CN114662522A - 基于获取并识别噪声全景分布模型的信号分析方法及系统 - Google Patents

基于获取并识别噪声全景分布模型的信号分析方法及系统 Download PDF

Info

Publication number
CN114662522A
CN114662522A CN202011411339.2A CN202011411339A CN114662522A CN 114662522 A CN114662522 A CN 114662522A CN 202011411339 A CN202011411339 A CN 202011411339A CN 114662522 A CN114662522 A CN 114662522A
Authority
CN
China
Prior art keywords
noise
measurement
sample
test sample
reference sample
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.)
Pending
Application number
CN202011411339.2A
Other languages
English (en)
Inventor
尹愚
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.)
Chengdu Daxiang Fractal Intelligent Technology Co ltd
Original Assignee
Chengdu Daxiang Fractal Intelligent Technology 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 Chengdu Daxiang Fractal Intelligent Technology Co ltd filed Critical Chengdu Daxiang Fractal Intelligent Technology Co ltd
Priority to CN202011411339.2A priority Critical patent/CN114662522A/zh
Priority to JP2023504132A priority patent/JP2023535905A/ja
Priority to PCT/CN2021/099384 priority patent/WO2022116508A1/zh
Priority to EP21899310.3A priority patent/EP4167128A4/en
Priority to US18/247,842 priority patent/US20230385378A1/en
Publication of CN114662522A publication Critical patent/CN114662522A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Image Processing (AREA)

Abstract

本发明属于信号分析技术领域，尤其涉及一种基于获取并识别噪声全景分布模型的信号分析方法及系统，包括如下步骤：在富条件测量环境下，对参照样本和测试样本进行重复测量，分别获得多个测量结果；对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据；基于参照样本和测试样本的训练数据，使模型能够从测量结果中识别出信号与噪声，并区分参照样本和测试样本；将待识别样本的测量结果输入经训练的人工智能模型，输出结果为该待识别样本的具体类型。本发明区别于现有技术中的噪声处理方案，从完全不同的技术角度，提供了一种基于获取并识别噪声全景分布模型的信号分析方法，以解决现有技术难以处理的降噪问题。

