CN112819082A - 一种基于深度学习的卫星频谱感知数据重构方法 - Google Patents

一种基于深度学习的卫星频谱感知数据重构方法 Download PDF

Info

Publication number
CN112819082A
CN112819082A CN202110175322.XA CN202110175322A CN112819082A CN 112819082 A CN112819082 A CN 112819082A CN 202110175322 A CN202110175322 A CN 202110175322A CN 112819082 A CN112819082 A CN 112819082A
Authority
CN
China
Prior art keywords
data
reconstruction
resolution
time
frequency spectrum
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110175322.XA
Other languages
English (en)
Other versions
CN112819082B (zh
Inventor
丁晓进
冯李杰
张更新
吴尘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110175322.XA priority Critical patent/CN112819082B/zh
Publication of CN112819082A publication Critical patent/CN112819082A/zh
Application granted granted Critical
Publication of CN112819082B publication Critical patent/CN112819082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开了一种基于深度学习的卫星频谱感知数据重构方法，结合了异常数据修复算法与深度卷积神经网络，包括数据预处理、数据重建、实时重建性能评估三个部分；数据预处理是将高分辨率频谱数据依次进行异常数据修复、降采样和数据匹配操作，低分辨率数据依次进行异常数据修复和数据匹配操作；数据重建步骤是利用历史高分辨率数据进行模型训练，将实时传输的低分辨率频谱输入到已经训练好的模型中，完成超分辨率重建；实时重建性能评估步骤是利用传输的少量高分辨率频谱数据评估数据重建的性能，以确定是否要重新进行模型训练。本方法可将低分辨率频谱数据重建为高分辨率频谱数据，从而有效降低星地传输数据量，减缓星地间数据传输压力。

