CN117669335A - 一种基于太空环境数据挖掘方法及系统 - Google Patents

一种基于太空环境数据挖掘方法及系统 Download PDF

Info

Publication number
CN117669335A
CN117669335A CN202410139279.5A CN202410139279A CN117669335A CN 117669335 A CN117669335 A CN 117669335A CN 202410139279 A CN202410139279 A CN 202410139279A CN 117669335 A CN117669335 A CN 117669335A
Authority
CN
China
Prior art keywords
result
image
module
dust
data
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
CN202410139279.5A
Other languages
English (en)
Other versions
CN117669335B (zh
Inventor
张俊杰
刘伟
刘瑞林
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.)
Beijing Guoxing Chuangtu Technology Co ltd
Original Assignee
Beijing Guoxing Chuangtu Technology Co ltd
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 Beijing Guoxing Chuangtu Technology Co ltd filed Critical Beijing Guoxing Chuangtu Technology Co ltd
Priority to CN202410139279.5A priority Critical patent/CN117669335B/zh
Publication of CN117669335A publication Critical patent/CN117669335A/zh
Application granted granted Critical
Publication of CN117669335B publication Critical patent/CN117669335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Fluid Mechanics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像分析技术领域，具体为一种基于太空环境数据挖掘方法及系统，包括以下步骤：基于行星表面图像，采用小波变换去噪和卷积神经网络，进行去噪处理，并进行增强，生成去噪和增强后的图像。本发明中，通过融合数据挖掘技术与深度学习模型，显著提升太空环境数据分析能力，采用小波变换与卷积神经网络去噪、增强图像，为精确特征提取奠定基础，卷积神经网络、K均值聚类和支持向量机联合提高了地貌和地质分类的准确性，贝叶斯推断和最大似然估计确保射线源定位精度，结合射线源与尘埃数据、模拟尘埃运动，提高尘埃分布预测的准确性，LSTM网络强大的时序分析能力用于太阳活动预测，小波滤波器与傅里叶变换提高了背景辐射数据信噪比。

Description

一种基于太空环境数据挖掘方法及系统
技术领域
本发明涉及图像分析技术领域，尤其涉及一种基于太空环境数据挖掘方法及系统。
背景技术
图像分析技术领域是一个结合了计算机视觉、机器学习和数据科学的领域。在领域中，专家开发算法和技术来分析和解释图像数据，从而获取有价值的信息。这些技术在天文学、卫星遥感、行星探测等领域中尤为关键，因为它们能够帮助科学家理解和解释从太空收集到的庞大数据集。
其中，基于太空环境数据挖掘方法的目的是从太空环境中收集的数据（如卫星图像、遥感数据等）中提取有用信息。这种方法的目标是通过自动化分析来识别模式、特征和异常，以支持天文研究、地球观测、甚至是行星科学。通过这种方法，科学家们可以更有效地理解和解释太空环境，如行星表面的特征、大气成分、甚至是外星生命的潜在迹象。
现有系统在处理太空环境数据时存在诸多不足之处。首先是在图像处理方面，传统的去噪技术往往无法平衡去噪与保留细节之间的矛盾，导致后续的特征提取和分析不够精准。其次，在射线源定位和尘埃分布预测方面，缺乏有效结合射线信息和尘埃数据的分析模型，导致定位不够准确，预测结果可信度不高。此外，现有的太阳活动预测模型常常忽视与其他空间环境因素的关联性，降低了预测的准确性。在背景辐射数据处理上，现有系统往往缺少有效的噪声抑制方法，使得高信噪比数据的获取成为一个难题。这些不足限制了天体物理学和太空探索研究的深入，使得相关预测和分析工作不够可靠，对于科研和实际应用产生了一定的制约。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种基于太空环境数据挖掘方法及系统。
为了实现上述目的，本发明采用了如下技术方案：一种基于太空环境数据挖掘方法，包括以下步骤：
S1：基于行星表面图像，采用小波变换去噪和卷积神经网络，进行去噪处理，并进行增强，生成去噪和增强后的图像；
S2：基于所述去噪和增强后的图像，采用卷积神经网络提取特征，并用K均值聚类和支持向量机分类识别，生成特征分类结果；
S3：基于射线信息，采用贝叶斯推断和最大似然估计定位射线源，并结合所述特征分类结果分析特征，生成射线源定位结果；
S4：利用所述射线源定位结果和尘埃数据，采用数值模拟和流体动力学模拟尘埃运动，用循环神经网络预测，生成尘埃分布预测结果；
S5：基于太阳数据，采用傅里叶变换分析周期性，并结合所述尘埃分布预测结果用LSTM网络建模预测，生成太阳活动预测结果；
S6：利用所述太阳活动预测结果和背景辐射数据，采用小波滤波器滤波，用快速傅里叶变换分析剔除噪声，生成背景辐射噪声抑制结果；
所述特征分类结果包括地貌和地质构造的分类信息，所述射线源定位结果具体指来源位置和天体物理学特征，所述尘埃分布预测结果具体为尘埃的未来分布情况，所述太阳活动预测结果具体为活动周期和强度变化预测，所述背景辐射噪声抑制结果具体为高信噪比的数据。
作为本发明的进一步方案，基于行星表面图像，采用小波变换去噪和卷积神经网络，进行去噪处理，并进行增强，生成去噪和增强后的图像的步骤具体为：
S101：基于原始行星表面图像，采用图像预处理方法，进行灰度转化与归一化，生成预处理后的图像；
S102：基于所述预处理后的图像，采用Haar小波变换算法，进行频域去噪，并提取图像细节，生成小波变换去噪后的图像；
S103：基于所述小波变换去噪后的图像，采用深度卷积神经网络模型，进行图像特征学习并进行去噪，生成CNN处理后的图像；
S104：基于所述CNN处理后的图像，采用直方图均衡化技术，进行图像对比度增强，生成去噪和增强后的图像；
所述图像预处理方法具体为图像质量增强技术，包括去除暗通道估计、色彩均衡与对比度增强，所述Haar小波变换算法具体为线性时频分析技术，用于在图像去噪中分离出图像的高频与低频成分，所述深度卷积神经网络模型包括多个卷积层、池化层及全连接层，所述直方图均衡化技术具体指改进图像的对比度，使其对应的像素值分布均匀。
