CN113688953A - 基于多层gan网络的工控信号分类方法、装置和介质 - Google Patents

基于多层gan网络的工控信号分类方法、装置和介质 Download PDF

Info

Publication number
CN113688953A
CN113688953A CN202111239181.XA CN202111239181A CN113688953A CN 113688953 A CN113688953 A CN 113688953A CN 202111239181 A CN202111239181 A CN 202111239181A CN 113688953 A CN113688953 A CN 113688953A
Authority
CN
China
Prior art keywords
data
industrial control
control signal
signal
detected
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.)
Granted
Application number
CN202111239181.XA
Other languages
English (en)
Other versions
CN113688953B (zh
Inventor
戚建淮
崔宸
韩丹丹
唐娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Y&D Electronics Information Co Ltd
Original Assignee
Shenzhen Y&D Electronics Information Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Y&D Electronics Information Co Ltd filed Critical Shenzhen Y&D Electronics Information Co Ltd
Priority to CN202111239181.XA priority Critical patent/CN113688953B/zh
Publication of CN113688953A publication Critical patent/CN113688953A/zh
Application granted granted Critical
Publication of CN113688953B publication Critical patent/CN113688953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于多层GAN网络的工控信号分类方法，包括：采集工控信号；预处理工控信号以获得工控信号特征值并进行分类；对每个分类数据进行分别进行数据扩充以获得多个扩充数据，对每个扩充数据进行滑动窗口切割以将其分段，并将每段数据分别输入多层GAN网络的每层GAN网络中对应的GAN网络的判别器以分别在每层GNA网络生成每个扩充数据的每段数据的特征值；预处理待检测工控信号并对待检测工控信号进行扩充和分段以生成待检测信号，将待检测信号与每层GNA网络的每个扩充数据的每段数据的特征值进行匹配，并基于匹配结果对待检测信号进行分类。本发明还涉及基于多层GAN网络的工控信号分类装置和计算机可读存储介质。

