[发明专利]基于优化的长短期记忆模型的单频点频谱预测方法

摘要

本发明公开了一种基于优化的长短期记忆模型的单频点频谱预测方法。该方法通过在该信道上测得的历史频谱数据挖掘出频谱数据间内在规律和关联，把握频谱状态的演变规律，从而预测将来时刻的频谱状态。步骤如下：构建数据集，滑动固定长度的窗口，下一个时隙的频谱数据作为预测的标签；超参数优化，基于古田实验设计方法结合交叉验证，选择较好的模型配置；从分类的角度搭建基于深度学习的预测模型，并用训练集训练；将测试集输入到训练好的预测模型中，得到下一时隙的预测结果。本发明能够较好地预测出频谱演变规律。

主权项

1.一种基于优化的长短期记忆模型的单频点频谱预测方法，其特征在于包括以下步骤：步骤1，对所有的原始频谱数据进行等间隔量化，量化后的频谱数据采用最大最小值归一化方法将它们的数值映射到[a,b]范围，完成数据的预处理；步骤2，基于预处理后的单频点频谱数据，采用监督式学习方法构造样本数据集，即固定长度的窗口内的频谱数据作为样本的输入，下一时隙对应的实测值所属的量化类别作为样本的标签，窗口逐时隙地向下滑动，形成一个个样本，数据集随之构造完成，并划分成训练集和测试集；步骤3，筛选出长短期记忆模型中需要优化的五类超参数，并确定好每一类超参数的四项可选数值，优化超参数的实验采用古田正交实验设计方法，每个实验中超参数有固定的设置组合，基于训练集作交叉检验，并统计得到各实验中模型的平均预测准确率，预测准确率最高的实验中超参数的配置即为最优；步骤4，基于挑选出的最佳超参数配置构建长短期记忆模型，并利用数据集中的训练集训练模型，基于Adam算法调整神经网络参数，使得预测类别和实际类别的交叉熵达到最小值；步骤5，神经网络训练完成后，利用数据集中的测试集进行测试，根据预测结果计算预测准确率。