作为本发明的进一步方案，基于所述去噪和增强后的图像，采用卷积神经网络提取特征，并用K均值聚类和支持向量机分类识别，生成特征分类结果的步骤具体为：
S201：基于所述去噪和增强后的图像，采用深度卷积神经网络模型，进行图像特征提取，生成图像特征；
S202：基于所述图像特征，采用K-Means聚类算法，进行特征聚类分析，生成特征聚类结果；
S203：基于所述特征聚类结果，采用支持向量机模型，进行特征分类识别，生成SVM分类结果；
S204：基于所述SVM分类结果，进行模型参数微调与效果评估，生成特征分类结果；
所述深度卷积神经网络模型具体为多层特征提取结构，包括激活函数、卷积核与批标准化组件，所述K-Means聚类算法具体指空间中多特征点到所属聚类中心的欧氏距离之和为最小，所述支持向量机模型具体为监督学习模型，在高维空间中寻找最佳超平面，用于分类或回归任务，所述效果评估具体包括准确率、召回率及F1分数指标。
作为本发明的进一步方案，基于射线信息，采用贝叶斯推断和最大似然估计定位射线源，并结合所述特征分类结果分析特征，生成射线源定位结果的步骤具体为；
S301：基于收集到的射线信息，采用傅里叶变换算法进行信号去噪，并执行数据标准化处理，生成预处理后的射线信息数据；
S302：基于预处理后的射线信息数据，采用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断，估计射线源位置概率分布，并生成贝叶斯定位概率分布；
S303：基于贝叶斯定位概率分布，采用Newton-Raphson迭代算法执行最大似然估计，运算射线源位置，生成最大似然估计位置；
S304：基于所述最大似然估计位置和特征分类结果分析特征，运用主成分分析法和决策树分类器，进行特征降维和分类，生成特征分类分析报告；
S305：综合所述特征分类分析报告、贝叶斯和最大似然估计，采用加权融合策略，确立射线源的位置，生成射线源定位结果；
所述贝叶斯推断包括设置先验分布、收集似然函数和计算后验分布，所述最大似然估计具体指通过迭代优化似然函数参数以找到最优解，所述特征分类分析报告包括射线强度、能谱分布、时间序列分析。
作为本发明的进一步方案，利用所述射线源定位结果和尘埃数据，采用数值模拟和流体动力学模拟尘埃运动，用循环神经网络预测，生成尘埃分布预测结果的步骤具体为：
S401：利用所述射线源定位结果报告和尘埃数据，应用有限差分法进行数值模拟，描绘尘埃粒子运动，生成尘埃运动模拟数据；
S402：基于所述尘埃运动模拟数据，使用流体动力学模拟工具，进行粒子轨迹追踪模拟，生成流体动力学尘埃行为数据；
S403：基于所述流体动力学尘埃行为数据，构建并训练循环神经网络，采用长短期记忆网络，预测未来尘埃分布，生成尘埃分布预测模型；
S404：利用所述尘埃分布预测模型，对未来时间点的尘埃分布进行预测，得到预测结果，生成尘埃分布预测结果报告；
所述有限差分法具体指在空间离散网格上求解尘埃运动的偏微分方程，所述粒子轨迹追踪模拟具体指模拟尘埃粒子在流体中的行为及其交互作用。
作为本发明的进一步方案，基于太阳数据，采用傅里叶变换分析周期性，并结合所述尘埃分布预测结果用LSTM网络建模预测，生成太阳活动预测结果的步骤具体为：
S501：基于收集的太阳数据，采用傅里叶变换算法，进行信号频率化，通过分析频率域上的特征，抽取出太阳活动的周期性波动，生成周期性分析结果；
S502：基于所述周期性分析结果，采用功率谱密度估计方法，识别并确认其中的主要周期性信号，生成主要周期信号确认结果；
S503：将所述主要周期信号确认结果和尘埃分布预测结果结合，采用多特征融合的方式，并用长短期记忆网络模型进行训练，建立太阳活动的时间序列预测模型，生成LSTM预测模型；
S504：基于所述LSTM预测模型，在训练集上进行模型训练，并在验证集上进行模型验证，以预测未来的太阳活动趋势，生成太阳活动预测结果；
所述傅里叶变换具体为把时间序列数据转化为频率域数据，所述功率谱密度估计属于频率分析方法，用于找出数据中主导/重要的频率成分，所述模型训练和验证包括前向传播、损失函数的计算、反向传播以及权重的更新。
作为本发明的进一步方案，利用所述太阳活动预测结果和背景辐射数据，采用小波滤波器滤波，用快速傅里叶变换分析剔除噪声，生成背景辐射噪声抑制结果的步骤具体为：
S601：基于所述太阳活动预测结果和背景辐射数据，通过小波变换方法，设计小波滤波器进行多分辨率分析，抽取并分离出有用信号和噪声部分，生成滤波处理结果；
S602：采用小波阈值去噪法，对所述滤波处理结果进行的噪声抑制，使背景噪声得到削弱，生成阈值去噪处理结果；
S603：基于所述阈值去噪处理结果，采用快速傅里叶变换分析，剔除剩余的高频噪声，生成FFT噪声剔除结果；
S604：基于所述FFT噪声剔除结果，进行信号重构和噪声评估，通过比对原始信号和滤波后信号的差异，生成背景辐射噪声抑制结果；
所述小波阈值去噪法具体为对小波变换后的信号进行阈值处理，所述快速傅里叶变换是一种高效计算离散傅里叶变换及其逆变换的算法，所述信号重构和噪声评估的过程包括逆变换、误差计算、信噪比评估。
一种基于太空环境数据挖掘系统，所述基于太空环境数据挖掘系统用于执行上述基于太空环境数据挖掘方法，所述系统包括图像预处理模块、特征提取和分析模块、射线源定位模块、尘埃动态分析模块、太阳活动预测模块、背景辐射处理模块。
作为本发明的进一步方案，所述图像预处理模块基于原始行星表面图像，采用图像预处理技术和Haar小波变换，实现灰度转化和频域去噪，通过深度卷积神经网络进行特征学习和去噪处理，利用直方图均衡化技术增强图像对比度，生成预处理和增强后的图像；
所述特征提取和分析模块基于预处理和增强后的图像，应用深度卷积神经网络进行图像特征提取，采用K均值聚类算法进行特征聚类，用支持向量机模型，对特征进行分类，生成特征分类结果；
所述射线源定位模块基于收集到的射线数据，利用傅里叶变换进行信号去噪以及数据的标准化处理，运用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断，估计射线源的位置概率分布，借助牛顿-拉弗森迭代法，对射线源的位置进行最大似然估计，得出射线源定位结果；
所述尘埃动态分析模块基于射线源定位结果和收集到的尘埃数据，运用有限差分法进行数值模拟，用流体力学模拟工具，进行粒子轨迹追踪，利用循环神经网络进行模型训练，预测未来尘埃分布，生成尘埃分布预测模型；
所述太阳活动预测模块基于收集的太阳数据，运用傅里叶变换对信号进行频率化处理和周期性波动分析，用功率谱密度估计方法识别主要的周期性信号，利用长短期记忆网络模型，进行模型训练，预测未来的太阳活动趋势，得出太阳活动预测结果；
所述背景辐射处理模块基于太阳活动预测结果以及背景辐射数据，设计小波滤波器进行多分辨率分析，并执行噪声抑制，借助快速傅里叶变换，剔除高频噪声，进行信号重构和噪声评估，得出背景辐射噪声抑制结果。
作为本发明的进一步方案，所述图像预处理模块包括灰度转化子模块、频域去噪子模块、深度学习子模块、对比度增强子模块；
所述特征提取和分析模块包括特征提取子模块、特征聚类分析子模块、特征分类识别子模块；
所述射线源定位模块包括信号预处理子模块、贝叶斯推断子模块、最大似然估计子模块；
所述尘埃动态分析模块包括数值模拟子模块、粒子轨迹追踪模拟子模块、粒子分布预测子模块；
所述太阳活动预测模块包括信号频率化子模块、主要周期信号识别子模块、未来活动预测子模块；
所述背景辐射处理模块包括多分辨率分析子模块、噪声抑制子模块、信号重构评估子模块。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过融合高级数据挖掘技术与深度学习模型，显著提升了太空环境数据分析能力。采用小波变换与卷积神经网络去噪、增强图像，为精确特征提取奠定基础。卷积神经网络、K均值聚类和支持向量机联合提高了地貌和地质分类的准确性。贝叶斯推断和最大似然估计确保了射线源定位的高精度，结合射线源与尘埃数据、模拟尘埃运动，提高了尘埃分布预测的准确性。LSTM网络强大的时序分析能力用于太阳活动预测。最后，小波滤波器与傅里叶变换提高了背景辐射数据信噪比。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的S6细化流程图；
图8为本发明的系统流程图；
图9为本发明的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一：
请参阅图1，本发明提供一种技术方案：一种基于太空环境数据挖掘方法，包括以下步骤：
S1：基于行星表面图像，采用小波变换去噪和卷积神经网络，进行去噪处理，并进行增强，生成去噪和增强后的图像；
S2：基于去噪和增强后的图像，采用卷积神经网络提取特征，并用K均值聚类和支持向量机分类识别，生成特征分类结果；
S3：基于射线信息，采用贝叶斯推断和最大似然估计定位射线源，并结合特征分类结果分析特征，生成射线源定位结果；
S4：利用射线源定位结果和尘埃数据，采用数值模拟和流体动力学模拟尘埃运动，用循环神经网络预测，生成尘埃分布预测结果；
S5：基于太阳数据，采用傅里叶变换分析周期性，并结合尘埃分布预测结果用LSTM网络建模预测，生成太阳活动预测结果；
S6：利用太阳活动预测结果和背景辐射数据，采用小波滤波器滤波，用快速傅里叶变换分析剔除噪声，生成背景辐射噪声抑制结果；
特征分类结果包括地貌和地质构造的分类信息，射线源定位结果具体指来源位置和天体物理学特征，尘埃分布预测结果具体为尘埃的未来分布情况，太阳活动预测结果具体为活动周期和强度变化预测，背景辐射噪声抑制结果具体为高信噪比的数据。
使用小波变换和卷积神经网络对图像进行去噪和增强，提高了图像质量，为后续特征提取提供更清晰的数据。卷积神经网络结合K均值聚类和支持向量机的分类识别提高了地貌和地质构造的分类准确性。采用贝叶斯推断和最大似然估计定位射线源，结合特征分类结果，提高了射线源定位的准确性，这对天体物理学研究非常重要。使用数值模拟和流体动力学模拟结合循环神经网络，提高了对尘埃运动的预测准确性，有助于更精确地了解尘埃的分布情况。采用傅里叶变换分析太阳活动的周期性，结合尘埃分布预测，使用LSTM网络进行太阳活动的建模和预测，提供了更强大的工具来理解太阳活动的周期和强度变化。小波滤波器结合快速傅里叶变换用于去除噪声，提高了背景辐射数据的信噪比，为天体物理研究提供更清晰的数据。
请参阅图2，基于行星表面图像，采用小波变换去噪和卷积神经网络，进行去噪处理，并进行增强，生成去噪和增强后的图像的步骤具体为：
S101：基于原始行星表面图像，采用图像预处理方法，进行灰度转化与归一化，生成预处理后的图像；
S102：基于预处理后的图像，采用Haar小波变换算法，进行频域去噪，并提取图像细节，生成小波变换去噪后的图像；
S103：基于小波变换去噪后的图像，采用深度卷积神经网络模型，进行图像特征学习并进行去噪，生成CNN处理后的图像；
S104：基于CNN处理后的图像，采用直方图均衡化技术，进行图像对比度增强，生成去噪和增强后的图像；
图像预处理方法具体为图像质量增强技术，包括去除暗通道估计、色彩均衡与对比度增强，Haar小波变换算法具体为线性时频分析技术，用于在图像去噪中分离出图像的高频与低频成分，深度卷积神经网络模型包括多个卷积层、池化层及全连接层，直方图均衡化技术具体指改进图像的对比度，使其对应的像素值分布均匀。
首先，对原始行星表面图像进行预处理。这包括将图像转换为灰度图像，并进行归一化处理，以消除光照不均和亮度差异的影响。预处理后的图像能够更好地适应后续的去噪和增强处理。
接下来，使用Haar小波变换算法对预处理后的图像进行频域去噪。Haar小波变换是一种线性时频分析技术，可以将图像分解为高频和低频成分。通过去除高频噪声成分，保留低频细节信息，可以实现图像的去噪效果。
在完成频域去噪后，使用深度卷积神经网络模型对图像进行特征学习和去噪处理。深度卷积神经网络由多个卷积层、池化层和全连接层组成，可以自动学习图像的特征表示，并有效地去除噪声。通过训练网络模型，使其能够识别和去除噪声，生成CNN处理后的图像。
最后，采用直方图均衡化技术对CNN处理后的图像进行对比度增强。直方图均衡化是一种改进图像对比度的方法，通过调整像素值的分布，使得图像中的像素值更加均匀分布。这样可以增强图像的细节信息，并提高图像的可视化效果。
请参阅图3，基于去噪和增强后的图像，采用卷积神经网络提取特征，并用K均值聚类和支持向量机分类识别，生成特征分类结果的步骤具体为：
S201：基于去噪和增强后的图像，采用深度卷积神经网络模型，进行图像特征提取，生成图像特征；
S202：基于图像特征，采用K-Means聚类算法，进行特征聚类分析，生成特征聚类结果；
S203：基于特征聚类结果，采用支持向量机模型，进行特征分类识别，生成SVM分类结果；
S204：基于SVM分类结果，进行模型参数微调与效果评估，生成特征分类结果；
深度卷积神经网络模型具体为多层特征提取结构，包括激活函数、卷积核与批标准化组件，K-Means聚类算法具体指空间中多特征点到所属聚类中心的欧氏距离之和为最小，支持向量机模型具体为监督学习模型，在高维空间中寻找最佳超平面，用于分类或回归任务，效果评估具体包括准确率、召回率及F1分数指标。
首先，使用深度卷积神经网络模型对去噪和增强后的图像进行特征提取。深度卷积神经网络由多个卷积层、池化层和全连接层组成，可以自动学习图像的特征表示。通过训练网络模型，使其能够提取出具有区分性的图像特征。
接下来，基于提取到的图像特征，采用K-Means聚类算法进行特征聚类分析。K-Means聚类是一种常用的无监督学习方法，通过计算样本点与各个聚类中心之间的欧氏距离，将样本点划分到与其最近的聚类中心所在的类别中。这样可以得到特征聚类结果，将相似的图像特征归为一类。
在完成特征聚类后，使用支持向量机模型进行特征分类识别。支持向量机是一种监督学习模型，可以在高维空间中寻找最佳超平面，用于分类或回归任务。通过训练支持向量机模型，使其能够准确地将不同类别的图像特征进行分类。
最后，根据SVM分类结果，进行模型参数微调和效果评估。可以使用交叉验证等方法来选择最佳的模型参数组合，并计算准确率、召回率和F1分数等指标来评估模型的性能。根据评估结果，可以进一步优化模型并进行迭代训练，以提高分类的准确性和稳定性。
请参阅图4，基于射线信息，采用贝叶斯推断和最大似然估计定位射线源，并结合特征分类结果分析特征，生成射线源定位结果的步骤具体为；
S301：基于收集到的射线信息，采用傅里叶变换算法进行信号去噪，并执行数据标准化处理，生成预处理后的射线信息数据；
S302：基于预处理后的射线信息数据，采用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断，估计射线源位置概率分布，并生成贝叶斯定位概率分布；
S303：基于贝叶斯定位概率分布，采用Newton-Raphson迭代算法执行最大似然估计，运算射线源位置，生成最大似然估计位置；
S304：基于最大似然估计位置和特征分类结果分析特征，运用主成分分析法和决策树分类器，进行特征降维和分类，生成特征分类分析报告；
S305：综合特征分类分析报告、贝叶斯和最大似然估计，采用加权融合策略，确立射线源的位置，生成射线源定位结果；
贝叶斯推断包括设置先验分布、收集似然函数和计算后验分布，最大似然估计具体指通过迭代优化似然函数参数以找到最优解，特征分类分析报告包括射线强度、能谱分布、时间序列分析。
首先，对收集到的射线信息进行预处理。使用傅里叶变换算法对信号进行去噪处理，以消除噪声对定位结果的影响。然后，执行数据标准化处理，将射线信息数据转换为统一的尺度范围，以便后续处理和分析。
接下来，基于预处理后的射线信息数据，采用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断。通过设置先验分布、收集似然函数和计算后验分布等步骤，估计射线源位置的概率分布，并生成贝叶斯定位概率分布。这样可以考虑到不确定性因素，提供更可靠的射线源位置估计。
在得到贝叶斯定位概率分布后，使用Newton-Raphson迭代算法执行最大似然估计。通过迭代优化似然函数参数，找到使似然函数取得最大值的射线源位置，生成最大似然估计位置。这样可以得到一个具体的射线源位置估计值。
基于最大似然估计位置和特征分类结果，进行特征分析和分类。运用主成分分析法对射线强度、能谱分布等特征进行降维处理，减少特征维度的同时保留重要信息。然后，使用决策树分类器对降维后的特征进行分类分析，生成特征分类分析报告。这样可以进一步理解射线源的特征和类别。
最后，综合特征分类分析报告、贝叶斯和最大似然估计结果，采用加权融合策略确立射线源的位置。根据不同方法的定位结果的可靠性和置信度，给予不同的权重，最终确定射线源的位置。生成射线源定位结果，并提供详细的定位报告。
请参阅图5，利用射线源定位结果和尘埃数据，采用数值模拟和流体动力学模拟尘埃运动，用循环神经网络预测，生成尘埃分布预测结果的步骤具体为：
S401：利用射线源定位结果报告和尘埃数据，应用有限差分法进行数值模拟，描绘尘埃粒子运动，生成尘埃运动模拟数据；
S402：基于尘埃运动模拟数据，使用流体动力学模拟工具，进行粒子轨迹追踪模拟，生成流体动力学尘埃行为数据；
S403：基于流体动力学尘埃行为数据，构建并训练循环神经网络，采用长短期记忆网络，预测未来尘埃分布，生成尘埃分布预测模型；
S404：利用尘埃分布预测模型，对未来时间点的尘埃分布进行预测，得到预测结果，生成尘埃分布预测结果报告；
有限差分法具体指在空间离散网格上求解尘埃运动的偏微分方程，粒子轨迹追踪模拟具体指模拟尘埃粒子在流体中的行为及其交互作用。
首先，根据射线源定位结果报告和尘埃数据，应用有限差分法进行数值模拟。有限差分法是一种常用的数值计算方法，用于求解偏微分方程。通过将尘埃粒子的运动方程离散化并求解，可以描绘出尘埃粒子的运动轨迹，生成尘埃运动模拟数据。
接下来，基于尘埃运动模拟数据，使用流体动力学模拟工具进行粒子轨迹追踪模拟。流体动力学模拟工具可以模拟尘埃粒子在流体中的行为及其与其他粒子的交互作用。通过模拟粒子的运动轨迹，可以生成流体动力学尘埃行为数据。
然后，基于流体动力学尘埃行为数据，构建并训练循环神经网络来预测未来尘埃分布。循环神经网络是一种具有记忆功能的神经网络模型，用于处理时序数据。可以使用长短期记忆网络（LSTM）来对尘埃行为数据进行建模和预测，生成尘埃分布预测模型。
最后，利用尘埃分布预测模型对未来时间点的尘埃分布进行预测，得到预测结果。根据预测结果生成尘埃分布预测结果报告。
请参阅图6，基于太阳数据，采用傅里叶变换分析周期性，并结合尘埃分布预测结果用LSTM网络建模预测，生成太阳活动预测结果的步骤具体为：
S501：基于收集的太阳数据，采用傅里叶变换算法，进行信号频率化，通过分析频率域上的特征，抽取出太阳活动的周期性波动，生成周期性分析结果；
S502：基于周期性分析结果，采用功率谱密度估计方法，识别并确认其中的主要周期性信号，生成主要周期信号确认结果；
S503：将主要周期信号确认结果和尘埃分布预测结果结合，采用多特征融合的方式，并用长短期记忆网络模型进行训练，建立太阳活动的时间序列预测模型，生成LSTM预测模型；
S504：基于LSTM预测模型，在训练集上进行模型训练，并在验证集上进行模型验证，以预测未来的太阳活动趋势，生成太阳活动预测结果；
傅里叶变换具体为把时间序列数据转化为频率域数据，功率谱密度估计属于频率分析方法，用于找出数据中主导/重要的频率成分，模型训练和验证包括前向传播、损失函数的计算、反向传播以及权重的更新。
S501中，涉及傅里叶变换算法，将太阳数据从时域转换为频域，以识别太阳活动的周期性波动。以下是具体步骤和示例代码：
# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import fft
# 太阳数据加载（示例数据）
solar_data = np.loadtxt('solar_data.txt')
# 进行傅里叶变换
solar_fft = fft(solar_data)
# 计算频谱密度
power_spectrum = np.abs(solar_fft) 2
# 绘制频谱图
plt.plot(power_spectrum)
plt.xlabel('频率')
plt.ylabel('功率谱密度')
plt.title('太阳活动频谱')
plt.show()
S502中，使用功率谱密度估计方法，以确定太阳数据中的主要周期性信号。以下是具体步骤和示例代码：
# 导入必要的库
from scipy.signal import find_peaks
# 找到功率谱密度中的峰值
peaks, _ = find_peaks(power_spectrum, height=1000)
# 输出主要周期信号的频率
main_periods = 1 / peaks
print("主要周期信号频率：", main_periods)
S503中，将主要周期信号确认结果与尘埃分布预测结果结合，使用LSTM网络模型进行时间序列预测。这需要深度学习框架（如TensorFlow或PyTorch）来进行模型构建和训练。以下是一些示例代码片段：
# 导入深度学习库
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(n_steps, n_features)))
model.add(Dense(1))
# 编译模型
model.compile(optimizer='adam', loss='mse')
# 训练模型（示例数据）
model.fit(X_train, y_train, epochs=50, verbose=0)
# 预测未来太阳活动
future_activity = model.predict(X_test)
S504中，将模型在验证集上进行测试，以验证预测的准确性。这需要评估模型的性能指标，如均方误差（MSE）或均方根误差（RMSE），以确定预测结果的质量。
