一种频谱预测方法、系统及电子设备与流程

本申请属于频谱预测技术领域，特别涉及一种频谱预测方法、系统及电子设备。

背景技术：

随着无线通信的蓬勃发展，无线通信及其应用已经深入到人们生活的各个方面，随之带来的频谱资源日益紧缺问题也日益突出。频谱分配的不合理是造成频谱资源紧缺的重要原因，如果能智能的对频谱资源进行动态分配，则可实现可靠的通信服务并提高频谱的利用率。

频谱预测是认知无线电中的关键技术，传统的频谱预测方法包括以下几种：

1、时间序列预测：时间序列预测从先前学习观察时间序列预测未来值在一个或多个步骤。传统上，时间序列预测是由线性统计模型实现，包括指数平滑法、自回归移动平均模型集成状态空间和结构模型(例如卡尔曼滤波器)。除了自回归模型的变体，人工神经网络模型已经成为另一个焦点领域由于其非线性和伟大的适应性。例如，geirhofers等人在《cognitiveradiosfordynamicspectrumaccess-dynamicspectrumaccessinthetimedomain:modelingandexploitingwhite》中提出一种逻辑回归模型来进行预测。同样，zhaoq等人在《decentralizedcognitivemacfordynamicspectrumaccess》中使用线性自回归模型进行预测。

2、人工神经网络：人工神经网络是一种模拟人脑神经的网络结构、功能和互联特性，并进行分布式信息处理的智能系统。人工神经网络由大量的隐含层节点相互连接构成，每个隐含层节点代表一种特性的输出函数，同时隐含层节点之间连接信号的加权值，从而网络的输出可依据网络的连接方式，权值和激活函数的不同而不同。人工神经网络在频谱预测中，能够提供快速有效的建模，缩短计算时间，提高工作效率。例如，xuc等人在《anovelspectrumpredictionalgorithmforcognitiveradiosystembasedonchaoticneutalnetwork》提出一种混沌的前馈神经网络进行频谱预测。同样，kumarpa等人在《reliableopenspectrumcommunicationsthroughproactivespectrumaccess》使用支持向量机进行频谱预测。

3、极限学习机：极限学习机是由黄广斌等人在《extremelearningmachine:anewlearningschemeoffeedforwardneuralnetworks》中提出的一种新型单层前馈神经网络。其原理是极限学习机的网络输入权值以及隐含层节点的偏置都是随机生成的，只需要设置隐含层节点的数目，再由最小二乘法计算出输出权值，即可得出唯一的最优解。极限学习机相比于传统的神经网络，减少了计算时间，不仅满足了频谱预测的实时性要求，并具有良好的鲁棒性和泛化性，在时间序列预测、模式分类、非线性系统建模、辨识及控制等领域得到了广泛的应用，现在己经渗透到其他工程应用领域。但是，现有的极限学习机算法存在很多缺陷，在经典的极限学习机网络结构中，随机生成的隐含层节点中存在部分无用或者作用很少的隐含层节点，这影响了网络的泛化性和鲁棒性，不能满足在实际应用中的需求。

综上所述，现有频谱预测方法存在的缺点包括：在实际应用过程中，现有频谱预测方法预测速度慢，实时性不高，对速度要求较高的场合不适用，同时在预测精度也存在一些问题。例如人工神经网络预测，首先在现实中随着训练样本维数的增加，神经网络性能变差，学习过程和学习率都很难确定。其次，神经网络结构的不确定性，神经网络的隐含隐含层节点数目的选取没有理论指导，如果网络过大造成训练过程效率变动，如果网络过小训练可能不能收敛。再次，学习过程中会导致过拟合，造成神经网络预测误差不小，同时无法确定网络的最优权值，使得网络的泛化能力差。最后，容易陷入局部最小，神经网络一旦产生局部最小点，算法所求出的就不是全局最优解。

技术实现要素：

本申请提供了一种频谱预测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种频谱预测方法，包括以下步骤：

步骤a：采集原始频谱数据；

步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；

步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；

步骤d：通过所述频谱预测模型输出频谱预测结果。

本申请实施例采取的技术方案还包括：所述步骤a还包括：对所述原始频谱数据进行预处理；所述预处理包括：利用机器学习方法推理出合理数据对原始频谱数据中的缺失数据进行填补，并通过去噪方法对原始频谱数据进行去噪处理。

