[發明專利]基于人工智能的雷電電磁脈沖波形壓縮方法及系統

在審

• 申請號: 202210068128.6
• 申請日: 2022-01-20
• 公開（公告）號: CN114417722A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 王佳權;郭錦華;馬啟明;周曉;肖芳;苑尚博;宋佳軍
• 申請（專利權）人: 中國科學院電工研究所
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F111/08
• 代理公司: 北京瀚仁知識產權代理事務所(普通合伙) 11482
• 代理人: 宋寶庫;屠曉旭

1.一種基于人工智能的雷電電磁脈沖波形壓縮方法，其特征在于，該方法包括：

步驟S10，通過雷電輻射場信號采集設備，采集設定數量的雷電電磁脈沖波形數據，作為模型訓練數據集；

步驟S20，基于堆疊自編碼器構建雷電數據壓縮模型；所述雷電數據壓縮模型包括輸入層、編碼壓縮模塊、可變比率調節模塊、解碼重構模塊和輸出層；

步驟S30，選擇所述模型訓練數據集中一個訓練數據，將數據輸入當前雷電數據壓縮模型，獲取編碼壓縮模塊輸出的壓縮數據和解碼重構模塊輸出的重構數據；

步驟S40，計算所述壓縮數據與所述重構數據之間的損失值，并通過隨機梯度下降法優化函數更新所述雷電數據壓縮模型的參數，作為當前雷電數據壓縮模型；

步驟S50，重復步驟S30-步驟S40進行模型迭代訓練，直至達到設定的訓練結束條件，獲得訓練好的雷電數據壓縮模型；

步驟S60，通過訓練好的雷電數據壓縮模型，進行實時采集的雷電電磁脈沖波形數據的壓縮。

2.根據權利要求1所述的基于人工智能的雷電電磁脈沖波形壓縮方法，其特征在于，所述編碼壓縮模塊包括多層一維卷積神經網絡和最大值池化層，所述解碼重構模塊包括與所述多層一維卷積神經網絡一一對應的一維逆卷積神經網絡和與所述最大值池化層對應的最大值上采樣層。

3.根據權利要求2所述的基于人工智能的雷電電磁脈沖波形壓縮方法，其特征在于，所述一維卷積神經網絡，其表示為：

其中，X_j為一維卷積神經網絡的輸出特征X的第j個輸出特征向量，S_i為輸入特征S的第i個輸入特征向量，K_ij為一維卷積神經網絡的卷積核K中連接第i個輸入特征向量和第j個輸出特征向量的卷積核向量，b_j為一維卷積神經網絡的偏置b的第j個偏置向量，f(·)表示非線性激活計算，M_j為連接輸入特征與輸出特征的映射數量。

4.根據權利要求3所述的基于人工智能的雷電電磁脈沖波形壓縮方法，其特征在于，所述最大值池化層，其表示為：

其中，P_j(n)為最大值池化層的輸出特征P的第j個輸出特征向量的第n個索引值，R表示池化窗口的大小，r表示池化窗口的元素索引，L表示池化的步長，max[·]表示最大值計算。

5.根據權利要求4所述的基于人工智能的雷電電磁脈沖波形壓縮方法，其特征在于，所述一維逆卷積神經網絡，其表示為：

其中，Y_j為一維逆卷積神經網絡的輸出特征Y的第j個輸出特征向量，T代表轉置計算。

6.根據權利要求5所述的基于人工智能的雷電電磁脈沖波形壓縮方法，其特征在于，所述最大值上采樣層，其表示為：

其中，U_j(n×L+r)為最大值上采樣層的輸出特征U的第j個輸出特征向量的第(n×L+r)個索引值，S_i(n)為輸入特征S的第i個輸入特征向量的第n個索引值。

7.根據權利要求6所述的基于人工智能的雷電電磁脈沖波形壓縮方法，其特征在于，所述可變比率調節模塊包括順次連接的設定數量的殘差塊、一個全連接層和一個線性激活層；

所述殘差塊包括設定數量的全連接層和一個Tanh激活層。

8.根據權利要求7所述的基于人工智能的雷電電磁脈沖波形壓縮方法，其特征在于，所述線性激活層，其表示為：

A_j＝S_i×(K_ij)^T+b_j

其中，A_j為線性激活層的輸出特征A的的第j個輸出特征向量。