开云优惠体育网页版入口

专利名称：微波收发系统的衰减补偿控制方法及系统

专利类型：实用新型专利

专利申请号：CN202411181861.4

专利申请（专利权）人：四川欣科奥电子开云优惠体育网页版入口有限公司
权利人地址：四川省成都市成华区龙潭工业园成宏路26号汇润国际11楼

专利发明（设计）人：王司亮,李中华,曾齐兴,龙涛

专利摘要：本申请公开了一种微波收发系统的衰减补偿控制方法及系统，涉及微波控制领域，其通过采用基于深度学习的人工智能技术对微波收发系统的温度进行实时监测和数据分析，捕捉到局部时间尺度内温度变化的动态特性，并通过全局上下文聚类分析，挖掘出温度的全局变化特征模式，以此来智能生成温度补偿系数，从而实现对微波收发系统的衰减补偿控制，可以显著提高衰减补偿的精度和实时性，减少因温度变化引起的信号衰减和失真，确保微波收发系统的稳定性和通信质量。

主权利要求：
1.微波收发系统的衰减补偿控制方法，其特征在于，包括：
获取由温度传感器采集的微波收发系统的实时温度的时间序列；
对所述实时温度的时间序列进行基于局部时间尺度的时序编码以得到实时温度局部时序隐含关联特征向量的序列；
对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列；
对所述强化实时温度局部时序隐含关联特征向量的序列进行时序聚类分析以得到实时温度时序聚类表示特征向量；
基于所述实时温度时序聚类表示特征向量，生成温度补偿系数解码值，所述温度补偿系数解码值将实时地用于调整微波收发系统的衰减参数，以抵消由温度变化引起的增益波动；
对所述实时温度的时间序列进行基于局部时间尺度的时序编码以得到实时温度局部时序隐含关联特征向量的序列，包括：将所述实时温度的时间序列以预定时间尺度切分后通过基于1D_CNN模型的序列编码器以得到所述实时温度局部时序隐含关联特征向量的序列；
对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列，包括：提取所述实时温度局部时序隐含关联特征向量的序列中各个实时温度局部时序隐含关联特征向量的最大值以得到由各个最大值组成的实时温度时序突出特征向量；
提取所述实时温度局部时序隐含关联特征向量的序列中各个实时温度局部时序隐含关联特征向量的平均值以得到由各个平均值组成的实时温度时序全局特征向量；
分别对所述实时温度时序突出特征向量和所述实时温度时序全局特征向量进行一维卷积编码、非线性激活和线性变换以得到实时温度时序突出特征上下文关联激活特征向量和实时温度时序全局特征上下文关联激活特征向量；
基于所述实时温度时序突出特征上下文关联激活特征向量和所述实时温度时序全局特征上下文关联激活特征向量，对所述实时温度局部时序隐含关联特征向量的序列进行加权强化处理以得到所述强化实时温度局部时序隐含关联特征向量的序列；
基于所述实时温度时序突出特征上下文关联激活特征向量和所述实时温度时序全局特征上下文关联激活特征向量，对所述实时温度局部时序隐含关联特征向量的序列进行加权强化处理以得到所述强化实时温度局部时序隐含关联特征向量的序列，包括：计算所述实时温度时序突出特征上下文关联激活特征向量和所述实时温度时序全局特征上下文关联激活特征向量的按位置相加以得到实时温度时序突出?全局特征上下文关联激活特征向量；
对所述实时温度时序突出?全局特征上下文关联激活特征向量分别进行基于tanh激活函数的非线性激活和基于sigmoid激活函数的非线性激活以得到第一激活结果和第二激活结果，并将所述第一激活结果和所述第二激活结果进行按位置点乘以得到实时温度时序突出?全局特征上下文关联权重特征向量；
以所述实时温度时序突出?全局特征上下文关联权重特征向量中各个位置的特征值作为权重，对所述实时温度局部时序隐含关联特征向量的序列进行按位置点乘后再与所述实时温度局部时序隐含关联特征向量的序列进行按位置相加以得到所述强化实时温度局部时序隐含关联特征向量的序列；
