CN115186720B - 预训练模型、无线感知模型的训练方法及电子设备 - Google Patents
预训练模型、无线感知模型的训练方法及电子设备 Download PDFInfo
- Publication number
- CN115186720B CN115186720B CN202211087699.0A CN202211087699A CN115186720B CN 115186720 B CN115186720 B CN 115186720B CN 202211087699 A CN202211087699 A CN 202211087699A CN 115186720 B CN115186720 B CN 115186720B
- Authority
- CN
- China
- Prior art keywords
- information
- wireless signal
- characterization information
- feature
- module
- 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种预训练模型、无线感知模型的训练方法及电子设备,该方法包括:获取N个第一无线信号样本,每个第一无线信号样本对应维度不同的M个无线信号表征信息;将M个无线信号表征信息分别输入特征提取模块,得到维度不同的M个特征表征信息;将M个特征表征信息分别输入转换器模块,得到维度相同的M个目标特征表征信息;将第m1个第一目标特征表征信息输入第m1个预测器模块,得到与M‑1个第二目标特征表征信息相对应的M‑1个预测特征表征信息;根据N×M个目标特征表征信息以及N×M×(M‑1)个预测特征表征信息,对特征提取模块、转换器模块和预测器模块进行训练,得到无线信号表征预训练模型。
Description
技术领域
本发明涉及计算机、信号处理领域,更具体地,涉及一种预训练模型、无线感知模型的训练方法及电子设备。
背景技术
学习式无线感知任务性能提升的最大障碍是获取一个大规模、高质量的人工标记数据集。然而无线信号缺乏可解释性与直观性,导致无线信号无法像视觉图像数据一样进行人工标记。此外,由于无线信号与数据采集环境的高度相关性,迫使数据集不得不在各种环境中进行大规模数据采集,进一步加大了数据集获取的难度。为解决上述问题,一种常见的解决方式是采用其它模态的传感器进行同步采集,例如视觉相机等。通过对其他模态的数据进行标记来间接实现无线信号数据的人工标记任务。然而不同模态之间的同步、校准等问题带来的额外开销仍限制了无线系统在现实世界的部署应用。
虽然大规模、高质量的人工标记无线信号数据获取困难,但是大规模、无标记的无线数据获取是相对容易的。近年来,采用无监督方法对模型进行预训练,来获取输入数据的一种通用的信息表征,并采用少量的标记数据对预训练模型进行微调,即可获得高效的性能的预训练方法,在计算机视觉和自然语言处理领域引起了广泛的关注。对比学习是其中发展最为迅速的方法之一。然而直接采用以基于数据增强(中心裁剪、添加噪声、颜色失真等)的正负样本为基础的对比学习方法,容易使得神经网络模型学习到的是某些捷径信息,导致数据增强式对比学习方法不适用于无线信号,同时使得该预训练模型不具有实际价值。
发明内容
有鉴于此,本发明提供了一种预训练模型、无线感知模型的训练方法及电子设备。
本发明的一个方面提供了一种无线信号表征预训练模型的训练方法,包括:获取N个第一无线信号样本,每个所述第一无线信号样本对应维度不同的M个无线信号表征信息,其中,N为大于1的整数,M为大于1的整数;针对每个所述第一无线信号样本,将与所述第一无线信号样本相关的M个无线信号表征信息分别输入与所述无线信号表征信息相对应的特征提取模块,得到维度不同的M个特征表征信息;将所述M个特征表征信息分别输入与所述特征表征信息相对应的转换器模块,得到维度相同的M个目标特征表征信息;针对所述M个目标特征表征信息中的第m1个第一目标特征表征信息和其它M-1个第二目标特征表征信息,将所述第m1个第一目标特征表征信息输入与所述第m1个第一目标特征表征信息相对应的第m1个预测器模块,得到与所述M-1个第二目标特征表征信息相对应的M-1个预测特征表征信息,其中,m1为大于等于1且小于等于M的整数;根据与所述N个第一无线信号样本相对应的N×M个目标特征表征信息以及与所述N个第一无线信号样本相对应的N×M×(M-1)个预测特征表征信息,对所述特征提取模块、所述转换器模块和所述预测器模块进行训练,得到无线信号表征预训练模型。
本发明的另一个方面提供了一种无线感知模型的训练方法,其中,所述无线感知模型包括功能模块和基于本发明所述的无线信号表征预训练模型的训练方法训练得到的无线信号表征预训练模型中的特征提取模块,所述功能模块设置于所述特征提取模块之后,所述方法包括:利用第二无线信号样本,对所述特征提取模块和所述功能模块进行微调训练。
本发明的另一方面提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据本发明所述的无线信号表征预训练模型的训练方法和无线感知模型的训练方法其中至少之一。
根据本发明的实施例,通过采用了根据与N个第一无线信号样本相对应的N×M个目标特征表征信息以及与N个第一无线信号样本相对应的N×M×(M-1)个预测特征表征信息,对特征提取模块、转换器模块和预测器模块进行训练,得到无线信号表征预训练模型的技术手段,由于目标特征表征信息可以通过对第一无线信号样本对应的无线信号表征信息进行特征提取和转换得到,预测特征表征信息可以在目标特征表征信息的基础上预测得到。结合N个第一无线信号样本对应的目标特征表征信息和预测特征表征信息,依据无线信号的特征,可以设计高效、通用的无线信号正负样本对构造方法。进一步结合M个由特征提取模块、转换器模块和预测器模块构成的支路,可以设计得到符合正负样本对的形式的网络框架,并可设计相应的训练策略,实现获取高效的无线信号表征预训练模型,对大规模无线感知应用具有广泛且重大的意义。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示出了根据本发明实施例的可以应用无线信号表征预训练模型的训练方法和无线感知模型的训练方法其中至少之一的示例性系统架构;
