大的非线性映射能力，同时还具有自适应、收敛速度快、强鲁棒性和高容错性等性质，因此它非常适合于跳频序列预测。神经网络应用的关键问题是网络参数学习和网络结构设计；相对于网络参数学习而言，神经网络结构设计要困难得多，至今还没有确定的方法可循；神经网络结构设计的关键在于：如何确定网络中隐含层节点的个数；小波神经网络包括输入层、隐含层和输出层；隐含层节点的作用是从样本中提取并存储其内在规律，在利用小波神经网络进行跳频序列预测的时候，神经网络训练过程中需要确定隐含层节点个数以及小波平移因子的初始值，现有技术中没有通用的、被认可的算法可以用来确定隐含层节点个数以及小波平移因子的初始值，导致网络训练过程中无法自适应确定两个参数；现有技术中有采用遗传算法确定隐含层节点个数以及小波平移因子的初始值，但遗传算法的算法复杂，导致计算时间长；遗传算法属于随机性算法，需要多次运算，稳定性差；算法采用寻优策略，容易陷入局部极小值；因此需要一种算法确定隐含层节点个数以及小波平移因子的初始值，完成使用小波神经网络对不同的跳频序列进行预测。

发明内容

本发明的目的在于：本发明提供了一种基于优化型小波神经网络的跳频序列预测方法，解决目前使用小波神经网络对不同的跳频序列进行预测时，网络训练过程中因无通用且有效的算法，导致无法自适应确定隐含层节点个数和小波平移因子初始值的问题。

本发明采用的技术方案如下：

一种基于优化型小波神经网络的跳频序列预测方法，包括如下步骤：

步骤1：对跳频信号进行时域分析获取当前时刻的跳频序列；

步骤2：将跳频序列进行预处理获取训练样本和测试样本；

步骤3：将训练样本输入初始化后的神经网络依次进行DBSCAN聚类计算和权值优化完成训练；

步骤4：将测试样本输入完成训练的神经网络进行预测，获取下一时刻的跳频序列。

所述步骤3包括如下步骤：

步骤3.1：将训练样本输入初始化后的神经网络进行DBSCAN聚类计算获取隐含层的节点个数和小波平移因子的初始值；

步骤3.2：基于训练样本、隐含层的节点个数和小波平移因子的初始值以及初始化的网络权值计算隐含层输出，计算如下：