本申请实施例采取的技术方案还包括：在所述步骤b中，所述使用极限学习机算法建立单层前馈神经网络具体为：给定s个学习样本其中，d1为输入样本的维数，d2为输出样本的维数，隐含层节点数为l，l≤s，激活函数为g(·)，所述单层前馈神经网络的数学模型为：

上述公式中，(wi,bi)为隐含层节点的参数，βi为网络的输出权值，g代表激活函数g(·)，则所述单层前馈神经网络的数学模型变为：

hβ＝t

在上述公式中，h为隐含层输出矩阵，t代表期望输出，第i列代表了第i个隐含层节点关于学习样本x1,x2,...,xs的输出：

和

在上述公式中，为网络的最小二乘解；

最小值为：

则神经网络的最小二乘解计算公式为：

本申请实施例采取的技术方案还包括：在所述步骤c中，所述通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点还包括：采用多响应稀疏回归算法排列单层前馈神经网络的隐含层节点。

本申请实施例采取的技术方案还包括：在所述步骤c中，所述通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点具体为：利用逐一抽取法选择最优的隐含层节点，并通过预测平方和统计计算法逐一抽取误差，确定需要剪裁的隐含层节点数目，并裁剪掉无用或作用很小的隐含层节点；所述预测平方和统计计算法为：

上述公式中，p＝(h^th^-1)^-1。

本申请实施例采取的技术方案还包括：所述步骤d还包括：通过arima模型对频谱预测模型输出的预测结果进行校正处理，得到最终的频谱预测结果；所述arima模型为：

上述公式中，p为自回归项数，q为移动平均项数，aj是自回归参数，为自回归过程的系数，bj是自回归参数，为移动平均过程的系数。

本申请实施例采取的另一技术方案为：一种频谱预测系统，包括：

数据采集模块：用于采集原始频谱数据；

模型构建模块：用于基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络，并通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型，通过所述频谱预测模型输出频谱预测结果。

本申请实施例采取的技术方案还包括数据预处理模块，所述数据预处理模块用于对所述原始频谱数据进行预处理；所述预处理包括：利用机器学习方法推理出合理数据对原始频谱数据中的缺失数据进行填补，并通过去噪方法对原始频谱数据进行去噪处理。

本申请实施例采取的技术方案还包括：所述模型构建模块使用极限学习机算法建立单层前馈神经网络具体为：给定s个学习样本其中，d1为输入样本的维数，d2为输出样本的维数，隐含层节点数为l，l≤s，激活函数为g(·)，所述单层前馈神经网络的数学模型为：

上述公式中，(wi,bi)为隐含层节点的参数，βi为网络的输出权值，g代表激活函数g(·)，则所述单层前馈神经网络的数学模型变为：

hβ＝t

在上述公式中，h为隐含层输出矩阵，t代表期望输出，第i列代表了第i个隐含层节点关于学习样本x1,x2,...,xs的输出：

和

在上述公式中，为网络的最小二乘解；

最小值为：

则神经网络的最小二乘解计算公式为：

本申请实施例采取的技术方案还包括：所述模型构建模块还包括隐含层节点排列单元，所述隐含层节点排列单元采用多响应稀疏回归算法排列单层前馈神经网络的隐含层节点。

本申请实施例采取的技术方案还包括：所述模型构建模块还包括网络剪裁单元，所述网络剪裁单元用于利用逐一抽取法选择最优的隐含层节点，并通过预测平方和统计计算法逐一抽取误差，确定需要剪裁的隐含层节点数目，并裁剪掉无用或作用很小的隐含层节点；所述预测平方和统计计算法为：

上述公式中，p＝(h^th^-1)^-1。

本申请实施例采取的技术方案还包括预测校正模块，所述预测校正模块用于通过arima模型对频谱预测模型输出的预测结果进行校正处理，得到最终的频谱预测结果；所述arima模型为：

