基于LSTM網(wǎng)絡(luò)的短波天波信道分析及預(yù)測?

趙四方 馬啟原 李鐵楠

（1.中國人民解放軍92785部隊 綏中 125200）（2.中國人民解放軍91404部隊 秦皇島 066001）

1 引言

短波通信具有開通快，抗毀性強(qiáng)和維護(hù)費(fèi)用低的特點(diǎn)，各國軍隊均進(jìn)行了廣泛的研究。遠(yuǎn)距離短波通信主要是依靠天波傳播的，其通信效果與電離層的變化特性有關(guān)，而電離層的反射特性是隨著時間、地點(diǎn)、頻率、季節(jié)、年份等不斷地變化的，屬于時變色散信道，一天之中的變化也是很大，它同時具有時間、頻率、空間三種選擇性衰落，且受太陽活動周期影響，這給短波通信資源的調(diào)度使用帶來了很大的不確定性。針對頻率的預(yù)測主要采用電離層預(yù)報模型。然而，傳統(tǒng)電離層的預(yù)報模型無法針對確定的天波電路模型進(jìn)行分析。在具體短波天波通信時，迫切需要一種可以實(shí)現(xiàn)點(diǎn)對點(diǎn)的天波電路精準(zhǔn)分析預(yù)測的模型［1～2］。

近幾年海軍的遠(yuǎn)海活動次數(shù)不斷增加，積累了大量的遠(yuǎn)海短波通信數(shù)據(jù)，反映了我海軍當(dāng)前情況下真實(shí)的通信技術(shù)水平。在傳統(tǒng)理論計算方法與探測評估方法未能發(fā)揮需求作用的情況下，采用人工智能的方法，實(shí)現(xiàn)對歷史通信數(shù)據(jù)的有效利用，從歷史數(shù)據(jù)中總結(jié)出短波通信信道蘊(yùn)藏的通信規(guī)律，探索基于人工智能技術(shù)輔助的通信組織方法，可為海軍短波通信資源調(diào)度使用提供輔助決策支撐。

2 相關(guān)概述

短波的天波通信是通過電離層的反射實(shí)現(xiàn)遠(yuǎn)距離通信，電離層是影響短波天波通信質(zhì)量的關(guān)鍵，其中包括電離層的晝夜特征、太陽黑子數(shù)目變化，工業(yè)電氣電磁噪聲等［3］。電離層參數(shù)預(yù)報方法很多，其中國際參考電離層模型IRI因其用途的廣泛性和在電離層研究領(lǐng)域的重要性，成為為電離層參數(shù)的國際技術(shù)標(biāo)準(zhǔn)。然而，傳統(tǒng)電離層的預(yù)報模型無法針對確定的天波電路模型進(jìn)行分析［4］。在具體短波天波通信時，迫切需要一種可以實(shí)現(xiàn)點(diǎn)對點(diǎn)的天波電路精準(zhǔn)分析預(yù)測的模型。為此文獻(xiàn)［5～7］均通過使用神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)短波天波信道的頻率預(yù)測。然而，以上文獻(xiàn)所使用的神經(jīng)網(wǎng)絡(luò)算法均不具有記憶性，無法對隨時間序列變化的模型進(jìn)行有效研究，因而無法得出天波電路的慢變化與快變化規(guī)律。

本文采用多層神經(jīng)網(wǎng)絡(luò)算法，第一層長短期記憶網(wǎng)絡(luò)（Long Short-Team Memory，LSTM），是時間遞歸的神經(jīng)網(wǎng)絡(luò)，屬于遞歸神經(jīng)網(wǎng)絡(luò)中的一類，較BP神經(jīng)網(wǎng)絡(luò)具有記憶性，更易處理與時間序列相關(guān)的問題。在LSTM網(wǎng)絡(luò)中存在三個邏輯門，分別為輸入門，輸出門與遺忘門。邏輯門通過固定的計算方法，分別實(shí)現(xiàn)LSTM網(wǎng)絡(luò)基本神經(jīng)結(jié)構(gòu)Cell對信息的接收，輸出與遺忘三個過程［8］。由于LSTM網(wǎng)絡(luò)具有遞歸性，選擇性輸入與輸出的特征，符合短波天波通信過程中分析信道變化性時的時間迭代性要求。

