1.一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，包括以下階段；
2.根據(jù)權(quán)利要求1所述的一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，自學(xué)習(xí)特征提取網(wǎng)絡(luò)包括：輸入層、批量歸一化層、卷積層、池化層、卷積層、池化層、卷積層、池化層、全連接層、激活函數(shù)、壓平層和輸出層，訓(xùn)練的過程包括：
3.根據(jù)權(quán)利要求2所述的一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，設(shè)置了先驗(yàn)加權(quán)機(jī)制，保留了數(shù)據(jù)原本的特性，具體包括：
4.根據(jù)權(quán)利要求3所述的一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，引入數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)，設(shè)置約束條件，對(duì)重構(gòu)數(shù)據(jù)進(jìn)行檢驗(yàn)：
5.根據(jù)權(quán)利要求4所述的一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，將真實(shí)樣本與生成樣本構(gòu)建為一個(gè)公共數(shù)據(jù)集，真實(shí)樣本特征編碼記為，生成樣本特征編碼記為；其中，表示完備樣本的傳感器數(shù)量，表示數(shù)據(jù)缺失樣本的傳感器數(shù)量，表示完備樣本中的原始特種裝備故障數(shù)據(jù)，表示數(shù)據(jù)缺失樣本中的原始特種裝備故障數(shù)據(jù)，表示完備樣本經(jīng)過特征提取后的特征編碼，表示數(shù)據(jù)缺失樣本經(jīng)過特征提取后的特征編碼，真實(shí)樣本特征編碼是通過特征提取網(wǎng)絡(luò)從真實(shí)樣本中提取的特征向量，生成樣本特征編碼是通過數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)從生成樣本中提取的特征向量。
6.根據(jù)權(quán)利要求1所述的一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，通過特征正則化擾動(dòng)網(wǎng)絡(luò)對(duì)公共數(shù)據(jù)集進(jìn)行兩層正則化擾動(dòng)，包括：
7.根據(jù)權(quán)利要求6所述的一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，采用自適應(yīng)梯度下降法對(duì)擾動(dòng)網(wǎng)絡(luò)的參數(shù)進(jìn)行更新，包括：
8.根據(jù)權(quán)利要求7所述的一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，通過低差異序列蒙特卡羅采樣方法最大化自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)模型下界，包括：
9.根據(jù)權(quán)利要求8所述的一種基于自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，其特征在于，整個(gè)自演進(jìn)擾動(dòng)感知網(wǎng)絡(luò)的優(yōu)化目標(biāo)為：