1.本发明涉及缺失数据补录技术领域，具体涉及一种北斗短报文缺失数据补录方法及系统。
背景技术：2.北斗短报文是指北斗地面终端与卫星、地面监控总站之间直接通过卫星信号进行以文本为传输基本单位的双向通讯。短报文功能是北斗特有的技术，可为用户机与用户机、用户机与地面中心站之间提供每次最多120个汉字或1680比特的短报文通讯服务。北斗短报文功能提高了信息传输效率，可以在普通移动通讯信号不能覆盖的情况下，通过短报文进行紧急通讯。其中，北斗短报文常应用与电力应急中，电力应急是在电力系统出现重大事故、突发灾害的情况下，进行数据的收集、分析，实现对突发事件预警、防范、化解和善后的全程管理。利用北斗短报文功能，可以快速建立北斗通信子站、北斗卫星、北斗前置管理系统之间的通信链路。电力应急现场终端利用北斗短报文双向通信功能，实现与主站之间的数据透传。该系统能够在不改变电力设置的情况下，将用电信息无缝接入到北斗信息系统，实现电力应急指挥系统实时、有效、可靠地获得电信息。当电力设备出现故障报警情况时，北斗短报文会将实时自动采集的相关信息回传远方后台供使用。北斗短报文具有安装方便，易于调试，数据传输性高等优点，可以有效提高电力设施日常如案例和应急处理的智能化水平。
3.但是，北斗卫星通信属于无线通信，无线通信信道容易受到外部环境干扰，使终端之间的数据传输不可避免地存在数据报文丢失或误码的情况。北斗短报文功能限制了文本传输长度，针对较长的复杂文本信息，北斗短报文系统往往需要将其截断为若干短报文数据进行传输，接收端在接收到这些短报文信息后，拼接还原出原始的长报文数据。传统的处理方法是对所接收的数据报文进行逐包确认，并进行必要的缺失报文重传。
4.因此，目前解决北斗短报文缺失数据的方法，往往需要发送终端多次补发、重传数据报文后，才能保证接收终端的数据的完整性，数据传输效率低、实时性不足。
技术实现要素：5.有鉴于此，本发明的目的在于提供一种北斗短报文缺失数据补录方法及系统，以解决现有技术中数据传输效率低、实时性不足的问题。
6.根据本发明实施例的第一方面，提供一种北斗短报文缺失数据补录方法，包括：
7.建立深度极限学习机模型；
8.根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；
9.获取缺失数据的北斗短报文；
10.将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。
11.优选的，所述根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进
行训练，包括：
12.将预先存储的北斗短报文训练集划分为完备数据集和缺失数据集；
13.将所述缺失数据集作为所述深度极限学习机模型的输入，将所述完备数据集作为所述深度极限学习机模型的输出，对所述深度极限学习机模型进行训练。
14.优选的，所述对所述深度极限学习机模型进行训练，还包括：
15.将所述深度极限学习机模型的参数作为麻雀搜索算法中的参数种群；
16.利用麻雀搜索算法，根据所述参数种群对所述深度极限学习机模型的训练过程进行优化。
17.优选的，所述根据所述参数种群对所述深度极限学习机模型的训练过程进行优化，包括：
18.对所述参数种群进行种群迭代计算；
19.判断所述参数种群是否达到预设误差或迭代次数是否达到预设次数；
20.若是，则停止迭代，完成所述深度极限学习机模型训练过程的优化。
21.优选的，在对所述参数种群进行种群迭代计算之前，还包括：
22.在所述麻雀搜索算法的搜索阶段引入柯西-高斯变异策略，对所述麻雀搜索算法进行改进。
23.优选的，所述的方法，还包括：
24.利用统计校验法，计算每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度；
25.判断所述语义相似度是否满足预设标准；
26.若否，则剔除所述补齐报文。
27.优选的，所述计算每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度，包括：
28.对所述补齐报文的语义进行评估，确定所述补齐报文中关键字的数量；
29.根据所述关键字的数量，对所述补齐报文的语义密度进行计算；
30.根据所述语义密度，计算得出所述语义相似度。
31.优选的，所述根据所述语义密度，计算得出所述语义相似度，包括：
32.根据所述语义密度，采用+1和-1编码，生成所述补齐报文二值哈希码；
33.根据所述补齐报文二值哈希码，计算所述补齐报文与所述缺失数据的北斗短报文的汉明距离；
34.根据所述汉明距离，得出所述语义相似度。
35.根据本发明实施例的第二方面，提供一种北斗短报文缺失数据补录系统，包括：
36.模型管理模块，用于建立深度极限学习机模型，还用于根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；