第二層深度神經(jīng)網(wǎng)絡(luò)［9］（Deep Neural Network，DNN）是在感知機(jī)的基礎(chǔ)上組成，在網(wǎng)絡(luò)中加入了隱藏層，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的多元輸入與多元輸出。深度神經(jīng)網(wǎng)絡(luò)按照結(jié)構(gòu)劃分為輸入層，隱藏層與輸出層。深度神經(jīng)網(wǎng)絡(luò)中，每個感知機(jī)之間互相連接，故深度神經(jīng)網(wǎng)絡(luò)又稱為全連接網(wǎng)絡(luò)［11］。本文中，DNN層作用是將LSTM層高維度堆疊序列轉(zhuǎn)化為與樣本相同的標(biāo)準(zhǔn)輸出序列，從而得到短波天波電路變化規(guī)律的預(yù)測結(jié)果。

在多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，為避免梯度下降時達(dá)到局部極值點(diǎn)，使用小批量梯度下降法優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程，利用Adam方法優(yōu)化訓(xùn)練器，并在該方法下測試平方和誤差函數(shù)與交叉熵誤差函數(shù)，以確定合適的損失函數(shù)。為避免模型出現(xiàn)過擬合現(xiàn)象，訓(xùn)練過程中設(shè)置神經(jīng)元以一定概率不參與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

3 多層神經(jīng)網(wǎng)絡(luò)的短波天波電路建模原理

神經(jīng)網(wǎng)絡(luò)將短波天波電路的通信過程視作“黑箱”分析。由于發(fā)方固定站的通信設(shè)備參數(shù)資料不易獲取，故僅考慮接收方站相關(guān)參數(shù)變量。其中短波天波模型的無關(guān)變量為接收機(jī)地點(diǎn)、接收機(jī)型號以及接收天線型號；有關(guān)變量包括發(fā)射機(jī)位置，接收日期、接收時間、接收功率與接收信號強(qiáng)度。其中日期與接收時間兩個變量在模型建模中各自分開作為一個單獨(dú)變量，在變化規(guī)律分析過程中作為一個整體變量。本方案中，數(shù)據(jù)預(yù)處理，經(jīng)過LSTM網(wǎng)絡(luò)與DNN網(wǎng)絡(luò)計算輸出結(jié)果。模型根據(jù)預(yù)測值與真實(shí)值的誤差結(jié)果確定神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù)。最終與其他短波預(yù)測軟件進(jìn)行比較，得出結(jié)論。流程如圖1所示。

圖1 方案流程圖

3.1 數(shù)據(jù)采集

方案通過查找國際短波頻率表，定位發(fā)信臺站的發(fā)信頻率及時間，通過接收設(shè)備接收模擬進(jìn)行短波通信過程，并對接收信號進(jìn)行記錄。其中記錄的主要內(nèi)容包括：

1）信號的通信頻率，其頻率范圍為3MHz～30MHz。

2）信號的接收帶寬，按照國際標(biāo)準(zhǔn)，信號的接收帶寬設(shè)置為3.3kHz，頻率劃分成為8100個不同的信道。

3）信號的采集周期，信號的采集周期根據(jù)采集時間變化。

4）信號的采集時間段。

5）信號的接收功率，接收信號功率單位為dBm。

將采集到的信號按照時間序列排列，將樣本數(shù)據(jù)進(jìn)行正則化處理。

3.2 神經(jīng)網(wǎng)絡(luò)權(quán)值初始化方案

隱層神經(jīng)元的權(quán)值初始值決定了神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)和是否能達(dá)到梯度最小值的情況。

神經(jīng)網(wǎng)絡(luò)隱層權(quán)重的迭代過程會因?yàn)榧せ詈瘮?shù)不同而存在梯度消失（Vanishing Gradient Problem）和梯度爆炸（Exploding Gradient Problem）情況。由于logistic函數(shù)的均值總是大于0，導(dǎo)致隱層神經(jīng)元趨于飽和，使用Xavier［12］方法，要求神經(jīng)元的初始值應(yīng)服從：

假設(shè)偏置為0，輸入為1，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率為η，求得神經(jīng)網(wǎng)絡(luò)迭代公式為

LSTM網(wǎng)絡(luò)使用logistic函數(shù)σ，神經(jīng)網(wǎng)絡(luò)權(quán)值為W ，偏置為b，輸入為X，故公式為

