【技术实现步骤摘要】
本专利技术涉及无人集群抗干扰通信领域，尤其是涉及一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法。
技术介绍
1、近年来，无人集群广泛应用于侦察、攻击、救援等多类型任务。联通多个平台的通信网络是无人集群协同执行任务的基础。然而，在对抗环境下，无人集群常面临强电磁干扰，要求通信网络具备抗强干扰能力。在常用的跳频、扩频和定向天线抗干扰之外，实时感知预测信道态势并优选工作信道是一种重要的抗干扰方法。
2、根据预测内容不同，干扰信道预测可以分为信道占用预测与信道干扰功率预测两类。信道占用预测是对信道干扰有无的二值分类预测，预测方法包括回归分析、隐马尔科夫模型与神经网络三种。回归分析法通过寻找时间序列之间的函数关系进行预测，但难以处理复杂干扰导致的非线性关系；隐马尔可夫模型法利用状态转移矩阵预测下一状态，但单步依赖特性导致其预测精度较低；基于mlp与基于lstm等神经网络的预测方法成为信道态势预测的重要技术，但需要充足数据集进行训练。信道干扰功率预测是对频谱感知到的干扰功率值回归预测，预测方法主要为神经网络法，如利用lstm网络实现功率谱密度预测并随机选择低于干扰功率门限的信道接入，利用lstm网络实现信道功率预测并选择预期吞吐量最大的信道接入。
3、信道占用预测依赖于频谱感知判决的准确度，且二值分类特性导致信道选择只能随机选择无干扰信道。而信道干扰功率预测可以更详细反映出多干扰源及节点运动引起的干扰变化，可为信道选择提供更多信息。但是，现有信道干扰预测方法只预测单步干扰，如果预测当前工作信道有干扰则立即
技术实现思路
1、本专利技术的目的是为了提供一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法。该方法通过lstm-kan网络进行多信道多步干扰功率预测，结合lstm的长期记忆优势和kan的避免灾难性遗忘能力，显著提升了干扰功率预测的精度，均方误差性能提升了25.8％。随后，利用分类排序遗传算法(csga)求解构建最小化信道切换次数与平均干扰功率的双目标优化模型，相较于传统优化算法，能够获得更优的求解结果。仿真结果表明，本专利技术提出的方法相比单步干扰预测的随机信道选择策略，能够显著减少信道切换次数，增加吞吐量，并降低丢包率，具有重要的应用价值和参考意义。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，该方法包括以下步骤：
4、步骤1)获取多信道干扰功率矩阵；
5、步骤2)建立lstm-kan干扰预测模型，所述lstm-kan干扰预测模型以多信道干扰功率矩阵作为时间序列输入，输出信道干扰功率预测结果；
6、步骤3)利用lstm-kan干扰预测模型预测未来多个时隙的信道干扰功率；
7、步骤4)将信道选择建模为最小化信道切换次数与最小化信道平均干扰功率的双目标优化模型；
8、步骤5)基于分类排序遗传算法求解所述双目标优化模型，通过改进交叉变异策略与精英保留策略，以增加低信道切换次数解的生成概率，并使得所述低信道切换次数解在迭代过程中尽可能被保留，最终生成优化的信道切换和干扰功率解。
9、所述lstm-kan干扰预测模型包括序列输入层、lstm层、kan层与输出层，将输入的多信道干扰功率矩阵输入lstm层提取高维时序特征，所述高维时序特征通过kan层进行降维映射，将高维特征映射到目标预测维度，最终通过输出层生成干扰功率预测结果。
10、所述kan层设置为两层，高维时序特征输入第一层kan层，激活并学习内部函数特征；再将第一层kan层的输出传递至第二层kan层，激活并学习外部函数特征。
11、所述步骤3)中，采用递归预测方法，将每一时步的信道干扰功率预测值作为下一时步lstm-kan干扰预测模型的输入进行迭代，直到生成所有时隙的预测值。
12、所述递归预测过程表示为：
13、pi＝[pi-l+1,pi-l+2...pi]
14、
15、其中，pi＝[pi1,pi2,...pin]为感知节点在i时隙感知获得的n个信道干扰功率，pin为信道n在第i时隙上的干扰功率，pi为i时隙往前l个时隙的多信道干扰功率矩阵，为利用pi预测未来t个时隙的信道干扰功率矩阵，f为lstm-kan干扰预测模型。
16、所述双目标优化模型的目标函数表示为：
17、
18、其中，xi为i时隙无人集群工作的数据信道编号，xi＝[xi+1,xi+2...xi+t]为未来t个时隙中无人集群所工作的数据信道编号；i时隙无人集群工作的数据信道为信道c，即xi＝c；ii表示i时隙无人集群工作的数据信道是否切换，当i时隙信道不同时ii＝1，反之ii＝0；si为i时隙起未来t个时隙信道切换次数；pai为未来t个时隙的信道平均干扰功率。
19、所述分类排序遗传算法在解空间进化时改进交叉变异策略以增加低信道切换解的生成概率，即在信道非连续处交叉以保护连续基因，在变异时随机将部分非连续信道变换为相同信道以更快产生信道切换次数较少的解；在解空间保留时设计分类排序的精英保留策略以使得低信道切换解尽可能被保留，即根据信道切换次数分类，保留每一类中平均干扰功率最小的解。
