一種基于深度學(xué)習(xí)的電磁波雨衰減預(yù)測方法 技術(shù)領(lǐng)域 [0001] 本發(fā)明涉及電磁波雨衰減預(yù)測技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的電磁波雨衰減預(yù)測方法。 背景技術(shù) [0002] 電磁波在傳播過程中，遇到降雨時會產(chǎn)生雨衰減效應(yīng)，特別是在微波和毫米波頻段，該效應(yīng)顯著影響通信系統(tǒng)的性能?，F(xiàn)有的雨衰減模型，如國際電信聯(lián)盟（ITU?R）推薦的非線性雨衰減模型，基于統(tǒng)計經(jīng)驗公式，廣泛應(yīng)用于工程實踐。 [0003] 在中國西安衛(wèi)星測控中心辛進等發(fā)表在《無線電通信技術(shù)》期刊上的《三亞Ka波段衛(wèi)星遙感數(shù)據(jù)信號雨衰減的研究》中，詳細分析了實測數(shù)據(jù)，基于領(lǐng)域知識和概率論對衛(wèi)星遙感數(shù)據(jù)信號雨衰減進行了建模。 [0004] 在北京航空航天大學(xué)鄒夢凡等發(fā)表在《系統(tǒng)仿真學(xué)報》期刊上的《自動駕駛雷達頻段降雨環(huán)境散射特性建模分析》中，設(shè)置降雨特性的前提假設(shè)條件，通過理論分析和數(shù)學(xué)建模構(gòu)建了降雨環(huán)境散射特性模型。 [0005] 由中國人民解放軍軍事科學(xué)院系統(tǒng)工程研究院劉智鑫等申請，授權(quán)公告號為CN117294341B的國家發(fā)明專利“一種衛(wèi)星寬帶通信鏈路可靠性保障方法及裝置”中，直接采用了國際電信聯(lián)盟的雨衰減模型保障衛(wèi)星寬帶通信鏈路。 [0006] 然而，基于概率論和領(lǐng)域知識的傳統(tǒng)雨衰減模型在特定場景下的預(yù)測精度有限，尤其是當(dāng)雨衰減受到場地環(huán)境和設(shè)備特性影響時，標準模型的適用性較差。 發(fā)明內(nèi)容 [0007] 本發(fā)明的目的是提供一種基于深度學(xué)習(xí)的電磁波雨衰減預(yù)測方法，以解決現(xiàn)有技術(shù)中雨衰減模型在特定場景下適用性差的問題。 [0008] 本發(fā)明采用的技術(shù)方案為： [0009] 一種基于深度學(xué)習(xí)的電磁波雨衰減預(yù)測方法，包括以下步驟： [0010] 步驟1：數(shù)據(jù)降雨數(shù)據(jù)、環(huán)境數(shù)據(jù)、設(shè)備數(shù)據(jù)和單位距離雨衰減的測量數(shù)據(jù)，構(gòu)建數(shù)據(jù)集； [0011] 步驟2：構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,輸入數(shù)據(jù)包括降雨率、頻率和極化方式，輸出數(shù)據(jù)為單位距離雨衰減、基于經(jīng)典的ITU?R雨衰減模型的k和α參數(shù)； [0012] 步驟3：構(gòu)建損失函數(shù)； [0013] 步驟4：對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和測試，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)參數(shù)； [0014] 步驟5：加載訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)參數(shù)，使用神經(jīng)網(wǎng)絡(luò)模型預(yù)測單位路徑長度雨衰減與基于ITU?R雨衰減模型的k參數(shù)和α參數(shù)。 [0015] 進一步地，步驟1的具體方式為： [0016] 步驟1?1：通過雨量計采集實驗場地的降雨率R，通過傳感器采集基于ITU?R雨衰減模型的環(huán)境數(shù)據(jù)k參數(shù)和α參數(shù)，設(shè)置測量設(shè)備的頻率f和極化方式v，使用測量設(shè)備獲得單位距離雨衰減的測量數(shù)據(jù) ； [0017] 經(jīng)過T次數(shù)據(jù)采集，構(gòu)建降雨率數(shù)據(jù)集 、電磁波雨衰減數(shù)據(jù)集 、k參數(shù)數(shù)據(jù)集、α參數(shù)數(shù)據(jù)集 、頻率數(shù)據(jù)集 和極化方式數(shù)據(jù)集 ； [0018] 步驟1?2：將T次采集得到的數(shù)據(jù)集按照比例 隨機切分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，其中，降雨率訓(xùn)練數(shù)據(jù)集為 ，降雨率測試數(shù)據(jù)集為 ；電磁波雨衰減訓(xùn)練數(shù)據(jù)集 ，電磁波雨衰減測試數(shù)據(jù)集 ；k參數(shù)訓(xùn)練數(shù)據(jù)集 ，k參數(shù)測試數(shù)據(jù)集 ；α參數(shù)訓(xùn)練數(shù)據(jù)集，α參數(shù)測試數(shù)據(jù)集 ；頻率訓(xùn)練數(shù)據(jù)集 ，頻率測試數(shù)據(jù)集 ；極化方式訓(xùn)練數(shù)據(jù)集 ，極化方式測試數(shù)據(jù)集 。 [0019] 進一步地，所述神經(jīng)網(wǎng)絡(luò)模型為采用深度神經(jīng)網(wǎng)絡(luò)全連接層串行搭建的深度學(xué)習(xí)模型，共有3層，第1層輸入維度為3，對應(yīng)降雨率、頻率和極化方式，輸出維度為64；第2層輸入維度為64，輸出維度為32；第3層輸入維度為32，輸出維度為3，采用ReLU激活函數(shù)，對應(yīng)單位距離雨衰減、k參數(shù)和α參數(shù)；神經(jīng)網(wǎng)絡(luò)模型的輸入與輸出之間的關(guān)系表示為： [0020] [0021] 其中，h表示神經(jīng)網(wǎng)絡(luò)模型對輸入數(shù)據(jù)的操作， , 和 為神經(jīng)網(wǎng)絡(luò)模型根據(jù)觀測值獲得的單位距離雨衰減值 以及k參數(shù)和α參數(shù)， ， ， 。 [0022] 進一步地，所述損失函數(shù)為均方誤差函數(shù)，表示為： [0023] [0024] 其中， 表示向上取整， 為訓(xùn)練數(shù)據(jù)集中的樣本數(shù)量， ， 和 。 [0025] 進一步地，步驟4的具體方式為： [0026] 步驟4?1：初始化神經(jīng)網(wǎng)絡(luò)模型，并確保在反向傳播時計算神經(jīng)網(wǎng)絡(luò)參數(shù)的梯度； [0027] 步驟4?2：采用Adam優(yōu)化器，將神經(jīng)網(wǎng)絡(luò)的參數(shù)傳入，并設(shè)置學(xué)習(xí)率lr； [0028] 步驟4?3：從訓(xùn)練數(shù)據(jù)集中隨機取出batch個數(shù)據(jù)，清除優(yōu)化器中存儲的梯度值，基于神經(jīng)網(wǎng)絡(luò)模型計算損失函數(shù)，并計算損失函數(shù)關(guān)于神經(jīng)網(wǎng)絡(luò)參數(shù)的梯度，再更新神經(jīng)網(wǎng)絡(luò)參數(shù)的數(shù)值； [0029] 步驟4?4：重復(fù)步驟4?3，直到將訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)取完，執(zhí)行步驟4?5； [0030] 步驟4?5：設(shè)置神經(jīng)網(wǎng)絡(luò)模型為評估模式，基于測試數(shù)據(jù)集 、 和 ，計算得到估計電磁波雨衰減 、 參數(shù)和 參數(shù)，計算估計值 、 和 與測試數(shù)據(jù)集 、 和的相關(guān)系數(shù) ： [0031]