其中nin與nout表示輸入層神經(jīng)元個數(shù)與輸出層神經(jīng)元個數(shù)。神經(jīng)網(wǎng)絡(luò)偏置b的維度為（1，n），其中n代表下一神經(jīng)層中神經(jīng)元個數(shù)，偏置b的分布可以不做要求。

3.3 神經(jīng)網(wǎng)絡(luò)損失函數(shù)

神經(jīng)網(wǎng)絡(luò)的權(quán)值優(yōu)化過程首先需要確定損失函數(shù)。損失函數(shù)包括平方和誤差函數(shù)（error sum of squares）與交叉熵?fù)p失函數(shù)（cross-entropy error）。

假設(shè)y?表示神經(jīng)網(wǎng)絡(luò)輸出值，y表示真實(shí)值，平方和誤差函數(shù)l的公式為

3.4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練器優(yōu)化方案

優(yōu)化器選擇Adam（Adaptive Moment Estimation，Adam）方法。其結(jié)合了Monentum和RMSProp的優(yōu)化方法，保留了梯度下降時的動量保持情況，同時其利用梯度的一階矩陣估計與二階矩陣估計動態(tài)調(diào)整不同參數(shù)的學(xué)習(xí)速率［10～11］。假設(shè)其保持動量的能力為β1，一般情況下β1=0.9；梯度的二階估計為s，衰減速率為β2，一般情況下β2=0.999；?表示元素乘法，?表示元素除法，?為平滑變量，防止出現(xiàn)除以0的情況，一般情況下?=10-8。公式為

在訓(xùn)練過程中采用小批量梯度下降算法（Mini-batch Gradaient Descent）。小批量梯度算法將數(shù)據(jù)劃分為多個不重合的數(shù)據(jù)子集，每一個子集作為一組訓(xùn)練集進(jìn)行訓(xùn)練。相較于梯度下降算法，小批量梯度下降算法在訓(xùn)練模型時具有更高的訓(xùn)練效率與速度。

3.5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括時序（Sequence）與隱層神經(jīng)網(wǎng)絡(luò)（Hidden Layer）結(jié)構(gòu)。隱層神經(jīng)網(wǎng)絡(luò)數(shù)目和神經(jīng)元數(shù)目根據(jù)具體要求分為兩種情況。根據(jù)網(wǎng)絡(luò)的復(fù)雜度不同，神經(jīng)網(wǎng)絡(luò)層數(shù)可以選擇平行關(guān)系的設(shè)計思路和遞進(jìn)關(guān)系的設(shè)計思路。本文采用遞進(jìn)關(guān)系設(shè)計的多層神經(jīng)網(wǎng)絡(luò)，其中第一層LSTM層用于短波天波模型的時間變化規(guī)律分析；第二層采用深度神經(jīng)網(wǎng)絡(luò)，用于對第一層輸出結(jié)果的抽取與標(biāo)準(zhǔn)化處理。其中LSTM神經(jīng)網(wǎng)絡(luò)在多層神經(jīng)網(wǎng)絡(luò)中發(fā)揮核心作用。

為了降低模型的過擬合風(fēng)險，提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速率，采用Dropout Regularization的方法有效提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率。Dropout Regularization實(shí)質(zhì)是在每一次訓(xùn)練中，除輸出層以外的神經(jīng)元都以概率p不參與神經(jīng)網(wǎng)絡(luò)的計算，鑒于每次有部分神經(jīng)元不參與訓(xùn)練，故使得每個參與訓(xùn)練的神經(jīng)元泛化性與神經(jīng)元之間的合作更為緊密，對數(shù)據(jù)的細(xì)微變化不過于敏感。一般情況下p=0.5，實(shí)際工程中將根據(jù)模型反饋結(jié)構(gòu)進(jìn)行適當(dāng)調(diào)整［13～14］。

4 短波天波電路的多層神經(jīng)網(wǎng)絡(luò)模型

4.1 數(shù)據(jù)準(zhǔn)備及預(yù)處理

樣本數(shù)據(jù)經(jīng)正則化處理后，選擇每組樣本數(shù)據(jù)的序列長度，并將樣本數(shù)據(jù)劃分為訓(xùn)練集

與測試集，滿足數(shù)據(jù)量比例為2：1。其中訓(xùn)練集數(shù)據(jù)分為兩組，一組為X數(shù)據(jù)，另一組為Y數(shù)據(jù)，測試集數(shù)據(jù)劃分方法同訓(xùn)練集數(shù)據(jù)。劃分算法如下。

