基于改进型LSTM网络的太阳射电滤波方法及系统技术方案

本发明专利技术公开了一种基于改进型LSTM网络的太阳射电滤波方法及系统，包括：获取需要处理的电台通道，对于每一个电台通道，选取太阳爆发事件前设定数量的通道数据；将所述通道数据进行预处理，利用分段滑窗提取数据；将提取的数据输入训练好的基于数字映射法的循环神经网络模型，输出太阳爆发时的太阳射电预测值；其中，所述基于数字映射法的循环神经网络模型将序列中出现的数值视作不同的类，输出的预测值为分类中预测概率最大的数值。本发明专利技术提出了基于数字映射法的循环神经网络结构，在数据进入网络前，对单频率通道电台数据进行分类，建立时间段对时间点的映射，大大提高了预测结果的准确率，为太阳频谱无损滤波提供了可能。为太阳频谱无损滤波提供了可能。为太阳频谱无损滤波提供了可能。

【技术实现步骤摘要】
基于改进型LSTM网络的太阳射电滤波方法及系统


[0001]本专利技术涉及太阳射电滤波
，尤其涉及一种基于改进型LSTM网络的太阳射电滤波方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]太阳活动与我们的日常生活息息相关，因此太阳射电成为天文物理研究中的一个重要领域。特别是对太阳射电爆发过程的研究，其携带的重要信息不仅有助于解释相关等离子体变化的物理过程，还能够寻找出能量变化的规律并剖析物质运动等重要物理现象。
[0004]为了更好的研究太阳射电爆发的精细结构，项目组在荣成的槎山风景区建立了高时间分辨率和高频率分辨率的太阳射电频谱仪。槎山背山面海，远离城镇，避免了复杂的通讯环境，大大降低了射频干扰性，但在米波段，不可避免的还是存在一些电台信号和其他电磁干扰。这些干扰信号严重影响了对太阳爆发事件的观测和分析，尤其是一些干扰信号所占频带较宽，并且信号强度大于太阳射电流量强度以至于直接将爆发事件覆盖，因此需要采取一定的抗干扰措施。r/>[0005]常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进型LSTM网络的太阳射电滤波方法，其特征在于，包括：获取需要处理的电台通道，对于每一个电台通道，选取太阳爆发事件前设定数量的通道数据；将所述通道数据进行预处理，利用分段滑窗提取数据；将提取的数据输入训练好的基于数字映射法的循环神经网络模型，输出太阳爆发时的太阳射电预测值；其中，所述基于数字映射法的循环神经网络模型将序列中出现的数值视作不同的类，输出的预测值为分类中预测概率最大的数值。2.如权利要求1所述的一种基于改进型LSTM网络的太阳射电滤波方法，其特征在于，选取太阳爆发事件前设定数量的通道数据，具体包括：利用t时间段内所有信号强度值的均值以及标准差，筛选出目标电台；对目标电台所在多个通道的强度值求平均，将其转化为随时间变化的一维数组；选取平均值明显高于纯电台平均值的时间点，作为太阳爆发事件的开始位置；选取所述开始时刻之前的设定数量的通道数据。3.如权利要求1所述的一种基于改进型LSTM网络的太阳射电滤波方法，其特征在于，将所述通道数据进行预处理，利用分段滑窗提取数据，具体包括：对所述通道数据进行标准化和归一化处理；将序列进行分段，寻找相邻时间段间的关系；分别确定输入窗、输出窗以及分段滑窗，一个分段滑窗包含一个完整的输入窗和输出窗，三个窗作为一个整体在时间序列上滑动取值；其中，输出窗仅包含一帧数据且位置紧挨输入窗的尾部；经过分段滑动取值后，得到输入窗对输出窗的映射。4.如权利要求1所述的一种基于改进型LSTM网络的太阳射电滤波方法，其特征在于，所述基于数字映射法的循环神经网络模型依次包括输入层、全连接层、LSTM层、全连接层和输出层；所述基于数字映射法的循环神经网络模型中添加Dropout函数以避免网络出现过拟合现象，损失函数为softmax交叉熵函数，权值的学习与更新选择自适应学习率优化算法中的Adam算法。5.如权利要求1所述的一种基于改...

【专利技术属性】
技术研发人员：杜清府，张巧曼，高昌林，侯宜春，苗青，韩成生，冯士伟，
申请(专利权)人：山东大学，
类型：发明
国别省市：