【技术实现步骤摘要】
本专利技术属于航天测量系统，具体涉及一种数据抽取方法、装置和存储介质，尤其涉及一种针对时序数据的乱序数据抽取方法、装置和存储介质。
技术介绍
1、在多传感器(包括遥外侧雷达、光学望远镜测量系统等)组成的航天测量系统中，各传感器测量所得的测量数据，均包含系统误差(又称粗大误差)和随即误差。相关方案中，系统误差通过定期测量固定靶标的方法进行标定和修正，随即误差的修正基于各种先验经验的模型假设，然后利用测量数据进行拟合(一般采用最大二乘拟合)求取假设参数进行误差修正，可靠性较低。
2、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的目的在于，提供一种数据抽取方法、装置和存储介质，以解决相关方案中，航天测量系统的系统误差通过定期测量固定靶标的方法进行标定和修正，随即误差的修正基于各种先验经验的模型假设，然后利用测量数据进行拟合求取假设参数进行误差修正，可靠性较低的问题，达到通过在训练用于航天测量系统的传感器测量数据随机和系统误差修正的端到端的深度网络模型前，采用乱序抽取的方式抽取测量数据，能够提高深度网络模型的训练效果，从而提高误差修正的可靠性的效果。
2、本专利技术提供一种数据抽取方法，应用于训练用于航天测量系统的传感器测量数据随机和系统误差修正的端到端的深度网络模型；所述数据抽取方法，包括：在训练用于航天测量系统的传感器测量数据随机和系统误差修正的端到端的深度网络模型之前，获取航天测量系统的传感器测量数
3、在一些实施方式中，基于所述测量数据集，确定当前待训练的训练数据集，包括：从所述测量数据集抽取部分批次的测量数据，形成训练数据集d；对所述训练数据集d中的每个测量批次b，写成单个测量点组合的集合；拼接所述训练数据集d中的每个测量批次b的测量点集，形成新的训练集合d′，作为当前待训练的训练数据集。
4、在一些实施方式中，所述新的训练集合d′为：式中，i＝1，2，...n，表示第i次测量序列，mi表示第i次测量所获得的数据点数量，n、m均为正整数。
5、在一些实施方式中，自所述当前待训练的训练数据集中，采用乱序抽取法，抽取一个训练批次的训练样本，包括：打乱所述当前待训练的训练数据集中的数据，记为当前待训练的乱序训练数据；自所述当前待训练的乱序训练数据中随机抽取一批数据，组成一个训练批次的训练样本。
6、在一些实施方式中，基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到所需的端到端的深度网络模型，包括：基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到一个模型梯度；重新自所述当前待训练的训练数据集中，采用乱序抽取法，抽取另一个训练批次的训练样本；基于抽取到的另一个训练批次的训练样本，利用预设的网络模型进行训练，得到另一个模型梯度；以此循环，直至得到的模型梯度不再下降或训练次数已达到设定的最大训练次数，保存此时训练得到的模型参数，以得到所需的端到端的深度网络模型。
7、在一些实施方式中，重新自所述当前待训练的训练数据集中，采用乱序抽取法，抽取另一个训练批次的训练样本，包括：在新的数据抽取过程中，不再按照测量批次来抽取数据，特征x6～x11保持变化；其中，x6为大气温度，x7大气湿度，x8大气压强，x9为测量设备光电水平差，x10为测量设备光电垂直差，x11为测量设备大盘不水平度。
8、在一些实施方式中，基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到一个模型梯度，包括：基于抽取到的一个训练批次的训练样本，利用预设的网络模型，计算损失函数的值并进行梯度修正，得到一个模型梯度。
9、与上述方法相匹配，本专利技术另一方面提供一种数据抽取装置，应用于训练用于航天测量系统的传感器测量数据随机和系统误差修正的端到端的深度网络模型；所述数据抽取装置，包括：获取单元，被配置为在训练用于航天测量系统的传感器测量数据随机和系统误差修正的端到端的深度网络模型之前，获取航天测量系统的传感器测量数据，形成测量数据集；控制单元，被配置为基于所述测量数据集，确定当前待训练的训练数据集；所述控制单元，还被配置为自所述当前待训练的训练数据集中，采用乱序抽取法，抽取一个训练批次的训练样本；所述控制单元，还被配置为基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到所需的端到端的深度网络模型，以用于航天测量系统的传感器测量数据随机和系统误差的修正。
10、在一些实施方式中，所述控制单元，基于所述测量数据集，确定当前待训练的训练数据集，包括：从所述测量数据集抽取部分批次的测量数据，形成训练数据集d；对所述训练数据集d中的每个测量批次b，写成单个测量点组合的集合；拼接所述训练数据集d中的每个测量批次b的测量点集，形成新的训练集合d′，作为当前待训练的训练数据集。
11、在一些实施方式中，所述新的训练集合d′为：式中，i＝1，2，…n，表示第i次测量序列，mi表示第i次测量所获得的数据点数量，n、m均为正整数。
12、在一些实施方式中，所述控制单元，自所述当前待训练的训练数据集中，采用乱序抽取法，抽取一个训练批次的训练样本，包括：打乱所述当前待训练的训练数据集中的数据，记为当前待训练的乱序训练数据；自所述当前待训练的乱序训练数据中随机抽取一批数据，组成一个训练批次的训练样本。
13、在一些实施方式中，所述控制单元，基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到所需的端到端的深度网络模型，包括：基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到一个模型梯度；重新自所述当前待训练的训练数据集中，采用乱序抽取法，抽取另一个训练批次的训练样本；基于抽取到的另一个训练批次的训练样本，利用预设的网络模型进行训练，得到另一个模型梯度；以此循环，直至得到的模型梯度不再下降或训练次数已达到设定的最大训练次数，保存此时训练得到的模型参数，以得到所需的端到端的深度网络模型。
14、在一些实施方式中，所述控制单元，重新自所述当前待训练的训练数据集中，采用乱序抽取法，抽取另一个训练批次的训练样本，包括：在新的数据抽取过程中，不再按照测量批次来抽取数据，特征x6～x11保持变化；其中，x6为大气温度，x7大气湿度，x8大气压强，x9为测量设备光电水平差，x10为测量设备光电垂直差，x11为测量设备大盘不水平度。
15、在一些实施方式中，所述控制单元，基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到一个模型梯度，包括：基于抽取到的一个训练批次的训练样本，本文档来自技高网...
【技术保护点】
1.一种数据抽取方法，其特征在于，应用于训练用于航天测量系统的传感器测量数据随机和系统误差修正的端到端的深度网络模型；所述数据抽取方法，包括：
2.根据权利要求1所述的数据抽取方法，其特征在于，基于所述测量数据集，确定当前待训练的训练数据集，包括：
3.根据权利要求2所述的数据抽取方法，其特征在于，其中，所述新的训练集合D′为：
4.根据权利要求1至3中任一项所述的数据抽取方法，其特征在于，自所述当前待训练的训练数据集中，采用乱序抽取法，抽取一个训练批次的训练样本，包括：
5.根据权利要求1至3中任一项所述的数据抽取方法，其特征在于，基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到所需的端到端的深度网络模型，包括：
6.根据权利要求5所述的数据抽取方法，其特征在于，重新自所述当前待训练的训练数据集中，采用乱序抽取法，抽取另一个训练批次的训练样本，包括：
7.根据权利要求5所述的数据抽取方法，其特征在于，基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到一个模型梯度，包括：
8.一种数据抽取装置，其特征在于，应用于训练用于航天测量系统的传感器测量数据随机和系统误差修正的端到端的深度网络模型；所述数据抽取装置，包括：
9.一种终端，其特征在于，包括：如权利要求8所述的数据抽取装置。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任一项所述的数据抽取方法。
...【技术特征摘要】
1.一种数据抽取方法，其特征在于，应用于训练用于航天测量系统的传感器测量数据随机和系统误差修正的端到端的深度网络模型；所述数据抽取方法，包括：
2.根据权利要求1所述的数据抽取方法，其特征在于，基于所述测量数据集，确定当前待训练的训练数据集，包括：
3.根据权利要求2所述的数据抽取方法，其特征在于，其中，所述新的训练集合d′为：
4.根据权利要求1至3中任一项所述的数据抽取方法，其特征在于，自所述当前待训练的训练数据集中，采用乱序抽取法，抽取一个训练批次的训练样本，包括：
5.根据权利要求1至3中任一项所述的数据抽取方法，其特征在于，基于抽取到的一个训练批次的训练样本，利用预设的网络模型进行训练，得到所需的端到端的深度网络模型，包括：
...【专利技术属性】
技术研发人员：张立民，唐志强，秦志刚，陈德明，张华，刘欢，黄芳，谢清超，薛辉，陈永健，李曦，
申请(专利权)人：中国人民解放军六三六二零部队，
类型：发明
国别省市：
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。