上述公式中，p为自回归项数，q为移动平均项数，aj是自回归参数，为自回归过程的系数，bj是自回归参数，为移动平均过程的系数。

本申请实施例采取的又一技术方案为：一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的频谱预测方法的以下操作：

步骤a：采集原始频谱数据；

步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；

步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；

步骤d：通过所述频谱预测模型输出频谱预测结果。

相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的频谱预测方法、系统及电子设备针对现有的极限学习机算法存在的不足，本申请实施例的频谱预测方法在现有极限学习机算法的基础上对其进行优化，极限学习机随机给定隐含层节点的输入权值，通过对隐含层求逆与训练输出相乘来计算输出权值，网络的训练过程完成，就不再去调整网络中的参数。通过调整隐含层节点的数目，选取最优的隐含层节点数，建立最优裁剪极限学习机，最优裁剪极限学习机对隐含层节点的数量进行了有意的控制，避免过拟合的问题，提高了网络的性能，有效的提高了预测速度和准确度。

附图说明

图1是本申请实施例的频谱预测方法的流程图；

图2是本申请实施例的频谱预测系统的结构示意图；

图3是本申请实施例提供的频谱预测方法的硬件设备结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

请参阅图1，是本申请实施例的频谱预测方法的流程图。本申请实施例的频谱预测方法包括以下步骤：

步骤100：采集原始频谱数据；

步骤200：对原始频谱数据进行预处理；

在步骤200中，现实中采集到的原始频谱数据会存在数据缺失、噪声等问题，因此需要对原始频谱数据进行预处理，以便后续的数据建模。具体地，对于数据缺失问题，利用机器学习方法推理出合理数据对原始频谱数据中的缺失数据进行填补。而噪声问题是由于在测量中的随机错误或偏差而产生的，可以使用分箱、聚类、回归等方法对原始频谱数据进行去噪处理。

步骤300：基于预处理后的原始频谱数据，通过最优裁剪极限学习机算法构建频谱预测模型，通过该频谱预测模型输出频谱预测结果；

在步骤300中，通过最优裁剪极限学习机算法构建频谱预测模型具体包括以下步骤：

步骤301：使用经典极限学习机算法建立一个含有多个隐含层节点的单层前馈神经网络；

在步骤301中，构建一个含有多个隐含层节点的单层前馈神经网络具体为：给定s个不同的学习样本其中d1为输入样本的维数，d2为输出样本的维数，隐含层节点数为l，而l≤s，激活函数为g(·)。单层前馈神经网络的数学模型为：

在公式(1)中，(wi,bi)为隐含层节点的参数，βi为网络的输出权值，g代表激活函数g(·)，可以为sigmoid函数，本实验中为了确保网络的精度选择了选取sin函数为激活函数，则单层前馈神经网络的数学模型变为：

hβ＝t(2)

在公式(2)中，h为隐含层输出矩阵，t代表期望输出，等于当前网络的输出，第i列代表了第i个隐含层节点关于学习样本x1,x2,...,xs的输出：

和

极限学习机提出的方法是随机选择输入隐含层节点的参数，网络训练相当于求公式(2)的最小二乘解，如公式(4)所示：

在公式(4)中，为网络的最小二乘解。

可简化公式(5)来求最小值为：

其中，最小值指最小化损失函数——公式(4)可等价公式(5)，公式(5)为最小化损失函数。由于现实情况中训练样本数远远大于隐含层的隐含层节点数，隐含层输出矩阵h是一个s×l的矩阵，所以需要求隐含层输出矩阵h的伪逆，应用奇异值分解法来求广义逆矩阵。则神经网络的最小二乘解可由公式(6)计算得出：

由此可以总结出，经典极限学习机算法包括：第一步，极限学习机随机生成输入权值和隐含层节点的参数(wi,bi)；第二步，计算隐含层输出矩阵h；第三步，通过对隐含层输出矩阵h求逆与训练输出相乘来计算单层前馈神经网络的输出权值：网络的训练过程完成，就不再需要调整网络中的参数。β是隐含层与输出层间的连接权值，当激活函数g无限可微时，单层前馈神经网络的参数并不需要全部进行调整，w和b在训练前可以随机选择，且在训练过程中保持不变。而隐含层和输出层的连接权值β可以通过求解min||hβ-t||方程组的最小二乘解获得，其解为而其中h+是矩阵h的moore-penrose广义逆矩阵，且可证明求得的解的范数是最小的并且唯一。