请参阅图7，利用太阳活动预测结果和背景辐射数据，采用小波滤波器滤波，用快速傅里叶变换分析剔除噪声，生成背景辐射噪声抑制结果的步骤具体为：
S601：基于太阳活动预测结果和背景辐射数据，通过小波变换方法，设计小波滤波器进行多分辨率分析，抽取并分离出有用信号和噪声部分，生成滤波处理结果；
S602：采用小波阈值去噪法，对滤波处理结果进行的噪声抑制，使背景噪声得到削弱，生成阈值去噪处理结果；
S603：基于阈值去噪处理结果，采用快速傅里叶变换分析，剔除剩余的高频噪声，生成FFT噪声剔除结果；
S604：基于FFT噪声剔除结果，进行信号重构和噪声评估，通过比对原始信号和滤波后信号的差异，生成背景辐射噪声抑制结果；
小波阈值去噪法具体为对小波变换后的信号进行阈值处理，快速傅里叶变换是一种高效计算离散傅里叶变换及其逆变换的算法，信号重构和噪声评估的过程包括逆变换、误差计算、信噪比评估。
首先，根据太阳活动预测结果和背景辐射数据，通过小波变换方法设计小波滤波器进行多分辨率分析。在多分辨率分析中，将信号分解为不同频率的子带，并抽取出有用信号和噪声部分。这样可以有效地分离出需要的信号成分，减少噪声的影响。
接下来，对滤波处理结果进行小波阈值去噪处理。小波阈值去噪法是一种常用的噪声抑制方法，它通过设置合适的阈值来区分信号和噪声，并将小于阈值的噪声部分置为零。这样可以有效地削弱背景噪声，提高信号的质量。
然后，基于阈值去噪处理结果，采用快速傅里叶变换（FFT）分析来剔除剩余的高频噪声。FFT是一种高效的计算离散傅里叶变换及其逆变换的算法。通过对信号进行FFT分析，可以提取出信号的频率特征，并剔除其中的高频噪声成分。
最后，基于FFT噪声剔除结果，进行信号重构和噪声评估。信号重构是将经过处理的信号还原为原始信号的过程。通过逆变换、误差计算和信噪比评估等步骤，可以评估处理后的信号与原始信号的差异，从而得到背景辐射噪声抑制的结果。
请参阅图8，一种基于太空环境数据挖掘系统，基于太空环境数据挖掘系统用于执行上述基于太空环境数据挖掘方法，系统包括图像预处理模块、特征提取和分析模块、射线源定位模块、尘埃动态分析模块、太阳活动预测模块、背景辐射处理模块。
图像预处理模块基于原始行星表面图像，采用图像预处理技术和Haar小波变换，实现灰度转化和频域去噪，通过深度卷积神经网络进行特征学习和去噪处理，利用直方图均衡化技术增强图像对比度，生成预处理和增强后的图像；
特征提取和分析模块基于预处理和增强后的图像，应用深度卷积神经网络进行图像特征提取，采用K均值聚类算法进行特征聚类，用支持向量机模型，对特征进行分类，生成特征分类结果；
射线源定位模块基于收集到的射线数据，利用傅里叶变换进行信号去噪以及数据的标准化处理，运用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断，估计射线源的位置概率分布，借助牛顿-拉弗森迭代法，对射线源的位置进行最大似然估计，得出射线源定位结果；
尘埃动态分析模块基于射线源定位结果和收集到的尘埃数据，运用有限差分法进行数值模拟，用流体力学模拟工具，进行粒子轨迹追踪，利用循环神经网络进行模型训练，预测未来尘埃分布，生成尘埃分布预测模型；
太阳活动预测模块基于收集的太阳数据，运用傅里叶变换对信号进行频率化处理和周期性波动分析，用功率谱密度估计方法识别主要的周期性信号，利用长短期记忆网络模型，进行模型训练，预测未来的太阳活动趋势，得出太阳活动预测结果；
背景辐射处理模块基于太阳活动预测结果以及背景辐射数据，设计小波滤波器进行多分辨率分析，并执行噪声抑制，借助快速傅里叶变换，剔除高频噪声，进行信号重构和噪声评估，得出背景辐射噪声抑制结果。
首先，通过图像预处理模块对原始行星表面基于太空环境数据挖掘系统具有以下有益效果：首先，通过图像预处理模块对原始行星表面图像进行灰度转化和频域去噪处理，利用深度卷积神经网络进行特征学习和去噪处理，并利用直方图均衡化技术增强图像对比度，从而提高图像质量和准确性。其次，特征提取和分析模块应用深度卷积神经网络进行图像特征提取，采用K均值聚类算法进行特征聚类，并用支持向量机模型对特征进行分类，从而有效地提取关键特征并进行准确分类。第三，射线源定位模块利用傅里叶变换进行信号去噪和数据标准化处理，运用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断，估计射线源的位置概率分布，并通过牛顿-拉弗森迭代法对射线源位置进行最大似然估计，从而实现准确的射线源定位。第四，尘埃动态分析模块运用有限差分法进行数值模拟，用流体力学模拟工具进行粒子轨迹追踪，并利用循环神经网络进行模型训练，预测未来尘埃分布趋势。第五，太阳活动预测模块运用傅里叶变换对太阳数据进行频率化处理和周期性波动分析，用功率谱密度估计方法识别主要周期性信号，并利用长短期记忆网络模型进行模型训练，预测未来的太阳活动趋势。最后，背景辐射处理模块设计小波滤波器进行多分辨率分析，执行噪声抑制操作，借助快速傅里叶变换剔除高频噪声，并进行信号重构和噪声评估，从而降低背景辐射干扰，提高信号的准确性和可靠性。综上所述，基于太空环境数据挖掘系统能够全面挖掘和分析太空环境数据，为相关领域的研究和决策提供准确、可靠的数据支持。
请参阅图9，图像预处理模块包括灰度转化子模块、频域去噪子模块、深度学习子模块、对比度增强子模块；
特征提取和分析模块包括特征提取子模块、特征聚类分析子模块、特征分类识别子模块；
射线源定位模块包括信号预处理子模块、贝叶斯推断子模块、最大似然估计子模块；
尘埃动态分析模块包括数值模拟子模块、粒子轨迹追踪模拟子模块、粒子分布预测子模块；
太阳活动预测模块包括信号频率化子模块、主要周期信号识别子模块、未来活动预测子模块；
背景辐射处理模块包括多分辨率分析子模块、噪声抑制子模块、信号重构评估子模块。
图像预处理模块中，灰度转化子模块将原始行星表面图像转换为灰度图像，频图像预处理模块中，灰度转化子模块将原始行星表面图像转换为灰度图像，频域去噪子模块采用Haar小波变换进行频域去噪处理，深度学习子模块利用深度卷积神经网络进行特征学习和去噪处理，对比度增强子模块利用直方图均衡化技术增强图像对比度。
特征提取和分析模块中，特征提取子模块应用深度卷积神经网络对预处理和增强后的图像进行特征提取，特征聚类分析子模块采用K均值聚类算法对提取到的特征进行聚类分析，特征分类识别子模块使用支持向量机模型对聚类后的特征进行分类识别。
射线源定位模块中，信号预处理子模块利用傅里叶变换对收集到的射线数据进行信号去噪和标准化处理，贝叶斯推断子模块运用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断，最大似然估计子模块借助牛顿-拉弗森迭代法对射线源的位置进行最大似然估计。
尘埃动态分析模块中，数值模拟子模块运用有限差分法对射线源定位结果和收集到的尘埃数据进行数值模拟，粒子轨迹追踪模拟子模块使用流体力学模拟工具进行粒子轨迹追踪，粒子分布预测子模块利用循环神经网络进行模型训练，预测未来尘埃分布。
太阳活动预测模块中，信号频率化子模块运用傅里叶变换对收集的太阳数据进行频率化处理和周期性波动分析，主要周期信号识别子模块用功率谱密度估计方法识别主要的周期性信号，未来活动预测子模块利用长短期记忆网络模型进行模型训练，预测未来的太阳活动趋势。
