CN117951615A - 一种多类别时序信号的分类识别方法 - Google Patents
一种多类别时序信号的分类识别方法 Download PDFInfo
- Publication number
- CN117951615A CN117951615A CN202410348327.1A CN202410348327A CN117951615A CN 117951615 A CN117951615 A CN 117951615A CN 202410348327 A CN202410348327 A CN 202410348327A CN 117951615 A CN117951615 A CN 117951615A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- category
- dimensional
- original
- sequence 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims description 35
- 230000003213 activating effect Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000010200 validation analysis Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及电数字处理技术领域,尤其涉及一种多类别时序信号的分类识别方法,包括如下步骤:对原始多类别时序信号进行采集,并根据所属类别赋予不同的标签;提取时域信息,并对每一个原始多类别时序信号提取出与每一个时域信息对应的频域信息,形成相应的特征矩阵;将特征矩阵导入相应的加载器中;搭建多类别时序信号分类识别网络模型并进行参数设置;对模型进行训练并验证,得到最佳多类别时序信号分类识别网络模型;对最佳多类别时序信号分类识别网络模型进行测试,并计算分类识别的准确率。本发明提供的方法既没有损耗原始数据信息,又能获得比现有技术更好的信号分类效果。
Description
技术领域
本发明涉及电数字处理技术领域,尤其涉及一种多类别时序信号的分类识别方法。
背景技术
时序信号是在不同时间点上收集的数据,通常是一系列按时间排序的观测值。这类信号广泛存在于生态学、金融、医学、通信等领域,对时序信号进行分类能够帮助理解信号的特性、趋势和模式,有助于做出相应的决策。时序信号分类通常是一个多类别分类问题,即将时序信号划分到多个预定义的类别中,多类别分类在很多实际应用中都非常重要,例如语音识别、生物医学信号分类等。深度学习是机器学习领域的一个分支,主要关注使用深度神经网络进行学习和预测。卷积神经网络(CNN)是深度学习中用于图像处理和模式识别的一种强大架构。近年来,CNN的应用已经扩展到了时序信号领域,取得了显著的成果,深度学习模型具有强大的特征学习能力,可以自动从原始数据中学习到更加抽象和有用的表示。对于多类别时序信号,CNN能够学习到局部和全局的特征,捕捉到信号中的重要模式。
现有的网络设计策略涉及的时间序列信号分类算法虽然没有从时序信号特征提取到图像,完整保留了信号的原始特征,但使用的这些网络都可能会存在梯度爆炸或消失等问题,网络性能无法与CNN媲美。虽然Kong, Yukai等人提出的一种具有基于注意力机制的CNN雷达主动欺骗干扰识别算法,对雷达干扰时序信号进行时频图的特征提取之后,使用二维CNN进行信号分类。此外,还有一些对卷积网络的变形方式可以用于一维时序信号的分类问题,但是由于现有的时序信号分类的文献中,例如在研究对心电图、雷达干扰信号等时序数据进行分类识别时,使用的数据集样本类别都比较少,对于多类别的时序信号分类识别问题,没有性能优越的网络。由于要保留更多的时序数据点的原始信息而减少对时序信号处理步骤,所以训练数据仍为时间序列。在模型中,都会使用RNN、LSTM、GRU等用于处理时序信号分类、预测等问题的机器学习方法,但由于时序数据对时间依赖性强,以及网络的结构特点,这些算法很容易面临梯度爆炸、梯度消失及参数数量大等问题,使得时序信号分类的准确率难以有大幅的提升,无法达到CNN的学习效果。CNN在图像识别领域的研究成果十分丰富。为发挥CNN在分类算法领域的突出性能,现有技术多对时域的多类别时序信号进行特征提取,绘制频谱图或进行其他信号特征提取绘图。但多类别时序信号通常具有采样频率高、数据信息量大、时间依赖性高等特点,对信号变换及特征提取时必然存在信号信息损耗或丢失,所以通过CNN对多类别时序信号的特征提取图像进行分类识别的准确度不高。
发明内容
本发明所要解决的技术问题是提供一种多类别时序信号的分类识别方法,对一维时序信号进行频域变换处理,使用时序数据的时域和频域信息,先直接使用一维卷积网络提取时序信号特征,再对一维时序数据进行维度扩展后用二维卷积网络提取时序信号特征,最终选取损失最小的网络模型作为最优网络模型对多类别时序信号的分类识别,既保证充分保留时序信号的原始信息,又可以实现高准确度的多类别时序信号的分类识别。
本发明是通过以下技术方案予以实现:
一种多类别时序信号的分类识别方法,其包括如下步骤:
S1:对原始多类别时序信号进行采集,并根据原始多类别时序信号所属类别赋予不同的标签,然后按照设定比例将赋予标签的原始多类别时序信号分别保存至原始训练集和原始测试集;
S2:对原始训练集和原始测试集中的每一个原始多类别时序信号提取时域信息,并对每一个原始多类别时序信号提取出与每一个时域信息对应的频域信息;
S3:将原始训练集中的时域信息与相应的频域信息组成原始训练集特征矩阵导入原始训练集数据加载器中,将原始测试集中的时域信息与相应的频域信息组成原始测试集特征矩阵导入原始测试集数据加载器中;
S4:在PyTorch框架之下按照设定参数搭建多类别时序信号分类识别网络模型并进行参数设置,且搭建的多类别时序信号分类识别网络模型包括一个一维卷积层和一个二维卷积层;
S5:将原始训练集数据加载器中的特征矩阵划分为多个子集,依次选取其中一个子集作为验证集,其余子集作为训练集对多类别时序信号分类识别网络模型进行训练,训练完成后用选取的验证集进行验证,直至验证集遍历每一个子集,且在每一次训练时,先直接使用PyTorch框架中的一维卷积层进行一维卷积操作,得到多个一维多类别时序信号分类识别网络模型,再使用unsqueeze函数将一维的信号上插入一个维度,再使用二维卷积层进行二维卷积操作,得到多个二维多类别时序信号分类识别网络模型,比较多个一维多类别时序信号分类识别网络模型及多个二维多类别时序信号分类识别网络模型,计算出在验证集上的损失最小的模型作为最佳多类别时序信号分类识别网络模型;
S6:使用原始测试集数据加载器对最佳多类别时序信号分类识别网络模型进行测试,并将通过最佳多类别时序信号分类识别网络模型测试得出的多类别时序信号的类别与原始测试集中原始多类别时序信号所标记的所属类别进行比对,并计算分类识别的准确率。
进一步,步骤S4中搭建的多类别时序信号分类识别网络模型还包括一维激活层、二维激活层、一维池化层、二维池化层、一级全连接层及二级全连接层,所述一维激活层设置于一维卷积层之后,二维激活层设置于二维卷积层之后,一维池化层设置于一维激活层之后,二维池化层设置于二维激活层之后,一级全连接层及二级全连接层依次设置于二维池化层之后,且在一级全连接层与二级全连接层之间设有激活函数。
进一步,步骤S4中的参数设置包括多类别时序信号分类识别网络模型的学习率,初始学习率设置为0.00001,在完成验证集的一次遍历后,使用学习率自适应调整策略进行学习率调整,若经过连续两次验证集的遍历后在验证集上的损失没有减小,则将多类别时序信号分类识别网络模型的学习率减半。
优选的,步骤S5中按照式(1)计算在验证集上的损失:
(1);
其中:表示在验证集上的损失,/>表示多分类交叉熵损失,表示平方误差损失。
优选的,步骤S5中对多类别时序信号分类识别网络模型进行训练时,进行多次重复训练,且每次重复训练包含60次验证集的遍历。
优选的,步骤S2中提取与每一个时域信息对应的频域信息时,先对每一个原始多类别时序信号进行傅里叶变换,再提取出与每一个时域信息对应的频域信息。
发明的有益效果:
本发明提供的一种多类别时序信号的分类识别方法,使用多类别时序信号的时域信息及频域信息,在每一次训练时先通过一维卷积层直接使用PyTorch框架中的Conv1d进行一维卷积操作,得到多个一维多类别时序信号分类识别网络模型,再通过二维卷积层,先使用unsqueeze函数将一维的信号上插入一个维度,再使用Conv2d进行二维卷积操作,得到多个二维多类别时序信号分类识别网络模型,比较多个一维多类别时序信号分类识别网络模型及多个二维多类别时序信号分类识别网络模型,计算出在验证集上的损失最小的模型作为最佳多类别时序信号分类识别网络模型,并在模型训练及模型优化时进行交叉验证的,并结合参数自适应调整策略,提高了多类别时序信号分类识别网络模型的准确性,既没有损耗原始数据信息,又能获得比现有技术更好的信号分类效果。
附图说明
图1是本发明流程示意图。
具体实施方式
一种多类别时序信号的分类识别方法,可以简单概述如下:对原始多类别时序信号进行采集,并根据所属类别赋予不同的标签;提取时域信息,并提取出与每一个时域信息对应的频域信息,形成相应的特征矩阵;将特征矩阵导入相应的加载器中;搭建多类别时序信号分类识别网络模型并进行参数设置;对模型进行训练并验证,得到最佳多类别时序信号分类识别网络模型;对最佳多类别时序信号分类识别网络模型进行测试,并计算分类识别的准确率。其流程图如图1所示,具体包括如下步骤:
S1:对原始多类别时序信号进行采集,并根据原始多类别时序信号所属类别赋予不同的标签,然后按照设定比例将赋予标签的原始多类别时序信号分别保存至原始训练集和原始测试集;原始多类别时序信号所属类别包括线性调频信号、射频噪声干扰信号、噪声调幅干扰信号等,可以分别将其赋予不同的标签,如0,1,2等,不同的标签对应不同类别的时序信号。一般原始训练集的多类别时序信号的数量要大于原始测试集的数量,这里的设定比例可以选择5:2,保证具有足够的训练数据。
S2:对原始训练集和原始测试集中的每一个原始多类别时序信号提取时域信息,并对每一个原始多类别时序信号提取出与每一个时域信息对应的频域信息;
由于多类别时序信号的全部时域信息都存在于原始信号的时序数据采样点中,可以直接将时域信息从多类别时序信号中提取出来,而对于每一个时域信息对应的频域信息的提取,可以对多类别时序信号进行傅里叶变换,就可以提取出部分在时序数据采样点中无法显示的信号特征,即多类别时序信号的频域信息。
提取出的时域信息可以表示为,其中:/>表示第/>个时域信息,/>表示虚数,/>表示多类别时序信号采样点数,/>表示第/>个多类别时序信号采样点时域信息的实部,/>表示第/>个多类别时序信号采样点时域信息的虚部。
对于第个多类别时序信号进行傅里叶变换,得到与/>个时域信息/>对应的频域信息/>,有/>,其中:/>表示第/>个多类别时序信号采样点频域信息的实部,/>表示第/>个多类别时序信号采样点频域信息的虚部。
S3:将原始训练集中的时域信息与相应的频域信息组成原始训练集特征矩阵导入原始训练集数据加载器中,将原始测试集中的时域信息与相应的频域信息组成原始测试集特征矩阵导入原始测试集数据加载器中;每一个包含时域信息及频域信息的特征矩阵可以写为/>,/>表示矩阵转置。
S4:在PyTorch框架之下按照设定参数搭建多类别时序信号分类识别网络模型并进行参数设置,且搭建的多类别时序信号分类识别网络模型包括一个一维卷积层和一个二维卷积层;这里的PyTorch框架是一种现有的深度学习网络框架,由于原始训练集特征矩阵数据及原始测试集特征矩阵数据均为四维,所以输入通道数设置为四,一维卷积层可以设置卷积核为,二维卷积层可以设置卷积核为/>。
搭建的多类别时序信号分类识别网络模型还包括一维激活层、二维激活层、一维池化层、二维池化层、一级全连接层及二级全连接层,一维激活层设置于一维卷积层之后,二维激活层设置于二维卷积层之后,一维池化层设置于一维激活层之后,二维池化层设置于二维激活层之后,一级全连接层及二级全连接层依次设置于二维池化层之后,且在一级全连接层与二级全连接层之间设有激活函数。
在每个卷积层之后设置激活层,可以在多类别时序信号分类识别网络模型中引入非线性特性。一维池化层、二维池化层可以均为的最大池化层,池化层通过取最大值,可以对每个区域进行压缩,减小了特征图的尺寸,这有助于降低计算负担和减小模型的参数量,同时保留了的主要特征。经池化层输出的多维的张量可以展平为一维的张量,展平的操作不会改变特征的数量,只是改变了它们的排列方式。再进行一个输出为64的全连接层的操作,可以将卷积层提取的高级特征与每个神经元相连接,形成更为复杂的模型表示,这有助于网络学习到更抽象、更复杂的特征。在一级全连接层与二级全连接层之间设有激活函数,就引入了非线性映射,二级全连接层对一级全连接层进一步组合和映射,将一级全连接层的高级抽象特征转化为最终的输出。这样的设计使得网络能够更好地捕捉输入数据中的模式和信息。
进一步,多类别时序信号分类识别网络模型参数设置还包括多类别时序信号分类识别网络模型的学习率,初始学习率可以设置为0.00001,在完成验证集的一次遍历后,使用学习率自适应调整策略进行学习率调整,若经过连续两次验证集的遍历后在验证集上的损失没有减小,则将多类别时序信号分类识别网络模型的学习率减半,这样可以防止多类别时序信号分类识别网络模型过拟合。
S5:将原始训练集数据加载器中的特征矩阵划分为多个子集,依次选取其中一个子集作为验证集,其余子集作为训练集对多类别时序信号分类识别网络模型进行训练,训练完成后用选取的验证集进行验证,直至验证集遍历每一个子集,且在每一次训练时,先直接使用PyTorch框架中的一维卷积层进行一维卷积操作,得到多个一维多类别时序信号分类识别网络模型,再使用unsqueeze函数将一维的信号上插入一个维度,再使用二维卷积层进行二维卷积操作,得到多个二维多类别时序信号分类识别网络模型,比较多个一维多类别时序信号分类识别网络模型及多个二维多类别时序信号分类识别网络模型,计算出在验证集上的损失最小的模型作为最佳多类别时序信号分类识别网络模型。这里unsqueeze函数是 PyTorch框架中的一个函数,用于在张量的指定维度上插入一个新的维度,它的作用是扩展张量的维度。
由于现有技术中二维卷积层适用于图像分类识别问题已有非常成熟的技术成果,如果为适应时序信号的维度而使用的一维卷积层,其卷积核就是丢失一个维度,特征提取效果不如二维卷积层,而要使用二维卷积核层,则需要将时序信号先处理为包含图像特征的数据如频谱图才能使用二维卷积,在这一处理过程中,图像处理时像素点又会丢失很多原始数据信息。
而本发明提供的一种多类别时序信号的分类识别方法,先将原始训练集和原始测试集中的每一个原始多类别时序信号提取时域信息,并对每一个原始多类别时序信号进行傅里叶变换,提取出与每一个时域信息对应的频域信息,然后形成特征矩阵,导入相应的数据加载器中,通过原始训练集数据加载器对多类别时序信号分类识别网络模型进行训练,且在每一次训练时,先直接使用PyTorch框架中的一维卷积层进行一维卷积操作,得到多个一维多类别时序信号分类识别网络模型,再使用unsqueeze函数将一维的信号上插入一个维度,再使用二维卷积层进行二维卷积操作,得到多个二维多类别时序信号分类识别网络模型,比较多个一维多类别时序信号分类识别网络模型及多个二维多类别时序信号分类识别网络模型,计算出在验证集上的损失最小的模型作为最佳多类别时序信号分类识别网络模型。这样既不损耗原始数据信息,又能获得最佳多类别时序信号分类识别网络模型,达到比现有技术更好的信号分类效果。
在对多类别时序信号分类识别网络模型进行训练时,将原始训练集数据加载器中的特征矩阵划分为多个子集,依次选取其中一个子集作为验证集,其余子集作为训练集对多类别时序信号分类识别网络模型进行训练,训练完成后用选取的验证集进行验证,直至验证集遍历每一个子集,划分验证集的目的是根据训练集的结果进行验证,再根据验证集的结果自适应调整参数,这样有利于最终寻找到最优的一个模型作为最终用于测试的多类别时序信号分类识别网络模型。
具体的,可以按照式(1)计算在验证集上的损失,并且在对多类别时序信号分类识别网络模型进行训练时,进行多次重复训练,每次重复训练包含60次验证集的遍历。
(1);
其中:表示在验证集上的损失,/>表示多分类交叉熵损失,表示平方误差损失。
计算在验证集上的损失时在多分类交叉熵损失上增加一个平方误差损失,可以进一步防止多类别时序信号分类识别网络模型过度拟合。
在对多类别时序信号分类识别网络模型进行训练时,进行多次重复训练,每次重复训练包含60次验证集的遍历,进一步保证多类别时序信号分类识别网络模型的充分拟合,有利于寻找到最优多类别时序信号分类识别网络模型。
S6:使用原始测试集数据加载器对最佳多类别时序信号分类识别网络模型进行测试,并将通过最佳多类别时序信号分类识别网络模型测试得出的多类别时序信号的类别与原始测试集中原始多类别时序信号所标记的所属类别进行比对,并计算分类识别的准确率。
计算出分类识别的准确率后可以将其与预设的准确率阈值进行比较,若准确率大于等于预设的准确率阈值,则说明得到的最佳多类别时序信号分类识别网络模型符合要求,能够对多类别时序信号进行准确的分类识别,若计算出的分类识别的准确率小于预设的准确率阈值,则说明得到的最佳多类别时序信号分类识别网络模型不符合要求,需要继续进行拟合训练并测试。
具体实施范例:
为了阐述本发明提出的一种多类别时序信号的分类识别方法的有效性,基于十九类雷达有源干扰信号进行了消融实验和对比试验验证,通过使用本发明特征提取方式在雷达有源干扰数据上的效果与分别使用LSTM、BiGRU和ResNet等传统方法进行对比。
本发明使用含有十个不同类别的雷达有源干扰信号的数据集,其中各个信号的参数如表1所示,且每种干扰信号都有500个样本数据作为训练集,200个样本数据作为测试集。
表1
然后按照本发明的方法搭建多类别时序信号分类识别网络模型,并进行训练及验证,最终计算出分类识别的准确率与其他几种现有的分类识别方法的对比如表2所示:
表2
由表2可以看出,采用经典的LSTM、BiGRU以及ResNet网络进行雷达有源干扰信号识别的实验,得到的对干扰信号识别的准确率分别为81.61%、74.76%、81.94%,远低于本发明对雷达有源干扰信号识别的准确率98.93%,说明本发明提供的一种多类别时序信号的分类识别方法,对多类别干扰时序信号具有高敏感度,适合用于多类别雷达干扰信号分类识别,其对多类别时序信号的分类识别更加准确可靠。
综上所述,本发明提供一种多类别时序信号的分类识别方法,使用多类别时序信号的时域信息及频域信息,在每一次训练时先通过一维卷积层直接使用PyTorch框架中的Conv1d进行一维卷积操作,得到多个一维多类别时序信号分类识别网络模型,再通过二维卷积层,先使用unsqueeze函数将一维的信号上插入一个维度,再使用Conv2d进行二维卷积操作,得到多个二维多类别时序信号分类识别网络模型,比较多个一维多类别时序信号分类识别网络模型及多个二维多类别时序信号分类识别网络模型,计算出在验证集上的损失最小的模型作为最佳多类别时序信号分类识别网络模型,并在模型训练及模型优化时进行交叉验证的,并结合参数自适应调整策略,提高了多类别时序信号分类识别网络模型的准确性,既没有损耗原始数据信息,又能获得比现有技术更好的信号分类效果。
以上所述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 (6)
1.一种多类别时序信号的分类识别方法,其特征在于:包括如下步骤:
S1:对原始多类别时序信号进行采集,并根据原始多类别时序信号所属类别赋予不同的标签,然后按照设定比例将赋予标签的原始多类别时序信号分别保存至原始训练集和原始测试集;
S2:对原始训练集和原始测试集中的每一个原始多类别时序信号提取时域信息,并对每一个原始多类别时序信号提取出与每一个时域信息对应的频域信息;
S3:将原始训练集中的时域信息与相应的频域信息组成原始训练集特征矩阵导入原始训练集数据加载器中,将原始测试集中的时域信息与相应的频域信息组成原始测试集特征矩阵导入原始测试集数据加载器中;
S4:在PyTorch框架之下按照设定参数搭建多类别时序信号分类识别网络模型并进行参数设置,且搭建的多类别时序信号分类识别网络模型包括一个一维卷积层和一个二维卷积层;
S5:将原始训练集数据加载器中的特征矩阵划分为多个子集,依次选取其中一个子集作为验证集,其余子集作为训练集对多类别时序信号分类识别网络模型进行训练,训练完成后用选取的验证集进行验证,直至验证集遍历每一个子集,且在每一次训练时,先直接使用PyTorch框架中的一维卷积层进行一维卷积操作,得到多个一维多类别时序信号分类识别网络模型,再使用unsqueeze函数将一维的信号上插入一个维度,再使用二维卷积层进行二维卷积操作,得到多个二维多类别时序信号分类识别网络模型,比较多个一维多类别时序信号分类识别网络模型及多个二维多类别时序信号分类识别网络模型,计算出在验证集上的损失最小的模型作为最佳多类别时序信号分类识别网络模型;
S6:使用原始测试集数据加载器对最佳多类别时序信号分类识别网络模型进行测试,并将通过最佳多类别时序信号分类识别网络模型测试得出的多类别时序信号的类别与原始测试集中原始多类别时序信号所标记的所属类别进行比对,并计算分类识别的准确率。
2.根据权利要求1所述的一种多类别时序信号的分类识别方法,其特征在于:步骤S4中搭建的多类别时序信号分类识别网络模型还包括一维激活层、二维激活层、一维池化层、二维池化层、一级全连接层及二级全连接层,所述一维激活层设置于一维卷积层之后,二维激活层设置于二维卷积层之后,一维池化层设置于一维激活层之后,二维池化层设置于二维激活层之后,一级全连接层及二级全连接层依次设置于二维池化层之后,且在一级全连接层与二级全连接层之间设有激活函数。
3.根据权利要求1所述的一种多类别时序信号的分类识别方法,其特征在于:步骤S4中的参数设置包括多类别时序信号分类识别网络模型的学习率,初始学习率设置为0.00001,在完成验证集的一次遍历后,使用学习率自适应调整策略进行学习率调整,若经过连续两次验证集的遍历后在验证集上的损失没有减小,则将多类别时序信号分类识别网络模型的学习率减半。
4.根据权利要求1所述的一种多类别时序信号的分类识别方法,其特征在于:步骤S5中按照式(1)计算在验证集上的损失:
(1);
其中:表示在验证集上的损失,/>表示多分类交叉熵损失,表示平方误差损失。
5.根据权利要求1所述的一种多类别时序信号的分类识别方法,其特征在于:步骤S5中对多类别时序信号分类识别网络模型进行训练时,进行多次重复训练,且每次重复训练包含60次验证集的遍历。
6.根据权利要求1所述的一种多类别时序信号的分类识别方法,其特征在于:步骤S2中提取与每一个时域信息对应的频域信息时,先对每一个原始多类别时序信号进行傅里叶变换,再提取出与每一个时域信息对应的频域信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410348327.1A CN117951615A (zh) | 2024-03-26 | 2024-03-26 | 一种多类别时序信号的分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410348327.1A CN117951615A (zh) | 2024-03-26 | 2024-03-26 | 一种多类别时序信号的分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117951615A true CN117951615A (zh) | 2024-04-30 |
Family
ID=90805537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410348327.1A Pending CN117951615A (zh) | 2024-03-26 | 2024-03-26 | 一种多类别时序信号的分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951615A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114296005A (zh) * | 2021-12-09 | 2022-04-08 | 黄冈师范学院 | 一种模块化多电平换流器子模块复合故障诊断方法 |
CN114881150A (zh) * | 2022-05-11 | 2022-08-09 | 东北大学 | 一种基于多位置传感器特征融合的行为识别系统及其方法 |
CN115500807A (zh) * | 2022-09-20 | 2022-12-23 | 山东大学 | 基于小型卷积神经网络的心律失常分类检测方法及系统 |
CN115753101A (zh) * | 2022-06-22 | 2023-03-07 | 河北工业大学 | 一种基于权重自适应特征融合的轴承故障诊断方法 |
CN117290771A (zh) * | 2023-09-22 | 2023-12-26 | 南京航空航天大学 | 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法 |
WO2024021882A1 (zh) * | 2022-07-28 | 2024-02-01 | 腾讯科技(深圳)有限公司 | 音频数据处理方法、装置、计算机设备和存储介质 |
-
2024
- 2024-03-26 CN CN202410348327.1A patent/CN117951615A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114296005A (zh) * | 2021-12-09 | 2022-04-08 | 黄冈师范学院 | 一种模块化多电平换流器子模块复合故障诊断方法 |
CN114881150A (zh) * | 2022-05-11 | 2022-08-09 | 东北大学 | 一种基于多位置传感器特征融合的行为识别系统及其方法 |
CN115753101A (zh) * | 2022-06-22 | 2023-03-07 | 河北工业大学 | 一种基于权重自适应特征融合的轴承故障诊断方法 |
WO2024021882A1 (zh) * | 2022-07-28 | 2024-02-01 | 腾讯科技(深圳)有限公司 | 音频数据处理方法、装置、计算机设备和存储介质 |
CN115500807A (zh) * | 2022-09-20 | 2022-12-23 | 山东大学 | 基于小型卷积神经网络的心律失常分类检测方法及系统 |
CN117290771A (zh) * | 2023-09-22 | 2023-12-26 | 南京航空航天大学 | 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
FEIYU LU ET AL: "Explainable 1DCNN with demodulated frequency features method for fault diagnosis of rolling bearing under time-varying speed conditions", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, 29 June 2022 (2022-06-29), pages 1 - 19 * |
伍济钢等: "改进一维卷积神经网络的航空发动机故障诊断方法", 《电子测量与仪器学报》, 31 March 2023 (2023-03-31), pages 179 - 186 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
CN107680077A (zh) | 一种基于多阶梯度特征的无参考图像质量评价方法 | |
CN105760821A (zh) | 基于核空间的分类聚集稀疏表示的人脸识别方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
CN109614866A (zh) | 基于级联深度卷积神经网络的人脸检测方法 | |
CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
CN115661627A (zh) | 一种基于GAF-D3Net的单波束水下目标识别方法 | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN111967358A (zh) | 一种基于注意力机制的神经网络步态识别方法 | |
CN113627391B (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
CN113435276A (zh) | 一种基于对抗残差网络的水声目标识别方法 | |
CN116127298B (zh) | 基于三元组损失的小样本射频指纹识别方法 | |
CN104008389A (zh) | 结合Gabor小波和SVM进行物体识别的方法 | |
CN117951615A (zh) | 一种多类别时序信号的分类识别方法 | |
CN111127407A (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Feng et al. | Study on the optimization of CNN based on image identification | |
CN106650678A (zh) | Gabor小波子带相关结构人脸识别方法 | |
KR102340387B1 (ko) | 뇌 연결성 학습 방법 및 이를 위한 시스템 | |
Liu et al. | Graph representation learning for spatial image steganalysis | |
CN113673451A (zh) | 一种用于组织细胞学病理片图像特征抽取的图卷积模块 | |
CN106326891A (zh) | 移动终端及其目标检测方法及装置 | |
Cheng et al. | Indoor Pedestrian Detection Based on Deep Learning |
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 |