重庆移通学院

本发明请求保护一种基于优化模态分解与注意力增强时序网络的PM2.5预测方法，属于空气质量预测技术领域。该方法包括：获取目标站点的历史空气污染及气象数据；采用鲸鱼优化算法对变分模态分解的模态数量k与惩罚因子α进行联合寻优，并据此将原始非平稳PM2.5序列分解为多个本征模态分量；将各分量与多维特征融合，构建滑动窗口时序样本集；利用由一维卷积神经网络、卷积块注意力模块及双向门控循环单元构成的混合模型进行预测。其中，1DCNN提取局部短期波动特征，CBAM自适应强化关键通道与时空信息，BiGRU双向捕获长时序依赖关系。本发明有效解决了传统方法中分解参数依赖人工经验、局部特征提取弱及单向时序信息利用不充分等问题。

本发明提供了一种基于数据驱动的通讯信号异常识别方法，该方法包括：对原始通讯时域信号进行自适应降噪与基线漂移校正，得到校正后时域信号序列；计算信道环境扰动系数并修正基线参数集，生成动态基准特征序列；对校正信号进行自适应分解与相关性计算，构建信号动态拓扑图；经特征聚合与正交约束提取解耦异常特征向量，计算其与动态基准的偏差向量；通过异常分类器输出异常类型概率分布；在异常因果知识图谱中完成因果路径检索与根因置信度计算，最终输出异常识别及根因诊断结果。本发明可适配复杂信道环境，有效提升了异常识别准确率与根因定位精度，适用于通信系统实时监测场景。