【技术实现步骤摘要】
本专利技术涉及宽频率频谱分析，具体是指一种基于深度学习的宽带宽频率频谱分析方法及系统。
技术介绍
1、基于深度学习的宽带宽频率频谱分析方法是一种结合深度学习技术与频谱分析的创新性技术，旨在对宽带宽信号进行高效、精准的频率分析。该方法通过训练深度神经网络模型，自动从信号的频谱中提取特征，识别和分类不同频率成分，极大地提升了频谱分析的速度和准确性。它能够处理复杂的、非线性的信号特征，识别出传统方法难以检测的频率变化或潜在干扰，广泛应用于通信、雷达、声学、医疗诊断等领域。通过深度学习模型的自适应特性，能够在动态环境中实时进行频谱监测，提供精准的频率预测和干扰识别，进而优化系统性能和可靠性。
2、但是，在已有的宽带宽频率频谱分析方法中，存在着现有智能化方法往往聚焦于单一的信号处理或频谱分析，更注重全局频谱的静态特性提取，然而在宽频率的频谱分析当中，由于宽频率数据范围更为宽泛，且数据变动更大，传统方法无法精准定位异常干扰、缺乏对频谱长期趋势的洞察能力，以及在频谱资源调度上缺乏智能化优化机制的技术问题；在已有的异常干扰检测方法中，存在着现有的异常干扰检测较为常用的技术方法是支持向量机方法，然而传统的支持向量机是一个二分类的基本模型，且分类精度、特征提取深度和分类的效果，难以满足频谱分析中复杂的异常干扰类型检测需求，而堆叠多个支持向量机的方法则更容易在复杂的集成过程中增加计算难度的同时，难以有效获得频谱分析性能提升的技术问题；在已有的频谱趋势预测方法中，存在着频谱趋势预测在现有技术方案时长采用时序模型进行技术处理，但现有的双向时序
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于深度学习的宽带宽频率频谱分析方法及系统，本方案创造性地采用异常干扰检测—频谱趋势预测—频谱调度管理的三步走方法，通过逐层递进的深度学习和强化学习技术，能够实现对频谱异常的实时检测、未来趋势的精准预测，以及动态资源优化分配，该方法不仅能全面捕获宽带宽频率频谱的复杂特征，还能显著提升频谱利用效率和环境适应性，使其在复杂、多变的场景下更具优势；创造性地采用结合特征增强的联合改进多分类支持向量机方法，进行异常干扰检测，通过特征增强和多维度联合改进，提升了支持向量机的可分类类别以及整体分类性能，并通过权重分解和投影参数优化的训练思路，提升了性能优化的程度，为异常干扰检测提供了更优质的数据保障；创造性地采用结合一维卷积特征提取的时序集成网络，进行频谱趋势预测，通过构建双向长短期记忆网络和单向门控循环网络的集成，两种模型结构通过时序集成互补，不仅优化了宏观频谱趋势特征的预测效果，也提升了短期趋势变化的捕捉能力，综合提升了频谱趋势预测的效果；创造性地采用近端策略优化算法增强的强化学习方法，通过强化学习的自适应特性和近端策略优化算法的稳定性，可以高效探索和利用频谱调度的最优策略，动态响应频谱环境变化，同时最大限度地减少策略更新过程中的不稳定性，近端策略优化算法的裁剪机制也有效平衡了探索与利用，从而实现高效且稳健的频谱资源分配，这种方法不仅能提高频谱利用率，还能更好地适应复杂、动态的应用场景，为宽频率频谱分析的有效应用提供了探索和实践经验。
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于深度学习的宽带宽频率频谱分析方法，该方法包括以下步骤：
3、步骤s1：频谱信号采集；
4、步骤s2：频谱预处理；
5、步骤s3：异常干扰检测；
6、步骤s4：频谱趋势预测；
7、步骤s5：频谱调度管理。
8、进一步地，在步骤s1中，所述频谱信号采集，用于收集习的宽带宽频率频谱分析所需的原始频谱信号数据集，具体为通过宽带频谱数据采集，进行宽带款频率频谱数据采集，得到宽频率频谱分析原始数据集；
9、所述宽频率频谱分析原始数据集，具体包括时间戳数据、频率数据、信号幅度数据、信号噪声数据、信号采样率数据和采样设备信息数据。
10、进一步地，在步骤s2中，所述频谱预处理，用于对原始的频谱信号数据进行优化和增强处理，具体为通过进行信号去噪、数据归一化和数据质量优化操作，得到频谱分析优化数据；
11、所述频谱分析优化数据，具体包括去噪优化频谱数据、标准化频谱数据、平滑优化频谱数据和频域特征数据集。
12、进一步地，在步骤s3中，所述异常干扰检测，用于检测频谱信号中的异常数据并进行异常分类，具体为依据所述频谱分析优化数据，采用结合特征增强的联合改进多分类支持向量机方法，进行异常干扰检测，得到异常干扰检测数据，具体包括以下步骤：
13、步骤s31：构建多分类支持向量机基本模型，具体为通过构建堆叠二分类支持向量机目标函数，通过计算目标函数最大类别分数进行多分类计算，并应用重采样方法优化类别不平衡问题，构建得到多分类支持向量机基本模型，所述堆叠二分类支持向量机目标函数的计算公式为：
14、；
15、式中，ftsvm是堆叠二分类支持向量机目标函数，w是支持向量权重，b是支持向量偏置项，是松弛变量，用于表示误分类程度，c是支持向量正则化参数，x是原始数据输入，用于表示所述频谱分析优化数据，i是类别索引，wi是第i个类别对应的支持向量权重，n是数据样本总数，j是数据样本索引，是第i个类别对应第j个数据样本的松弛变量，是最大化选择类别分数，用于表示堆叠后检测的最终类别输出，bi是第i个类别对应的支持向量偏置项；
