【技术实现步骤摘要】
一种面向IP数据链网络的基于业务流分类的动态时隙分配方法
[0001]本专利技术属于数据链网络
，特别是涉及一种面向
IP
数据链网络的基于业务流分类的动态时隙分配方法
。
技术介绍
[0002]当今的通信系统中，数据链网络是非常重要的组成部分之一
。
数据链网络主要用于不同节点之间的数据交换和传输，因此对于高效的数据传输和保证通信质量至关重要
。
然而，数据链网络中存在着不同类型的业务流，这些业务流的时隙需求和紧急程度也不同
。
为了更好地适应不同的业务需求，需要对数据链网络进行动态时隙分配，以实现更好的时隙利用率和更高的传输效率
。
[0003]传统的静态时隙分配方法往往不能很好地适应不同业务流的时隙需求变化，因此在实际应用中时隙利用率较低
。
为了解决这一问题，本专利技术提出了一种基于机器学习的方法，利用
Ada Boost
算法来预测不同业务流的时隙需求
。Ada Boost
算法是一种集成学习算法，它通过对多个弱分类器进行集成，形成一个强分类器
。
在预测业务流时隙需求方面，我们将数据链网络中的业务流特征作为样本，利用机器学习算法进行学习和预测
。
在训练过程中，我们收集了大量的数据链网络通信数据，将其分成不同的业务流，然后利用
Ada Boost
算法进行分类和时隙需求预测
。
在实际应用中，根据预测结...
【技术保护点】
【技术特征摘要】
1.
一种面向
IP
数据链网络的基于业务流分类的动态时隙分配方法，包括以下步骤：步骤1：统计数据链动态时隙需求；根据作战任务
、
情报保障任务，分析作战行动信息交互需求，提出指挥控制网
、
话音网
、
态势共享网以及
IP
报文网时隙保障需求；步骤2：设计弱回归器；采用3层前馈神经网络应用于弱回归器：输入层
、
隐含层
、
输出层；隐含层包含
10
个神经元，输出层包含1个神经元，输入层到隐含层过程采用
sigmoid
转移函数，隐含层到输出层采用线性转移函数；将变量
x
i
作为前馈神经网络模型的参数输入，三层前馈神经网络在输入函数
x
i
作用下，输出函数
y
i
为：
x
i
＝
f1[w1x
′
i
‑1]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)y
i
＝
f2[w2x
i
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
其中，
w1、w2表示输入层到隐含层的权值矩阵，和隐含层到输出层的权值矩阵；
f1为
sigmoid
函数，表示如下：
f2为线性函数，表示如下：
f(x2)
＝
x2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
步骤3：评价样本的误差信息；对于第
t
个弱回归器，其在训练集上的最大误差
E
t
为：
E
t
＝
max|y
i
‑
h
t
(x
i
)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
该弱回归器的相对误差用平方形式表示为
e
ti
：其中，
h
t
(x
i
)
表示第
i
个样本所对应的真实值；步骤4：计算弱回归器的误差及其重要性；第
t
个弱回归器的误...
【专利技术属性】
技术研发人员：蒋定德，曾鑫沿，刘心蕙，王志浩，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。