基于人工智能的雷电电磁脉冲波形压缩方法及系统技术方案

本发明专利技术属于雷电波形压缩、人工智能和深度学习领域，具体涉及了一种基于人工智能的雷电电磁脉冲波形压缩方法及系统，旨在解决现有数据压缩方法无法处理差异较大的各类型的雷电电磁脉冲波形信号，且在降低压缩计算复杂度与提高压缩比之间无法兼容的问题。本发明专利技术包括：基于自编码器构建雷电数据压缩模型，模型包括输入层、编码压缩模块、可变比率调节模块、解码重构模块和输出层；基于各类别雷电电磁脉冲波形数据进行模型的训练；通过原始波形与重构波形之间的损失进行模型参数调节；通过训练好的模型进行实时的雷电电磁脉冲波形数据的压缩，压缩比由可变比率调节模块控制。本发明专利技术可实现各类别雷电电磁脉冲波形信号的高质量压缩，压缩比灵活可调。缩比灵活可调。缩比灵活可调。

【技术实现步骤摘要】
基于人工智能的雷电电磁脉冲波形压缩方法及系统


[0001]本专利技术属于雷电波形压缩、人工智能和深度学习领域，具体涉及了一种基于人工智能的雷电电磁脉冲波形压缩方法及系统。

技术介绍

[0002]雷电是一种壮观又震撼的自然现象，我国位于亚洲东部，季风气候显著，夏季雷电频发，对于科技飞速发展的今天，雷电引发的事故还时有发生，因此对于雷电的研究尤为重要。然而，一直进行雷电的探测与数据研究，导致数据量越来越庞大。基于目前庞大的雷电电磁脉冲波形数据量，一种对于数据的压缩技术则显得尤为重要。
[0003]随着科技的进步，人工智能在经过几次起落后再次回到大众的视野，并成为一大热门领域，尤其在人工智能的深度学习领域中，以神经网络为基础的模型，由于其仿人脑的结构具有极大的灵活性，在面对不同数据时，这类模型具有超强的学习能力，不仅可以学习不同数据的内部规律，且其学习能力会根据搭建模型的不同而起到不同的作用。
[0004]因此，基于人工智能的神经网络模型的强大的数据表征能力，越来多的研究将人工智能应用到雷电电磁脉冲波形压缩中。然而，雷电电磁脉冲信号种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的雷电电磁脉冲波形压缩方法，其特征在于，该方法包括：步骤S10，通过雷电辐射场信号采集设备，采集设定数量的雷电电磁脉冲波形数据，作为模型训练数据集；步骤S20，基于堆叠自编码器构建雷电数据压缩模型；所述雷电数据压缩模型包括输入层、编码压缩模块、可变比率调节模块、解码重构模块和输出层；步骤S30，选择所述模型训练数据集中一个训练数据，将数据输入当前雷电数据压缩模型，获取编码压缩模块输出的压缩数据和解码重构模块输出的重构数据；步骤S40，计算所述压缩数据与所述重构数据之间的损失值，并通过随机梯度下降法优化函数更新所述雷电数据压缩模型的参数，作为当前雷电数据压缩模型；步骤S50，重复步骤S30
‑
步骤S40进行模型迭代训练，直至达到设定的训练结束条件，获得训练好的雷电数据压缩模型；步骤S60，通过训练好的雷电数据压缩模型，进行实时采集的雷电电磁脉冲波形数据的压缩。2.根据权利要求1所述的基于人工智能的雷电电磁脉冲波形压缩方法，其特征在于，所述编码压缩模块包括多层一维卷积神经网络和最大值池化层，所述解码重构模块包括与所述多层一维卷积神经网络一一对应的一维逆卷积神经网络和与所述最大值池化层对应的最大值上采样层。3.根据权利要求2所述的基于人工智能的雷电电磁脉冲波形压缩方法，其特征在于，所述一维卷积神经网络，其表示为：其中，X
j
为一维卷积神经网络的输出特征X的第j个输出特征向量，S
i
为输入特征S的第i个输入特征向量，K
ij
为一维卷积神经网络的卷积核K中连接第i个输入特征向量和第j个输出特征向量的卷积核向量，b
j
为一维卷积神经网络的偏置b的第j个偏置向量，f(
·
)表示非线性激活计算，M
j
为连接输入特征与输出特征的映射数量。4.根据权利要求3所述的基于人工智能的雷电电磁脉冲波形压缩方法，其特征在于，所述最大值池化层，其表示为：其中，P
j
(n)为最大值池化层的输出特征P的第j个输出特征向量的第n个索引值，R表示池化窗口的大小，r表示池化窗口的元素索引，L表示池化的步长，max[
·
]表示最大值计算。5.根据权利要求4所述的基于人工智能的雷电电磁脉冲波形压缩方法，其特征在于，所述一维逆卷积神经网络，其表示为：其中，Y
...

【专利技术属性】
技术研发人员：王佳权，郭锦华，马启明，周晓，肖芳，苑尚博，宋佳军，
申请(专利权)人：中国科学院电工研究所，
类型：发明
国别省市：