輸入：樣本數(shù)據(jù)data

輸出：訓(xùn)練集train_X，train_Y，測試集test_X，test_Y

步驟：（1）讀取樣本數(shù)據(jù)data；

（2）樣本數(shù)據(jù)正則化處理，得到數(shù)據(jù)normalized_data；

（3）計算訓(xùn)練集數(shù)據(jù)長度 L1，測試集數(shù)據(jù)長度L2；

（4）for(索引=0，索引＜ L1-序列長度-1，索引=索引+1){

數(shù)組X=normalized_data[索引：索引+序列長度]；

數(shù)組Y=normalized_data[索引+1：索引+序列長度+1]；

添加一組X數(shù)據(jù)于train_X列表中；

添加一組Y數(shù)據(jù)于train_Y列表中；

}；

（5）for(索引=L1，索引＜ L1+L2-序列長度-1，索引=索引+1){

數(shù)組X=normalized_data[索引：索引+序列長度]；

數(shù)組Y=normalized_data[索引+1：索引+序列長度+1]；

添加X數(shù)據(jù)于test_X列表中；

添加Y數(shù)據(jù)于test_Y列表中；

}；

（6）更改train_X，test_X維度[-1，序列長度，輸入數(shù)據(jù)長度]；

更改train_Y，test_Y維度[-1，序列長度，輸出數(shù)據(jù)長度]；

4.2 LSTM神經(jīng)網(wǎng)絡(luò)搭建及訓(xùn)練

本方案采用四層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，按次序分別為輸入層（input_layer），隱層神經(jīng)網(wǎng)絡(luò)1（hidden_layer1），隱層神經(jīng)網(wǎng)絡(luò)2（hidden_layer2）與輸出層。其中輸入層輸入數(shù)據(jù)為train_X或test_X，通過神經(jīng)網(wǎng)絡(luò)計算得到預(yù)測數(shù)據(jù)，通過損失函數(shù)與梯度下降算法實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化。將準(zhǔn)備的數(shù)據(jù)劃分為多個子數(shù)據(jù)集，使用Mini-batch算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練。

輸入層神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中使用Dropout方法，設(shè)置輸入神經(jīng)元的損失概率為20%。在測試過程中輸入層神經(jīng)元為全連接狀態(tài)。隱層神經(jīng)網(wǎng)絡(luò)1結(jié)構(gòu)為LSTM神經(jīng)網(wǎng)絡(luò)層，通過循環(huán)方法設(shè)定不同Cell個數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。設(shè)置Cell層使用Elu激活函數(shù)，隱層神經(jīng)網(wǎng)絡(luò)2結(jié)構(gòu)為深度神經(jīng)網(wǎng)絡(luò)，使用Xavier方法，使初始化神經(jīng)網(wǎng)絡(luò)權(quán)值符合截斷正態(tài)分布，并設(shè)定初始偏置為0.1，并將結(jié)果送入輸出層中。由輸出層輸出最終結(jié)構(gòu)并送入損失函數(shù)中，通過Adam算法對梯度流進(jìn)行反向計算并更新。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法如下所示。

輸入：訓(xùn)練集數(shù)據(jù)train_X,train_y，序列長度，學(xué)習(xí)速率，批量訓(xùn)練組數(shù)

輸出：訓(xùn)練模型

步驟：（1）for(訓(xùn)練輪數(shù)=0，訓(xùn)練輪數(shù)＜=20000，訓(xùn)練輪數(shù)=訓(xùn)練輪數(shù)+1){

for(迭代=0，迭代＜批量訓(xùn)練組數(shù)，迭代=迭代+1){

2.1.2 準(zhǔn)確度試驗(yàn) 在未知土壤樣品中分別加入一定量的鋅、銅和鉻標(biāo)準(zhǔn)溶液，進(jìn)行加標(biāo)回收試驗(yàn)來驗(yàn)證方法的準(zhǔn)確度。經(jīng)測定，該方法鋅的回收率在98.0%～109.0%，銅的回收率在 92.0%～103.0%，鉻的回收率在95.0%～107.2%，準(zhǔn)確度可以滿足試驗(yàn)要求。

