[发明专利]一种基于小波分析的超高维数据重建深度学习方法

权利要求书

1.一种基于小波分析的超高维数据重建深度学习方法，其特征在于包括如下步骤：

S1，超高维图像数据预处理；

S2，超高维图像数据频域扩展，包括如下步骤：

S21，选择小波基；

S22，利用N阶高维小波包变换，提取超高维图像数据不同维度的频率信息，将超高维图像数据分解为N个经小波包变换的数值，即拟合图像空间信息的分解小波基系数，置于不同频域子带，分解层数根据图形处理器内存和数据规模而定；

S3，搭建神经网络，为各频域通道分别搭建独立的神经网络；

S4，训练神经网络，对各频域通道对应的神经网络进行平行训练；

S5，数据重建，将分解后的超高维图像数据，分别输入同级频域通道中训练好的神经网络，对各通道神经网络的输出进行小波包反变换，重建上级频域信息。

2.根据权利要求1所述的一种基于小波分析的超高维数据重建深度学习方法，其特征在于所述S22中，图像数据经一组正交的小波基分解后，通过一组滤波器，分为高频分量和低频分量，在此基础上，小波包变换对每一级的高频和低频子带做进一步的分解，通过最大化逐级分解信号的信息熵，计算出最优分解路径。

3.根据权利要求1所述的一种基于小波分析的超高维数据重建深度学习方法，其特征在于所述S3，搭建U-net神经网络，U-net神经网络包括一组相互对应的编码器和解码器对，同级编码器和解码器之间，使用跳层连接，拼接多尺度的特征图，将编码器下采样前的图像特征，拼接到解码器恢复同等像素的特征图中。

4.根据权利要求3所述的一种基于小波分析的超高维数据重建深度学习方法，其特征在于所述编码器包括编码器卷积层和下采样层，编码器卷积层的卷积核，提取其感受野下的细节特征，组成特征向量图，下采样层引入不变性并下采样图像特征；解码器包括解码器卷积层和上采样层，解码器卷积层的卷积核，得到特征向量图后，通过跳层连接，拼接了从同级解码器裁剪的部分特征向量图，通过上采样层恢复像素。

5.根据权利要求1所述的一种基于小波分析的超高维数据重建深度学习方法，其特征在于所述S3，搭建GAN神经网络，GAN神经网络包括级联的生成器和判别器，生成器是上采样的卷积网络，判别器是下采样的卷积网络，判别器一端分别获取目标图像和生成器输出的与目标图像同尺寸的图像数据，用于训练判别器，另一端将判别器输出的一维概率∈[0,1]用于训练生成器。

6.根据权利要求1所述的一种基于小波分析的超高维数据重建深度学习方法，其特征在于所述S4，包括如下步骤：

S41，初始化神经网络参数；

S42，标注后的图像数据前向传播通过神经网络，得到神经网络预测值，根据预测值和真值计算损失函数，利用损失函数，进行反向传播得到梯度，采用梯度下降法更新网络权值，通过多次迭代优化神经网络，直到神经网络收敛；

S43，调节神经网络超参数，用于防止神经网络过拟合。

7.根据权利要求6所述的一种基于小波分析的超高维数据重建深度学习方法，其特征在于所述S4中，训练U-net神经网络，U-net神经网络包括一组相互对应的编码器和解码器对，将原始图像数据输入编码器，通过对应解码器的输出得到预测值，根据预测值和原始图像对应的真值，计算损失函数。

8.根据权利要求6所述的一种基于小波分析的超高维数据重建深度学习方法，其特征在于所述S4中，训练GAN神经网络，GAN神经网络包括级联的生成器和判别器，训练前，初始化生成器和判别器的网络权值，通过迁移学习和/或随机化，初始生成器的网络参数，再用随机种子生成虚假图像数据，混入真值训练判别器并更新网络权值，之后用随机噪声作为生成器的输入，根据真值和判别器输出的预测值，通过反向传播误差更新生成器网络权值，生成器和判别器的表现在反复的迭代训练中交替上升，继续训练直至真值与预测值的误差趋于稳定。