[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

本發明涉及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，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、特征相似計算層、特征權重層、類別相似性計算層和分類得分輸出層；通過上述方案提升神經網絡整體性能。

技術領域

本發明屬于深度學習中的神經網絡技術領域，具體涉及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。

背景技術

目前，基于深度學習的神經網絡技術是用于對圖像進行特征的主流技術。采用卷積神經網絡中對圖像進行目標分類時，通常的工作的數學原理是將特征向量映射到一個具有更好可分性的高維空間。一般設計方法主要通過一個或者多個直連層實現特征向量向分類分數的轉化，直連層通過線性變化和非線性的激活函數實現。然而這類方法不但聚類能力差，且效率較低。

發明內容

為了彌補上述缺陷，本發明提出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，在同等的特征維度內具有更強的聚類區分能力；高斯混合神經網絡模型中包含的可替換的高斯混合判別層具有很高的自由度，可對常見的神經網絡中的判別層進行替換，從而提升神經網絡整體性能。

本發明通過以下技術手段解決上述技術問題：

一種基于高斯混合神經網絡模型的信號分類方法，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。

優選的，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：

Fb＝FaoS+T

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o表示元素配對乘法。

優選的，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。

優選的，特征權重層通過下式計算分類權重矩陣：

Fd＝log(Fc)oW

其中，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o是元素配對乘法，W是特征權重矩陣，其表達式為：