CN116975677A - 动态谱信号识别方法、装置、电子设备及存储介质 - Google Patents
动态谱信号识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116975677A CN116975677A CN202211474888.3A CN202211474888A CN116975677A CN 116975677 A CN116975677 A CN 116975677A CN 202211474888 A CN202211474888 A CN 202211474888A CN 116975677 A CN116975677 A CN 116975677A
- Authority
- CN
- China
- Prior art keywords
- signal
- sample
- dynamic spectrum
- classification model
- spectrum signal
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 304
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 128
- 238000012549 training Methods 0.000 claims description 105
- 230000004927 fusion Effects 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 6
- 238000003491 array Methods 0.000 description 5
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例公开了一种动态谱信号识别方法、装置、电子设备及存储介质,本申请涉及地图、智能交通、人工智能等领域。该方法包括:获取待识别的动态谱信号,动态谱信号具备时间维度和频率维度;沿时间维度对动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块;将信号块分别输入到信号分类模型,得到动态谱信号针对单脉冲信号类型的置信度;当置信度达到预设阈值时,将单脉冲信号类型作为动态谱信号的信号类型。通过对动态谱信号的分割,使得模型能够处理同一分辨率的信号块,提升模型分类的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及一种动态谱信号识别方法、装置、电子设备及存储介质。
背景技术
随着天文物理与射电信号技术的发展,越来越多的宇宙信号能够被部署在世界各个区域的射电天文望远镜所观测记录,这些信号能够帮助天文工作者对宇宙的研究,具备重大科研意义。
而随着灵敏度以及观测范围的提高,天文望远镜所能接收到的数据量也随之爆发式增长,处理这些数据,往往意味着需要从较大数据容量中筛选出期望的信号,由于数据量较大,增大了筛选判断的效率和难度。
发明内容
本申请实施例提供一种动态谱信号识别方法、装置、电子设备及存储介质,可以提升动态谱信号识别的效率和准确性。
第一方面,本申请实施例提供了一种动态谱信号识别方法,包括:
获取待识别的动态谱信号,所述动态谱信号具备时间维度和频率维度;
沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块;
将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度;
当所述置信度达到预设阈值时,将所述单脉冲信号类型作为所述动态谱信号的信号类型。
第二方面,本申请实施例还提供了一种动态谱信号识别装置,包括:
获取模块,用于获取待识别的动态谱信号,所述动态谱信号具备时间维度和频率维度;
处理模块,用于沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块;
分析模块,用于将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度;
确定模块,用于当所述置信度达到预设阈值时,将所述单脉冲信号类型作为所述动态谱信号的信号类型。
其中,在本申请的一些实施例中,信号分类模型包括判别网络和融合网络,分析模块包括:
判别单元,用于将所述信号块分别输入到所述判别网络,得到每个信号块针对单脉冲信号类型的局部置信度;
融合单元,用于将各个所述局部置信度输入到所述融合网络,得到综合置信度;
确定单元,用于将所述综合置信度作为所述动态谱信号针对所述单脉冲信号类型的置信度。
其中,在本申请的一些实施例中,判别网络包括卷积层和判别层,判别单元包括:
提取子单元,用于针对每个信号块,将所述信号块输入到所述卷积层,得到所述信号块对应的块信号特征信息;
判别子单元,用于将所述块信号特征信息输入到所述判别层,得到所述信号块针对所述单脉冲信号类型的局部置信度。
其中,在本申请的一些实施例中,该装置还包括训练模块,训练模块包括:
获取单元,用于获取样本训练数据和样本信号分类模型,所述样本训练数据包括样本动态谱信号以及所述样本动态谱信号对应的样本信号类型,所述样本信号分类模型为所述信号分类模型在训练前对应的模型;
分割单元,用于将所述样本动态谱信号沿时间维度按照所述预设尺寸阈值进行分割,得到频率维度相同的若干样本信号块;
第一输入单元,用于针对每个所述样本信号块,将所述样本信号块输入到所述样本信号分类模型的判别网络,得到所述样本信号块针对每个所述样本信号类型的样本局部置信度;
第二输入单元,用于将各个所述样本局部置信度输入到所述样本信号分类模型的融合网络,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度;
训练单元,用于根据所述样本综合置信度以及所述样本动态谱信号的样本信号类型,对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,在本申请的一些实施例中,训练单元包括:
基准损失确定子单元,用于根据所述样本综合置信度和所述样本动态谱信号的样本信号类型,确定基准损失;
训练子单元,用于根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,在本申请的一些实施例中,训练单元还包括:
正负样本确定子单元,用于根据所述样本信号类型从所述样本训练数据中确定正样本和负样本;
块级损失确定子单元,用于针对负样本的每个样本信号块,根据所述样本信号块针对每个所述预设信号类型的样本局部置信度,以及所述样本信号块所属的样本信号类型,确定所述样本信号块的块级损失;
样本级损失确定子单元,用于针对所述负样本,根据所述负样本中各个样本信号块的块级损失确定所述负样本的样本级损失;
训练子单元具体用于:
当所述样本训练数据为正样本时,根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型;
当所述样本训练数据为负样本时,根据所述基准损失和所述样本级损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,在本申请的一些实施例中,第二输入单元包括:
第一输入子单元,用于将各个所述样本局部置信度输入到所述判定层,得到各个样本局部置信度对应的样本融合权重;
第二输入子单元,用于将各个所述样本局部置信度和各个所述样本融合权重输入到所述融合层,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度。
其中,在本申请的一些实施例中,训练单元包括:
融合损失确定子单元,用于根据各个所述样本融合权重的分布的熵,确定融合损失;