Description

基于多层GAN网络的工控信号分类方法、装置和介质
技术领域
本发明涉及信号检测领域，更具体地说，涉及一种基于多层GAN网络的工控信号分类方法、装置和计算机可读存储介质。
背景技术
动态系统的状态估计在诸如精确制导、机器人、工业过程控制、故障检测和模式识别等军事和民用领域有着重要的应用价值。在状态估计过程中，设备的信号检测是首要关注因素。通常情况下在得到工控系统传感器测量得到的带有噪声的检测信号以后，通过滤波器处理能够过滤部分信息，然后通过有线或无线的通讯网络传送检测信号。然而，由于网络信道的有限带宽造成的信号传输拥塞会导致，如丢包、时延、量化等，从而引起检测数据无法实时获得，甚至部分或完全丢失。由于检测数据的丢失，造成后续数据分类处理难以准确进行，进而导致检测准确性不足。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于多层GAN网络的工控信号分类方法、装置和计算机可读存储介质，其通过采用数据扩充从数据信号进行补充，并且通过多层GAN网络生成多层分段特征值，并用于后期分类比对，进而弥补了检测数据丢失造成的分类不准确和检测准确性差的缺陷。
本发明解决其技术问题所采用的技术方案是：构造一种基于多层GAN网络的工控信号分类方法，包括以下步骤：
S1、采用信号采集器基于设定采样波特率采集工控信号；
S2、预处理所述工控信号以获得工控信号特征值并进行分类从而获得多个分类数据；
S3、对每个分类数据进行分别进行数据扩充以获得多个扩充数据，对每个扩充数据进行滑动窗口切割以将其分段，并将每段数据分别输入多层GAN网络的每层GAN网络中对应的GAN网络的判别器以分别在每层GNA网络生成每个扩充数据的每段数据的特征值；
S4、预处理待检测工控信号并对所述待检测工控信号进行扩充和分段以生成待检测信号，将所述待检测信号与每层GNA网络的所述每个扩充数据的每段数据的特征值进行匹配，并基于匹配结果对所述待检测信号进行分类。
在本发明所述的基于多层GAN网络的工控信号分类方法中，所述步骤S2进一步包括以下步骤：
S21、从所述工控信号中解析出工控信号数据并滤波所述工控信号数据以获得滤波工控信号数据；
S22、下采样所述滤波工控信号数据以获得所述工控信号特征值；
S23、归一化处理所述工控信号特征值；
S24、将归一化处理后的所述工控信号特征值输入残差神经网络以进行分类并获得所述分类数据。
在本发明所述的基于多层GAN网络的工控信号分类方法中，在所述步骤S21中，采用高通滤波器和/或低通滤波器滤波所述工控信号数据。
在本发明所述的基于多层GAN网络的工控信号分类方法中，所述步骤S3进一步包括以下步骤：
S31、对于每个分类数据进行拉格朗日插值以获得对应的扩充数据；
S32、在第一层对每个扩充数据进行第一滑动窗口切割以将所述扩充数据分成K段从而生成K段信号数据，将每段信号数据输入第一层GAN网络的一个GAN网络的判别器以生成第一层GAN网络的K段数据的特征值；
S33、在第二层对每个扩充数据进行第二滑动窗口切割以将所述扩充数据分成M段从而生成M段信号数据，将每段信号数据输入第二层GAN网络的一个GAN网络的判别器以生成第二层GAN网络的M段数据的特征值；
其中M和K为正整数。
在本发明所述的基于多层GAN网络的工控信号分类方法中，在所述步骤S3中，所述第二滑动窗口是所述第一滑动窗口的1.5倍。
在本发明所述的基于多层GAN网络的工控信号分类方法中，所述步骤S4进一步包括以下步骤：
S41、预处理待检测工控信号并对所述待检测工控信号进行扩充以获得待检测扩充数据；
S42、对所述待检测扩充数据进行第一层滑动窗口切割和第二层滑动窗口切割以生成第一层待检测信号和第二层待检测信号；
S43、将第一层待检测信号和第二层待检测信号与第一层GAN网络的K段数据的特征值和第二层GAN网络的M段数据的特征值分别进行匹配，并基于匹配结果确定所述待检测工控信号的类别。
在本发明所述的基于多层GAN网络的工控信号分类方法中，所述步骤S41进一步包括以下步骤：
S411、从所述待检测工控信号中解析出待检测数据并滤波所述待检测数据以获得滤波数据；
S412、下采样所述滤波数据以获得待检测信号特征值；
S413、归一化处理所述待检测信号特征值；
S414、将归一化处理后的待检测信号特征值进行数据扩充以获得所述待检测扩充数据。
本发明解决其技术问题采用的另一技术方案是，构造一种基于多层GAN网络的工控信号分类装置，包括：
信号采样模块，用于采用信号采集器基于设定采样波特率采集工控信号；
信号预处理模块，用于预处理所述工控信号以获得工控信号特征值并进行分类从而获得多个分类数据；
信号处理模块，用于对每个分类数据进行分别进行数据扩充以获得多个扩充数据，对每个扩充数据进行滑动窗口切割以将其分段，并将每段数据分别输入多层GAN网络的每层GAN网络中对应的GAN网络的判别器以分别在每层GNA网络生成每个扩充数据的每段数据的特征值；
信号匹配模块，用于预处理待检测工控信号并对所述待检测工控信号进行扩充和分段以生成待检测信号，将所述待检测信号与每层GNA网络的所述每个扩充数据的每段数据的特征值进行匹配，并基于匹配结果对所述待检测信号进行分类。
本发明解决其技术问题采用的又一技术方案是，构造一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的基于多层GAN网络的工控信号分类方法。
实施本发明的基于多层GAN网络的工控信号分类方法、装置和介质，其通过采用数据扩充从数据信号进行补充，并且通过多层GAN网络生成多层分段特征值，并用于后期分类比对，进而弥补了检测数据丢失造成的分类不准确和检测准确性差的缺陷。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的基于多层GAN网络的工控信号分类方法的优选实施例的流程图；
图2是本发明的基于多层GAN网络的工控信号分类方法的工控信号预处理及分类步骤的优选实施例的流程图；
图3是本发明的基于多层GAN网络的工控信号分类方法的特征值生成步骤的优选实施例的流程图；
图4是本发明的基于多层GAN网络的工控信号分类方法的特征值匹配步骤的优选实施例的流程图；
图5是本发明的基于多层GAN网络的工控信号分类装置的优选实施例的原理框图；
图6是本发明的基于多层GAN网络的工控信号分类装置的信号预处理模块的原理示意图；
图7是本发明的基于多层GAN网络的工控信号分类装置的信号处理模块的原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明涉及一种基于多层GAN网络的工控信号分类方法，包括以下步骤：采用信号采集器基于设定采样波特率采集工控信号；预处理所述工控信号以获得工控信号特征值并进行分类从而获得多个分类数据；对每个分类数据进行分别进行数据扩充以获得多个扩充数据，对每个扩充数据进行滑动窗口切割以将其分段，并将每段数据分别输入多层GAN网络的每层GAN网络中对应的GAN网络的判别器以分别在每层GNA网络生成每个扩充数据的每段数据的特征值；预处理待检测工控信号并对所述待检测工控信号进行扩充和分段以生成待检测信号，将所述待检测信号与每层GNA网络的所述每个扩充数据的每段数据的特征值进行匹配，并基于匹配结果对所述待检测信号进行分类。本发明通过采用数据扩充从数据信号进行补充，并且通过多层GAN网络生成多层分段特征值，并用于后期分类比对，进而弥补了检测数据丢失造成的分类不准确和检测准确性差的缺陷。
图1是本发明的基于多层GAN网络的工控信号分类方法的优选实施例的流程图。如图1所示，在步骤S1中，采用信号采集器基于设定采样波特率采集工控信号。在本发明的优选实施例中，可以采用任何适合的信号采集器基于设置好采样波特率采集任何适合的公开设备的工控信号。
在步骤S2中，预处理所述工控信号以获得工控信号特征值并进行分类从而获得多个分类数据。在此，可以采用例如滤波，归一化处理等方式进行预处理，并且采用任何适合的分类方法进行分类，例如残差神经网络等等。图2示出了其优选实施例的流程图。
如图2所示，在步骤S21中，从所述工控信号中解析出工控信号数据并滤波所述工控信号数据以获得滤波工控信号数据。例如可以采用高通滤波器和/或低通滤波器滤波所述工控信号数据去除工控信号异常值。在步骤S22中，下采样所述滤波工控信号数据以获得所述工控信号特征值。在步骤S23中，归一化处理所述工控信号特征值。在步骤S24中，将归一化处理后的所述工控信号特征值输入残差神经网络以进行分类并获得所述分类数据。当然，本领域技术人员知悉，上述预处理步骤可以根据实际需要进行删减。
在步骤S3中，对每个分类数据进行分别进行数据扩充以获得多个扩充数据，对每个扩充数据进行滑动窗口切割以将其分段，并将每段数据分别输入多层GAN网络的每层GAN网络中对应的GAN网络的判别器以分别在每层GNA网络生成每个扩充数据的每段数据的特征值。
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。GAN网络神经学习的方法采用的是一种无监督的学习方式训练，可以被广泛用在无监督学习和半监督学习领域。GANs没有变分下界，如果鉴别器训练良好,那么生成器可以完美的学习到训练样本的分布。换句话说，应用GAN应用到一些场景上时，避免了损失函数设计的困难，不管三七二十一，只要有一个的基准，直接上判别器，剩下的就交给对抗训练。因此，在本发明中，正式利用了GAN的特性，采用多层GAN网络生成多层分段特征值，并用于后期分类比对，进而弥补了检测数据丢失造成的分类不准确和检测准确性差的缺陷。
图3是本发明的基于多层GAN网络的工控信号分类方法的特征值生成步骤的优选实施例的流程图。如图3所示，在步骤S31中，对于每个分类数据进行拉格朗日插值以获得对应的扩充数据，该扩充数据可以是最小单位对应的信号数据。具体来说，例如前序步骤中，将数据分类成了类别1数据，类别2数据，…类别k数据，那么对于类别1数据，类别2数据，…类别k数据，分别进行拉格朗日插值产生类别1扩充数据、类别2扩充数据，…类别k扩充数据。
在步骤S32中，在第一层对每个扩充数据进行第一滑动窗口切割以将所述扩充数据分成K段从而生成K段信号数据，将每段信号数据输入第一层GAN网络的一个GAN网络的判别器以生成第一层GAN网络的K段数据的特征值。具体来说，在第一层，对类别1扩充数据、类别2扩充数据，…类别k扩充数据分别进行滑动窗口切割，使得滑动窗口内的所有信号数据在一个分段内，一个信号分成k段，即类别1扩充数据、类别2扩充数据，…类别k扩充数据分别分成k段，每段信号数据输入至一个GAN网络的判别器，即第一段数据输入至GAN1的判别器，第二段数据输入至GAN2的判别器，......，第k段数据输入至GANk的判别器，得到相应生成式对抗网络的生成器生成的每类信号每个部分的特征值，即第一层GAN网络的K段数据的特征值。
在步骤S33中，在第二层对每个扩充数据进行第二滑动窗口切割以将所述扩充数据分成M段从而生成M段信号数据，将每段信号数据输入第二层GAN网络的一个GAN网络的判别器以生成第二层GAN网络的M段数据的特征值。同样的，具体来说，在第二层，对类别1扩充数据、类别2扩充数据，…类别k扩充数据分别进行滑动窗口切割，此时的滑动窗口大小是步骤S32中滑动窗口大小的1.5倍，使得滑动窗口内的所有信号数据在一个分段内，一个信号被分成m段，即类别1扩充数据、类别2扩充数据，…类别k扩充数据分别分成m段，每段信号数据输入至一个GAN网络的判别器，即第一段数据输入至GAN1’的判别器，......，第m段输入至GANm’的判别器，得到相应生成式对抗网络的生成器生成的每类信号每个部分的特征值，即第二层GAN网络的M段数据的特征值。
在步骤S4中，预处理待检测工控信号并对所述待检测工控信号进行扩充和分段以生成待检测信号，将所述待检测信号与每层GNA网络的所述每个扩充数据的每段数据的特征值进行匹配，并基于匹配结果对所述待检测信号进行分类。
在本优选实施例中，对待检测工控信号进行如上预处理操作，对预处理操作后的特征数据按照前述的数据扩充、分段方法进行扩充、分段，与相应的生成式对抗网络生成的特征数据进行匹配，若每层每段的特征数据都可匹配成功，则认为输入数据是该类数据。
图4是本发明的基于多层GAN网络的工控信号分类方法的特征值匹配步骤的优选实施例的流程图。如图4所示，在步骤S41中，预处理待检测工控信号并对所述待检测工控信号进行扩充以获得待检测扩充数据。优选的，从所述待检测工控信号中解析出待检测数据并滤波所述待检测数据以获得滤波数据；下采样所述滤波数据以获得待检测信号特征值；归一化处理所述待检测信号特征值；将归一化处理后的待检测信号特征值进行数据扩充以获得所述待检测扩充数据。
在步骤S42中，对所述待检测扩充数据进行第一层滑动窗口切割和第二层滑动窗口切割以生成第一层待检测信号和第二层待检测信号。如前所述，其中M和K为正整数，所述第二滑动窗口是所述第一滑动窗口的1.5倍。
在步骤S43中，将第一层待检测信号和第二层待检测信号与第一层GAN网络的K段数据的特征值和第二层GAN网络的M段数据的特征值分别进行匹配，并基于匹配结果确定所述待检测工控信号的类别。即如果每层每段的特征数据均匹配成功，就认为所述待检测工控信号属于该特征数据所述的数据扩充信号对应的类别。
实施本发明的基于多层GAN网络的工控信号分类方法，其通过采用数据扩充从数据信号进行补充，并且通过多层GAN网络生成多层分段特征值，并用于后期分类比对，进而弥补了检测数据丢失造成的分类不准确和检测准确性差的缺陷。
图5是本发明的基于多层GAN网络的工控信号分类装置的优选实施例的原理框图。如图5所示，所述基于多层GAN网络的工控信号分类装置包括信号采样模块100、信号预处理模块200、信号处理模块300和信号匹配模块400。所述信号采样模块100用于采用信号采集器基于设定采样波特率采集工控信号。所述信号预处理模块200用于预处理所述工控信号以获得工控信号特征值并进行分类从而获得多个分类数据。所述信号处理模块300用于对每个分类数据进行分别进行数据扩充以获得多个扩充数据，对每个扩充数据进行滑动窗口切割以将其分段，并将每段数据分别输入多层GAN网络的每层GAN网络中对应的GAN网络的判别器以分别在每层GNA网络生成每个扩充数据的每段数据的特征值。所述信号匹配模块400用于预处理待检测工控信号并对所述待检测工控信号进行扩充和分段以生成待检测信号，将所述待检测信号与每层GNA网络的所述每个扩充数据的每段数据的特征值进行匹配，并基于匹配结果对所述待检测信号进行分类。
在本发明的优选实施例中，所述信号采样模块100可以用于采用任何适合的信号采集器基于设置好采样波特率采集任何适合的公开设备的工控信号，并将采集到的工控信号发送给所述信号预处理模块200。
图6是本发明的基于多层GAN网络的工控信号分类装置的信号预处理模块的原理示意图。如图6所示，所述信号预处理模块200进一步用于从所述工控信号中解析出工控信号数据并滤波所述工控信号数据以获得滤波工控信号数据；下采样所述滤波工控信号数据以获得所述工控信号特征值；归一化处理所述工控信号特征值；将归一化处理后的所述工控信号特征值输入残差神经网络以进行分类并获得所述分类数据。在此，所述信号预处理模块200可以参照前述方法实施例构造，在此就不再累述了。
图7是本发明的基于多层GAN网络的工控信号分类装置的信号处理模块的原理示意图。所述信号处理模块300可用于对于每个分类数据进行拉格朗日插值以获得对应的扩充数据；在第一层对每个扩充数据进行第一滑动窗口切割以将所述扩充数据分成K段从而生成K段信号数据，将每段信号数据输入第一层GAN网络的一个GAN网络的判别器以生成第一层GAN网络的K段数据的特征值；在第二层对每个扩充数据进行第二滑动窗口切割以将所述扩充数据分成M段从而生成M段信号数据，将每段信号数据输入第二层GAN网络的一个GAN网络的判别器以生成第二层GAN网络的M段数据的特征值。在此，所述信号处理模块300可以参照前述方法实施例构造，在此就不再累述了。
实施本发明的基于多层GAN网络的工控信号分类装置，其通过采用数据扩充从数据信号进行补充，并且通过多层GAN网络生成多层分段特征值，并用于后期分类比对，进而弥补了检测数据丢失造成的分类不准确和检测准确性差的缺陷。
本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。
本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的基于多层GAN网络的工控信号分类方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于多层GAN网络的工控信号分类方法，其特征在于，包括以下步骤：
S1、采用信号采集器基于设定采样波特率采集工控信号；
S2、预处理所述工控信号以获得工控信号特征值并进行分类从而获得多个分类数据；
S3、对每个分类数据进行分别进行数据扩充以获得多个扩充数据，对每个扩充数据进行滑动窗口切割以将其分段，并将每段数据分别输入多层GAN网络的每层GAN网络中对应的GAN网络的判别器以分别在每层GNA网络生成每个扩充数据的每段数据的特征值；
S4、预处理待检测工控信号并对所述待检测工控信号进行扩充和分段以生成待检测信号，将所述待检测信号与每层GNA网络的所述每个扩充数据的每段数据的特征值进行匹配，并基于匹配结果对所述待检测信号进行分类。
2.根据权利要求1所述的基于多层GAN网络的工控信号分类方法，其特征在于，所述步骤S2进一步包括以下步骤：
S21、从所述工控信号中解析出工控信号数据并滤波所述工控信号数据以获得滤波工控信号数据；
S22、下采样所述滤波工控信号数据以获得所述工控信号特征值；
S23、归一化处理所述工控信号特征值；
S24、将归一化处理后的所述工控信号特征值输入残差神经网络以进行分类并获得所述分类数据。
3.根据权利要求2所述的基于多层GAN网络的工控信号分类方法，其特征在于，在所述步骤S21中，采用高通滤波器和/或低通滤波器滤波所述工控信号数据。
4.根据权利要求2所述的基于多层GAN网络的工控信号分类方法，其特征在于，所述步骤S3进一步包括以下步骤：
S31、对于每个分类数据进行拉格朗日插值以获得对应的扩充数据；
S32、在第一层对每个扩充数据进行第一滑动窗口切割以将所述扩充数据分成K段从而生成K段信号数据，将每段信号数据输入第一层GAN网络的一个GAN网络的判别器以生成第一层GAN网络的K段数据的特征值；
S33、在第二层对每个扩充数据进行第二滑动窗口切割以将所述扩充数据分成M段从而生成M段信号数据，将每段信号数据输入第二层GAN网络的一个GAN网络的判别器以生成第二层GAN网络的M段数据的特征值；
其中M和K为正整数。
5.根据权利要求4所述的基于多层GAN网络的工控信号分类方法，其特征在于，在所述步骤S3中，所述第二滑动窗口是所述第一滑动窗口的1.5倍。
6.根据权利要求4所述的基于多层GAN网络的工控信号分类方法，其特征在于，所述步骤S4进一步包括以下步骤：
S41、预处理待检测工控信号并对所述待检测工控信号进行扩充以获得待检测扩充数据；
S42、对所述待检测扩充数据进行第一层滑动窗口切割和第二层滑动窗口切割以生成第一层待检测信号和第二层待检测信号；
S43、将第一层待检测信号和第二层待检测信号与第一层GAN网络的K段数据的特征值和第二层GAN网络的M段数据的特征值分别进行匹配，并基于匹配结果确定所述待检测工控信号的类别。
7.根据权利要求6所述的基于多层GAN网络的工控信号分类方法，其特征在于，所述步骤S41进一步包括以下步骤：
S411、从所述待检测工控信号中解析出待检测数据并滤波所述待检测数据以获得滤波数据；
S412、下采样所述滤波数据以获得待检测信号特征值；
S413、归一化处理所述待检测信号特征值；
S414、将归一化处理后的待检测信号特征值进行数据扩充以获得所述待检测扩充数据。
8.一种基于多层GAN网络的工控信号分类装置，其特征在于，包括：
信号采样模块，用于采用信号采集器基于设定采样波特率采集工控信号；
信号预处理模块，用于预处理所述工控信号以获得工控信号特征值并进行分类从而获得多个分类数据；
信号处理模块，用于对每个分类数据进行分别进行数据扩充以获得多个扩充数据，对每个扩充数据进行滑动窗口切割以将其分段，并将每段数据分别输入多层GAN网络的每层GAN网络中对应的GAN网络的判别器以分别在每层GNA网络生成每个扩充数据的每段数据的特征值；
信号匹配模块，用于预处理待检测工控信号并对所述待检测工控信号进行扩充和分段以生成待检测信号，将所述待检测信号与每层GNA网络的所述每个扩充数据的每段数据的特征值进行匹配，并基于匹配结果对所述待检测信号进行分类。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-7中任意一项权利要求所述的基于多层GAN网络的工控信号分类方法。
CN202111239181.XA 2021-10-25 2021-10-25 基于多层gan网络的工控信号分类方法、装置和介质 Active CN113688953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111239181.XA CN113688953B (zh) 2021-10-25 2021-10-25 基于多层gan网络的工控信号分类方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111239181.XA CN113688953B (zh) 2021-10-25 2021-10-25 基于多层gan网络的工控信号分类方法、装置和介质

Publications (2)

Publication Number Publication Date
CN113688953A true CN113688953A (zh) 2021-11-23
CN113688953B CN113688953B (zh) 2022-02-22

Family

ID=78587830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111239181.XA Active CN113688953B (zh) 2021-10-25 2021-10-25 基于多层gan网络的工控信号分类方法、装置和介质

Country Status (1)

Country Link
CN (1) CN113688953B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11740372B1 (en) 2022-08-02 2023-08-29 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Method and system for intelligently identifying carbon storage box based on GAN network

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564039A (zh) * 2018-04-16 2018-09-21 北京工业大学 一种基于半监督深层生成对抗网络的癫痫发作预测方法
US20190197368A1 (en) * 2017-12-21 2019-06-27 International Business Machines Corporation Adapting a Generative Adversarial Network to New Data Sources for Image Classification
KR20190099811A (ko) * 2018-02-20 2019-08-28 한국전자통신연구원 순환신경망 기반 시계열 신호 예측 장치 및 방법
CN110414362A (zh) * 2019-07-02 2019-11-05 安徽继远软件有限公司 基于生成式对抗网络的电力图像数据增广方法
US20190370969A1 (en) * 2018-05-30 2019-12-05 Siemens Healthcare Gmbh Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium
CN111178260A (zh) * 2019-12-30 2020-05-19 山东大学 一种基于生成对抗网络的调制信号时频图分类系统及其运行方法
CN111178401A (zh) * 2019-12-16 2020-05-19 上海航天控制技术研究所 一种基于多层对抗网络的空间目标分类方法
CN112232395A (zh) * 2020-10-08 2021-01-15 西北工业大学 一种基于联合训练生成对抗网络的半监督图像分类方法
CN113190840A (zh) * 2021-04-01 2021-07-30 华中科技大学 边云协同下基于dcgan的工业控制系统入侵检测架构及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190197368A1 (en) * 2017-12-21 2019-06-27 International Business Machines Corporation Adapting a Generative Adversarial Network to New Data Sources for Image Classification
KR20190099811A (ko) * 2018-02-20 2019-08-28 한국전자통신연구원 순환신경망 기반 시계열 신호 예측 장치 및 방법
CN108564039A (zh) * 2018-04-16 2018-09-21 北京工业大学 一种基于半监督深层生成对抗网络的癫痫发作预测方法
US20190370969A1 (en) * 2018-05-30 2019-12-05 Siemens Healthcare Gmbh Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium
CN110414362A (zh) * 2019-07-02 2019-11-05 安徽继远软件有限公司 基于生成式对抗网络的电力图像数据增广方法
CN111178401A (zh) * 2019-12-16 2020-05-19 上海航天控制技术研究所 一种基于多层对抗网络的空间目标分类方法
CN111178260A (zh) * 2019-12-30 2020-05-19 山东大学 一种基于生成对抗网络的调制信号时频图分类系统及其运行方法
CN112232395A (zh) * 2020-10-08 2021-01-15 西北工业大学 一种基于联合训练生成对抗网络的半监督图像分类方法
CN113190840A (zh) * 2021-04-01 2021-07-30 华中科技大学 边云协同下基于dcgan的工业控制系统入侵检测架构及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11740372B1 (en) 2022-08-02 2023-08-29 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Method and system for intelligently identifying carbon storage box based on GAN network

Also Published As

Publication number Publication date
CN113688953B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN107862295B (zh) 一种基于WiFi信道状态信息识别面部表情的方法
CN109977895B (zh) 一种基于多特征图融合的野生动物视频目标检测方法
CN109473119B (zh) 一种声学目标事件监控方法
CN110619264B (zh) 基于UNet++的微地震有效信号识别方法及装置
CN104751186A (zh) 一种基于bp网络和小波变换的虹膜图像质量分类方法
CN115013298B (zh) 污水泵的实时性能在线监测系统及其监测方法
Lee et al. Deep neural network-based blind modulation classification for fading channels
CN112528774B (zh) 一种复杂电磁环境下未知雷达信号智能分选系统及方法
CN113688953B (zh) 基于多层gan网络的工控信号分类方法、装置和介质
Yar et al. A complete framework of radar pulse detection and modulation classification for cognitive EW
CN113707175B (zh) 基于特征分解分类器与自适应后处理的声学事件检测系统
CN113837156A (zh) 一种基于增量学习的智能仓储分拣方法和系统
CN115982573B (zh) 多功能送料机及其控制方法
CN117579101A (zh) 载波通讯模块的控制方法及其系统
CN112751633A (zh) 一种基于多尺度窗口滑动的宽带频谱检测方法
CN112417974A (zh) 一种公共卫生监控方法
CN112955954B (zh) 用于音频场景分类的音频处理装置及其方法
CN114358096B (zh) 一种基于逐级门限判决的深度学习摩尔斯码识别方法及装置
CN113536955B (zh) 一种可持续学习的信号调制类型识别方法
WO2021103589A1 (zh) 信令分析方法和相关装置
Li et al. MorseNet: a unified neural network for morse detection and recognition in spectrogram
CN109344881B (zh) 一种基于时空连续性的扩展分类器
CN112836670A (zh) 基于自适应图网络的行人动作检测方法及装置
CN111461007A (zh) 一种基于模糊逻辑的自动调制信号识别方法及装置
CN116192815B (zh) 一种工会会员在线直播与语音互动职代会管理方法

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