Description

基于获取并识别噪声全景分布模型的信号分析方法及系统
技术领域
本发明属于信号分析技术领域，尤其涉及一种基于获取并识别噪声全景分布模型的信号分析方法及系统。
背景技术
应对于诸多实际领域的应用与需求，现有技术中已存在种类繁多的样本测量手段，例如生理检测领域的心电信号、脑电信号，物质检测领域的光谱信号等。然而，受限于测量环境、设备精度及样本自身属性等多元影响，无论选择怎样的样本测量手段，测量结果必然是混杂着信号与噪声的混合数据。对于低信噪比的测量结果而言，从中提取出信号的难度较大，导致难以对信号进行全面、有效的分析，这将直接影响对于样本的准确认知。
为了解决上述问题，现有技术中给出如下两个处理噪声的技术方向：1.在样本测量阶段，通过提高设备精度、改善测量环境等措施，对噪声进行控制或抑制，使信号强度远超噪声强度，从而获取高信噪比的测量结果；2.在结果分析阶段，采用数学方法，基于预先假设的噪声统计分布构建数学模型，利用数学模型去除噪声，进一步提高测量结果的整体信噪比。
上述两种方式可以一定程度上解决部分情况下的噪声问题。但始终存在两个难以克服的缺陷：
首先，样本测量过程中采集到的、夹杂在信号中的噪声可能是非线性的，还可能具有相当复杂的形式及内容，例如：对于图像样本的测量结果而言，其不同位置处的噪声可能存在差异；对于音频样本的测量结果而言，其不同音轨上、甚至同一音轨上不同时刻的噪声都可能不同。面对这种复杂噪声，现有工程技术中常规的数学降噪方法难以直接进行，即，难以通过一个或者几个常用数学模型进行去噪方案设计，导致测量结果的信噪比无法提高到具备分析水平的程度；
其次，在实际样本测量过程中，为了获取高信噪比的测量结果，可能会对样本测量环境、设备精度等条件进行全面优化。但即便如此，受限于样本自身属性及其他客观因素，测量结果也可能具有如下属性：1.测量结果中的信号可以被检测到，即信号强度在测量设备的可测下限以上；2.信号极为微弱，其强度与噪声强度为同一量级甚至更低；3.信号自身的特征十分复杂。在具备以上属性的测量结果中，信号极大可能会被噪声所淹没。常规的数学降噪方法在处理这类测量结果时存在困难，因为难以建立合理的数学模型，对测量结果中混杂的噪声进行模拟、去除，使信号与噪声难以剥离，甚至导致高价值信号在去噪处理中随噪声一起被消除掉。
发明内容
本发明的主要目的在于提供一种基于获取并识别噪声全景分布模型的信号分析方法，旨在解决现有技术难以分析超低信噪比条件下的复杂信号的技术问题。
为实现上述目的，本申请的技术方案如下：
一种基于获取并识别噪声全景分布模型的信号分析方法，包括如下步骤：
S1：在富条件测量环境下，对参照样本和测试样本进行重复测量，分别获得多个测量结果；其中，每个测量结果均包含信号和不同的噪声侧写；其中，富条件是指不以保持外部条件一致性为目的的、不涉及抑制噪声的、自然的、包括真实的复杂噪声因素的测量条件。
S2：对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据；其中，训练数据包括由多个噪声侧写构成的噪声全景或至少部分噪声全景；
S3：基于参照样本和测试样本的训练数据，以噪声的可观测性呈现为收敛目标，进行人工智能模型训练，使模型能够从测量结果中识别出信号与噪声，并区分参照样本和测试样本；
S4：将待识别样本的测量结果输入经训练的人工智能模型，人工智能模型的输出结果为该待识别样本的具体类型。
可选择地，在步骤S1中，在参照样本和测试样本的每次测量之前，通过引入轻微扰动，创造出富条件测量环境，由此增加噪声观测维度，使每次测量的测量结果中包含不同的噪声侧写。
进一步地，所述轻微扰动可以选择但不限于空间微扰、时间微扰、物理微扰及环境微扰；空间微扰包括但不限于：使测量位点发生轻微位移、使测量位点发生轻微旋转；时间微扰包括但不限于：增加测量时长、缩短测量时长、以及改变多次测量之间的时间间隔；物理微扰包括但不限于：在测量时震动测量设备或样本、对流质样本进行搅动；环境微扰包括但不限于：改变测量时的环境温度、改变测量时的环境湿度、改变测量时的电磁场、以及改变测量时的气压。
进一步地，在步骤S2中，对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据的步骤包括：
S21.对参照样本和测试样本的测量结果进行归一化处理；
S22.基于步骤S21的归一化结果，建立后验概率模型框架；
参照样本和测试样本的测量结果，经过步骤S21-22处理后，将分别形成符合要求的训练数据，用于后续的人工智能模型训练。
在参照样本和测试样本的测量结果形成训练数据的过程中，不同的噪声侧写构成噪声全景或至少部分噪声全景，同时，两类样本的整体测量结果、以及测量结果中的信号，都将分别呈现出稳定的统计特性；噪声呈现的统计分布模式，也将随着噪声全景的构建而趋于稳定。
在步骤S3中，人工智能模型可以选择但不限于：人工神经网络、感知机、支持向量机、贝叶斯分类器、贝叶斯网、随机森林模型或聚类模型。
在步骤S3中，在人工智能模型的训练过程中，模型将以迭代的方式，对训练数据内含的能够实现信号与噪声识别的特征，以及能够实现参照样本和测试样本区分的特征，进行大量经验性学习、归纳与收敛，并习得特征与预设标签之间的联系。
具体而言，能够实现信号识别的特征，包括多个测量结果经处理后呈现的、符合信号真实数学统计规律的统计分布模式；能够实现噪声识别的特征，包括由多样化的噪声侧写构建的噪声全景或至少部分噪声全景所呈现的、趋近于噪声真实数学统计规律的统计分布模式；能够实现参照样本和测试样本区分的特征，包括参照样本和测试样本的多个测量结果经处理后、分别呈现出的统计分布模式。
进一步地，预设标签包括输出标签与输入标签。其中，输出标签包括分别代表参照样本和测试样本的两个标签；输入标签是分别涉及参照样本和测试样本的训练数据的两组耦合性标签，每个耦合性标签分别与样本测量时所处的富条件测量环境相关联。
具体而言，不同组别的每个耦合性标签分别代表：在富条件测量环境中的每个独立的测量环境下，参照样本或测试样本的测量结果与噪声全景的耦合；其中，测量结果包含的噪声侧写，是这个独立的测量环境下获取的噪声侧写。
本发明还提供了一种基于获取并识别噪声全景分布模型的信号分析系统，包括测量模块、处理模块、训练模块与分析模块；
在富条件测量环境下，测量模块对参照样本和测试样本进行重复测量，分别获得多个测量结果；其中，每个测量结果均包含信号和不同的噪声侧写；其中，富条件是指不以保持外部条件一致性为目的的、不涉及抑制噪声的、自然的、包括真实的复杂噪声因素的测量条件。
处理模块对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据；其中，训练数据包括由多个噪声侧写构成的噪声全景或至少部分噪声全景；
基于参照样本和测试样本的训练数据，训练模块以噪声的可观测性呈现为收敛目标，进行人工智能模型训练，使模型能够从测量结果中识别出信号与噪声，并区分参照样本和测试样本；
针对待识别样本的测量结果，分析模块将其输入经训练的人工智能模型，人工智能模型的输出结果为该待识别样本的具体类型。
可选择地，测量模块包括微扰机构，在测量模块对参照样本和测试样本进行每次测量之前，微扰机构引入轻微扰动，创造出富条件测量环境，由此增加样本测量的噪声观测维度，使每次样本测量的测量结果中包含不同的噪声侧写。
进一步地，在参照样本和测试样本的每次测量前，微扰机构引入的轻微扰动，可以选择但不限于空间微扰、时间微扰、物理微扰及环境微扰。
空间微扰包括但不限于：使测量位点发生轻微位移、使测量位点发生轻微旋转；时间微扰包括但不限于：增加测量时长、缩短测量时长、以及改变多次测量之间的时间间隔；物理微扰包括但不限于：在测量时震动测量设备或样本、对流质样本进行搅动；环境微扰包括但不限于：改变测量时的环境温度、改变测量时的环境湿度、改变测量时的电磁场、以及改变测量时的气压。
