本发明涉及一种td-scdma基站电磁辐射预测方法。
背景技术：
：目前针对通信基站周围的电磁辐射预测时，常运用训练好的预测模型进行预测。例如，申请号2018100095052公布了一种gsm基站电磁辐射预测方法，在基站电磁辐射的的预测中，先对预测模型进行训练，然后使用训练好的模型进行预测，但在这种预测中，由于模型使用的是单一预测模型，单一预测模型在预测过程中容易受干扰的影响不够稳定，同时由于td-scdma基站电磁辐射变化剧烈使用该模型不易预测。针对现有技术中存在的不足，本专利结合td-scdma基站电磁辐射序列的规律特性，取td-scdma基站电磁辐射历史数据作为训练数据对模型进行训练，先将训练数据通过db3和coif3小波进行分解，分解层数为1，通过db3小波分解获得低频序列r、高频序列t，通过coif3小波分解获得低频序列q、高频序列u，再将低频序列r、高频序列t、低频序列q、高频序列u，再分别输入预测模型进行训练,再将训练好的预测模型对td-scdma基站电磁辐射做组合预测，通过本发明提出的方法能够实现更加精确可靠的电磁辐射预测。技术实现要素：为了解决上述技术问题，本发明提供一种td-scdma基站电磁辐射预测方法。本发明解决上述技术问题的技术方案包括以下步骤：1)、取td-scdma基站电磁辐射历史数据作为训练数据，将训练数据通过db3和coif3小波进行分解，分解层数为1，通过db3小波分解获得低频序列r、高频序列t，通过coif3小波分解获得低频序列q、高频序列u；2)、将步骤1得到的低频序列r、高频序列t、低频序列q以及高频序列u，输入预测模型进行训练，获得预测模型的参数ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4；3)、将预测时的输入数据，分别输入步骤2)已训练好的预测模型进行高低频序列的预测，其表达式为：其中，ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4，为权力要求1中通过步骤2训练获得的预测模型参数，xri为预测点之前的历史数据通过db3小波分解获得的低频序列，单位为v/m，xti为预测点之前的历史数据通过db3小波分解获得的高频序列，单位为v/m，xqi为预测点之前的历史数据通过coif3小波分解获得的低频序列，单位为v/m，xui为预测点之前的历史数据通过coif3小波分解获得的高频序列，单位为v/m，yr为低频序列xri的预测值，单位为v/m，yt为高频序列xti的预测值，单位为v/m，yq为低频序列xqi的预测值，单位为v/m，yu为高频序列xui的预测值，单位为v/m；4)、根据步骤3训练得到的高低频预测值做组合预测，组合预测表达式为：ydb3＝yr+yt(5)ycoif3＝yq+yu(6)y＝(ydb3+ycoif3)/2(7)其中，ydb3为通过db3小波分解，分解层数为1的低频序列预测值yr与高频序列预测值yt求和得到的预测值，单位为v/m，ycoif3为通过coif3小波分解，分解层数为1的低频序列预测值yq与高频序列预测值yu求和得到的预测值，单位为v/m，y为所提出模型的组合预测值，单位为v/m。上述的一种td-scdma基站电磁辐射预测方法，所述步骤2)中，预测模型为以下所示：在上式(8)中，将n个历史数据通过db3小波分解，分解层数为1，获得的低频序列r输入预测模型，进行训练获得最佳预测模型参数ω1、b1、c1，将参数ω1、b1赋值为-1到1之间的随机数，再将训练数据输入训练模型获得参数c1的值，以此确定模型参数ω1、b1、c1；在上式(9)中，将n个历史数据通过db3小波分解，分解层数为1，获得的高频序列t输入预测模型，进行训练获得最佳预测模型参数ω2、b2、c2，将参数ω2、b2赋值为-1到1之间的随机数，再将训练数据输入训练模型获得参数c2的值，以此确定模型参数ω2、b2、c2；在上式(10)中，将n个历史数据通过coif3小波分解，分解层数为1，获得的低频序列q输入预测模型，进行训练获得最佳预测模型参数ω3、b3、c3，将参数ω3、b3赋值为-1到1之间的随机数，再将训练数据输入训练模型获得参数c3的值，以此确定模型参数ω3、b3、c3；在上式(11)中，将n个历史数据通过coif3小波分解，分解层数为1，获得的高频序列u输入预测模型，进行训练获得最佳预测模型参数ω4、b4、c4，将参数ω4、b4赋值为-1到1之间的随机数，再将训练数据输入训练模型获得参数c4的值，以此确定模型参数ω4、b4、c4。本发明的有益效果在于：将td-scdma基站电磁辐射历史数据通过分解层数为1的db3和coif3小波，分解成低频序列和高频序列，使变化剧烈的基站电磁辐射变得平缓便于预测，再将分解得到的低频序列和高频序列通过预测模型进行训练，再将训练好的预测模型对td-scdma基站电磁辐射做组合预测。所建立的模型能对td-scdma基站电磁辐射进行精确可靠的预测，该方法对基站建设和环境保护有不错的参考价值，具有一定的社会效益。附图说明图1为本发明的流程图。具体实施方式本实施例在以本
发明内容为前提下进行，给出了详细的实施步骤，但本发明的保护范围不限于下述的实施例。本次实施的实验地在空旷平坦的区域，实施对象为校教学楼屋顶基站，实验仪器为频谱分析仪at6024d，测量对象为td-scdma基站。下面结合附图和实施例对本发明作进一步的说明。图1为本发明技术方案的框图，具体步骤为：步骤一：取td-scdma基站电磁辐射历史数据作为训练数据，将训练数据通过db3和coif3小波进行分解，分解层数为1，通过db3小波分解获得低频序列r、高频序列t，通过coif3小波分解获得低频序列q、高频序列u。在本次实施例中，取td-scdma基站电磁辐射历史数据作为训练数据，取12个历史数据作为训练数据，通过分解层数为1的db3和coif3小波进行分解，通过分解层数为1的db3小波分解获得12个低频序列r、12个高频序列t，通过分解层数为1的coif3小波分解获得12个低频序列q、12个高频序列u。步骤二：将步骤1得到的低频序列r、高频序列t、低频序列q以及高频序列u，输入预测模型进行训练，获得预测模型的参数ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4。在本次实施例中，取步骤1得到的低频序列r、高频序列t、低频序列q以及高频序列u作为训练数据，分别输入模型进行训练，在低频序列r对模型进行训练时，将r1，i＝[0.197623,0.202044,...,0.191881]，i＝1,2,...,12,yr＝[0.188432]，输入以下模型：在上式(12)中，将历史数据通过db3小波分解，分解层数为1，获得的低频序列r输入预测模型，同时将参数ω1和b1赋值为-1到1之间的随机数，ω1赋值为0.8129，b1赋值为0.2119训练获得预测模型参数c1＝-0.62911；在高频序列t对模型进行训练时，将t1，i＝[-0.00093,-0.00041,...,0.002599]，i＝1,2,...,12，yt＝[-0.00058]输入以下模型：在上式(13)中，将历史数据通过db3小波分解，分解层数为1，获得的高频序列t输入预测模型，同时将参数ω2和b2赋值为-1到1之间的随机数，ω2赋值为0.6213，b2赋值为0.3175训练获得预测模型参数c2＝-0.3248；在低频序列q对模型进行训练时，将q1，i＝[0.196319,0.201446,...,0.192642]，i＝1,2,...,12，yq＝[0.190339]输入以下模型:在上式(14)中，将历史数据通过coif3小波分解，分解层数为1，获得的低频序列q输入预测模型，同时将参数ω3和b3赋值为-1到1之间的随机数，ω3赋值为-0.2315，b3赋值为0.2614训练获得预测模型参数c3＝0.717792；在高频序列u对模型进行训练时，将u1，i＝[0.000371，-0.00012,...,0.001838]，i＝1,2,...,12，yu＝[-0.00249]输入以下模型：在上式(15)中，将历史数据通过coif3小波分解，分解层数为1，获得的高频序列u输入预测模型，同时将参数ω4和b4赋值为-1到1之间的随机数，ω4赋值为0.2755，b4赋值为0.3145训练获得预测模型参数c4＝-0.3125。步骤三、将预测时的输入数据，分别输入步骤2)已训练好的预测模型进行高低频序列的预测，其表达式为：其中，ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4，为权力要求1中通过步骤2训练获得的预测模型参数，xri为预测点之前的历史数据通过db3小波分解获得的低频序列，单位为v/m，xti为预测点之前的历史数据通过db3小波分解获得的高频序列，单位为v/m，xqi为预测点之前的历史数据通过coif3小波分解获得的低频序列，单位为v/m，xui为预测点之前的历史数据通过coif3小波分解获得的高频序列，单位为v/m，yr为低频序列xri的预测值，单位为v/m，yt为高频序列xti的预测值，单位为v/m，yq为低频序列xqi的预测值，单位为v/m，yu为高频序列xui的预测值，单位为v/m。在本次实施例中，将预测时的输入数据输入步骤2)已训练好的预测模型，进行了14次的高低频序列的预测，获得预测值如下表所示：表1高低频序列的预测值yr0.212380.2149610.218630.2245950.2205020.2133210.2137270.2148490.213550.2196350.2134730.2113620.2128880.212662yt0.00064-0.00012-0.000220.000645-0.000798.89e-050.000333-0.001310.00180.000405-0.001460.0006180.000132-0.00056yq0.1835910.1884210.1951960.1961140.1942890.1897280.1858980.1890250.1931450.1919140.1892130.1876630.1868470.18827yu0.0036820.000574-0.002760.003121-0.00054-0.002190.002268-0.00134-0.000770.002209-0.00036-0.001210.000360.000988步骤四：根据步骤3训练得到的高低频预测值做组合预测，组合预测表达式为：ydb3＝yr+yt(20)ycoif3＝yq+yu(21)y＝(ydb3+ycoif3)/2(22)其中，ydb3为通过db3小波分解，分解层数为1的低频序列预测值yr与高频序列预测值yt求和得到的预测值，单位为v/m，ycoif3为通过coif3小波分解，分解层数为1的低频序列预测值yq与高频序列预测值yu求和得到的预测值，单位为v/m，y为所提出模型的组合预测值，单位为v/m。将步骤三求得的高低频预测值，分别代入式(20)、(21)求得ydb3、ycoif3的值，再将ydb3、ycoif3的值代入式(22)求得y的值，其中ydb3、ycoif3，y的值皆放于下表中：表2ydb3、ycoif3，y的值ydb30.212420.214840.2184120.225240.2197120.213410.214060.213540.218350.220040.214710.211980.212420.2121ycoif0.1872730.1889950.1924360.1992380.1937490.1875380.1882660.1876850.1924050.1941230.1888530.1861230.1872070.18925y0.2001470.2019140.2054260.2122390.2067320.2004740.2011330.2006130.2053770.2070820.2014810.1990670.2001130.20214测量值0.20200.20380.20730.21420.20860.20240.20240.20250.20730.20900.20370.20090.20200.2041从实验结果可以看出，各个预测值与测量值都比较接近，在不同的时候都能稳定的对td-scdma基站电磁辐射进行预测，说明利用此方法可以实现td-scdma基站电磁辐射精确可靠的预测，同时实验结果验证了本发明所使用方法的有效性。当前第1页12