基准损失确定子单元,用于根据所述样本综合置信度和所述样本动态谱信号的样本信号类型,确定基准损失;
训练子单元,用于根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
第三方面,本申请实施例还提供了一种电子设备,电子设备包括存储器、处理器及存储在存储器中并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述的动态谱信号识别方法中的步骤。
第四方面,本申请实施例还提供了一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的动态谱信号识别方法中的步骤。
第五方面,本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例所述的各种可选实现方式中提供的方法。
其中,本申请实施例获取待识别的动态谱信号,该动态谱信号具备时间维度和频率维度,沿时间维度对动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块,将信号块分别输入到信号分类模型,得到动态谱信号针对单脉冲信号类型的置信度,当置信度达到预设阈值时,将单脉冲信号类型作为动态谱信号的信号类型。其中,由于动态谱信号是频率观测区间相对固定、但是时间观测范围随着观测天区变化的信号,因此,在本申请实施例中,基于时间维度对动态谱信号进行分割,使得分割后的每个信号块的时间维度对应的宽度是相同的,即每个信号块对应的分辨率是相同的,而模型在基于同一分辨率的信号块进行分析时,能够提升模型对各个信号块分析的准确性,进而提升动态谱信号识别的准确性。其中,通过模型去分析每个动态谱信号对应的信号类型,相较于相关技术中穷举搜索或者人工筛选的方式,能够提升动态谱信号识别的效率。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的动态谱信号为单脉冲信号的图例示意图;
图2是本申请实施例提供的动态谱信号不是单脉冲信号的图例示意图;
图3是本申请实施例提供的动态谱信号识别方法的场景示意图;
图4是本申请实施例提供的动态谱信号识别方法的流程示意图;
图5是本申请实施例提供的动态谱信号识别方法的另一流程示意图;
图6是本申请实施例提供的样本信号分类模型训练的流程示意图;
图7是本申请实施例提供的样本信号分类模型训练过程的简化流程示意图;
图8是本申请实施例提供的基于动态谱信号识别方法得到的实验结果示意图;
图9是本申请实施例提供的动态谱信号识别装置的结构示意图;
图10是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着天文物理与射电信号技术的发展,越来越多的宇宙信号能够被部署在世界各个区域的射电天文望远镜所观测记录,其中,作为当今世界最大,灵敏度最高的单口径射电天文望远镜,Five-hundered-meter Aperture Spherical Radio,简称FAST天文望远镜,能够接收到数万光年外的电磁辐射号,这些信号能够帮助天文工作者发现宇宙中据有重大科研意义的天体。
与此同时,随着灵敏度以及观测范围的提高,FAST天文望远镜每日接收到的数据量也随之爆发式增长,处理这些数据,意味着需要从太级(TB)的数据容量中挑选出地外天体发射的电磁信号,为此大规模的计算机数据处理以及人工智能辅助天体判别系统被设计出用以辅助快速寻找地外脉冲星。
目前,已有一些人工智能辅助系统部署于天体观测现场,但是,这些辅助系统主要用于周期性的脉冲信号判别,而对于动态谱信号的判别和搜索,目前尚未有完整的基于人工智能技术的解决方案,仍然依赖于单脉冲信号的动态谱图像进行特征拟合进行筛选,导致大量的误报和二次观测的时间成本,
具体的,目前主流的单脉冲动态谱信号判别流程主要通过穷举+搜索的方式进行判别。首先天体信号处理软件将FAST天文望远镜观测记录的信号处理为如图1、图2中所示的二维动态谱信号阵列,其中,图1是本申请实施例提供的动态谱信号为单脉冲信号的图例示意图,其中,图1中黑色框中为单脉冲信号图样,图2是本申请实施例提供的动态谱信号不是单脉冲信号的图例示意图。其中,对该阵列进行归一化,消色散过程后,以固定的时间窗口大小,滑动地获取该阵列的一个子区域,对子区域中的信号点做洛伦兹拟合,如果拟合精度高于设定阈值,且子区域内信号强度的均值高于设定阈值,则认为该信号为疑似的单脉冲信号候选样本,并交由下游的二次观测进行辅助判断。此外,还有一些其他方案直接将二维的动态谱信号进行重采样(resize)形变后送入人工智能模型进行训练,训练后用于相同二维信号的判别。
但是,基于洛伦兹拟合的方法设计到许多需要手工调整的拟合参数,对于不同的信号形态拟合能力不一,当拟合精度阈值过高时容易漏失真实的正样本脉冲信号,当阈值过低会造成大量的误报,增加下游的二次复核的时间成本和压力;同时,方案本身依赖于滑动窗逐段进行拟合,运行效率底下。另一方面,直接将动态谱的二维阵列看作图像输入人工智能模型一定程度上能够利用深度模型较强的拟合能力来覆盖不同的信号形态,增强对样本判别的泛化能力,同时,可以使用现有的图像处理器(GPU,graphics processing unit)框架对人工智能模型进行加速,但是,由于动态谱信号不同于周期性信号,动态谱信号的频率观测区间相对固定,而时间观测范围随着观测天区是变化的,例如,在0.1s-10s的范围内不断变化,当采用相同的时间采样长度时(例如100us采样一次),不同观测信号的时间维度分辨率会有很大的的动态变化,这种大范围的分辨率变化对于深度模型的拟合能力提出了很大的挑战,因此,当输入的二维阵列在时间维度上跨度较大,直接对原始阵列进行重采样会造成严重的信号失真,导致训练的人工智能模型倾向于拟合失真形态的信号,造成漏失和误报。
基于上述现状,本申请实施例提供一种动态谱信号识别方法、装置、电子设备及存储介质。其中,通过对动态谱信号的处理,使得模型在处理动态谱信号时,不需要对动态谱信号进行重采样,避免信号的失真,提升动态谱信号识别的准确性。具体的,本申请实施例提供适用于电子设备的动态谱信号识别方法,其中,电子设备包括终端或者服务器,其中,终端包括但不限于计算机、手机或者天文望远镜等设备,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content Delivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器,服务器可以通过有线或无线通信方式进行直接或间接地连接。
其中,在本申请实施例中,可以由终端设备单独执行该动态谱信号识别方法,也可以由服务器单独执行该动态谱信号识别方法,或者由终端设备和服务器共同执行该动态谱信号识别方法,请参阅图3,以终端设备和服务器共同执行动态谱信号识别方法为例,其中,动态谱信号识别方法的具体执行过程如下:
终端设备10在获取到动态谱信号后,将该动态谱信号发送给服务器11,由服务器11对该动态谱信号进行识别分析,具体的:
服务器11在获取到该动态谱信号后,将该动态谱信号沿时间维度进行预设尺寸阈值的分割,得到频率维度相同的若干信号块,随后,将该若干信号块分别输入到信号分类模型,得到动态谱信号针对待脉冲信号类型的置信度,当该置信度达到预设阈值时,将单脉冲信号类型作为该动态谱信号的信号类型。
其中,在本申请实施例中,终端设备可以直接观测得到动态谱信号,如该终端设备可以为天文望远镜,也可以接收其他终端设备发送的动态谱信号,例如,接收天文望远镜观测到的动态谱信号。
其中,本申请实施例提供的动态谱信号识别方法涉及人工智能领域中的机器学习。本申请实施例可以提高动态谱信号识别的效率以及准确度。
其中,人工智能(AI,Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。其中,人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等方向。