进一步地，处理模块包括归一化模块和后验概率模块；
其中，归一化模块对参照样本和测试样本的测量结果进行归一化处理，分别输出归一化结果；后验概率模块基于归一化结果，建立后验概率模型框架，分别形成符合要求的、参照样本和测试样本的训练数据，用于后续的人工智能模型训练。
在处理模块对参照样本和测试样本的测量结果进行处理、形成训练数据的过程中，不同的噪声侧写构成噪声全景或至少部分噪声全景，同时，两类样本的整体测量结果、以及测量结果中的信号，都将分别呈现出稳定的统计特性；噪声呈现的统计分布模式，也将随着噪声全景的构建而趋于稳定。
进一步地，人工智能模型可以选择但不限于：人工神经网络、感知机、支持向量机、贝叶斯分类器、贝叶斯网、随机森林模型或聚类模型。
在人工智能模型的训练过程中，模型将以迭代的方式，对训练数据内含的能够实现信号与噪声识别的特征，以及能够实现参照样本和测试样本区分的特征，进行大量经验性学习、归纳与收敛，并习得特征与预设标签之间的联系。
具体而言，能够实现信号识别的特征，包括多个测量结果经处理后呈现的、符合信号真实数学统计规律的统计分布模式；能够实现噪声识别的特征，包括由多样化的噪声侧写构建的噪声全景或至少部分噪声全景所呈现的、趋近于噪声真实数学统计规律的统计分布模式；能够实现参照样本和测试样本区分的特征，包括参照样本和测试样本的多个测量结果经处理后、分别呈现出的统计分布模式。
进一步地，预设标签包括输出标签与输入标签。其中，输出标签包括分别代表参照样本和测试样本的两个标签；输入标签是分别涉及参照样本和测试样本的训练数据的两组耦合性标签，每个耦合性标签分别与样本测量时、所处的富条件测量环境相关联。
具体而言，不同组别的每个耦合性标签分别代表：在富条件测量环境中的每个独立的测量环境下，参照样本或测试样本的测量结果与噪声全景的耦合；其中，测量结果包含的噪声侧写，是这个独立的测量环境下获取的噪声侧写。
本申请的有益效果为：
1.本发明区别于现有技术中的噪声处理方案，从完全不同的技术角度，提供了一种基于获取并识别噪声全景分布模型的信号分析方法，以解决现有技术难以处理的降噪问题。
信号检测领域经常涉及具备分析价值、但因自身强度极为微弱和/或自身特征极为复杂，从而淹没在噪声里的信号。在这种情况下，噪声的分布模型无法被合理假设，导致现有的、对噪声信号进行数学建模的降噪方法难以有效实践。
本发明提供的信号分析方法基于数学统计原理，并不直接进行信号与噪声的剥离，但仍可以有效区分噪声与信号，并实现基于不同测量样本的多个独立信号的成功识别，由此开展样本检测、物质分类等实际应用。此外，本发明利用人工智能技术，对噪声及淹没于其中的信号进行混合建模。即使噪声不存在数学假设，经训练的人工智能模型也可以深度挖掘测量结果中隐藏的数学统计规律，准确获取信号与噪声的数学分布模型。
2.本发明在样本测量阶段，并未对测量条件进行一致性设定，而是通过营造多样性的测量条件，形成多个因测量条件变化而产生差异的噪声侧写，并将多个噪声侧写结合构成噪声全景或至少部分噪声全景，继而识别噪声的数学分布模型。该操作手段不会导致信号的丢失与误删，避免现有技术中常用的去噪步骤对信号自身的影响。
在本发明公开的技术方案中，通过多样性测量条件下的大量重复测量，使相对稳定的、信号的数据分布形式能够得到较为明确的呈现，由此改善了测量结果中信号的可见性，有益于后续的信号提取与分析。另一方面，多样性测量条件提供的微扰环境，为每次样本测量提供不同的噪声观测维度，确保了噪声的样本随机性。在此基础上，通过大量重复测量能够获取噪声全景，即大量的噪声“样本”能够近乎全面地覆盖噪声自身的所有可能性。同时，噪声的分布模型也将趋于其真实的分布形式。
本发明能够从样本测量结果的混合数据分布形式中，发现噪声的数学统计规律，从数据分布模型的角度实现噪声和信号的区分、以及不同类型的信号的识别。基于该技术思路，在样本测量结果中，噪声与信号将分别呈现出其真实的数学统计规律。相较于现有工程技术中直接进行的噪声去除及信号提取，本发明对噪声及信号的数学统计规律进行深度发掘，能够避免去噪操作对信号的误消除，保证数据的有效性。因此，噪声对信号分析不会造成干扰，也不会影响独立信号间的识别分类。由此可见，对于现有技术无法解决的、从混杂的样本测量结果中去除噪声本身，或提取出信号本身的难题，本发明提供了一种有效的解决方案。
3.由于噪声是实际样本测量过程中无法避免的影响因素，因此，即使在现阶段最为优异的样本测量条件下，每次样本测量获得的测量结果可能会无限地接近真实的信号，但始终只能在信号附近“统计稳定”地变化着，且这种测量结果及其中噪声的“统计稳定”的变化是具有不可预见性的，即无法对下一次样本测量结果的准确值进行假设。
然而，在多次重复采集后，大量的测量结果将整体呈现出趋于稳定的数据分布模型。这个稳定的数据分布模型，代表了测量结果中所有成分相互影响的宏观集合。即，除了真实的信号外，诸如环境复杂度、设备精度、采样手段固有影响等可能引发噪声的干扰因素，均被融入了上述测量结果的整体分布模型中。因此，该测量结果的整体分布模型能够充分反映其自身特征。在测量结果的分布模型趋于稳定的同时，由大量噪声侧写构成的噪声全景或至少部分噪声全景，也将呈现出特有的数学统计规律，并趋近于噪声真实的分布模型。本发明通过识别完整的噪声数学模型，实现噪声与信号的区分，该识别方案将获取更为全面、准确的识别结果。
4.采用人工智能模型对噪声的数据分布模型进行深度挖掘，能够得到高度经验性的、更为精准的分析结果。
多样性测量条件下开展的大量的样本重复测量，其获取的噪声侧写能够至少构建出部分噪声全景，且噪声的数据分布模型已经趋于能够反映噪声理论上的真实分布模型。在此情况下，本发明采用人工智能技术对噪声的分布模型进行发掘。
本发明公开的技术方案中，样本测量阶段涉及在多样化微扰条件下进行的多次的样本测量，由此获取了大量的、混合着信号与噪声的测量结果。上述操作在有利于获取噪声全景的同时，庞大的测量值也为人工智能模型的训练提供了足够的数据基础。经训练的人工智能模型能够在高背景噪声数据中发现符合实验者分析需求或满足其分析目的的真实特征，能够提供更为高效的数学运算，并实时地输出高度经验性的、更为精准的分析结果。
5.本发明通过不同的微扰引入手段营造出富条件测量环境，以增加样本测量中的噪声观测维度，使大量重复测量条件下的测量结果能够显现出完整的噪声全景，或可以为后续信号分析提供足够精准程度的至少部分噪声全景。不同的微扰引入手段的实践难度存在差异，在增加噪声观测维度方面也可能导致不同影响。
在本发明涉及的技术方案的实际应用中，出于样本自身特性、样本测量手段、测量精度要求等多方面因素的综合考虑，实验者完全可以根据实际需求、从本发明提供的微扰引入手段中进行选择。本发明公开的多样化的微扰引入手段为实验者提供了广阔的选择余地，也在一定程度上降低了本发明的适用难度，使该技术方案更加具有推广应用价值。
附图说明
图1为本发明提供的一种基于获取并识别噪声全景分布模型的信号分析方法的流程示意图。
图2为说明书附图1所示的信号分析方法中步骤2的流程示意图。
图3为本发明提供的一种基于获取并识别噪声全景分布模型的信号分析系统的结构示意图。
图4为多个噪声侧写构成噪声全景或至少部分噪声全景的原理示意图。
具体实施方式
信号处理的目的是从样本测量结果中抽取有用信息，例如，具备研究价值的内容，或者是区别于其他信号的差异特征。受限于样本测量过程中的诸多不确定因素，这些“具备研究价值的内容”和“差异特征”往往无法被独立的数值所代表，而是由信号整体的数据统计分布所体现。
实际样本测量过程中获取的测量结果，其中除了反映真实特性的信号之外，必然混合着噪声。现有技术公开的信号处理方案中，或是从测量结果中消除噪声的影响，或是从测量结果中提取出信号。然而，对于测量结果中混杂的噪声无法通过“已知”的数学模型进行模拟时，消除噪声或者提取信号都具有极大的难度。所以，本发明的技术目的在于：基于数据统计原理，从测量结果中找出信号和噪声的“未知”的分布模型，从而实现信号与噪声的有效区分。此外，当测量结果来源于不同的测量样本时，通过找出差异化的数据分布模型，实现样本类型的准确识别。
对于每次样本测量而言，获取的测量结果中的信号和噪声都会与以往测量获取的结果略有差异。从样本与抽样的角度对此进行解释，每次的样本测量都相当于是在样本总体中进行一次随机抽样，随机抽样对应的测量结果是无法反映真实特征的。然而，在信号和噪声分别具有特定的数据统计规律、符合特定的数据分布模型的前提下，当测量次数增加，采样范围扩大到趋近于样本总体的时候，大量的测试结果反映出的整体数据统计规律才能趋于反映出真实情况。
更具体地，1.对于测量结果中的信号而言，由于信号反映了测试样本自身的固有特性，其必然具有明确的统计分布模型。这个明确的统计分布模型可以通过大量的数据采样而清晰地呈现出来；2.对于测量结果中的噪声而言，现有技术通常认为噪声的“理想”数学统计规律符合高斯分布。然而，实际的样本测量过程通常无法营造出“理想”的噪声情况。此外，即使通过提高设备精度、改善材料纯度等手段，将样本测量条件尽可能优化，仍可能获取不到具备理想分析条件的测量结果。即，待分析的目标信号因强度微弱而淹没于噪声中，或是信号的特征极为复杂难以分析。
对这类测量结果进行数据分布模型的挖掘，往往存在较大难度，甚至完全无法假设其中噪声的分布模型。在这样的情况下，本发明通过营造多样化的测量条件，实现了微扰环境下的样本测量，并从多个观测维度生成噪声侧写。当样本测量次数足够多时，便能够体现对于噪声的全方位观测，即构建出了能够显现出完整数据统计分布模型的噪声全景，且这个数据统计分布模型会无限趋近于噪声的真实分布。由此可见，从统计学的角度，通过微扰环境下的噪声全景构造，显现出噪声的统计分布模型，是完全理论可行的。
在获取了至少部分噪声全景，且噪声已呈现出趋于清晰、稳定的分布模型的情况下，本发明采用人工智能技术对噪声的统计规律进行深度发掘。人工智能技术是适用于各种数据分析、并解决经验性数据处理的有效手段。例如，人工智能深度学习模型能够模拟人类的学习过程，快速总结人类经验性的数据处理办法，从而实现信号识别与判断行为。在本发明中，经大数据训练后的人工智能模型，其输出的经验性分析结果的精确性是可以保证的，从而有效识别噪声的数学分布模型，并据此开展后续噪声分离、信号分类等具体分析工作。
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用于解释本发明，并不用于限定本发明。
实施例1
一种基于获取并识别噪声全景分布模型的信号分析方法，其流程示意图参见说明书附图1，该方法包括如下步骤：
S1：在富条件测量环境下，对参照样本和测试样本进行重复测量，分别获得多个测量结果；其中，每个测量结果均包含信号和不同的噪声侧写；
在信号采集与分析的技术领域，保持样本测量过程中的外部条件一致性，是一种减小噪声波动、形成良好信噪比的常规手段，且重复进行样本测量也被认定是减少随机误差的有效方式。然而，在本发明实施例中，并不涉及外部条件的一致性设定，而是在富条件测量环境下，开展参照样本和测试样本的重复测量。其中，富条件是指：富条件是指不以保持外部条件一致性为目的的、不涉及抑制噪声的、自然的、包括真实的复杂噪声因素的测量条件。“富条件测量环境”与“重复测量”的目的都是为了获取足够构建噪声全景的、丰富的噪声侧写。
具体而言，在富条件测量环境下，受限于样本自身属性，参照样本与测试样本的测量结果中的信号将始终保持统计不变，但噪声会因环境变化而出现差别，即环境的变化会增加噪声的观测维度。基于多方位、多角度及多时空特点的噪声观测维度，进行参照样本和测试样本的重复测量，将形成丰富的噪声侧写。丰富的噪声侧写是后续步骤中构建噪声全景、基于数据统计规律识别噪声的基础。
S2：对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据；其中，训练数据包括由多个噪声侧写构成的噪声全景或至少部分噪声全景；
如说明书附图4所示，在单一的噪声观测维度下，只能获取反映噪声局部的噪声侧写，无法获取全面的噪声观测结果，即噪声无法呈现出完整的、符合其真实分布特性的数据统计规律。然而，在本发明实施例中，参照样本与测试样本的重复测量在富条件测量环境下进行。不同噪声观测维度下获取的丰富的噪声侧写，将足够构建噪声全景或至少部分噪声全景。在构建噪声全景的同时，噪声的数据统计规律将趋于其真实的数学统计规律。
在本发明实施例中，噪声全景是指：噪声的分布模型已经能够全面反映其理论上的真实分布模型；部分噪声全景是指：噪声的分布模型无法完整地反映其理论上的真实分布模型，但分布模型已经具备能够用于后续信号分析的精准程度。
S3：基于参照样本和测试样本的训练数据，以噪声的可观测性呈现为收敛目标，进行人工智能模型训练，使模型能够从测量结果中识别出信号与噪声，并区分参照样本和测试样本；
在本发明实施例中，参照样本和测试样本的训练数据将分别以预设比例，随机分配为学习数据和检测数据。采用学习数据对人工智能模型进行训练，并将检测数据输入经训练的人工智能模型中，计算得出信号识别结果，若信号识别准确率低于预设阈值，采用学习数据继续进行训练，若信号识别准确率高于预设阈值，视为人工智能模型完成训练。
S4：将待识别样本的测量结果输入经训练的人工智能模型，人工智能模型的输出结果为该待识别样本的具体类型。
在本发明实施例中，参照样本和测试样本作为两种已知样本，二者的多个测量结果经处理后分别形成的训练数据，训练出的人工智能模型能够实现两种已知样本的有效区分。当待识别样本是两种已知样本中的某一种时，人工智能模型能够对待识别样本的具体类型进行准确识别。
可选择地，在步骤S1中，在参照样本和测试样本的每次测量之前，通过引入轻微扰动，创造出富条件测量环境，由此增加噪声观测维度，使每次测量的测量结果中包含不同的噪声侧写。
进一步地，在参照样本和测试样本的每次测量前引入的轻微扰动，可以选择但不限于空间微扰、时间微扰、物理微扰及环境微扰。
空间微扰包括但不限于：使测量位点发生轻微位移、使测量位点发生轻微旋转；时间微扰包括但不限于：增加测量时长、缩短测量时长、以及改变多次测量之间的时间间隔；物理微扰包括但不限于：在测量时震动测量设备或样本、对流质样本进行搅动；环境微扰包括但不限于：改变测量时的环境温度、改变测量时的环境湿度、改变测量时的电磁场、以及改变测量时的气压。
参见说明书附图2，在步骤S2中，对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据的步骤包括：
S21.对参照样本和测试样本的测量结果进行归一化处理；
S22.基于步骤S21的归一化结果，建立后验概率模型框架。
参照样本和测试样本的测量结果，经过步骤S21-22处理后，将分别形成符合要求的训练数据，用于后续的人工智能模型训练。
具体而言，在本发明实施例中，对于参照样本和测试样本的测量结果，将其视为对复杂体系构成的测量目标进行测量而得到的测量值。
定义测量密度函数为
Figure BDA0002816370980000121
其中，S为测量空间维度；V为测量环境；则测量目标中，体系数目为N，N由式(1)定义：
Figure BDA0002816370980000122
定义B(V)为测量函数，则测量值
Figure BDA0002816370980000123
有：
Figure BDA0002816370980000124
其中，
Figure BDA0002816370980000125
式(3)为归一化条件。本发明实施例中，为了使参照样本和测试样本的测量结果满足式(3)的归一化条件，采用步骤S21，对参照样本和测试样本的测量结果进行归一化处理。
由于参照样本和测试样本的测量是重复进行的，重复过程采用离散的方式来表示，将式(2)改写为系综的形式：
Figure BDA0002816370980000126
定义H为系综密度函数，则有：
<V>＝H<n> (5)
复杂体系的统计涨落则为：
Figure BDA0002816370980000127
其中,对应于重复测量而言，δS为测量的信息熵，δP为测量的环境变化量。
将δP作为噪声全景的统计空间，而δS作为信号的统计空间。所以根据贝叶斯公式，有：
Figure BDA0002816370980000128
在式(7)中，定义
Figure BDA0002816370980000129
为式(8)，式(8)是后验概率条件。本发明实施例中，为了使参照样本和测试样本的测量结果满足式(8)的后验概率条件，采用步骤S22，基于步骤S21获得的归一化结果建立后验概率模型框架。
则对复杂体系的统计涨落的估计δn*为：
δn*＝argmaxδnP(H<n>|δn)P(δn) (9)
在本发明实施例中，经过步骤S21-S22处理的测量结果，能够满足式(3)的归一化条件和式(8)的后验概率条件。满足了上述两个条件的测量结果，能够用于实现式(9)中的、对复杂体系的统计涨落的估计。满足了上述两个条件的测量结果，将作为训练数据，用于后续的人工智能模型训练步骤中。
在参照样本和测试样本的测量结果形成训练数据的过程中，不同的噪声侧写构成噪声全景或至少部分噪声全景，同时，两类样本的整体测量结果、以及测量结果中的信号，都将分别呈现出稳定的统计特性；噪声呈现的统计分布模式，也将随着噪声全景的构建而趋于稳定。
在步骤S3中，人工智能模型可以选择但不限于：人工神经网络、感知机、支持向量机、贝叶斯分类器、贝叶斯网、随机森林模型或聚类模型。
在本发明实施例中，上述式(9)中的、对复杂体系的统计涨落的估计，将由人工智能模型实现。
实施例2
一种基于获取并识别噪声全景分布模型的信号分析系统，其结构示意图参见说明书附图3，系统包括测量模块1、处理模块2、训练模块3与分析模块4；
在富条件测量环境下，测量模块1对参照样本和测试样本进行重复测量，分别获得多个测量结果；其中，每个测量结果均包含信号和不同的噪声侧写；
在信号采集与分析的技术领域，保持样本测量过程中的外部条件一致性，是一种减小噪声波动、形成良好信噪比的常规手段，且重复进行样本测量也被认定是减少随机误差的有效方式。然而，在本发明实施例中，并不涉及外部条件的一致性设定，而是在富条件测量环境下，由测量模块1开展参照样本和测试样本的重复测量。其中，富条件是指：富条件是指不以保持外部条件一致性为目的的、不涉及抑制噪声的、自然的、包括真实的复杂噪声因素的测量条件。“富条件测量环境”与“重复测量”的目的都是为了获取足够构建噪声全景的、丰富的噪声侧写。
具体而言，在富条件测量环境下，受限于样本自身属性，参照样本与测试样本的测量结果中的信号将始终保持统计不变，但噪声会因环境变化而出现差别，即环境的变化会增加噪声的观测维度。基于多方位、多角度及多时空特点的噪声观测维度，由测量模块1进行参照样本和测试样本的重复测量，将形成丰富的噪声侧写。丰富的噪声侧写是后续构建噪声全景、基于数据统计规律识别噪声的基础。
处理模块2对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据；其中，训练数据包括由多个噪声侧写构成的噪声全景或至少部分噪声全景；
如说明书附图4所示，在单一的噪声观测维度下，只能获取反映噪声局部的噪声侧写，无法获取全面的噪声观测结果，即噪声无法呈现出完整的、符合其真实分布特性的数据统计规律。然而，在本发明实施例中，参照样本与测试样本的重复测量在富条件测量环境下进行。不同噪声观测维度下获取的丰富的噪声侧写，将足够处理模块构建噪声全景或至少部分噪声全景。在处理模块2构建噪声全景的同时，噪声的数据统计规律将趋于其真实的数学统计规律。
在本发明实施例中，噪声全景是指：噪声的分布模型已经能够全面反映其理论上的真实分布模型；部分噪声全景是指：噪声的分布模型无法完整地反映其理论上的真实分布模型，但分布模型已经具备能够用于后续信号分析的精准程度。
基于参照样本和测试样本的训练数据，训练模块3以噪声的可观测性呈现为收敛目标，进行人工智能模型训练，使模型能够从测量结果中识别出信号与噪声，并区分参照样本和测试样本；
在本发明实施例中，参照样本和测试样本的训练数据将分别以预设比例，随机分配为学习数据和检测数据。训练模块3采用学习数据对人工智能模型进行训练，并将检测数据输入经训练的人工智能模型中，计算得出信号识别结果，若信号识别准确率低于预设阈值，采用学习数据继续进行训练，若信号识别准确率高于预设阈值，视为人工智能模型完成训练。
针对待识别样本的测量结果，分析模块4将其输入经训练的人工智能模型，人工智能模型的输出结果为该待识别样本的具体类型。
在本发明实施例中，参照样本和测试样本作为两种已知样本，二者的多个测量结果经处理后分别形成的训练数据，训练出的人工智能模型能够实现两种已知样本的有效区分。当待识别样本是两种已知样本中的某一种时，人工智能模型能够对待识别样本的具体类型进行准确识别。
可选择地，测量模块1包括微扰机构11，在测量模块1对参照样本和测试样本进行每次测量之前，微扰机构11引入轻微扰动，创造出富条件测量环境，由此增加样本测量的噪声观测维度，使每次样本测量的测量结果中包含不同的噪声侧写。
进一步地，在参照样本和测试样本的每次测量前，微扰机构11引入的轻微扰动，可以选择但不限于空间微扰、时间微扰、物理微扰及环境微扰。
空间微扰包括但不限于：使测量位点发生轻微位移、使测量位点发生轻微旋转；时间微扰包括但不限于：增加测量时长、缩短测量时长、以及改变多次测量之间的时间间隔；物理微扰包括但不限于：在测量时震动测量设备或样本、对流质样本进行搅动；环境微扰包括但不限于：改变测量时的环境温度、改变测量时的环境湿度、改变测量时的电磁场、以及改变测量时的气压。
进一步地，处理模块2包括归一化模块21和后验概率模块22；
其中，归一化模块21对参照样本和测试样本的测量结果进行归一化处理，分别输出归一化结果；后验概率模块22基于归一化结果，建立后验概率模型框架，分别形成符合要求的、参照样本和测试样本的训练数据，用于后续的人工智能模型训练。
具体而言，在本发明实施例中，对于参照样本和测试样本的测量结果，将其视为对复杂体系构成的测量目标进行测量而得到的测量值。
定义测量密度函数为
Figure BDA0002816370980000151
其中，S为测量空间维度；V为测量环境；则测量目标中，体系数目为N，N由式(1)定义：
Figure BDA0002816370980000152
定义B(V)为测量函数，则测量值
Figure BDA0002816370980000153
有：
Figure BDA0002816370980000154
其中，
Figure BDA0002816370980000155
式(3)为归一化条件。本发明实施例中，为了使参照样本和测试样本的测量结果满足式(3)的归一化条件，由归一化模块21对参照样本和测试样本的测量结果进行归一化处理，输出归一化结果；
由于参照样本和测试样本的测量是重复进行的，重复过程采用离散的方式来表示，将式(2)改写为系综的形式：
Figure BDA0002816370980000156
定义H为系综密度函数，则有：
<V>＝H<n> (5)
复杂体系的统计涨落则为：
Figure BDA0002816370980000161
其中,对应于重复测量而言，δS为测量的信息熵，δP为测量的环境变化量。
将δP作为噪声全景的统计空间，而δS作为信号的统计空间。所以根据贝叶斯公式，有：
Figure BDA0002816370980000162
在式(7)中，定义
Figure BDA0002816370980000163
为式(8)，式(8)是后验概率条件。本发明实施例中，为了使参照样本和测试样本的测量结果满足式(8)的后验概率条件，后验概率模块22基于归一化结果，建立后验概率模型框架。
则对复杂体系的统计涨落的估计δn*为：
δn*＝argmaxδnP(H<n>|δn)P(δn) (9)
在本发明实施例中，经过归一化模块21和后验概率模块22处理的测量结果，能够满足式(3)的归一化条件和式(8)的后验概率条件。满足了上述两个条件的测量结果，能够用于实现式(9)中的、对复杂体系的统计涨落的估计。满足了上述两个条件的测量结果，将作为训练数据，用于后续的人工智能模型训练步骤中。
在处理模块2对参照样本和测试样本的测量结果进行处理、形成训练数据的过程中，不同的噪声侧写构成噪声全景或至少部分噪声全景，同时，两类样本的整体测量结果、以及测量结果中的信号，都将分别呈现出稳定的统计特性；噪声呈现的统计分布模式，也将随着噪声全景的构建而趋于稳定。
进一步地，人工智能模型可以选择但不限于：人工神经网络、感知机、支持向量机、贝叶斯分类器、贝叶斯网、随机森林模型或聚类模型。
在本发明实施例中，上述式(9)中的、对复杂体系的统计涨落的估计，将由人工智能模型实现。
实施例3
一种基于获取并识别噪声全景分布模型的信号分析方法，该方法包括如下步骤：
S1：在富条件测量环境下，对多种已知样本进行重复测量，分别获得多个测量结果；其中，每个测量结果均包含信号和不同的噪声侧写；
在信号采集与分析的技术领域，保持样本测量过程中的外部条件一致性，是一种减小噪声波动、形成良好信噪比的常规手段，且重复进行样本测量也被认定是减少随机误差的有效方式。然而，在本发明实施例中，并不涉及外部条件的一致性设定，而是在富条件测量环境下，开展多种已知样本的重复测量。其中，富条件是指：富条件是指不以保持外部条件一致性为目的的、不涉及抑制噪声的、自然的、包括真实的复杂噪声因素的测量条件。“富条件测量环境”与“重复测量”的目的都是为了获取足够构建噪声全景的、丰富的噪声侧写。
具体而言，在富条件测量环境下，受限于样本自身属性，每种样本的测量结果中的信号将始终保持统计不变，但噪声会因环境变化而出现差别，即环境的变化会增加噪声的观测维度。基于多方位、多角度及多时空特点的噪声观测维度，进行每种已知样本的重复测量，将形成丰富的噪声侧写。丰富的噪声侧写是后续步骤中构建噪声全景、基于数据统计规律识别噪声的基础。
S2：对多种已知样本的测量结果进行处理，分别形成每种已知样本的训练数据；其中，训练数据包括由多个噪声侧写构成的噪声全景或至少部分噪声全景；
如说明书附图4所示，在单一的噪声观测维度下，只能获取反映噪声局部的噪声侧写，无法获取全面的噪声观测结果，即噪声无法呈现出完整的、符合其真实分布特性的数据统计规律。然而，在本发明实施例中，多种已知样本的重复测量在富条件测量环境下进行。不同噪声观测维度下获取的丰富的噪声侧写，将足够构建噪声全景或至少部分噪声全景。在构建噪声全景的同时，噪声的数据统计规律将趋于其真实的数学统计规律。
在本发明实施例中，噪声全景是指：噪声的分布模型已经能够全面反映其理论上的真实分布模型；部分噪声全景是指：噪声的分布模型无法完整地反映其理论上的真实分布模型，但分布模型已经具备能够用于后续信号分析的精准程度。
S3：基于多种已知样本的训练数据，以噪声的可观测性呈现为收敛目标，进行人工智能模型训练，使模型能够从测量结果中识别出信号与噪声，并区分多种已知样本；
在本发明实施例中，每种已知样本的训练数据将分别以预设比例，随机分配为学习数据和检测数据。采用学习数据对人工智能模型进行训练，并将检测数据输入经训练的人工智能模型中，计算得出信号识别结果，若信号识别准确率低于预设阈值，采用学习数据继续进行训练，若信号识别准确率高于预设阈值，视为人工智能模型完成训练。
S4：将待识别样本的测量结果输入经训练的人工智能模型，人工智能模型的输出结果为该待识别样本的具体类型。
在本发明实施例中，多种已知样本的多个测量结果，经处理后分别形成的训练数据，训练出的人工智能模型能够实现每种已知样本的有效区分。当待识别样本是多种已知样本中的某一种时，人工智能模型能够对待识别样本的具体类型进行准确识别。
可选择地，在步骤S1中，在每种已知样本的每次测量之前，通过引入轻微扰动，创造出富条件测量环境，由此增加噪声观测维度，使每次测量的测量结果中包含不同的噪声侧写。
进一步地，在每种已知样本的每次测量前引入的轻微扰动，可以选择但不限于空间微扰、时间微扰、物理微扰及环境微扰。
空间微扰包括但不限于：使测量位点发生轻微位移、使测量位点发生轻微旋转；时间微扰包括但不限于：增加测量时长、缩短测量时长、以及改变多次测量之间的时间间隔；物理微扰包括但不限于：在测量时震动测量设备或样本、对流质样本进行搅动；环境微扰包括但不限于：改变测量时的环境温度、改变测量时的环境湿度、改变测量时的电磁场、以及改变测量时的气压。
在步骤S2中，对多种已知样本的测量结果进行处理，分别形成每种已知样本的训练数据的步骤包括：
S21.对每种已知样本的测量结果进行归一化处理；
S22.基于步骤S21的归一化结果，建立后验概率模型框架。
多种已知样本的测量结果，经过步骤S21-22处理后，将分别形成符合要求的训练数据，用于后续的人工智能模型训练。
具体而言，在本发明实施例中，对于每种已知样本的测量结果，将其视为对复杂体系构成的测量目标进行测量而得到的测量值。
定义测量密度函数为
Figure BDA0002816370980000181
其中，S为测量空间维度；V为测量环境；则测量目标中，体系数目为N，N由式(1)定义：
Figure BDA0002816370980000191
定义B(V)为测量函数，则测量值
Figure BDA0002816370980000192
有：
Figure BDA0002816370980000193
其中，
Figure BDA0002816370980000194
式(3)为归一化条件。本发明实施例中，为了使每种已知样本的测量结果满足式(3)的归一化条件，采用步骤S21，对每种已知样本的测量结果进行归一化处理。
由于每种已知样本的测量是重复进行的，重复过程采用离散的方式来表示，将式(2)改写为系综的形式：
Figure BDA0002816370980000195
定义H为系综密度函数，则有：
<V>＝H<n> (5)
复杂体系的统计涨落则为：
Figure BDA0002816370980000196
其中,对应于重复测量而言，δS为测量的信息熵，δP为测量的环境变化量。
将δP作为噪声全景的统计空间，而δS作为信号的统计空间。所以根据贝叶斯公式，有：
Figure BDA0002816370980000197
在式(7)中，定义
Figure BDA0002816370980000198
为式(8)，式(8)是后验概率条件。本发明实施例中，为了使每种已知样本的测量结果满足式(8)的后验概率条件，采用步骤S22，基于步骤S21获得的归一化结果建立后验概率模型框架。
则对复杂体系的统计涨落的估计δn*为：
δn*＝argmaxδnP(H<n>|δn)P(δn) (9)
在本发明实施例中，经过步骤S21-S22处理的测量结果，能够满足式(3)的归一化条件和式(8)的后验概率条件。满足了上述两个条件的测量结果，能够用于实现式(9)中的、对复杂体系的统计涨落的估计。满足了上述两个条件的测量结果，将作为训练数据，用于后续的人工智能模型训练步骤中。
在每种已知样本的测量结果形成训练数据的过程中，不同的噪声侧写构成噪声全景或至少部分噪声全景，同时，每种已知样本的整体测量结果、以及测量结果中的信号，都将分别呈现出稳定的统计特性；噪声呈现的统计分布模式，也将随着噪声全景的构建而趋于稳定。
在步骤S3中，人工智能模型可以选择但不限于：人工神经网络、感知机、支持向量机、贝叶斯分类器、贝叶斯网、随机森林模型或聚类模型。
在本发明实施例中，上述式(9)中的、对复杂体系的统计涨落的估计，将由人工智能模型实现。
以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。