Description

一种基于深度学习的卫星频谱感知数据重构方法
技术领域
本发明涉及一种基于深度学习的卫星频谱感知数据重构方法，属于认知无线电通信技术。
背景技术
卫星频谱感知是掌握频谱分配情况、提高频谱利用效率的有效途径，近年来受到越来越多的研究关注。特别是在通过卫星的频谱感知系统中，卫星能够以无缝方式实现全局频谱感知。然而，由于地球上的感测卫星与接收节点之间的距离较长，并且感知卫星的发射功率有限，因此从感知卫星到接收节点的链路难以承担海量感知数据的无线传输。当前，为了减少传输的数据量，数据压缩被广泛用于压缩传输前的原始数据。此外，信号重建是重建频谱感应卫星丢失数据的有效方法。
随着深度学习的进一步发展，由于深度学习在图像处理方面具有特定的能力来获得底层信息，因此已经引起了越来越多的研究关注，深度学习也已经被用于进行数据重构。开发了一种新的深度字典学习和编码网络，以在数据有限的情况下执行图像识别任务，并借助微分相分析工具，针对不完整的数据进一步提出了一种使用深度学习的新重构框架。对比计算机断层扫描，深度学习还被设计为重建用于压缩感知的信号。具体来说，开发一种基于混合模型的深度学习架构，该架构依赖于深度展开方法，并将数据采集和信号恢复进一步解释为自动编码结构。此外，研究了稀疏信号恢复和稀疏支持恢复，并提出了两种基于标准自动编码器结构的模型驱动方法。尽管基于压缩感知的稀疏信号恢复可用于重建丢失的数据，但它依赖于数据的稀疏性。在基于卫星的频谱感知的系统中，由于其覆盖范围广的特性，卫星可能会同时感知其覆盖范围内的大量发射终端，因此，频谱感知数据的稀疏性是模糊的。另外，传统的图像重建依赖于先验知识(如像素的分布等)和相邻像素之间的高相关性相比之下，这种先验知识在频谱感知数据的图像中很难获得，因为被感知的终端以随机的方式传输数据。因此，尽管可以将频谱感知数据转换成图像，但是频谱感知数据的图像仍然与通常的图片不同。
发明内容
发明目的：为了缓解星地之间有限的链路资源和大量的频谱感知数据之间的矛盾，本发明提供一种基于深度学习的卫星频谱感知数据重构方法，该方法综合使用了异常数据修复算法与深度卷积神经网络(DCNN)，让接收节点借助异常数据修复算法来对降采样的数据进行异常数据修复，再通过HR频谱离线训练后的深度卷积神经网络对预处理数据进行频谱重建，并通过周期性发送的小段HR频谱数据对模型重建性能实时评估的数据重构方法；该方法可以使卫星对频谱感知数据进行降采样，并从降采样后的副本中重建出原始的频谱感知数据，减缓星地之间数据传输的压力。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于深度学习的卫星频谱感知数据重构方法，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(High Resolution，HR)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(Low Resolution，LR)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；
(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：对实时采集的周期性传输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。
具体的，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。
具体的，对高分辨率频谱数据进行降采样和数据匹配的方法为：
(1.1)对高分辨率频谱数据
Figure BDA0002939589200000021
进行异常数据恢复，得到
Figure BDA0002939589200000022
行、Lf列的二维矩阵数据
Figure BDA0002939589200000023
其中
Figure BDA0002939589200000024
为频谱数据的总时隙长度，Lf为频谱数据的频点数目，截取前
Figure BDA0002939589200000025
行、Lf作为训练时的标签数据集
Figure BDA0002939589200000031
剩下的
Figure BDA0002939589200000032
行、Lf作为验证时的标签数据集
Figure BDA0002939589200000033
(1.2)在时域和频域分别以dt和df为间隔对
Figure BDA0002939589200000034
进行降采样；
(1.3)分别在时域和频域以dt和df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
Figure BDA0002939589200000035
截取前
Figure BDA0002939589200000036
行、Lf作为训练时的样本数据集
Figure BDA0002939589200000037
剩下的
Figure BDA0002939589200000038
行、Lf列作为验证时的样本数据集
Figure BDA0002939589200000039
具体的，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Lossbest＝∞，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，Lossbest＝L(θt)，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
Figure BDA00029395892000000310
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θt，对应的深度卷积神经网络记为
Figure BDA00029395892000000311
进入步骤(2.1.5)；
(2.1.5)使用验证样本集
Figure BDA00029395892000000312
对
Figure BDA00029395892000000313
进行验证，得到第t个训练周期的优化深度卷积神经网络
Figure BDA00029395892000000314
进入步骤(2.1.6)；
(2.1.6)计算
Figure BDA00029395892000000315
的损失函数L(θt)：若L(θt)＞Lossbest，则count＝count+1，进入步骤(2.1.3)；否则，count＝0，Lossbest＝L(θt)，返回步骤(2.1.3)；
其中：
Figure BDA00029395892000000316
K表示输入样本集
