【技术实现步骤摘要】
本专利技术涉及无线通信，尤其涉及一种基于woa-cnn-gru的无线信号强度智能多步预测方法。
技术介绍
1、近年来，通信和信息技术取得了显著成就，特别是在移动通信业务、多媒体信息业务和因特网应用方面。随着科技的进步和人们对通信速度、质量和安全性需求的不断提高，无线通信网络面临着诸多挑战。特别是在复杂环境中，无线信号强度受多种因素影响，如建筑物遮挡、电磁干扰等，导致信号波动大，影响通信质量。因此，如何准确预测无线信号强度，优化网络布局，提高通信效率，成为无线通信领域亟待解决的问题。
2、大多数现有研究方法多是将马尔可夫模型应用于通信领域，其中基于双状态模拟二进制信道，开创了马尔可夫模型在通信领域的应用先河；基于有限状态的马尔可夫模型建立了无线信道预测模型，用以预测信号强度的变化；以及分别基于马尔可夫模型捕获多径衰落和路径损耗等无线性能特征对信号强度的影响。尽管这些模型提供了有用的见解，但模型结构较为简单，预测精度不佳。另外，它们通常针对特定网络环境，并依赖于采样率、移动性和位置等因素，因此无法直接应用于不同无线网络之间的信号强度预测。
3、随着研究的深入和自动化水平的提升，机器学习已被应用于电信领域的网络管理、物理层优化等多种问题。而深度学习得益于其独特的网络构架及强大的算力成为当前机器学习领域的最新趋势之一，并在工程等多个领域带来了革命性的进步。随着对预测精度的要求越来越高，研究重点也逐渐转向了以深度学习为核心的预测方法。其中基于深度学习自动提取无线信号中的特征的方法可以实现无线定位；基于深度学习还可以
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于woa-cnn-gru的无线信号强度智能多步预测方法，旨在根据历史的无线信号强度来预测未来的变化趋势，从而及时调整相关参数，对无线信号的衰弱进行干预。
2、为解决上述技术问题，本专利技术所采取的技术方案是：
3、一种基于woa-cnn-gru的无线信号强度智能多步预测方法，该方法包括如下步骤：
4、步骤1：对采集到的无线信号强度数据进行时序化处理，构成时序序列数据；
5、步骤2：构建不同应用场景下的cnn-gru无线信号强度多步预测模型，采用鲸鱼优化算法woa优化cnn-gru无线信号强度多步预测模型，建立woa-cnn-gru无线信号强度多步预测模型，并根据时序化后的时序序列数据对woa-cnn-gru无线信号强度多步预测模型进行训练和验证；
6、步骤2.1：构建cnn-gru无线信号强度多步预测模型；
7、步骤2.2：采用鲸鱼优化算法woa对cnn-gru无线信号强度多步预测模型的多个超参数进行全局寻优，获得最佳超参数，根据最佳超参数建立woa-cnn-gru无线信号强度多步预测模型；
8、步骤2.3：训练并验证woa-cnn-gru无线信号强度多步预测模型；
9、步骤3：分别从不同应用场景下的预测效果、性能指标和损失函数与预测性能的优越性三个不同的角度对所提出的woa-cnn-gru无线信号强度多步预测模型进行分析与验证。
10、进一步的，所述步骤1中的每一个时序化后的时序序列都是由一段时间内的数据构成，用于预测下一步的无线信号强度。
11、进一步的，所述步骤2中的应用场景包括4g、工业网络和wifi，不同应用场景下的cnn-gru无线信号强度多步预测模型结构相同，区别在于卷积核维度、卷积核个数、迭代次数、神经元个数不同。
12、进一步的，所述步骤2中的鲸鱼优化算法woa是一种模拟座头鲸行为的智能优化算法，分为围捕猎物、气泡网捕食和搜索猎物三个阶段。
13、进一步的，所述步骤2.1中的cnn-gru无线信号强度多步预测模型由输入层、cnn层、gru1层、gru2层和输出层五部分构成，其中输入层用于接收一维无线信号强度数据，cnn层用于对输入层接收的一维无线信号强度数据进行特征提取，gru1层和gru2层用于处理时间序列，捕捉时序数据中的时间依赖性，输出层用于输出下一时刻的无线信号强度预测值。
14、进一步的，所述步骤2.2中的超参数包括cnn-gru无线信号强度多步预测模型的学习率、迭代次数、卷积核个数、卷积核维度、gru1层神经元个数和gru2层神经元个数。
15、进一步的，所述步骤2.3中的具体训练流程如下所示：
16、(1)将采集到的无线信号强度数据进行时序化处理；
17、(2)将时序化后的数据按照7:3的比例划分为训练集和测试集；
