【技术实现步骤摘要】
本申请涉及数据处理领域，尤其涉及一种基于宽度学习的压缩感知模型构建方法、相应的装置、电子设备及计算机可读存储介质。
技术介绍
1、布里渊光学分布式光纤传感器(botda)可实现分布式应变和温度测量，现如今在油气泄漏检测、结构健康监测以及火灾预警等领域有着广泛的应用，随着光纤技术的不断发展，光学布里渊光学分布式传感的应用前景也愈加宽广。
2、在实际应用中，由于监测过程绝大部分都是实时监测的，因此对布里渊光纤传感器的实时性和准确度有着较高要求。目前，对于从布里渊光学分布式光纤传感器中获取的布里渊增益谱提取布里渊频移的过程，依旧采用的是传统的洛伦兹拟合法，该方法在较宽广的测量中，一步步绘制布里渊光谱和提取温度应变等信息中，其耗时过长，硬件成本较大。目前有学者提出了将机器学习融入到光学分布式光纤传感中，实验表明，以pca、k-svd、omp算法为代表的压缩感知算法需要提前训练理想数据，且模型训练时间较长，无法应对强干扰的实际数据。
3、综上，适应现有技术中洛伦兹拟合法一步步绘制布里渊光谱和提取温度应变等信息中，其耗时过长，硬件成本较大，以及以pca、k-svd、omp算法为代表的压缩感知算法需要提前训练理想数据，且模型训练时间较长，无法应对强干扰的实际数据，本申请人出于解决该问题的考虑作出相应的探索。
技术实现思路
1、本申请的目的在于解决上述问题而提供一种基于宽度学习的压缩感知模型构建方法、相应的装置、电子设备及计算机可读存储介质。
2、为满足本申请的
3、适应本申请的目的之一而提出的一种基于宽度学习的压缩感知模型构建方法，包括如下步骤：
4、响应压缩感知模型构建事件，获取布里渊光学分布式光纤传感器中的不同温度下的布里渊增益图谱数据，根据预设的峰值增益对所述不同温度下的布里渊增益图谱数据进行归一化处理，确定归一化后的布里渊增益图谱数据；
5、对所述归一化后的布里渊增益图谱数据进行预处理，确定每一条布里渊增益图谱数据相对应的布里渊中心频移、半高频宽以及所述布里渊中心频移、半高频宽相对应的标签值；
6、对每一个标签值下的布里渊增益图谱数据进行预设次数的均匀降采样，对每个标签值下的布里渊增益图谱数据，随机抽取预设行数的布里渊增益图谱数据组成新的矩阵，并将所述矩阵作为训练集和测试集；
7、基于宽度学习神经网络构建所述训练集和测试集相对应的输入矩阵以及输出矩阵，根据所述训练集和测试集的输入矩阵以及输出矩阵对压缩感知模型进行训练，直至所述压缩感知模型达到收敛状态，完成所述压缩感知模型的构建。
8、可选的，获取布里渊光学分布式光纤传感器中的不同温度下的布里渊增益图谱数据的步骤之后,包括如下步骤：
9、构建具有洛伦兹轮廓的理想布里渊增益图谱，表示为：
10、
11、其中，所述g(v)为布里渊增益值，所述gb为峰值增益，所述vb为布里渊中心频移，所述δvb为半高频宽。
12、可选的，根据预设的峰值增益对所述不同温度下的布里渊增益图谱数据进行归一化处理，确定归一化后的布里渊增益图谱数据的步骤，包括如下步骤：
13、响应图谱数据归一化指令，确定布里渊增益图谱数据的峰值增益、预设温度、采频范围以及步长；
14、根据所述布里渊增益图谱数据的峰值增益、预设温度、采频范围以及步长对不同温度下的布里渊增益图谱数据进行归一化处理。
15、可选的，对所述归一化后的布里渊增益图谱数据进行预处理，确定每一条布里渊增益图谱数据相对应的布里渊中心频移、半高频宽以及所述布里渊中心频移、半高频宽相对应的标签值的步骤，包括如下步骤：
16、确定布里渊增益图谱数据的预设数值范围的标签值；
17、根据所述预设数值范围的标签值对所述每一条布里渊增益图谱数据相对应的布里渊中心频移、半高频宽设定其相对应的标签值，其中，不同的标签值与不同的布里渊中心频移以及半高频宽的组合相对应。
18、可选的，对每一个标签值下的布里渊增益图谱数据进行预设次数的均匀降采样的步骤，包括如下步骤：
19、对每一个标签值的曲线都进行16次的均匀降采样，其均匀降采样规则为：从501个点中依次采31个点，要求所采集的点x的值按照0.016ghz依次递增，第一次均匀采样从x＝10.600ghz开始，第二次均匀采样从x＝10.601ghz开始，第三次均匀采样从x＝10.602ghz开始，依次类推，直至达到16次的均匀降采样。
20、可选的，对每一个标签值下的布里渊增益图谱数据进行预设次数的均匀降采样，对每个标签值下的布里渊增益图谱数据，随机抽取预设行数的布里渊增益图谱数据组成新的矩阵，并将所述矩阵作为训练集和测试集的步骤，包括如下步骤：
21、每进行一次均匀降采样，都将采样点的纵坐标值写入矩阵，矩阵的每一行表征一次均匀降采样所得的采样点纵坐标值；
22、同一个标签值的布里渊增益图谱数据有16行，对每个标签值下的布里渊增益图谱数据，随机抽取预设行数的布里渊增益图谱数据组成新的矩阵，并将所述矩阵作为训练集和测试集。
23、可选的，基于宽度学习神经网络构建所述训练集和测试集相对应的输入矩阵以及输出矩阵的步骤，包括如下步骤：
24、将训练集矩阵或测试集矩阵乘上一组随机且固定的权重，加上随机且固定偏差之后传到增强层，经激活函数得到增强层计算结果，根据增强层计算结果确定宽度神经网络的训练集输入矩阵。
25、适应本申请的另一目的而提供的一种基于宽度学习的压缩感知模型构建装置，包括：
26、数据归一化模块，设置为响应压缩感知模型构建事件，获取布里渊光学分布式光纤传感器中的不同温度下的布里渊增益图谱数据，根据预设的峰值增益对所述不同温度下的布里渊增益图谱数据进行归一化处理，确定归一化后的布里渊增益图谱数据；
27、数据预处理模块，设置为对所述归一化后的布里渊增益图谱数据进行预处理，确定每一条布里渊增益图谱数据相对应的布里渊中心频移、半高频宽以及所述布里渊中心频移、半高频宽相对应的标签值；
28、降采样模块，设置为对每一个标签值下的布里渊增益图谱数据进行预设次数的均匀降采样，对每个标签值下的布里渊增益图谱数据，随机抽取预设行数的布里渊增益图谱数据组成新的矩阵，并将所述矩阵作为训练集和测试集；
29、感知模型构建模块，设置为基于宽度学习神经网络构建所述训练集和测试集相对应的输入矩阵以及输出矩阵，根据所述训练集和测试集的输入矩阵以及输出矩阵对压缩感知模型进行训练，直至所述压缩感知模型达到收敛状态，完成所述压缩感知模型的构建。
30、适应本申请的另一目的而提供的一种电子设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述基于宽度学习的压缩感知模型构建方法的步骤。
31、适应本文档来自技高网...
【技术保护点】
1.一种基于宽度学习的压缩感知模型构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于宽度学习的压缩感知模型构建方法，其特征在于，获取布里渊光学分布式光纤传感器中的不同温度下的布里渊增益图谱数据的步骤之后,包括如下步骤：
3.根据权利要求1所述的基于宽度学习的压缩感知模型构建方法，其特征在于，根据预设的峰值增益对所述不同温度下的布里渊增益图谱数据进行归一化处理，确定归一化后的布里渊增益图谱数据的步骤，包括如下步骤：
4.根据权利要求1所述的基于宽度学习的压缩感知模型构建方法，其特征在于，对所述归一化后的布里渊增益图谱数据进行预处理，确定每一条布里渊增益图谱数据相对应的布里渊中心频移、半高频宽以及所述布里渊中心频移、半高频宽相对应的标签值的步骤，包括如下步骤：
5.根据权利要求1所述的基于宽度学习的压缩感知模型构建方法，其特征在于，对每一个标签值下的布里渊增益图谱数据进行预设次数的均匀降采样的步骤，包括如下步骤：
6.根据权利要求5所述的基于宽度学习的压缩感知模型构建方法，其特征在于，对每一个标签值下的布里渊
7.根据权利要求1至6任意一项所述的基于宽度学习的压缩感知模型构建方法，其特征在于，基于宽度学习神经网络构建所述训练集和测试集相对应的输入矩阵以及输出矩阵的步骤，包括如下步骤：
8.一种基于宽度学习的压缩感知模型构建装置，其特征在于，包括:
9.一种电子设备，包括中央处理器和存储器，其特征在于，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至7中任意一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。
...【技术特征摘要】
1.一种基于宽度学习的压缩感知模型构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于宽度学习的压缩感知模型构建方法，其特征在于，获取布里渊光学分布式光纤传感器中的不同温度下的布里渊增益图谱数据的步骤之后,包括如下步骤：
3.根据权利要求1所述的基于宽度学习的压缩感知模型构建方法，其特征在于，根据预设的峰值增益对所述不同温度下的布里渊增益图谱数据进行归一化处理，确定归一化后的布里渊增益图谱数据的步骤，包括如下步骤：
4.根据权利要求1所述的基于宽度学习的压缩感知模型构建方法，其特征在于，对所述归一化后的布里渊增益图谱数据进行预处理，确定每一条布里渊增益图谱数据相对应的布里渊中心频移、半高频宽以及所述布里渊中心频移、半高频宽相对应的标签值的步骤，包括如下步骤：
5.根据权利要求1所述的基于宽度学习的压缩感知模型构建方法，其特征在于，对每一个标签值下的布里渊增益图谱数据进行预设次数的均匀降采样的步骤，包括如下步骤：
6.根据权...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。