CN113807527A - 信号检测方法及使用其的电子装置 - Google Patents

Abstract

本申请提供一种信号检测方法。此信号检测方法包含：收集一初始数据；对初始数据进行预处理，以得到一原始信号；利用一优化深度学习模型对原始信号进行重构，以产生一重建信号；以及比较原始信号和重建信号，以确认原始信号是否有异常发生。本申请更提供一种使用此信号检测方法的电子装置。本申请利用优化深度学习模型来重建出无杂讯的信号，并利用异常愈多则重建出来的信号与原始信号差异愈大的特性进行异常检测，以获得清楚且明确的检测结果。

Description

信号检测方法及使用其的电子装置

技术领域

本申请是有关执行一信号检测方法的电子装置。

背景技术

现有在检测接收的信号时，通常需要标记异常信号的特征图案(pattern)，并利用这些特征图案进行异常检测，以找出异常信号。然而，这种标记的检测方式，需要倚靠大量的事前人工作业，将所有可能的特征图案标记起来，整个过程相当繁琐，且由于对应异常信号的特征图案有时候有无限多种，或是不好标记，所以很难去对信号标记出所有特征图案，进而影响异常检测时的准确度。

发明内容

有鉴于此，本申请提供一种信号检测方法，包含：收集一初始数据；对初始数据进行预处理，以得到一原始信号；利用一优化深度学习模型对原始信号进行重构，以产生一重建信号；以及比较原始信号及重建信号，以确认原始信号是否有异常发生。

本申请更提供一种电子装置，包含一感应器以及一运算装置。感应器用以收集多个样本数据及一初始数据。运算装置电性连接该感应器，运算装置对样本数据进行预处理，以获得多个样本信号，并利用样本信号对一深度学习模型进行训练，以产生一优化深度学习模型；在建立优化深度学习模型之后，运算装置对初始数据进行预处理，以得到一原始信号，并利用一优化深度学习模型对原始信号进行重构，以产生一重建信号，运算装置比较原始信号及重建信号，以确认原始信号是否有异常发生。

综上所述，本申请利用优化深度学习模型来重建出无杂讯的信号，并利用异常愈多则重建出来的信号与原始信号差异愈大的特性进行异常检测，以获得清楚且明确的检测结果。

有关本申请的其它功效及实施例的详细内容，配合图式说明如下。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的图作简单地介绍，显而易见地，下面描述中的图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其它的图。

图1为根据本申请一实施例的电子装置的方块示意图；

图2为根据本申请一实施例于建立优化深度学习模型的流程示意图；

图3为根据本申请一实施例的信号检测方法的流程示意图；

图4为根据本申请一实施例的正常原始信号及重建信号的比较示意图；

图5为根据本申请一实施例有异常发生的原始信号及重建信号的比较示意图；

图6为根据本申请一实施例使用的变异性自动编码器的架构示意图；

图7为根据本申请一实施例使用的变异性自动编码器的数学示意图；

图8为根据本申请的原始信号及重建信号产生异常图案的一实施例示意图；

图9为根据本申请的原始信号及重建信号产生异常图案的另一实施例示意图。

具体实施方式

为了使本申请的目的、特征及效果更容易理解，以下提供用于详细说明本申请的实施例及图。

本申请的方法会将异常信号当作杂讯去除，以重构出无杂讯的重建信号，并比较重建信号与原始信号之间的差异，如果异常愈多则差异会愈大，故可以利用此特性来进行异常检测。

图1为根据本申请一实施例的电子装置的方块示意图，请参阅图1所示，一电子装置10包含有至少一感应器12以及一运算装置14。感应器12是对应一待感测件16，以感应收集来自待感测件16的初始数据或样本数据。运算装置14电性连接至感应器12，以接收初始数据或样本数据，并根据初始数据或样本数据进行后续运算与应用。在一实施例中，感应器12及运算装置14可为各自独立的装置，感应器12可根据待感测件16而对应选择适当的类型，例如，感应声音的麦克风、感应振波的加速规或是感应影像的影像撷取装置等，运算装置14可为笔记型电脑、平板电脑、桌上型电脑等，但不以此为限。

由于本申请是利用优化深度学习模型进行信号重建，所以在详细说明信号检测方法之前，要先建立优化深度学习模型。请同时参阅图1及图2所示，建立优化深度学习模型包含下列步骤：感应器12是自待感测件16感测收集正常的多个样本数据(如步骤S10)，并将样本数据传送至运算装置14。运算装置14接收样本数据，对这些样本数据进行预处理，以过滤杂讯，获得多个样本信号(如步骤S12)。运算装置14利用这些样本信号对一深度学习模型进行训练，以优化模型参数，进而产生优化深度学习模型(如步骤S14)，用以提供后续的特征提取与信号重建。在对深度学习模型进行训练的过程中，运算装置14会对样本信号提取特征，以获得特征数据，再根据特征数据重建出无杂讯的训练信号，并计算重建的训练信号与样本信号之间的差异值，并根据此差异值调整此深度学习模型的模型参数，并重复对所有样本信号进行前述的相同步骤，直至重构的训练信号与输入的样本信号之间的差异值收敛到最小，表示此时使用的模型参数已调整到最佳化，即可完成整个训练，以取得优化后的模型参数。将此优化后的模型参数套用在深度学习模型中，即可获得该优化深度学习模型。

请同时参阅图1及图3所示，本申请的信号检测方法包含下列步骤：利用感应器12收集一初始数据(如步骤S20)，并将初始数据传送至运算装置14，此初始数据是来自待感测件16，在一实施例，初始数据及前述样本数据是利用一相同或相近的测试条件进行收集，以确保重构信号的准确性。运算装置14接收初始数据，并对初始数据进行预处理，以过滤杂讯，得到一原始信号(如步骤S22)。运算装置14会利用优化深度学习模型对原始信号进行重构，以产生一重建信号(如步骤S24)。然后，运算装置14会比较原始信号及重建信号，以确认原始信号是否有异常发生(如步骤S26)，其中，由于异常愈多会让重构出来的重建信号与原始信号的差异愈大，因此，运算装置14在比较原始信号及重建信号的步骤中，会判断原始信号与重建信号的差值是否大于一预设临界值。如图4所示，在一实施例中，当原始信号与重建信号的差值小于等于预设临界值时，表示原始信号和重建信号非常近似，此时运算装置14会确认原始信号无异常发生，即表示此原始信号实为一正常信号。反之，如图5所示，在一实施例中，当原始信号与重建信号的差值大于预设临界值时，表示原始信号和重建信号存在明显差异，此时运算装置14确认原始信号有异常发生，即表示此原始信号实为一异常信号。

在一实施例中，在取得此预设临界值的步骤中，是先将多个原始信号输入至优化深度学习模型中，通过优化深度学习模型的重建，每个原始信号都会产生对应的重建信号，再将这些对应的原始信号跟重建信号进行分类，并确认其中哪几组是良品的原始信号及重建信号，再将这些属于良品的原始信号与重建信号的差值进行计算后产生预设临界值，以便在后续信号检测时作为判断原始信号为正常信号或异常信号的依据。

在一实施例中，感应器12为麦克风，初始数据为声音数据，且经预处理后的原始信号及重构后的重建信号为声音信号。在一实施例中，感应器12为加速规，初始数据为振波数据，且经预处理后的原始信号及重构后的重建信号为振波信号。在一实施例中，感应器12为影像撷取装置，初始数据为影像数据，且经预处理后的原始信号及重构后的重建信号为影像信号。

在一实施例中，本申请使用的深度学习模型可以采用变异性自动编码器(Variational AutoEncoder)演算法，这是一种非监督式学习模型。请同时参阅图6及图7所示，变异性自动编码器的架构中可分为编码器(Encoder)20和解码器(Decoder)22两部分，以分别进行压缩与解压缩的动作，让输入值x₁～x₆和输出值y₁～y₆表示相同意义，且在编码过程增加了一些限制，使得生成的向量遵从高斯分布，由于高斯分布可以通过其平均值(mean)和标准变异数(standard deviation)进行参数化，因此通过变异性自动编码器演算法可以进行信号重建。详言之，编码器20会将原始信号的输入值x₁～x₆先通过隐藏层的运算条件a₁～a₄进行运算后输出两个向量，包含平均值m₁、m₂和标准变异数σ₁、σ₂；利用常态分布(normal distribution)产生第三个向量，误差值(error)e₁、e₂；将标准变异数σ₁、σ₂进行指数化(exponential)，之后跟误差值e₁、e₂进行相乘后，将此乘积跟平均值m₁、m₂进行相加，即成为中间层的低维向量c₁、c₂，所以低维向量c_i的通式可以表示为c_i＝exp(σ_i)*e_i+m_i，其中σ_i为标准变异数、e_i为误差值，以及m_i为平均值。然后，在取得低维向量c₁、c₂之后，解码器22中的隐藏层的运算条件a₁～a₄会根据低维向量c₁、c₂进行运算，以进行信号重建，进而获得对应重建信号的输出值y₁～y₆。

本申请除了可以进行信号的异常检测之外，亦可延伸出其他不同应用，例如数据预处理、异常数据标记处理以及增加其他模型数据量等。就数据预处理而言，在深度学习模型中，输入的数据与得到的结果相关，如果输入信号的杂讯过大，就会影响其结果，因此通过本申请的方法，可以进行数据预处理，以将信号还原或是去除杂讯，将确认无异常发生的重建信号作为其他深度学习模型的输入数据。就异常数据标记处理而言，监督式学习模型是使用有标记的数据集进行学习，以提升模型的准确性，因此，可以利用本申请的方法获得的原始信号及重建信号进行运算，如图8及图9所示，运算装置将原始信号减掉重建信号，即可获得如图8及图9右边的一异常图案，不同的异常原因会得到不一样的异常图案，并对这些不同的异常图案进行标记，并提供给其他监督式学习模型当作输入数据。就增加其他模型数据量而言，在深度学习模型中，对训练数据的数量会有一定的需求，但是有一些异常的状况不一定会常发生，导致训练数据收集不易，因此，可以通过原始信号减掉重建信号而获得对应异常数据的异常图案，将这些异常图案加在原本正常的数据上面，即可以作为训练数据，以达到增加数据量的目的。

综上所述，本申请利用优化深度学习模型来重构出无杂讯的重建信号，并利用异常愈多则重构出来的重建信号与原始信号差异愈大的特性进行异常检测，以获得清楚且明确的异常检测结果。此外，异常检测结果更可广泛应用于数据预处理、标记异常数据以及增加其他模型数据量等方面。

以上所述的实施例及/或实施方式，仅是用以说明实现本申请技术的较佳实施例及/或实施方式，并非对本申请技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本申请内容所公开的技术手段的范围，当可作些许的更动或修饰为其它等效的实施例，但仍应视为与本申请实质相同的技术或实施例。

Claims (14)

1.一种信号检测方法，其特征在于，包含：

收集初始数据；

对所述初始数据进行预处理，以得到原始信号；

利用优化深度学习模型对所述原始信号进行重构，以产生重建信号；以及

比较所述原始信号及所述重建信号，以确认所述原始信号是否有异常发生。

2.根据权利要求1所述的信号检测方法，其特征在于，其中所述原始信号与所述重建信号的差值大于预设临界值，表示所述原始信号有异常发生。

3.根据权利要求1所述的信号检测方法，其特征在于，其中所述原始信号为声音信号、影像信号或振波信号。

4.根据权利要求1所述的信号检测方法，其特征在于，其中所述优化深度学习模型的建立更包括：

收集多个样本数据；

对所述这些样本数据进行预处理，以获得多个样本信号；以及

利用所述这些样本信号对深度学习模型进行训练，以产生所述优化深度学习模型。

5.根据权利要求4所述的信号检测方法，其特征在于，其中所述初始数据及所述这些样本数据是利用相同的测试条件进行收集。

6.根据权利要求4所述的信号检测方法，其特征在于，其中在对所述深度学习模型进行训练的步骤中更包括：

对每一所述样本信号提取特征，以获得特征数据，根据所述特征数据重建训练信号，并计算所述训练信号与所述样本信号之间的差异值，以根据所述差异值调整所述深度学习模型的模型参数；在所述训练信号与所述样本信号之间的差异值收敛至最小时，取得优化后的所述模型参数，将优化后的所述模型参数套用于所述深度学习模型中，以产生所述优化深度学习模型。

7.根据权利要求1所述的信号检测方法，其特征在于，更包括：将所述原始信号减掉所述重建信号，以获得异常图案。

8.一种电子装置，其特征在于，包含：

感应器，用以收集多个样本数据及初始数据；以及

运算装置，电性连接所述感应器，所述运算装置对所述这些样本数据进行预处理，以获得多个样本信号，并利用所述这些样本信号对深度学习模型进行训练，以产生优化深度学习模型；在建立所述优化深度学习模型之后，所述运算装置对所述初始数据进行预处理，以得到原始信号，并利用所述优化深度学习模型对所述原始信号进行重构，以产生重建信号，所述运算装置比较所述原始信号及所述重建信号，以确认所述原始信号是否有异常发生。

9.根据权利要求8所述的电子装置，其特征在于，其中所述原始信号与所述重建信号的差值大于预设临界值，所述运算装置确认所述原始信号有异常发生。

10.根据权利要求8所述的电子装置，其特征在于，其中所述原始信号为声音信号、影像信号或振波信号。

11.根据权利要求8所述的电子装置，其特征在于，其中所述运算装置对每一所述样本信号提取特征，以获得特征数据，根据所述特征数据重建训练信号，并计算所述训练信号与所述样本信号之间的差异值，以根据所述差异值调整所述深度学习模型的模型参数；在所述训练信号与所述样本信号之间的差异值收敛至最小时，所述运算装置取得优化后的所述模型参数，将优化后的所述模型参数套用于所述深度学习模型中，以产生所述优化深度学习模型。

12.根据权利要求8所述的电子装置，其特征在于，其中所述初始数据及所述这些样本数据是利用相同的测试条件进行收集。

13.根据权利要求8所述的电子装置，其特征在于，其中所述运算装置更可将所述原始信号减掉所述重建信号，以获得异常图案。

14.根据权利要求13所述的电子装置，其特征在于，其中所述运算装置更可对所述异常图案进行标记，并提供给监督式学习模型当作输入数据。

Images