【技术实现步骤摘要】
本专利技术属于智能评估分析，具体地，涉及一种多源异构数据的光纤信号融合与重构方法。
技术介绍
1、在当前阶段，光纤信号多源异构数据融合领域面临着一系列的挑战。就光纤信号提取信息而言，其所采用的物理模型提取关键数据往往具有较低的质量，限制了后续应用和分析的准确性。尤其在复杂场景中，融合过程难以捕捉所有细节，导致多源异构数据融合失真和信息丢失的问题愈发显著。同时，计算过程的复杂性也对硬件和计算资源提出了较高要求。另一方面，多源异构数据融合面临着数据的异构性，不同数据源的表示、分布和特征多种多样，而将它们有效融合需要解决这种异构性带来的问题。此外，不同数据源所提供的信息丰富度可能存在差异，导致在融合时需要平衡不同信息的挑战。数据中可能存在噪声、不一致性和错误，需要解决如何在融合过程中进行准确清洗和校正的难题。同时，由于数据涉及不同的时空尺度，如何建模时空关系以提取更准确信息也是一个关键问题。
2、因此，有必要实现更精确、高质量的光纤信号多源异构数据融合与重构。
技术实现思路
1、有鉴于此，本专利技术的目的是提供一种多源异构数据的光纤信号融合与重构方法。
2、本专利技术的目的是通过以下技术方案实现的：
3、一种多源异构数据的光纤信号融合与重构方法，包括：多源异构数据的物理模型优化、自注意力驱动的多源异构数据融合以及增强多源异构数据重构；
4、1)多源异构数据的物理模型优化
5、s1：采用psf作为光纤信号物理机理模型，在多源异构数
6、i(xi,yi)＝∫∫o(u,v)psf(xi/m-u,yi/m-v)dudv，
7、其中，o(u,v)表示对象平面函数值，即待测量的光纤信号，m表示图像放大倍数，用于调整光线信号在图像上的位置，psf表示点扩散函数，i(xi,yi)表示图像中某个点的数值，即多源异构数据，(xi,yi)表示该点在图像坐标系下的位置；
8、s2：使用加权系数编码模型对光纤信号中的高斯噪声进行滤除；
9、s3：对多源异构数据进行分解，提取纹理层和结构层特征，并应用高斯正则化进行优化，生成多源异构数据的重建数据；
10、2)自注意力驱动的多源异构数据融合
11、s4：引入基于自注意力的psf融合多粒度特征学习模块，提取多源异构数据中的psf融合多粒度特征；
12、s5：设计基于最大化输出的psf融合多粒度特征，对不同粒度的特征进行融合，生成融合特征；
13、3)增强多源异构数据重构
14、s6：将融合特征进行估计生成融合特征估计值；
15、s7：将相邻两次迭代产生的融合特征沿通道进行连接，并经过两个参数化为θdi的卷积层进行卷积处理，实现对偶更新；
16、s8：将相邻两次迭代产生的融合特征估计值沿通道进行连接，并通过参数化为θpi的两个卷积层进行卷积处理，并将卷积结果和原始的融合特征估计值加权相加，实现对原始域的更新；
17、s9：利用原始对偶网络模型对通过使用点光纤信号测量得到的点扩散函数psf初始化的模型张量进行优化。
18、进一步地，所述s2具体包括：
19、利用以下公式确定i的稀疏编码表示：
20、i≈dα*，
21、其中，||·||1和||·||2分别表示1范数和2范数运算，d＝[d1,d2,...,dn]∈rm×n，di表示m维的稀疏基向量，m表示稀疏基向量的维度，n表示稀疏编码的维度，r表示实数集，λ1表示用于平衡误差和稀疏性的折中参数，其中，d通过训练样本集i0＝[i1,i2,...,iq]∈rm×q求解如下目标函数最小化问题来确定：
22、
23、进一步地，所述s3包括：
24、将和两个具有不同核宽度σ1和σ2的高斯核函数，分别引入到fgtv(i)和fgmlv(i)中，其中，fgtv(i)表示应用了高斯核函数后的总变差正则项的逆过程，用于提取i中的细颗粒纹理层特征，fgmlv(i)表示应用了高斯核函数后的多字典低秩约束正则项的逆过程，用于提取i中的大尺度结构层特征；
25、确定lrgv正则化项flrgv(i)，
26、其中，
27、
28、
29、表示i的梯度，ω表示叠加加权点扩散函数的总和，*表示卷积运算，⊙表示元素相乘，u表示加权矩阵；
30、通过以下目标函数，得到多源异构数据的重建数据s
31、
32、其中，s表示重建数据的变量，λ2表示正则化参数，目标函数第一项为frobenius准则保真度项，第二项为lrgv正则化项，||·||f表示f范数。
33、进一步地，所述s4包括：
34、确定多源异构数据中任意数据块的特征图；
35、采用自注意力机制确定所述任意数据块的内容向量cr，
36、其中，
37、
38、αr,r'＝softmax(w1βr,r'+b1)，
39、
40、
41、
42、αr,r'为经过softmax处理后的注意力权重系数，βr,r'为经过tanh激活函数处理后的矩阵向量，w1和w2为可学习的参数矩阵，b1和b2为可学习的偏差值，q和k表示对特征图进行数学处理的函数，表示数据块r对应的特征图，表示数据块r'对应的特征图。
43、进一步地，所述s5包括：
44、将psf融合多粒度特征记为fpsf，并分为k组，每组包含c个特征通道；
45、在每个组内，将c个特征通道的输入分别进行maxout操作，得到maxout特征，记为m1、m2、…mc；
46、将每个组内的maxout特征进行平均池化并进行连接，得到最终的psf特征，记为fpsf'；将最终的psf特征和纹理层以及结构层的特征进行加权平均，得到融合特征ffused，即
47、ffused＝β1·fpsf'+β2·fother，
48、其中，β1和β2表示特征权重，fother表示纹理层和结构层特征。
49、进一步地，所述s6包括：
50、通过解决正则化优化问题，对融合特征进行估计，用公式表示为：
51、
52、其中，表示圆形卷积，g表示将结果裁减到传感器大小，b表示光纤信号的测量，λ3表示控制正则化程度的参数，与数据保真度项相关，re是正则化函数，x表示融合特征，x'表示融合特征的估计值。
53、进一步地，所述s9包括：
54、假设θk为原始对偶网络模型的前向模型的参数，使用圆形卷积替换前向模型中的前向算子γ和邻接算子即
55、
56、
57、其中，x∈x，y∈y，分别表示主变量和对偶变量，x表示光本文档来自技高网...
【技术保护点】
1.一种多源异构数据的光纤信号融合与重构方法，其特征在于，包括：多源异构数据的物理模型优化、自注意力驱动的多源异构数据融合以及增强多源异构数据重构；
2.根据权利要求1所述的一种多源异构数据的光纤信号融合与重构方法，其特征在于，所述S2具体包括：
3.根据权利要求1所述的一种多源异构数据的光纤信号融合与重构方法，其特征在于，所述S3包括：
4.根据权利要求1所述的一种多源异构数据的光纤信号融合与重构方法，其特征在于，所述S4包括：
5.根据权利要求1所述的一种多源异构数据的光纤信号融合与重构方法，其特征在于，所述S5包括：
6.根据权利要求1所述的一种多源异构数据的光纤信号融合与重构方法，其特征在于，所述S6包括：
7.根据权利要求6所述的一种多源异构数据的光纤信号融合与重构方法，其特征在于，所述S9包括：
【技术特征摘要】
1.一种多源异构数据的光纤信号融合与重构方法，其特征在于，包括：多源异构数据的物理模型优化、自注意力驱动的多源异构数据融合以及增强多源异构数据重构；
2.根据权利要求1所述的一种多源异构数据的光纤信号融合与重构方法，其特征在于，所述s2具体包括：
3.根据权利要求1所述的一种多源异构数据的光纤信号融合与重构方法，其特征在于，所述s3包括：
4.根据权利要求...
【专利技术属性】
技术研发人员：利节，朱其涛，张亚，刘永红，罗宽，程明亮，杨海艳，
申请(专利权)人：重庆科技学院，
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。