无线电监测电磁态势预测系统

摘要

本发明公开了无线电监测电磁态势预测系统，其特征在于：包括无线电电磁态势数据采集设备系统、台站数据库、无线电电磁态势指标参数预测系统、报警系统、网络通信系统和处理控制器；数据采集设备系统接收空中的电磁波，进行变换处理，产生电磁监测数据，包括扫频数据、语音数据、中频数据、信号方位数据等；无线电电磁态势指标参数预测系统首先根据这些监测数据计算出无线电态势指标参数，然后利用这些指标参数数据构建训练数据集，通过训练学，预测下一时刻这些参数的值；网络通信系统负责系统各模块之间，系统与外部其它设备之间的通信；处理控制器负责协调各个模块之间的处理调度，该预测系统防患于未然，提高现有无线电监测的水平，减少无线电干扰、管理滞后带来的损失。

主权项

无线电监测电磁态势预测系统，其特征在于：包括无线电电磁态势数据采集设备系统、台站数据库、无线电电磁态势指标参数预测系统、报警系统、网络通信系统和处理控制器；数据采集设备系统接收空中的电磁波，进行变换处理，产生电磁监测数据，包括扫频数据、语音数据、中频数据、信号方位数据；无线电电磁态势指标参数预测系统首先根据这些监测数据计算出无线电态势指标参数，然后利用这些指标参数数据构建训练数据集，通过训练学习，预测下一时刻这些参数的值；网络通信系统负责系统各模块之间，系统与外部其它设备之间的通信；处理控制器负责协调各个模块之间的处理调度；所述无线电电磁态势指标参数预测系统包括无线电态势指标参数计算模块，无线电态势数据预处理模块，无线电监测态势数据相空间重构模块，无线电态势指标参数预测模块；指标参数计算模块利用采集设备采集到无线电监测数据并计算出无线电态势指标参数；通过数据预处理模块剔除异常数据，使数据具有更好的一致性；通过相空间重构技术，将一维时序数据重构为多维相空间数据，可以用于学习训练；预测模块首先利用历史数据训练、学习模型参数，采用回归理论得到下一时刻的预测值；所述无线电态势数据预处理模块对得到的数据中的异常数据进行剔除，从而使原始数据更准确地反映电磁环境变化的趋势，异常数据是指异常大、异常小、缺失的数据；采用格拉布斯准则来处理异常数据，q(h,d)代表已经采集到的电磁态势指标参数序列，其中h表示采集日期中小时数，d表示数据的采集日期编号，格拉布斯准则认为满足|q(h,d)‑E(h)|≥G(n,a)σi的数据为异常数据应该剔除，其中$E\left(h\right)=\frac{1}{N}\underset{d=1}{\overset{N}{\Sigma }}q(h,d),D\left(h\right)={\sigma }_i^2\frac{1}{N}\underset{d=1}{\overset{N}{\Sigma }}{[q(h,d)-E\left(h\right)]}^2,$G(n，a)是取决于测量次数n和显著性水平a的残差值，a取0.01或0.05；对监测电磁态势数据样本按照上述方法进行异常值清除操作后，再用这些样本数据作为训练数据，训练回归参数，进行电磁环境态势参数指标预测；所述无线电态势指标参数预测模块，采用基于支持向量机回归理论的电磁环境态势预测技术，分别采用线性核函数、多项式核函数、径向基核函数、Sigmoid核函数和复合核函数及不同的参数来建立预测模型；系统使用相空间重构模块得到的相空间数据，根据已知时间序列确定训练数据，设当前时刻为n，时间序列长度为N，则训练数据可表示为：(Xn,xn+1),n＝1,2,...,N‑(m‑1)τ；应用支持向量机回归进行训练求得最佳模型f；对未来某时刻xt的预测值，以其相空间重构中前(m‑1)τ个变量作为输入，应用训练得到的支持向量机模型进行预报；所述无线电态势指标参数预测模块分为单步预测和连续预测，单步预测：选择测试样本输入，得到第一个预测点值，将第一点的预测点值加入原始输入集，进行第二个点的预测，依次类推，得到预测结果；连续预测：选择测试样本输入，得到第一个预测点值，将第一点的预测值加入原始输入集，进行第二个点的预测，依次类推，从而预测出未来一段时间电磁态势指标参数变化的趋势。