背景辐射处理模块中，多分辨率分析子模块设计小波滤波器进行多分辨率分析，噪声抑制子模块执行噪声抑制操作，信号重构评估子模块借助快速傅里叶变换剔除高频噪声，并进行信号重构和噪声评估。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种基于太空环境数据挖掘方法，其特征在于，包括以下步骤：
基于行星表面图像，采用小波变换去噪和卷积神经网络，进行去噪处理，并进行增强，生成去噪和增强后的图像；
基于所述去噪和增强后的图像，采用卷积神经网络提取特征，并用K均值聚类和支持向量机分类识别，生成特征分类结果；
基于射线信息，采用贝叶斯推断和最大似然估计定位射线源，并结合所述特征分类结果分析特征，生成射线源定位结果；
利用所述射线源定位结果和尘埃数据，采用数值模拟和流体动力学模拟尘埃运动，用循环神经网络预测，生成尘埃分布预测结果；
基于太阳数据，采用傅里叶变换分析周期性，并结合所述尘埃分布预测结果用LSTM网络建模预测，生成太阳活动预测结果；
利用所述太阳活动预测结果和背景辐射数据，采用小波滤波器滤波，用快速傅里叶变换分析剔除噪声，生成背景辐射噪声抑制结果；
所述特征分类结果包括地貌和地质构造的分类信息，所述射线源定位结果具体指来源位置和天体物理学特征，所述尘埃分布预测结果具体为尘埃的未来分布情况，所述太阳活动预测结果具体为活动周期和强度变化预测，所述背景辐射噪声抑制结果具体为高信噪比的数据。
2.根据权利要求1所述的基于太空环境数据挖掘方法，其特征在于，基于行星表面图像，采用小波变换去噪和卷积神经网络，进行去噪处理，并进行增强，生成去噪和增强后的图像的步骤具体为：
基于原始行星表面图像，采用图像预处理方法，进行灰度转化与归一化，生成预处理后的图像；
基于所述预处理后的图像，采用Haar小波变换算法，进行频域去噪，并提取图像细节，生成小波变换去噪后的图像；
基于所述小波变换去噪后的图像，采用深度卷积神经网络模型，进行图像特征学习并进行去噪，生成CNN处理后的图像；
基于所述CNN处理后的图像，采用直方图均衡化技术，进行图像对比度增强，生成去噪和增强后的图像；
所述图像预处理方法具体为图像质量增强技术，包括去除暗通道估计、色彩均衡与对比度增强，所述Haar小波变换算法具体为线性时频分析技术，用于在图像去噪中分离出图像的高频与低频成分，所述深度卷积神经网络模型包括多个卷积层、池化层及全连接层，所述直方图均衡化技术具体指改进图像的对比度，使其对应的像素值分布均匀。
3.根据权利要求1所述的基于太空环境数据挖掘方法，其特征在于，基于所述去噪和增强后的图像，采用卷积神经网络提取特征，并用K均值聚类和支持向量机分类识别，生成特征分类结果的步骤具体为：
基于所述去噪和增强后的图像，采用深度卷积神经网络模型，进行图像特征提取，生成图像特征；
基于所述图像特征，采用K-Means聚类算法，进行特征聚类分析，生成特征聚类结果；
基于所述特征聚类结果，采用支持向量机模型，进行特征分类识别，生成SVM分类结果；
基于所述SVM分类结果，进行模型参数微调与效果评估，生成特征分类结果；
所述深度卷积神经网络模型具体为多层特征提取结构，包括激活函数、卷积核与批标准化组件，所述K-Means聚类算法具体指空间中多特征点到所属聚类中心的欧氏距离之和为最小，所述支持向量机模型具体为监督学习模型，在高维空间中寻找最佳超平面，用于分类或回归任务，所述效果评估具体包括准确率、召回率及F1分数指标。
4.根据权利要求1所述的基于太空环境数据挖掘方法，其特征在于，基于射线信息，采用贝叶斯推断和最大似然估计定位射线源，并结合所述特征分类结果分析特征，生成射线源定位结果的步骤具体为；
基于收集到的射线信息，采用傅里叶变换算法进行信号去噪，并执行数据标准化处理，生成预处理后的射线信息数据；
基于所述预处理后的射线信息数据，采用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断，估计射线源位置概率分布，并生成贝叶斯定位概率分布；
基于所述贝叶斯定位概率分布，采用Newton-Raphson迭代算法执行最大似然估计，运算射线源位置，生成最大似然估计位置；
基于所述最大似然估计位置和特征分类结果分析特征，运用主成分分析法和决策树分类器，进行特征降维和分类，生成特征分类分析报告；
综合所述特征分类分析报告、贝叶斯和最大似然估计，采用加权融合策略，确立射线源的位置，生成射线源定位结果；
所述贝叶斯推断包括设置先验分布、收集似然函数和计算后验分布，所述最大似然估计具体指通过迭代优化似然函数参数以找到最优解，所述特征分类分析报告包括射线强度、能谱分布、时间序列分析。
5.根据权利要求1所述的基于太空环境数据挖掘方法，其特征在于，利用所述射线源定位结果和尘埃数据，采用数值模拟和流体动力学模拟尘埃运动，用循环神经网络预测，生成尘埃分布预测结果的步骤具体为：
利用所述射线源定位结果报告和尘埃数据，应用有限差分法进行数值模拟，描绘尘埃粒子运动，生成尘埃运动模拟数据；
基于所述尘埃运动模拟数据，使用流体动力学模拟工具，进行粒子轨迹追踪模拟，生成流体动力学尘埃行为数据；
基于所述流体动力学尘埃行为数据，构建并训练循环神经网络，采用长短期记忆网络，预测未来尘埃分布，生成尘埃分布预测模型；
利用所述尘埃分布预测模型，对未来时间点的尘埃分布进行预测，得到预测结果，生成尘埃分布预测结果报告；
所述有限差分法具体指在空间离散网格上求解尘埃运动的偏微分方程，所述粒子轨迹追踪模拟具体指模拟尘埃粒子在流体中的行为及其交互作用。
6.根据权利要求1所述的基于太空环境数据挖掘方法，其特征在于，基于太阳数据，采用傅里叶变换分析周期性，并结合所述尘埃分布预测结果用LSTM网络建模预测，生成太阳活动预测结果的步骤具体为：
基于收集的太阳数据，采用傅里叶变换算法，进行信号频率化，通过分析频率域上的特征，抽取出太阳活动的周期性波动，生成周期性分析结果；
基于所述周期性分析结果，采用功率谱密度估计方法，识别并确认其中的主要周期性信号，生成主要周期信号确认结果；
将所述主要周期信号确认结果和尘埃分布预测结果结合，采用多特征融合的方式，并用长短期记忆网络模型进行训练，建立太阳活动的时间序列预测模型，生成LSTM预测模型；
基于所述LSTM预测模型，在训练集上进行模型训练，并在验证集上进行模型验证，以预测未来的太阳活动趋势，生成太阳活动预测结果；
所述傅里叶变换具体为把时间序列数据转化为频率域数据，所述功率谱密度估计属于频率分析方法，用于找出数据中主导/重要的频率成分，所述模型训练和验证包括前向传播、损失函数的计算、反向传播以及权重的更新。
7.根据权利要求1所述的基于太空环境数据挖掘方法，其特征在于，利用所述太阳活动预测结果和背景辐射数据，采用小波滤波器滤波，用快速傅里叶变换分析剔除噪声，生成背景辐射噪声抑制结果的步骤具体为：
基于所述太阳活动预测结果和背景辐射数据，通过小波变换方法，设计小波滤波器进行多分辨率分析，抽取并分离出有用信号和噪声部分，生成滤波处理结果；
采用小波阈值去噪法，对所述滤波处理结果进行的噪声抑制，使背景噪声得到削弱，生成阈值去噪处理结果；
基于所述阈值去噪处理结果，采用快速傅里叶变换分析，剔除剩余的高频噪声，生成FFT噪声剔除结果；
基于所述FFT噪声剔除结果，进行信号重构和噪声评估，通过比对原始信号和滤波后信号的差异，生成背景辐射噪声抑制结果；
