技术领域
[0001] 本
发明属于无线通信技术领域，涉及一种短波通信频率选择方法，具体涉及一种基于进化神经网络的短波通信频率选择方法，可用于短波通信中的实时频率预测。
背景技术
[0002] 短波通信是一种利用电离层进行信息传输的无线通信技术。由于短波通信具有通信距离远、设备简单、成本低廉、抗毁能
力强等优点，因此被广泛应用于军事通信、应急通信和海事通信等领域中。
[0003] 电离层的高度和
电子密度受到季节、昼夜，地理
位置和太阳活动的影响，
信号经电离层反射会出现多径传播、
频率选择性衰落和多普勒频移等现象，导致短波的通信
质量不稳定。
[0004] 选择合适的工作频率对保证短波的通信质量来说至关重要。如果频率太高，则电波有可能穿透电离层，不能反射回接收站；如果频率太低，则电波在传输的过程中
能量会很大程度上被电离层吸收，使得到达接收站的信号太弱，无法被接收机检测到。因此，有必要在通信之前选出一个合适的工作频率。
[0005] 国内外现有的频率选择方法，按其工作原理可分为两类：频率预测和频率探测。频率预测类方法一般通过构建电离层相关的特性参数模型，运用数学分析运算的方法来实现频率选择。汤军等于2013年在《电波科学学报》第28卷第3期发表的名称为“短波通信选频中的电离层同化短期预报方法”的论文，公开了一种基于卡尔曼同化技术的电离层特征参数短期预报方法，该方法以电离层观测网实时测量值为
基础，对未来1～24h的电离层参量f0F2进行预报，然后通过经验公式转换得到具体通信链路的最高可用频率。这种选频方法虽然选频速度快，但需要经过转换才能得到具体通信链路的最佳工作频率，选频的
精度较低。
[0006] 频率探测类方法一般利用探测设备对具体通信链路进行实时探测，通过分析获取的信道质量参数进行频率选择。例如授权公告号为CN104202096B、名称为“一种基于垂直探测选择短波频率的方法及装置”的中国
专利，公开了一种基于垂直探测选择短波频率的方法，该方法首先对一个探测频率周围的噪声进行无源探测，选出噪声功率最小的频率作为有源探测频率，然后在该有源探测频率上发射至少一个脉冲信号，并侦听每个脉冲信号的反射信号，根据所有反射信号的平均信号功率和本地平均噪声功率计算该有源探测频率的
信噪比；对探测频段内的所有探测频率都按上述方法计算所选出的有源探测频率的信噪比，最后，选择信噪比最高的有源探测频率作为推荐频率下发给通信设备。这种选频方法是根据实时探测的结果进行频率选择的，虽然选频的精度较高，但需要做大量探测，选频的速度较慢。
[0007] 神经网络具有强大的非线性逼近能力，适合用来预测短波的通信质量。神经网络最常用的训练
算法是BP算法，不过，BP算法对初值敏感，容易陷入局部最优解。粒子群算法是一种进化计算算法，具有全局搜索能力，可用于训练神经网络。使用进化计算算法来优化网络参数所得到的神经网络被成为进化神经网络。
发明内容
[0008] 本发明的目的在于克服上述
现有技术存在的不足，提出了一种基于进化神经网络的短波通信频率选择方法，旨在保证频率选择精度的同时有效地提高频率选择的速度。
[0009] 本发明的技术思路是：首先利用短波通信系统实际使用过程中积累的探测数据训练出一个进化神经网络频率质量
预测模型；然后用这个进化神经网络频率质量预测模型预测出预置频率表中所有频率在当前通信条件下的通信质量，并选出通信质量最高的若干个频率作为探测频率；最后用这些选出探测频率对信道进行探测并打分，并将探测分值最高的频率作为最佳工作频率。
[0010] 根据上述技术思路，实现本发明目的采取的技术方案包括如下步骤：
[0011] (1)构造训练样本集：读取短波通信系统日志文件中的历史记录，并对每一条历史n n记录HR进行归一化，得到训练样本集DateSet＝{(X ,Y)}，其中，n为样本序号，且n＝1,
2,...,N，N为样本容量，Xn为第n个样本的输入向量，且 为Xn的第
d维分量，Yn为第n个样本的输出变量；
[0012] (2)设计进化神经网络频率质量预测模型：包括一个
输入层、M-1个隐含层和一个
输出层，其中，输入层的神经元个数为l0，M-1个隐含层的神经元个数分别为l1,...,lm,...,lM-1，输出层的神经元个数为lM，隐含层神经元的激活函数为双曲正切函数tanh(x)，输出层神经元的激活函数为线性函数lin(x)，m为进化神经网络的层序号，且m＝1,2,...,M，M为进化神经网络的层数，x为神经元激活函数的自变量；
[0013] (3)构造进化神经网络的解向量x：对进化神经网络的权重 和
阈值 按一定次序排列，实现对进化神经网络权重 和阈值 的编码，得到进化神经网络的解向量x，其中，km为进化神经网络第m层神经元的序号，且km＝1,2,...,lm；
[0014] (4)初始化粒子群算法的
迭代次数t＝0；
[0015] (5)根据进化神经网络的解向量x，对粒子群算法的种群进行初始化，得到第t代粒子i的位置向量xi(t)、速度向量vi(t)、历史最优位置向量pbesti(t)和pbesti(t)的适应度fitpi(t)，以及第t代整个种群的历史最优位置向量gbest(t)和gbest(t)的适应度fitg(t)，其中，i为粒子群算法中粒子的序号，且i＝1,2,...,PS，PS为粒子群算法的种群规模；
[0016] (6)获取粒子群算法第t+1代粒子i的位置向量xi(t+1)：
[0017] (6a)根据粒子群算法第t代粒子i的位置向量xi(t)、速度向量vi(t)、历史最优位置向量pBesti(t)和第t代整个种群的历史最优位置向量gBest(t)，对第t代粒子i速度向量vi(t)的每一维分量进行更新，得到粒子群算法第t+1代粒子i的速度向量vi(t+1)；
[0018] (6b)根据粒子群算法第t代粒子i的位置向量xi(t)和第t+1代粒子i的速度向量vi(t+1)，对第t代粒子i位置向量xi(t)的每一维分量进行更新，得到粒子群算法第t+1代粒子i的位置向量xi(t+1)；
[0019] (7)评价粒子群算法第t+1代粒子i的位置向量xi(t+1)，得到第t+1代粒子i位置向量xi(t+1)的适应度fitxi(t+1)；
[0020] (8)获取粒子群算法第t+1代粒子i的历史最优位置向量pBesti(t+1)和pBesti(t+1)的适应度fitpi(t+1)以及第t+1代整个种群的历史最优位置向量gBest(t+1)和gBest(t+
1)的适应度fitg(t+1)：
[0021] (8a)判断fitxi(t+1)＞fitpi(t+1)是否成立，若是，则令pBesti(t+1)＝xi(t+1)，fitpi(t+1)＝fitxi(t+1)；否则令pBesti(t+1)＝pBesti(t)，fitpi(t+1)＝fitpi(t)；
[0022] (8b)判断fitxi(t+1)＞fitg(t+1)是否成立，若是，则令gBest(t+1)＝xi(t+1)，fitg(t+1)＝fitxi(t+1)；否则令gBest(t+1)＝gBest(t)，fitg(t+1)＝fitg(t)；
[0023] (9)判断是否执行局部搜索算子：判断mod(t,T)＝0是否成立，若是，则执行局部搜索算子，得到局部最优解lBest和lBest的适应度fitl，并执行步骤(10)；否则，执行步骤(12)，其中，t为当前迭代次数，T为局部搜索算子的执行周期；
[0024] (10)获取第t+1代适应度fitpi(t+1)最低的历史最优位置向量pBesti(t+1)和pBestb(t+1)的适应度fitpb(t+1)：获取第t+1代适应度fitpi(t+1)最低的历史最优位置向量pBesti(t+1)的序号 则第t+1代适应度fitpi(t+1)最低的历史最优位置为pBestb(t+1)，pBestb(t+1)的适应度为fitpb(t+1)；
[0025] (11)比较局部最优解lBest的适应度fitl与历史最优位置向量pBesti(t+1)的适应度fitpb(t+1)的大小，并保留较大的适应度及其相应的向量：若fitl＞fitpb(t+1)，则令pBestb(t+1)＝lbest，fitpb(t+1)＝fitl；否则pBestb(t+1)和fitpb(t+1)保持不变；
[0026] (12)判断粒子群算法是否满足迭代终止条件：令t＝t+1，判断t≥MaxIt是否成立，若是，则粒子群算法的迭代终止，得到粒子群算法的最优解opt，opt＝gbest(t)；否则，执行步骤(6)，其中，MaxIt是粒子群算法的最大迭代次数；
[0027] (13)获得最优进化神经网络频率质量预测模型：采用与步骤(3)所述的对进化神经网络权重 和阈值 的编码相对应的方式，对粒子群算法的最优解opt进行解码，得到进化神经网络的最优权重 和最优阈值 即最优进化神经网络频率质量预测模型；
[0028] (14)利用最优进化神经网络频率质量预测模型，预测短波通信系统预置频率表中所有频率在当前通信条件下的通信质量，并选出通信质量最高的若干个频率作为探测频率；
[0029] (15)使用选出的若干个探测频率分别对信道进行探测并打分，并将探测分值最高的频率作为最佳工作频率。
[0030] 本发明与现有技术相比，具有以下优点：
[0031] 1)本发明在选择探测频率时，由于利用进化神经网络频率质量预测模型对预置频率表中所有频率的通信质量进行了预测，从而可以选出通信质量最高的若干个频率作为探测频率，和现有的频率探测类选频方法相比，可以在保证选频精度的前提下，有效地减少探测次数，提高频率选择的速度，同时可以避免恶化电磁环境和目标暴露。
[0032] 2)本发明由于使用探测频率对信道进行了实时探测，并将探测分值最高的频率作为最佳工作频率，和现有的频率预测类选频方法相比，提高了频率选择的精度，并可以直接为具体的通信链路选择最佳工作频率。
附图说明
[0034] 图2是本发明中进化神经网络频率质量预测模型结构示意图；
[0035] 图3是本发明中粒子位置向量适应度评价的实现
流程图；
[0036] 图4是本发明中局部搜索算子的实现流程图；
[0037] 图5是本发明中仿真实验一中信噪比预测值对信噪比实际值的拟合图；
[0038] 图6是本发明中仿真实验二中信噪比预测值对信噪比实际值的拟合图。
具体实施方式
[0039] 下面结合附图和具体
实施例，对本发明作进一步说明。
[0040] 参照图1，一种基于进化神经网络的短波通信频率选择方法，包括如下步骤：
[0041] 步骤1、构造训练样本集：读取短波通信系统日志文件中的历史记录，并对每一条历史记录HR进行归一化，得到训练样本集DateSet＝{(Xn,Yn)}，其中，n为样本序号，且n＝1,2,...,N，N为样本容量，Xn为第n个样本的输入向量，且 为Xn的第
d维分量，Yn为第n个样本的输出变量。
[0042] 短波通信系统日志文件中的每一条历史记录HR为HR＝(hr1,hr2,hr3,hr4,hr5,hr6,hr7,hr8,hr9)，其中，hr1代表探测频率，hr2代表通信日期，hr3代表通信时间，hr4代表发射站经度，hr5代表发射站纬度，hr6代表接收站经度，hr7代表接收站纬度，hr8代表太阳黑子数月中值，hr9代表通信质量，hr2和hr3分别定义为：
[0043]
[0044]
[0045] 其中，Month为月份，且Month＝1,2,...,12，Day为日，且Day＝1,2,...,Days，Days为当年当月的天数，且Days＝28,29,30,31，Hour为小时，且Hour＝0,1,...,23，Minute为分钟，且Minute＝0,1,...,59，Second为秒，且Second＝0,1,...,59。
[0046] 对每一条历史记录HR进行归一化，是指将HR中的每一维分量归一化到[-1,1]区间，归一化公式为：
[0047]
[0048]
[0049] 其中， 为第n条历史记录的第d维分量。
[0050] 步骤2、设计进化神经网络频率质量预测模型：包括一个输入层、M-1个隐含层和一个输出层，其中，输入层的神经元个数为l0，M-1个隐含层的神经元个数分别为l1,...,lm,...,lM-1，输出层的神经元个数为lM，m为进化神经网络的层序号，且m＝1,2,...,M，M为进化神经网络的层数，隐含层神经元的激活函数为双曲正切函数tanh(x)，输出层神经元的激活函数为线性函数lin(x)，双曲正切函数tanh(x)和线性函数lin(x)的公式分别为：
[0051]
[0052] lin(x)＝x
[0053] 其中，x为神经元激活函数的自变量。
[0054] 在本实施例中，进化神经网络的层数M＝3，第一个隐含层的神经元个数l1＝6，第二个隐含层的神经元个数l2＝4，此时，进化神经网络频率质量预测模型如图2所示，图2中还给出了进化神经网络的输入变量和输出变量。
[0055] 步骤3、构造进化神经网络的解向量x：对进化神经网络的权重 和阈值 按一定次序排列，实现对进化神经网络权重 和阈值 的编码，得到进化神经网络的解向量x，其中，km为进化神经网络第m层神经元的序号，且km＝1,2,...,lm。
[0056] 进化神经网络的权重矩阵和阈值向量分别为：
[0057]
[0058] 其中， 为第m-1层第km-1个神经元与第m层第km个神经元之间的连接权重，为第m层第km个神经元的阈值。
[0059] 将进化神经网络权重矩阵中的权重 和阈值向量中的阈值 排列成进化神经网络的解向量x的方式有多种，本实施例中采用的排列方式为：
[0060]
[0061] 步骤4、初始化粒子群算法的迭代次数t＝0。
[0062] 步骤5、根据进化神经网络的解向量x，对粒子群算法的种群进行初始化，得到第t代粒子i的位置向量xi(t)、速度向量vi(t)、历史最优位置向量pbesti(t)和pbesti(t)的适应度fitpi(t)，以及第t代整个种群的历史最优位置向量gbest(t)和gbest(t)的适应度fitg(t)，其中，i为粒子群算法中粒子的序号，且i＝1,2,...,PS，PS为粒子群算法的种群规模。
[0063] 对粒子群算法的种群进行初始化的实现步骤为：
[0064] 步骤5a)对第t代粒子i的位置向量xi(t)和速度向量vi(t)进行初始化：
[0065]
[0066]
[0067] 其中，d为向量的维度序号，且d＝1,2,...,D，D为向量的维度，U[-1,1]表示[-1,1]区间上的均匀分布， 为第t代粒子i位置向量xi(t)的第d维分量，取值为服从U[-1,1]的随机数， 为第t代粒子i速度向量vi(t)的第d维分量，取值为服从U[-1,1]的随机数；
[0068] 步骤5b)评价第t代粒子i的位置向量xi(t)，得到第t代粒子i的位置向量xi(t)的适应度fitxi(t)，实现步骤为：
[0069] 步骤5b1)采用与步骤(3)所述的对进化神经网络权重 和阈值 的编码相对应的方式，对第t代粒子i的位置向量xi(t)进行解码，得到神经网络的权重 和阈值[0070] 步骤5b2)计算神经网络在训练样本集DateSet＝{(Xn,Yn)}上的平均误差[0071] 步骤5b3)计算第t代粒子i的位置向量xi(t)的适应度fitxi(t)：
[0072]
[0073] 步骤5c)对第t代粒子i的历史最优位置向量pBesti(t)和pBesti(t)的适应度fitpi(t)，以及第t代整个种群的历史最优位置向量gBest(t)和gBest(t)的适应度fitg(t)进行初始化：
[0074] pBesti(t)＝xi(t),fitpi(t)＝fitxi(t)
[0075]
[0076] 其中，g为第t代适应度fitpi(t)最低的历史最优位置向量pBesti(t)的序号。
[0077] 步骤6、获取粒子群算法第t+1代粒子i的位置向量xi(t+1)，实现步骤为：
[0078] 步骤6a)根据粒子群算法第t代粒子i的位置向量xi(t)、速度向量vi(t)、历史最优位置向量pBesti(t)和第t代整个种群的历史最优位置向量gBest(t)，对第t代粒子i速度向量vi(t)的每一维分量进行更新，得到粒子群算法第t+1代粒子i的速度向量vi(t+1)，更新公式为：