在极限学习机的应用过程中，激活函数g(·)的选取对实验的结果也有一定的影响。在面对不同问题时，合理的选择激活函数是非常重要的。选择合适问题的激活函数，不仅能使得处理问题消耗的时间减少，还能确保网络的精度。本申请通过实验选取sin函数为激活函数，相对于其他非线性激活函数，sin函数的训练时间和精度更为理想。

步骤302：采用多响应稀疏回归算法排列单层前馈神经网络的隐含层节点；

在步骤302中，为了去掉单层前馈神经网络中没有用或者作用很小的隐含层节点，需要选取排列最好的隐含层节点。多响应稀疏回归算法相当于最小角回归算法的一个多维度扩展，因为多响应稀疏回归具有排列的功能，所以用它来排列单层前馈神经网络的隐含层节点。其主要思想如下：设目标矩阵为其中，目标函数就是网络模型的输出ti，p为目标函数的维数，回归矩阵为x＝[x1,x2,...xs]，其中s为回归矩阵的维数。回归矩阵其实就是隐含层节点的核函数的输出隐含层输出矩阵h的列，其中h为隐层节点的核函数的输出。多响应回归算法将回归矩阵一列一列的输入模型其中，为近似目标的模型，w^r为权值矩阵第r次多响应稀疏回归算法，含有r个非零的行向量。随着每一次多响应稀疏回归，都会为近似目标的模型添加一个新的回归列向量。

步骤303：利用逐一抽取法选择最优的隐含层节点，确定需要剪裁的隐含层节点数目，并裁剪掉无用或者作用很小的隐含层节点，得到频谱预测模型。

在步骤303中，逐一抽取算法是决定最适合的隐含层节点的数量，剪裁掉不好的隐含层节点。对于线性系统，通过预测平方和统计计算法逐一抽取误差，该算法不需要对每个样本一直重复训练模型。算法公式为：

在公式(7)中，p被定义为p＝(h^th^-1)^-1，h为隐含层输出矩阵。预测平方和统计计算法的加入，不仅加快了逐一抽取算法的计算时间并可以批量的裁剪隐含层节点。本申请通过最优裁剪极限学习机调整隐含层节点的数目，选取最优的隐含层节点数，对隐含层节点的数量进行了有意的控制，避免过拟合的问题，提高了网络的性能，有效的提高了预测速度和准确度。

步骤400：通过arima模型对频谱预测模型输出的预测结果进行校正处理后，得到最终的频谱预测结果；

在步骤400中，经过最优裁剪极限学习机算法后得到的频谱预测模型会由于网络等问题导致其预测结果存在偏差。这个偏差是由于时间序列预测法面临的滞后性问题造成的，即由于时间序列预测法的滞后导致预测值晚于真实值几个时间单位，导致预测精度不高。为了提高预测精度，本申请通过应用arima模型(自回归积分滑动平均模型)对频谱预测模型的预测结果进行校正处理。arima模型是经典的时间序列预测方法，本申请从arima模型入手，进行了实时趋势预测的初步探索：

在公式(8)中，p为自回归项数，q为移动平均项数，aj是自回归参数，为ar(自回归过程)的系数，而bj是自回归参数，为ma(移动平均过程)的系数。为保证时间序列的平稳性，往往需对时间序列做d阶差分。arima模型公式分为自回归(ar)和移动平均(ma)两部分，自回归部分基于假设当前时期的指标值依赖于过去时期的指标值，对过去时期的指标值进行加权平均得到当前的指标值；移动平均部分是模拟指标值的随机性，指标值受白噪声激励的影响。

