CN119538074B 一种基于深度学习的宽带宽频率频谱分析方法及系统 (北京航空航天大学合肥创新研究院)_第1页
CN119538074B 一种基于深度学习的宽带宽频率频谱分析方法及系统 (北京航空航天大学合肥创新研究院)_第2页
CN119538074B 一种基于深度学习的宽带宽频率频谱分析方法及系统 (北京航空航天大学合肥创新研究院)_第3页
CN119538074B 一种基于深度学习的宽带宽频率频谱分析方法及系统 (北京航空航天大学合肥创新研究院)_第4页
CN119538074B 一种基于深度学习的宽带宽频率频谱分析方法及系统 (北京航空航天大学合肥创新研究院)_第5页
已阅读5页,还剩39页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

院一种基于深度学习的宽带宽频率频谱分析本发明公开了一种基于深度学习的宽带宽频谱分析方法及系统,本方案采用异常干扰检测—频谱趋势预测—频谱调度管理的三步走方化算法增强的强化学习方法,进行频谱调度管2步骤S5:频谱调度管理,用于结合异常干扰检测和频所述动作参数,包括带宽分配调整动作、频谱资源时隙调度动作所述奖励函数,具体通过资源利用率最大化目标、干扰最小化目标3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TTb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4步骤S331:异常故障多分类目标函数改进,具体为模型的权重矩阵分解为第一投影矩阵和第二投影矩阵,进行异常故障多分类原始模型构i是第i个数据类别对应的改进损失优化目标函数,是第i个类别对应第j个数据样本的拉格朗日乘子参数,是第i个类别对应第j个数据样本的拉格朗日乘子惩罚参5i是第i个类别的第一投影矩阵,式中具体用于表示经过线性判别改进并引入正i是第i个类别的第二投影矩阵,式中具体用于表示经过线性判别改进并引入正行所述第一投影矩阵和第二投影矩阵的全局最优解计算,得到最优多分类支持向量机模6所述频谱趋势预测数据,具体包括频谱信号时间段预测值、频谱信号7.一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_6中任一项7[0002]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时长采用时序模型进行技术处理,但现有的双向时序网络虽然有更好的长期特征捕捉能8为宽频率频谱分析的有效应用提供了探索和实;9项;T是分类信息矩阵的转置;;;问题,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,长采用时序模型进行技术处理,但现有的双向时序网络虽然有更好的长期特征捕捉能力,[0078]图1为本发明提供的一种基于深度学习的宽带宽频率频谱分析方法的流程示意描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特[0087]实施例一,参阅图1,本发明提供的一种基于深度学习的宽带宽频率频谱分析方;项;T是分类信息矩阵的转置;;;[0157]H=[hl,h];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

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论