一种电磁辐射数据监控分析方法及系统与流程

1.本发明涉及电磁辐射数据处理技术领域，具体涉及一种电磁辐射数据监控分析方法及系统。


背景技术：

2.电磁辐射有一个电场和磁场分量的振荡，分别在两个相互垂直的方向传播能量。电磁辐射根据频率或波长分为不同类型，这些类型包括（按序增加频率）：电力，无线电波，微波，太赫兹辐射，红外辐射，可见光，紫外线，x射线和伽玛射线。其中，无线电波的波长最长而伽玛射线的波长最短。x射线和伽玛射线电离能力很强，其他电磁辐射电离能力相对较弱，而更低频的没有电离能力。
3.目前测定一个未知区域的电磁辐射的波动规律，通常需要对未知区域中所有的电磁辐射的发射源进行逐一分析，从而分析出波动规律，但是由于发射源稳定性的不同，有些发射源的稳定性强，不会对未知区域的电磁辐射的波动规律产生影响，因此对所有发射源进行逐一分析会导致冗余运算，降低分析效率。


技术实现要素：

4.本发明的目的在于提供一种电磁辐射数据监控分析方法及系统，以解决现有技术中对所有发射源进行逐一分析会导致冗余运算，降低分析效率的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：一种电磁辐射数据监控分析方法，包括以下步骤：步骤s1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据，所述电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征；步骤s2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型，所述电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势；步骤s3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性，以及根据所述稳定性对所述电磁辐射主发射源进行波动分析，实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征。
6.作为本发明的一种优选方案，所述步骤s1中，所述电磁辐射主源时序数据的识别方法包括：将所述电磁辐射多源时序数据按时序量化为时序特征矩阵，其中，表征为时序处的电磁辐射发射源的时序数据，n为
电磁辐射发射源的总数目，m为电磁辐射多源时序数据的时序总数目；对所述时序特征矩阵进行主成分分析得到电磁辐射发射源的特征贡献率，并按特征贡献率对电磁辐射发射源进行降序排列得到电磁辐射发射源贡献顺序；选取所述电磁辐射发射源贡献顺序中前p(p<n)个电磁辐射发射源作为电磁辐射主发射源标记为，其中，所述前p个电磁辐射发射源的特征贡献率之和在预设贡献率阈值范围内；将电磁辐射多源时序数据转换为电磁辐射主发射源的电磁辐射主源时序数据，其中，表征为时序处的电磁辐射主发射源的时序数据，p为电磁辐射主发射源的总数目，m为电磁辐射多源时序数据的时序总数目。
7.作为本发明的一种优选方案，所述步骤s2中，所述电磁辐射主源波动趋势模型的构建方法包括：将所述电磁辐射主源时序数据拆分为两个连续时序段和的时序数据和，并分别作为训练时序样本和测试时序样本，其中，表征为时序处的训练样本，且为时序处的电磁辐射主源真实数据，表征为时序处的测试样本，且为时序处的电磁辐射主源真实数据，m表征为训练时序样本的时序总数目，m表征为电磁辐射多源时序数据的时序总数目；将电磁辐射主发射源的训练时序样本和测试时序样本运用至cnn
‑
lstm时序预测模型中进行模型训练得到电磁辐射主源波动趋势模型，其中，表征为电磁辐射主发射源的电磁辐射主源波动趋势模型。
8.作为本发明的一种优选方案，所述电磁辐射主源波动趋势模型的构建方法还包括：将所述训练时序样本依时序输入cnn卷积神经网络进行电磁辐射主发射源的波动特征提取，输出波动特征序列，其中，所述cnn卷积神经网络的训练参数设定包括：网络滤波器设定为128个，激活函数设定为relu函数，池化处理设定为max
‑
poling模式，dropout概率设定为0.20；将所述波动特征序列输入值lstm长短期记忆网络中进行时序预测训练，输出连续时序段上的电磁辐射主源预测时序数据，其中，所述lstm长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为，m为训练时序样本的时序总数目，表征为电磁辐射
主发射源在时序的电磁辐射主源真实数据，为lstm长短期记忆网络输出的电磁辐射主发射源在时序的电磁辐射主源预测数据，表征为电磁辐射主发射源的预测误差；根据误差最小原则以及所述测试时序样本测试结果确定出电磁辐射主发射源对应的 cnn卷积神经网络和lstm长短期记忆网络的网络参数得到出电磁辐射主源波动趋势模型。
9.作为本发明的一种优选方案，所述电磁辐射主源波动趋势模型的输入为电磁辐射主源时序数据，输出为未来时序的预测电磁辐射主源时序数据，其中，表征为电磁辐射主发射源在未来时序处的电磁辐射主源预测数据，r为未来时序的总数目，m为电磁辐射多源时序数据的时序总数目。
10.作为本发明的一种优选方案，所述步骤s3中，所述监听因子的构建方法包括：计算未来时序的电磁辐射主源时序数据与未来时序的预测电磁辐射主源时序数据的差异度时序链，所述差异度时序链的计算公式为：；其中，表征为电磁辐射主发射源在时序的电磁辐射主源真实数据和电磁辐射主源预测数据的差异度；将电磁辐射主发射源在未来时序的差异度时序链作为电磁辐射主发射源在未来时序的监听因子。
11.作为本发明的一种优选方案，所述步骤s3中，所述稳定性的判定方法包括：若监听因子位于稳定阈值范围内，则所述电磁辐射主发射源k在未来时序处处于高稳定性；若监听因子未位于稳定阈值范围内，则所述电磁辐射主发射源k在未来时序处处于低稳定性。
12.作为本发明的一种优选方案，所述步骤s3中，所述波动分析的方法包括：将所述电磁辐射主发射源k中处于低稳定性的未来时序处的所有电磁辐射主源真实数据依时序链接为波动时序链；将所述波动时序链进行曲线拟合得到波动特征分析曲线，所述波动特征分析曲线
包含有电磁辐射主发射源k发射的电磁辐射的波动规律。
13.作为本发明的一种优选方案，本发明提供了一种根据所述的电磁辐射数据监控分析方法的分析系统，包括：数据预处理单元，用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据；模型建立单元，用于基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型；稳定性监听单元，用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性。
14.本发明与现有技术相比较具有如下有益效果：本发明利用主成分分析电磁辐射多源时序数据计算出目标区域内多个电磁辐射发射源在每个时序上的特征贡献率，根据特征贡献率识别出目标区域内作为对电磁辐射多源时序数据的波动特征具有主要影响的电磁辐射主发射源，因此通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听，可实现掌握目标区域的电磁辐射的波动特征，得到目标区域的电磁辐射的波动规律。
附图说明
15.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
16.图1为本发明实施例提供的电磁辐射数据监控分析方法流程图；图2为本发明实施例提供的分析系统结构框图。
17.图中的标号分别表示如下：1
‑
数据预处理单元；2
‑
模型建立单元；3
‑
稳定性监听单元。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.如图1所示，本发明提供了一种电磁辐射数据监控分析方法，包括以下步骤：在测定包含多个电磁辐射发射源的目标区域内的电磁辐射的波动规律时，需要利用由多个电磁辐射发射源综合作用产生的辐射数据（本实施例中的电磁辐射多源时序数据）判断出处于强烈波动（稳定性低）的电磁辐射主发射源，即电磁辐射主发射源稳定性低，是造成电磁辐射多源时序数据产生波动的主要影响因素，只需掌握电磁辐射主发射源的波动特征，就能够掌握到整个目标区域的电磁辐射的波动规律，无需对所有电磁辐射发射源进行波动分析，降低了数据处理量，提高了分析效率。
20.步骤s1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域
中电磁辐射主发射源产生的电磁辐射主源时序数据，电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征；步骤s1中，电磁辐射主源时序数据的识别方法包括：将电磁辐射多源时序数据按时序量化为时序特征矩阵，其中，表征为时序处的电磁辐射发射源的时序数据，n为电磁辐射发射源的总数目，m为电磁辐射多源时序数据的时序总数目；对时序特征矩阵进行主成分分析得到电磁辐射发射源的特征贡献率，并按特征贡献率对电磁辐射发射源进行降序排列得到电磁辐射发射源贡献顺序；选取电磁辐射发射源贡献顺序中前p(p<n)个电磁辐射发射源作为电磁辐射主发射源标记为，其中，前p个电磁辐射发射源的特征贡献率之和在预设贡献率阈值范围内；将电磁辐射多源时序数据转换为电磁辐射主发射源的电磁辐射主源时序数据，其中，表征为时序处的电磁辐射主发射源的时序数据，p为电磁辐射主发射源的总数目，m为电磁辐射多源时序数据的时序总数目。
21.本实施例提供一种识别方法的实例，目标区域的电磁辐射多源时序数据如表1所示。
22.表1 电磁辐射多源时序数据以上数据就很难观察出哪个发射源是导致目标区域电磁辐射波动的主要发射源，主成分分析步骤：将电磁辐射多源时序数据转变为时序特征矩阵如表2所示。
23.表2 时序特征矩阵
对每个发射源求时序特征均值如表3所示。
24.表3 时序特征均值将时序特征矩阵进行去均值处理得到去中心化矩阵，如表4所示。
25.表4 去中心化矩阵计算协方差矩阵的特征值与特征向量，如表5、6所示。
26.表5 协方差矩阵表6 特征值矩阵
计算每个发射源的特征贡献率并排序，如表7所示。
27.表7 特征贡献率矩阵一般取累计贡献率达85%
‑
95%发射源作为主发射源，发射源6和发射源5的累计贡献率达到99.8%。因此发射源6和发射源5为目标区域的电磁辐射主发射源，即发射源6和发射源5时目标区域电磁辐射发生波动的主要影响因素，发射源6和发射源5的电磁辐射主源时序数据如表8所示。
28.表8电磁辐射主源时序数据步骤s2、基于电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型，电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势；为了使得电磁辐射主源波动趋势模型的预测准确率较高需要获得大数量级的电磁辐射主源数据，如表9所示。
29.表9 电磁辐射主源时序数据步骤s2中，电磁辐射主源波动趋势模型的构建方法包括：将电磁辐射主源时序数据拆分为两个连续时序段
和的时序数据和，并分别作为训练时序样本和测试时序样本，其中，表征为时序处的训练样本，且为时序处的电磁辐射主源真实数据，表征为时序处的测试样本，且为时序处的电磁辐射主源真实数据，m表征为训练时序样本的时序总数目，m表征为电磁辐射多源时序数据的时序总数目；将电磁辐射主发射源的训练时序样本和测试时序样本运用至cnn
‑
lstm时序预测模型中进行模型训练得到电磁辐射主源波动趋势模型，其中，表征为电磁辐射主发射源的电磁辐射主源波动趋势模型。
30.电磁辐射主源波动趋势模型的构建方法还包括：将训练时序样本依时序输入cnn卷积神经网络进行电磁辐射主发射源的波动特征提取，输出波动特征序列，其中，cnn卷积神经网络的训练参数设定包括：网络滤波器设定为128个，激活函数设定为relu函数，池化处理设定为max
‑
poling模式，dropout概率设定为0.20；将波动特征序列输入值lstm长短期记忆网络中进行时序预测训练，输出连续时序段上的电磁辐射主源预测时序数据，其中，lstm长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为，m为训练时序样本的时序总数目，表征为电磁辐射主发射源在时序的电磁辐射主源真实数据，为lstm长短期记忆网络输出的电磁辐射主发射源在时序的电磁辐射主源预测数据，表征为电磁辐射主发射源的预测误差；根据误差最小原则以及测试时序样本测试结果确定出电磁辐射主发射源对应的 cnn卷积神经网络和lstm长短期记忆网络的网络参数得到出电磁辐射主源波动趋势模型。
31.电磁辐射主源波动趋势模型的输入为电磁辐射主源时序数据，输出为未来时序的预测电磁辐射主源时序数据，其中，表征为电磁辐射主发射源在未来时序处的电磁辐射主源预测数据，r为未来时序的总数目，m为电磁辐射多源时序数据的时序总数目。
32.电磁辐射主源波动趋势模型输入输出结果如表10所示。
33.表10 电磁辐射主源波动趋势模型输入输出结果
可预测出发射源5和发射源6在未来时序上的电磁辐射值，一旦发射源5和发射源6发生异常波动，则会打破发射源5和发射源6的辐射发射的稳定性，导致发射源5和发射源6在未来时序上的真实电磁辐射值与发射源5和发射源6在未来时序上的预测电磁辐射值不一致，而不一致的时序正好体现了发射源5和6的异常波动的发生时序，本实施例提供了一种监听因子用于监测发射源5和6的异常波动的发生时序。
34.步骤s3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性，以及根据稳定性对电磁辐射主发射源进行波动分析，实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征。
35.步骤s3中，监听因子的构建方法包括：计算未来时序的电磁辐射主源时序数据与未来时序的预测电磁辐射主源时序数据的差异度时序链，差异度时序链的计算公式为：；其中，表征为电磁辐射主发射源在时序的电磁辐射主源真实数据和电磁辐射主源预测数据的差异度；将电磁辐射主发射源在未来时序的差异度时序链作为电磁辐射主发射源在未来时序的监听因子。
36.电磁辐射主发射源的真实监测输出和模型预测输出如表11所示。
37.表11电磁辐射主发射源的真实监测输出和模型预测输出。
38.电磁辐射主发射源的监听因子如表12所示。
39.表12 电磁辐射主发射源的监听因子步骤s3中，稳定性的判定方法包括：若监听因子位于稳定阈值范围内，则电磁辐射主发射源k在未来时序处处于高稳定性；若监听因子未位于稳定阈值范围内，则电磁辐射主发射源k在未来时序处处于低稳定性。
40.本实施例对稳定阈值范围不作限定，由使用者进行自定义。
41.步骤s3中，波动分析的方法包括：将电磁辐射主发射源k中处于低稳定性的未来时序处的所有电磁辐射主源真实数据依时序链接为波动时序链；将波动时序链进行曲线拟合得到波动特征分析曲线，波动特征分析曲线包含有电磁辐射主发射源k发射的电磁辐射的波动规律，波动特征分析曲线仅包含电磁辐射主发射源k发射的电磁辐射出现异常波动的时序，可以对电磁辐射主发射源k的电磁辐射主源时序数据进行压缩成仅保留异常波动特征的时序数据，能够降低波动分析的数据处理量，从而更为精准的分析出波动规律。
42.如图2所示，基于上述电磁辐射数据监控分析方法，本发明提供了一种分析系统，包括：数据预处理单元1，用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据；模型建立单元2，用于基于电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型；稳定性监听单元3，用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性。
43.本发明利用主成分分析电磁辐射多源时序数据计算出目标区域内多个电磁辐射发射源在每个时序上的特征贡献率，根据特征贡献率识别出目标区域内作为对电磁辐射多源时序数据的波动特征具有主要影响的电磁辐射主发射源，因此通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听，可实现掌握目标区域的电磁辐射的波动特征，得到目标区域的电磁辐射的波动规律。
44.以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。