[发明专利]一种基于深度学习的卫星频谱感知数据重构方法

权利要求书

1.一种基于深度学习的卫星频谱感知数据重构方法，其特征在于：具体包括数据预处理、数据重建和实时重建性能评估三个部分，具体如下：

(1)数据预处理：将高分辨率频谱数据依次进行异常数据恢复、降采样和数据匹配操作完成预处理，将低分辨率频谱数据依次进行异常数据恢复和数据匹配操作完成预处理；

(1.1)对频谱数据进行异常数据恢复的方法为：

min rank(X)+λ||e||₀

subject to X+e＝T

其中：T为待异常数据恢复的频谱数据，X为异常数据恢复后的频谱数据，e为干扰异常，λ是一个正标量，秩函数rank(·)表示计算矩阵秩，||·||₀表示计算向量非零元素数量；

(1.2)对高分辨率频谱数据进行降采样和数据匹配的方法为：

(1.2.1)对高分辨率频谱数据进行异常数据恢复，得到行、L_f列的二维矩阵数据其中为频谱数据的总时隙长度，L_f为频谱数据的频点数目，截取前行、L_f作为训练时的标签数据集剩下的行、L_f作为验证时的标签数据集

(1.2.2)在时域和频域分别以d_t和d_f为间隔对进行降采样；

(1.2.3)分别在时域和频域以d_t和d_f为间隔为降采样后的数据插入零，将降采样后的数据恢复到高分辨率频谱数据的尺寸，得到数据匹配后的二维矩阵数据截取前行、L_f作为训练时的样本数据集剩下的行、L_f列作为验证时的样本数据集

(2)数据重建：对历史采集的高分辨率频谱数据进行预处理，利用该预处理后的数据对深度卷积神经网络进行模型训练；对实时采集的低分辨率频谱数据进行预处理，将该预处理后的数据输入到训练好的深度卷积神经网络中进行数据重建；

(3)实时重建性能评估：对实时采集的高分辨率频谱数据进行预处理，利用训练好的深度卷积神经网络对该预处理后的数据进行数据重建，对重建得到的高分辨率频谱数据和实时采集的高分辨率频谱数据进行误差比对，确定是否重新对深度卷积神经网络进行模型训练。

2.根据权利要求1所述的基于深度学习的卫星频谱感知数据重构方法，其特征在于：所述步骤(2)中，对深度卷积神经网络进行模型训练的过程包括：

(2.1.1)初始化最小损失函数Loss_best＝∞，训练周期为T，训练周期计数器t＝1；进入步骤(2.1.2)；

(2.1.2)判断t≤T是否成立：若成立，设置耐心值计数器count＝1，进入步骤(2.1.3)；否则，进入步骤(2.1.8)；

(2.1.3)判断count≤patience是否成立：若成立，则进入步骤(2.1.4)；否则，Loss_best＝L(θ_t)，进入步骤(2.1.7)；其中：patience为正整数，是用于监测模型训练的耐心值；

(2.1.4)使用训练样本集训练深度卷积神经网络，第t个训练周期训练得到的网络参数为θ_t，对应的深度卷积神经网络记为进入步骤(2.1.5)；

(2.1.5)使用验证样本集对进行验证，得到第t个训练周期的优化深度卷积神经网络进入步骤(2.1.6)；

(2.1.6)计算的损失函数L(θ_t)：若L(θ_t)＞Loss_best，则count＝count+1，进入步骤(2.1.3)；否则，count＝0，Loss_best＝L(θ_t)，返回步骤(2.1.3)；

其中：K表示输入样本集的样本总数，k为样本索引，X_k为输入样本集中的第k个样本，Y_k为输出标签集中的第k个标签，X_k与Y_k对应，1≤t≤T；

(2.1.7)t＝t+1，返回步骤(2.1.2)；

(2.1.8)将Loss_best对应的网络参数作为最优网络模型参数对应的优化得到的深度卷积神经网络作为最优网络模型