申请/专利权人：中国电子科技集团公司第五十四研究所

申请日：2024-04-17

公开（公告）日：2024-06-25

公开（公告）号：CN118070230B

主分类号：G06F18/25

分类号：G06F18/25;G06F18/22;G06N3/0455;G06N3/0464;G06N3/048;G06N3/084;G01R23/16;G01R29/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.06.11#实质审查的生效;2024.05.24#公开

摘要：本发明公开了一种基于稠密自编码器的智能电磁频谱地图融合方法，属于电磁频谱感知及人工智能领域。本发明包括以下步骤：构建电磁频谱地图数据集，构建基于深度神经网络的稠密自编码器，通过数据训练获得深度神经网络参数和对部分观察结果实现智能融合。本发明面向将部分观察电磁频谱地图感知结果融合为全局电磁地图融合结果的需求，基于深度神经网络构建稠密自编码器实现融合能力。除此之外，本发明详细阐述了获取最佳训练模型的具体流程，自动化程度高。

主权项：1.一种基于稠密自编码器的智能电磁频谱地图融合方法，其特征在于，包括以下步骤：步骤1，构建电磁频谱地图数据集；具体方式为：步骤1-1，在观测区域中部署N个传感器，每个传感器均对观测区域的电磁态势进行感知，获得部分观察电磁频谱地图感知结果为，；单个感知结果为二维矩阵形式，矩阵维度为；第m次观测后，得到的部分观察电磁频谱地图感知结果特征样本为 其中，M为感知次数；经过M次观测后，得到特征集为 步骤1-2，导出用频设备参数并逐个分辨率测试电磁场强，获得第m次观测时的全局电磁频谱地图；经过M次观测后，得到标签集为 步骤1-3，按照切分比例，将特征集和标签集切分为特征训练集、标签训练集、特征验证集和标签验证集，其对应维度分别为、、和；步骤2，构建基于深度神经网络的稠密自编码器；具体方式为：步骤2-1，搭建特征提取网络模块；特征提取网络模块内部分为主路和支路，主路和支路均由Conv2d二维卷积层、ReLU非线性层、MaxPool2d池化层和ConvTranspose2d转置卷积层构成；步骤2-2，搭建融合网络模块；融合网络模块包含Dropout层、Linear全连接层和ReLU非线性层；步骤2-3，将特征提取网络模块和融合网络模块组合，并添加支线，从而构成稠密自编码神经网络，即稠密自编码器；步骤3，利用电磁频谱地图数据集对稠密自编码器进行训练；具体方式为：步骤3-1，设置优化函数、学习率、损失函数、相似度评估函数；其中，优化函数为Adam函数，损失函数为均方误差函数，相似度评估函数为余弦相似度函数；步骤3-2，从特征训练集和标签训练集中分别随机抽取条数据，其中小于等于，组成和；通过稠密自编码器映射，得到估计值；步骤3-3，利用损失函数衡量估计值和标签训练集之间的差距，并利用优化函数对网络参数进行优化；步骤3-4，通过稠密自编码器映射，利用特征验证集得到估计值；利用相似度评估函数评估估计值和标签验证集之间的相似度；步骤3-5，重复步骤3-2、步骤3-3和步骤3-4，记录重复次数step和之前迭代过程中所有相似度的最大值，如果本次迭代相似度大于之前迭代过程中所有相似度的最大值，则将本次相似度赋值给，并且保存对应的网络参数；如果本次迭代相似度小于等于之前迭代过程中所有相似度的最大值，则进一入下一次迭代，直到相似度的最大值所对应的重复次数step小于总重复次数一半时停止；步骤4，将步骤3得到的网络参数加载到稠密自编码器中；将实时获得的N个传感器的部分观察电磁频谱地图感知结果组成观测数据，将观测数据输入稠密自编码器，由稠密自编码器获得输出，即为全局电磁地图的融合结果。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所 一种基于稠密自编码器的智能电磁频谱地图融合方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD