一种电磁辐射数据监控分析方法及系统技术方案

本发明专利技术公开了一种电磁辐射数据监控分析方法及系统，包括以下步骤：步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据；步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型；步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并判定电磁辐射主发射源的稳定性。本发明专利技术通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听，可实现掌握目标区域的电磁辐射的波动特征，得到目标区域的电磁辐射的波动规律。的电磁辐射的波动规律。的电磁辐射的波动规律。

【技术实现步骤摘要】
一种电磁辐射数据监控分析方法及系统


[0001]本专利技术涉及电磁辐射数据处理
，具体涉及一种电磁辐射数据监控分析方法及系统。

技术介绍

[0002]电磁辐射有一个电场和磁场分量的振荡，分别在两个相互垂直的方向传播能量。电磁辐射根据频率或波长分为不同类型，这些类型包括（按序增加频率）：电力，无线电波，微波，太赫兹辐射，红外辐射，可见光，紫外线，X射线和伽玛射线。其中，无线电波的波长最长而伽玛射线的波长最短。X射线和伽玛射线电离能力很强，其他电磁辐射电离能力相对较弱，而更低频的没有电离能力。
[0003]目前测定一个未知区域的电磁辐射的波动规律，通常需要对未知区域中所有的电磁辐射的发射源进行逐一分析，从而分析出波动规律，但是由于发射源稳定性的不同，有些发射源的稳定性强，不会对未知区域的电磁辐射的波动规律产生影响，因此对所有发射源进行逐一分析会导致冗余运算，降低分析效率。

技术实现思路

[0004]本专利技术的目的在于提供一种电磁辐射数据监控分析方法及系统，以解决现有技术中对所有发射源进行逐一分析会导致冗余运算，降低分析效率的技术问题。
[0005]为解决上述技术问题，本专利技术具体提供下述技术方案：一种电磁辐射数据监控分析方法，包括以下步骤：步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据，所述电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征；步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型，所述电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势；步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性，以及根据所述稳定性对所述电磁辐射主发射源进行波动分析，实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征。
[0006]作为本专利技术的一种优选方案，所述步骤S1中，所述电磁辐射主源时序数据的识别方法包括：将所述电磁辐射多源时序数据按时序量化为时序特征矩阵，其中，表征为时序处的电磁辐射发射源的时序数据，n为
电磁辐射发射源的总数目，m为电磁辐射多源时序数据的时序总数目；对所述时序特征矩阵进行主成分分析得到电磁辐射发射源的特征贡献率，并按特征贡献率对电磁辐射发射源进行降序排列得到电磁辐射发射源贡献顺序；选取所述电磁辐射发射源贡献顺序中前p(p<n)个电磁辐射发射源作为电磁辐射主发射源标记为，其中，所述前p个电磁辐射发射源的特征贡献率之和在预设贡献率阈值范围内；将电磁辐射多源时序数据转换为电磁辐射主发射源的电磁辐射主源时序数据，其中，表征为时序处的电磁辐射主发射源的时序数据，p为电磁辐射主发射源的总数目，m为电磁辐射多源时序数据的时序总数目。
[0007]作为本专利技术的一种优选方案，所述步骤S2中，所述电磁辐射主源波动趋势模型的构建方法包括：将所述电磁辐射主源时序数据拆分为两个连续时序段和的时序数据和，并分别作为训练时序样本和测试时序样本，其中，表征为时序处的训练样本，且为时序处的电磁辐射主源真实数据，表征为时序处的测试样本，且为时序处的电磁辐射主源真实数据，M表征为训练时序样本的时序总数目，m表征为电磁辐射多源时序数据的时序总数目；将电磁辐射主发射源的训练时序样本和测试时序样本运用至CNN
‑
LSTM时序预测模型中进行模型训练得到电磁辐射主源波动趋势模型，其中，表征为电磁辐射主发射源的电磁辐射主源波动趋势模型。
[0008]作为本专利技术的一种优选方案，所述电磁辐射主源波动趋势模型的构建方法还包括：将所述训练时序样本依时序输入CNN卷积神经网络进行电磁辐射主发射源的波动特征提取，输出波动特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络滤波器设定为128个，激活函数设定为Relu函数，池化处理设定为max
‑
poling模式，dropout概率设定为0.20；将所述波动特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出连续时序段上的电磁辐射主源预测时序数据，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为，M为训练时序样本的时序总数目，表征为电磁辐射
主发射源在时序的电磁辐射主源真实数据，为LSTM长短期记忆网络输出的电磁辐射主发射源在时序的电磁辐射主源预测数据，表征为电磁辐射主发射源的预测误差；根据误差最小原则以及所述测试时序样本测试结果确定出电磁辐射主发射源对应的 CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到出电磁辐射主源波动趋势模型。
[0009]作为本专利技术的一种优选方案，所述电磁辐射主源波动趋势模型的输入为电磁辐射主源时序数据，输出为未来时序的预测电磁辐射主源时序数据，其中，表征为电磁辐射主发射源在未来时序处的电磁辐射主源预测数据，r为未来时序的总数目，m为电磁辐射多源时序数据的时序总数目。
[0010]作为本专利技术的一种优选方案，所述步骤S3中，所述监听因子的构建方法包括：计算未来时序的电磁辐射主源时序数据与未来时序的预测电磁辐射主源时序数据的差异度时序链，所述差异度时序链的计算公式为：；其中，表征为电磁辐射主发射源在时序的电磁辐射主源真实数据和电磁辐射主源预测数据的差异度；将电磁辐射主发射源在未来时序的差异度时序链作为电磁辐射主发射源在未来时序的监听因子。
[0011]作为本专利技术的一种优选方案，所述步骤S3中，所述稳定性的判定方法包括：若监听因子位于稳定阈值范围内，则所述电磁辐射主发射源k在未来时序处处于高稳定性；若监听因子未位于稳定阈值范围内，则所述电磁辐射主发射源k在未来时序处处于低稳定性。
[0012]作为本专利技术的一种优选方案，所述步骤S3中，所述波动分析的方法包括：将所述电磁辐射主发射源k中处于低稳定性的未来时序处的所有电磁辐射主源真实数据依时序链接为波动时序链；将所述波动时序链进行曲线拟合得到波动特征分析曲线，所述波动特征分析曲线
包含有电磁辐射主发射源k发射的电磁辐射的波动规律。
[0013]作为本专利技术的一种优选方案，本专利技术提供了一种根据所述的电磁辐射数据监控分析方法的分析系统，包括：数据预处理单元，用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据；模型建立单元，用于基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型；稳定性监听单元，用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性。
[0014]本专利技术与现有技术相比较具有如下有益效果：本专利技术利用主成分分析电磁辐射多源时序数据计算出目标区域内多个电磁辐射发射源在每个时序上的特征贡献率，根据特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电磁辐射数据监控分析方法，其特征在于，包括以下步骤：步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据，所述电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征；步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型，所述电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势；步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性，以及根据所述稳定性对所述电磁辐射主发射源进行波动分析，实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征。2.根据权利要求1所述的一种电磁辐射数据监控分析方法，其特征在于：所述步骤S1中，所述电磁辐射主源时序数据的识别方法包括：将所述电磁辐射多源时序数据按时序量化为时序特征矩阵，其中，表征为时序处的电磁辐射发射源的时序数据，n为电磁辐射发射源的总数目，m为电磁辐射多源时序数据的时序总数目；对所述时序特征矩阵进行主成分分析得到电磁辐射发射源的特征贡献率，并按特征贡献率对电磁辐射发射源进行降序排列得到电磁辐射发射源贡献顺序；选取所述电磁辐射发射源贡献顺序中前p(p<n)个电磁辐射发射源作为电磁辐射主发射源标记为，其中，所述前p个电磁辐射发射源的特征贡献率之和在预设贡献率阈值范围内；将电磁辐射多源时序数据转换为电磁辐射主发射源的电磁辐射主源时序数据，其中，表征为时序处的电磁辐射主发射源的时序数据，p为电磁辐射主发射源的总数目，m为电磁辐射多源时序数据的时序总数目。3.根据权利要求2所述的一种电磁辐射数据监控分析方法，其特征在于：所述步骤S2中，所述电磁辐射主源波动趋势模型的构建方法包括：将所述电磁辐射主源时序数据拆分为两个连续时序段和的时序数据和，并分别作为训练时序样本和测试时序样本，其中，表征为时序处的训练样本，且为时序处的电磁辐射主源真实数据，表征为时序处的测试样本，且为时序处的电磁辐射主源真实数据，M表征为训练时序样本的时序总数目，m为电磁辐射多源时序数据的时序总数目；
将电磁辐射主发射源的训练时序样本和测试时序样本运用至CNN
‑
LSTM时序预测模型中进行模型训练得到电磁辐射主源波动趋势模型，其中，表征为电磁辐射主发射源的电磁辐射主源波动趋势模型。4.根据权利要求3所述的一种电磁辐射数据监控分析方法，其特征在于：所述电磁辐射主源波动趋势模型的构建方法还包括：将所述训练时序样本依时序输入CNN卷积神经网络进行电磁辐射主发射源的波动特征提取，输出波动特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络滤波器设定为128个，激活函数设定为Relu函数，池化处理设定为max
‑
poling模式，dr...

【专利技术属性】
技术研发人员：唐泰可，林仁辉，苏茂才，廖峪，
申请(专利权)人：成都诺比侃科技有限公司，
类型：发明
国别省市：