本发明属于航天器监测技术领域，尤其涉及一种航天器监测大数据的信息表征系统。
背景技术：
随着信息科技的进步，大型智能信息系统已在通信、金融、军事、物流、企业管理等领域普遍应用。对于航天器监测，通常以地面管理系统对航天器上所装传感器的测量数据来判断航天器的在轨运行状态。而航天器上通常装有多种类型的传感器，获取并筛选有用的信息，是得到准确判定结果基础。此外，还需要将来自于多个异源的信息进行数据解析和表征，并重新组织到语义一致的数据存储中，用于支持管理决策过程和复杂的多维查询。对此，现有技术并没有相关报道。
技术实现要素：
针对现有技术的上述不足，本发明提供一种航天器监测大数据的信息表征系统，包括：多源信息采集模块、数据改善模块、信号解析模块和信号表征模块，其中：多源信息采集模块采集监测信息，并输入至数据改善模块中；数据改善模块预设异类函数，根据监测信号的异类函数值与监测结果的差值绝对值确定监测信息的可靠性，并筛选可靠的数据，分别传输至信号解析模块和信号表征模块；信号解析模块接收可靠的数据，建立反褶积网络，提高数据的准确性；信号表征模块建立大数据稀疏网络，实现监测数据的快速归类。
优选的，采集监测信息包括力、温度、光、电流、电压和电磁信号。
优选的，多源信息采集模块还包括信号转换模块，将模拟信号转换为数字信号输出至数据改善模块。
优选的，所述异类函数f(x)如式(1)所示：
式中，x是异类函数值与监测结果的差值绝对值，[0,x0]是x取值密集的区间，x0是x可能出现的最大值，ω∈(0，1)是总体系数，n＞1为根指数。进一步，ω≥0.6，n≤5。
优选的，利用神经网络技术，根据子波自动给出期望输出，得到反子波和反褶积因子。
进一步，反子波通过以下步骤得到：
(s11)将子波作为输入，尖脉冲为期望输出，反子波为网络权值，采用最小均方学习算法训练网络，得到实际输出结果；
(s12)根据实际输出结果给出新的期望输出，重新训练网络，得到反子波。
神经网络反褶积通过以下步骤实现：
(s21)用多道超级平均估计子波振幅谱；
(s22)由常相位校正技术估计子波相位谱；
(s23)用反傅氏变换求取子波；
(s24)利用神经网络求取反子波；
(s25)反褶积。
优选的，大数据稀疏网络依据dct字典和稀疏分解算法的迭代计算得到。
本发明的有益效果：通过构建异类函数、反褶积网络和大数据稀疏网络，对来自多个异源的监测信息进行筛选、解析和表征，提高了监测数据的准确性，改善了监测质量和监测效率。
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
本发明提供一种航天器监测大数据的信息表征系统，包括：多源信息采集模块、数据改善模块、信号解析模块和信号表征模块，其中：
多源信息采集模块采集包括力、温度、光、电流、电压和电磁信号在内的监测信息，并输入至数据改善模块中，还包括用于将模拟信号转换为数字信号的信号转换模块。
数据改善模块预设异类函数，根据监测信号的异类函数值与监测结果的差值绝对值确定监测信息的可靠性，并筛选可靠的数据，分别传输至信号解析模块和信号表征模块。所述异类函数f(x)如式(1)所示：
式中，x是异类函数值与监测结果的差值绝对值，[0,x0]是x取值密集的区间，x0是x可能出现的最大值，w∈(0，1)是总体系数，n＞1为根指数。其中，ω是对x值进行加权，当ω过小或过大都表明数据可靠性不佳，x0是差值稀疏的界定值，n调节曲率。综合考虑仪器监测误差及环境对监测结果的影响，ω≥0.6，n≤5。
信号解析模块接收可靠的数据，建立反褶积网络，提高数据的准确性。利用神经网络技术，根据子波自动给出期望输出，然后利用此期望输出训练网络得到反子波，能获得较合理的反褶积因子，保持较好的数据信噪比。在理想情况下，子波与反子波褶积后的输出为尖脉冲，用这种方法求反子波分为两步：
(s11)将子波作为输入，尖脉冲为期望输出，反子波为网络权值，采用最小均方学习算法训练网络，得到实际输出结果；
(s12)根据实际输出结果给出新的期望输出，重新训练网络，得到反子波。
神经网络反褶积实现步骤如下：
(s21)用多道超级平均估计子波振幅谱；
(s22)由常相位校正技术估计子波相位谱；
(s23)用反傅氏变换求取子波；
(s24)利用神经网络求取反子波；
(s25)反褶积。
信号表征模块建立大数据稀疏网络，实现监测数据的快速归类。选择冗余的dct字典进行初始化，进行稀疏分解算法的迭代计算，实现整体到局部的平均处理，达到数据快速分类的目的。
通过构建异类函数、反褶积网络和大数据稀疏网络，对来自多个异源的监测信息进行筛选、解析和表征，提高了监测数据的准确性，改善了监测质量和监测效率。
以上实施例仅用以说明本发明的技术方案而并非对其进行限制，凡未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明技术方案的保护范围内。