本發明涉及射頻測試與智能信號處理，尤其涉及基于深度學習的射頻同軸電纜線損程度預測方法。
背景技術：
1、射頻同軸電纜作為射頻信號傳輸的重要載體，廣泛應用于通信系統、測試測量系統以及射頻設備連接場景中，其線損程度直接影響信號傳輸質量與系統性能穩定性。在現有技術中，射頻同軸電纜的線損檢測通常依賴于矢量網絡分析儀等測試設備，通過掃頻測試獲取插入損耗參數，并據此對電纜性能進行評估。該類方法以靜態測試結果為主，主要用于出廠檢測或定期檢測，難以對線損變化趨勢進行預測性分析。
2、隨著設備復雜度和應用頻段不斷提升，現有部分技術嘗試引入數據建模或簡單回歸方法對線損數據進行分析，但多數方法僅針對全頻段整體數據進行建模，未充分考慮不同頻段線損特性的差異性，也缺乏對測試數據質量和預測不確定性的系統刻畫。此外，現有方法通常直接輸出單一預測值，未能提供預測可信度信息，難以支撐預測型檢測和健康狀態評估應用，在射頻同軸電纜的長期運行監測和故障預測方面存在一定局限。
3、因此，如何提供基于深度學習的射頻同軸電纜線損程度預測方法是本領域技術人員亟需解決的問題。
技術實現思路
1、本發明的一個目的在于提出基于深度學習的射頻同軸電纜線損程度預測方法，本發明綜合利用射頻參數測試技術、頻段分頻建模方法以及證據深度回歸網絡，對射頻同軸電纜在不同頻段下的線損特性進行建模與預測，實現對線損程度的預測型檢測。本發明通過分頻處理刻畫不同頻段線損差異，引入證據參數對預測不確定性進行量化，并結合測試質量指標對各頻段預測結果進行加權融合，能夠輸出線損預測值及對應的預測可信度信息，具備預測結果可靠性高、頻段適應性強和適用于健康狀態評估的優點。
2、根據本發明實施例的基于深度學習的射頻同軸電纜線損程度預測方法，包括如下步驟：
3、設定射頻同軸電纜的測試頻段范圍，并基于頻率敏感性判據對測試頻段范圍進行分頻劃分，生成子頻段集合；
4、對待測射頻同軸電纜在測試頻段范圍內進行射頻參數測試，采集線損相關測試數據，生成線損測試數據集；
5、對線損測試數據集執行預處理，生成標準化線損特征數據；
6、基于子頻段集合對標準化線損特征數據進行分頻映射，構建頻段子特征數據集，并提取頻段測試質量指標集合；
7、將頻段子特征數據集及頻段測試質量指標集合輸入至分頻證據深度回歸網絡的頻段特征編碼模塊，生成頻段特征向量集合；
8、將頻段特征向量集合輸入至分頻證據深度回歸網絡的頻段證據回歸模塊，進行線損程度建模，輸出線損子預測結果與頻段證據參數集合；
9、在分頻證據深度回歸網絡中，基于頻段證據參數集合與頻段測試質量指標集合，生成全局線損程度預測結果；
10、基于全局線損程度預測結果及頻段證據參數集合，生成預測型檢測結果。
11、可選的，所述設定射頻同軸電纜的測試頻段范圍，并基于頻率敏感性判據對測試頻段范圍進行分頻劃分，生成子頻段集合具體包括：
12、設定射頻同軸電纜的線損測試頻段范圍，在測試頻段范圍內，對待測射頻同軸電纜執行線損相關測試，形成初始線損曲線數據；
13、基于初始線損曲線數據，構建頻率敏感性判據，并將頻率敏感性判據定義為頻率敏感性指標；
14、依據預設的頻率敏感性閾值，結合頻率敏感性判據，對測試頻段范圍內各頻率點對應的頻率敏感性指標進行逐一比較，篩選出頻率敏感區間；
15、以頻率敏感區間的邊界頻率以及測試頻段范圍的端點頻率作為分頻節點，基于頻率敏感性判據對測試頻段范圍進行分頻劃分，生成多個連續的子頻段；
16、按照頻率由低到高的順序對所有子頻段進行組合，生成子頻段集合。
17、可選的，所述對待測射頻同軸電纜在測試頻段范圍內進行射頻參數測試，采集線損相關測試數據，生成線損測試數據集具體包括：
18、在測試頻段范圍內，對待測射頻同軸電纜進行射頻參數測試，在各測試頻率處，采集射頻同軸電纜對應的插入損耗參數；
19、基于插入損耗參數，確定射頻同軸電纜在各測試頻率下對應的線損數值；
20、將測試頻段范圍內各測試頻率對應的線損數值按照測試頻率從低到高的順序進行排序，構建線損測試數據序列；
21、根據子頻段集合，將線損測試數據序列映射至各子頻段對應的頻率區間內，分別匯集屬于各子頻段的線損測試數據，形成線損測試數據集。
22、可選的，所述預處理包括頻率對齊、重采樣、噪聲抑制及幅度歸一化處理。
23、可選的，所述基于子頻段集合對標準化線損特征數據進行分頻映射，構建頻段子特征數據集，并提取頻段測試質量指標集合具體包括：
24、獲取標準化線損特征數據，并讀取與各標準化線損特征數據對應的對齊頻率序列；
25、基于子頻段集合，將對齊頻率序列中的各對齊頻率進行映射，構建頻段子特征數據集；
26、針對每一頻段子特征數據集，計算頻段線損離散度指標和頻段波動指標；
27、基于頻段線損離散度指標與頻段波動指標，構建與各子頻段對應的頻段測試質量指標集合。
28、可選的，所述將頻段子特征數據集及頻段測試質量指標集合輸入至分頻證據深度回歸網絡的頻段特征編碼模塊，生成頻段特征向量集合具體包括：
29、獲取頻段子特征數據集以及頻段測試質量指標集合，針對每一個子頻段對應的頻段子特征數據集，按照頻率由低到高的順序，構建頻段輸入序列；
30、針對頻段輸入序列，對每一對齊頻率點構建頻率位置編碼向量并與對應歸一化線損數值進行組合，生成頻段點級嵌入序列；
31、將頻段測試質量指標向量化得到質量向量，并基于質量向量生成質量調制參數，得到質量門控系數向量與質量偏置向量；
32、將頻段點級嵌入序列輸入至分頻證據深度回歸網絡的頻段特征編碼模塊的多尺度頻域編碼單元，生成多尺度編碼特征序列；
33、基于質量門控系數向量與質量偏置向量，對多尺度編碼特征序列進行質量門控調制處理，生成質量調制特征序列；
34、對質量調制特征序列執行注意力匯聚處理，生成頻段特征向量，對所有子頻段對應的頻段特征向量進行匯集，生成頻段特征向量集。
35、可選的，所述將頻段特征向量集合輸入至分頻證據深度回歸網絡的頻段證據回歸模塊，進行線損程度建模，輸出線損子預測結果與頻段證據參數集合具體包括：
36、獲取頻段特征向量集合，將頻段特征向量輸入至分頻證據深度回歸網絡的頻段證據回歸模塊中的線損回歸頭，生成線損子預測結果；
37、將頻段特征向量輸入至分頻證據深度回歸網絡的頻段證據回歸模塊中的證據參數回歸頭，生成頻段證據參數向量，并將所有子頻段對應的頻段證據參數向量匯集，構建頻段證據參數向量集合；
38、對頻段證據參數向量執行非負化處理，得到非負證據參數向量，基于非負證據參數向量，構建頻段證據參數集合；
39、將所有子頻段對應的線損子預測結果進行匯集，生成線損子預測結果集合。
40、可選的，所述在分頻證據深度回歸網絡中，基于頻段證據參數集合與頻段測試質量指標集合，生成全局線損程度預測結果具體包括：
41、獲取線損子預測結果集合、頻段證據參數集合和頻段測試質量指標集合；
42、針對每一個子頻段，基于頻段證據參數向量計算子頻段的證據強度標量；
43、基于頻段測試質量指標計算質量強度標量，并將質量強度標量作為頻段測試質量指標的質量匯聚值；
44、基于證據強度標量與質量強度標量未歸一化證據權重，對未歸一化證據權重執行歸一化處理，得到證據權重；
45、基于預設的相鄰子頻段證據權重變化閾值，對相鄰子頻段對應的證據權重執行變化約束處理；
46、基于預設的線損隨頻率一致性約束條件，對線損子預測結果執行一致性約束處理；
47、基于經相鄰子頻段證據權重變化約束處理后的各子頻段證據權重，對經線損隨頻率一致性約束處理后的各子頻段線損子預測結果執行加權融合處理，生成全局線損程度預測結果。
48、可選的，所述基于全局線損程度預測結果及頻段證據參數集合，生成預測型檢測結果具體包括：
49、基于頻段證據參數集合，針對每一個子頻段計算對應的預測可信度指標，得到可信度數值；
50、基于預設的可信度閾值，對各子頻段對應的可信度數值進行比較，當可信度數值低于可信度閾值時，將子頻段標識為低可信度子頻段，并生成低可信度子頻段標識；
51、將全局線損程度預測結果、可信度數值以及低可信度子頻段標識進行整合，構建線損程度預測結果集；
52、將線損程度預測結果集作為射頻同軸電纜的預測型檢測結果進行輸出。
53、本發明的有益效果是：
54、本發明通過對射頻同軸電纜在測試頻段范圍內采集的線損數據進行系統化處理，將傳統以靜態測試為主的線損檢測方式，擴展為基于數據建模的線損程度預測方式。通過對線損測試數據進行頻率對齊、重采樣、噪聲抑制和歸一化處理，并結合子頻段劃分機制，本發明能夠在寬頻段條件下穩定獲取結構化的線損特征數據，為后續建模提供一致性良好的輸入基礎，從而提升線損預測過程對測試條件變化的適應能力。
55、在此基礎上，本發明引入分頻證據深度回歸網絡作為核心建模結構，通過對不同子頻段線損特征進行分頻編碼與獨立回歸建模，實現對各子頻段線損程度的針對性預測。該網絡在輸出線損子預測結果的同時，同步生成與之對應的頻段證據參數，使預測結果不僅包含線損程度數值，還包含對預測不確定性的量化表征，從而增強線損預測模型在復雜頻譜環境下對頻段差異和數據不確定性的刻畫能力。
56、此外，本發明基于頻段證據參數與頻段測試質量指標對各子頻段預測結果進行加權融合，并在融合過程中引入相鄰子頻段權重變化約束及線損隨頻率一致性約束，使全局線損程度預測結果在頻率維度上保持連續性和一致性。通過輸出包含線損程度預測值、預測可信度信息以及低可信度子頻段標識的預測結果集，本發明能夠為射頻同軸電纜的預測型檢測和健康狀態評估提供信息更為完整的檢測結果，提升線損預測結果在工程應用中的可用性。