（2）#輸入層神經(jīng)網(wǎng)絡(luò)

X_drop=Dropout(train_X)；

（3）#隱層神經(jīng)網(wǎng)絡(luò)1

Cell=LSTMCell(神經(jīng)元個數(shù))；

Cell=Dropout(Cell)；

Output1=LSTM算法(Cell,X_drop,激活函數(shù)=ELU)

（4）#隱層神經(jīng)網(wǎng)絡(luò)2

初始化權(quán)值W；

Output2=Output1×W+B；

（5）#輸出層

y_pred=更新Output2維度為[-1，序列長度，

輸出長度]

（6）損失值=損失函數(shù)(train_Y，y_pred)；

（7）Adam(學(xué)習(xí)速率)最小化損失值；

}；

}；

5 短波天波電路模型評估

5.1 模型評估方案

模型評估指標(biāo)應(yīng)具有代表性、客觀性與科學(xué)性。是對不同參數(shù)的神經(jīng)網(wǎng)絡(luò)對短波天波電路的規(guī)律分析結(jié)果與預(yù)測結(jié)果進(jìn)行分析判斷，最終得出最優(yōu)模型的過程。應(yīng)以短波天波電路的變化規(guī)律分析主要是根據(jù)計算不同模型相對最低點(diǎn)誤差之間的間隔進(jìn)行分析，若為等比例間隔則表明短波天波電路時間變化規(guī)律與序列間隔時間成整數(shù)倍關(guān)系。在判斷短波天波電路規(guī)律后，針對功率預(yù)測的最優(yōu)模型評估主要有以下三個標(biāo)準(zhǔn)：

1）模型的訓(xùn)練集誤差與測試集誤差相對較低。

2）模型的預(yù)測結(jié)果可以大致反映未來一段時間內(nèi)短波天波電路的變化趨勢。

3）不同模型在前兩條條件大致相同的情況下，將選擇訓(xùn)練時間代價小的模型作為最優(yōu)模型。

根據(jù)模型的評估方法將確定最優(yōu)短波電路模型，并同短波預(yù)測軟件進(jìn)行對比，得出多層神經(jīng)網(wǎng)絡(luò)短波電路模型的優(yōu)劣之處。

5.2 模型評估

5.2.1 9.75MHz電路評估

9750MHz為日本NHK廣播電臺信號，臺站位于日本東京市。數(shù)據(jù)收集了臺站5月21日至5月25日1900～2300接收機(jī)接收信號強(qiáng)度，接收規(guī)律為30s，接收數(shù)據(jù)2408條。對數(shù)據(jù)進(jìn)行等間隔抽樣處理，間隔為180s，得到數(shù)據(jù)401條。數(shù)據(jù)預(yù)處理后如圖2所示。

圖2 9.75MHz接收信號強(qiáng)度預(yù)處理

將數(shù)據(jù)劃分為訓(xùn)練集和測試集后送入神經(jīng)網(wǎng)絡(luò)中。設(shè)定信號的序列長度為5、10、15、20與25，則對應(yīng)接收信號序列為 15min、30min、45min、60min與75min。設(shè)定LSTM Cell個數(shù)為2、5、10與20。為便于數(shù)據(jù)展示對不同模型進(jìn)行編號。損失函數(shù)為平方和誤差函數(shù)則不同模型對應(yīng)的測試集誤差，如表1～2所示。

表1 訓(xùn)練集誤差

多次重復(fù)實(shí)驗(yàn)結(jié)果表明，模型具有良好的收斂效果，且能反映出短波天波電路變化趨勢，圖2表示了5月23日1900～2300短波天波電路的實(shí)測值，短波預(yù)報軟件的預(yù)報值與神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值。其中橫坐標(biāo)為數(shù)據(jù)采樣點(diǎn)，縱坐標(biāo)為正則化處理后的功率值。經(jīng)對比發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果相較于短波預(yù)測軟件結(jié)果更加貼近實(shí)測數(shù)據(jù)的變化情況，且相對誤差較小，預(yù)測精度高于短波預(yù)報軟件。

圖3 軟件預(yù)測，神經(jīng)網(wǎng)絡(luò)預(yù)測與真實(shí)值比較

圖3 所反映的測試結(jié)果是訓(xùn)練集數(shù)據(jù)為5月21日至5月22日的實(shí)測數(shù)據(jù)。若使用5月21日至5月23日實(shí)測數(shù)據(jù)預(yù)測5月24日，經(jīng)過模型測試誤差有所上升，故得知9.75MHz短波天波電路的日變化規(guī)律大約為3天。