图2示出了根据本发明实施例的无线信号表征预训练模型的训练方法的流程图;
图3示出了根据本发明实施例的正负样本对的示意图;
图4示出了根据本发明实施例的无线信号表征预训练模型的示例性架构;
图5示出了根据本发明的实施例的无线信号表征预训练模型的训练装置的框图;
图6示出了根据本发明的实施例的无线感知模型的训练装置的框图;
图7示出了根据本发明实施例的适于实现上文描述的方法的计算机系统的框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
图1示出了根据本发明实施例的可以应用无线信号表征预训练模型的训练方法和无线感知模型的训练方法其中至少之一的示例性系统架构100。需要注意的是,图1所示仅为可以应用本发明实施例的系统架构的示例,以帮助本领域技术人员理解本发明的技术内容,但并不意味着本发明实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括第一终端设备101、第二终端设备102、第三终端设备103,网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的无线信号表征预训练模型的训练方法和无线感知模型的训练方法其中至少一种方法一般可以由服务器105执行。相应地,本发明实施例所提供的无线信号表征预训练模型的训练装置和无线感知模型的训练装置其中至少一种装置一般可以设置于服务器105中。本发明实施例所提供的无线信号表征预训练模型的训练方法和无线感知模型的训练方法其中至少一种方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的无线信号表征预训练模型的训练装置和无线感知模型的训练装置其中至少一种装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。或者,本发明实施例所提供的无线信号表征预训练模型的训练方法和无线感知模型的训练方法其中至少一种方法也可以由第一终端设备101、第二终端设备102、或第三终端设备103执行,或者也可以由不同于第一终端设备101、第二终端设备102、或第三终端设备103的其他终端设备执行。相应地,本发明实施例所提供的无线信号表征预训练模型的训练装置和无线感知模型的训练装置其中至少一种装置也可以设置于第一终端设备101、第二终端设备102、或第三终端设备103中,或设置于不同于第一终端设备101、第二终端设备102、或第三终端设备103的其他终端设备中。
例如,N个第一无线信号样本可以原本存储在第一终端设备101、第二终端设备102、或第三终端设备103中的任意一个(例如,第一终端设备101,但不限于此)之中,或者存储在外部存储设备上并可以导入到第一终端设备101中。然后,第一终端设备101可以在本地执行本发明实施例所提供的无线信号表征预训练模型的训练方法,或者将N个第一无线信号样本发送到其他终端设备、服务器、或服务器集群,并由接收该N个第一无线信号样本的其他终端设备、服务器、或服务器集群来执行本发明实施例所提供的无线信号表征预训练模型的训练方法。
例如,第二无线信号样本可以原本存储在第一终端设备101、第二终端设备102、或第三终端设备103中的任意一个(例如,第一终端设备101,但不限于此)之中,或者存储在外部存储设备上并可以导入到第一终端设备101中。然后,第一终端设备101可以在本地执行本发明实施例所提供的无线感知模型的训练方法,或者将第二无线信号样本发送到其他终端设备、服务器、或服务器集群,并由接收该第二无线信号样本的其他终端设备、服务器、或服务器集群来执行本发明实施例所提供的无线感知模型的训练方法。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示出了根据本发明实施例的无线信号表征预训练模型的训练方法的流程图。
如图2所示,该方法包括操作S210~S230,其中,操作S220包括操作S221~S223。
在操作S210,获取N个第一无线信号样本,每个第一无线信号样本对应维度不同的M个无线信号表征信息,其中,N为大于1的整数,M为大于1的整数。
根据本发明的实施例,N个第一无线信号样本可以包括从不同环境采集得到的无线信号的集合。利用理论信号模型构建的无线信号处理模块对第一无线信号样本进行处理后,可获得相应第一无线信号样本的不同表示。例如针对一段第一无线信号样本,可以通过信号分析手段得到它的AoA-ToF(到达角-飞行时间)、DFS(多普勒平移)、CSI(通道状态信息)等信号表示。
根据本发明的实施例,M个无线信号表征信息可以包括如下中的至少两个信息:表征所述第一无线信号样本的AoA-ToF的信息、表征所述第一无线信号样本的CSI的信息以及表征所述第一无线信号样本的DFS的信息等,且可不限于此。
在操作S220,针对每个第一无线信号样本,执行操作S221~S223。
在操作S221,将与第一无线信号样本相关的M个无线信号表征信息分别输入与无线信号表征信息相对应的特征提取模块,得到维度不同的M个特征表征信息。
根据本发明的实施例,由于不同的无线信号表示具有不同的特性以及维度,例如AoA-ToF是一个三维的张量,而DFS是一个二维的张量。为此,针对不同的信号表示,可以采用一种多分支的网络结构,即针对输入的M个无线信号表征信息采取M个骨干网络结构设计用于对各无线信号表征信息进行特征提取的特征提取模块。提取得到的M个特征表征信息可以包括AoA-ToF、CSI和DFS等其中至少之一,且可不限于此。
在操作S222,将M个特征表征信息分别输入与特征表征信息相对应的转换器模块,得到维度相同的M个目标特征表征信息。
根据本发明的实施例,由于不同的骨干网络结构设计以及不同的无线信号表征信息的输入,导致不同的骨干网络抽取得到的特征表征信息通常具有不同的特征表达。若强行的将这些特征表达不同的特征表征信息进行匹配,会出现网络不收敛的情况。在本实施例中,通过引入轻量级的多层感知机网络构造转换器模块,可以将不同的特征表达映射到一个统一的测量空间,据此可以缓解训练过程中出现的网络不收敛的问题。