其中,机器学习(ML,Machine Learning,)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
例如,在本申请实施例中,根据信号分类模型对动态谱信号在分割后的信号块进行识别处理,得到动态谱信号针对单脉冲信号类型的置信度;其中,该信号分类模型可以通过样本数据训练得到。
其中,本申请实施例获取待识别的动态谱信号,该动态谱信号具备时间维度和频率维度,沿时间维度对动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块,将信号块分别输入到信号分类模型,得到动态谱信号针对单脉冲信号类型的置信度,当置信度达到预设阈值时,将单脉冲信号类型作为动态谱信号的信号类型。其中,由于动态谱信号是频率观测区间相对固定、但是时间观测范围随着观测天区变化的信号,因此,在本申请实施例中,基于时间维度对动态谱信号进行分割,使得分割后的每个信号块的时间维度对应的宽度是相同的,即每个信号块对应的分辨率是相同的,而模型在基于同一分辨率的信号块进行分析时,能够提升模型对各个信号块分析的准确性,进而提升动态谱信号识别的准确性。其中,通过模型去分析每个动态谱信号对应的信号类型,相较于相关技术中穷举搜索或者人工筛选的方式,能够提升动态谱信号识别的效率。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优先顺序的限定。
请参阅图4,图4为本申请实施例提供的动态谱信号识别方法的流程示意图。该动态谱信号识别方法的具体流程可以如下:
101、获取待识别的动态谱信号,所述动态谱信号具备时间维度和频率维度。
其中,在本申请实施例中,动态谱信号是电磁信号在处理后的信号,例如,电磁信号经过消色散、去干扰、归一化得到数据阵列,该数据阵列即为动态谱信号。
其中,在本申请实施例中,动态谱信号具备频率维度和时间维度,基于频率维度和时间维度有利于对动态谱信号进行识别。
其中,在本申请实施例中,电磁信号由宇宙中的天体发射,被天文望远镜接收得到,该电磁信号主要指射电波段的信号。
其中,在本申请实施例中,天文望远镜是观测天体、捕捉天体信息的主要工具,例如,Five-hundered-meter Aperture Spherical Radio,该天文望远镜是当今世界最大、灵敏度最高的单口径射电天文望远镜,简称FAST天文望远镜。
其中,由于动态谱信号是宇宙中天体发射的信号在转换后得到的,因此,通过获取动态谱信号,便于根据动态谱信号进行与宇宙相关的科学研究,例如,通过对动态谱信号的频率维度和时间维度的分析,便于识别出该动态谱信号所属的信号类型,进而可以识别到发射该动态谱信号对应的电磁信号的天体的天体类型。
102、沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块。
其中,在本申请实施例中,对动态谱信号的分割可以理解为将动态谱信号对应的数据阵列划分为多个小的子数据阵列,每个子数据阵列对应一个信号块,该信号块具备频率维度相同、时间维度方向上宽度相同的特点,即,当将该动态谱信号对应的数据阵列看做是一个图片时,则各个信号块则为该图片对应的子图片(图片的一小部分图片),且该各个子图片的长度和宽度相同,即各个信号块对应的分辨率相同。
其中,由于动态谱信号是频率观测区间相对固定,而时间观测范围随着观测天区变化的信号,因此,不同动态谱信号对应的时间维度的宽度不同,即动态谱信号对应的阵列的分辨率不同,因此,如果直接对动态谱信号对应的数字阵列进行重采样会造成严重的信号失真,导致训练的人工智能模型倾向于拟合失真形态的信号,造成漏失和误报。
因此,在本申请实施例中,通过预设尺寸阈值对动态谱信号的分割,得到若干信号块,使得每个信号块表现为分辨率相同,便于模型对各个信号块的识别分析,相较于相关技术中对动态谱信号的重采样,本申请实施例并未破坏动态谱信号在时间维度和频率维度的数据,提升模型预测的准确性。
其中,在本申请实施例中,由于动态谱信号是对天文望远镜接收到的信号进行处理后得到的数据阵列,因此,不同动态谱信号在处理后的数据阵列的时间维度不同,以及,在对动态谱信号进行分割后,由于尺寸的选取难以满足所有的动态谱信号的时间维度,因此,存在分割后信号块的时间维度宽度未达到预设尺寸阈值的需求,因此,在本申请实施例中,为了让信号分类模型能够处理频率维度相同,时间维度的宽度相同(即相应的图片的分辨率相同)的信号块,在本申请实施例中,还可以对分割后尺寸不满足需求的信号块进行补齐,即,可选的,在本申请的一些实施例中,步骤“沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块”,包括:
沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干参考信号块;
当所述参考信号块在时间维度方向上的尺寸未达到所述预设尺寸阈值时,沿所述时间维度方向对所述参考信号块进行补齐,得到补齐后参考信号块;
将所述尺寸满足所述预设尺寸阈值的参考信号块和所述补齐后参考信号块分别作为信号块。
其中,对参考信号块的补齐可以通过在时间维度方向上补零的方式实现。使得每个信号块在时间维度方向上的宽度相同,确保每个信号块在被当作图片处理时,能够具备相同的分辨率。
103、将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度。
其中,在本申请实施例中,信号分类模型是机器学习模型,也可以理解为人工智能模型,通过对各个信号块的分析,便于得到动态谱信号针对单脉冲信号类型的置信度,而通过该置信度的获取,便于根据该置信度判断该动态谱信号是否属于单脉冲信号。
其中,在本申请实施例中,动态谱信号针对单脉冲信号类型的置信度,可以通过各个信号块针对单脉冲信号类型的置信度进行综合得到,例如,在本申请实施例中,可以分别得到每个信号块针对单脉冲信号类型的置信度,进而根据各个置信度的综合结果,得到动态谱信号针对单脉冲信号类型的置信度,即,可选的,在本申请的一些实施例中,信号分类模型包括判别网络和融合网络,步骤“将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度”,包括:
将所述信号块分别输入到所述判别网络,得到每个信号块针对单脉冲信号类型的局部置信度;
将各个所述局部置信度输入到所述融合网络,得到综合置信度;
将所述综合置信度作为所述动态谱信号针对所述单脉冲信号类型的置信度。
其中,在本申请实施例中,信号分类模型主要由判别网络和融合网络组成,其中,判别网络主要用于得到每个输入的信号块对应单脉冲信号类型的局部置信度,而融合网络用于将同属于同一个动态谱信号的多个信号块的局部置信度进行融合,得到动态谱信号针对单脉冲信号类型的整体的置信度。
其中,在本申请实施例中,在判别网络对输入的信号块进行分析,得到信号块针对单脉冲信号类型的局部置信度时,可以通过卷积网络得到每个信号块的块信号特征,然后基于该块信号特征得到该信号块针对单脉冲信号类型的置信度,即,可选的,在本申请的一些实施例中,判别网络包括卷积层和判别层,步骤“将所述信号块分别输入到所述判别网络,得到每个信号块针对单脉冲信号类型的局部置信度”,包括:
针对每个信号块,将所述信号块输入到所述卷积层,得到所述信号块对应的块信号特征信息;
将所述块信号特征信息输入到所述判别层,得到所述信号块针对所述单脉冲信号类型的局部置信度。
其中,在本申请实施例中,卷积层用于将输入的信号块看作图片,然后对该图片提取特征,得到该信号块对应的块信号特征信息;判别层用于对该块信号特征信息进行判别,得到该块信号特征信息针对单脉冲信号类型的局部置信度。
其中,在本申请实施例中,对信号网络模型各个网络层的具体算法不做限定。