对所述强化实时温度局部时序隐含关联特征向量的序列进行时序聚类分析以得到实时温度时序聚类表示特征向量，包括：将所述强化实时温度局部时序隐含关联特征向量的序列输入特征分布反向掩码聚类分析引擎以得到所述实时温度时序聚类表示特征向量；
将所述强化实时温度局部时序隐含关联特征向量的序列输入特征分布反向掩码聚类分析引擎以得到所述实时温度时序聚类表示特征向量，包括：对所述强化实时温度局部时序隐含关联特征向量的序列进行聚类以得到聚类中心向量；
计算所述强化实时温度局部时序隐含关联特征向量的序列中的各个强化实时温度局部时序隐含关联特征向量与所述聚类中心向量之间的语义相关系数以得到语义相关系数的序列；
取所述语义相关系数的序列中的各个语义相关系数的倒数以得到语义反相关系数的序列；
使用Sigmoid函数对所述语义反相关系数的序列进行归一化处理以得到语义反相关权重系数的序列；
以所述语义反相关权重系数的序列中的各个语义反相关权重系数作为权重，对所述强化实时温度局部时序隐含关联特征向量的序列中的各个强化实时温度局部时序隐含关联特征向量进行加权以得到抑制实时温度局部时序隐含关联特征向量的序列；
计算所述强化实时温度局部时序隐含关联特征向量的序列与所述抑制实时温度局部时序隐含关联特征向量的序列之间的按位置差分以得到优化实时温度局部时序隐含关联特征向量的序列；
计算所述优化实时温度局部时序隐含关联特征向量的序列的按位置均值向量以得到所述实时温度时序聚类表示特征向量。
2.根据权利要求1所述的微波收发系统的衰减补偿控制方法，其特征在于，计算所述强化实时温度局部时序隐含关联特征向量的序列中的各个强化实时温度局部时序隐含关联特征向量与所述聚类中心向量之间的语义相关系数以得到语义相关系数的序列，包括：计算所述强化实时温度局部时序隐含关联特征向量的转置向量与所述聚类中心向量之间的向量乘积以得到语义关联因子；
计算所述强化实时温度局部时序隐含关联特征向量的长度与所述聚类中心向量的长度之间的乘积以得到尺度相关因子；
将所述语义关联因子除以所述尺度相关因子以得到所述语义相关系数。
3.根据权利要求2所述的微波收发系统的衰减补偿控制方法，其特征在于，基于所述实时温度时序聚类表示特征向量，生成温度补偿系数解码值，包括：将所述实时温度时序聚类表示特征向量输入基于解码器的温度补偿系数生成器以得到所述温度补偿系数解码值。
4.微波收发系统的衰减补偿控制系统，用于执行如权利要求1所述的微波收发系统的衰减补偿控制方法，其特征在于，包括：数据获取模块，用于获取由温度传感器采集的微波收发系统的实时温度的时间序列；
实时温度时序编码模块，用于对所述实时温度的时间序列进行基于局部时间尺度的时序编码以得到实时温度局部时序隐含关联特征向量的序列；
显著性优化模块，用于对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列；
实时温度时序聚类分析模块，用于对所述强化实时温度局部时序隐含关联特征向量的序列进行时序聚类分析以得到实时温度时序聚类表示特征向量；
所述系统还包括：温度补偿系数解码值生成模块，用于基于所述实时温度时序聚类表示特征向量，生成温度补偿系数解码值，所述温度补偿系数解码值将实时地用于调整微波收发系统的衰减参数，以抵消由温度变化引起的增益波动。 说明书 : 微波收发系统的衰减补偿控制方法及系统技术领域[0001] 本申请涉及微波控制领域，且更为具体地，涉及一种微波收发系统的衰减补偿控制方法及系统。背景技术[0002] 随着通信技术的快速发展，微波收发系统在雷达、通讯、科学研究及工业应用等领域中扮演着越来越重要的角色。微波传输因其频率高、波长短、能穿透电离层等特性，成为远距离通信和高速数据传输的理想选择。[0003] 在实际应用中，温度是影响微波收发系统性能的关键因素之一。由于电子器件的物理特性随温度变化而显著变化，特别是在高低温环境下，电子迁移率的变化会导致功率器件的增益波动，进而影响整个系统的增益稳定性和传输质量。