本發明涉及基于深度學習的應用領域，特別是涉及一種基于深度學習的調頻廣播地圖的智能同化構建方法及裝置。

背景技術：

1、廣播作為重要的公共傳播媒介，在信息的傳遞和社會的溝通中起著不可或缺的作用。其中，調頻廣播因其較強的抗干擾能力、高質量的音頻傳輸效果和廣泛的覆蓋范圍，在廣播通信領域具有重要地位。尤其在極端自然環境、災害應急通信和偏遠地區信息傳播中，調頻廣播往往能提供比其他通信方式更為可靠的保障。

2、廣播地圖是電磁頻譜地圖的一種形式，其作用在于從時間、頻率、空間和場強等多個維度，對廣播電磁環境進行全面定量描述，并結合地理信息實現電磁能量分布、頻譜資源利用情況的可視化。高精度廣播地圖不僅可以反映廣播資源的分布狀況，還能夠支持頻譜資源的精細化管理，為廣播電視信號覆蓋和服務優化提供數據支撐。

3、當前廣播地圖的構建方法主要分為空間插值構建法和參數構建法兩種。空間插值構建法通過對離散的測量數據進行插值估算，實現廣播電磁環境的連續性建模，但這種方法對數據采樣的密集性依賴較高且難以融入先驗知識，精度受到局限。相比之下，參數構建法通過建立基于傳播特性的預測模型，以模型的預測結果進行地圖構建。該方法的構建精度主要依賴于傳播預測模型的可靠性和精確度。

4、調頻廣播傳播過程中，信號在百公里范圍內傳播時會受到多種環境因素的共同作用，如復雜地形條件、多徑傳播效應、大氣層衰減及多普勒效應的影響，導致傳播過程中的信號衰減具有高度的非線性和不確定性。這給調頻廣播資源的高精度分布建模和地圖構建帶來了極大的技術挑戰。現有方法通常難以在數據稀疏或分布不均的復雜場景中提供準確可靠的廣播地圖。因此，如何利用先進的深度學習技術，提升復雜場景下廣播地圖的構建精度，成為亟待解決的問題。

技術實現思路

1、本發明的目的是為了克服現有技術中的不足，提高調頻廣播電視播出質量，提供一種基于深度學習的調頻廣播地圖的智能同化構建方法及裝置，本發明面向測量數據分布不均且稀疏的復雜場景，基于長短時記憶神經網絡(lstm)構建了高精度的廣播傳播模型，進而基于參數構建法構建高精度調頻廣播地圖。本發明能夠實現極端環境下廣播地圖的構建，是準確獲取廣播資源分布狀況、支撐廣播資源精細化管理，進而提高廣播電視播出質量的關鍵使能技術。

2、本發明的目的是通過以下技術方案實現的：

3、一種基于深度學習的調頻廣播地圖的智能同化構建方法，包括：

4、s1、數據處理與超參數設置；

5、采集距離發射臺120km內廣播的傳播特性數據，并將傳播特性數據劃分為訓練集、測試集和驗證集，用于構建基于lstm的廣播傳播模型；

6、設置廣播傳播模型的超參數初值，用于廣播傳播模型的迭代訓練；

7、所述傳播特性數據包括收發信機間的距離、地形間隙角、發射天線海拔高度、接收天線海拔高度、地形粗糙度、頻率和接收場強；

8、s2、對廣播傳播模型進行迭代訓練及超參數尋優；

9、將采集的傳播特性數據以及itu-r?p.1546和2001模型的預測值作為廣播傳播模型的輸入并進行迭代訓練，訓練過程中利用海鷗尋優算法調整廣播傳播模型的超參數，以實測的接收場強與廣播傳播模型的輸出結果的均方根誤差最小作為評價指標，完成迭代訓練及超參數尋優過程，得到訓練好的廣播傳播模型；

10、s3、構建廣播地圖的；運用參數構建法及訓練好的廣播傳播模型構建廣播地圖。

11、進一步的，步驟s1具體包括：

12、s101、數據采集與處理；

13、將收發信機間的距離、地形間隙角、發射天線海拔高度、接收天線海拔高度、地形粗糙度和頻率作為基本輸入參數，將itu-r?p.1546和2001模型的預測值作為同化輸入參數，將基本輸入參數和同化輸入參數一同輸入廣播傳播模型進行訓練；

14、s102、數據劃分；

15、將傳播特性數據按6:2:2的比例隨機分為訓練集、測試集和驗證集，分別用于廣播傳播模型的訓練、廣播傳播模型的超參數尋優以及廣播傳播模型最終性能的驗證；

16、s103、設置廣播傳播模型的超參數初值；

17、初始最大迭代次數設置為20次，初值學習率設置為0.005，初始隱藏層神經元個數設置為10個，初始隱藏層數設置為兩層，初始學習率下降算法設置為含動量的隨機梯度下降法；