其中,在本申请实施例中,由判别网络和融合网络组成的信号分类模型可以通过样本数据训练的方式得到,即,可选的,在本申请的一些实施例中,步骤“获取待识别的动态谱信号”之前,该方法还包括:
获取样本训练数据和样本信号分类模型,所述样本训练数据包括样本动态谱信号以及所述样本动态谱信号对应的样本信号类型,所述样本信号分类模型为所述信号分类模型在训练前对应的模型;
将所述样本动态谱信号沿时间维度按照所述预设尺寸阈值进行分割,得到频率维度相同的若干样本信号块;
针对每个所述样本信号块,将所述样本信号块输入到所述样本信号分类模型的判别网络,得到所述样本信号块针对每个所述样本信号类型的样本局部置信度;
将各个所述样本局部置信度输入到所述样本信号分类模型的融合网络,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度;
根据所述样本综合置信度以及所述样本动态谱信号的样本信号类型,对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,通过样本训练数据对样本信号分类模型的训练,以期望获取到样本信号分类模型在训练后的信号分类模型,通过预设尺寸阈值对样本动态谱信号进行分割,使得模型在训练和实际分类时能够针对相同时间维度宽度的信号块,提升信号块分类的准确性。
其中,通过样本综合置信度和样本动态谱信号的样本信号类型对样本信号分类模型的训练,提升模型分类的准确性。
其中,在本申请实施例中,在根据样本综合置信度和样本动态谱信号的样本信号类型对样本信号分类模型进行训练时,可以根据样本综合置信度和样本动态谱信号的样本信号类型确定损失,基于该损失对模型进行训练,即,可选的,在本申请的一些实施例中,步骤“根据所述样本综合置信度以及所述样本动态谱信号对应的样本信号类型,对所述样本信号分类模型进行训练,得到训练后的信号分类模型”,包括:
根据所述样本综合置信度和所述样本动态谱信号的样本信号类型,确定基准损失;
根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,在本申请实施例中,可以根据样本综合置信度与样本信号类型的差异得到相应的基准损失。
其中,通过模型在训练过程中的分类情况与样本数据的实际类型确定损失,便于基于该损失对模型进行训练,使得训练后的模型的分类结果与信号的实际分类结果更接近。
其中,在本申请实施例中,针对分割后的信号块,每个信号块由于其包含单脉冲信号类型特征与否的情况,每个信号块所对应的信号类型不同(在本申请实施例中主要指单脉冲信号类型和非单脉冲信号类型),具体如下:
当样本动态谱信号为单脉冲信号类型时,则动态谱信号对应的数据阵列中包含有单脉冲信号类型的特征(如图1中框选中的部分,数据阵列中存在飘逸斜线),然而,由于数据阵列中仅有一小部分存在该特征,因此,在动态谱信号分割为多个信号块时,每个信号块存在包含该特征的情况,也存在不包含该特征的情况,即,针对单脉冲信号类型的动态谱信号,在分割后的信号块中,每个信号块可能为单脉冲信号类型,也可能不是单脉冲信号类型;
当样本动态谱信号为非单脉冲信号类型时,则动态谱信号对应的数据阵列中不包含有单脉冲信号类型的特征(如图2中,数据阵列中不存在飘逸斜线),因此,在动态谱信号分割后的每个信号块中,由于不存在任何一个信号块包含单脉冲信号类型的特征,相应的,针对单脉冲信号类型的动态谱信号,在分割后的信号块中,每个信号块均不是单脉冲信号类型。
因此,基于上述情况,可以添加针对负样本的损失,以增加模型训练后预测结果的准确性,即,可选的,在本申请的一些实施例中,步骤“根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型”之前,该方法还包括:
根据所述样本信号类型从所述样本训练数据中确定正样本和负样本;
针对负样本的每个样本信号块,根据所述样本信号块针对每个所述预设信号类型的样本局部置信度,以及所述样本信号块所属的样本信号类型,确定所述样本信号块的块级损失;
针对所述负样本,根据所述负样本中各个样本信号块的块级损失确定所述负样本的样本级损失。
其中,在本申请实施例中,针对负样本的损失,由于明确负样本中每个信号块均为非单脉冲信号,因此,可以根据负样本通过模型的分类结果和实际结果计算得到相应的损失。
其中,在本申请实施例中,可以根据各个信号块的块级损失的均值,来得到对应的负样本的样本级损失。
其中,在本申请实施例中,为了提升模型分类的准确性,在针对基于该负样本进行模型的训练时,可以将该损失加入到训练的过程中,以提升模型预测的准确性,即,可选的,在本申请的一些实施例中,步骤“根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型”,包括:
当所述样本训练数据为正样本时,根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型;
当所述样本训练数据为负样本时,根据所述基准损失和所述样本级损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,由于正样本在分割后,对每个信号块是否属于单脉冲信号类型的分析存在耗时和人工判断不准确的情况,而负样本的每个信号块均可直接明确为非单脉冲信号,因此,在针对负样本对模型进行训练时,根据负样本每个信号块的实际类型和模型分类结果得到该信号块的损失,基于该损失对模型进行训练,可以提升模型在训练后分类结果的准确性。
其中,在本申请实施例中,在多个信号块的样本局部置信度进行融合时,可以通过权重的方式进行融合,即,可选的,在本申请的一些实施例中,融合网络包括判定层和融合层,步骤“将各个所述样本局部置信度输入到所述样本信号分类模型的融合网络,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度”,包括:
将各个所述样本局部置信度输入到所述判定层,得到各个样本局部置信度对应的样本融合权重;
将各个所述样本局部置信度和各个所述样本融合权重输入到所述融合层,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度。
其中,通过样本融合权重对各个样本局部置信度进行融合,提升样本综合置信度的准确性。
其中,在本申请实施例中,可以在产生的融合权重上添加一个稀疏性的约束,让融合具有选择性,即,可选的,在本申请的一些实施例中,步骤“根据所述样本综合置信度以及所述样本动态谱信号对应的样本信号类型,对所述样本信号分类模型进行训练,得到训练后的信号分类模型”,包括:
根据各个所述样本融合权重的分布的熵,确定融合损失;
根据所述样本综合置信度和所述样本动态谱信号的样本信号类型,确定基准损失;
根据所述基准损失、所述融合损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,熵反映数据(如本方案中的样本融合权重)的分布情况,熵越小,代表概率分布越尖锐,越倾向于少量的几个选择;反之,熵越大,概率分布越平滑,当概率分布为均匀分布的时候,熵最大,此时每一个数据块的贡献度(样本融合权重)相同。
其中,请参阅图1所示,在对动态谱信号进行切割后,有效信号往往只会存在1-2个分割的信号块中,而如果过分考虑不存在有效信号的信号块,则影响模型的训练,致使模型在训练后难以达到良好的识别性能。
而本申请实施例通过对样本融合权重的稀疏性约束,相当于增大了部分样本局部置信度对应的融合权重,也就是不同信号块的融合权重不会都特别接近,而是某几个比较大,另外的多数都比较小,使得置信度在融合时能够主要集中在某一两个信号块上,而其他信号块的融合权重尽可能小,提升样本综合置信度计算的准确性,进一步提升训练后模型的识别性能。
104、当所述置信度达到预设阈值时,将所述单脉冲信号类型作为所述动态谱信号的信号类型。