这种增益波动如果不加以补偿，将直接导致信号衰减，甚至可能引发信号失真或中断，严重影响通信的可靠性和效率。[0004] 传统的温度补偿方法主要依赖于硬件设计，如自动增益控制电路（AGC）和温度补偿衰减器等。AGC通过采样输出信号并反馈到输入端，以稳定波动较大的输入信号，但其核心部分——增益可变放大器往往会引入非线性失真。而温度补偿衰减器则基于预先定义好的温度变量与衰减量之间的对应关系来实现补偿，虽然简单有效，但在复杂多变的环境条件下，其补偿效果有限且难以精确控制。[0005] 因此，需要一种优化的微波收发系统的衰减补偿控制方法及系统以解决上述技术问题。发明内容[0006] 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种微波收发系统的衰减补偿控制方法及系统，其通过采用基于深度学习的人工智能技术对微波收发系统的温度进行实时监测和数据分析，捕捉到局部时间尺度内温度变化的动态特性，并通过全局上下文聚类分析，挖掘出温度的全局变化特征模式，以此来智能生成温度补偿系数，从而实现对微波收发系统的衰减补偿控制，可以显著提高衰减补偿的精度和实时性，减少因温度变化引起的信号衰减和失真，确保微波收发系统的稳定性和通信质量。[0007] 根据本申请的一个方面，提供了一种微波收发系统的衰减补偿控制方法，其包括：[0008] 获取由温度传感器采集的微波收发系统的实时温度的时间序列；[0009] 对所述实时温度的时间序列进行基于局部时间尺度的时序编码以得到实时温度局部时序隐含关联特征向量的序列；[0010] 对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列；[0011] 对所述强化实时温度局部时序隐含关联特征向量的序列进行时序聚类分析以得到实时温度时序聚类表示特征向量；[0012] 基于所述实时温度时序聚类表示特征向量，生成温度补偿系数解码值。[0013] 根据本申请的另一个方面，提供了一种微波收发系统的衰减补偿控制系统，其包括：[0014] 数据获取模块，用于获取由温度传感器采集的微波收发系统的实时温度的时间序列；[0015] 实时温度时序编码模块，用于对所述实时温度的时间序列进行基于局部时间尺度的时序编码以得到实时温度局部时序隐含关联特征向量的序列；[0016] 显著性优化模块，用于对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列；[0017] 实时温度时序聚类分析模块，用于对所述强化实时温度局部时序隐含关联特征向量的序列进行时序聚类分析以得到实时温度时序聚类表示特征向量；[0018] 温度补偿系数解码值生成模块，用于基于所述实时温度时序聚类表示特征向量，生成温度补偿系数解码值。[0019] 本申请至少具有如下技术效果：与现有技术相比，本申请提供的一种微波收发系统的衰减补偿控制方法及系统，其通过采用基于深度学习的人工智能技术对微波收发系统的温度进行实时监测和数据分析，捕捉到局部时间尺度内温度变化的动态特性，并通过全局上下文聚类分析，挖掘出温度的全局变化特征模式，以此来智能生成温度补偿系数，从而实现对微波收发系统的衰减补偿控制，可以显著提高衰减补偿的精度和实时性，减少因温度变化引起的信号衰减和失真，确保微波收发系统的稳定性和通信质量。附图说明[0020] 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。[0021] 图1为根据本申请实施例的微波收发系统的衰减补偿控制方法的流程图；[0022] 图2为根据本申请实施例的微波收发系统的衰减补偿控制方法的系统架构图；[0023] 图3为根据本申请实施例的微波收发系统的衰减补偿控制方法的子步骤S3的流程图；[0024] 图4为根据本申请实施例的微波收发系统的衰减补偿控制系统的框图。具体实施方式[0025] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。