欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025113031824
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于频谱知识图谱的用频态势重建方法,其特征在于:所述用频态势重建方法包括如下步骤:步骤1、部署低轨卫星星座,采集时空非均匀离散的频谱数据,形成频谱感知数据集;

步骤2、基于采集的频谱数据构建频谱知识图谱,通过三元组表征频谱态势的时空频多维关联;

步骤3、提取频谱知识图谱中的图结构特征,所述图结构特征包括节点度数特征、中心性特征和最短路径特征;

步骤4、将步骤3提取的图结构特征与频谱数据的时空属性融合,输入改进的频谱态势重建模型进行态势重建;

步骤5、输出未观测时刻的潜在频谱态势,其中:

所述步骤2包括如下步骤:

步骤2.1、采集的频谱数据为半结构化频谱数据,对所述半结构化频谱数据进行知识提取,生成实体和关系;

步骤2.2、构建本体;

步骤2.3、通过实体链接和知识映射将步骤2.1生成的实体与关系映射至步骤2.2的本体中,进行知识融合与知识存储,通过实体-关系-属性三元组表征频谱态势的时空频多维关联,形成频谱知识图谱;

所述步骤3包括如下步骤:

步骤3.1、提取节点度数特征:计算每个地面站节点的出度和入度,反映地面站节点在频谱知识图谱中的连接强度,对于每个地面站节点x∈Vx,计算地面站节点度数:其中,Eocc表示"OCCURRED_AT"关系边,t为时间节点;Vt为时间节点的集合,如果(t,x)∈Eocc,那么否则为0;

步骤3.2、提取最短路径特征:计算时间节点t与地面站节点x之间的最短路径长度ρ(t,x):通过高斯核函数归一化,得到最短路径特征

其中,ρ(t,x)表示时间节点t与地面站节点x之间最短路径长度的完整度量,包括路径存在和路径不存在两种情况,SPL(.)表示最短路径的原始数值度量,λ为高斯核函数的缩放因子;

步骤3.3、提取中心性特征:计算节点度中心性,衡量地面站节点x在频谱知识图谱中的重要性,其中,c(x)为节点度中心性。

2.根据权利要求1所述的一种基于频谱知识图谱的用频态势重建方法,其特征在于:所述步骤1包括如下步骤:步骤1.1、部署低轨卫星星座,接收地面站发射的信号;

步骤1.2、记录接收到的信号的频谱数据的时空属性,所述时空属性包括时间戳、小时周期特征、星期特征、纬度、经度、高度;

步骤1.3、采集信号的物理特征,所述物理特征包括链路ID、发射功率、接收频率、多普勒频偏;

步骤1.4、标注信号的频谱干扰状态标签,形成带标注的频谱感知数据集。

3.根据权利要求2所述的一种基于频谱知识图谱的用频态势重建方法,其特征在于:所述步骤4包括如下步骤:步骤4.1、对时空属性的时间戳、小时周期特征、星期特征、纬度、经度、高度进行处理;

步骤4.2、将所述节点度数特征、中心性特征和最短路径特征与时空属性的时间戳、小时周期特征、星期特征、纬度、经度、高度进行拼接,形成增强特征向量;

步骤4.3、将步骤4.2形成的增强特征向量输入改进的频谱态势重建模型进行训练和预测,完成态势重建,其中,改进的频谱态势重建模型包括KG-LSTM模型、KG-Transformer模型和KG-XGBoost模型。

4.根据权利要求3所述的一种基于频谱知识图谱的用频态势重建方法,其特征在于:所述步骤4.1,对时空属性的时间戳、小时周期特征、星期特征、纬度、经度、高度进行处理,包括如下步骤:步骤4.1.1、时序对齐处理,将时空属性中的原始时间字符串转换为Unix时间戳数值并提取时间周期特征,所述时间周期特征包括小时周期特征ht和星期特征dt,建立时间序列Xt∈RT×6,其中:其中,τt为时间戳,ht为小时周期特征,dt为星期特征,为维度,λt为经度,αt为高度;

步骤4.1.2、干扰标签生成,定义二值化干扰检测函数:y=I{C/N-C/(N+I)≥Δ}

其中,Δ为检测阈值,I为干扰功率,C/N-C/(N+I)≥Δ时,干扰功率I为1,否则为0,C为载波功率,N为噪声功率;

步骤4.1.3、异常值剔除,基于时间连续性检测的过滤规则:保留数据其中,δ为经验阈值,σΔ为历史差值标准差。

5.根据权利要求3所述的一种基于频谱知识图谱的用频态势重建方法,其特征在于:步骤4.2中,形成增强特征向量通过三种方式实现:第一种,通过KG-LSTM模型形成增强特征向量:KG-LSTM模型将提取的节点度数特征、最短路径特征和中心性特征与时空属性通过拼接方式融合,构建9维增强特征向量:其中,deg(xt)为节点度数特征,为最短路径特征,c(xt)为节点的中心性特征,T为转置;

第二种,通过KG-Transformer模型形成增强特征向量:KG-Transformer模型采用特征级融合策略,将节点度数特征、最短路径特征和中心性特征与时空属性共同作为输入到KG-Transformer模型,形成9维增强特征向量:其中,FKG为图谱特征矩阵:

FKG=[kt,ρt,ct]

其中,kt表示节点度数,ρt表示路径长度,ct表示节点中心性;

第三种,通过KG-XGBoost模型形成增强特征向量:KG-XGBoost模型将节点度数特征、中心性特征和最短路径特征通过特征拼接的方式与时空属性融合,形成9维的增强特征向量。

6.根据权利要求5所述的一种基于频谱知识图谱的用频态势重建方法,其特征在于:所述KG-LSTM模型包括:双分支结构:6维输入的时空特征分支和3维输入的图谱特征分支,LSTM层采用128单元,门控计算如下:it=σ(Wi·[ht-1,xt]+bi)

ft=σ(Wf·[ht-1,xt]+bf)

ot=σ(Wo·[ht-1,xt]+bo)

其中,it为输入门,ft为遗忘门,ot为输出门,σ为Sigmoid激活函数,Wi为输入门的权重矩阵,Wf为遗忘门的权重矩阵,Wo为输出门的权重矩阵,ht-1为上一时刻的隐藏状态,xt为当前时刻的输入,bi为输入门的偏置项,bf为遗忘门的偏置项,bo为输出门的偏置项;

特征映射层:将指节点度数特征、最短路径特征和中心性特征投影到8维空间:zt=ReLU(Wggt+bg)

其中,deg(xt)为节点度数特征,为节点间最短路径,c(xt)为节点的中心性特征,zt为映射特征,3维特征向量经投影后的8维向量,Wg为权重矩阵,gt为输入的图谱特征向量,bg为偏置向量;

门控融合机制:融合门控值ut和图谱特征向量gt,计算方式如下:ut=σ(Wu[ht;zt]+bu)

gt=ut⊙ht+(1-ut)⊙zt

其中,Wu为门控融合机制的权重矩阵,ht为时空特征,bu为门控融合机制的偏置项;

损失函数:采用加权交叉熵损失,引入拓扑一致性约束,公式如下:其中,N为训练集中参与损失计算的样本数量,wp为正样本权重,yt为样本的真实标签,为预测概率,wn为类别权重。

7.根据权利要求5所述的一种基于频谱知识图谱的用频态势重建方法,其特征在于:所述KG-Transformer模型包括:拓扑增强注意力机制:在自注意力计算中引入图谱特征权重,拓扑增强后的注意力计算为:其中,λ为调节系数,xi为第i个输入的特征向量,xj为第j个输入的特征向量,为KG-增强的查询投影矩阵,为KG-增强的键投影矩阵,dk为键/查询向量的维度,vi为频谱知识图谱中的第i个节点,vj为频谱知识图谱中的第j个节点,φ为拓扑关系函数;

特征感知投影:对图谱特征进行线性变换,表示为:

其中,表示块对角拼接,U*∈R3×8为图谱特征投影矩阵,WQ为时空特征的查询投影矩阵,UQ为图谱特征的查询投影矩阵,WK为时空特征的键投影矩阵,UK为图谱特征的键投影矩阵;

损失函数:结合交叉熵损失和拓扑一致性损失,拓扑一致性约束项为:其中,LKG为拓扑一致性损失,为直接从频谱知识图谱中提取的第i个样本的原始图谱特征即图谱特征真值,为KG-Transformer模型预测的特征,B表示批量大小,最终损失函数表示为:Ltotal=LBCE+LKG

其中,LBCE为二元交叉熵损失函数。

8.根据权利要求5所述的一种基于频谱知识图谱的用频态势重建方法,其特征在于:所述KG-XGBoost模型包括:增加拓扑一致性约束:

其中:α为特征融合权重,Wkg∈R3×3,Worig∈R3×3为可学习投影矩阵,yi为真实标签,第i个样本的真实值,为第i个样本的原始预测值,n为样本总数,K为决策树的总数量,k为决策树索引,i为样本索引,表示第i个训练样本,Ω(fk)为第k棵决策树的正则化项,fk为第k棵树的预测函数,Fkg为从频谱知识图谱中直接提取的未经KG-XGBoost模型转换的原始图谱特征矩阵;

特征优先策略:在决策树生成阶段优先选择图谱特征进行分裂,候选特征排序为:改进分裂增益计算:引入图谱特征的权重系数,公式如下:对输入样本x∈R6和对应的图谱特征fkg∈R3进行特征拼接,得到增强特征向量进行树集成预测,输出表示为:

其中,η为学习率,是输入样本x的预测值;

通过sigmoid函数将转换为概率:

正则化优化:调整叶子节点权重和树深度,

其中,Gsplit(fj)为数据效用增益,β为图谱特征奖励系数。