Figure BDA00029395892000000317
的样本总数，k为样本索引，Xk为输入样本集
Figure BDA00029395892000000318
中的第k个样本，Yk为输出标签集中的第k个标签，Xk与Yk对应，1≤t≤T；
(2.1.7)t＝t+1，返回步骤(2.1.2)；
(2.1.8)将Lossbest对应的网络参数作为最优网络模型参数
Figure BDA0002939589200000041
对应的优化得到的深度卷积神经网络作为最优网络模型
Figure BDA0002939589200000042
具体的，所述步骤(2)中，数据重建包括如下步骤：
(2.2.1)对实时采集的低分辨率频谱数据
Figure BDA0002939589200000043
进行异常数据恢复，得到
Figure BDA0002939589200000044
(2.2.2)分别在时域和频域以dt和df为间隔为
Figure BDA0002939589200000045
插入零，得到数据匹配后的数据
Figure BDA0002939589200000046
(2.2.3)将
Figure BDA0002939589200000047
输入到训练完成的深度卷积神经网络
Figure BDA0002939589200000048
中，得到重建的高分辨率频谱数据
Figure BDA0002939589200000049
具体的，所述步骤(3)中，实时重建性能评估包括如下步骤：
(3.1)对实时采集的高分辨率频谱数据
Figure BDA00029395892000000410
进行异常数据恢复，得到
Figure BDA00029395892000000411
(3.2)在时域和频域分别以dt和df为间隔对
Figure BDA00029395892000000412
进行降采样，再分别在时域和频域以dt和df为间隔为降采样后的数据插入零，得到数据匹配后的数据
Figure BDA00029395892000000413
(3.3)将
Figure BDA00029395892000000414
输入到训练完成的深度卷积神经网络
Figure BDA00029395892000000415
中，得到重建的高分辨率频谱数据
Figure BDA00029395892000000416
(3.4)计算
Figure BDA00029395892000000417
和
Figure BDA00029395892000000418
之间的平均绝对误差MAE；
(3.5)若MAE值大于设定的阈值
Figure BDA00029395892000000419
则暂停数据重建，并重新进行模型训练；否则，继续进行数据重建，直到数据重建完成。
具体的，所述步骤(3)中，平均绝对误差MAE的计算方法为：
Figure BDA00029395892000000420
其中：M为高分辨率频谱数据占用的频点总数，N为高分辨率频谱数据占用的时隙总数，y(i,j)为
Figure BDA0002939589200000051
的第i个频率点在第j个时隙上的归一化频谱数据，
Figure BDA0002939589200000052
为
Figure BDA0002939589200000053
的第i个频率点在第j个时隙上的归一化频谱数据。
有益效果：本发明提供的基于深度学习的卫星频谱感知数据重构方法，将异常数据修复算法与深度卷积神经网络结合在一起，接收节点借助异常数据修复算法来对降采样的数据进行异常数据修复，再通过经HR频谱离线训练后的深度卷积神经网络对预处理数据进行频谱重建，并通过周期性发送的小段HR频谱数据对模型重建性能实时评估的数据重构方法；该方法可以使卫星对频谱感知数据进行降采样，并从降采样后的副本中重建出原始的频谱感知数据，减缓星地之间数据传输的压力；其中，在数据预处理方面使用了零插值法，并使用自适应矩估计优化网络模型，使得模型具有更好的重建效果。
附图说明
图1为本发明的实施流程图；
图2为本发明方法在5％异常情况下有无异常修复的重建误差对比图；
图3为本发明方法使用离线在线框架和不使用离线在线框架的结果对比图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
我们探索了由多个频谱感知卫星和一个接收节点组成的频谱感知系统的频谱重构，频谱感知卫星可以对频谱感知数据进行下采样，然后将其向下传输到接收节点；接收节点不仅能够从频谱感知卫星处接收频谱感知数据，而且还能够重构不完整的频谱数据。
如图1所示为一种基于深度学习的卫星频谱感知数据重构方法，结合了异常数据修复算法与深度卷积神经网络；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；具体说明如下。
一、数据预处理
将高分辨率(High Resolution，HR)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(Low Resolution，LR)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
Figure BDA0002939589200000061
进行异常数据恢复，得到
Figure BDA0002939589200000062
行、Lf列的二维矩阵数据
Figure BDA0002939589200000063
其中
Figure BDA0002939589200000064
为频谱数据的总时隙长度，Lf为频谱数据的频点数目，截取前
Figure BDA0002939589200000065
行、Lf作为训练时的标签数据集
Figure BDA0002939589200000066
剩下的
Figure BDA0002939589200000067
行、Lf作为验证时的标签数据集
Figure BDA0002939589200000068
(1.2.2)在时域和频域分别以dt和df为间隔对
Figure BDA0002939589200000069
进行降采样；
(1.2.3)分别在时域和频域以dt和df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
Figure BDA00029395892000000610
截取前
Figure BDA00029395892000000611
行、Lf作为训练时的样本数据集
Figure BDA00029395892000000612
剩下的
Figure BDA00029395892000000613
行、Lf列作为验证时的样本数据集
Figure BDA00029395892000000614