Claims (10)

1.一种基于获取并识别噪声全景分布模型的信号分析方法，其特征在于：包括如下步骤：
S1：在富条件测量环境下，对参照样本和测试样本进行重复测量，分别获得多个测量结果；其中，每个测量结果均包含信号和不同的噪声侧写；富条件是指不以保持外部条件一致性为目的的、不涉及抑制噪声的、自然的、包括真实的复杂噪声因素的测量条件；
S2：对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据；其中，训练数据包括由多个噪声侧写构成的噪声全景或至少部分噪声全景；
S3：基于参照样本和测试样本的训练数据，以噪声的可观测性呈现为收敛目标，进行人工智能模型训练，使模型能够从测量结果中识别出信号与噪声，并区分参照样本和测试样本；
S4：将待识别样本的测量结果输入经训练的人工智能模型，人工智能模型的输出结果为该待识别样本的具体类型。
2.根据权利要求1所述的基于获取并识别噪声全景分布模型的信号分析方法，其特征在于：
在步骤S1中，在参照样本和测试样本的每次测量之前，通过引入轻微扰动，创造出富条件测量环境，由此增加噪声观测维度，使每次测量的测量结果中包含不同的噪声侧写。
3.根据权利要求2所述的基于获取并识别噪声全景分布模型的信号分析方法，其特征在于：
所述轻微扰动可以选择但不限于空间微扰、时间微扰、物理微扰及环境微扰；其中，空间微扰包括但不限于：使测量位点发生轻微位移、使测量位点发生轻微旋转；时间微扰包括但不限于：增加测量时长、缩短测量时长、以及改变多次测量之间的时间间隔；物理微扰包括但不限于：在测量时震动测量设备或样本、对流质样本进行搅动；环境微扰包括但不限于：改变测量时的环境温度、改变测量时的环境湿度、改变测量时的电磁场、以及改变测量时的气压。
4.根据权利要求1所述的基于获取并识别噪声全景分布模型的信号分析方法，其特征在于：
在步骤S2中，对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据的步骤包括：
S21.对参照样本和测试样本的测量结果进行归一化处理；
S22.基于步骤S21的归一化结果，建立后验概率模型框架；
参照样本和测试样本的测量结果，经过步骤S21-22处理后，将分别形成符合要求的训练数据，用于后续的人工智能模型训练。
5.根据权利要求1所述的基于获取并识别噪声全景分布模型的信号分析方法，其特征在于：
在步骤S3中，人工智能模型可以选择但不限于：人工神经网络、感知机、支持向量机、贝叶斯分类器、贝叶斯网、随机森林模型或聚类模型。
6.根据权利要求1所述的基于获取并识别噪声全景分布模型的信号分析方法，其特征在于：
在步骤S3中，在人工智能模型的训练过程中，模型将以迭代的方式，对训练数据内含的能够实现信号与噪声识别的特征，以及能够实现参照样本和测试样本区分的特征，进行大量经验性学习、归纳与收敛，并习得特征与所述预设标签之间的联系；
其中，能够实现信号识别的特征，包括多个测量结果经处理后呈现的、符合信号真实数学统计规律的统计分布模式；能够实现噪声识别的特征，包括由多样化的噪声侧写构建的噪声全景所呈现的、趋近于噪声真实数学统计规律的统计分布模式；能够实现参照样本和测试样本区分的特征，包括参照样本和测试样本的多个测量结果经处理后、分别呈现出的统计分布模式。
7.根据权利要求6所述的基于获取并识别噪声全景分布模型的信号分析方法，其特征在于：
预设标签包括输出标签与输入标签；其中，输出标签包括分别代表参照样本和测试样本的两个标签；输入标签是分别涉及参照样本和测试样本的训练数据的两组耦合性标签，每个耦合性标签分别与样本测量时、所处的富条件测量环境相关联；不同组别的每个耦合性标签分别代表：在富条件测量环境中的每个独立的测量环境下，参照样本或测试样本的测量结果与噪声全景的耦合；其中，测量结果包含的噪声侧写，是这个独立的测量环境下获取的噪声侧写。
8.一种基于获取并识别噪声全景分布模型的信号分析系统，其特征在于：包括测量模块、处理模块、训练模块与分析模块；
在富条件测量环境下，测量模块对参照样本和测试样本进行重复测量，分别获得多个测量结果；其中，每个测量结果均包含信号和不同的噪声侧写；
处理模块对参照样本和测试样本的测量结果进行处理，分别形成参照样本和测试样本的训练数据；其中，训练数据包括由多个噪声侧写构成的噪声全景或至少部分噪声全景；
基于参照样本和测试样本的训练数据，训练模块以噪声的可观测性呈现为收敛目标，进行人工智能模型训练，使模型能够从测量结果中识别出信号与噪声，并区分参照样本和测试样本；
针对待识别样本的测量结果，分析模块将其输入经训练的人工智能模型，人工智能模型的输出结果为该待识别样本的具体类型。
9.根据权利要求8所述的基于获取并识别噪声全景分布模型的信号分析系统，其特征在于：测量模块包括微扰机构，在测量模块对参照样本和测试样本进行每次测量之前，微扰机构引入轻微扰动，创造出富条件测量环境，由此增加样本测量的噪声观测维度，使每次样本测量的测量结果中包含不同的噪声侧写；
其中，在参照样本和测试样本的每次测量前，微扰机构引入的轻微扰动，可以选择但不限于空间微扰、时间微扰、物理微扰及环境微扰。
10.根据权利要求8所述的基于获取并识别噪声全景分布模型的信号分析系统，其特征在于：
处理模块包括归一化模块和后验概率模块；
其中，归一化模块对参照样本和测试样本的测量结果进行归一化处理，分别输出归一化结果；后验概率模块基于归一化结果，建立后验概率模型框架，分别形成符合要求的、参照样本和测试样本的训练数据，用于后续的人工智能模型训练。
CN202011411339.2A 2020-12-04 2020-12-04 基于获取并识别噪声全景分布模型的信号分析方法及系统 Pending CN114662522A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202011411339.2A CN114662522A (zh) 2020-12-04 2020-12-04 基于获取并识别噪声全景分布模型的信号分析方法及系统
JP2023504132A JP2023535905A (ja) 2020-12-04 2021-06-10 ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法及びシステム
PCT/CN2021/099384 WO2022116508A1 (zh) 2020-12-04 2021-06-10 基于获取并识别噪声全景分布模型的信号分析方法及系统
EP21899310.3A EP4167128A4 (en) 2020-12-04 2021-06-10 METHOD AND SYSTEM FOR ANALYZING MODEL-BASED SIGNALS FOR ACQUIRING AND IDENTIFYING PANORAMIC DISTRIBUTION OF NOISE
US18/247,842 US20230385378A1 (en) 2020-12-04 2021-06-10 Signal analysis method and system based on model for acquiringand identifying noise panoramic distribution

