[发明专利]一种线性预测方法及装置

权利要求书

1.一种线性预测方法，其特征在于，用于对核磁共振数据进行线性预测，所述方法包括：

获取核磁共振的待预测时域数据；

对所述待预测时域数据进行数据填充，直到所述待预测时域数据的数据长度达到期望的目标长度；

对进行填充处理后的待预测时域数据进行傅里叶变换处理，得到待预测频域数据；

将所述待预测频域数据输入至训练好的核磁共振数据线性预测模型中，生成数据长度为所述目标长度的预测数据；

其中，所述核磁共振数据线性预测模型通过以下方法得到：

获取多个第一时域数据；

提取每个所述第一时域数据中的部分数据，分别构建与多个所述第一时域数据对应的多个第二时域数据，每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同；

对多个所述第一时域数据进行傅里叶变换处理得到多个第一频域数据，并对多个所述第二时域数据进行傅里叶变换处理得到多个第二频域数据；

将多个所述第二频域数据、多个所述第一频域数据作为预设的卷积神经网络模型的训练集，对所述预设的卷积神经网络模型进行训练；

当所述预设的卷积神经网络模型的训练次数超过预设的次数阈值时，停止训练；

将所述训练集中的第二频域数据输入至所述停止训练后的卷积神经网络模型，得到输出的第三频域数据；

对所述第三频域数据进行逆傅里叶变换处理，得到第三时域数据；

将所述第三时域数据的第一有效数据，与对应的第二时域数据的第二有效数据进行对比，当所述第一有效数据的数据长度，大于所述第二有效数据的数据长度时，则确定二者的数据长度满足预设的校验条件；

当所述第一有效数据的数据长度，小于或者等于所述第二有效数据的数据长度时，则确定二者的数据长度不满足预设的校验条件；

其中，所述有效数据为从对应第一时域数据中提取的部分数据中的数据；

当校验成功后，确定所述停止训练后的卷积神经网络模型收敛，得到所述核磁共振数据线性预测模型。

2.如权利要求1所述的线性预测方法，其特征在于，所述对所述待预测时域数据进行数据填充，直到所述待预测时域数据的数据长度达到期望的目标长度的步骤，包括：

将所述待预测时域数据的数据长度填充至期望的目标长度；

将所填充的数据对应的数值设为0。

3.如权利要求1所述的线性预测方法，其特征在于，所述提取每个所述第一时域数据中的部分数据，分别构建与多个所述第一时域数据对应的多个第二时域数据，每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同的步骤，包括：

按照预设的阈值范围，分别从每个所述第一时域数据中提取对应的数据，得到多个提取数据，所述预设的阈值范围为从时域数据首位开始的范围；

对多个所述提取数据进行数据填充，使每个所述提取数据的数据长度达到对应的第一时域数据的数据长度，得到多个第二时域数据；

其中，所述数据填充为填充数值为0的数据。

4.如权利要求1所述的线性预测方法，其特征在于，当确定所述第一有效数据和所述第二有效数据的数据长度不满足预设的校验条件时，所述线性预测方法的方法还包括：

将所述第三频域数据作为输入数据，将所述第三频域数据对应的第一频域数据作为输出数据，对所述停止训练后的卷积神经网络模型进行再训练直至收敛。

5.如权利要求4所述的线性预测方法，其特征在于，所述对所述停止训练后的卷积神经网络模型进行再训练直至收敛的步骤，包括：

构建损失函数，通过所述损失函数再训练所述停止训练后的卷积神经网络模型直至收敛，所述损失函数为：

其中，ψ为损失函数值，θ为所述停止训练后的卷积神经网络模型的第一模型数据，为所述第三时域数据，z为所述第三时域数据对应的第一时域数据，F为F范数；

所述通过所述损失函数再训练所述停止训练后的卷积神经网络模型直至收敛的步骤，包括：

将所述第三频域数据作为输入数据，将所述第三频域数据对应的第一频域数据作为输出数据，对所述停止训练后的卷积神经网络模型进行多次再训练；

获取每次再训练后的模型对应的损失函数值；

当获取到损失函数值小于预设的阈值时，停止进行再训练，并确定所述卷积神经网络模型收敛。

6.一种线性预测装置，其特征在于，所述线性预测装置包括：获取模块、第一处理模块、第二处理模块，以及预测模块；

所述获取模块，用于获取核磁共振的待预测时域数据；

所述第一处理模块，用于对所述待预测时域数据进行数据填充，直到所述待预测时域数据的数据长度达到期望的目标长度；

所述第二处理模块，用于对进行填充处理后的待预测时域数据进行傅里叶变换处理，得到待预测频域数据；

所述预测模块，用于将所述待预测频域数据输入至训练好的核磁共振数据线性预测模型中，生成数据长度为所述目标长度的预测数据；

其中，所述核磁共振数据线性预测模型通过以下方法得到：

获取多个第一时域数据；

提取每个所述第一时域数据中的部分数据，分别构建与多个所述第一时域数据对应的多个第二时域数据，每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同；

对多个所述第一时域数据进行傅里叶变换处理得到多个第一频域数据，并对多个所述第二时域数据进行傅里叶变换处理得到多个第二频域数据；

将多个所述第二频域数据、多个所述第一频域数据作为预设的卷积神经网络模型的训练集，对所述预设的卷积神经网络模型进行训练；

当所述预设的卷积神经网络模型的训练次数超过预设的次数阈值时，停止训练；

将所述训练集中的第二频域数据输入至所述停止训练后的卷积神经网络模型，得到输出的第三频域数据；

对所述第三频域数据进行逆傅里叶变换处理，得到第三时域数据；

将所述第三时域数据的第一有效数据，与对应的第二时域数据的第二有效数据进行对比，当所述第一有效数据的数据长度，大于所述第二有效数据的数据长度时，则确定二者的数据长度满足预设的校验条件；

当所述第一有效数据的数据长度，小于或者等于所述第二有效数据的数据长度时，则确定二者的数据长度不满足预设的校验条件；

其中，所述有效数据为从对应第一时域数据中提取的部分数据中的数据；

当校验成功后，确定所述停止训练后的卷积神经网络模型收敛，得到所述核磁共振数据线性预测模型。