所述小波阈值去噪法具体为对小波变换后的信号进行阈值处理，所述快速傅里叶变换是一种高效计算离散傅里叶变换及其逆变换的算法，所述信号重构和噪声评估的过程包括逆变换、误差计算、信噪比评估。
8.一种基于太空环境数据挖掘系统，其特征在于，根据权利要求1-7任一项所述的基于太空环境数据挖掘方法，所述系统包括图像预处理模块、特征提取和分析模块、射线源定位模块、尘埃动态分析模块、太阳活动预测模块、背景辐射处理模块。
9.根据权利要求8所述的基于太空环境数据挖掘系统，其特征在于，所述图像预处理模块基于原始行星表面图像，采用图像预处理技术和Haar小波变换，实现灰度转化和频域去噪，通过深度卷积神经网络进行特征学习和去噪处理，利用直方图均衡化技术增强图像对比度，生成预处理和增强后的图像；
所述特征提取和分析模块基于预处理和增强后的图像，应用深度卷积神经网络进行图像特征提取，采用K均值聚类算法进行特征聚类，用支持向量机模型，对特征进行分类，生成特征分类结果；
所述射线源定位模块基于收集到的射线数据，利用傅里叶变换进行信号去噪以及数据的标准化处理，运用基于马尔可夫链的蒙特卡洛方法进行贝叶斯推断，估计射线源的位置概率分布，借助牛顿-拉弗森迭代法，对射线源的位置进行最大似然估计，得出射线源定位结果；
所述尘埃动态分析模块基于射线源定位结果和收集到的尘埃数据，运用有限差分法进行数值模拟，用流体力学模拟工具，进行粒子轨迹追踪，利用循环神经网络进行模型训练，预测未来尘埃分布，生成尘埃分布预测模型；
所述太阳活动预测模块基于收集的太阳数据，运用傅里叶变换对信号进行频率化处理和周期性波动分析，用功率谱密度估计方法识别主要的周期性信号，利用长短期记忆网络模型，进行模型训练，预测未来的太阳活动趋势，得出太阳活动预测结果；
所述背景辐射处理模块基于太阳活动预测结果以及背景辐射数据，设计小波滤波器进行多分辨率分析，并执行噪声抑制，借助快速傅里叶变换，剔除高频噪声，进行信号重构和噪声评估，得出背景辐射噪声抑制结果。
10.根据权利要求8所述的基于太空环境数据挖掘系统，其特征在于，所述图像预处理模块包括灰度转化子模块、频域去噪子模块、深度学习子模块、对比度增强子模块；
所述特征提取和分析模块包括特征提取子模块、特征聚类分析子模块、特征分类识别子模块；
所述射线源定位模块包括信号预处理子模块、贝叶斯推断子模块、最大似然估计子模块；
所述尘埃动态分析模块包括数值模拟子模块、粒子轨迹追踪模拟子模块、粒子分布预测子模块；
所述太阳活动预测模块包括信号频率化子模块、主要周期信号识别子模块、未来活动预测子模块；
所述背景辐射处理模块包括多分辨率分析子模块、噪声抑制子模块、信号重构评估子模块。
CN202410139279.5A 2024-02-01 2024-02-01 一种太空环境数据挖掘方法及系统 Active CN117669335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410139279.5A CN117669335B (zh) 2024-02-01 2024-02-01 一种太空环境数据挖掘方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410139279.5A CN117669335B (zh) 2024-02-01 2024-02-01 一种太空环境数据挖掘方法及系统

Publications (2)

Publication Number Publication Date
CN117669335A true CN117669335A (zh) 2024-03-08
CN117669335B CN117669335B (zh) 2024-05-07

Family

ID=90066438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410139279.5A Active CN117669335B (zh) 2024-02-01 2024-02-01 一种太空环境数据挖掘方法及系统

Country Status (1)

Country Link
CN (1) CN117669335B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118102527A (zh) * 2024-04-22 2024-05-28 广东省旭晟半导体股份有限公司 一种红外光源的亮度调节方法及装置
CN118194162A (zh) * 2024-04-03 2024-06-14 中国地质科学院矿产资源研究所 找矿靶区定位方法、系统、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266302A (zh) * 2007-03-15 2008-09-17 中国科学院国家天文台 一种计算机太阳活动预报系统
JP2016031282A (ja) * 2014-07-29 2016-03-07 国立大学法人京都大学 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法
CN112102274A (zh) * 2020-09-09 2020-12-18 昆明理工大学 一种结合目标检测的小目标语义分割太阳暗条检测方法
CN112232565A (zh) * 2020-10-15 2021-01-15 武汉科技大学 基于两阶段的时间序列预测方法、预测系统、终端及介质
DE102021103293A1 (de) * 2020-07-20 2022-01-20 Tsinghua University Ein Bayes'sches Bildentrauschungsverfahren, das auf Verteilungsbeschränkungen von rauschhaltigen Bildern basiert
CN114912674A (zh) * 2022-05-05 2022-08-16 山东大学 基于全日面光球磁图的太阳射电爆发预报方法及系统
CN115951430A (zh) * 2023-03-15 2023-04-11 数字太空(北京)智能技术研究院有限公司 一种基于lstm的地磁指数预报方法
CN117292143A (zh) * 2023-10-18 2023-12-26 云南财经大学 基于深度学习海量太阳观测图像的搜索方法、系统和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266302A (zh) * 2007-03-15 2008-09-17 中国科学院国家天文台 一种计算机太阳活动预报系统
JP2016031282A (ja) * 2014-07-29 2016-03-07 国立大学法人京都大学 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法
DE102021103293A1 (de) * 2020-07-20 2022-01-20 Tsinghua University Ein Bayes'sches Bildentrauschungsverfahren, das auf Verteilungsbeschränkungen von rauschhaltigen Bildern basiert