在操作S223,针对M个目标特征表征信息中的第m1个第一目标特征表征信息和其它M-1个第二目标特征表征信息,将第m1个第一目标特征表征信息输入与第m1个第一目标特征表征信息相对应的第m1个预测器模块,得到与M-1个第二目标特征表征信息相对应的M-1个预测特征表征信息,其中,m1为大于等于1且小于等于M的整数。
根据本发明的实施例,预测器模块可以是轻量级的多层感知机网络,其主要用于多分支网络结构中的任意两个支路,并用其中一个支路的输出来预测另外一个支路,来提升网络学习表征的质量。
需要说明的是,每个预测器模块可以基于一个第m1个第一目标特征表征信息,预测得到M-1个其它M-1个第二目标特征表征信息的预测值,即M-1个预测特征表征信息。
在本实施例中,由于转换器模块已经将骨干网络提取的特征表征信息转换到统一的测量空间,预测器模块可以采用共享权值的方式减少参数量,加速网络收敛。
在操作S230,根据与N个第一无线信号样本相对应的N×M个目标特征表征信息以及与N个第一无线信号样本相对应的N×M×(M-1)个预测特征表征信息,对特征提取模块、转换器模块和预测器模块进行训练,得到无线信号表征预训练模型。
根据本发明的实施例,在将N个第一无线信号样本各自对应的M个特征表征信息分别输入与特征表征信息相对应的转换器模块之后,可以得到N×M个目标特征表征信息。每个第一无线信号样本对应的第一目标特征表征信息的数目最多为M,在将N个第一无线信号样本各自对应的M个第一目标特征表征信息中的第m1个第一目标特征表征信息输入与该第m1个第一目标特征表征信息相对应的第m1个预测器模块之后,可以得到N×M×(M-1)个预测特征表征信息。预训练模型可以为根据特征提取模块、转换器模块和预测器模块构造的多分支结构的模型,每个分支可以包括顺序连接的一个特征提取模块、一个转换器模块和一个预测器模块。
根据本发明的实施例,根据N×M个目标特征表征信息和N×M×(M-1)个预测特征表征信息,可以对多分支结构的预训练模型进行同步训练,得到适用于无线信号表征学习的预训练模型,以此可以获取通用的无线信号表征。该表征仅需要针对不同的任务收集少量的标记数据对预训练模型进行微调,即可获得高效的性能。
通过本发明的上述实施例,结合N个第一无线信号样本对应的目标特征表征信息和预测特征表征信息,依据无线信号的特征,可以设计高效、通用的无线信号正负样本对构造方法。进一步结合M个由特征提取模块、转换器模块和预测器模块构成的支路,可以设计得到符合正负样本对的形式的网络框架,并可设计相应的训练策略,实现获取高效的无线信号表征预训练模型,对大规模无线感知应用具有广泛且重大的意义。
下面结合具体实施例,对图2所示的方法做进一步说明。
根据本发明的实施例,上述操作S230可以包括:基于第一损失函数,根据N×M×(M-1)个预测特征表征信息以及与每个预测特征表征信息相对应的第二目标特征表征信息,得到第一损失函数值。基于第二损失函数,根据N×M个目标特征表征信息,得到第二损失函数值。根据第一损失函数值和第二损失函数值,调整特征提取模块、转换器模块和预测器模块的模型参数。
根据本发明的实施例,每个预测器模块可以对应一个第一损失函数,基于该第一损失函数,可以结合根据第m1个第一目标特征表征信息预测得到的其他(M-1)个预测特征表征信息以及与该(M-1)个预测特征表征信息对应的(M-1)个第二目标特征表征信息,得到第一损失值。也可以结合根据第m1个第一目标特征表征信息预测得到的任意1个预测特征表征信息以及与该1个预测特征表征信息对应的1个第二目标特征表征信息,得到第一损失值。需要说明的是,用于计算第一损失值的预测特征表征信息以及与该预测特征表征信息相对应的第二目标特征表征信息的个数可以为1~(M-1)中的任意一个数目,在此不做限定。
根据本发明的实施例,每两个由特征提取模块、转换器模块和预测器模块构造的分支可以对应一个第二损失函数,基于该第二损失函数,可以结合与该两个分支对应的两个目标特征表征信息,得到第二损失值。需要说明的是,用于计算第二损失值的两个目标特征表征信息可以包括N个第一无线信号样本对应的N×M个目标特征表征信息中与该两个分支对应的任意两个目标特征表征信息。
根据本发明的实施例,根据第一损失函数和第二损失函数可以构造第三损失函数。根据N×M×(M-1)个预测特征表征信息、与每个预测特征表征信息相对应的第二目标特征表征信息以及N×M个目标特征表征信息,可以计算第三损失值。特征提取模块、转换器模块和预测器模块的模型参数可以根据第三损失值进行调整。
根据本发明的实施例,预测器模块的数目可以为M个。上述基于第一损失函数,根据N×M×(M-1)个预测特征表征信息以及与每个预测特征表征信息相对应的第二目标特征表征信息,得到第一损失函数值可以包括:根据第m2个预测器模块预测得到的第m2’个预测特征表征信息以及与第m2’个预测特征表征信息相对应的第二目标特征表征信息,计算第一距离,其中,m2∈{1,2,…,M-1},m2’∈{1,2,…,M-1},且m2’≠m2。根据第m2+1个预测器模块预测得到的第m2’+1个预测特征表征信息以及与第m2’+1个预测特征表征信息相对应的第二目标特征表征信息,计算第二距离。基于第一损失函数,根据第一距离和第二距离,确定第一损失函数值。
根据本发明的实施例,考虑到在多分支结构中的任意两路分支采用预测器模块会导致许多重复的运算,例如,对于输入样本对,约束支路1与支路2的输出保持相似,同时约束支路2与支路3的输出保持一致,则支路1与支路3的输出自动保持一致,而不需要再次约束支路1和支路3。为此对于多路分支只需约束相邻分支即可。有鉴于此,针对预测器模块定义的第一损失函数可以如公式(1)所示。
其中,可以表示第一损失函数,可以表示多分支网络结构的分支数,和可以分别表示无线信号表征预训练模型的多分支网络结构中第支路与第支
路的转换器模块针对第个第一无线信号样本的输出,可以为大于等于1且小于等于N的整
数,可以表示预测器模块,可以表示梯度停止操作,即反向传播过程不更新该路
径的模型参数,来防止两分支直接交互导致模型训练崩溃。可以表示距离度量函数,本