二、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。
(2.1)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Lossbest＝∞，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，Lossbest＝L(θt)，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
Figure BDA0002939589200000071
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θt，对应的深度卷积神经网络记为
Figure BDA0002939589200000072
进入步骤(2.1.5)；
(2.1.5)使用验证样本集
Figure BDA0002939589200000073
对
Figure BDA0002939589200000074
进行验证，得到第t个训练周期的优化深度卷积神经网络
Figure BDA0002939589200000075
进入步骤(2.1.6)；
(2.1.6)计算
Figure BDA0002939589200000076
的损失函数L(θt)：若L(θt)＞Lossbest，则count＝count+1，进入步骤(2.1.3)；否则，count＝0，Lossbest＝L(θt)，返回步骤(2.1.3)；
其中：
Figure BDA0002939589200000077
K表示输入样本集
Figure BDA0002939589200000078
的样本总数，k为样本索引，Xk为输入样本集
Figure BDA0002939589200000079
中的第k个样本，Yk为输出标签集中的第k个标签，Xk与Yk对应，1≤t≤T；
(2.1.7)t＝t+1，返回步骤(2.1.2)；
(2.1.8)将Lossbest对应的网络参数作为最优网络模型参数
Figure BDA00029395892000000710
对应的优化得到的深度卷积神经网络作为最优网络模型
Figure BDA00029395892000000711
(2.2)数据重建包括如下步骤：
(2.2.1)对实时采集的低分辨率频谱数据
Figure BDA00029395892000000712
进行异常数据恢复，得到
Figure BDA00029395892000000713
(2.2.2)分别在时域和频域以dt和df为间隔为
Figure BDA00029395892000000714
插入零，得到数据匹配后的数据
Figure BDA00029395892000000715
(2.2.3)将
Figure BDA00029395892000000716
输入到训练完成的深度卷积神经网络
Figure BDA00029395892000000717
中，得到重建的高分辨率频谱数据
Figure BDA00029395892000000718
三、实时重建性能评估
对实时采集的周期性传输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。具体包括如下步骤：
(3.1)对实时采集的高分辨率频谱数据
Figure BDA0002939589200000081
进行异常数据恢复，得到
Figure BDA0002939589200000082
(3.2)在时域和频域分别以dt和df为间隔对
Figure BDA0002939589200000083
进行降采样，再分别在时域和频域以dt和df为间隔为降采样后的数据插入零，得到数据匹配后的数据
Figure BDA0002939589200000084
(3.3)将
Figure BDA0002939589200000085
输入到训练完成的深度卷积神经网络
Figure BDA0002939589200000086
中，得到重建的高分辨率频谱数据
Figure BDA0002939589200000087
(3.4)计算
Figure BDA0002939589200000088
和
Figure BDA0002939589200000089
之间的平均绝对误差MAE；
(3.5)若MAE值大于设定的阈值
Figure BDA00029395892000000810
则暂停数据重建，并重新进行模型训练；否则，继续进行数据重建，直到数据重建完成；平均绝对误差MAE的计算方法为：
Figure BDA00029395892000000811
其中：M为高分辨率频谱数据占用的频点总数，N为高分辨率频谱数据占用的时隙总数，y(i,j)为
Figure BDA00029395892000000812
的第i个频率点在第j个时隙上的归一化频谱数据，
Figure BDA00029395892000000813
为
Figure BDA00029395892000000814
的第i个频率点在第j个时隙上的归一化频谱数据。
为了验证基于深度学习的频谱数据重构方法的数据重建效果，选取GSM1800数据集和自己收集的数据集作为对比。在GSM1800数据集中，选择从1835～1848MHz的频率数据，持续时间为两周,频域和时域的最小间隔分别为200KHz和1.8秒。测量数据集是通过收集来自中星-10卫星的数据而创建的，采样持续时间为3小时，其中前2小时和后1小时的数据分别用于训练和测试，测量带宽为72MHz，范围为12529～12601MHz，其中仅12529～12531MHz用于重建。图2为基于纯DCNN的频谱重构以及本发明提出的数据重构方法的不同频率的重建误差MAE对比，从图中可以看出，在异常情况下，本发明提出的方法优于纯DCNN的频谱重构方法。此外，还可以看出，本发明方法提出的带有异常修复的重构误差MAE仍然比没有异常的纯DCNN方法的MAE稍好(频谱感知数据没有注入异常)，显示出提出的基于异常修复的重构方法既可以修复异常数据，又可以提高频谱重建的性能。图3中，本发明提出的实时评估框架的重构MAE与时隙的关系，其中预定义的MAE阈值为0.035。当实时MAE小于0.035时，训练后的重构模型可用于频谱重建。否则，应再次训练已训练的重构模型。从图3可以看出，随着时隙的增加，降采样数据会相应变化，从而导致所提出的单纯的重构方法无法很好地适应时变数据。相比之下，本方法的实时评估框架不仅可以在MAE高于预定阈值时自动查找事件，而且可以触发模型进入训练状态，然后使用重新训练的模型激活在线重构，显示了在实际系统中本方法的适应性。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