CN112102274A (zh) * 2020-09-09 2020-12-18 昆明理工大学 一种结合目标检测的小目标语义分割太阳暗条检测方法
CN112232565A (zh) * 2020-10-15 2021-01-15 武汉科技大学 基于两阶段的时间序列预测方法、预测系统、终端及介质
CN114912674A (zh) * 2022-05-05 2022-08-16 山东大学 基于全日面光球磁图的太阳射电爆发预报方法及系统
CN115951430A (zh) * 2023-03-15 2023-04-11 数字太空(北京)智能技术研究院有限公司 一种基于lstm的地磁指数预报方法
CN117292143A (zh) * 2023-10-18 2023-12-26 云南财经大学 基于深度学习海量太阳观测图像的搜索方法、系统和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯国英等: "太空多源数据挖掘方法研究", 第二届中国空天安全会议论文集, 9 August 2017 (2017-08-09), pages 101 - 108 *
冯国英等: "空间目标态势感知及多源数据融合技术发展与应用", 真空与低温, vol. 29, no. 6, 30 November 2023 (2023-11-30), pages 543 - 554 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118194162A (zh) * 2024-04-03 2024-06-14 中国地质科学院矿产资源研究所 找矿靶区定位方法、系统、电子设备及存储介质
CN118102527A (zh) * 2024-04-22 2024-05-28 广东省旭晟半导体股份有限公司 一种红外光源的亮度调节方法及装置

Also Published As

Publication number Publication date
CN117669335B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN117669335B (zh) 一种太空环境数据挖掘方法及系统
CN109709603B (zh) 地震层位识别与追踪方法、系统
Bai et al. Hybrid geological modeling: Combining machine learning and multiple-point statistics
CN107689052B (zh) 基于多模型融合和结构化深度特征的视觉目标跟踪方法
AU2014296770B2 (en) System and method for estimating a reservoir parameter using joint stochastic inversion of multisource geophysical data
Majstorović et al. Interpreting convolutional neural network decision for earthquake detection with feature map visualization, backward optimization and layer-wise relevance propagation methods
Liu et al. A MaxEnt model for mineral prospectivity mapping
Li et al. IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data
CN112132014A (zh) 基于非督导金字塔相似性学习的目标重识别方法及系统
CN117422936B (zh) 一种遥感图像分类方法及系统
Aguilera et al. On the prediction of landslide occurrences and sizes via Hierarchical Neural Networks
Giraud et al. Towards plausible lithological classification from geophysical inversion: honouring geological principles in subsurface imaging
CN118035847B (zh) 一种基于地质矿产勘查的数据提取方法及系统
Kaur et al. A deep learning framework for seismic facies classification
CN114386580A (zh) 决策模型训练、决策方法、装置、电子设备及存储介质
CN114997501A (zh) 基于样本失衡的深度学习矿产资源分类预测方法及系统
Qu et al. Geostatistical simulation with a trend using gaussian mixture models
Sheng et al. Arrival-time picking of microseismic events based on MSNet
Wang et al. Multi-scale spatiotemporal feature lithology identification method based on split-frequency weighted reconstruction
CN113642084A (zh) 一种用于泥水平衡盾构的隧道围岩压力预测方法、设备和存储介质
Huang et al. Ground-motion simulations using two-dimensional convolution condition adversarial neural network (2D-cGAN)
Dong et al. Can deep learning compensate for sparse shots in the imaging domain? A potential alternative for reducing the acquisition cost of seismic data
CN117236503A (zh) 一种基于空间信息约束的数据驱动预测方法、系统
Maleki et al. A machine‐learning framework to estimate saturation changes from 4D seismic data using reservoir models
Dixit et al. Genetic-evolutionary adaptive moment estimation-based semisupervised deep sequential convolution network for seismic impedance inversion: Application and uncertainty analysis

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