1.一種基于深度學(xué)習(xí)的電磁波雨衰減預(yù)測方法，其特征在于，包括以下步驟： 步驟1：數(shù)據(jù)降雨數(shù)據(jù)、環(huán)境數(shù)據(jù)、設(shè)備數(shù)據(jù)和單位距離雨衰減的測量數(shù)據(jù)，構(gòu)建數(shù)據(jù)集；具體方式為： 步驟1?1：通過雨量計采集實驗場地的降雨率R，通過傳感器采集基于ITU?R雨衰減模型的環(huán)境數(shù)據(jù)k參數(shù)和α參數(shù)，設(shè)置測量設(shè)備的頻率f和極化方式v，使用測量設(shè)備獲得單位距離雨衰減的測量數(shù)據(jù) ； 經(jīng)過T次數(shù)據(jù)采集，構(gòu)建降雨率數(shù)據(jù)集 、電磁波雨衰減數(shù)據(jù)集 、k參數(shù)數(shù)據(jù)集 、α參數(shù)數(shù)據(jù)集 、頻率數(shù)據(jù)集 和極化方式數(shù)據(jù)集 ； 步驟1?2：將T次采集得到的數(shù)據(jù)集按照比例 隨機切分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，其中，降雨率訓(xùn)練數(shù)據(jù)集為 ，降雨率測試數(shù)據(jù)集為 ；電磁波雨衰減訓(xùn)練數(shù)據(jù)集 ，電磁波雨衰減測試數(shù)據(jù)集 ；k參數(shù)訓(xùn)練數(shù)據(jù)集 ，k參數(shù)測試數(shù)據(jù)集 ；α參數(shù)訓(xùn)練數(shù)據(jù)集，α參數(shù)測試數(shù)據(jù)集 ；頻率訓(xùn)練數(shù)據(jù)集 ，頻率測試數(shù)據(jù)集 ；極化方式訓(xùn)練數(shù)據(jù)集 ，極化方式測試數(shù)據(jù)集 ； 步驟2：構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,輸入數(shù)據(jù)包括降雨率、頻率和極化方式，輸出數(shù)據(jù)為單位距離雨衰減、基于經(jīng)典的ITU?R雨衰減模型的k和α參數(shù)； 步驟3：構(gòu)建損失函數(shù)； 步驟4：對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和測試，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)參數(shù)； 步驟5：加載訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)參數(shù)，使用神經(jīng)網(wǎng)絡(luò)模型預(yù)測單位路徑長度雨衰減與基于ITU?R雨衰減模型的k參數(shù)和α參數(shù)。 2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的電磁波雨衰減預(yù)測方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型為采用深度神經(jīng)網(wǎng)絡(luò)全連接層串行搭建的深度學(xué)習(xí)模型，共有3層，第1層輸入維度為3，對應(yīng)降雨率、頻率和極化方式，輸出維度為64；第2層輸入維度為64，輸出維度為32；第3層輸入維度為32，輸出維度為3，采用ReLU激活函數(shù)，對應(yīng)單位距離雨衰減、k參數(shù)和α參數(shù)；神經(jīng)網(wǎng)絡(luò)模型的輸入與輸出之間的關(guān)系表示為： 其中，h表示神經(jīng)網(wǎng)絡(luò)模型對輸入數(shù)據(jù)的操作， , 和 為神經(jīng)網(wǎng)絡(luò)模型根據(jù)觀測值獲得的單位距離雨衰減值 以及k參數(shù)和α參數(shù)， ， ， 。 3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的電磁波雨衰減預(yù)測方法，其特征在于，所述損失函數(shù)為均方誤差函數(shù)，表示為： 其中， 表示向上取整， 為訓(xùn)練數(shù)據(jù)集中的樣本數(shù)量， ， 和 。 4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的電磁波雨衰減預(yù)測方法，其特征在于，步驟4的具體方式為：