[發(fā)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(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210068128.6
• 申請(qǐng)日: 2022-01-20
• 公開（公告）號(hào): CN114417722A
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計(jì)）人: 王佳權(quán);郭錦華;馬啟明;周曉;肖芳;苑尚博;宋佳軍
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院電工研究所
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/04;G06N3/08;G06F111/08
• 代理公司: 北京瀚仁知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11482
• 代理人: 宋寶庫(kù);屠曉旭

本發(fā)明屬于雷電波形壓縮、人工智能和深度學(xué)習(xí)領(lǐng)域，具體涉及了一種基于人工智能的雷電電磁脈沖波形壓縮方法及系統(tǒng)，旨在解決現(xiàn)有數(shù)據(jù)壓縮方法無(wú)法處理差異較大的各類型的雷電電磁脈沖波形信號(hào)，且在降低壓縮計(jì)算復(fù)雜度與提高壓縮比之間無(wú)法兼容的問題。本發(fā)明包括：基于自編碼器構(gòu)建雷電數(shù)據(jù)壓縮模型，模型包括輸入層、編碼壓縮模塊、可變比率調(diào)節(jié)模塊、解碼重構(gòu)模塊和輸出層；基于各類別雷電電磁脈沖波形數(shù)據(jù)進(jìn)行模型的訓(xùn)練；通過原始波形與重構(gòu)波形之間的損失進(jìn)行模型參數(shù)調(diào)節(jié)；通過訓(xùn)練好的模型進(jìn)行實(shí)時(shí)的雷電電磁脈沖波形數(shù)據(jù)的壓縮，壓縮比由可變比率調(diào)節(jié)模塊控制。本發(fā)明可實(shí)現(xiàn)各類別雷電電磁脈沖波形信號(hào)的高質(zhì)量壓縮，壓縮比靈活可調(diào)。

技術(shù)領(lǐng)域

本發(fā)明屬于雷電波形壓縮、人工智能和深度學(xué)習(xí)領(lǐng)域，具體涉及了一種基于人工智能的雷電電磁脈沖波形壓縮方法及系統(tǒng)。

背景技術(shù)

雷電是一種壯觀又震撼的自然現(xiàn)象，我國(guó)位于亞洲東部，季風(fēng)氣候顯著，夏季雷電頻發(fā)，對(duì)于科技飛速發(fā)展的今天，雷電引發(fā)的事故還時(shí)有發(fā)生，因此對(duì)于雷電的研究尤為重要。然而，一直進(jìn)行雷電的探測(cè)與數(shù)據(jù)研究，導(dǎo)致數(shù)據(jù)量越來(lái)越龐大。基于目前龐大的雷電電磁脈沖波形數(shù)據(jù)量，一種對(duì)于數(shù)據(jù)的壓縮技術(shù)則顯得尤為重要。

隨著科技的進(jìn)步，人工智能在經(jīng)過幾次起落后再次回到大眾的視野，并成為一大熱門領(lǐng)域，尤其在人工智能的深度學(xué)習(xí)領(lǐng)域中，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型，由于其仿人腦的結(jié)構(gòu)具有極大的靈活性，在面對(duì)不同數(shù)據(jù)時(shí)，這類模型具有超強(qiáng)的學(xué)習(xí)能力，不僅可以學(xué)習(xí)不同數(shù)據(jù)的內(nèi)部規(guī)律，且其學(xué)習(xí)能力會(huì)根據(jù)搭建模型的不同而起到不同的作用。

因此，基于人工智能的神經(jīng)網(wǎng)絡(luò)模型的強(qiáng)大的數(shù)據(jù)表征能力，越來(lái)多的研究將人工智能應(yīng)用到雷電電磁脈沖波形壓縮中。然而，雷電電磁脈沖信號(hào)種類繁多，現(xiàn)有方法還難以對(duì)差異較大的各類型的雷電電磁脈沖波形信號(hào)均具備良好的壓縮與解壓性能，此外，隨著數(shù)據(jù)壓縮比的提高，模型計(jì)算復(fù)雜的也隨之提高，現(xiàn)有方法在降低壓縮計(jì)算復(fù)雜度與提高壓縮比之間還無(wú)法兼容。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的上述問題，即現(xiàn)有數(shù)據(jù)壓縮方法無(wú)法處理差異較大的各類型的雷電電磁脈沖波形信號(hào)，且在降低壓縮計(jì)算復(fù)雜度與提高壓縮比之間無(wú)法兼容的問題，本發(fā)明提供了一種基于人工智能的雷電電磁脈沖波形壓縮方法，該方法包括：

步驟S10，通過雷電輻射場(chǎng)信號(hào)采集設(shè)備，采集設(shè)定數(shù)量的雷電電磁脈沖波形數(shù)據(jù)，作為模型訓(xùn)練數(shù)據(jù)集；

步驟S20，基于堆疊自編碼器構(gòu)建雷電數(shù)據(jù)壓縮模型；所述雷電數(shù)據(jù)壓縮模型包括輸入層、編碼壓縮模塊、可變比率調(diào)節(jié)模塊、解碼重構(gòu)模塊和輸出層；

步驟S30，選擇所述模型訓(xùn)練數(shù)據(jù)集中一個(gè)訓(xùn)練數(shù)據(jù)，將數(shù)據(jù)輸入當(dāng)前雷電數(shù)據(jù)壓縮模型，獲取編碼壓縮模塊輸出的壓縮數(shù)據(jù)和解碼重構(gòu)模塊輸出的重構(gòu)數(shù)據(jù)；

步驟S40，計(jì)算所述壓縮數(shù)據(jù)與所述重構(gòu)數(shù)據(jù)之間的損失值，并通過隨機(jī)梯度下降法優(yōu)化函數(shù)更新所述雷電數(shù)據(jù)壓縮模型的參數(shù)，作為當(dāng)前雷電數(shù)據(jù)壓縮模型；

步驟S50，重復(fù)步驟S30-步驟S40進(jìn)行模型迭代訓(xùn)練，直至達(dá)到設(shè)定的訓(xùn)練結(jié)束條件，獲得訓(xùn)練好的雷電數(shù)據(jù)壓縮模型；

步驟S60，通過訓(xùn)練好的雷電數(shù)據(jù)壓縮模型，進(jìn)行實(shí)時(shí)采集的雷電電磁脈沖波形數(shù)據(jù)的壓縮。

在一些優(yōu)選的實(shí)施例中，所述編碼壓縮模塊包括多層一維卷積神經(jīng)網(wǎng)絡(luò)和最大值池化層，所述解碼重構(gòu)模塊包括與所述多層一維卷積神經(jīng)網(wǎng)絡(luò)一一對(duì)應(yīng)的一維逆卷積神經(jīng)網(wǎng)絡(luò)和與所述最大值池化層對(duì)應(yīng)的最大值上采樣層。

在一些優(yōu)選的實(shí)施例中，所述一維卷積神經(jīng)網(wǎng)絡(luò)，其表示為：