18、(3)将均方误差定义为适应度函数，用于评估整个优化过程中所搜寻到的最优解；计算适应度值，并寻找当前鲸鱼个体的最佳位置；
19、(4)判断捕食概率p是否小于设定阈值，是则直接转入(5)，否则基于气泡网捕食阶段的位置更新公式更新位置信息，进入气泡网捕食阶段；
20、(5)判断求解最佳个体的位置向量的计算公式中的系数向量是否小于1，是则进入围捕猎物阶段，并采用捕猎物阶段的位置更新公式更新位置信息，否则基于搜索猎物阶段的位置更新公式更新位置信息，进入搜索猎物阶段；
21、(6)位置信息更新结束，计算适应度值，并与初始的最佳的位置信息的适应度值比较，选取适应度值小的最佳个体位置；
22、(7)判断当前迭代次数是否达到最大迭代次数，是则获取最佳个体位置，寻优结束，否则继续下一次迭代，并返回依次执行(2)、(3)和(4)，输入cnn-gru无线信号强度多步预测模型的六个超参数，得到最佳超参数的值；
23、(8)基于训练集通过不断更新权重和偏置对woa-cnn-gru无线信号强度多步预测模型进行训练；
24、(9)woa-cnn-gru无线信号强度多步预测模型训练结束；
25、(10)基于测试集验证训练完成的woa-cnn-gru无线信号强度多步预测模型，得到下一步的无线信号强度。
26、采用上述技术方案所产生的有益效果在于：本专利技术提供的一种基于woa-cnn-gru的无线信号强度多步预测方法，通过鲸鱼优化算法woa搜寻各种应用场景下cnn-gru无本文档来自技高网...
【技术保护点】
1.一种基于WOA-CNN-GRU的无线信号强度智能多步预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于WOA-CNN-GRU的无线信号强度智能多步预测方法，其特征在于，所述步骤1中的每一个时序化后的时序序列都是由一段时间内的数据构成，用于预测下一步的无线信号强度。
3.根据根据权利要求1所述的一种基于WOA-CNN-GRU的无线信号强度智能多步预测方法，其特征在于，所述步骤2中的应用场景包括4G、工业网络和WiFi，不同应用场景下的CNN-GRU无线信号强度多步预测模型结构相同，区别在于卷积核维度、卷积核个数、迭代次数、神经元个数不同。
4.根据权利要求1所述的一种基于WOA-CNN-GRU的无线信号强度智能多步预测方法，其特征在于，所述步骤2中的鲸鱼优化算法WOA是一种模拟座头鲸行为的智能优化算法，分为围捕猎物、气泡网捕食和搜索猎物三个阶段。
5.根据根据权利要求1所述的一种基于WOA-CNN-GRU的无线信号强度智能多步预测方法，其特征在于，所述步骤2具体包括以下步骤：
6.根据权利要求4所述
7.根据权利要求4所述的一种基于WOA-CNN-GRU的无线信号强度智能多步预测方法，其特征在于，所述步骤2.2中的超参数包括CNN-GRU无线信号强度多步预测模型的学习率、迭代次数、卷积核个数、卷积核维度、GRU1层神经元个数和GRU2层神经元个数。
8.根据权利要求4所述的一种基于WOA-CNN-GRU的无线信号强度智能多步预测方法，其特征在于，所述步骤2.3中的具体训练流程如下所示：
...【技术特征摘要】
1.一种基于woa-cnn-gru的无线信号强度智能多步预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于woa-cnn-gru的无线信号强度智能多步预测方法，其特征在于，所述步骤1中的每一个时序化后的时序序列都是由一段时间内的数据构成，用于预测下一步的无线信号强度。
3.根据根据权利要求1所述的一种基于woa-cnn-gru的无线信号强度智能多步预测方法，其特征在于，所述步骤2中的应用场景包括4g、工业网络和wifi，不同应用场景下的cnn-gru无线信号强度多步预测模型结构相同，区别在于卷积核维度、卷积核个数、迭代次数、神经元个数不同。
4.根据权利要求1所述的一种基于woa-cnn-gru的无线信号强度智能多步预测方法，其特征在于，所述步骤2中的鲸鱼优化算法woa是一种模拟座头鲸行为的智能优化算法，分为围捕猎物、气泡网捕食和搜索猎物三个阶段。
5.根据根据权利要求1所述的一种基于woa-cnn-gru的无线信号强度智能多步预...
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。