请参阅图2，是本申请实施例的频谱预测系统的结构示意图。本申请实施例的频谱预测系统包括数据采集模块、数据预处理模块、模型构建模块和预测校正模块。

数据采集模块：用于采集原始频谱数据；

数据预处理模块：用于对原始频谱数据进行预处理；其中，现实中采集到的原始频谱数据会存在数据缺失、噪声等问题，因此需要对原始频谱数据进行预处理，以便后续的数据建模。具体地，对于数据缺失问题，数据预处理模块利用机器学习方法推理出合理数据对原始频谱数据中的缺失数据进行填补。而噪声问题是由于在测量中的随机错误或偏差而产生的，数据预处理模块可以使用分箱、聚类、回归等方法对原始频谱数据进行去噪处理。

模型构建模块：用于基于预处理后的原始频谱数据，通过最优裁剪极限学习机算法构建频谱预测模型，通过频谱预测模型输出频谱预测结果；具体地，模型构建模块包括：

网络建立单元：用于使用经典极限学习机算法建立一个含有多个隐含层节点的单层前馈神经网络；给定s个不同的学习样本其中d1为输入样本的维数，d2为输出样本的维数，隐含层节点数为l，而l≤s，激活函数为g(·)。单层前馈神经网络的数学模型为：

在公式(1)中，(wi,bi)为隐含层节点的参数，βi为网络的输出权值，g代表激活函数g(·)，可以为sigmoid函数，本申请为了确保网络的精度选择了选取sin函数为激活函数，则单层前馈神经网络的数学模型变为：

hβ＝t(2)

在公式(2)中，h为隐含层输出矩阵，t代表期望输出，等于当前网络的输出，第i列代表了第i个隐含层节点关于学习样本x1,x2,...,xs的输出：

和

极限学习机提出的方法是随机选择输入隐含层节点的参数，网络训练相当于求公式(2)的最小二乘解，如公式(4)所示：

在公式(4)中，为网络的最小二乘解。

可简化公式(5)来求最小值为：

最小值是指最小化损失函数——公式(4)可等价公式(5)，公式(5)为最小化损失函数。由于现实情况中训练样本数远远大于隐含层的隐含层节点数，隐含层输出矩阵h是一个s×l的矩阵，所以需要求隐含层输出矩阵h的

伪逆，应用奇异值分解法来求广义逆矩阵。则神经网络的最小二乘解可由公式(6)计算得出：

由此可以总结出，经典极限学习机算法包括：第一步，极限学习机随机生成输入权值和隐含层节点的参数(wi,bi)；第二步，计算隐含层输出矩阵h；第三步，通过对隐含层输出矩阵h求逆与训练输出相乘来计算单层前馈神经网络的输出权值：网络的训练过程完成，就不再需要调整网络中的参数。β是隐含层与输出层间的连接权值。当激活函数g无限可微时，单层前馈神经网络的参数并不需要全部进行调整，w和b在训练前可以随机选择，且在训练过程中保持不变。而隐含层和输出层的连接权值β可以通过求解min||hβ-t||方程组的最小二乘解获得，其解为而其中h+是矩阵h的moore-penrose广义逆矩阵，且可证明求得的解的范数是最小的并且唯一。

在极限学习机的应用过程中，激活函数g(·)的选取对实验的结果也有一定的影响。在面对不同问题时，合理的选择激活函数是非常重要的。选择合适问题的激活函数，不仅能使得处理问题消耗的时间减少，还能确保网络的精度。本申请通过实验选取sin函数为激活函数，相对于其他非线性激活函数，sin函数的训练时间和精度更为理想。

隐含层节点排列单元：用于采用多响应稀疏回归算法排列单层前馈神经网络的隐含层节点；其中，为了去掉单层前馈神经网络中没有用或者作用很小的隐含层节点，需要选取排列最好的隐含层节点。多响应稀疏回归算法相当于最小角回归算法的一个多维度扩展，因为多响应稀疏回归具有排列的功能，所以用它来排列单层前馈神经网络的隐含层节点。其主要思想如下：设目标矩阵为t＝[t1,t2,...tp」，其中，目标函数就是网络模型的输出ti，p为目标函数的维数，回归矩阵为x＝[x1,x2,...xs]，其中s为回归矩阵的维数。回归矩阵其实就是隐含层节点的核函数的输出隐含层输出矩阵h的列，h代表隐层节点的核函数的输出。多响应回归算法将回归矩阵一列一列的输入模型其中，为近似目标的模型，w^r为权值矩阵第r次多响应稀疏回归算法，含有r个非零的行向量。随着每一次多响应稀疏回归，都会为近似目标的模型添加一个新的回归列向量。