20、所述分类排序遗传算法执行以下步骤：
21、步骤51)初始化种群并计算适应度：随机生成满足约束条件的m个个体成为初始父代种群，并根据双目标优化模型的目标函数计算种群每个个体的适应度值；
22、步骤52)选择交叉变异产生新种群：通过二元选择法选择两个父代，对选择的父代进行交叉变异操作，生成新的子代，并通过变异操作随机调整子代中的信道，以增加低切换次数的解的出现概率；
23、步骤53)分类排序精英保留：采用分类排序的精英保留策略，对种群中的解按照信道切换次数进行分类，并保留每类中信道干扰功率最低的解，优先保留低切换次数解；
24、步骤54)循环重复步骤52)至步骤53)，当迭代次数大于最大迭代次数约束时跳出循环；
25、步骤55)提取帕累托前沿：遍历末代种群，保留每种信道切换次数下平均干扰功率最小的解，再对保留的解构成的解集进行非支配排序，提取被支配数为0的解构成帕累托前沿解集；
26、步骤56)选定最终解：若帕累托前沿解集中解数量小于等于2，直接取信道切换次数最少者作为最终解；若帕累托前沿解集中解数量大于2，按照信道切换次数对帕累托前沿解集的解排序，计算每个解与前一解信道平均干扰功率之差与信道切换次数之差的比值，即斜率值，选斜率绝对值最大者作为最终解。
27、所述步骤52)包括以下步骤：
28、步骤521)利用二元选择法选择出两个父代p1与p2；
29、步骤522)对选择出的两个父代本文档来自技高网...
【技术保护点】
1.一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述LSTM-KAN干扰预测模型包括序列输入层、LSTM层、KAN层与输出层，将输入的多信道干扰功率矩阵输入LSTM层提取高维时序特征，所述高维时序特征通过KAN层进行降维映射，将高维特征映射到目标预测维度，最终通过输出层生成干扰功率预测结果。
3.根据权利要求2所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述KAN层设置为两层，高维时序特征输入第一层KAN层，激活并学习内部函数特征；再将第一层KAN层的输出传递至第二层KAN层，激活并学习外部函数特征。
4.根据权利要求1所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述步骤3)中，采用递归预测方法，将每一时步的信道干扰功率预测值作为下一时步LSTM-KAN干扰预测模型的输入进行迭代，直到生成所有时隙的预测值。
5.根据权利要
6.根据权利要求5所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述双目标优化模型的目标函数表示为：
7.根据权利要求1所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述分类排序遗传算法在解空间进化时改进交叉变异策略以增加低信道切换解的生成概率，即在信道非连续处交叉以保护连续基因，在变异时随机将部分非连续信道变换为相同信道以更快产生信道切换次数较少的解；在解空间保留时设计分类排序的精英保留策略以使得低信道切换解尽可能被保留，即根据信道切换次数分类，保留每一类中平均干扰功率最小的解。
8.根据权利要求1所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述分类排序遗传算法执行以下步骤：
9.根据权利要求8所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述步骤52)包括以下步骤：
10.根据权利要求8所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述步骤53)包括以下步骤：
...【技术特征摘要】
1.一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述lstm-kan干扰预测模型包括序列输入层、lstm层、kan层与输出层，将输入的多信道干扰功率矩阵输入lstm层提取高维时序特征，所述高维时序特征通过kan层进行降维映射，将高维特征映射到目标预测维度，最终通过输出层生成干扰功率预测结果。
3.根据权利要求2所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述kan层设置为两层，高维时序特征输入第一层kan层，激活并学习内部函数特征；再将第一层kan层的输出传递至第二层kan层，激活并学习外部函数特征。
4.根据权利要求1所述的一种面向无人集群抗干扰通信的可用链路智能预测与最优选择方法，其特征在于，所述步骤3)中，采用递归预测方法，将每一时步的信道干扰功率预测值作为下一时步lstm-kan干扰预测模型的输入进行迭代，直到生成所有时隙的预测值。
5.根据权利要求4所述的一种面向无人集群抗干扰通信的可用链路智能预测与...
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。