37.北斗短报文获取模块，用于获取缺失数据的北斗短报文；
38.补齐报文输出模块，用于将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。
39.优选的，所述的系统，还包括：
40.语义相似度判断模块，用于利用统计校验法，计算每条所述补齐报文与所述缺失
数据的北斗短报文的语义相似度；还用于判断所述语义相似度是否满足预设标准，若否，则剔除所述补齐报文。
41.本发明的实施例提供的技术方案可以包括以下有益效果：
42.可以理解的是，本发明提供的技术方案，通过建立深度极限学习机模型；根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；获取缺失数据的北斗短报文；将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。可以理解的是，本发明提供的技术方案，仅需获取一次缺失数据的北斗短报文，便能通过训练好的深度极限学习机模型得出补齐报文，大幅提高数据传输效率以及实时性。
43.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
44.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
45.图1是根据一示例性实施例示出的一种北斗短报文缺失数据补录方法步骤示意图；
46.图2是根据一示例性实施例示出的一种北斗短报文缺失数据补录系统示意框图。
具体实施方式
47.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
48.实施例一
49.图1是根据一示例性实施例示出的一种北斗短报文缺失数据补录方法步骤示意图，参见图1，提供一种北斗短报文缺失数据补录方法，包括：
50.步骤s11、建立深度极限学习机模型；
51.步骤s12、根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；
52.步骤s13、获取缺失数据的北斗短报文；
53.步骤s14、将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。
54.在具体实践中，首先需要建立深度极限学习机模型，可以将该深度极限学习机模型表示为如下的函数形式：
[0055][0056]
其中，wi＝(w
i1
,w
i2
,
…
,w
im
)
t
为深度极限学习机模型输入层和隐含层之间的权值；βi＝(β
i1
,β
i2
,
…
,β
in
)
t
为深度极限学习机模型隐含层与输出层之间的权值，bi是第i个隐含层的偏置，g(g)为隐层激活函数。简化为矩阵表达式为：
[0057]
hβ＝t
[0058]
在建立深度极限学习机模型之后，需要对该深度极限学习机模型进行训练，模型训练的过程即为得到矩阵最小二乘解的的过程，也即：
[0059][0060]
其中：h为深度极限学习机模型的隐层输出矩阵；t为样本期望输出矩阵。
[0061]
利用训练集对深度极限学习机模型进行训练的过程，也就是寻找最优化权值wi以及βi的过程，并是训练后网络满足误差最小条件。
[0062]
在对深度极限学习机模型训练完成之后，即可投入使用，获取缺失数据的北斗短报文，并将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。
[0063]
可以理解的是，本实施例提供的技术方案，通过建立深度极限学习机模型；根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；获取缺失数据的北斗短报文；将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。可以理解的是，本实施例提供的技术方案，仅需获取一次缺失数据的北斗短报文，便能通过训练好的深度极限学习机模型得出补齐报文，大幅提高数据传输效率以及实时性。
[0064]
需要说明的是，所述根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练，包括：
[0065]
将预先存储的北斗短报文训练集划分为完备数据集和缺失数据集；
[0066]
将所述缺失数据集作为所述深度极限学习机模型的输入，将所述完备数据集作为所述深度极限学习机模型的输出，对所述深度极限学习机模型进行训练。
[0067]
在具体实践中，预先存储有多条北斗短报文，每种内容相同的北斗短报文均有缺失的以及完备的两种形式，将所有缺失的北斗短报文置入缺失数据集，将所有完备的北斗短报文置入完备数据集，在对所述深度极限学习机模型进行训练时，将所述缺失数据集作为所述深度极限学习机模型的输入，将所述完备数据集作为所述深度极限学习机模型的输出，完成模型的训练。
