(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111627234.5 (22)申请日 2021.12.28 (65)同一申请的已公布的文献号 申请公布号 CN 114337778 A (43)申请公布日 2022.04.12 (73)专利权人 军事科学院系统工程研究院网络 信息研究所 地址 100141 北京市丰台区大成路13号院 (72)发明人 何元智　李志强　 (74)专利代理 机构 北京丰浩知识产权代理事务 所(普通合伙) 11781 专利代理师 李学康 (51)Int.Cl. H04B 7/185(2006.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G06K 9/62(2022.01) (56)对比文件 CN 111582319 A,2020.08.25 CN 108957594 A,2018.12.07 CN 113824489 A,2021.12.21 US 2020073742 A1,2020.0 3.05 审查员 徐丽丽 (54)发明名称 一种基于联合概率的卫星通信频轨资源数 据修正方法 (57)摘要 本发明公开了一种基于联合概率的卫星通 信频轨资源数据修正方法， 包括以下步骤： 首先， 根据等权均值白化方法对公开数据进行白化处 理； 然后采用半监督学习的方法， 利用数据库中 申报数据和实际使用数据训练联合概率模型； 利 用得到的联合概率模型， 修正白化数据； 利用修 正后的白化数据反演得到修正数据， 补充数据 库。 该方法主要有以下优点： 采用联合概率修正 的方法， 数据修正准确度高； 采用半监督学习的 方法， 利用结合公开数据和数据库数据训练联合 概率模型， 模型精确度高、 实现简单、 避免了 大量 的人工标注的工作； 该卫星通信频轨资源数据修 正算法， 实现的复杂度低， 可方便的进行快速构 建。 权利要求书2页 说明书5页 附图1页 CN 114337778 B 2022.06.24 CN 114337778 B 1.一种基于联合概率的卫星通信频轨资源数据修正方法， 其特征在于， 其具体步骤包 括： S1， 获取卫星通信频轨资源资源申请者所申报的卫星通信频轨资源数据， 其包含定量 数据和灰量数据， 对灰量数据进行 联合白化处 理； S2， 从国际电联获取卫星频轨资源数据库， 其包含卫星通信频轨资源资源申请者所申 报的卫星通信频轨资源数据Dw和实际使用的频轨资源数据信息Du， Dw和Du中卫星通信频轨 资源的参数顺序和参数数量均相同， 参数数量均为m个； 统计卫星频轨 资源数据库中所有申 请者申报和实际使用的频轨 资源的每一类参数的最大偏差百分比和最小偏差百分比范围， 将该范围均分为M ‑1份， 每段 范围端点作为该类参数的偏差百分比计量 值； S3， 采用半监督学习方法， 训练神经网络分类模型学习每个申报者对于频轨资源的某 类参数的偏差概率， 神经网络 分类模型的输出为每个申报者对于每一类参数的偏差百分比 的概率值， 将待修正的数据输入到该神经网络分类模型， 根据输出 的偏差百分比及概率值 对待修正的数据进行修 正； S4， 将待修正数据din对应的申请者名称输入到训练完成的神 经网络分类模型， 利用该 训练完成的神经网络分类模型预测得到每一参数的偏差百分比的概率， 预测得到的所有参 数的偏差百分比的概率 的向量表达式为 其中， Plr表示 第r个参数的第l个偏差百分比的概 率值； 计算得到每 个参数的修 正值为： 其中， 表示第r个参数的修 正值， er为第r个待修 正参数值； S5， 将步骤S1的经过联合白化处理的灰量数据， 输入至步骤S3中的训练完成的神经网 络分类模型， 得到修正后的 白化数据， 再对该修正后的白化数据通过白化数据反演， 得到修 正后的卫星通信频轨资源数据； 白化数据反演过程表示 为： 其中， 为第k个修正后的白化数据， 为第k个修正后的白化反演数据； 最后将所 有参数的修 正值以及所有修 正后的白化反演数据补充到卫星频轨资源数据库中； 所述的步骤S1， 其具体包括： 对于第k个灰量数据 按等权白化均值方式获得其白 化值 该过程的计算公式为： 其中， ak是灰量数据 的起点， bk是灰量数据 的止点， 为第k个灰量数据的白化 值； ck为灰量数据的止点到起点的距离， ck＝bk‑ak， 取α ＝0.5， 即上述白化过程即为等权均 值白化； 将第p个申请者namep所申报的一组卫星 通信频轨资源数据的定量数据和联合白化处理权　利　要　求　书 1/2 页 2 CN 114337778 B 2后的灰量数据， 作为一组待修正数据din， namep为 第p个申请者的名字， Din为待修正数据集合， A为定量数据的个数， B为联合白化处理后的灰 量数据的个数； 所述的步骤S2， 其具体为： 对于频轨资源的每r类参数， 计算卫星频轨资源数据库中申 请者申报值和实际使用值的最大偏差百分比 与最小偏差百分比 的范围， 然后将该 范 围均分为M ‑1份， 其具体过程 为： 上式中 表示第r个参数的从最大偏差开始的第l个偏差值的计量值， M表示参数偏差 值的数目， m表示频轨 资源的参数的数目； 偏 差百分比为申请者申报值和实际使用值之差除 以实际使用值； 对频轨 资源的每个参数进 行上述计算过程， 得到每个参数的M个偏差值的计 量值； 所述的步骤S3， 其具体包括： S31， 将每个申请者名称的每个字使用word2vec模型进行向量化表示， 所有字的向量与 申请者的申报数据的向量的拼接矩阵为Vecin； S32， 构建神经网络分类模型， 其包括卷积层、 全连接层和并行softmax输出层， 三层依 次连接； 神经网络分类模型的输入为Vecin， 并行softmax输出层包括m个并行的softmax分类 器， 每一个 softmax分类器的输出对应一类参数的偏 差百分比的概率值， m个并行的softmax 分类器的输出向量表示为 其中， Plr表示第r个参数的 第l个偏差百分比的概 率值； S33， 计算Dw中任一申请者的申报数据中的卫星通信 频轨资源参数的偏差百分值， 作为 对应该组数据的标签， 得到有标签的数据； 神经网络分类模型的损失函数设定为所有类别 的卫星通信频轨资源参数的交叉熵的均值； S34， 使用半监督学习方法对神经网络分类模型进行训练， 首先利用有标签数据训练神 经网络分类模型， 得到一个初步训练模型， 然后将每组待修正数据din对应的申请者名称输 入该初步训练模型， 得到对应每一参数 的偏差百分比的概率， 每个参数对应的概率最大 的 偏差百分比作为该参数的伪标签， 得到有伪标签的数据； S35， 利用有标签的数据和有伪标签的数据， 再次训练该神经网络分类模型， 得到训练 完成的神经网络分类模型。权　利　要　求　书 2/2 页 3 CN 114337778 B 3