CN117240312B - 基于深度学习的滤波器优化方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的滤波器优化方法，属于滤波器技术领域，本发明中滤波器考虑三方面的数据：多个采集的无线通信数据、多个历史滤波数据、以及采集的无线通信数据的变化值，并将三方面的多个数据构建为训练样本，对基于神经网络的滤波器进行训练，从而使得训练后的滤波器可以通过三方面的多个数据，得到最新采集的无线通信数据的滤波数据，本发明解决了现有的滤波方法存在滤波精度差的问题，提高通信质量。

Description

基于深度学习的滤波器优化方法

技术领域

本发明涉及滤波器技术领域，具体而言，涉及一种基于深度学习的滤波器优化方法。

背景技术

在通过射频ADC采集无线通信电磁波时，需要对无线通信数据进行滤波处理，从而保障计算获取信号的精度，避免噪声影响无线通信数据，从而影响通信质量。现有的滤波方法包括：均值滤波法、中位值滤波法、一阶滞后滤波法等。均值滤波方法和中位值滤波法在考虑多个采集的无线通信数据时，通过均值或中位值表达一段时间内的无线通信数据，仅能粗略体现一段时间内无线通信数据的情况，因此，采用均值滤波法和中位值滤波法存在滤波精度差的问题。一阶滞后滤波法考虑一个采集的无线通信数据和一个历史滤波无线通信数据，采集的无线通信数据和历史滤波无线通信数据考虑的数量少，同样存在滤波精度差的问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度学习的滤波器优化方法解决了现有的滤波方法存在滤波精度差的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于深度学习的滤波器优化方法，包括以下步骤：

S1、通过射频ADC采集无线通信电磁波，得到无线通信数据，将无线通信数据构建为第一序列，无线通信数据的滤波数据构建为第二序列，无线通信数据的变化值构建为第三序列；

S2、将第一序列构建为第一矩阵，将第二序列构建为第二矩阵，将第三序列构建为第三矩阵；

S3、将第一矩阵、第二矩阵和第三矩阵作为训练样本；

S4、采用训练样本对基于神经网络的滤波器进行训练，得到训练完成的滤波器；

S5、采用训练完成的滤波器对传感器的实时无线通信数据进行处理，得到当前滤波数据。

进一步地，所述S1中第一序列为：，其中，/>为第一序列，为第1个无线通信数据，/>为第/>个无线通信数据，/>为第/>个无线通信数据，/>为总的无线通信数据数量，/>为无线通信数据的编号；第二序列为：/>，其中，/>为第二序列，/>为/>的滤波数据，/>为/>的滤波数据，/>为/>的滤波数据，为第/>个无线通信数据；第三序列为：，其中，/>为第三序列，/>为第2个无线通信数据，/>为第/>个无线通信数据。

进一步地，所述S2中第一矩阵为：，第二矩阵为：/>，第三矩阵为：/>，其中，/>为第一矩阵，/>为第二矩阵，/>为第三矩阵，/>为转置运算。

进一步地，所述S4中滤波器包括：第一数据特征提取单元、第二数据特征提取单元、第三数据特征提取单元、Concat层和BP神经网络；

所述Concat层的输入端分别与第一数据特征提取单元的输出端、第二数据特征提取单元的输出端和第三数据特征提取单元的输出端连接，其输出端与BP神经网络的输入端连接；所述BP神经网络的输出端作为滤波器的输出端；所述第一数据特征提取单元用于处理第一矩阵；所述第二数据特征提取单元用于处理第二矩阵；所述第三数据特征提取单元用于处理第三矩阵。

上述进一步地方案的有益效果为：本发明中通过三个数据特征提取单元分别处理三个矩阵，实现特征提取，通过Concat层对特征进行拼接，再通过BP神经网络进行预测，本发明中BP神经网络的输出层仅一个输出节点，仅输出一个预测的滤波数据，即的滤波数据，BP神经网络的隐藏层选择常用的激活函数，本发明中先是实现对数据的特征提取，找到每种矩阵的特征，再根据三种特征实现预测，提高滤波的精度，准确减少噪声的干扰。

进一步地，所述第一数据特征提取单元、第二数据特征提取单元和第三数据特征提取单元均包括：第一卷积层、第二卷积层、第一注意力模块、第二注意力模块和加法器；

所述第一卷积层的输入端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输入端；所述第一卷积层的输出端分别与第一注意力模块的输入端和第二注意力模块的输入端连接；所述加法器的输入端分别与第一注意力模块的输出端和第二注意力模块的输出端连接，其输出端与第二卷积层的输入端连接；所述第二卷积层的输出端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输出端。

上述进一步地方案的有益效果为：本发明设置了两路的注意力模块，从而对特征施加不同的关注度，一方面能提高提取所需特征的精度，另一方面能提高提取特征的数据量。

进一步地，所述第一注意力模块包括：最大池化层、第一softmax层和第一乘法器；

所述最大池化层的输入端与第一乘法器的第一输入端连接，并作为第一注意力模块的输入端；所述第一softmax层的输入端与最大池化层的输出端连接，其输出端与第一乘法器的第二输入端连接；所述第一乘法器的输出端作为第一注意力模块的输出端；所述第一乘法器用于将第一softmax层的输出和第一乘法器的第一输入端的输入进行哈达玛积。

进一步地，所述第二注意力模块包括：平均池化层、第二softmax层和第二乘法器；

所述平均池化层的输入端与第二乘法器的第一输入端连接，并作为第二注意力模块的输入端；所述第二softmax层的输入端与平均池化层的输出端连接，其输出端与第二乘法器的第二输入端连接；所述第二乘法器的输出端作为第二注意力模块的输出端；所述第二乘法器用于将第二softmax层的输出和第二乘法器的第一输入端的输入进行哈达玛积。

上述进一步地方案的有益效果为：在本发明中，一路注意力模块通过最大池化层提取显著特征，另一路注意力模块通过平均池化层提取全局特征，根据显著特征和全局特征分别对第一卷积层输出的特征施加不同关注度，再通过加法器实现特征的融合。

进一步地，所述S4中对基于神经网络的滤波器进行训练的损失函数为：

其中，为第/>次训练时的损失值，/>为以自然常数为底的指数函数，/>为取最大值，/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据，为第/>个无线通信数据/>的标签滤波数据，/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据，/>为正整数，/>为训练次数的编号，/>为对数函数，| |为绝对值运算。

上述进一步地方案的有益效果为：本发明中选取多次训练中的最大差距值，从而保障训练过程中，滤波器输出的滤波数据与标签滤波数据在多次训练过程中均保持较小的差距，并设置，在/>与/>越相近时，损失值越小，从而使得参数的下降幅值越小，更便于找到最优参数。

进一步地，训练过程中，基于神经网络的滤波器中参数更新的公式为：

其中，为第/>次训练时的参数，/>为第/>次训练时的参数，/>为最大更新步长，/>为自然常数，参数包括权重和偏置。

本发明实施例的技术方案至少具有如下优点和有益效果：

1、本发明中滤波器考虑三方面的数据：多个采集的无线通信数据、多个历史滤波数据、以及采集的无线通信数据的变化值，通过多个采集的无线通信数据体现一段时间内数据值情况，通过多个历史滤波数据体现最近滤波值情况，通过变化值体现采集的无线通信数据的变化情况，从而通过三方面的多个数据对最新采集的无线通信数据的滤波数据进行预估，提高滤波精度，准确减少噪声的干扰，相比于现有的滤波方法，本发明中考虑的数据是多方面的，且数据量更多，滤波精度更高，提高通信质量。

2、本发明中将三方面的多个数据构建为训练样本，对基于神经网络的滤波器进行训练，从而使得训练后的滤波器可以通过三方面的多个数据，得到最新采集的无线通信数据的滤波数据。

附图说明

图1为一种基于深度学习的滤波器优化方法的流程图；

图2为第一数据特征提取单元、第二数据特征提取单元和第三数据特征提取单元的结构示意图；

图3为第一注意力模块的结构示意图；

图4为第二注意力模块的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

如图1所示，一种基于深度学习的滤波器优化方法，包括以下步骤：

S1、通过射频ADC采集无线通信电磁波，得到无线通信数据，将无线通信数据构建为第一序列，无线通信数据的滤波数据构建为第二序列，无线通信数据的变化值构建为第三序列；

S2、将第一序列构建为第一矩阵，将第二序列构建为第二矩阵，将第三序列构建为第三矩阵；

S3、将第一矩阵、第二矩阵和第三矩阵作为训练样本；

S4、采用训练样本对基于神经网络的滤波器进行训练，得到训练完成的滤波器；

S5、采用训练完成的滤波器对传感器的实时无线通信数据进行处理，得到当前滤波数据。

在本实施例中，步骤S5中将最新采集的个无线通信数据，最新/>个滤波数据，以及/>个无线通信数据对应变化值输入到滤波器中，输出的值为当前滤波数据。

所述S1中第一序列为：，其中，/>为第一序列，/>为第1个无线通信数据，/>为第/>个无线通信数据，/>为第/>个无线通信数据，/>为总的无线通信数据数量，/>为无线通信数据的编号；第二序列为：/>，其中，/>为第二序列，/>为/>的滤波数据，/>为/>的滤波数据，/>为/>的滤波数据，/>为第/>个无线通信数据；第三序列为：/>，其中，/>为第三序列，/>为第2个无线通信数据，/>为第/>个无线通信数据。

在本实施例中，第一序列为采集的多个无线通信数据，为最新采集的无线通信数据，即待滤波数据，第二序列为/>至/>的滤波数据，第三序列用于表达采集的多个无线通信数据的变化情况，使得基于神经网络的滤波器更好感知数据是处于上行或者下行状态。

所述S2中第一矩阵为：，第二矩阵为：/>，第三矩阵为：，其中，/>为第一矩阵，/>为第二矩阵，/>为第三矩阵，/>为转置运算。

在本实施例中，将三个序列构建为三个矩阵，更好便于基于神经网络的滤波器进行处理。

所述S4中滤波器包括：第一数据特征提取单元、第二数据特征提取单元、第三数据特征提取单元、Concat层和BP神经网络；

所述Concat层的输入端分别与第一数据特征提取单元的输出端、第二数据特征提取单元的输出端和第三数据特征提取单元的输出端连接，其输出端与BP神经网络的输入端连接；所述BP神经网络的输出端作为滤波器的输出端；所述第一数据特征提取单元用于处理第一矩阵；所述第二数据特征提取单元用于处理第二矩阵；所述第三数据特征提取单元用于处理第三矩阵。

本发明中通过三个数据特征提取单元分别处理三个矩阵，实现特征提取，通过Concat层对特征进行拼接，再通过BP神经网络进行预测，本发明中BP神经网络的输出层仅一个输出节点，仅输出一个预测的滤波数据，即的滤波数据，BP神经网络的隐藏层选择常用的激活函数，本发明中先是实现对数据的特征提取，找到每种矩阵的特征，再根据三种特征实现预测，提高滤波的精度，准确减少噪声的干扰。

如图2所示，所述第一数据特征提取单元、第二数据特征提取单元和第三数据特征提取单元均包括：第一卷积层、第二卷积层、第一注意力模块、第二注意力模块和加法器；

所述第一卷积层的输入端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输入端；所述第一卷积层的输出端分别与第一注意力模块的输入端和第二注意力模块的输入端连接；所述加法器的输入端分别与第一注意力模块的输出端和第二注意力模块的输出端连接，其输出端与第二卷积层的输入端连接；所述第二卷积层的输出端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输出端。

本发明设置了两路的注意力模块，从而对特征施加不同的关注度，一方面能提高提取所需特征的精度，另一方面能提高提取特征的数据量。

如图3所示，所述第一注意力模块包括：最大池化层、第一softmax层和第一乘法器；

所述最大池化层的输入端与第一乘法器的第一输入端连接，并作为第一注意力模块的输入端；所述第一softmax层的输入端与最大池化层的输出端连接，其输出端与第一乘法器的第二输入端连接；所述第一乘法器的输出端作为第一注意力模块的输出端；所述第一乘法器用于将第一softmax层的输出和第一乘法器的第一输入端的输入进行哈达玛积。

如图4所示，所述第二注意力模块包括：平均池化层、第二softmax层和第二乘法器；

所述平均池化层的输入端与第二乘法器的第一输入端连接，并作为第二注意力模块的输入端；所述第二softmax层的输入端与平均池化层的输出端连接，其输出端与第二乘法器的第二输入端连接；所述第二乘法器的输出端作为第二注意力模块的输出端；所述第二乘法器用于将第二softmax层的输出和第二乘法器的第一输入端的输入进行哈达玛积。

在本发明中，一路注意力模块通过最大池化层提取显著特征，另一路注意力模块通过平均池化层提取全局特征，根据显著特征和全局特征分别对第一卷积层输出的特征施加不同关注度，再通过加法器实现特征的融合。

所述S4中对基于神经网络的滤波器进行训练的损失函数为：

其中，为第/>次训练时的损失值，/>为以自然常数为底的指数函数，/>为取最大值，/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据，为第/>个无线通信数据/>的标签滤波数据，/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据，/>为正整数，/>为训练次数的编号，/>为对数函数，| |为绝对值运算。

本发明中选取多次训练中的最大差距值，从而保障训练过程中，滤波器输出的滤波数据与标签滤波数据在多次训练过程中均保持较小的差距，并设置，在/>与越相近时，损失值越小，从而使得参数的下降幅值越小，更便于找到最优参数。

训练过程中，基于神经网络的滤波器中参数更新的公式为：

其中，为第/>次训练时的参数，/>为第/>次训练时的参数，/>为最大更新步长，/>为自然常数，参数包括权重和偏置。

均值滤波法和中位值滤波法虽然考虑了多个采集的无线通信数据，但是通过均值或中位值表达一段时间内的无线通信数据，仅能简单削弱噪声的影响，无法进行更精确的滤波。

一阶滞后滤波法考虑一个采集的无线通信数据和一个历史滤波无线通信数据，数据参考量少，容易受到噪声影响，滤波精度有限。

本发明中滤波器考虑三方面的数据：多个采集的无线通信数据、多个历史滤波数据、以及采集的无线通信数据的变化值，通过多个采集的无线通信数据体现一段时间内数据值情况，通过多个历史滤波数据体现最近滤波值情况，通过变化值体现采集的无线通信数据的变化情况，从而通过三方面的多个数据对最新采集的无线通信数据的滤波数据进行预估，提高滤波精度，准确减少噪声的干扰，相比于现有的滤波方法，本发明中考虑的数据是多方面的，且数据量更多，滤波精度更高。

本发明中将三方面的多个数据构建为训练样本，对基于神经网络的滤波器进行训练，从而使得训练后的滤波器可以通过三方面的多个数据，得到最新采集的无线通信数据的滤波数据。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于深度学习的滤波器优化方法，其特征在于，包括以下步骤：

S1、通过射频ADC采集无线通信电磁波，得到无线通信数据，将无线通信数据构建为第一序列，无线通信数据的滤波数据构建为第二序列，无线通信数据的变化值构建为第三序列；所述第一序列为：，其中，/>为第一序列，/>为第1个无线通信数据，/>为第/>个无线通信数据，/>为第/>个无线通信数据，/>为总的无线通信数据数量，/>为无线通信数据的编号；第二序列为：/>，其中，/>为第二序列，/>为的滤波数据，/>为/>的滤波数据，/>为/>的滤波数据，/>为第/>个无线通信数据；第三序列为：/>，其中，/>为第三序列，/>为第2个无线通信数据，/>为第/>个无线通信数据；

S2、将第一序列构建为第一矩阵，将第二序列构建为第二矩阵，将第三序列构建为第三矩阵；所述第一矩阵为：，第二矩阵为：/>，第三矩阵为：/>，其中，/>为第一矩阵，/>为第二矩阵，/>为第三矩阵，/>为转置运算；

S3、将第一矩阵、第二矩阵和第三矩阵作为训练样本；

S4、采用训练样本对基于神经网络的滤波器进行训练，得到训练完成的滤波器；所述滤波器包括：第一数据特征提取单元、第二数据特征提取单元、第三数据特征提取单元、Concat层和BP神经网络；

所述Concat层的输入端分别与第一数据特征提取单元的输出端、第二数据特征提取单元的输出端和第三数据特征提取单元的输出端连接，其输出端与BP神经网络的输入端连接；所述BP神经网络的输出端作为滤波器的输出端；所述第一数据特征提取单元用于处理第一矩阵；所述第二数据特征提取单元用于处理第二矩阵；所述第三数据特征提取单元用于处理第三矩阵；

所述第一数据特征提取单元、第二数据特征提取单元和第三数据特征提取单元均包括：第一卷积层、第二卷积层、第一注意力模块、第二注意力模块和加法器；所述第一卷积层的输入端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输入端；所述第一卷积层的输出端分别与第一注意力模块的输入端和第二注意力模块的输入端连接；所述加法器的输入端分别与第一注意力模块的输出端和第二注意力模块的输出端连接，其输出端与第二卷积层的输入端连接；所述第二卷积层的输出端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输出端；

S5、采用训练完成的滤波器对传感器的实时无线通信数据进行处理，得到当前滤波数据。

2.根据权利要求1所述的基于深度学习的滤波器优化方法，其特征在于，所述第一注意力模块包括：最大池化层、第一softmax层和第一乘法器；

所述最大池化层的输入端与第一乘法器的第一输入端连接，并作为第一注意力模块的输入端；所述第一softmax层的输入端与最大池化层的输出端连接，其输出端与第一乘法器的第二输入端连接；所述第一乘法器的输出端作为第一注意力模块的输出端；所述第一乘法器用于将第一softmax层的输出和第一乘法器的第一输入端的输入进行哈达玛积。

3.根据权利要求1所述的基于深度学习的滤波器优化方法，其特征在于，所述第二注意力模块包括：平均池化层、第二softmax层和第二乘法器；

所述平均池化层的输入端与第二乘法器的第一输入端连接，并作为第二注意力模块的输入端；所述第二softmax层的输入端与平均池化层的输出端连接，其输出端与第二乘法器的第二输入端连接；所述第二乘法器的输出端作为第二注意力模块的输出端；所述第二乘法器用于将第二softmax层的输出和第二乘法器的第一输入端的输入进行哈达玛积。

4.根据权利要求1所述的基于深度学习的滤波器优化方法，其特征在于，所述S4中对基于神经网络的滤波器进行训练的损失函数为：

其中，为第/>次训练时的损失值，/>为以自然常数为底的指数函数，/>为取最大值，/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据，/>为第/>个无线通信数据/>的标签滤波数据，/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据，/>为正整数，/>为训练次数的编号，/>为对数函数，| |为绝对值运算。

5.根据权利要求4所述的基于深度学习的滤波器优化方法，其特征在于，训练过程中，基于神经网络的滤波器中参数更新的公式为：

其中，为第/>次训练时的参数，/>为第/>次训练时的参数，/>为最大更新步长，/>为自然常数，参数包括权重和偏置。