16、步骤s32：线性判别特征降维优化，具体为构建线性判别分析算子，通过放大类间样本方差并降低类内样本方差，通过正交线性判别分析，对所述频谱分析优化数据中的频域特征数据集，进行特征降维优化，得到降维优化特征数据；
17、所述线性判别分析算子，具体包括总散度矩阵构建、类间矩阵构建和正交线性判别分析建模；
18、所述总散度矩阵构建的计算公式为：
19、；
20、式中，st是总散度矩阵，用于表示所有样本的整体方差分布，x是原始特征矩阵，xt是原始特征矩阵的转置；
21、所述类间矩阵构建的计算公式为：
22、；
23、式中，sb是类间矩阵，用于表示各故障干扰类别均值之间的分布情况，x是原始特征矩阵，xt是原始特征矩阵的转置，y是分类信息矩阵，用于提供信号故障干扰的类别特征信息，yt是分类信息矩阵的转置；
24、所述正交线性判别分析建模的计算公式为：
25、；
26、式中，flda是正交线性判别分析目标函数，a是投影矩阵，用于作为最优线性判别参本文档来自技高网...
【技术保护点】
1.一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤S1中，所述宽频率频谱分析原始数据集，具体包括时间戳数据、频率数据、信号幅度数据、信号噪声数据、信号采样率数据和采样设备信息数据。
3.根据权利要求2所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤S3中，所述异常干扰检测，用于检测频谱信号中的异常数据并进行异常分类，具体为依据所述频谱分析优化数据，采用结合特征增强的联合改进多分类支持向量机方法，进行异常干扰检测，得到异常干扰检测数据，具体包括以下步骤：
4.根据权利要求3所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤S33中，所述多维线性联合改进，包括以下步骤：
5.根据权利要求4所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤S4中，所述频谱趋势预测，用于预测并构建频谱数据的变化趋势，具体为依据所述频谱分析优化数据和异常干扰检测数据，采用结合一维卷积特征提取的时序
6.根据权利要求5所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤S5中，所述频谱调度管理，用于结合异常干扰检测和频谱趋势预测的结果进行频谱动态优化和频谱资源分配优化，具体为依据所述频谱分析优化数据、所述异常干扰检测数据和所述频谱趋势预测数据，采用近端策略优化算法增强的强化学习方法，进行频谱调度管理，得到宽带宽频率分析调度参考数据，具体包括以下步骤：
7.根据权利要求6所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤S5中，所述宽带宽频率分析调度参考数据，具体包括频谱资源分配方案、频谱利用率、异常区域干扰信息参考、预测趋势优化结果和动态调度优化结果。
8.一种基于深度学习的宽带宽频率频谱分析系统，用于实现如权利要求1-7中任一项所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：包括频谱信号采集模块、频谱预处理模块、异常干扰检测模块、频谱趋势预测模块和频谱调度管理模块。
9.根据权利要求8所述的一种基于深度学习的宽带宽频率频谱分析系统，其特征在于：所述频谱信号采集模块，用于频谱信号采集，通过频谱信号采集，得到宽频率频谱分析原始数据集，并将所述宽频率频谱分析原始数据集发送至频谱预处理模块；
...【技术特征摘要】
1.一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤s1中，所述宽频率频谱分析原始数据集，具体包括时间戳数据、频率数据、信号幅度数据、信号噪声数据、信号采样率数据和采样设备信息数据。
3.根据权利要求2所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤s3中，所述异常干扰检测，用于检测频谱信号中的异常数据并进行异常分类，具体为依据所述频谱分析优化数据，采用结合特征增强的联合改进多分类支持向量机方法，进行异常干扰检测，得到异常干扰检测数据，具体包括以下步骤：
4.根据权利要求3所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤s33中，所述多维线性联合改进，包括以下步骤：
5.根据权利要求4所述的一种基于深度学习的宽带宽频率频谱分析方法，其特征在于：在步骤s4中，所述频谱趋势预测，用于预测并构建频谱数据的变化趋势，具体为依据所述频谱分析优化数据和异常干扰检测数据，采用结合一维卷积特征提取的时序集成网络，进行频谱趋势预测，得到频谱趋势预测数据，具体包括以下步骤：
6....
【专利技术属性】
技术研发人员：刘少峰，操岳恒，
申请(专利权)人：北京航空航天大学合肥创新研究院，
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。