[发明专利]一种电磁波频率预测方法及装置

权利要求书

1.一种电磁波频率预测方法，其特征在于，包括如下步骤：

步骤S1，基于电离层经验模型获取电离层的f0F2数据；

步骤S2，根据f0F2数据构建训练样本，并将所述训练样本分为训练集和测试集；

步骤S2中根据f0F2数据构建训练样本的具体实现包括，

针对每天各个时刻的f0F2数据，以纬度为行以经度为列构建f0F2数据对应的矩阵；

根据各个矩阵，将当前天的f0F2数据对应的矩阵作为模型输入数据，将当前天的下一天的f0F2数据对应的矩阵作为模型输出数据，将模型输入数据与模型输出数据的集合作为样本数据，进而得到若干个训练样本；

所述以纬度为行以经度为列构建f0F2数据对应的矩阵，包括：

针对每一时刻，以纬度为行以经度为列构建f0F2数据对应的初始矩阵；

将初始矩阵的进行列对调、末行补零、首末列合并处理，得到所述时刻的目标矩阵；

将同一天中各个时刻的目标矩阵进行组合，得到每一天的f0F2数据对应的矩阵；

步骤S3，利用编码器、LSTM网络以及解码器依次串联构建神经网络模型，包括：

按照3D卷积层、3D最大值池化层的顺序将一个3D卷积层以及一个3D最大值池化层串联为一组；将三组顺序串联得到编码器；

按照3D反卷积层、3D上采样层的顺序将一个3D反卷积层以及一个3D上采样层串联为一组；将三组顺序串联得到解码器；

然后将编码器、LSTM网络以及解码器依次串联构建神经网络模型，此外LSTM网络后面还添加了一个批次归一化网络层，解码器之后还添加一个卷积层用于将结果输出；

步骤S4，利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测；

所述利用训练集训练神经网络模型，直至收敛，得到目标网络模型，包括：

利用训练集训练神经网络模型，获取当前次迭代时神经网络模型对应的损失值，并根据验证集判断该损失值是否小于预设阈值；损失值的计算公式如下，其中，

Y为训练样本中的实际输出值，是网络在输入为X情况下的预测输出值，E表示期望；

若是，将当前次迭代后的神经网络模型作为目标模型；

若否，利用Adamax优化器进行模型训练参数的寻优，利用寻优后的参数更新当前次迭代后的神经网络模型，并返回执行所述利用训练集训练神经网络模型的步骤，直至收敛，得到目标网络模型，其中，所述参数包括：每一层网络的滤波器个数、每轮迭代的批次大小中的一种或组合。

2.根据权利要求1所述的一种电磁波频率预测方法，其特征在于：步骤S1的具体实现包括，

基于IRI模型生成在预先设定的高度下，各个经度、纬度以及时刻时对应的总电子含量；

根据总电子含量TEC，利用公式，计算预先设定的高度、经度、纬度以及时刻时的f0F2数据。

3.根据权利要求2所述的一种电磁波频率预测方法，其特征在于：计算设定的高度、经度、纬度以及时刻时的f0F2数据的具体实现方式如下，

S103，在T1时间，首先固定纬度值，分别将经度设置为0°、5°、…、360°，每次递增5°，计算得到该时刻和固定纬度下不同经度的f0F2数据，得到共计73个频率数据；

S104，然后固定经度值，分别将纬度设置为360°、357.5、355、…，每次递减2.5°，直到纬度减小到步骤S103中固定的纬度值，停止计算；

S105，把步骤S103和步骤S104中的数据按照生成的顺序依次写入同一个文件中，即可得到T1时间的全球f0F2的分布；

S106，以一个小时为步长，继续执行S103-S106步骤，直到某一时间结束生成一个时间段内的全球f0F2的分布数据。

4.根据权利要求1所述的一种电磁波频率预测方法，其特征在于：卷积层的卷积核大小为(5,5,5)，池化层的大小为(1,2,2)。