(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210958112.2 (22)申请日 2022.08.10 (71)申请人 长春理工大 学 地址 130000 吉林省长 春市卫星路7989号 (72)发明人 于海洋　陈纯毅　胡小娟　杨华民　 蒋振刚　倪小龙　 (74)专利代理 机构 吉林长春新纪元专利代理有 限责任公司 2 2100 专利代理师 魏征骥 (51)Int.Cl. H04B 10/11(2013.01) H04B 10/60(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/24(2022.01)G06V 10/40(2022.01) G06V 10/62(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种分布式框架下融合时空特征的光斑质 心预测方法 (57)摘要 本发明涉及一种分布式框架下融合时空特 征的光斑质心预测方法， 属于 大气信道光信号传 输领域。 采集光斑信息形成光场强度样本集合， 建立分布式框架， 形成了包括映射模块和规约模 块的光场强度样本处理模型， 在映射模块中， 利 用特征提取方法提取了时间维度特征和空间维 度特征， 采用数据驱动的建模思想， 构建了基于 极限学习机的神经网络， 形成关于时空特征和目 标光斑质心的光参数映射模型； 在规约模块中通 过加权平均方法， 实现光斑质 心预测。 本发明充 分考虑了 大数据环境下的光场强度样本信息， 通 过分布式处理和数据驱动， 解决了光斑质心预测 方法中物理驱动方式造成的计算困难的瓶颈， 为 构建不同湍流强度下的光斑质心预测提供了解 决方案。 权利要求书3页 说明书8页 附图3页 CN 115333621 A 2022.11.11 CN 115333621 A 1.一种分布式框架下融合时空特 征的光斑质心预测方法， 其特 征在于， 包括下列步骤： (1)设计了大气湍流光通信系 统， 建立了分布式框架， 包括映射模块和规约模块， 采集 大气湍流光通信系统接 收端的光斑信息， 存储到光场 强度样本分布式存储单元， 形成光场 强度样本集 合DI， 形成了光场强度样本处 理模型， 实现了对光场强度样本的分析和计算； (2)对光场强度样本集合DI进行特征提取， 得到时间维度特征TCD和空间维度特征SCD， 形成时空特 征TSCD； (3)在分布式框架的映射模块中， 划分为T组映射任务， 采用数据驱动的建模思想， 构建 了基于极限学习机的神经网络， 在每组映射任务中， 形成关于时空特征TSCD,t,n和目标光斑 质心Ot的光参数映射模型， 通过对光参数映射模型的优化， 确定了光参数映射模型中的输 出层权重βt， 并进一步得到新的光斑质心O ′t； (4)在分布式框架的规约模块中， 基于分布式框架下的处理策略， 对不同的光场强度样 本集合进 行处理， 在映射模块中划分多组映射任务， 进 行特征提取和映射模型求解； 在规约 模块中， 通过加权平均方法， 得到光斑质心预测结果O ″。 2.根据权利要求1所述的一种分布式框架下融合时空特征的光斑质心预测方法， 其特 征在于， 所述 步骤(1)中对光 通信系统和分布式框架说明如下： 大气湍流光通信系统包括激光发射器、 大气湍流信道、 光学接收子系统、 光电探测器、 计算机终端， 计算机终端通过信号采集 卡得到测量的接收数据； 分布式框架包括光场强度样本分布式存储单元、 分布式服务器、 分布式交互终端、 光场 强度样本处理模型， 其中， 光场强度样本 分布式存储单元保存了光场强度样 本， 并通过数据 接口、 分布式服务器和数据通信协议与分布式交互客户端进行交互和通信， 完成数据的存 储和管理； 计算机终端加载了处理软件和人机交互界面， 通过函数调用实现了光场接收图像的存 储和处理， 通过对不同时刻的光场接收图像进行存储， 经过一段时间累计， 根据接收数据中 目标物体和背景的差异， 得到光场强度样本集合 其中， S表示光场强度样本集 合中光斑样本ds的个数， s表示 光场强度样本集 合中光斑样本ds的标签。 3.根据权利要求1所述的一种分布式框架下融合时空特征的光斑质心预测方法， 其特 征在于， 所述 步骤(2)中所述特 征提取方法如下： 计算光斑样本ds对应所有像素坐标(i,j)的像素值， 从而确定了光斑质心坐标 表达式如下： 其中， 和 分别为光斑质心的横坐标和纵坐标， 在 光场强度样本集合DI中选取历史 时间片段的K个光斑样本， 组成光场强度样本序列DK， 分别计算采样的光斑质心序列横坐标 集合XK和采样的光斑质心序列纵坐标集 合YK， 形成时间维度特 征TCD＝(XK,YK)； 进一步将每一个光场强度样本展开为向量形式， 得到光场强度样本矩阵DK， 对DK中的每 一个光场强度值进行标准化处理后， 得到光场强度标准化样本矩阵D ′K， 计算对应协方差矩权　利　要　求　书 1/3 页 2 CN 115333621 A 2阵的光场强度特征值 和光场强度特征向量 当所选定光场强 度特征值贡献度大于阈值θ 时， 确定空间维度特 征个数NSC； 其中， k表示NSC范围内光场强度特征值编号， 对应的光场强度特征向量集合组成了空间 维度特征 时间维度特征TCD和空间维度特征SCD组成光场强度时空 特征TSCD， 表达式为： 4.根据权利要求1所述的一种分布式框架下融合时空特征的光斑质心预测方法， 其特 征在于， 所述 步骤(3)中光 参数映射模型建立如下： 在映射模块中， 划分为T组映射任务， 每组映射任务中输入T个时间段的光强样本集合， 即 采用数据驱动的建模思想， 构建了基于极 限学习机 的神经网络， 神经网络 的 结构包括3层， 分别为输入层、 隐层和输出层， 输入层为N个节 点， 隐层为L个节 点， 输出层为1 个节点， 然后， 由时空特征TSCD ,t和目标光斑质心坐标 组成的样本数据 形成光参数映射模型： 其中， at＝[at,1,at,2,...,at,L]T、 a′t＝[a′t,1,a′t,2,...,a′t,L]T为输入层权重， bt＝ [bt,1,bt,2,...,bt,L]T和b′t＝[b′t,1,b′t,2,...,b′t,L]T为输入层偏置， βt＝[βt,1, βt,2,..., βt,L]T和β′t＝[β′t,1, β′t,2,..., β′t,L]T为输出层权重， TSCD,t,n代表TSCD,t的第n组时空特征样 本， Ot,n代表Ot的第n组光斑质心样本， 为激活函数， 选取Sigmo id函数， 具体表达式为： 整个映射 函数满足连续的条件， 可以有效的求取极点处的导数， 隐层随机矩阵表示 为： 其中， TSCD,t,1代表TSCD,t的第1组时空特征样本， TSCD,t,N代表TSCD,t的第N组时空特征样权　利　要　求　书 2/3 页 3 CN 115333621 A 3