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011411339.2A CN114662522A (zh) 2020-12-04 2020-12-04 基于获取并识别噪声全景分布模型的信号分析方法及系统

Publications (1)

Publication Number Publication Date
CN114662522A true CN114662522A (zh) 2022-06-24

Family

ID=81852928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011411339.2A Pending CN114662522A (zh) 2020-12-04 2020-12-04 基于获取并识别噪声全景分布模型的信号分析方法及系统

Country Status (5)

Country Link
US (1) US20230385378A1 (zh)
EP (1) EP4167128A4 (zh)
JP (1) JP2023535905A (zh)
CN (1) CN114662522A (zh)
WO (1) WO2022116508A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117349596B (zh) * 2023-12-04 2024-03-29 深圳汉德霍尔科技有限公司 基于多传感器的电池异常状态监测预警系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130064423A1 (en) * 2011-09-09 2013-03-14 Sony Corporation Feature extraction and processing from signals of sensor arrays
US10963540B2 (en) * 2016-06-02 2021-03-30 Brown University Physics informed learning machine
CN107808098B (zh) * 2017-09-07 2020-08-21 阿里巴巴集团控股有限公司 一种模型安全检测方法、装置以及电子设备
CN108111294B (zh) * 2017-12-13 2021-05-25 南京航空航天大学 一种基于ML-kNN的保护隐私的多标记分类方法
CN109508740B (zh) * 2018-11-09 2019-08-13 郑州轻工业学院 基于高斯混合噪声生成式对抗网络的物体硬度识别方法
CN111436929B (zh) * 2019-01-17 2021-06-01 复旦大学 一种神经生理信号的生成和识别方法

Also Published As

Publication number Publication date
US20230385378A1 (en) 2023-11-30
JP2023535905A (ja) 2023-08-22
EP4167128A1 (en) 2023-04-19
WO2022116508A1 (zh) 2022-06-09
EP4167128A4 (en) 2024-05-08

Similar Documents

Publication Publication Date Title
CN109063741B (zh) 一种基于希尔伯特曲线变换与深度学习的能谱分析方法
Wang et al. A novel structural damage identification scheme based on deep learning framework
Tran et al. Micro-expression spotting: A new benchmark
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN103902989B (zh) 基于非负矩阵分解的人体动作视频识别方法
CN102663454B (zh) 一种字符书写规范度评测的方法和装置
Salazar On Statistical Pattern Recognition in Independent Component Analysis Mixture Modelling
CN108304816A (zh) 身份识别方法、装置、存储介质及电子设备
CN110427878A (zh) 一种快速射电暴信号识别方法与系统
Li et al. Log-likelihood clustering-enabled passive RF sensing for residential activity recognition
Wu et al. Research on microseismic source locations based on deep reinforcement learning
CN114662522A (zh) 基于获取并识别噪声全景分布模型的信号分析方法及系统
CN106529393A (zh) 一种esmd样本熵结合fcm的电磁信号频谱数据分类方法
Gale et al. Automatic detection of wireless transmissions
Chormai et al. Disentangled explanations of neural network predictions by finding relevant subspaces
Liu et al. Automatic fracture segmentation and detection from image logging using mask R-CNN
Jiang et al. Identify real gravitational wave events in the LIGO-Virgo catalog GWTC-1 and GWTC-2 with convolutional neural network
CN116011307A (zh) 基于获取并识别噪声全景分布模型的信号分析方法及系统
Du et al. Feature extraction and pattern recognition algorithm of power cable partial discharge signal
CN111797690A (zh) 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置
Dong et al. Scene-oriented hierarchical classification of blurry and noisy images
CN114706128A (zh) 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备
CN114638359A (zh) 去除神经网络后门和图像识别的方法和装置
Zhang et al. Artificial Intelligence‐Based Joint Movement Estimation Method for Football Players in Sports Training
Cristancho Cuervo et al. Analysis of instantaneous brain interactions contribution to a motor imagery classification task

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