18、s104、設置廣播傳播模型的超參數尋優范圍；

19、進一步的，步驟s2包括：

20、s201、將訓練集應用于廣播傳播模型進行訓練；

21、s202、將測試集輸入廣播傳播模型，并對輸出結果與實測值進行對比分析，進行預測精度驗證；

22、s203、判斷廣播傳播模型精度是否達到預期要求或廣播傳播模型迭代次數是否達到預先設置要求；

23、s204、若沒有達到精度要求或迭代次數要求，則利用海鷗尋優算法在預先設置的范圍內尋優最優超參數并利用訓練集數據重新訓練廣播傳播模型；

24、s205、若達到要求，則將驗證集數據輸入訓練好的廣播傳播模型驗證最終性能并保存。

25、進一步的，步驟s3包括：

26、s301、確定廣播地圖分辨率；根據實際構建場景，輸入廣播地圖構建所需的分辨率，分辨率越高，構建所需時間越長，構建的廣播地圖越精細；

27、s302、廣播傳播預測；根據步驟s301所確定的分辨率，利用步驟s2訓練好的廣播傳播模型進行廣播傳播預測，計算預測場強信息；

28、s303、構建廣播地圖；基于步驟s302計算的預測場強，利用參數構建法完成廣播地圖的構建。

29、本發明還提供一種基于深度學習的調頻廣播地圖的智能同化構建裝置，包括：

30、數據采集單元，用于采集距離發射臺120km內廣播的傳播特性數據，并將傳播特性數據劃分為訓練集、測試集和驗證集；傳播特性數據包括收發信機間的距離、地形間隙角、發射天線海拔高度、接收天線海拔高度、地形粗糙度、頻率和接收場強；

31、模型構建單元，用于基于lstm算法構建廣播傳播模型并設置廣播傳播模型的超參數初值，用于廣播傳播模型的迭代訓練；

32、訓練及超參數尋優單元，用于對廣播傳播模型進行迭代訓練及超參數尋優，得到訓練好的廣播傳播模型；

33、廣播地圖構建單元，用于運用參數構建法及訓練好的廣播傳播模型構建廣播地圖。

34、數據劃分單元，用于將傳播特性數據按6:2:2的比例隨機分為訓練集、測試集和驗證集：

35、超參數初值設置單元，用于設置廣播傳播模型的超參數初值；

36、判斷單元，用于判斷廣播傳播模型精度是否達到預期要求或廣播傳播模型迭代次數是否達到預先設置要求。

37、本發明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現所述基于深度學習的調頻廣播地圖的智能同化構建方法的步驟。

38、本發明還提供一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現所述基于深度學習的調頻廣播地圖的智能同化構建方法的步驟。

39、與傳統的廣播地圖構建方法相比，本發明通過引入lstm，利用其在處理時間序列數據和復雜非線性關系中的優勢，成功實現了高精度廣播傳播模型的構建。同時，結合海鷗尋優算法進行超參數自動尋優，使得模型的預測精度顯著提升。以下是本發明的技術方案所帶來的有益效果：

40、1.高精度預測能力：通過將lstm網絡與傳統傳播預測模型(如itu-r?p.1546模型)的預測結果進行同化，本發明有效結合了先驗知識與深度學習的特性，顯著提高了在復雜傳播場景下廣播傳播模型的預測精度。即使在數據分布稀疏的區域，也能實現高精度的信號場強預測。

41、2.數據利用效率提高：本發明通過數據同化的方式，充分利用了已有測量數據和傳統預測模型的輸出信息，減少了對額外測量數據的依賴，從而降低了數據采集的成本和時間。

42、3.場景適應性強：無論是城市、郊區還是復雜地形的農村區域，本發明的模型均能對廣播傳播特性進行精準建模，為不同場景下的廣播資源管理提供可靠支持。

43、4.支持精細化管理：構建的高分辨率廣播地圖能夠直觀展示廣播電磁能量的分布狀況，有助于廣播資源的精細化管理與優化，為廣播電視播出質量的提升提供技術保障。

44、5.廣泛應用前景：本發明構建的廣播地圖能夠為廣播電視信號覆蓋優化、應急通信保障、電磁環境監測等多個領域提供支持，具有較高的應用價值和推廣意義。

45、綜上，本發明有效解決了現有技術中對復雜場景適應性差、精度不足的問題，為廣播通信技術的發展和頻譜資源的高效利用提供了重要的技術支撐。