1.一种光腔衰荡信息提取方法,其特征在于,所述方法包括:按照预设的生成规则,生成第一预设数量的衰荡时间常数数据;
将所述衰荡时间常数数据全部输入至衰荡信号数学模型中,利用所述衰荡信号数学模型生成对应的模拟腔衰荡信号;
向每一组模拟腔衰荡信号叠加随机噪声,得到第二预设数量的一维模拟腔衰荡信号,所述第二预设数量大于所述第一预设数量;
将所述一维模拟腔衰荡信号划分为两个集合,分别为训练集和测试集;
搭建初始的卷积神经网络CNN架构;
利用所述训练集对所述初始的卷积神经网络CNN架构进行训练,得到收敛的神经网络模型;
将所述测试集输入收敛的神经网络模型中进行测试,并根据测试结果对神经网络模型进行调整优化;
利用调整后的神经网络模型对实测的腔衰荡信号进行处理,并输出对应的衰荡时间常数。
2.根据权利要求1中所述的光腔衰荡信息提取方法,其特征在于,所述利用所述训练集对所述初始的卷积神经网络CNN架构进行训练,得到收敛的神经网络模型包括:以对应模拟衰荡时间作为标签,生成标签集,将所述训练集中的各组模拟腔衰荡信号制备成训练数据集;
将所述训练数据集以及所述标签集打包成npy格式文件;
读取所述npy文件,并对搭建好的所述初始的卷积神经网络CNN架构进行训练;
所述训练过程包括:
不断调整卷积层与全连接层的层数、随机失活率、学习率和epoch层数,直至得到收敛的神经网络模型。
3.根据权利要求1中所述的光腔衰荡信息提取方法,其特征在于,所述将所述测试集输入收敛的神经网络模型中进行测试,并根据测试结果对神经网络模型进行调整优化包括:将测试集中的每一组模拟腔衰荡信号输入至收敛的神经网络模型中进行测试,使得输出对应的测试衰荡时间常数;
将所述测试衰荡时间常数与测试集中每一组模拟腔衰荡信号对应的模拟时间常数进行比对,得到时间常数比对结果;
根据所述时间常数比对结果调整收敛的神经网络模型的参数。
4.根据权利要求1中所述的光腔衰荡信息提取方法,其特征在于,划分所述训练集合所述测试集时,所述训练集占比70%,所述测试集占比30%。
5.根据权利要求1中所述的光腔衰荡信息提取方法,其特征在于,所述神经网络模型中设置有滤波模块,所述利用调整后的神经网络模型对实测的腔衰荡信号进行处理之后,还会输出所述腔衰荡信号的滤波结果。
6.根据权利要求1中所述的光腔衰荡信息提取方法,其特征在于,所述生成规则包括:对已有的衰荡时间常数数据进行统计和分析,得到统计模型;
利用所述统计模型生成第一预设数量的衰荡时间常数数据。
7.根据权利要求1中所述的光腔衰荡信息提取方法,其特征在于,所述向每一组模拟腔衰荡信号叠加随机噪声包括:通过伪随机数生成算法生成噪声数据或者采集真实的噪声数据;
调整所述噪声数据的强度和频谱特性,使其与实际环境相吻合;
将生成的噪声数据与所述模拟腔衰荡信号按照一定的比例叠加。
8.一种光腔衰荡信息提取装置,其特征在于,包括:时间常数生成模块,按照预设的生成规则,生成第一预设数量的衰荡时间常数数据;
信号建模模块,将所述衰荡时间常数数据全部输入至衰荡信号数学模型中,利用所述衰荡信号数学模型生成对应的模拟腔衰荡信号;
噪声添加模块,向每一组模拟腔衰荡信号叠加随机噪声,得到第二预设数量的一维模拟腔衰荡信号,所述第二预设数量大于所述第一预设数量;
数据划分模块,将所述一维模拟腔衰荡信号划分为两个集合,分别为训练集和测试集;
CNN模型搭建模块,搭建初始的卷积神经网络CNN架构;
训练模块,利用所述训练集对所述初始的卷积神经网络CNN架构进行训练,得到收敛的神经网络模型,测试和优化模块,将所述测试集输入收敛的神经网络模型中进行测试,并根据测试结果对神经网络模型进行调整优化;
推断模块,利用调整后的神经网络模型对实测的腔衰荡信号进行处理,并输出对应的衰荡时间常数。
9.一种光腔衰荡信息提取装置,其特征在于,所述装置包括:处理器、存储器、输入输出单元以及总线;
所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
所述存储器保存有程序,所述处理器调用所述程序以执行如权利要求1至7任一项所述方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上保存有程序,所述程序在计算机上执行时执行如权利要求1至7中任一项所述方法。