[发明专利]一种频谱预测方法、系统及电子设备

权利要求书

1.一种频谱预测方法，其特征在于，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。

2.根据权利要求1所述的频谱预测方法，其特征在于，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。

3.根据权利要求2所述的频谱预测方法，其特征在于，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，(w_i,b_i)为隐含层节点的参数，β_i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,...,x_S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：

4.根据权利要求3所述的频谱预测方法，其特征在于，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。

5.根据权利要求4所述的频谱预测方法，其特征在于，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。

6.根据权利要求1所述的频谱预测方法，其特征在于，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，a_j是自回归参数，为自回归过程的系数，b_j是自回归参数，为移动平均过程的系数。

7.一种频谱预测系统，其特征在于，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。

8.根据权利要求7所述的频谱预测系统，其特征在于，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。