本发明涉及应急指挥处置的通信保障领域，具体涉及一种基于神经网络的应急指挥处置的通信保障方法。
背景技术：
1、在应急指挥处置中，实现应急处置现场与应急指挥中心间的音视频双向互联互通是至关重要的。然而，在实际情况中，常常会遇到大灾后“三断”即断路、断电、断网的情况，这导致通信不畅，严重影响了应急处置指挥的效率。
2、现有的通信保障方法在面对这种复杂情况时，往往表现出诸多不足。它们难以有效地适应应急通信数据的复杂特征，无法准确地评估和预测通信质量的变化趋势。这使得通信资源的调配不够合理和高效，无法满足应急指挥处置的紧急需求。因此，为了有效解决大灾后“三断”情况下通信不畅等问题，提高应急处置指挥效率，亟需一种基于神经网络的应急指挥处置的通信保障方法，能够智能地评估和预测通信质量，合理调配通信资源，有效提升应急处置指挥的效率和效果。
技术实现思路
1、本发明针对上述的现有的通信保障方法在面对大灾后的通讯恢复所存在的技术问题，提出一种合理调配通信资源，有效提升应急处置指挥的效率和效果的人工智能技术。
2、为了达到上述目的，本发明采用的技术方案为，一种基于神经网络的应急指挥处置的通信保障方法，包括以下步骤：
3、s1、首先建立多层次冗余通信网络，为应急现场提供临时的通信保障；
4、s2、然后构建神经网络模型，收集历史通信数据利用卷积神经网络cnn架构适应应急通信数据的复杂特征；
5、s3、其次通过传感器和通信设备实时获取应急现场的通信数据，并进行特征提取和筛选；
6、s4、然后使用训练好的卷积神经网络cnn模型对当前通信质量进行评估，综合考虑多个指标预测未来一段时间内的通信质量变化趋势；
7、s5、最后基于通信质量评估和预测结果，自动调配通信资源，有效提升应急处置指挥的效率和效果；
8、所述步骤s4中使用训练好的卷积神经网络cnn模型的过程为：
9、s41、首先输入数据到cnn模型，进行前向传播计算其中，y是模型的输出，x是输入的数据，是模型的权重参数；
10、s42、其次是生成预测，输出当前通信质量的评估结果包括预测值和相关的置信度以及概率分布；
11、s43、然后综合考虑多个指标预测未来通信质量，使用滑动窗口技术对未来时间段进行预测，将窗口向前滑动并不断更新预测结果其中，是对未来时间点的预测值，是当前的预测值，是当前时刻的特征；
12、s44、最后综合评价分析，结合多个评估指标，对通信质量进行综合评价，计算加权平均值其中，是各个指标的权重，是指标值；另外利用预测结果和历史数据进行趋势分析，观察未来通信质量的变化趋势其中，是未来n时间部长的预测值，是当前时间的预测值。
13、作为优选，所述步骤s1建立多层次冗余通信网络包括在应急现场和指挥中心部署卫星通信设备，利用无线自组网技术在应急现场快速建立本地通信网络和部署应急通信车，配备多种通信手段包括卫星通信、无线电，作为移动的通信节点，为应急现场提供临时的通信保障。
14、作为优选，所述步骤s2构建卷积神经网络cnn模型的主要操作如下：
15、s21、首先是卷积层，提取数据的局部特征，卷积操作公式为其中，是第k个卷积核的偏置，是输出特征在位置(i,j)和第k个通道的值，是卷积核在位置(m,n)和第k个通道的权重，是输入数据在位置(i+m,j+n)的值；
16、s22、其次是激活函数，采用leaky relu，允许负输入值的梯度存在，公式为其中，x是输入值，是负斜率系数，为0.01；
17、s23、接着是池化层，下采样减小数据维度，采用最大池化其中，s是步幅，决定了池化窗口在输入特征图上的滑动距离；
18、s24、然后是全连接层，用于将扁平化后的特征向量映射到目标空间其中，是输入特征向量的第i个元素，是第j个节点的权重，是第j个输出节点的偏置；
19、s25、随后进行训练和优化，使用adam优化模型参数，调整卷积核大小、步幅、池化窗口大小、学习率超参数，以获得最佳性能；
20、s26、最后使用交叉验证方法评估模型的泛化能力。
21、作为优选，所述s3中通过传感器和通信设备实时获取应急现场的通信数据包括信号强度、延迟、误码率、数据吞吐量、网络抖动和丢包率。
22、作为优选，所述步骤s3中特征提取包括时间域特征，提取均值、标准差、偏度和峰度等统计特征，以捕捉数据的基本趋势和波动；频域特征，通过傅里叶变换和功率谱密度计算频域特征，以揭示数据中的周期性和频率分布；以及时频特征，应用短时傅里叶变换提取时频特征，捕捉数据中的时间和频率变化。
23、作为优选，所述步骤s3中特征筛选包括相关性分析，计算特征之间的相关性，去除冗余特征，以减少数据的复杂性；递归特征消除，基于模型的重要性评分逐步消除不重要的特征，优化特征子集。
24、与现有技术相比，本发明的优点和积极效果在于：
25、1、建立多层次冗余通信网络，能够在大灾后“三断”情况下为应急现场提供可靠的临时通信保障，确保应急处置现场与应急指挥中心间的音视频双向互联互通。
26、2、采用卷积神经网络cnn架构，能自动提取应急通信数据的局部特征，有效适应其复杂特征，提高通信质量评估和预测的准确性。
27、3、实时获取并分析应急现场的多种通信数据，进行全面的特征提取和筛选，为通信保障决策提供更可靠的依据，有助于提高应急指挥处置的效率和效果。
1.基于神经网络的应急指挥处置的通信保障方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的应急指挥处置的通信保障方法，其特征在于，所述步骤s1建立多层次冗余通信网络包括在应急现场和指挥中心部署卫星通信设备，利用无线自组网技术在应急现场快速建立本地通信网络和部署应急通信车，配备多种通信手段包括卫星通信、无线电，作为移动的通信节点，为应急现场提供临时的通信保障。
3.根据权利要求1所述的基于神经网络的应急指挥处置的通信保障方法，其特征在于，所述步骤s2构建卷积神经网络cnn模型的主要操作如下：
4.根据权利要求1所述的基于神经网络的应急指挥处置的通信保障方法，其特征在于，所述s2中通过传感器和通信设备实时获取应急现场的通信数据包括信号强度、延迟、误码率、数据吞吐量、网络抖动和丢包率。
5.根据权利要求1所述的基于神经网络的应急指挥处置的通信保障方法，其特征在于，所述步骤s3中特征提取包括时间域特征，提取均值、标准差、偏度和峰度等统计特征，以捕捉数据的基本趋势和波动；频域特征，通过傅里叶变换和功率谱密度计算频域特征，以揭示数据中的周期性和频率分布；以及时频特征，应用短时傅里叶变换提取时频特征，捕捉数据中的时间和频率变化。
6.根据权利要求1所述的基于神经网络的应急指挥处置的通信保障方法，其特征在于，所述步骤s3中特征筛选包括相关性分析，计算特征之间的相关性，去除冗余特征，以减少数据的复杂性；递归特征消除，基于模型的重要性评分逐步消除不重要的特征，优化特征子集。