实施例中可以采用余弦距离 (1-1)。
需要说明的是,还可以表示为其他能够实现距离度量的函数,可用于计算上
述第一距离和上述第二距离,作为中的两个参数,在本实施例中可以分别表示第
m2’个预测特征表征信息以及与第m2’个预测特征表征信息相对应的第二目标特征表征信
息,或者可以分别表示第m2’+1个预测特征表征信息以及与第m2’+1个预测特征表征信息相
对应的第二目标特征表征信息。的函数表征形式可以不仅限于此。
根据本发明的实施例,转换器模块的数目可以为M个。基于第二损失函数,根据N×M个目标特征表征信息,得到第二损失函数值可以包括:根据第m3个转换器模块转换得到的第n个第三目标特征表征信息和第m3+1个转换器模块转换得到的第n个第四目标特征表征信息,确定正样本对,其中,第三目标特征表征信息对应的第一无线信号样本与第四目标特征表征信息对应的第一无线信号样本相同,m3∈{1,2,…,M-1},n∈{1,2,…,N}。根据第m3个转换器模块转换得到的第n个第三目标特征表征信息和第m3+1个转换器模块转换得到的第n’个第五目标特征表征信息,确定负样本对,其中,第三目标特征表征信息对应的第一无线信号样本与第五目标特征表征信息对应的第一无线信号样本不同,n’∈{1,2,…,N},且n’≠n。基于第二损失函数,根据正样本对和负样本对,确定第二损失函数值。
根据本发明的实施例,同一无线信号的不同信号表示可以包含相同的语义信息。由此,同一信号的不同信号表示可以形成正样本对,不同信号的信号表示可以形成负样本对。
图3示出了根据本发明实施例的正负样本对的示意图。
如图3所示,虚线框310中的CSI 311、DFS 312、AoA-ToF 313可以为针对同一个第一无线信号样本进行信号处理得到的不同信号表示,其两两之间可以形成正样本对,如CSI311与DFS 312、DFS 312与AoA-ToF 313、CSI 311与AoA-ToF 313均可形成正样本对。虚线框320中的CSI 321、DFS 322、AoA-ToF 323可以为针对另一个第一无线信号样本进行信号处理得到的不同信号表示,其两两之间也可以形成正样本对。通过虚线连接的属于不同第一无线信号样本的信号表示之间可以形成负样本对,如CSI 311与DFS 322、DFS 312与AoA-ToF 323、CSI 311与AoA-ToF 323等均可形成负样本对。
根据本发明的实施例,多分支网络结构的无线信号表征预训练模型的每两个分支可以构成一种对比学习结构。为此可以基于在表征对比损失的损失函数取得最小值时,对于输入相应模型的正样本对,模型得到的相应输出保持一致,而对于输入该模型的负样本对,模型得到的相应输出差异越大的基础,结合计算第一损失函数值时对于多路分支只需约束相邻分支的考虑,为多分支网络结构的每相邻两个分支对应的第二损失函数构建如公式(2)所示的InfoNCE损失函数。
其中,可以为大于等于1且小于等于N的整数,,表示负样本对数量,通常取
一个较大的数值,表示温度系数,s(.)可以表示相似度度量函数。本实施例中可以采用,且可不限于此。作为s(.)中的两个参数,在本实施例中可以替换
为正样本对,或者负样本对。值得注意的是,定义的是一
种非对称的损失函数,即,为此针对多分支网络结构的场
景,可以将InfoNCE损失函数定义为一种对称的损失,如公式(3)所示。
根据本发明的实施例,综合预测器模块损失与InfoNCE损失,可以得到第三损失函数的表示可以如公式(4)所示,且可不限于此。
根据本发明的实施例,在无线信号表征预训练模型的训练过程中,还可以包括:针对每个目标特征表征信息,根据该目标特征表征信息对应的第一无线信号样本的信息,确定针对该目标特征表征信息配置的索引信息。对配置有索引信息的N×M个目标特征表征信息进行存储。
根据本发明的实施例,由公式(2)可知,预训练模型的训练过程通常需要大批次的负样本对。同时由于多分支网络结构,公式(3)使得负样本对的数量再次增加2(n-1)倍,而网络结构通常也需要消耗极大的内存,使得硬件成本难以承受。此本实施例中可以采用记忆池结构来缓解该问题。
例如,可以针对无线信号表征预训练模型输出的每一个目标特征表征信息,根
据该目标特征表征信息对应的第一无线信号样本的信息,如对于第i个第一无线信号样本,
可以确定该目标特征表征信息对应的索引可以为i,并得到该目标特征表征信息的特征表
示可以为。对于第j个第一无线信号样本,可以确定该目标特征表征信息对应的索引可
以为j,并得到该目标特征表征信息的特征表示可以为。对于N×M个目标特征表征信息
中的每个目标特征表征信息,可以根据相同的方法确定对应的特征表示,得到N×M个特征
表示。该些特征表示的信息可以存储至记忆池中。
需要说明的是,记忆池中可以包括一个或多M个缓存区。在记忆池中仅包括一个缓存区的情况下,该N×M个特征表示可以全部存储至该一个缓存区中。在记忆池中包括M个缓存区的情况下,该N×M个特征表示可以根据特征类别的不同分类存储至该M个缓存区中。例如,N个第一无线信号样本对应的N个第m类别的目标特征表征信息可以存储至缓存区m中,其中,1≤m≤M。
通过在记忆池中存储训练集中所有样本的特征表示,可以快速的采集大量的负样本,提高训练样本的采集效率。
根据本发明的实施例,记忆池中主要可以包含两种核心操作:从缓存区采样、特征表示更新等。
根据本发明的实施例,可以采取交叉采样策略,对于特征表示,从缓存区m3+1
随机采样K个样本形成负样本对,同时从缓存区m3+1取出相同索引的特征表
示形成正样本对。对于特征表示执行相似的操作形成负样本对及正样本对,至此可用于计算公式(3)中的损失函数,完成梯度的
更新工作。
根据本发明的实施例,在将配置有索引信息的N×M个目标特征表征信息存储至记忆池中之后,还可以针对每个目标特征表征信息,在基于特征提取模块和转换器模块得到与目标特征表征信息相对应的新一轮特征表征信息的情况下,根据新一轮特征表征信息、目标特征表征信息和预定义动量参数,确定更新后特征表征信息。将已存储的目标特征表征信息更新为更新后特征表征信息。
根据本发明的实施例,在对记忆池中存储的样本数据进行更新时,可以采用动量更新策略。针对每一次输入到无线信号表征预训练模型中的样本数据,通过模型的正向传播过程后,可以直接用于记忆池中特征表示的更新操作。具体地,例如可以采用如公式(5)所示的方式进行更新。
图4示出了根据本发明实施例的无线信号表征预训练模型的示例性架构。
如图4所示,为实现对无线信号表征预训练模型的训练,该架构可以包括用于提供模型输入数据的无线信号处理模块410,由特征提取模块、转换器模块和预测器模块构造的模型模块420,以及用于为模型训练数据提供存储空间的记忆池模块430等。
根据本发明的实施例,无线信号处理模块410可以结合理论信号模型,通过对每个第一无线信号样本进行处理,得到无线信号表征信息,如可以包括CSI、DFS、AOA-TOF等信息,构造正负样本对。以便于实现通过拉近网络输出的正样本对之间距离,拉远负样本对距离,实现对无线信号表征预训练模型的训练。
根据本发明的实施例,可以根据无线信号表征信息的数目,确定模型模块420的分支数目,每个分支可以包括一个特征提取模块、一个转换器模块和一个预测器模块。基于针对预测器模块设置的第一损失函数和针对每相邻两个分支设置的第二损失函数,以及梯度停止等操作,结合记忆池模块430针对模型模块420输出的每个目标特征表征信息存储的特征表示信息,可以对模型模块420进行训练。
关于图4所示架构的详细操作流程,可参见前述实施例中所述,在此不再赘述。
在基于前述方法训练得到无线信号表征预训练模型的基础上,可以根据功能模块和无线信号表征预训练模型中的特征提取模块,通过将功能模块可以设置于特征提取模块之后,构造能够实现相应功能的无线感知模型。基于此构造的无线感知模型可以通过如下方式进行训练:利用第二无线信号样本,对特征提取模块和功能模块进行微调训练。第二无线信号样本可以包括与第一无线信号样本相同或不同的样本。
为验证本发明实施例提出的方法的通用性,可以在对应具体功能的无线感知任务上进行测试。该无线感知任务例如可以包括:基于WiFi信号的手势识别任务、基于毫米波雷达的3D姿态估计任务、基于毫米波雷达的人体轮廓生成任务等,且可不限于此。
根据本发明的实施例, 手势识别是一个分类任务,可以通过在无线信号表征预训练模型的骨干网络后端添加一个分类器模块,并采用少量标记数据进行微调,即可构造手势识别模型。其性能衡量指标为分类准确率。
根据本发明的实施例,3D姿态估计是一个回归任务,可以通过在无线信号表征预训练模型的骨干网络后端添加回归模块,然后对网络进行微调,即可构造3D姿态估计模型。其性能衡量指标可以为与真实3D姿态间的平均欧式距离,单位可以为mm。
根据本发明的实施例, 人体轮廓生成是一个生成任务,可以通过在无线信号表征预训练模型的骨干网络后添加解码器模块,然后进行微调训练,即可构造人体轮廓生成模型。其性能衡量指标可以为与真实人体轮廓之间的交并比。
需要说明的是,功能模块可以不仅限于如上所述的分类器模块、回归模块和解码器模块等,还可以包括可与无线信号表征预训练模型的骨干网络结合实现其他无线感知功能的其他功能模块等。
由于几乎所有的学习类无线感知任务均可以看作上述三种典型任务(分类、回归、生成)的组合,同时结合两种常见的无线设备(雷达和WiFi),为此该设定足以证明本发明实施例所述方法的通用性。
实验结果如表1所示,与无预训练方法(从零开始训练)相比,加载本发明实施例所述方法获取的预训练模型进行网络微调在三个任务上分别获得了4.734%的分类准确率,39mm姿态估计,0.063的人体轮廓生成的性能提升。
表1
图5示出了根据本发明的实施例的无线信号表征预训练模型的训练装置的框图。
如图5所示,无线信号表征预训练模型的训练装置500包括第一获取模块510、获得模块520和第一训练模块530。
第一获取模块510,用于获取N个第一无线信号样本,每个第一无线信号样本对应维度不同的M个无线信号表征信息,其中,N为大于1的整数,M为大于1的整数。
获得模块520,用于针对每个第一无线信号样本,将与第一无线信号样本相关的M个无线信号表征信息分别输入与无线信号表征信息相对应的特征提取模块,得到维度不同的M个特征表征信息;将M个特征表征信息分别输入与特征表征信息相对应的转换器模块,得到维度相同的M个目标特征表征信息;针对M个目标特征表征信息中的第m1个第一目标特征表征信息和其它M-1个第二目标特征表征信息,将第m1个第一目标特征表征信息输入与第m1个第一目标特征表征信息相对应的第m1个预测器模块,得到与M-1个第二目标特征表征信息相对应的M-1个预测特征表征信息,其中,m1为大于等于1且小于等于M的整数。
第一训练模块530,用于根据与N个第一无线信号样本相对应的N×M个目标特征表征信息以及与N个第一无线信号样本相对应的N×M×(M-1)个预测特征表征信息,对特征提取模块、转换器模块和预测器模块进行训练,得到无线信号表征预训练模型。
根据本发明的实施例,第一训练模块包括第一获得单元、第二获得单元和调整单元。
第一获得单元,用于基于第一损失函数,根据N×M×(M-1)个预测特征表征信息以及与每个预测特征表征信息相对应的第二目标特征表征信息,得到第一损失函数值。
第二获得单元,用于基于第二损失函数,根据N×M个目标特征表征信息,得到第二损失函数值。
调整单元,用于根据第一损失函数值和第二损失函数值,调整特征提取模块、转换器模块和预测器模块的模型参数。
根据本发明的实施例,预测器模块的数目为M个。第一获得单元包括第一计算子单元、第二计算子单元和第一确定子单元。
第一计算子单元,用于根据第m2个预测器模块预测得到的第m2’个预测特征表征信息以及与第m2’个预测特征表征信息相对应的第二目标特征表征信息,计算第一距离,其中,m2∈{1,2,…,M-1},m2’∈{1,2,…,M-1},且m2’≠m2。
第二计算子单元,用于根据第m2+1个预测器模块预测得到的第m2’+1个预测特征表征信息以及与第m2’+1个预测特征表征信息相对应的第二目标特征表征信息,计算第二距离。
第一确定子单元,用于基于第一损失函数,根据第一距离和第二距离,确定第一损失函数值。
根据本发明的实施例,转换器模块的数目为M个。第二获得单元包括第二确定子单元、第三确定子单元和第四确定子单元。
第二确定子单元,用于根据第m3个转换器模块转换得到的第n个第三目标特征表征信息和第m3+1个转换器模块转换得到的第n个第四目标特征表征信息,确定正样本对,其中,第三目标特征表征信息对应的第一无线信号样本与第四目标特征表征信息对应的第一无线信号样本相同,m3∈{1,2,…,M-1},n∈{1,2,…,N}。
第三确定子单元,用于根据第m3个转换器模块转换得到的第n个第三目标特征表征信息和第m3+1个转换器模块转换得到的第n’个第五目标特征表征信息,确定负样本对,其中,第三目标特征表征信息对应的第一无线信号样本与第五目标特征表征信息对应的第一无线信号样本不同,n’∈{1,2,…,N},且n’≠n。
第四确定子单元,用于基于第二损失函数,根据正样本对和负样本对,确定第二损失函数值。
根据本发明的实施例,无线信号表征预训练模型的训练装置还包括第一确定模块和存储模块。
第一确定模块,用于针对每个目标特征表征信息,根据目标特征表征信息对应的第一无线信号样本的信息,确定针对目标特征表征信息配置的索引信息。
存储模块,用于对配置有索引信息的N×M个目标特征表征信息进行存储。
根据本发明的实施例,无线信号表征预训练模型的训练装置还包括第二确定模块和更新模块。
第二确定模块,用于针对每个目标特征表征信息,在基于特征提取模块和转换器模块得到与目标特征表征信息相对应的新一轮特征表征信息的情况下,根据新一轮特征表征信息、目标特征表征信息和预定义动量参数,确定更新后特征表征信息。
更新模块,用于将已存储的目标特征表征信息更新为更新后特征表征信息。
根据本发明的实施例,M个无线信号表征信息包括如下中的至少两个:表征第一无线信号样本的到达角-飞行时间的信息、表征第一无线信号样本的通道状态的信息以及表征第一无线信号样本的多普勒平移的信息。
图6示出了根据本发明的实施例的无线感知模型的训练装置的框图。
如图6所示,无线感知模型包括功能模块和基于本发明实施例的无线信号表征预训练模型的训练方法训练得到的无线信号表征预训练模型中的特征提取模块,功能模块设置于特征提取模块之后。无线感知模型的训练装置600包括第二获取模块610和第二训练模块620。
第二获取模块610,用于获取第二无线信号样本。
第二训练模块620,用于利用第二无线信号样本,对特征提取模块和功能模块进行微调训练。
根据本发明的实施例,功能模块包括如下中的任意一项:分类器模块、回归模块和解码器模块。
根据本发明的实施例的模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本发明实施例的模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本发明实施例的模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本发明实施例的模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块510、获得模块520和第一训练模块530,或者中的任意多个可以合并在一个模块/单元/子单元中实现,或者第二获取模块610和第二训练模块620中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本发明的实施例,第一获取模块510、获得模块520和第一训练模块530,或者中的任意多个可以合并在一个模块/单元/子单元中实现,或者第二获取模块610和第二训练模块620中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块510、获得模块520和第一训练模块530,或者中的任意多个可以合并在一个模块/单元/子单元中实现,或者第二获取模块610和第二训练模块620中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本发明的实施例中无线信号表征预训练模型的训练装置部分与本发明的实施例中无线信号表征预训练模型的训练方法部分是相对应的,无线信号表征预训练模型的训练装置部分的描述具体参考无线信号表征预训练模型的训练方法部分,在此不再赘述。
需要说明的是,本发明的实施例中无线感知模型的训练装置部分与本发明的实施例中无线感知模型的训练方法部分是相对应的,无线感知模型的训练装置部分的描述具体参考无线感知模型的训练方法部分,在此不再赘述。
图7示出了根据本发明实施例的适于实现上文描述的方法的计算机系统的框图。图7示出的计算机系统仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,根据本发明实施例的计算机系统700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有系统700操作所需的各种程序和数据。处理器 701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,系统700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
根据本发明的实施例,根据本发明实施例的方法流程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本发明实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本发明实施例所提供的无线信号表征预训练模型的训练方法和无线感知模型的训练方法其中至少之一。
在该计算机程序被处理器701执行时,执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分709被下载和安装,和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (8)
1.一种无线信号表征预训练模型的训练方法,包括:
获取N个第一无线信号样本,每个所述第一无线信号样本对应维度不同的M个无线信号表征信息,其中,N为大于1的整数,M为大于1的整数;
针对每个所述第一无线信号样本,
将与所述第一无线信号样本相关的M个无线信号表征信息分别输入与所述无线信号表征信息相对应的特征提取模块,得到维度不同的M个特征表征信息;
将所述M个特征表征信息分别输入与所述特征表征信息相对应的转换器模块,得到维度相同的M个目标特征表征信息;
针对所述M个目标特征表征信息中的第m1个第一目标特征表征信息和其它M-1个第二目标特征表征信息,将所述第m1个第一目标特征表征信息输入与所述第m1个第一目标特征表征信息相对应的第m1个预测器模块,得到与所述M-1个第二目标特征表征信息相对应的M-1个预测特征表征信息,其中,m1为大于等于1且小于等于M的整数;
根据与所述N个第一无线信号样本相对应的N×M个目标特征表征信息以及与所述N个第一无线信号样本相对应的N×M×(M-1)个预测特征表征信息,对所述特征提取模块、所述转换器模块和所述预测器模块进行训练,得到无线信号表征预训练模型;
其中,所述根据与所述N个第一无线信号样本相对应的N×M个目标特征表征信息以及与所述N个第一无线信号样本相对应的N×M×(M-1)个预测特征表征信息,对所述特征提取模块、所述转换器模块和所述预测器模块进行训练包括:
基于第一损失函数,根据所述N×M×(M-1)个预测特征表征信息以及与每个所述预测特征表征信息相对应的第二目标特征表征信息,得到第一损失函数值;
基于第二损失函数,根据所述N×M个目标特征表征信息,得到第二损失函数值;
根据所述第一损失函数值和所述第二损失函数值,调整所述特征提取模块、所述转换器模块和所述预测器模块的模型参数;
其中,所述转换器模块的数目为M个;所述基于第二损失函数,根据所述N×M个目标特征表征信息,得到第二损失函数值包括:
根据第m3个转换器模块转换得到的第n个第三目标特征表征信息和第m3+1个转换器模块转换得到的第n个第四目标特征表征信息,确定正样本对,其中,所述第三目标特征表征信息对应的第一无线信号样本与所述第四目标特征表征信息对应的第一无线信号样本相同,m3∈{1,2,…,M-1},n∈{1,2,…,N};
根据所述第m3个转换器模块转换得到的第n个第三目标特征表征信息和所述第m3+1个转换器模块转换得到的第n’个第五目标特征表征信息,确定负样本对,其中,所述第三目标特征表征信息对应的第一无线信号样本与所述第五目标特征表征信息对应的第一无线信号样本不同,n’∈{1,2,…,N},且n’≠n;
基于所述第二损失函数,根据所述正样本对和所述负样本对,确定所述第二损失函数值。
2.根据权利要求1所述的方法,其中,所述预测器模块的数目为M个;所述基于第一损失函数,根据所述N×M×(M-1)个预测特征表征信息以及与每个所述预测特征表征信息相对应的第二目标特征表征信息,得到第一损失函数值包括:
根据第m2个预测器模块预测得到的第m2’个预测特征表征信息以及与所述第m2’个预测特征表征信息相对应的第二目标特征表征信息,计算第一距离,其中,m2∈{1,2,…,M-1},m2’∈{1,2,…,M-1},且m2’≠m2;
根据第m2+1个预测器模块预测得到的第m2’+1个预测特征表征信息以及与所述第m2’+1个预测特征表征信息相对应的第二目标特征表征信息,计算第二距离;
基于所述第一损失函数,根据所述第一距离和所述第二距离,确定所述第一损失函数值。
3.根据权利要求1所述的方法,还包括:
针对每个所述目标特征表征信息,根据所述目标特征表征信息对应的第一无线信号样本的信息,确定针对所述目标特征表征信息配置的索引信息;
对配置有索引信息的N×M个目标特征表征信息进行存储。
4.根据权利要求3所述的方法,还包括:
针对每个所述目标特征表征信息,在基于所述特征提取模块和所述转换器模块得到与所述目标特征表征信息相对应的新一轮特征表征信息的情况下,根据所述新一轮特征表征信息、所述目标特征表征信息和预定义动量参数,确定更新后特征表征信息;
将已存储的所述目标特征表征信息更新为所述更新后特征表征信息。
5.根据权利要求1至4中任一项所述的方法,其中,所述M个无线信号表征信息包括如下中的至少两个:表征所述第一无线信号样本的到达角-飞行时间的信息、表征所述第一无线信号样本的通道状态的信息以及表征所述第一无线信号样本的多普勒平移的信息。
6.一种无线感知模型的训练方法,其中,所述无线感知模型包括功能模块和基于权利要求1-5中任一项所述的方法训练得到的无线信号表征预训练模型中的特征提取模块,所述功能模块设置于所述特征提取模块之后,所述方法包括:
利用第二无线信号样本,对所述特征提取模块和所述功能模块进行微调训练。
7.根据权利要求6所述的方法,其中,所述功能模块包括如下中的任意一项:分类器模块、回归模块和解码器模块。
8.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5或6-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087699.0A CN115186720B (zh) | 2022-09-07 | 2022-09-07 | 预训练模型、无线感知模型的训练方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087699.0A CN115186720B (zh) | 2022-09-07 | 2022-09-07 | 预训练模型、无线感知模型的训练方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115186720A CN115186720A (zh) | 2022-10-14 |
CN115186720B true CN115186720B (zh) | 2023-01-06 |
Family
ID=83522721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211087699.0A Active CN115186720B (zh) | 2022-09-07 | 2022-09-07 | 预训练模型、无线感知模型的训练方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186720B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210374570A1 (en) * | 2020-05-26 | 2021-12-02 | Apple Inc. | Subject-aware contrastive learning for biosignals |
JP7494316B2 (ja) * | 2020-06-05 | 2024-06-03 | ディープマインド テクノロジーズ リミテッド | ブートストラッピングされた潜在表現を使用する自己教師付き表現学習 |
CN113239834B (zh) * | 2021-05-20 | 2022-07-15 | 中国科学技术大学 | 一种可预训练手模型感知表征的手语识别系统 |
CN113903031A (zh) * | 2021-09-13 | 2022-01-07 | 昆明理工大学 | 一种基于图卷积和对比学习的跨域语义分割方法 |
CN114093507B (zh) * | 2021-11-26 | 2024-02-13 | 南京邮电大学 | 边缘计算网络中基于对比学习的皮肤病智能分类方法 |
CN114444546B (zh) * | 2022-01-27 | 2024-04-16 | 东南大学 | 一种基于自监督学习的雷达信号分选识别方法 |
CN114612891B (zh) * | 2022-03-09 | 2024-05-28 | 华南理工大学 | 基于对比学习和自适应注意力的图像描述生成方法及介质 |
CN114881105A (zh) * | 2022-03-28 | 2022-08-09 | 华南理工大学 | 基于transformer模型和对比学习的睡眠分期方法及系统 |
CN114972085B (zh) * | 2022-05-16 | 2024-06-04 | 北京理工大学 | 一种基于对比学习的细粒度噪声估计方法和系统 |
-
2022
- 2022-09-07 CN CN202211087699.0A patent/CN115186720B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115186720A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220129731A1 (en) | Method and apparatus for training image recognition model, and method and apparatus for recognizing image | |
US11803747B2 (en) | Device placement optimization with reinforcement learning | |
CN109902186B (zh) | 用于生成神经网络的方法和装置 | |
CN109947919B (zh) | 用于生成文本匹配模型的方法和装置 | |
US20210275918A1 (en) | Unsupervised learning of scene structure for synthetic data generation | |
CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN107609506B (zh) | 用于生成图像的方法和装置 | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
US20230109379A1 (en) | Diffusion-based generative modeling for synthetic data generation systems and applications | |
US11544498B2 (en) | Training neural networks using consistency measures | |
CN115004251A (zh) | 未标记数据的场景图生成 | |
CN114266347A (zh) | 神经网络的无监督域适应 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
US20220129740A1 (en) | Convolutional neural networks with soft kernel selection | |
WO2020236596A1 (en) | Motion prediction using one or more neural networks | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
US20240005604A1 (en) | Synthesizing three-dimensional shapes using latent diffusion models in content generation systems and applications | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN116258657A (zh) | 模型训练方法、图像处理方法、装置、介质及电子设备 | |
CN115757692A (zh) | 一种数据处理方法及其装置 | |
CN115186720B (zh) | 预训练模型、无线感知模型的训练方法及电子设备 | |
CN115795025A (zh) | 一种摘要生成方法及其相关设备 | |
CN113780534B (zh) | 网络模型的压缩方法、图像生成方法、装置、设备及介质 | |
CN115830001A (zh) | 肠道图像处理方法、装置、存储介质及电子设备 |
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 |