5.2.2 6.03MHz電路評估

6.03 MHz為中國國際廣播電視臺一臺，臺站位于北京。數(shù)據(jù)收集了臺站6月1日至6月3日0900-1000接收機(jī)接收信號強(qiáng)度，接收規(guī)律為3分鐘，接收數(shù)據(jù)119條。經(jīng)數(shù)據(jù)預(yù)處理后如圖4所示。

圖4 9.75MHz接收信號強(qiáng)度預(yù)處理

將數(shù)據(jù)劃分為訓(xùn)練集和測試集后送入神經(jīng)網(wǎng)絡(luò)中。設(shè)定信號的序列長度為5、10、15、20與25，則對應(yīng)接收信號序列為 15min、30min、45min、60min與75min。設(shè)定LSTM Cell個數(shù)為2、5、10與20。為便于數(shù)據(jù)展示對不同模型進(jìn)行編號。損失函數(shù)為平方和誤差函數(shù)則不同模型對應(yīng)的測試集誤差，如表3所示。

表3 訓(xùn)練集誤差

表4 測試集誤差

多次重復(fù)實(shí)驗(yàn)結(jié)果表明，模型具有良好的收斂效果，且能反映出短波天波電路變化趨勢，適合6.03MHz電路模型。圖4表示了6月2日0900-1000短波天波電路的真實(shí)值，短波預(yù)報軟件的預(yù)報值與神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值。其中橫坐標(biāo)為數(shù)據(jù)采樣點(diǎn)，縱坐標(biāo)為正則化處理后的功率值。經(jīng)對比發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果相較于短波預(yù)測軟件結(jié)果更加貼近實(shí)測數(shù)據(jù)的變化情況，且相對誤差較小，預(yù)測精度遠(yuǎn)高于短波預(yù)報軟件。

圖5 軟件預(yù)測，神經(jīng)網(wǎng)絡(luò)預(yù)測與真實(shí)值比較

圖5 所反映的測試結(jié)果是訓(xùn)練集數(shù)據(jù)為6月1日實(shí)測數(shù)據(jù)。若使用6月1日至6月2日實(shí)測數(shù)據(jù)預(yù)測6月3日，經(jīng)過模型測試誤差有所上升，故得知6.03MHz短波天波電路的日變化規(guī)律大約為2天。

6 結(jié)語

本文討論了時間因素對短波天波通信電路質(zhì)量的影響，結(jié)合神經(jīng)網(wǎng)絡(luò)原理與算法，構(gòu)建了擬合短波天波電路通信的模型。采集了短波天波電路在不同距離、不同方向與不同距離的通信數(shù)據(jù)。將采集的數(shù)據(jù)送入優(yōu)化后的多層神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)算，調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)，最終擬合出適用于不同短波天波通信電路的模型，分析得到了電路時序的日變化與分鐘變化的規(guī)律性，并對其進(jìn)行預(yù)測，并同實(shí)測值與現(xiàn)有短波預(yù)測軟件預(yù)測結(jié)果進(jìn)行比較，證明模型在預(yù)測的精度上高于現(xiàn)有短波預(yù)測軟件，并驗(yàn)證了多層神經(jīng)網(wǎng)絡(luò)可用于短波天波電路建模中。

其中重點(diǎn)完成了使用該短波天波電路下的最優(yōu)參數(shù)神經(jīng)網(wǎng)絡(luò)模型，根據(jù)不同天數(shù)的采集數(shù)據(jù)重新劃分訓(xùn)練集與測試集，調(diào)整訓(xùn)練集與測試集比例，分析電路的天變化規(guī)律，并將預(yù)測結(jié)果同現(xiàn)有短波預(yù)測軟件與測試集數(shù)據(jù)相比較，分析電路模型的優(yōu)劣。

在本文中也存在一些不足：1）實(shí)驗(yàn)過程中模擬通信過程不能完全模擬正常通信，無法對通信的時間段，通信方式以及發(fā)方功率進(jìn)行調(diào)整；2）通信數(shù)據(jù)數(shù)量不足；3）固定參數(shù)模型容易受到其他無關(guān)變量的影響。