其中,在本申请实施例中,预设阈值可以根据实际需要设置,或者,在本申请实施例中,还可以将置信度最高的信号类型作为动态谱信号的信号类型。
其中,当置信度满足预设阈值需求时,可以将单脉冲信号类型作为动态谱信号对应的信号类型。
相应的,在本申请实施例中,当分析出动态谱信号为单脉冲信号类型时,可以将发射电磁信号(动态谱信号对应的信号)的天体作为待搜索的脉冲星,即,可选的,在本申请的一些实施例中,步骤“当所述置信度达到预设阈值时,将所述单脉冲信号类型作为所述动态谱信号的信号类型”之后,该方法还包括:
当所述动态谱信号为单脉冲信号类型时,将发射所述动态谱信号的天体标记为脉冲星。
其中,通过分析天体发射的信号,并在确定该信号的类型时,可以实现对发射该信号的天体的识别,基于该分析识别,有利于辅助科研工作者对宇宙天体的识别和探索。
其中,本申请实施例获取待识别的动态谱信号,该动态谱信号具备时间维度和频率维度,沿时间维度对动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块,将信号块分别输入到信号分类模型,得到动态谱信号针对单脉冲信号类型的置信度,当置信度达到预设阈值时,将单脉冲信号类型作为动态谱信号的信号类型。其中,由于动态谱信号是频率观测区间相对固定、但是时间观测范围随着观测天区变化的信号,因此,在本申请实施例中,基于时间维度对动态谱信号进行分割,使得分割后的每个信号块的时间维度对应的宽度是相同的,即每个信号块对应的分辨率是相同的,而模型在基于同一分辨率的信号块进行分析时,能够提升模型对各个信号块分析的准确性,进而提升动态谱信号识别的准确性。其中,通过模型去分析每个动态谱信号对应的信号类型,相较于相关技术中穷举搜索或者人工筛选的方式,能够提升动态谱信号识别的效率。
请参阅图5,图5是本申请实施例提供的动态谱信号识别方法的另一流程示意图,其中,该动态谱信号识别的流程具体包括:
201、获取天文望远镜观测记录到的电磁信号;
其中,天文望远镜是观测天体、捕捉天体信息的主要工具,天文望远镜通过观测捕捉宇宙中中天体发射的信号,便于对宇宙中的天体进行分析。
202、对该电磁信号进行预处理,得到动态谱信号;
其中,在本申请实施例中,对电磁信号的预处理包括对信号的消色散、去干扰、归一化等,通过对电磁信号的处理,得到相应的数据阵列,该数据阵列即为动态谱信号。
203、将该动态谱信号进行预设尺寸阈值的分割,得到若干信号块;
其中,在本申请实施例中,根据预设尺寸阈值对动态谱信号的分割,使得到的每个信号块的频率维度相同、时间维度的宽度相同,即,当动态谱信号被看作是图片时,则分割后的各个信号块具备相同的长度和宽度(分辨率相同)。
例如,针对竖直方向以频率维度表示、水平方向以时间维度表示的动态谱信号,该动态谱信号对应的数据阵列x∈RH*W,本方案的切割模块对该数据以固定宽度Ws进行水平切割,得到多个数据块(信号块)构成的词袋Bag(x;Ws),表示为:
其中,k表示第k个数据块(信号块),比如,数据块x_k,预测分数s_k,融合系数alpha_k等等,若切割的最后一个信号块宽度不足Ws,则对该信号块水平方向补0填充至宽度Ws;通过这种切分方式,将原始数据阵列切割为[W/Ws]个据有相同宽度Ws信号块该操作全程使用水平方向切割,并未对阵列数据重采样,因此每个数据块内保留原始数据的形态,不会出现形变问题。
204、将若干信号块分别输入到训练后的信号分类模型中,得到动态谱信号针对每个预设信号类型的置信度;
其中,将构造好的词袋Bag(x;Ws)中的信号块(数据块)逐个送入深度神经网络CNN(信号分类模型)的判别网络,进行特征提取和判别打分(针对每种信号类型的局部置信度),获得各个信号块的特征和分数信息。例如,sk=D(fk;θD),其中,F(·;θF)表示特征提取器,它将输入的二维数据块通过卷积和池化操作变换为长度为d的特征描述向量fk∈Rd,而D(·k;θD)表示判别器,将输入的特征描述向量通过线性变化判别为长度为2的置信度向量,分别表示负样本和正样本的归一化置信度sk∈[0,1]2;θF,θD分别表示两个模块的可学习参数。
其中,在得到动态谱信号的各个信号块的局部置信度后,可以通过信号分类模型的融合网络,对各个局部置信度进行融合,得到动态谱信号针对各个信号类型的置信度。例如,融合网络可以表示为:
其中,k和j分别表示第k个或第j个数据块,比如,数据x_k,预测分数s_k,融合系数alpha_k等等,β为模块的可学习参数,通过该融合模块,我们可以基于学习到的基准向量特征/>对不同数据块的贡献度进行评估,利用评估得分αk对数据块的打分进行重新加权得到原始数据的分数s∈R2。
其中,在本申请实施例中,基于相似度的分数融合模块可以替换为其他的据有聚合、规约功能的函数模块,如均值平均,极大值,全局动量更新等融合函数。
其中,在本申请实施例中,融合网络基于注意力机制构建,将各个数据块的分数进行融合,使用融合后的分数作为原始动态谱信号(原始图像)x的分数。
205、根据置信度的大小,判断该动态谱信号是否属于单脉冲信号类型,当属于单脉冲信号类型时,执行步骤206;
其中,在本申请实施例中,可以通过置信度是否满足预设阈值来判断动态谱信号所属的信号类型。
206、将发射该动态谱信号对应的电磁信号的天体标记为脉冲星。
其中,通过识别动态谱信号的类型,可以识别出发射该动态谱信号对应的电磁信号的天体的类型,例如,当动态谱信号为单脉冲信号时,将发射该电磁信号的天体标记为脉冲星。
其中,通过对天体发射的信号的识别,便于对发射该信号的天体的识别,当识别出相应的天体后,便于天文工作者对宇宙的探索和研究。通过信息分类模型对分割后的分辨率相同的信息块进行分类处理,使得针对不同的动态谱信号,信号分类模型均可以处理相同分辨率的信息块,避免对动态谱信号进行重采样,提升了模型分类结果的准确性。
其中,请参阅图6,图6是本申请实施例提供的样本信号分类模型训练的流程示意图,其中,该训练的流程包括:
211、获取样本电磁信号,以及所述样本电磁信号对应的样本信号类型,该样本信号类型包括单脉冲信号类型和非单脉冲信号类型;
212、将电磁信号进行预处理,得到对应的样本动态谱信号;
其中,将带有正负标签的训练数据集表示为集合Dt={(x,y)},其中,x∈RH*W表示高为H,宽为W的二维数据阵列,其高H的物理意义为频率通道数,宽W的物理意义为时间分辨率;每个样本对应一个标签y∈{0,1},y=0表示该样本为负样本,y=1表示该样本为正样本脉冲星信号。
213、将样本动态谱信号沿时间维度按照预设尺寸阈值进行分割,得到频率维度相同的若干样本信号块;
其中,请参阅图7,图7是本申请实施例提供的样本信号分类模型训练过程的简化流程示意图,其中,将样本动态谱信号A分割为一个词袋B,该词袋中包含有多个样本信号块。
214、针对每个样本信号块,将该样本信号块输入到样本信号分类模型的卷积层,得到样本块信号特征信息;
其中,请参阅图7,将词袋中的各个样本信号块分别输入到样本信号分类模型的判别网络C的卷积层,得到每个样本信号块的样本块信号特征信息。
215、将该样本块信号特征信息输入到样本信号分类模型的判别层,得到样本信号块针对各个样本信号类型的样本局部置信度;
其中,请参阅图7,将各个样本信号块的样本块信号特征信息输入到判别网络C的判别层,得到样本信号块针对每个样本信号类型的样本局部置信度。
216、针对每个样本动态谱信号,将该样本动态谱信号对应的各个样本信号块的样本局部置信度输入到融合网络D的判定层和融合层,得到样本动态谱信号针对各个样本信号类型的样本置信度;
其中,在本申请实施例中,融合网络可以表示为:
其中,k和j分别表示第k个或第j个数据块,比如,数据x_k,预测分数s_k,融合系数alpha_k等等,β为模块的可学习参数,通过该融合模块,我们可以基于学习到的基准向量特征/>对不同数据块的贡献度进行评估,利用评估得分αk对数据块的打分进行重新加权得到原始数据的分数s∈R2
其中,请参阅图7,将各个样本局部置信度输入到融合网络,得到样本动态谱信号针对各个样本信号类型的样本置信度。
