[发明专利]基于深度学习频谱分割的动态自适应衰减补偿方法及系统

权利要求书

1.一种基于深度学习频谱分割的动态自适应衰减补偿方法，其特征在于，所述基于深度学习频谱分割的动态自适应衰减补偿方法包括：

步骤一，对靶区资料进行初步分析和预处理；

步骤二，随机从靶区资料中挑选若干道信号作为训练样本，并对其频谱进行人工标签分类，选取频谱右侧第一个主峰值为分类标准；

步骤三，利用样本数据和标签进行神经网络训练；

步骤四，随机从靶区资料中选取若干道信号作为验证，按照步骤二中的标准进行标签分类；

步骤五，将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；

步骤六，对待补偿信号，利用训练好的神经网络进行频谱分割，获得分割点ω₂，计算补偿函数的增益顶点z₂；确定补偿区域和噪声压制区域；

步骤七，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；所述补偿信号的频谱计算方法包括：

采用对频谱分区补偿的方式，具体补偿方式为：

其中，A表示振幅增益倍数，自变量z是角频率ω的转换变量：其中a，b，c是二次函数的系数；

其中，Q是品质因子；τ是时间变量，τ’是用于积分的时间变量；

步骤八，重复步骤六至步骤七，直到得到所有信号处理结果。

2.一种如权利要求1所述基于深度学习频谱分割的动态自适应衰减补偿方法的基于深度学习频谱分割的动态自适应衰减补偿系统，其特征在于，所述基于深度学习频谱分割的动态自适应衰减补偿系统包括：

信息预处理模块，用于对靶区资料进行初步分析和预处理；

人工标签分类模块，随机从靶区资料中挑选若干道信号作为训练样本，并对频谱进行人工标签分类，选取频谱右侧第一个主峰值为分类标准；

神经网络训练模块，利用样本数据和标签进行神经网络训练；

重新训练模块，随机从靶区资料中选取若干道信号作为验证，按照标准进行标签分类；将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；

分类交点获取模块，对待补偿信号，利用训练好的神经网络进行频谱分割，获得分割点ω₂，计算补偿函数的增益顶点z₂；

信号处理结果获取模块，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；重复进行获得分类交点、傅里叶反变换处理，直到得到所有信号处理结果。

3.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1所述基于深度学习频谱分割的动态自适应衰减补偿方法，包括：

步骤1，对靶区资料进行初步分析和预处理；

步骤2，随机从靶区资料中挑选若干道信号作为训练样本，并对其频谱进行人工标签分类，选取频谱右侧第一个主峰值为分类标准；

步骤3，利用样本数据和标签进行神经网络训练；

步骤4，随机从靶区资料中选取若干道信号作为验证，按照步骤二中的标准进行标签分类；

步骤5，将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；

步骤6，对待补偿信号，利用训练好的神经网络进行频谱分割，获得分割点ω₂，计算补偿函数的增益顶点z₂；

步骤7，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；

步骤8，重复步骤6至步骤7，直到得到所有信号处理结果。

4.一种执行权利要求1所述基于深度学习频谱分割的动态自适应衰减补偿方法的信息处理终端，其特征在于，所述信息处理终端包括：

信息预处理模块，用于对靶区资料进行初步分析和预处理；

人工标签分类模块，随机从靶区资料中挑选若干道信号作为训练样本，并对频谱进行人工标签分类，选取频谱右侧第一个主峰值为分类标准；

神经网络训练模块，利用样本数据和标签进行神经网络训练；

重新训练模块，随机从靶区资料中选取若干道信号作为验证，按照标准进行标签分类；将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；

分类交点获取模块，对待补偿信号，利用训练好的神经网络进行频谱分割，获得分割点ω₂，计算补偿函数的增益顶点z₂；

信号处理结果获取模块，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；重复进行获得分类交点、傅里叶反变换处理，直到得到所有信号处理结果。