[0026] 如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。[0027] 虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。[0028] 本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。[0029] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。[0030] 传统的温度补偿方法主要依赖于硬件设计，如自动增益控制电路（AGC）和温度补偿衰减器等。AGC通过采样输出信号并反馈到输入端，以稳定波动较大的输入信号，但其核心部分——增益可变放大器往往会引入非线性失真。而温度补偿衰减器则基于预先定义好的温度变量与衰减量之间的对应关系来实现补偿，虽然简单有效，但在复杂多变的环境条件下，其补偿效果有限且难以精确控制。因此，需要一种优化的微波收发系统的衰减补偿控制方法及系统以解决上述问题。[0031] 在本申请的技术方案中，提出了一种微波收发系统的衰减补偿控制方法。图1为根据本申请实施例的微波收发系统的衰减补偿控制方法的流程图。图2为根据本申请实施例的微波收发系统的衰减补偿控制方法的系统架构图。如图1和图2所示，根据本申请的实施例的微波收发系统的衰减补偿控制方法，包括步骤：S1，获取由温度传感器采集的微波收发系统的实时温度的时间序列；S2，对所述实时温度的时间序列进行基于局部时间尺度的时序编码以得到实时温度局部时序隐含关联特征向量的序列；S3，对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列；S4，对所述强化实时温度局部时序隐含关联特征向量的序列进行时序聚类分析以得到实时温度时序聚类表示特征向量；S5，基于所述实时温度时序聚类表示特征向量，生成温度补偿系数解码值。[0032] 特别地，所述S1，获取由温度传感器采集的微波收发系统的实时温度的时间序列。其中，温度传感器是一种用于测量环境或物体温度的设备，它能够将温度转换为电信号或数字信号，以便进行监测、控制或记录。[0033] 特别地，所述S2，对所述实时温度的时间序列进行基于局部时间尺度的时序编码以得到实时温度局部时序隐含关联特征向量的序列。特别地，在本申请的一个具体示例中，将所述实时温度的时间序列以预定时间尺度切分后通过基于1D_CNN模型的序列编码器以得到所述实时温度局部时序隐含关联特征向量的序列。考虑到所述实时温度的时间序列数据往往包含大量的时间戳和对应的观测值，直接处理整个时间序列数据可能会因为数据量过大而导致计算效率低下，同时也难以有效捕捉局部时间范围内的细微变化。因此，在本申请的技术方案中，进一步将所述实时温度的时间序列以预定时间尺度切分成多个较短的时间窗口，进而采用基于1D_CNN模型的序列编码器对每个时间窗口内的温度数据进行时序编码，通过一维滑动卷积操作，捕捉到各个局部时间窗口内的温度动态变化特征，以实现细粒度的温度特征提。佣玫绞凳蔽露染植渴毙蛞含关联特征向量的序列。其中，1D_CNN模型是一种应用于处理一维数据的卷积神经网络模型。1D_CNN主要用于处理序列数据，例如时间序列数据、信号数据、文本数据等。[0034] 特别地，所述S3，对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列。考虑到在所述实时温度的时间序列中，不同局部时间段的温度变化可能具有不同的重要性，例如，在温度快速变化期间内的特征表示可能对补偿系数的计算更为关键。因此，为了使得网络聚焦于对温度补偿系数的计算更为关键的温度变化信息，在本申请的技术方案中，引入了基于全局上下文的显著性优化模块对所述实时温度局部时序隐含关联特征向量的序列进行特征强化处理。