网络剪裁单元：用于利用逐一抽取法选择最优的隐含层节点，确定需要剪裁的隐含层节点数目，并裁剪掉无用或者作用很小的隐含层节点，得到频谱预测模型。其中，逐一抽取算法是决定最适合的隐含层节点的数量，剪裁掉不好的隐含层节点。对于线性系统，通过预测平方和统计计算法逐一抽取误差，该算法不需要对每个样本一直重复训练模型。算法公式为：

在公式(7)中，p被定义为p＝(h^th^-1)^-1，h为隐含层输出矩阵。预测平方和统计计算法的加入，不仅加快了逐一抽取算法的计算时间并可以批量的裁剪隐含层节点。本申请通过最优裁剪极限学习机调整隐含层节点的数目，选取最优的隐含层节点数，对隐含层节点的数量进行了有意的控制，避免过拟合的问题，提高了网络的性能，有效的提高了预测速度和准确度。

预测校正模块：用于通过arima模型对频谱预测模型输出的预测结果进行校正处理后，得到最终的频谱预测结果；其中，经过最优裁剪极限学习机算法后得到的频谱预测模型会由于网络等问题导致其预测结果存在偏差。这个偏差是由于时间序列预测法面临的滞后性问题造成的，即由于时间序列预测法的滞后导致预测值晚于真实值几个时间单位，导致预测精度不高。为了提高预测精度，本申请通过应用arima模型(自回归积分滑动平均模型)对频谱预测模型的预测结果进行校正处理。arima模型是经典的时间序列预测方法，本申请从arima模型入手，进行了实时趋势预测的初步探索：

在公式(8)中，p为自回归项数，q为移动平均项数，aj是自回归参数，为ar(自回归过程)的系数，而bj是自回归参数，为ma(移动平均过程)的系数。为保证时间序列的平稳性，往往需对时间序列做d阶差分。arima模型公式分为自回归(ar)和移动平均(ma)两部分，自回归部分基于假设当前时期的指标值依赖于过去时期的指标值，对过去时期的指标值进行加权平均得到当前的指标值；移动平均部分是模拟指标值的随机性，指标值受白噪声激励的影响。

图3是本申请实施例提供的频谱预测方法的硬件设备结构示意图。如图3所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。

处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图3中以通过总线连接为例。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：

步骤a：采集原始频谱数据；

步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；

步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；

步骤d：通过所述频谱预测模型输出频谱预测结果。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。

本申请实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：

步骤a：采集原始频谱数据；

步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；

步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；

步骤d：通过所述频谱预测模型输出频谱预测结果。

本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：

步骤a：采集原始频谱数据；

步骤b：基于所述原始频谱数据，使用极限学习机算法建立单层前馈神经网络；

步骤c：通过最优裁剪极限学习机算法选取所述单层前馈神经网络中的最优隐含层节点，并裁剪掉无用或作用很小的隐含层节点，得到频谱预测模型；

步骤d：通过所述频谱预测模型输出频谱预测结果。

本申请经过了实际数据的实验以及仿真数据模拟的验证，验证结果表明，与传统的频谱预测方法相比，本申请在预测速度上有10倍以上的提升，在预测精度上也有较大提升(2倍或以上)，较比于传统的神经网络的预测方法略优，部分情况下有2倍以上的提升，证明了本申请的可行性。

本申请实施例的频谱预测方法、系统及电子设备针对现有的极限学习机算法存在的不足，本申请实施例的频谱预测方法在现有极限学习机算法的基础上对其进行优化，极限学习机随机给定隐含层节点的输入权值，通过对隐含层求逆与训练输出相乘来计算输出权值，网络的训练过程完成，就不再去调整网络中的参数。通过调整隐含层节点的数目，选取最优的隐含层节点数，建立最优裁剪极限学习机，最优裁剪极限学习机对隐含层节点的数量进行了有意的控制，避免过拟合的问题，提高了网络的性能，有效的提高了预测速度和准确度。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。