[0079]
[0080] 其中，ω为惯性权重，c1,c2为
加速系数， 为两个服从[0,1]区间均匀分布的随机数， 为第t+1代粒子i速度向量vi(t+1)的第d维分量， 为第t代粒子i速度向量vi(t)的第d维分量， 为第t代粒子i位置向量xi(t)的第d维分量，
[0081] 为第t代粒子i历史最优位置向量pBesti(t)的第d维分量，gBestd(t)为第t代整个种群历史最优位置向量gBest(t)的第d维分量，惯性权重ω在迭代过程中线性地从初值ωini减小到终值ωend，其变化公式如下：
[0082]
[0083] 其中t为当前迭代次数，MaxIt为粒子群算法的最大迭代次数；
[0084] 步骤6b)根据粒子群算法第t代粒子i的位置向量xi(t)和第t+1代粒子i的速度向量vi(t+1)，对第t代粒子i位置向量xi(t)的每一维分量进行更新，得到粒子群算法第t+1代粒子i的位置向量xi(t+1)，更新公式为：
[0085]
[0086] 其中， 为第t+1代粒子i位置向量xi(t+1)的第d维分量。
[0087] 步骤7、评价粒子群算法第t+1代粒子i的位置向量xi(t+1)，得到第t+1代粒子i位置向量xi(t+1)的适应度fitxi(t+1)，实现步骤为：
[0088] 步骤7a)采用与步骤(3)所述的对进化神经网络权重 和阈值 的编码相对应的方式，对第t+1代粒子i的位置向量xi(t+1)进行解码，得到进化神经网络的权重 和阈值
[0089] 步骤7b)计算进化神经网络在训练样本集DateSet＝{(Xn,Yn)}上的平均误差[0090] 步骤7b1)令n＝1；
[0091] 步骤7b2)根据输入变量Xn，计算进化神经网络第一层神经元的输出向量计算公式为：
[0092]
[0093] 其中， 为输入向量Xn的第k0维变量；
[0094] 步骤7b3)根据第m层神经元的输出向量 逐层计算进化神经网络第m+1层神经元的输出向量 计算公式为：
[0095]
[0096] 其中，m＝1,2,...,M-2；
[0097] 步骤7b4)根据第M-1层神经元的输出向量 计算进化神经网络的输出变量 计算公式为：
[0098]
[0099] 步骤7b5)计算进化神经网络在第n个样本的误差En，计算公式为：
[0100]
[0101] 步骤7b6)若n＜N，执行步骤7b2；否则，执行步骤7b7；
[0102] 步骤7b7)计算进化神经网络在训练样本集上的平均误差
[0103]
[0104] 步骤7c)计算第t+1代粒子i的位置向量xi(t+1)的适应度fitxi(t+1)：
[0105]
[0106] 图3是步骤7中评价粒子位置向量适应度的实现流程图，此外，步骤5b、步骤9c步骤和步骤9e中涉及的评价粒子位置向量适应度的方法也是按图3所示的方法实现的。
[0107] 步骤8、获取粒子群算法第t+1代粒子i的历史最优位置向量pBesti(t+1)和pBesti(t+1)的适应度fitpi(t+1)以及第t+1代整个种群的历史最优位置向量gBest(t+1)和gBest(t+1)的适应度fitg(t+1)：
[0108] 步骤8a)判断fitxi(t+1)＞fitpi(t+1)是否成立，若是，则令pBesti(t+1)＝xi(t+1)，fitpi(t+1)＝fitxi(t+1)；否则令pBesti(t+1)＝pBesti(t)，fitpi(t+1)＝fitpi(t)；
[0109] 步骤8b)判断fitxi(t+1)＞fitg(t+1)是否成立，若是，则令gBest(t+1)＝xi(t+1)，fitg(t+1)＝fitxi(t+1)；否则令gBest(t+1)＝gBest(t)，fitg(t+1)＝fitg(t)。
[0110] 步骤9、判断是否执行局部搜索算子：判断mod(t,T)＝0是否成立，若是，则执行局部搜索算子，得到局部最优解lBest和lBest的适应度fitl，并执行步骤(10)；否则，执行步骤(12)，其中，t为当前迭代次数，T为局部搜索算子的执行周期。
[0111] 局部搜索算子的实现步骤为：
[0112] 步骤9a)令迭代次数j＝0，令计数变量num＝0；
[0113] 步骤9b)构造局部搜索算子的第j代解s(j)：
[0114]
[0115] 其中，p为选择概率，sd(j)为第j代解s(j)的第d维分量，gBestd(t+1)为第t+1代整个种群历史最优位置向量gBest(t+1)的第d维分量，rand1为服从[0,1]区间均匀分布的随机数，rand2为服从[-1,1]区间均匀分布的随机数；
[0116] 步骤9c)评价局部搜索算子的第j代解s(j)，得到s(j)的适应度fits(j)；
[0117] 步骤9d)根据局部搜索算子的第j代解s(j)，获取局部搜索算子的第j+1代解s(j+1)：
[0118] 步骤9d1)对第j代解s(j)进行解码，得到进化神经网络的权重 和阈值[0119] 步骤9d2)根据训练样本集DateSet＝{(Xn,Yn)}，对进化神经网络的权重 和阈值 进行调整，实现步骤为：
[0120] 步骤9d2a)令n＝0；
[0121] 步骤9d2b)根据训练样本集中第n个样本的输入向量Xn，计算进化神经网络第m层神经元的输出向量 和进化神经网络的输出变量 其中m＝1,2,...,M-1；
[0122] 步骤9d2c)计算分摊到进化神经网络输出层第kM个神经元的误差 计算公式为：
[0123]
[0124] 根据 调整权重 和阈值 调整公式为：
[0125]
[0126]
[0127] 其中,lr是局部搜索算子的学习速率；
[0128] 步骤9d2d)计算分摊到进化神经网络第m层第km个神经元的误差 计算公式为：
[0129]
[0130] 并根据 调整权重 和阈值 调整公式为：
[0131]
[0132]
[0133] 其中，m＝M-1,M-2,...,2；
[0134] 步骤9d2e)计算分摊到进化神经网络第一层第k1个神经元的误差 计算公式为：
[0135]
[0136] 并根据 调整权重 和阈值 调整公式为：
[0137]
[0138]
[0139] 步骤9d2f)令n＝n+1，若n＜N，执行步骤(9d2b)；否则，执行步骤(9d3)；
[0140] 步骤9d3)对改进后的权重 和阈值 按步骤3所述的方式进行编码，得到局部搜索算子的第j+1代解s(j+1)；
[0141] 步骤9e)评价局部搜索算子的第j+1代解s(j+1)，得到s(j+1)的适应度[0142] fits(j+1)；
[0143] 步骤9f)若fits(j+1)＞fits(j)，则令num＝0；否则，令num＝num+1；
[0144] 步骤9g)若计数变量num＞Iteration，则得到局部最优解lBest，lBest＝s(j+1)，和局部最优解lBest的适应度fitl，fitl＝fits(j+1)，并停止局部搜索算子的迭代；否则，令迭代次数j＝j+1，执行步骤(9d)，其中，Iteration是允许最大停滞代数。
[0145] 图4给出了步骤9中局部搜索算子的实现流程图。
[0146] 步骤10、获取第t+1代适应度fitpi(t+1)最低的历史最优位置向量pBesti(t+1)和pBestb(t+1)的适应度fitpb(t+1)：获取第t+1代适应度fitpi(t+1)最低的历史最优位置向量pBesti(t+1)的序号 则第t+1代适应度fitpi(t+1)最低的历史最优位置为pBestb(t+1)，pBestb(t+1)的适应度为fitpb(t+1)。
[0147] 步骤11、比较局部最优解lBest的适应度fitl与历史最优位置向量pBesti(t+1)的适应度fitpb(t+1)的大小，并保留较大的适应度及其相应的向量：若fitl＞fitpb(t+1)，则令pBestb(t+1)＝lbest，fitpb(t+1)＝fitl；否则pBestb(t+1)和fitpb(t+1)保持不变。
[0148] 步骤12、判断粒子群算法是否满足迭代终止条件：令t＝t+1，判断t≥MaxIt是否成立，若是，则粒子群算法的迭代终止，得到粒子群算法的最优解opt，opt＝gbest(t)；否则，执行步骤(6)，其中，MaxIt是粒子群算法的最大迭代次数。