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；
(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：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。
3.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：对高分辨率频谱数据进行降采样和数据匹配的方法为：
(1.1)对高分辨率频谱数据
Figure FDA0002939589190000011
进行异常数据恢复，得到
Figure FDA0002939589190000012
行、Lf列的二维矩阵数据
Figure FDA0002939589190000013
其中
Figure FDA0002939589190000014
为频谱数据的总时隙长度，Lf为频谱数据的频点数目，截取前
Figure FDA0002939589190000015
行、Lf作为训练时的标签数据集
Figure FDA0002939589190000016
剩下的
Figure FDA0002939589190000017
行、Lf作为验证时的标签数据集
Figure FDA0002939589190000018
(1.2)在时域和频域分别以dt和df为间隔对
Figure FDA0002939589190000019
进行降采样；
(1.3)分别在时域和频域以dt和df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
Figure FDA0002939589190000021
截取前
Figure FDA0002939589190000022
行、Lf作为训练时的样本数据集
Figure FDA0002939589190000023
剩下的
Figure FDA0002939589190000024
行、Lf列作为验证时的样本数据集
Figure FDA0002939589190000025
4.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Lossbest＝∞，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，Lossbest＝L(θt)，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
Figure FDA0002939589190000026
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θt，对应的深度卷积神经网络记为
Figure FDA0002939589190000027
进入步骤(2.1.5)；
(2.1.5)使用验证样本集
Figure FDA0002939589190000028
对
Figure FDA0002939589190000029
进行验证，得到第t个训练周期的优化深度卷积神经网络
Figure FDA00029395891900000210
进入步骤(2.1.6)；
(2.1.6)计算
Figure FDA00029395891900000211
的损失函数L(θt)：若L(θt)＞Lossbest，则count＝count+1，进入步骤(2.1.3)；否则，count＝0，Lossbest＝L(θt)，返回步骤(2.1.3)；
其中：
Figure FDA00029395891900000212
K表示输入样本集
Figure FDA00029395891900000213
的样本总数，k为样本索引，Xk为输入样本集
Figure FDA00029395891900000214
中的第k个样本，Yk为输出标签集中的第k个标签，Xk与Yk对应，1≤t≤T；
(2.1.7)t＝t+1，返回步骤(2.1.2)；
(2.1.8)将Lossbest对应的网络参数作为最优网络模型参数
Figure FDA00029395891900000215
对应的优化得到的深度卷积神经网络作为最优网络模型
Figure FDA0002939589190000031
5.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，数据重建包括如下步骤：
(2.2.1)对实时采集的低分辨率频谱数据
Figure FDA0002939589190000032
进行异常数据恢复，得到
Figure FDA0002939589190000033
(2.2.2)分别在时域和频域以dt和df为间隔为
Figure FDA0002939589190000034
插入零，得到数据匹配后的数据
Figure FDA0002939589190000035
(2.2.3)将
Figure FDA0002939589190000036
输入到训练完成的深度卷积神经网络
Figure FDA0002939589190000037
中，得到重建的高分辨率频谱数据
Figure FDA0002939589190000038
6.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(3)中，实时重建性能评估包括如下步骤：
(3.1)对实时采集的高分辨率频谱数据
Figure FDA0002939589190000039
进行异常数据恢复，得到
Figure FDA00029395891900000310
(3.2)在时域和频域分别以dt和df为间隔对
Figure FDA00029395891900000311
进行降采样，再分别在时域和频域以dt和df为间隔为降采样后的数据插入零，得到数据匹配后的数据
Figure FDA00029395891900000312
(3.3)将
Figure FDA00029395891900000313
输入到训练完成的深度卷积神经网络
Figure FDA00029395891900000314
中，得到重建的高分辨率频谱数据
Figure FDA00029395891900000315
(3.4)计算
Figure FDA00029395891900000316
和
Figure FDA00029395891900000317
之间的平均绝对误差MAE；
(3.5)若MAE值大于设定的阈值
Figure FDA00029395891900000318
则暂停数据重建，并重新进行模型训练；否则，继续进行数据重建，直到数据重建完成。
7.根据权利要求6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(3)中，平均绝对误差MAE的计算方法为：
Figure FDA00029395891900000319
其中：M为高分辨率频谱数据占用的频点总数，N为高分辨率频谱数据占用的时隙总数，y(i,j)为
Figure FDA00029395891900000320
的第i个频率点在第j个时隙上的归一化频谱数据，
Figure FDA00029395891900000321
为
Figure FDA00029395891900000322
的第i个频率点在第j个时隙上的归一化频谱数据。
CN202110175322.XA 2021-02-09 2021-02-09 一种基于深度学习的卫星频谱感知数据重构方法 Active CN112819082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110175322.XA CN112819082B (zh) 2021-02-09 2021-02-09 一种基于深度学习的卫星频谱感知数据重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110175322.XA CN112819082B (zh) 2021-02-09 2021-02-09 一种基于深度学习的卫星频谱感知数据重构方法