具体地，所述显著性优化模块通过学习和考虑整个序列的全局上下文信息，基于各个实时温度局部时序隐含关联特征向量的相关性和重要性，对其进行权重分配，以突出关键的温度变化特征，同时抑制不相关或次要的特征，以提高后续数据分析处理的针对性和有效性，从而得到更为精炼和具有代表性的强化实时温度局部时序隐含关联特征向量的序列。特别地，在本申请的一个具体示例中，如图3所示，所述S3，包括：S31，提取所述实时温度局部时序隐含关联特征向量的序列中各个实时温度局部时序隐含关联特征向量的最大值以得到由各个最大值组成的实时温度时序突出特征向量；S32，提取所述实时温度局部时序隐含关联特征向量的序列中各个实时温度局部时序隐含关联特征向量的平均值以得到由各个平均值组成的实时温度时序全局特征向量；S33，分别对所述实时温度时序突出特征向量和所述实时温度时序全局特征向量进行一维卷积编码、非线性激活和线性变换以得到实时温度时序突出特征上下文关联激活特征向量和实时温度时序全局特征上下文关联激活特征向量；S34，基于所述实时温度时序突出特征上下文关联激活特征向量和所述实时温度时序全局特征上下文关联激活特征向量，对所述实时温度局部时序隐含关联特征向量的序列进行加权强化处理以得到所述强化实时温度局部时序隐含关联特征向量的序列。[0035] 具体地，所述S31和所述S32，提取所述实时温度局部时序隐含关联特征向量的序列中各个实时温度局部时序隐含关联特征向量的最大值以得到由各个最大值组成的实时温度时序突出特征向量；并提取所述实时温度局部时序隐含关联特征向量的序列中各个实时温度局部时序隐含关联特征向量的平均值以得到由各个平均值组成的实时温度时序全局特征向量。其中，所述实时温度时序突出特征向量表示每个局部时序特征向量中的关键特征，有助于捕捉数据中的重要信息；所述实时温度时序全局特征向量表示整个序列的平均特征，有助于全局理解数据的特征。[0036] 具体地，所述S33，分别对所述实时温度时序突出特征向量和所述实时温度时序全局特征向量进行一维卷积编码、非线性激活和线性变换以得到实时温度时序突出特征上下文关联激活特征向量和实时温度时序全局特征上下文关联激活特征向量。具体地，分别对所述实时温度时序突出特征向量和所述实时温度时序全局特征向量进行一维卷积编码捕获序列中的局部模式和特征；在卷积操作后，应用非线性激活函数（如ReLU、Sigmoid等）来引入非线性特性；在非线性激活之后，进行线性变换（如全连接层）以将卷积后的特征映射到更高维度的空间。[0037] 具体地，所述S34，基于所述实时温度时序突出特征上下文关联激活特征向量和所述实时温度时序全局特征上下文关联激活特征向量，对所述实时温度局部时序隐含关联特征向量的序列进行加权强化处理以得到所述强化实时温度局部时序隐含关联特征向量的序列。具体地，在本申请的实施例中，首先，计算所述实时温度时序突出特征上下文关联激活特征向量和所述实时温度时序全局特征上下文关联激活特征向量的按位置相加以得到实时温度时序突出?全局特征上下文关联激活特征向量；接着对所述实时温度时序突出?全局特征上下文关联激活特征向量分别进行基于tanh激活函数的非线性激活和基于sigmoid激活函数的非线性激活以得到第一激活结果和第二激活结果，并将所述第一激活结果和所述第二激活结果进行按位置点乘以得到实时温度时序突出?全局特征上下文关联权重特征向量；随后以所述实时温度时序突出?全局特征上下文关联权重特征向量中各个位置的特征值作为权重，对所述实时温度局部时序隐含关联特征向量的序列进行按位置点乘后再与所述实时温度局部时序隐含关联特征向量的序列进行按位置相加以得到所述强化实时温度局部时序隐含关联特征向量的序列。[0038] 综上，在上述实施例中，对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列，包括：以如下显著性优化公式对所述实时温度局部时序隐含关联特征向量的序列进行处理以得到所述强化实时温度局部时序隐含关联特征向量的序列，其中，所述显著性优化公式为：[0039][0040][0041][0042][0043][0044] 其中，是所述实时温度局部时序隐含关联特征向量的序列， 是实时温度时序全局特征向量， 是实时温度时序突出特征向量， 表示取平均值， 表示取最大值，表示一维卷积运算， 表示 激活函数， 和 分别是用于线性变换的第一权重矩阵和第二权重矩阵， 和 分别是实时温度时序全局特征上下文关联激活特征向量和实时温度时序突出特征上下文关联激活特征向量，表示对应元素相加求和，表示 函数， 表示 激活函数， 表示点乘，是所述强化实时温度局部时序隐含关联特征向量的序列。[0045] 具体地，在本申请的其他具体示例中，还可以通过其他方式对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列，例如：输入所述实时温度局部时序隐含关联特征向量的序列；将实时温度局部时序隐含关联特征向量的序列输入全局上下文的显著性优化模块；在优化模块中，整合全局上下文信息与局部时序数据，以提高特征向量的表征能力和关联性；通过全局上下文的显著性优化模块，对实时温度局部时序隐含关联特征向量的序列进行强化处理；以得到所述强化实时温度局部时序隐含关联特征向量的序列。[0046] 特别地，所述S4，对所述强化实时温度局部时序隐含关联特征向量的序列进行时序聚类分析以得到实时温度时序聚类表示特征向量。特别地，在本申请的一个具体示例中，将所述强化实时温度局部时序隐含关联特征向量的序列输入特征分布反向掩码聚类分析引擎以得到所述实时温度时序聚类表示特征向量。具体地，为了挖掘出温度变化的全局模式和规律，需要进一步将所述强化实时温度局部时序隐含关联特征向量的序列进行特征整合。本申请的技术方案中，为了在特征整合的过程中进一步实现特征的提纯优化，引入了特征分布反向掩码聚类分析引擎对所述强化实时温度局部时序隐含关联特征向量的序列进行特征模式识别和聚类整合，以得到实时温度时序聚类表示特征向量。其中，所述特征分布反向掩码聚类分析引擎基于各个强化实时温度局部时序隐含关联特征向量的分布特性，评估其与全时域整体特征之间的相关性，识别出其中的不必要元素，通过反向掩码机制将不必要特征信息进行强化，进而通过计算所述强化实时温度局部时序隐含关联特征向量的序列与不必要特征信息之间的差异，以过滤掉所述强化实时温度局部时序隐含关联特征向量的序列中的不相关特征，从而实现特征的提纯优化。通过这种聚类方式，不仅能够挖掘出温度变化的全局模式和规律，还有效地增强了特征向量的区分度和表达能力，以支持更精确的温度补偿控制。[0047] 在本申请的实施例中，将所述强化实时温度局部时序隐含关联特征向量的序列输入特征分布反向掩码聚类分析引擎以得到所述实时温度时序聚类表示特征向量的过程包括：对所述强化实时温度局部时序隐含关联特征向量的序列进行聚类以得到聚类中心向量；计算所述强化实时温度局部时序隐含关联特征向量的序列中的各个强化实时温度局部时序隐含关联特征向量与所述聚类中心向量之间的语义相关系数以得到语义相关系数的序列；取所述语义相关系数的序列中的各个语义相关系数的倒数以得到语义反相关系数的序列；使用Sigmoid函数对所述语义反相关系数的序列进行归一化处理以得到语义反相关权重系数的序列；以所述语义反相关权重系数的序列中的各个语义反相关权重系数作为权重，对所述强化实时温度局部时序隐含关联特征向量的序列中的各个强化实时温度局部时序隐含关联特征向量进行加权以得到抑制实时温度局部时序隐含关联特征向量的序列；计算所述强化实时温度局部时序隐含关联特征向量的序列与所述抑制实时温度局部时序隐含关联特征向量的序列之间的按位置差分以得到优化实时温度局部时序隐含关联特征向量的序列；计算所述优化实时温度局部时序隐含关联特征向量的序列的按位置均值向量以得到所述实时温度时序聚类表示特征向量。[0048] 其中，计算所述强化实时温度局部时序隐含关联特征向量的序列中的各个强化实时温度局部时序隐含关联特征向量与所述聚类中心向量之间的语义相关系数以得到语义相关系数的序列，包括：计算所述强化实时温度局部时序隐含关联特征向量的转置向量与所述聚类中心向量之间的向量乘积以得到语义关联因子；计算所述强化实时温度局部时序隐含关联特征向量的长度与所述聚类中心向量的长度之间的乘积以得到尺度相关因子；将所述语义关联因子除以所述尺度相关因子以得到所述语义相关系数。[0049] 综上，在上述实施例中，将所述强化实时温度局部时序隐含关联特征向量的序列输入特征分布反向掩码聚类分析引擎以得到所述实时温度时序聚类表示特征向量，包括：以如下反向掩码聚合公式对所述强化实时温度局部时序隐含关联特征向量的序列进行处理以得到所述实时温度时序聚类表示特征向量，其中，所述反向掩码聚合公式为：[0050][0051][0052][0053][0054][0055][0056][0057][0058] 其中，是所述强化实时温度局部时序隐含关联特征向量的序列， 、 、 和分别是所述强化实时温度局部时序隐含关联特征向量的序列中的第一个强化实时温度局部时序隐含关联特征向量、第二个强化实时温度局部时序隐含关联特征向量、第i个强化实时温度局部时序隐含关联特征向量和第N个强化实时温度局部时序隐含关联特征向量，的值为所述强化实时温度局部时序隐含关联特征向量的序列中强化实时温度局部时序隐含关联特征向量的个数， 表示特征向量的转置，为聚类中心向量， 表示向量的长度， 表示所述第 个强化实时温度局部时序隐含关联特征向量与所述聚类中心向量之间的语义相关系数， 为第个语义反相关系数， 为第 个语义反相关权重系数， 表示以自然常数为底的指数函数，是抑制实时温度局部时序隐含关联特征向量的序列， 、、 和 分别是所述抑制实时温度局部时序隐含关联特征向量的序列中的第一个抑制实时温度局部时序隐含关联特征向量、第二个抑制实时温度局部时序隐含关联特征向量、第i个抑制实时温度局部时序隐含关联特征向量和第N个抑制实时温度局部时序隐含关联特征向量， 是优化实时温度局部时序隐含关联特征向量的序列， 、 、 和 分别是第一个优化实时温度局部时序隐含关联特征向量、第二个优化实时温度局部时序隐含关联特征向量、第i个优化实时温度局部时序隐含关联特征向量和第N个优化实时温度局部时序隐含关联特征向量，为所述实时温度时序聚类表示特征向量。[0059] 特别地，所述S5，基于所述实时温度时序聚类表示特征向量，生成温度补偿系数解码值。特别地，在本申请的一个具体示例中，将所述实时温度时序聚类表示特征向量输入基于解码器的温度补偿系数生成器以得到所述温度补偿系数解码值。具体地，在本申请的技术方案中，基于解码器的温度补偿系数生成器能够利用所述实时温度时序聚类表示特征向量中的特征信息，通过解码过程生成与当前温度状态相匹配的温度补偿系数解码值。并且，解码器通过反向传播和优化算法进行训练，以最小化预测的温度补偿系数与实际需求之间的误差，确保生成的温度补偿系数具有高精度和适应性。在实际应用中，所述温度补偿系数解码值将实时地用于调整微波收发系统的衰减参数，以抵消由温度变化引起的增益波动。通过这种智能的自适应控制，能够动态地补偿因温度变化导致的信号衰减和失真，从而保持微波收发系统的稳定性和通信质量，尤其在极端或快速变化的温度环境中，其优势更为明显。[0060] 在本申请的技术方案中，所述强化实时温度局部时序隐含关联特征向量的序列表达微波收发系统的实时温度值的一维局部时序关联特征，由此在进行基于基于全局上下文的显著性优化和特征分布反向掩码聚类后，得到的所述实时温度时序聚类表示特征向量也会相对于所述强化实时温度局部时序隐含关联特征向量的序列具有基于时序特征分布强化和反向掩码聚类的先验?后验解码回归因果关联缺失而导致离群类推理映射偏差，从而影响所述实时温度时序聚类表示特征向量输入基于解码器的温度补偿系数生成器得到的温度补偿系数解码值的准确性。[0061] 优选地，将所述实时温度时序聚类表示特征向量输入基于解码器的温度补偿系数生成器以得到所述温度补偿系数解码值包括：[0062] 以如下公式对所述实时温度时序聚类表示特征向量进行特征收敛优化以得到优化的实时温度时序聚类表示特征向量，其中，所述公式为：[0063][0064][0065] 其中，是所述实时温度时序聚类表示特征向量，为单位特征向量，是所述超参数的权重，是所述实时温度时序聚类表示特征向量的第个特征值，表示实时温度时序聚类表示分布表征值， 是计算特征向量中各个位置特征值的以所述实时温度时序聚类表示分布表征值为指数的幂函数，表示按位置点乘，表示按位置作差，表示按位置相加，是所述优化的实时温度时序聚类表示特征向量，是所述实时温度时序聚类表示特征向量的特征均值， 和 分别是所述实时温度时序聚类表示特征向量的最大特征值与最小特征值。[0066] 将所述优化的实时温度时序聚类表示特征向量输入所述基于解码器的温度补偿系数生成器以得到所述温度补偿系数解码值。[0067] 也就是，通过所述实时温度时序聚类表示特征向量相对于特征值分布的伯努利概率调制分布来进行所述实时温度时序聚类表示特征向量的基于特征值的概率信息分布规划，并将所述实时温度时序聚类表示特征向量的概率特征整体的概率反向映射作为对于所述实时温度时序聚类表示特征向量的集合映射空间的拓展覆盖，来对于所述实时温度时序聚类表示特征向量的直觉的概率信息分布和抽象的概率空间映射进行其间交互路径的独立理解，以通过避免所述实时温度时序聚类表示特征向量的离群特征分布到解码概率的反事实推理映射来提升所述优化的实时温度时序聚类表示特征向量输入基于解码器的温度补偿系数生成器得到的温度补偿系数解码值的准确性。[0068] 综上，根据本申请实施例的微波收发系统的衰减补偿控制方法被阐明，其通过采用基于深度学习的人工智能技术对微波收发系统的温度进行实时监测和数据分析，捕捉到局部时间尺度内温度变化的动态特性，并通过全局上下文聚类分析，挖掘出温度的全局变化特征模式，以此来智能生成温度补偿系数，从而实现对微波收发系统的衰减补偿控制。这样，可以显著提高衰减补偿的精度和实时性，减少因温度变化引起的信号衰减和失真，确保微波收发系统的稳定性和通信质量。[0069] 进一步地，还提供一种微波收发系统的衰减补偿控制系统。[0070] 图4为根据本申请实施例的微波收发系统的衰减补偿控制系统的框图。如图4所示，根据本申请实施例的微波收发系统的衰减补偿控制系统300，包括：数据获取模块310，用于获取由温度传感器采集的微波收发系统的实时温度的时间序列；实时温度时序编码模块320，用于对所述实时温度的时间序列进行基于局部时间尺度的时序编码以得到实时温度局部时序隐含关联特征向量的序列；显著性优化模块330，用于对所述实时温度局部时序隐含关联特征向量的序列输入基于全局上下文的显著性优化模块以得到强化实时温度局部时序隐含关联特征向量的序列；实时温度时序聚类分析模块340，用于对所述强化实时温度局部时序隐含关联特征向量的序列进行时序聚类分析以得到实时温度时序聚类表示特征向量；温度补偿系数解码值生成模块350，用于基于所述实时温度时序聚类表示特征向量，生成温度补偿系数解码值。[0071] 如上所述，根据本申请实施例的微波收发系统的衰减补偿控制系统300可以实现在各种无线终端中，例如具有微波收发系统的衰减补偿控制算法的服务器等。在一种可能的实现方式中，根据本申请实施例的微波收发系统的衰减补偿控制系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该微波收发系统的衰减补偿控制系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该微波收发系统的衰减补偿控制系统300同样可以是该无线终端的众多硬件模块之一。[0072] 替换地，在另一示例中，该微波收发系统的衰减补偿控制系统300与该无线终端也可以是分立的设备，并且该微波收发系统的衰减补偿控制系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

专利地区：四川

专利申请日期：2024-08-27

专利公开日期：2024-11-29

专利公告号：CN118713693B