[0149] 步骤13、获得最优进化神经网络频率质量预测模型：采用与步骤(3)所述的对进化神经网络权重 和阈值 的编码相对应的方式，对粒子群算法的最优解opt进行解码，得到进化神经网络的最优权重 和最优阈值 即最优进化神经网络频率质量预测模型。
[0150] 步骤14、利用最优进化神经网络频率质量预测模型，预测短波通信系统预置频率表中所有频率在当前通信条件下的通信质量，并选出通信质量最高的若干个频率作为探测频率。
[0151] 步骤15、使用选出的若干个探测频率分别对信道进行探测并打分，并将探测分值最高的频率作为最佳工作频率。
[0152] 以下结合仿真实验，对本发明的技术效果作进一步说明：
[0153] 1.仿真条件
[0154] 训练/测试样本集由短波中长期预测
软件VOACAP生成，其中样本的输出变量为信噪比。仿真实验在MATLAB R2014a软件上执行。
[0155] 仿真实验中粒子群算法的参数设置为：惯性权重的初值ωini＝0.5，惯性权重的终值ωend＝0.1，加速系数c1＝c2＝2，种群规模PS＝20，最大迭代次数MaxIt＝10000。粒子群算法中局部搜索算子的参数设置为：执行周期T＝20，允许最大停滞代数Iteration＝50，选择概率p＝0.5，学习速率lr＝0.01。仿真实验一中训练样本集的样本容量N＝2160，仿真实验二中训练样本集的样本容量N＝2880。为了降低随机因素的影响，仿真实验一和仿真实验二中的结果是粒子群算法10次运行结果的平均值。
[0156] 2.仿真内容与结果
[0157] (1)仿真实验一：根据西安-九江之间2012～2014年的历史记录数据，训练进化神经网络频率质量预测模型，并用所得到的最优进化神经网络频率质量预测模型预测2015年西安-九江之间在给定通信条件下给定频率的通信质量。训练样本集中有2160个样本，测试样本集中有720个样本。
[0158] 图5所示为仿真实验一中进化神经网络频率质量预测模型的信噪比预测值对信噪比实际值的拟合图。从图中可以看出，进化神经网络频率质量预测模型的信噪比预测值对实际信噪比拟合得很好，只在少数测试样本点上有较小偏差，说明本发明所建立的进化神经网络频率质量预测模型能够
跟踪信噪比的变化规律。经计算可得，预测信噪比与实际信噪比的均方根误差为0.1269、决定系数为0.9005，说明本发明所建立的进化神经网络频率质量预测模型的对信噪比的预测精度高。
[0159] 总之，从仿真实验一的结果来看，对于固定站之间的通信，本发明所建立的进化神经网络频率质量预测模型能够以较高的精度预测该链路上的信噪比，从而可以选出通信质量好的频率作为探测频率，在提升选频速度的同时保证了选频的精度。
[0160] (2)仿真实验二：根据西安周围四个
站点与九江周围四个站点2015年的历史记录数据，训练进化神经网络频率质量预测模型，并用所得到的最优进化神经网络频率质量预测模型预测2016年西安-九江之间在给定通信条件下给定频率的通信质量。训练样本集中有2880个样本，测试样本集中有720个样本。
[0161] 图6所示为仿真实验二中进化神经网络频率质量预测模型的信噪比预测值对信噪比实际值的拟合图。从图中可以看出，进化神经网络频率质量预测模型的信噪比预测值对实际信噪比拟合得较好，只在某些测试样本点上有一些偏差，说明本发明所建立的进化神经网络频率质量预测模型能够较好地跟踪信噪比的变化规律。经计算可得，预测信噪比与实际信噪比的均方根误差为0.2717、决定系数为0.6747，说明本发明所建立的进化神经网络频率质量预测模型的对信噪比的预测精度较高。
[0162] 总之，从仿真实验二的结果来看，对于移动站之间的通信，本发明所建立的进化神经网络频率质量预测模型能够根据附近站点的信噪比数据以较高的精度预测一条新链路的信噪比，从而可以为该链路选出通信质量好的频率作为探测频率，在提升选频速度的同时保证了选频的精度。