[0068]
需要说明的是，所述对所述深度极限学习机模型进行训练，还包括：
[0069]
将所述深度极限学习机模型的参数作为麻雀搜索算法中的参数种群；
[0070]
利用麻雀搜索算法，根据所述参数种群对所述深度极限学习机模型的训练过程进行优化。
[0071]
在具体实践中，利用麻雀搜索算法优化深度极限学习机模型的参数的过程，首先将深度极限学习机模型的参数视为麻雀搜索算法中的种群，建立参数种群，之后，利用麻雀搜索算法，根据所述参数种群对所述深度极限学习机模型的训练过程进行优化。可以理解的是，通过利用麻雀搜索算法对所述深度极限学习机模型的训练过程进行优化，能够使得训练后的深度极限学习机模型得出的结果更加精确，提升了寻优精度。
[0072]
需要说明的是，所述根据所述参数种群对所述深度极限学习机模型的训练过程进行优化，包括：
[0073]
对所述参数种群进行种群迭代计算；
[0074]
判断所述参数种群是否达到预设误差或迭代次数是否达到预设次数；
[0075]
若是，则停止迭代，完成所述深度极限学习机模型训练过程的优化。
[0076]
在具体实践中，在根据所述参数种群对所述深度极限学习机模型的训练过程进行优化时，为提高参数种群的多样性和均匀性，本实施例中采用如下迭代算法，提高种群参数随机性：
[0077][0078]
其中，φ∈[0,1]，zk为种群参数。
[0079]
之后，预先设定好该迭代的最大次数，以及迭代结果达到的最小误差精度，在迭代计算的过程中，首先对每次迭代结果的精度进行判断，若该次迭代结果的精度达到了预先设定的最小误差值，则停止迭代，完成所述深度极限学习机模型训练过程的优化；若一直未达到预先设定的最小误差值，则判断是否达到了预设的最大次数，若达到，同样停止迭代，完成所述深度极限学习机模型训练过程的优化。
[0080]
可以理解的是，通过种群迭代，使得深度极限学习机模型中参数的分布更加均匀、迭代速度更快以及获得更优的相关特性。
[0081]
需要说明的是，在对所述参数种群进行种群迭代计算之前，还包括：
[0082]
在所述麻雀搜索算法的搜索阶段引入柯西-高斯变异策略，对所述麻雀搜索算法进行改进。
[0083]
在具体实践中，为了提高迭代效率，减小算法易陷入局部最优的概率，提高种群多样性和算法效率，本发明在算法搜索阶段引入了柯西-高斯变异策略，经过柯西-高斯变异策略扰动后，个体位置的新解可以用以下公式表示：
[0084][0085]
其中为经过柯西-高斯变异策略扰动后的最新位置，σ2表示柯西-高斯变异策略的标准差。cauchy(0,σ2)是一个满足柯西分布的随机变量，gauss(0,σ2)是一个满足高斯分布的随机变量，其中λ1，λ2如下所示：
[0086][0087]
在初始阶段λ1较大，使得算法可以在较大的变异步长范围内求最优解。λ2的变异步长较小，便于算法在最优解附近求解。随着迭代次数的增加，λ1逐渐减小，而λ2不断增大。而σ可用如下公式表示：
[0088][0089]
可以理解的是，通过在所述麻雀搜索算法的搜索阶段引入柯西-高斯变异策略，对所述麻雀搜索算法进行改进，能够提高迭代效率，减小算法易陷入局部最优的概率，提高种群多样性和算法效率。
[0090]
需要说明的是，所述的方法，还包括：
[0091]
利用统计校验法，计算每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度；
[0092]
判断所述语义相似度是否满足预设标准；
[0093]
若否，则剔除所述补齐报文。
[0094]
在具体实践中，为了提高北斗短报文缺失数据补录准确度，本实施例能够利用统计校验法，计算得出每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度，通过剔除相似度较低的预测文本，提高最终文本补齐的精确度与稳定性。
[0095]
需要说明的是，所述计算每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度，包括：
[0096]
对所述补齐报文的语义进行评估，确定所述补齐报文中关键字的数量；
[0097]
根据所述关键字的数量，对所述补齐报文的语义密度进行计算；
[0098]
根据所述语义密度，计算得出所述语义相似度。
[0099]
在具体实践中，采用关键字密度，评估相似文本语义，确定关键字的数量。假设文本关键字查询集合为q＝{q1,q2,l,qn}，其中，n表示关键字数目，则该集合对应的语义为l(t,q)，此时，即可通过语义l，确定补齐报文文本t关键字数量：s(q)＝|q|。
[0100]
之后，可以根据所述关键字的数量，对所述补齐报文的语义密度进行计算，语义l与关键字查询集合q之间存在纵向密度关系，所得到的联系密度值越小，与该关键字相对的语义越密切，则文本关键字语义密度ρ为：
[0101][0102]
上式中d(t,q)表示关键字所对应的语义数目；c(t,q)表示关键字与语义的联系度。
[0103]
在计算出语义密度后，能够根据所述语义密度，计算得出所述语义相似度。
[0104]
需要说明的是，所述根据所述语义密度，计算得出所述语义相似度，包括：
[0105]
根据所述语义密度，采用+1和-1编码，生成所述补齐报文二值哈希码；
[0106]
根据所述补齐报文二值哈希码，计算所述补齐报文与所述缺失数据的北斗短报文的汉明距离；
[0107]
根据所述汉明距离，得出所述语义相似度。
[0108]
在具体实践中，能够采用汉明距离得出所述语义相似度，首先采用+1和-1编码，生成补齐报文的二值哈希码，则+1和-1编码分别生成的补齐报文文本a、b的汉明距离d(a,b)如下所示：
[0109][0110]
其中，m∈m，表示哈希码维数中任意维数；表示异或操作；m表示哈希码总维数。根据汉明距离定义，计算审计相似文本a、b的乘积，判断审计相似文本的相似性，则有：
[0111]a·
b＝|{m|am＝bm,1≤m≤m}|-|{m|am≠bm,1≤m≤m}|
[0112]
＝m-2|{m|am≠bm,1≤m≤m}|
[0113]
＝m-2d(a,b)
[0114]a·
b值越大，其距离越小，+1和-1编码分别生成的补齐报文文本a、b越相似；反之，相似性越低。
[0115]
根据以上结果判断补齐短报文相似度，去除相似度较低的补齐文本，从而得到最终补齐报文结果。
[0116]
本实施例针对电力应急需要，提供一种北斗短报文缺失数据补录方法，针对现有方法预测结果准确率较差，效率较低的问题，提出了以改进麻雀搜索优化深度极限学习机模型预测算法，通过改进麻雀搜素算法提升寻优精度，增强全局寻优能力，利用麻雀算法优化深度极限学习机模型输入权重和偏置，解决其易陷入局部最值的问题，将缺失数据的北斗短报文作输入预测模型，对缺失数据进行预测。为了提高数据预测精确性，提供基于关键字的文本校验法，通过补齐后的短报文信息中相似文本关键字数量和密度，采用统计校验方法计算相似文本语义分值，计算所述补齐报文与所述缺失数据的北斗短报文的汉明距离，通过剔除相似度较低的预测文本，提高最终文本补齐的精确度与稳定性。
[0117]
实施例二
[0118]
图2是根据一示例性实施例示出的一种北斗短报文缺失数据补录系统示意框图，参见图2，提供一种北斗短报文缺失数据补录系统，包括：
[0119]
模型管理模块101，用于建立深度极限学习机模型，还用于根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；
[0120]
北斗短报文获取模块102，用于获取缺失数据的北斗短报文；
[0121]
补齐报文输出模块103，用于将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。
[0122]
可以理解的是，本发明提供的技术方案，通过模型管理模块101建立深度极限学习机模型；根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；通过北斗短报文获取模块102获取缺失数据的北斗短报文；通过补齐报文输出模块103将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。可以理解的是，本发明提供的技术方案，仅需获取一次缺失数据的北斗短报文，便能通过训练好的深度极限学习机模型得出补齐报文，大幅提高数据传输效率以及实时性。
[0123]
需要说明的是，所述的系统，还包括：
[0124]
语义相似度判断模块，用于利用统计校验法，计算每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度；还用于判断所述语义相似度是否满足预设标准，若否，则剔除所述补齐报文。
[0125]
可以理解的是，通过设置语义相似度判断模块，能够在补齐报文输出模块103输出补齐报文之前对所述补齐报文的语义相似度进行判断，通过剔除相似度较低的预测文本，提高最终文本补齐的精确度与稳定性。
[0126]
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0127]
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
[0128]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0129]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0130]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0131]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0132]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0133]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0134]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
技术特征：1.一种北斗短报文缺失数据补录方法，其特征在于，包括：建立深度极限学习机模型；根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；获取缺失数据的北斗短报文；将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。2.根据权利要求1所述的方法，其特征在于，所述根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练，包括：将预先存储的北斗短报文训练集划分为完备数据集和缺失数据集；将所述缺失数据集作为所述深度极限学习机模型的输入，将所述完备数据集作为所述深度极限学习机模型的输出，对所述深度极限学习机模型进行训练。3.根据权利要求1所述的方法，其特征在于，所述对所述深度极限学习机模型进行训练，包括：将所述深度极限学习机模型的参数作为麻雀搜索算法中的参数种群；利用麻雀搜索算法，根据所述参数种群对所述深度极限学习机模型的训练过程进行优化。4.根据权利要求3所述的方法，其特征在于，所述根据所述参数种群对所述深度极限学习机模型的训练过程进行优化，包括：对所述参数种群进行种群迭代计算；判断所述参数种群是否达到预设误差或迭代次数是否达到预设次数；若是，则停止迭代，完成所述深度极限学习机模型训练过程的优化。5.根据权利要求4所述的方法，其特征在于，在对所述参数种群进行种群迭代计算之前，还包括：在所述麻雀搜索算法的搜索阶段引入柯西-高斯变异策略，对所述麻雀搜索算法进行改进。6.根据权利要求1所述的方法，其特征在于，还包括：利用统计校验法，计算每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度；判断所述语义相似度是否满足预设标准；若否，则剔除所述补齐报文。7.根据权利要求6所述的方法，其特征在于，所述计算每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度，包括：对所述补齐报文的语义进行评估，确定所述补齐报文中关键字的数量；根据所述关键字的数量，对所述补齐报文的语义密度进行计算；根据所述语义密度，计算得出所述语义相似度。8.根据权利要求7所述的方法，其特征在于，所述根据所述语义密度，计算得出所述语义相似度，包括：根据所述语义密度，采用+1和-1编码，生成所述补齐报文二值哈希码；根据所述补齐报文二值哈希码，计算所述补齐报文与所述缺失数据的北斗短报文的汉
明距离；根据所述汉明距离，得出所述语义相似度。9.一种北斗短报文缺失数据补录系统，其特征在于，包括：模型管理模块，用于建立深度极限学习机模型，还用于根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；北斗短报文获取模块，用于获取缺失数据的北斗短报文；补齐报文输出模块，用于将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。10.根据权利要求9所述的系统，其特征在于，还包括：语义相似度判断模块，用于利用统计校验法，计算每条所述补齐报文与所述缺失数据的北斗短报文的语义相似度；还用于判断所述语义相似度是否满足预设标准，若否，则剔除所述补齐报文。
技术总结本发明涉及一种北斗短报文缺失数据补录方法及系统，该方法包括：建立深度极限学习机模型；根据预先存储的北斗短报文训练集，对所述深度极限学习机模型进行训练；获取缺失数据的北斗短报文；将所述缺失数据的北斗短报文作为训练后的深度极限学习机模型的输入，得到补齐报文。可以理解的是，本发明提供的技术方案，仅需获取一次缺失数据的北斗短报文，便能通过训练好的深度极限学习机模型得出补齐报文，大幅提高数据传输效率以及实时性。幅提高数据传输效率以及实时性。幅提高数据传输效率以及实时性。
技术研发人员：文刚 周仿荣 王国芳 钱国超 马仪 黑颖顿 曹俊
受保护的技术使用者：云南电网有限责任公司电力科学研究院
技术研发日：2022.07.20
技术公布日：2022/11/1
