专利名称：一种基于图形模型的跳频序列预测系统的制作方法
技术领域：
本发明属于跳频序列预测技术领域，尤其涉及一种基于图形模型的跳频序列预测系统。
背景技术：
现有的混沌时间序列预测方法是，将原始混沌时间序列嵌入到m维相空间，其实质是利用原始序列中某个序列点和它在延迟时间τ下生成的多个不同延迟点，共同重构m维相空间中的一个相点，因为时间延迟τ的选取可以确保这些时延点间相互关联，故可以利用贝叶斯网络来刻画这种关联性；重构后的相空间表示为一个mXn维的矩阵，各个行向量之间存在依赖关联特性，现有技术方案:(I)将各行向量作为贝叶斯网络的一个变量，采用K2算法进行贝叶斯网络结构学习，进而构造含有m个节点的有向无环图，有向无环图把相空间中各行向量之间的相互依赖关系直观地用图形表示；(2)用最大似然估计学习贝叶斯网络参数，即确定每个节点处的条件概率分布表，其中概率分布表内的概率值，体现各行向量之间的依赖强度，进而完成贝叶斯预测模型的构建；(3)将重构后的相空间进行τ步延拓，延拓后的相空间如下所示:
权利要求
1.一种基于图形模型的跳频序列预测系统，其特征在于，通过相空间重构建立的基于图形模型的跳频序列预测系统包括: 预处理模块，对截获的原始跳频序列进行去噪、去带宽等，选取适量的一段跳频序列{xj,i=l, 2，…，N作为模型构建的训练集数据，把训练集数据后面相邻的M个跳频码作为模型检验数据； 预测模块，与所述预处理模块连接，用于重构相空间和构建预测模型； 反馈调整模块，与所述预处理模块和预测模块连接，用于精度检测，反馈与模型调整。
2.如权利要求1所述的基于图形模型的跳频序列预测系统，其特征在于，重构相空间所需的嵌入维数m和时间延迟τ分别采用Cao方法和自相关法求解。
3.如权利要求1所述的基于图形模型的跳频序列预测系统，其特征在于，构建预测模型所需的贝叶斯网局部络构由基于MMPC的改进算法学习查询节点的马尔科夫边界而获得。
4.如权利要求1所述的基于图形模型的跳频序列预测系统，其特征在于，所述预处理模块还包括: 用侦察接收机截获原始跳频序列的跳频序列数据收集单元； 用于去除原始跳频序列噪声、带宽的数据处理单元，与所述跳频序列数据收集单元连接; 经过归一化得到的用于重构相空间和构建模型的训练集数据单元，与所述数据处理单元连接； 用于预测精度检测、反馈与模型调整的检测模型检验数据单元，与所述数据处理单元连接； 经相空间τ步延拓得到的用于预测的证据数据单元，与所述训练集数据单元连接。
5.如权利要求1所述的基于图形模型的跳频序列预测系统，其特征在于，所述预测模块还包括: 利用训练集数据学习获得的相空间数据单元，与所述训练集数据单元连接； 在相空间重构基础上，经过局部结构学习和参数学习得到的贝叶斯网络单元，与所述相空间数据单元连接； 利用贝叶斯网络模型预测跳频序列的预测数列单元，与所述贝叶斯网络单元和证据数据单元连接。
6.一种基于图形模型的跳频序列预测方法，其特征在于，所述跳频序列预测方法包括以下步骤: 步骤1，对截获的原始跳频序列进行去噪、去带宽等，选取适量的一段跳频序列{xj,i=l, 2，…，N作为模型构建的训练集数据， 把训练集数据后面相邻的M个跳频码作为模型检验数据； 步骤2，利用自相关法和Cao方法求重构相空间的时间延迟τ和嵌入维数m，然后根据这两个参数，把训练集数据重构成mXn维的矩阵作为相空间X，其中
7.如权利要求6所述的重构相空间的参数，其特征在于，在自相关法求得的延迟值Td基础上，时间延迟τ可以向下调节，τ的取值范围为2彡τ ^ Tdo
8.如权利要求6所述基于MMPC的改进算法学习得到的查询节点的马尔科夫边界，其特征在于，马尔科夫边界包含的节点数为α，参数α的取值范围为2彡α彡5。
全文摘要
本发明公开了一种基于图形模型的跳频序列预测系统，包括预处理模块，用于对截获的原始跳频序列进行去噪、去带宽等处理；预测模块，与所述预处理模块连接，用于重构相空间和构建预测模型；反馈调整模块，与所述预处理模块和预测模块连接，用于精度检测，反馈与模型调整。本发明采用Cao方法和自相关法求解嵌入维数m和时间延迟τ进而重构相空间，基于改进的MMPC算法学习查询节点的马尔科夫边界构建预测模型。本发明的嵌入维数m和时间延迟τ是相空间重构的两个关键参数，利用自相关法和Cao方法获得参数更稳定可靠，通过马尔科夫边界简化贝叶斯网络模型，使得预测效率更高。
文档编号H04B1/7136GK103209005SQ201310137018
公开日2013年7月17日 申请日期2013年4月18日 优先权日2013年4月18日
发明者杨有龙, 王文生, 曹颖 申请人:西安电子科技大学