Publications (2)

Publication Number Publication Date
CN112819082A true CN112819082A (zh) 2021-05-18
CN112819082B CN112819082B (zh) 2022-06-17

Family

ID=75864342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110175322.XA Active CN112819082B (zh) 2021-02-09 2021-02-09 一种基于深度学习的卫星频谱感知数据重构方法

Country Status (1)

Country Link
CN (1) CN112819082B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362412A (zh) * 2021-06-02 2021-09-07 中国工程物理研究院激光聚变研究中心 一种基于深度学习的散斑频谱信息重建方法及装置
CN114034327A (zh) * 2021-11-10 2022-02-11 南京航空航天大学 基于稀疏采样和人工神经网络的布里渊散射信号测量方法
CN114488105A (zh) * 2022-04-15 2022-05-13 四川锐明智通科技有限公司 一种基于运动特征及方向模板滤波的雷达目标检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006074123A2 (en) * 2005-01-05 2006-07-13 United States Postal Service System and method for image lift with enhanced image capture
CN102193108A (zh) * 2010-03-19 2011-09-21 中国石油天然气集团公司 一种提高石油勘探资料处理信噪比的方法
CN103325103A (zh) * 2013-03-07 2013-09-25 上海交通大学 高分辨率图像复原方法及系统
US20170069119A1 (en) * 2011-06-02 2017-03-09 Tektronix, Inc. Continuous rf signal visualization with high resolution
CN106658517A (zh) * 2015-11-03 2017-05-10 上海航天卫星应用有限公司 一种用于卫星通信中的频谱重叠共享的方法
CN108509843A (zh) * 2018-02-06 2018-09-07 重庆邮电大学 一种基于加权的Huber约束稀疏编码的人脸识别方法
CN108733624A (zh) * 2018-04-11 2018-11-02 杭州电子科技大学 一种水质异常数据检测与重构方法
US10331207B1 (en) * 2013-03-15 2019-06-25 John Castle Simmons Light management for image and data control
CN111242849A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于深度卷积神经网络的频谱超分辨率在线重建方法
CN111650738A (zh) * 2020-05-07 2020-09-11 清华大学深圳国际研究生院 一种基于深度学习的傅里叶叠层显微图像重构方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006074123A2 (en) * 2005-01-05 2006-07-13 United States Postal Service System and method for image lift with enhanced image capture
CN102193108A (zh) * 2010-03-19 2011-09-21 中国石油天然气集团公司 一种提高石油勘探资料处理信噪比的方法
US20170069119A1 (en) * 2011-06-02 2017-03-09 Tektronix, Inc. Continuous rf signal visualization with high resolution
CN103325103A (zh) * 2013-03-07 2013-09-25 上海交通大学 高分辨率图像复原方法及系统
US10331207B1 (en) * 2013-03-15 2019-06-25 John Castle Simmons Light management for image and data control
CN106658517A (zh) * 2015-11-03 2017-05-10 上海航天卫星应用有限公司 一种用于卫星通信中的频谱重叠共享的方法
CN108509843A (zh) * 2018-02-06 2018-09-07 重庆邮电大学 一种基于加权的Huber约束稀疏编码的人脸识别方法
CN108733624A (zh) * 2018-04-11 2018-11-02 杭州电子科技大学 一种水质异常数据检测与重构方法
CN111242849A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于深度卷积神经网络的频谱超分辨率在线重建方法
CN111650738A (zh) * 2020-05-07 2020-09-11 清华大学深圳国际研究生院 一种基于深度学习的傅里叶叠层显微图像重构方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DING YOUZHUAN等: "Reconstruction of incomplete satellite oceanographic data sets based on EOF and Kriging methods", 《SPIE》 *
邹建成等: "一种基于阵列相机的超分辨率重建方法", 《北方工业大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362412A (zh) * 2021-06-02 2021-09-07 中国工程物理研究院激光聚变研究中心 一种基于深度学习的散斑频谱信息重建方法及装置
CN114034327A (zh) * 2021-11-10 2022-02-11 南京航空航天大学 基于稀疏采样和人工神经网络的布里渊散射信号测量方法
CN114034327B (zh) * 2021-11-10 2023-02-28 南京航空航天大学 基于稀疏采样和人工神经网络的布里渊散射信号测量方法
CN114488105A (zh) * 2022-04-15 2022-05-13 四川锐明智通科技有限公司 一种基于运动特征及方向模板滤波的雷达目标检测方法
CN114488105B (zh) * 2022-04-15 2022-08-23 四川锐明智通科技有限公司 一种基于运动特征及方向模板滤波的雷达目标检测方法

Also Published As

Publication number Publication date
CN112819082B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN112819082B (zh) 一种基于深度学习的卫星频谱感知数据重构方法
Shi et al. Deep networks for compressed image sensing
CN111242849B (zh) 一种基于深度卷积神经网络的频谱超分辨率在线重建方法
CN102148987B (zh) 基于先验模型和l0范数的压缩感知图像重构方法
Ren et al. Power system event classification and localization using a convolutional neural network
CN110446173B (zh) 一种高效节能的星载无线传感网数据压缩方法
CN110300370B (zh) 一种重建wifi指纹地图室内定位方法
CN102332153A (zh) 基于核回归的图像压缩感知重构方法
CN110519233B (zh) 一种基于人工智能的星载传感网数据压缩方法
CN104780008A (zh) 一种基于自适应压缩感知的宽带频谱感知方法
CN111738521A (zh) 非侵入式电力负荷监测序列生成方法、系统、设备及介质
CN113793261A (zh) 一种基于3d注意力机制全通道融合网络的光谱重建方法
CN113075462A (zh) 一种基于神经网络的电磁场分布定位方法
CN115082308A (zh) 基于多尺度局部自注意力的视频超分辨率重建方法及系统
Hasnat et al. Sampling of power system graph signals
CN106878997A (zh) 一种分布式网络中的贝叶斯压缩频谱感知方法
Yu et al. SAR image super-resolution base on weighted dense connected convolutional network
CN104346773A (zh) 一种推扫式航天相机图像在轨实时复原方法
CN114325072B (zh) 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置
CN104901704A (zh) 具备时空相关特征的躯体传感网信号重构方法
Ding et al. Spectrum reconstruction via deep convolutional neural networks for satellite communication systems
CN114529482A (zh) 基于小波多通道深度网络的图像压缩感知重建方法
Kasem et al. DRCS-SR: Deep robust compressed sensing for single image super-resolution
CN113052080A (zh) 一种基于无监督生成对抗网络的非法无人机检测方法
CN115908144B (zh) 基于随机小波注意力的图像处理方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant