CN113408425B - 一种生物语言解析的集群控制方法及系统 - Google Patents
一种生物语言解析的集群控制方法及系统 Download PDFInfo
- Publication number
- CN113408425B CN113408425B CN202110688353.5A CN202110688353A CN113408425B CN 113408425 B CN113408425 B CN 113408425B CN 202110688353 A CN202110688353 A CN 202110688353A CN 113408425 B CN113408425 B CN 113408425B
- Authority
- CN
- China
- Prior art keywords
- signal
- language
- information
- feature
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种生物语言解析的集群控制方法及系统,其中,所述方法包括:获得第一生物类别的第一语言信号信息;对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;获得第一机器的第一集群信号;将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;将所述第一信号解码模型发送至所述第一机器所在的第一集群。解决了现有技术中无线电波干扰对无人机集群内部信号传输的效率及准确性影响较大的技术问题。
Description
技术领域
本发明涉及无人机集群领域,尤其涉及一种生物语言解析的集群控制方法及系统。
背景技术
无人机集群主要是依赖于先进开放的通信网络,无人机之间具备协同交互能力,整个系统呈现群体智能性,单节点具备可替代性。采用无人机集群技术,可以快速有效的完成任务,同时整个系统具备较强的抗毁性、功能分布化等优势。尽管无人机集群组网通信具有很大的发展潜力,但也存在着一些关键的具有挑战性的问题。无人机集群组网通信作业时,数据传输量剧增,静态的频谱分配效率不高,导致机群系统性能下降,且各类无线电波干扰装置对于无线电信号的影响,也使得无人机集群内部信号传输受到影响。
本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
无线电波的干扰影响到无人机集群内部信号传输的效率及准确性,降低集群控制性能。
发明内容
本申请实施例通过提供一种生物语言解析的集群控制方法及系统,解决了现有技术无线电波的干扰影响到无人机集群内部信号传输的效率及准确性,降低集群控制性能的技术问题,实现了通过提取生物语言特征并模仿生物语言进行信号传输,从而使无人机集群免受无线电干扰,信号频段可以进行高频率传输的技术目的。
鉴于上述问题,本申请实施例提供一种生物语言解析的集群控制方法及系统。
本申请提供了一种生物语言解析的集群控制方法,其中,所述方法包括:获得第一生物类别的第一语言信号信息;对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;获得第一机器的第一集群信号;将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;将所述第一信号解码模型发送至所述第一机器所在的第一集群。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过获得第一生物类别的第一语言信号信息;对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;获得第一机器的第一集群信号;将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;将所述第一信号解码模型发送至所述第一机器所在的第一集群。实现了通过提取生物语言特征并模仿生物语言进行信号传输,从而使无人机集群免受无线电干扰,信号频段可以进行高频率传输的技术目的。
上述说明是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种生物语言解析的集群控制方法的流程示意图;
图2为本申请实施例一种生物语言解析的集群控制方法中获得所述第一语言信号信息的流程示意图;
图3为本申请实施例一种生物语言解析的集群控制方法中获得第一生物语言特征集的流程示意图;
图4为本申请实施例一种生物语言解析的集群控制方法中集群进行信号传输的流程示意图;
图5为本申请实施例一种生物语言解析的集群控制方法中进行特征数据降维的流程示意图;
图6为本申请实施例一种生物语言解析的集群控制方法中对所述第一信号解码模型进行增量学习的流程示意图;
图7为本申请实施例一种生物语言解析的集群控制方法中所述第一信号解码模型进行数据训练的流程示意图;
图8为本申请实施例一种生物语言解析的集群控制系统的结构示意图;
图9为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第一发送单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供一种生物语言解析的集群控制方法及系统,解决了现有技术无线电波的干扰影响到无人机集群内部信号传输的效率及准确性,降低集群控制性能的技术问题,实现了通过提取生物语言特征并模仿生物语言进行信号传输,从而使无人机集群免受无线电干扰,信号频段可以进行高频率传输的技术目的。
下面,将参考附图详细的描述本申请的示例实施例,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
无人机集群主要是依赖于先进开放的通信网络,无人机之间具备协同交互能力,整个系统呈现群体智能性,单节点具备可替代性。采用无人机集群技术,可以快速有效的完成任务,同时整个系统具备较强的抗毁性、功能分布化等优势。尽管无人机集群组网通信具有很大的发展潜力,但也存在着一些关键的具有挑战性的问题。无人机集群组网通信作业时,数据传输量剧增,静态的频谱分配效率不高,导致机群系统性能下降,且各类无线电波干扰装置对于无线电信号的影响,也使得无人机集群内部信号传输受到影响。现有技术中还存在着无线电波的干扰影响到无人机集群内部信号传输的效率及准确性,降低集群控制性能的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请还提供了一种生物语言解析的集群控制系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于获得第一生物类别的第一语言信号信息;第二获得单元,所述第二获得单元用于对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;第三获得单元,所述第三获得单元用于对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;第四获得单元,所述第四获得单元用于获得第一机器的第一集群信号;第五获得单元,所述第五获得单元用于将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;第六获得单元,所述第六获得单元用于以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;第一发送单元,所述第一发送单元用于将所述第一信号解码模型发送至所述第一机器所在的第一集群。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种生物语言解析的集群控制方法,其中,所述方法包括:
步骤S100:获得第一生物类别的第一语言信号信息;
具体而言,无线电干扰是指无线电通讯过程一些电磁能量直接或间接进入接收系统或信道,导致有用接收信号质量下降、信息产生误差或丢失,甚至阻断通讯的现象。无人机集群作业时,无线电波干扰装置对于无线电信号传输的影响会降低集群系统控制性能,而生物语言的信息传递则不会受无线电波的影响,可实现稳定、高效的信号传输。因此需要分析生物语言的特征并模仿,使无人机以生物语言的方式进行信号传输。所述第一生物类别为鱼、鸟类,为了将原始模拟语音信号变为数字信号,必须经过采样和量化两个步骤。通过对生物语言信息进行采集、量化处理,获得所述第一语言信号信息,所述第一语言信号信息为时间和幅度上均为离散的数字语音信号。
进一步而言,如图2所示,本申请实施例步骤S100还包括:
步骤S110:获得所述第一生物类别的第一语言信息;
步骤S120:按照第一信号预处理方式对所述第一语言信息进行预处理,获得第二语言信息;
步骤S130:获得第一信号采集频率;
步骤S140:依据所述第一信号采集频率对所述第二语言信息进行信号采集,获得第一信号采集信息;
步骤S150:获得第一量化处理指令;
步骤S160:依据所述第一量化处理指令对所述第一信号采集信息进行量化处理,获得所述第一语言信号信息。
具体而言,所述第一语言信息为对所述第一生物类别的原始语言,在对原始语言信号进行采样时,首先要对语言信号进行预处理,所述第一信号预处理方式为滤波处理。预滤波的目的有两个,一是防止混叠干扰;二是抑制电源工频干扰。预处理完成后,对所述第二语言信息按照所述第一信号采集频率进行采样,以实现信号在时间上的离散化。所述第一信号采集频率需要结合各因素确定,采样频率必须以高于受测信号的最高频率两倍以上的速度进行取样。对原始信号进行采样之后,通过量化处理,对幅值进行离散化,从而获得在时间和幅度上均为离散的数字语音信号。
步骤S200:对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;
具体而言,在对生物语言信息进行处理之后,获得数字信号,即所述第一语言信号信息,所述第一语言信号信息的特点分为时域和频域方面。利用声音的短时平稳性,对音域进行分帧,并分别提取每帧的特征,从而获得所述第一语言信号信息的特征集,即所述第一生物语言特征集。所述第一生物语言特征集的获取,实现了对生物语言的语言特性进行破解,为使用生物语言进行信号传输奠定了基础。
进一步而言,如图3所示,本申请实施例步骤S200还包括:
步骤S210:获得第一帧长信息;
步骤S220:依据所述第一帧长信息对所述第一语言信号信息进行分帧处理,获得N帧语言信号信息集;
步骤S230:分别对所述N帧语言信号信息集进行特征提取,获得第一特征参数信息;
步骤S240:依据所述第一特征参数信息获得所述第一生物语言特征集。
具体而言,虽然语言信号具有时变特性,但是在一个短时间范围内,其特性基本保持不变即相对稳定,因此可以将其看作是一个准稳态过程,即语音信号具有短时平稳性。因此对于所述第一语言信号信息的分析处理需建立在“短时”的基础上,即进行“短时分析”,将语音信号依据所述第一帧长信息进行分帧处理,从而分别对各帧的语言信号信息进行特征提取。所述第一帧长信息依据所述第一生物类别的语言特性决定。通过分帧处理对所述第一语言信号信息进行特征分析并提取其特征参数之后,获得所述第一生物语言特征集,所述第一生物语言特征集为每一帧的特征参数组成的特征参数序列。通过确定所述第一生物语言特征集,为破解并编码生物语言奠定了基础。
步骤S300:对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;
具体而言,在获得所述第一生物语言特征集之后,对所述第一生物语言特征集进行编码处理,从而获得生物语言各特征的识别编码,从而使得在获取语言信号之后,可通过对该信号进行特征分析,并结合该特征所对应的语言释义进行解码操作,来完成语言识别信号的目的。解码的过程就是寻求语言识别最优路径的过程。所述第一特征编码数据集为各语言特征对应的识别码,是对语言信号进行语言识别的基础。
步骤S400:获得第一机器的第一集群信号;
步骤S500:将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;
具体而言,所述第一集群信号为无人机集群在执行任务时,进行实时跟踪定位、遥控遥测、实时任务规划与协调和任务信息传输等功能时,集群内部通过任务指令接收及发布所发出的任务指令信号。不同信号代表了不同的操作指令,因此将所述第一特征编码数据集与所述第一集群信号进行信号匹配,即通过将各执行信号与所述第一特征编码数据集中的特征编码进行对应匹配,实现了执行信号与特征编码之间的映射,从而实现基于生物语言进行信号传输时信号与指令的确定性,提高了语言识别及指令接收的准确性。
步骤S600:以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;
步骤S700:将所述第一信号解码模型发送至所述第一机器所在的第一集群。
具体而言,所述第一信号特征匹配数据包括指令信号与语言特征编码的映射关系,因此以所述第一信号特征匹配数据为训练数据,构建所述第一信号解码模型,所述第一信号解码模型为一神经网络模型,具有不断学习、获取经验来处理数据的特点,能够通过深度学习,将所接收的语言信号转化为执行指令,并将所需的执行指令信息转化为语言信息进行发送及传输。从而实现模仿生物语言特性在无人机集群中进行信号传输,从而避免无线电波干扰信号传输的技术目的。将所述第一信号解码模型发送至所述第一机器所在的第一集群,从而实现在集群内部通过所述第一信号解码模型的信号处理。
进一步而言,如图4所示,本申请实施例步骤S700还包括:
步骤S710:获得第一控制指令信息;
步骤S720:获得第一信息接收指令;
步骤S730:所述第一机器依据所述第一信息接收指令,获得所述第一控制指令信息,并将所述第一控制指令信息输入至所述第一信号解码模型,获得第二语言信号信息;
步骤S740:获得第一信号发送指令;
步骤S750:所述第一机器依据所述第一信号发送指令,将所述第二语言信号信息发送至第二机器。
具体而言,所述第一机器为无人机集群内部的“头机”,负责命令信号的发送。因此所述第一机器依据所述第一信息接收指令,获得机器内部预设的所述第一控制指令信息,并通过将所述第一控制指令信息输入至所述第一信号解码模型,获得第二语言信号信息,所述第二语言信号信息为模仿生物语言进行信号传输的语言信号,通过所述第一信号解码模型进行信号解码及转换,将控制指令转化为生物语言信号,即所述第二语言信号信息。继而由所述第一机器依据所述第二语言信号信息尽心信号传输,将所述第一语言信号信息发送至所述第二机器,所述第二机器为无人机集群中的“次头机”,负责接收“头机”所发送的信号,并同样通过所述第一信号解码模型,将所接收的控制指令进行传输及执行。
进一步而言,如图5所示,本申请实施例步骤S600还包括:
步骤S610:由所述第一信号特征匹配数据获得第一特征数据集;
步骤S620:对所述第一特征数据集进行中心化处理,获得第二特征数据集;
步骤S630:获得所述第二特征数据集的第一协方差矩阵;
步骤S640:对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
步骤S650:将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
具体而言,所述第一特征数据集为由所述第一信号特征匹配数据获得第一特征数据集。对所述第一特征数据库中提取到的特征数据进行数值化处理,并构建特征数据集矩阵,获得所述第一特征数据集。继而对所述第一特征数据集中的各特征数据进行中心化处理,首先求解所述第一特征数据集中各特征的平均值,然后对于所有的样本,每一个特征都减去自身的均值,继而获得新的特征值,由新的特征数据集构成所述第二特征数据集,所述第二特征数据集为一数据矩阵。通过协方差公式:
对所述第二特征数据集进行运算,获得所述第二特征数据集的所述第一协方差矩阵。其中,x_1^i为所述第二特征数据集中的特征数据;x-为该特征数据的平均值;M为所述第二特征数据集中的样本数据总量。继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的所述第一特征数据集。其中,所述K个特征值的选取可通过神经网络模型进行训练获得,通过K值的取值,保证了数据量的准确性。通过主成分分析法对数据库中的特征数据进行降维处理,在保证信息量的前提下,剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而加快训练模型对于数据的运算速度。
进一步而言,如图6所示,本申请实施例步骤S650还包括:
步骤S651:以所述第一降维数据集为训练数据,将所述第一控制指令信息输入至所述第一信号解码模型,获得第三语言信号信息;
步骤S652:对所述第二语言信号信息与所述第三语言信号信息进行缺损数据分析,获得第一缺损数据;
步骤S653:将所述第一缺损数据输入至所述第一信号解码模型进行增量学习,获得第二信号解码模型。
具体而言,在对所述第一信号特征匹配数据进行降维处理之后,获得所述第一降维数据集,所述第一降维数据集具有样本量更准确的特点,因此以所述第一降维数据集为训练数据,将所述第一控制指令信息输入至所述第一信号解码模型,获得第三语言信号信息。继而通过对所述第二语言信号信息与所述第三语言信号信息进行缺损数据分析,获得第一缺损数据,并将所述第一缺损数据输入至所述第一信号解码模型进行增量学习,通过增量学习获取所述第二信号解码模型,通过增量学习,提高了模型的准确性,并提高了模型响应效率。
进一步而言,如图7所示,本申请实施例步骤S730还包括:
步骤S731:将所述第一控制指令信息输入至所述第一信号解码模型,所述第一信号解码模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一控制指令信息和用来标识所述第二语言信号信息的标识信息;
步骤S732:获得所述第一信号解码模型的第一输出结果,其中,所述第一输出结果为所述第二语言信号信息。
具体而言,所述第一信号解码模型为一神经网络模型,所述神经网络模型通过多组训练数据训练获得,所述神经网络模型通过训练数据训练的过程本质上为监督学习的过程。所述多组中的训练数据中的每一组训练数据均包括所述第一控制指令信息和用来标识所述第二语言信号信息的标识信息;利用所述第一控制指令信息和用来标识所述第二语言信号信息的标识信息,组建多组训练数据,在获得所述第一控制指令信息的情况下,神经网络模型会输出所述第二语言信号信息的标识信息来对神经网络模型输出的所述第二语言信号信息进行校验,如果输出的所述第二语言信号信息同标识的所述第二语言信号信息相一致,则本数据监督学习完成,则进行下一组数据监督学习;如果输出的所述第二语言信号信息同标识的所述第二语言信号信息不一致,则神经网络模型自身进行调整,直到神经网络模型达到预期的准确率后,进行下一组数据的监督学习。通过训练数据使神经网络模型自身不断地修正、优化,通过监督学习的过程来提高神经网络模型处理所述数据的准确性,进而使得所述第二语言信号信息更加准确。
综上所述,本申请实施例所提供的一种生物语言解析的集群控制方法具有如下技术效果:
1、由于采用了通过获得第一生物类别的第一语言信号信息;对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;获得第一机器的第一集群信号;将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;将所述第一信号解码模型发送至所述第一机器所在的第一集群。实现了通过提取生物语言特征并模仿生物语言进行信号传输,从而使无人机集群免受无线电干扰,信号频段可以进行高频率传输的技术目的。
2、由于采用了通过神经网络模型进行训练学习,将所述第一控制指令信息输入至所述第一信号解码模型,获得所述第二语言信号信息,基于神经网络模型能够不断学习、获取经验来处理数据的特点,通过训练数据,使得所述第二语言信号信息的获取更为准确,从而使得集群控制系统进行信号传输也更为准确、高效。
3、由于采用了通过主成分分析法对所述第一信号特征匹配数据中的特征数据进行降维处理,在保证信息量的前提下,剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而加快训练模型对于数据的运算速度。并通过增量学习对模型进行优化,达到了保证模型的输出性能稳定性和准确性的技术效果。
实施例二
基于与前述实施例中一种生物语言解析的集群控制方法同样发明构思,本发明还提供了一种生物语言解析的集群控制系统,如图8所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一生物类别的第一语言信号信息;
第二获得单元12,所述第二获得单元12用于对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;
第三获得单元13,所述第三获得单元13用于对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;
第四获得单元14,所述第四获得单元14用于获得第一机器的第一集群信号;
第五获得单元15,所述第五获得单元15用于将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;
第六获得单元16,所述第六获得单元16用于以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;
第一发送单元17,所述第一发送单元17用于将所述第一信号解码模型发送至所述第一机器所在的第一集群。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于获得所述第一生物类别的第一语言信息;
第八获得单元,所述第八获得单元用于按照第一信号预处理方式对所述第一语言信息进行预处理,获得第二语言信息;
第九获得单元,第九获得单元用于获得第一信号采集频率;
第十获得单元,所述第十获得单元用于依据所述第一信号采集频率对所述第二语言信息进行信号采集,获得第一信号采集信息;
第十一获得单元,所述第十一获得单元用于获得第一量化处理指令;
第十二获得单元,所述第十二获得单元获得依据所述第一量化处理指令对所述第一信号采集信息进行量化处理,获得所述第一语言信号信息。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于获得第一帧长信息;
第十四获得单元,所述第十四获得单元用于依据所述第一帧长信息对所述第一语言信号信息进行分帧处理,获得N帧语言信号信息集;
第十五获得单元,所述第十五获得单元用于分别对所述N帧语言信号信息集进行特征提取,获得第一特征参数信息;
第十六获得单元,所述第十六获得单元用于依据所述第一特征参数信息获得所述第一生物语言特征集。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于获得第一控制指令信息;
第十八获得单元,所述第十八获得单元用于获得第一信息接收指令;
第十九获得单元,所述第十九获得单元用于所述第一机器依据所述第一信息接收指令,获得所述第一控制指令信息,并将所述第一控制指令信息输入至所述第一信号解码模型,获得第二语言信号信息;
第二十获得单元,所述第二十获得单元用于获得第一信号发送指令;
第二十一获得单元,所述第二十一获得单元用于所述第一机器依据所述第一信号发送指令,将所述第二语言信号信息发送至第二机器。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于由所述第一信号特征匹配数据获得第一特征数据集;
第二十三获得单元,所述第二十三获得单元用于对所述第一特征数据集进行中心化处理,获得第二特征数据集;
第二十四获得单元,所述第二十四获得单元用于获得所述第二特征数据集的第一协方差矩阵;
第二十五获得单元,所述第二十五获得单元用于对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
第二十六获得单元,所述第二十六获得单元用于将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
进一步的,所述系统还包括:
第一输入单元,所述第一输入单元用于以所述第一降维数据集为训练数据,将所述第一控制指令信息输入至所述第一信号解码模型,获得第三语言信号信息;
第二十七获得单元,所述第二十七获得单元用于对所述第二语言信号信息与所述第三语言信号信息进行缺损数据分析,获得第一缺损数据;
第二输入单元,所述第二输入单元用于将所述第一缺损数据输入至所述第一信号解码模型进行增量学习,获得第二信号解码模型。
进一步的,所述系统还包括:
第三输入单元,所述第三输入单元用于将所述第一控制指令信息输入至所述第一信号解码模型,所述第一信号解码模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一控制指令信息和用来标识所述第二语言信号信息的标识信息;
第二十八获得单元,所述第二十八获得单元用于获得所述第一信号解码模型的第一输出结果,其中,所述第一输出结果为所述第二语言信号信息。
前述图1实施例一中的一种生物语言解析的集群控制方法和具体实例同样适用于本实施例的一种生物语言解析的集群控制系统,通过前述对一种生物语言解析的集群控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种生物语言解析的集群控制系统,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图9来描述本申请实施例的电子设备,
基于与前述实施例中一种生物语言解析的集群控制方法相同的发明构思,本申请实施例还提供了一种生物语言解析的集群控制系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种生物语言解析的集群控制方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请提供了一种生物语言解析的集群控制方法,其中,所述方法包括:获得第一手术信息;构建第一手术麻醉物资知识库;将所述第一手术信息输入至所述第一手术麻醉物资知识库,获得第一麻醉物资清单;获得第一麻醉物资管理图像信息;将所述第一麻醉物资管理图像信息输入至第一特征识别模型,获得所述第一麻醉物资管理图像信息中各麻醉物资的第一类别信息;判断所述第一类别信息是否与所述第一麻醉物资清单相匹配;若所述第一类别信息与所述第一麻醉物资清单相匹配,获得所述各麻醉物资的第一特征识别信息;依据所述第一特征识别信息获得所述各麻醉物资的第一使用动态;依据所述第一使用动态生成所述第一手术信息的第一麻醉物资使用报告。解决了现有技术中对于手术过程中麻醉物资的配备及使用动态情况的统计依赖人工,导致物资管理效率较低的技术问题,实现了通过人工智能对手术室麻醉器械进行智能校对并实时监控器械使用动态,实现了对于麻醉物资的高效性管理的技术目的。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种生物语言解析的集群控制方法,其中,所述方法包括:
获得第一生物类别的第一语言信号信息;
对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;
对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;
获得第一机器的第一集群信号;
将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;
以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;
将所述第一信号解码模型发送至所述第一机器所在的第一集群;
其中,所述将所述第一信号解码模型发送至所述第一机器所在的第一集群之后,还包括:
获得第一控制指令信息;
获得第一信息接收指令;
所述第一机器依据所述第一信息接收指令,获得所述第一控制指令信息,并将所述第一控制指令信息输入至所述第一信号解码模型,获得第二语言信号信息;
获得第一信号发送指令;
所述第一机器依据所述第一信号发送指令,将所述第二语言信号信息发送至第二机器。
2.如权利要求1所述的方法,其中,所述方法包括:
获得所述第一生物类别的第一语言信息;
按照第一信号预处理方式对所述第一语言信息进行预处理,获得第二语言信息;
获得第一信号采集频率;
依据所述第一信号采集频率对所述第二语言信息进行信号采集,获得第一信号采集信息;
获得第一量化处理指令;
依据所述第一量化处理指令对所述第一信号采集信息进行量化处理,获得所述第一语言信号信息。
3.如权利要求1所述的方法,其中,所述获得第一生物语言特征集,还包括:
获得第一帧长信息;
依据所述第一帧长信息对所述第一语言信号信息进行分帧处理,获得N帧语言信号信息集;
分别对所述N帧语言信号信息集进行特征提取,获得第一特征参数信息;
依据所述第一特征参数信息获得所述第一生物语言特征集。
4.如权利要求1所述的方法,其中,所述方法还包括:
由所述第一信号特征匹配数据获得第一特征数据集;
对所述第一特征数据集进行中心化处理,获得第二特征数据集;
获得所述第二特征数据集的第一协方差矩阵;
对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
5.如权利要求4所述的方法,其中,所述方法包括:
以所述第一降维数据集为训练数据,将第一控制指令信息输入至所述第一信号解码模型,获得第三语言信号信息;
对第二语言信号信息与所述第三语言信号信息进行缺损数据分析,获得第一缺损数据;
将所述第一缺损数据输入至所述第一信号解码模型进行增量学习,获得第二信号解码模型。
6.如权利要求1所述的方法,其中,所述方法包括:
将所述第一控制指令信息输入至所述第一信号解码模型,所述第一信号解码模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一控制指令信息和用来标识所述第二语言信号信息的标识信息;
获得所述第一信号解码模型的第一输出结果,其中,所述第一输出结果为所述第二语言信号信息。
7.一种生物语言解析的集群控制系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一生物类别的第一语言信号信息;
第二获得单元,所述第二获得单元用于对所述第一语言信号信息进行特征提取,获得第一生物语言特征集;
第三获得单元,所述第三获得单元用于对所述第一生物语言特征集进行编码处理,获得第一特征编码数据集;
第四获得单元,所述第四获得单元用于获得第一机器的第一集群信号;
第五获得单元,所述第五获得单元用于将所述第一特征编码数据集与所述第一集群信号进行信号匹配,获得第一信号特征匹配数据;
第六获得单元,所述第六获得单元用于以所述第一信号特征匹配数据为训练数据,构建第一信号解码模型;
第一发送单元,所述第一发送单元用于将所述第一信号解码模型发送至所述第一机器所在的第一集群,之后,获得第一控制指令信息;
获得第一信息接收指令;
所述第一机器依据所述第一信息接收指令,获得所述第一控制指令信息,并将所述第一控制指令信息输入至所述第一信号解码模型,获得第二语言信号信息;
获得第一信号发送指令;
所述第一机器依据所述第一信号发送指令,将所述第二语言信号信息发送至第二机器。
8.一种生物语言解析的集群控制系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688353.5A CN113408425B (zh) | 2021-06-21 | 2021-06-21 | 一种生物语言解析的集群控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688353.5A CN113408425B (zh) | 2021-06-21 | 2021-06-21 | 一种生物语言解析的集群控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408425A CN113408425A (zh) | 2021-09-17 |
CN113408425B true CN113408425B (zh) | 2022-04-26 |
Family
ID=77682097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110688353.5A Active CN113408425B (zh) | 2021-06-21 | 2021-06-21 | 一种生物语言解析的集群控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408425B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104885151A (zh) * | 2012-12-21 | 2015-09-02 | 杜比实验室特许公司 | 用于基于感知准则呈现基于对象的音频内容的对象群集 |
WO2016011433A2 (en) * | 2014-07-17 | 2016-01-21 | Origin Wireless, Inc. | Wireless positioning systems |
KR20190037025A (ko) * | 2017-09-28 | 2019-04-05 | 서울대학교산학협력단 | 딥러닝 기반 Variational Inference 모델을 이용한 신호 단위 특징 추출 방법 및 시스템 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN112348006A (zh) * | 2021-01-11 | 2021-02-09 | 湖南星空机器人技术有限公司 | 一种无人机信号识别方法、系统、介质及设备 |
CN112633415A (zh) * | 2021-01-11 | 2021-04-09 | 中国人民解放军国防科技大学 | 基于规则约束训练的无人机集群智能任务执行方法和装置 |
CN112668652A (zh) * | 2020-12-31 | 2021-04-16 | 哈尔滨工业大学 | 无人装备对抗中集群阵型和运动趋势的识别方法及系统 |
-
2021
- 2021-06-21 CN CN202110688353.5A patent/CN113408425B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104885151A (zh) * | 2012-12-21 | 2015-09-02 | 杜比实验室特许公司 | 用于基于感知准则呈现基于对象的音频内容的对象群集 |
WO2016011433A2 (en) * | 2014-07-17 | 2016-01-21 | Origin Wireless, Inc. | Wireless positioning systems |
KR20190037025A (ko) * | 2017-09-28 | 2019-04-05 | 서울대학교산학협력단 | 딥러닝 기반 Variational Inference 모델을 이용한 신호 단위 특징 추출 방법 및 시스템 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN112668652A (zh) * | 2020-12-31 | 2021-04-16 | 哈尔滨工业大学 | 无人装备对抗中集群阵型和运动趋势的识别方法及系统 |
CN112348006A (zh) * | 2021-01-11 | 2021-02-09 | 湖南星空机器人技术有限公司 | 一种无人机信号识别方法、系统、介质及设备 |
CN112633415A (zh) * | 2021-01-11 | 2021-04-09 | 中国人民解放军国防科技大学 | 基于规则约束训练的无人机集群智能任务执行方法和装置 |
Non-Patent Citations (2)
Title |
---|
Smartphone‐based object recognition with embedded machine learning intelligence for unmanned aerial vehicles;Ignacio Martinez‐Alpiste et al.;《Wiley Periodicals》;20191020;全文 * |
一种基于RUnet卷积神经网络的地震资料随机噪声压制方法;罗仁泽 等;《石油物探》;20200131;第59卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113408425A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726763B (zh) | 一种信息资产识别方法、装置、设备及介质 | |
CN110806954B (zh) | 评估云主机资源的方法、装置、设备及存储介质 | |
WO2021043140A1 (zh) | 标签确定方法、装置和系统 | |
US10241973B2 (en) | System and method for reducing size of raw data by performing time-frequency data analysis | |
CN109512390B (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
CN110727437B (zh) | 代码优化项获取方法、装置、存储介质及电子设备 | |
CN114720764A (zh) | 一种基于电表实时监测数据的谐波分析方法及系统 | |
CN116760772A (zh) | 汇聚分流器的管控系统及其方法 | |
CN113408425B (zh) | 一种生物语言解析的集群控制方法及系统 | |
CN112566170B (zh) | 网络质量评估方法、装置、服务器及存储介质 | |
CN107212882A (zh) | 一种脑电信号状态变化的实时检测方法及系统 | |
CN110751942A (zh) | 一种识别特征声音的方法和装置 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
CN114339478B (zh) | 一种集中器的通信故障区间检测方法及系统 | |
CN114501329A (zh) | 一种基于1d-cnn的室内定位模型的环境自适应训练方法及装置 | |
CN115482419B (zh) | 一种海洋渔业产品的数据采集分析方法及系统 | |
CN113542276B (zh) | 混网网络入侵目标检测方法及系统 | |
CN117472589B (zh) | 一种园区网络服务管理方法及系统 | |
CN117114056B (zh) | 一种电力负荷预测模型及其构建方法、装置及应用 | |
EP3328112A1 (en) | Determining coverage efficiency of an access point in a wireless network | |
CN113158743B (zh) | 基于先验知识的小目标实时检测与定位方法、系统、设备 | |
CN117454933A (zh) | 应用于生物电信号识别的神经网络结构搜索方法和装置 | |
CN117891963A (zh) | 基于动态主代理损失的深度度量学习方法 | |
CN114239941A (zh) | 一种报表机器人多轮对话策略预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |