[發明專利]一種基于高斯混合神經網絡模型的信號分類方法、設備及介質

在審

• 申請號: 201911018679.6
• 申請日: 2019-10-24
• 公開（公告）號: CN110781814A
• 公開（公告）日: 2020-02-11
• 發明（設計）人: 隋運峰;何東林;趙士瑄;劉為謙;程志;鄧凌竹
• 申請（專利權）人: 中國民用航空總局第二研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 11514 北京酷愛智慧知識產權代理有限公司
• 代理人: 占麗君

1.一種基于高斯混合神經網絡模型的信號分類方法，其特征在于，所述方法包括：

獲取待分類信號，將待分類信號輸入預先建立的高斯混合神經網絡模型中，以實現所述待分類信號的分類處理；

其中，所述高斯混合神經網絡模型包括與卷積-直連層連接的高斯混合判別層；所述高斯混合判別層依次包括：

歸一化層，用于將卷積-直連層輸出的特征向量調整至預設目標區間；

特征相似計算層，用于計算調整至目標區間范圍內的特征向量與通過深度學習訓練得到的高斯分布之間的特征相似性；

特征權重層，用于根據特征相似性的計算結果和通過深度學習訓練得到的特征權重矩陣，計算分類權重矩陣；

類別相似性計算層，用于根據分類權重矩陣計算每一個分類的分類相似性；

分類得分輸出層，用于將分類相似性轉化為0-1區間的分類得分。

2.如權利要求1所述的方法，其特征在于，歸一化層通過下式將卷積-直連層輸出的特征向量調整至預設目標區間：

其中，Fa為卷積-直連層的輸出向量，以及歸一化層的輸入向量，Fb為歸一化層的輸出向量，以及特征相似計算層的輸入向量；S＝[s₁,s₂,...,s_N]和T＝[t₁,t₂,...,t_N]分別表示歸一化層縮放和平移的初始化參數；N＞0，表示特征通道數，運算符表示元素配對乘法。

3.如權利要求1所述的方法，其特征在于，特征相似計算層通過下式確定調整至目標區間范圍內的特征向量與通過深度學習訓練得到的高斯分布之間的特征相似性：

其中，Fc為特征相似計算層的輸出矩陣，以及特征權重層的輸入矩陣，高斯分布的均值為μ、標準差為σ，角標i對應特征通道，角標j對應分類類型。

4.如權利要求1所述的方法，其特征在于，特征權重層通過下式計算分類權重矩陣：

其中，分類權重矩陣Fd為特征權重層的輸出矩陣，以及類別相似性計算層的輸入矩陣，運算符是元素配對乘法，W是特征權重矩陣，其表達式為：

其中，w_i-j為特征通道i上第j個分類權重，N表示特征通道數，M為目標分類類別數量。

5.如權利要求1所述的方法，其特征在于，類別相似性計算層通過下式計算每一個分類的分類相似性；

其中，Fe為類別相似性計算層的輸出矩陣，以及分類得分輸出層的輸入矩陣，角標i對應特征通道，角標j對應分類類型。

6.如權利要求1所述的方法，其特征在于，分類得分輸出層通過下式確定所述分類得分：

其中，Fe_k為Fe對第k類的分類得分中間計算值，score_k為高斯混合神經網絡輸入信號屬于k類的最終分類得分。

7.如權利要求2所述的方法，其特征在于，通過下式訓練獲得所述歸一化層縮放和平移的初始化參數：

其中，μ'_i、μ_i分別是在特征通道i上所有類別均值μ_i-j的最大值和最小值，s_i、t_i分別為S＝[s₁,s₂,...,s_N]和T＝[t₁,t₂,...,t_N]的第i個參數。

8.如權利要求3所述的方法，其特征在于，獲得所述特征權重層的初始輸入參數包括：

將訓練信號輸入所述高斯混合神經網絡模型中，對每個類別的訓練樣本分別計算卷積-直連層輸出向量的均值μ_i-j和標準樣本差σ_i-j，其中腳標i是特征通道編號，腳標j是類別編號。