217、根据样本信号类型判断样本动态谱信号是否为正样本,如果是,则执行步骤218,如果否,则执行步骤220;
其中,输入的原始数据为{(x,y)},y的取值只能表示原始的数据x是否为正负样本,当x被切割为数据块后,存在两种情况:
1、x为正样本,即y=1时:由于只有数据阵列x中一小部分据有正样本特征(漂移斜线),因此从x划分的数据块x~k即有可能为正样本,也有可能为负样本。
2、x为负样本,即y=0时:由于原始数据阵列x中不存在正样本特征(漂移斜线),因此从x划分的数据块x~k一定是负样本。
因此,如图7所示,针对正样本和负样本,分别计算其相应的损失。
218、根据该样本动态谱信号针对各个样本信号类型的样本置信度、以及该样本动态谱信号的样本信号类型,确定基准损失;
其中,在本申请实施例中,基准损失E可表示为:
其中,s表示样本动态谱信号的置信度(分数),y表示样本动态谱信号的信号类型,在本申请实施例中,y可以取值0和1,0表示动态谱信号为非单脉冲信号类型,1表示动态谱信号为单脉冲信号类型,T表示矩阵或向量的转置,log操作表示对向量s中的每个元素取对数。
219、基于该基准损失对样本信号分类模型进行训练,得到信号分类模型;
220、根据该样本动态谱信号针对各个样本信号类型的样本置信度、以及该样本动态谱信号的样本信号类型,确定基准损失,以及,根据每个信号块均为负样本的事实,确定每个信号块的样本块级损失,并根据各个样本块级损失得到整个负样本的样本级损失;
其中,在本申请实施例中,基于负样本的切块仍然是负样本的事实,本方案同时计算数据块级别的交叉熵损失作用于所有负样本的数据块,样本块级损失F可表示为:
其中,0表示动态谱信号为非单脉冲信号类型,1表示动态谱信号为单脉冲信号类型,T表示矩阵或向量的转置,log操作表示对向量sk中的每个元素取对数,k表示第k个信号块或者数据块。
相应的,基于正样本和负样本得到本申请实施例中的损失表示为:
其中,Bag(x;Ws)表示动态谱信号在分割后的词袋,Ws表示信号块的宽度,W表示动态谱信号的时间维度的宽度,[y=0]表示y=0时取1,否则取0。
221、基于基准损失、样本级损失对样本信号分类模型进行训练,得到样本信号分类模型。
其中,通过在基准损失的基础上引入针对负样本的样本级损失,引导神经网络精确地判别多样性更加复杂的负样本特征。
其中,在本申请实施例中,αk表示第k个样本信号块(样本数据块)的局部置信度sk对应的样本融合权重,由于有效信号可能存存在于1-2两个信号块,因此,在训练过程中,可以对样本融合权重αk进行稀疏性约束,使得样本综合置信度更关注个别的样本融合权重,例如,在本申请实施例中,可以将各个样本融合权重的分布的熵作为融合损失,基于该融合损失训练对样本信号分类模型进行训练,得到信号分类模型,相应的,在本申请实施例中,融合损失Lw可以通过如下公式表示,具体为:
相应的,本申请实施例在训练样本信号分类模型时的最终损失可表示为:
其中,Bag(x;Ws)表示动态谱信号在分割后的词袋,Ws表示信号块的宽度,W表示动态谱信号的时间维度的宽度,[y=0]表示y=0时取1,否则取0。
其中,本申请实施例通过对样本融合权重的稀疏性约束,相当于增大了部分样本局部置信度对应的融合权重,也就是不同信号块的融合权重不会都特别接近,而是某几个比较大,另外的多数都比较小,使得置信度在融合时能够主要集中在某一两个信号块上,而其他信号块的融合权重尽可能小,提升样本综合置信度计算的准确性,进一步提升训练后模型的识别性能。
请参阅图8,图8是本申请实施例提供的基于动态谱信号识别方法得到的实验结果示意图,其中,在基于本申请实施例中的动态谱信号识别方法(多实例学习)实现单脉冲信号的搜索识别时,检索召回率明显上升,同时仍然能够保持更低的误报率。
其中,本申请实施例聚焦于脉冲星搜索过程中单脉冲信号的动态谱判别和搜索问题,针对人工智能模型输入可能存在的阵列信号失真的问题,提出了一种基于词袋输入,多实例(信号块)学习的人工智能模型训练方案,相比于直接利用洛伦兹拟合+滑动窗的方案,本方案提出的多实例学习方法帮助搜索模型在脉冲星候选体搜索的任务表现更加突出,显著提升算法的找回能力的同时进一步抑制误报率,降低后续二次复核的人工需求和时间成本。
为便于更好的实施本申请的动态谱信号识别方法,本申请还提供一种基于上述动态谱信号识别方法的动态谱信号识别装置。其中第三目标词语的含义与上述动态谱信号识别方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图9,图9是本申请实施例提供的动态谱信号识别装置的结构示意图,其中,该动态谱信号识别装置可以包括:
获取模块301,用于获取待识别的动态谱信号,所述动态谱信号具备时间维度和频率维度;
处理模块302,用于沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块;
分析模块303,用于将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度;
确定模块304,用于当所述置信度达到预设阈值时,将所述单脉冲信号类型作为所述动态谱信号的信号类型。
其中,在本申请的一些实施例中,信号分类模型包括判别网络和融合网络,分析模块303包括:
判别单元,用于将所述信号块分别输入到所述判别网络,得到每个信号块针对单脉冲信号类型的局部置信度;
融合单元,用于将各个所述局部置信度输入到所述融合网络,得到综合置信度;
确定单元,用于将所述综合置信度作为所述动态谱信号针对所述单脉冲信号类型的置信度。
其中,在本申请的一些实施例中,判别网络包括卷积层和判别层,判别单元包括:
提取子单元,用于针对每个信号块,将所述信号块输入到所述卷积层,得到所述信号块对应的块信号特征信息;
判别子单元,用于将所述块信号特征信息输入到所述判别层,得到所述信号块针对所述单脉冲信号类型的局部置信度。
其中,在本申请的一些实施例中,该装置还包括训练模块,训练模块包括:
获取单元,用于获取样本训练数据和样本信号分类模型,所述样本训练数据包括样本动态谱信号以及所述样本动态谱信号对应的样本信号类型,所述样本信号分类模型为所述信号分类模型在训练前对应的模型;
分割单元,用于将所述样本动态谱信号沿时间维度按照所述预设尺寸阈值进行分割,得到频率维度相同的若干样本信号块;
第一输入单元,用于针对每个所述样本信号块,将所述样本信号块输入到所述样本信号分类模型的判别网络,得到所述样本信号块针对每个所述样本信号类型的样本局部置信度;
第二输入单元,用于将各个所述样本局部置信度输入到所述样本信号分类模型的融合网络,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度;
训练单元,用于根据所述样本综合置信度以及所述样本动态谱信号的样本信号类型,对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,在本申请的一些实施例中,训练单元包括:
基准损失确定子单元,用于根据所述样本综合置信度和所述样本动态谱信号的样本信号类型,确定基准损失;
训练子单元,用于根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,在本申请的一些实施例中,训练单元还包括:
正负样本确定子单元,用于根据所述样本信号类型从所述样本训练数据中确定正样本和负样本;
块级损失确定子单元,用于针对负样本的每个样本信号块,根据所述样本信号块针对每个所述预设信号类型的样本局部置信度,以及所述样本信号块所属的样本信号类型,确定所述样本信号块的块级损失;
样本级损失确定子单元,用于针对所述负样本,根据所述负样本中各个样本信号块的块级损失确定所述负样本的样本级损失;
训练子单元具体用于:
当所述样本训练数据为正样本时,根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型;
当所述样本训练数据为负样本时,根据所述基准损失和所述样本级损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,在本申请的一些实施例中,第二输入单元包括:
第一输入子单元,用于将各个所述样本局部置信度输入到所述判定层,得到各个样本局部置信度对应的样本融合权重;
第二输入子单元,用于将各个所述样本局部置信度和各个所述样本融合权重输入到所述融合层,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度。
其中,在本申请的一些实施例中,训练单元包括:
融合损失确定子单元,用于根据各个所述样本融合权重的分布的熵,确定融合损失;
基准损失确定子单元,用于根据所述样本综合置信度和所述样本动态谱信号的样本信号类型,确定基准损失;
训练子单元,用于根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
其中,在本申请的一些实施例中,处理模块302包括:
划分单元,用于沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干参考信号块;
补齐单元,用于当所述参考信号块在时间维度方向上的尺寸未达到所述预设尺寸阈值时,沿所述时间维度方向对所述参考信号块进行补齐,得到补齐后参考信号块;
处理单元,用于将所述尺寸满足所述预设尺寸阈值的参考信号块和所述补齐后参考信号块分别作为信号块。
其中,在本申请的一些实施例中,该装置还包括应用模块,应用模块包括:
应用单元,用于当所述动态谱信号为单脉冲信号类型时,将发射所述动态谱信号的天体标记为脉冲星。
本申请实施例由获取模块301获取待识别的动态谱信号,所述动态谱信号具备时间维度和频率维度,接着,由处理模块302沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块,随后,由分析模块303将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度,然后,由确定模块304当所述置信度达到预设阈值时,将所述单脉冲信号类型作为所述动态谱信号的信号类型。
其中,本申请实施例获取待识别的动态谱信号,该动态谱信号具备时间维度和频率维度,沿时间维度对动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块,将信号块分别输入到信号分类模型,得到动态谱信号针对单脉冲信号类型的置信度,当置信度达到预设阈值时,将单脉冲信号类型作为动态谱信号的信号类型。其中,由于动态谱信号是频率观测区间相对固定、但是时间观测范围随着观测天区变化的信号,因此,在本申请实施例中,基于时间维度对动态谱信号进行分割,使得分割后的每个信号块的时间维度对应的宽度是相同的,即每个信号块对应的分辨率是相同的,而模型在基于同一分辨率的信号块进行分析时,能够提升模型对各个信号块分析的准确性,进而提升动态谱信号识别的准确性。其中,通过模型去分析每个动态谱信号对应的信号类型,相较于相关技术中穷举搜索或者人工筛选的方式,能够提升动态谱信号识别的效率。
此外,本申请还提供一种电子设备,如图10所示,其示出了本申请所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图10中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、对象界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与对象设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现本申请所提供的任一种动态谱信号识别方法中的步骤。
本申请实施例获取待识别的动态谱信号,该动态谱信号具备时间维度和频率维度,沿时间维度对动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块,将信号块分别输入到信号分类模型,得到动态谱信号针对单脉冲信号类型的置信度,当置信度达到预设阈值时,将单脉冲信号类型作为动态谱信号的信号类型。其中,由于动态谱信号是频率观测区间相对固定、但是时间观测范围随着观测天区变化的信号,因此,在本申请实施例中,基于时间维度对动态谱信号进行分割,使得分割后的每个信号块的时间维度对应的宽度是相同的,即每个信号块对应的分辨率是相同的,而模型在基于同一分辨率的信号块进行分析时,能够提升模型对各个信号块分析的准确性,进而提升动态谱信号识别的准确性。其中,通过模型去分析每个动态谱信号对应的信号类型,相较于相关技术中穷举搜索或者人工筛选的方式,能够提升动态谱信号识别的效率。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序能够被处理器进行加载,以执行本申请所提供的任一种动态谱信号识别方法中的步骤。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请所提供的任一种动态谱信号识别方法中的步骤,因此,可以实现本申请所提供的任一种动态谱信号识别方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例所述的各种可选实现方式中提供的方法。
以上对本申请所提供的一种动态谱信号识别方法、装置、电子设备以及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种动态谱信号识别方法,其特征在于,包括:
获取待识别的动态谱信号,所述动态谱信号具备时间维度和频率维度;
沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块;
将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度;
当所述置信度达到预设阈值时,将所述单脉冲信号类型作为所述动态谱信号的信号类型。
2.根据权利要求1所述的方法,其特征在于,所述信号分类模型包括判别网络和融合网络,所述将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度,包括:
将所述信号块分别输入到所述判别网络,得到每个信号块针对单脉冲信号类型的局部置信度;
将各个所述局部置信度输入到所述融合网络,得到综合置信度;
将所述综合置信度作为所述动态谱信号针对所述单脉冲信号类型的置信度。
3.根据权利要求2所述的方法,其特征在于,所述判别网络包括卷积层和判别层,所述将所述信号块分别输入到所述判别网络,得到每个信号块针对单脉冲信号类型的局部置信度,包括:
针对每个信号块,将所述信号块输入到所述卷积层,得到所述信号块对应的块信号特征信息;
将所述块信号特征信息输入到所述判别层,得到所述信号块针对所述单脉冲信号类型的局部置信度。
4.根据权利要求1所述的方法,其特征在于,所述获取待识别的动态谱信号之前,所述方法还包括:
获取样本训练数据和样本信号分类模型,所述样本训练数据包括样本动态谱信号以及所述样本动态谱信号对应的样本信号类型,所述样本信号分类模型为所述信号分类模型在训练前对应的模型;
将所述样本动态谱信号沿时间维度按照所述预设尺寸阈值进行分割,得到频率维度相同的若干样本信号块;
针对每个所述样本信号块,将所述样本信号块输入到所述样本信号分类模型的判别网络,得到所述样本信号块针对每个所述样本信号类型的样本局部置信度;
将各个所述样本局部置信度输入到所述样本信号分类模型的融合网络,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度;
根据所述样本综合置信度以及所述样本动态谱信号的样本信号类型,对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述样本综合置信度以及所述样本动态谱信号对应的样本信号类型,对所述样本信号分类模型进行训练,得到训练后的信号分类模型,包括:
根据所述样本综合置信度和所述样本动态谱信号的样本信号类型,确定基准损失;
根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型之前,所述方法还包括:
根据所述样本信号类型从所述样本训练数据中确定正样本和负样本;
针对负样本的每个样本信号块,根据所述样本信号块针对每个所述预设信号类型的样本局部置信度,以及所述样本信号块所属的样本信号类型,确定所述样本信号块的块级损失;
针对所述负样本,根据所述负样本中各个样本信号块的块级损失确定所述负样本的样本级损失;
所述根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型,包括:
当所述样本训练数据为正样本时,根据所述基准损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型;
当所述样本训练数据为负样本时,根据所述基准损失和所述样本级损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
7.根据权利要求4所述的方法,其特征在于,所述融合网络包括判定层和融合层,所述将各个所述样本局部置信度输入到所述样本信号分类模型的融合网络,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度,包括:
将各个所述样本局部置信度输入到所述判定层,得到各个样本局部置信度对应的样本融合权重;
将各个所述样本局部置信度和各个所述样本融合权重输入到所述融合层,得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度。
8.根据权利要求7所述的方法,其特征在于,所述根据所述样本综合置信度以及所述样本动态谱信号对应的样本信号类型,对所述样本信号分类模型进行训练,得到训练后的信号分类模型,包括:
根据各个所述样本融合权重的分布的熵,确定融合损失;
根据所述样本综合置信度和所述样本动态谱信号的样本信号类型,确定基准损失;
根据所述基准损失、所述融合损失对所述样本信号分类模型进行训练,得到训练后的信号分类模型。
9.一种动态谱信号识别装置,其特征在于,包括:
获取模块,用于获取待识别的动态谱信号,所述动态谱信号具备时间维度和频率维度;
处理模块,用于沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割,得到频率维度相同的若干信号块;
分析模块,用于将所述信号块分别输入到信号分类模型,得到所述动态谱信号针对单脉冲信号类型的置信度;
确定模块,用于当所述置信度达到预设阈值时,将所述单脉冲信号类型作为所述动态谱信号的信号类型。
10.一种电子设备,其特征在于,所述电子设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述动态谱信号识别方法的步骤。
11.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述动态谱信号识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211474888.3A CN116975677A (zh) | 2022-11-23 | 2022-11-23 | 动态谱信号识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211474888.3A CN116975677A (zh) | 2022-11-23 | 2022-11-23 | 动态谱信号识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116975677A true CN116975677A (zh) | 2023-10-31 |
Family
ID=88477255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211474888.3A Pending CN116975677A (zh) | 2022-11-23 | 2022-11-23 | 动态谱信号识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975677A (zh) |
-
2022
- 2022-11-23 CN CN202211474888.3A patent/CN116975677A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
CN110598029B (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
CN106504233B (zh) | 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及系统 | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
CN112150821B (zh) | 轻量化车辆检测模型构建方法、系统及装置 | |
CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN112418117A (zh) | 一种基于无人机图像的小目标检测方法 | |
US11983245B2 (en) | Unmanned driving behavior decision-making and model training | |
CN109785298B (zh) | 一种多角度物体检测方法和系统 | |
CN110796199B (zh) | 一种图像处理方法、装置以及电子医疗设备 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
CN111160407A (zh) | 一种深度学习目标检测方法及系统 | |
CN113807399A (zh) | 一种神经网络训练方法、检测方法以及装置 | |
CN111914924A (zh) | 一种快速舰船目标检测方法、存储介质及计算设备 | |
CN110751209A (zh) | 一种融合深度图像分类和检索的智能台风定强方法 | |
CN109977968A (zh) | 一种深度学习分类后比较的sar变化检测方法 | |
Zhou et al. | Building segmentation from airborne VHR images using Mask R-CNN | |
CN113128564B (zh) | 一种基于深度学习的复杂背景下典型目标检测方法及系统 | |
CN112270671B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN115761667A (zh) | 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法 | |
CN116975677A (zh) | 动态谱信号识别方法、装置、电子设备及存储介质 | |
Liu et al. | MRISNet: Deep-learning-based Martian instance segmentation against blur |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |