[發明專利]基于深度學習的個體信號識別算法及系統

在審

• 申請號: 202010143701.6
• 申請日: 2020-03-04
• 公開（公告）號: CN111428580A
• 公開（公告）日: 2020-07-17
• 發明（設計）人: 曲媛媛;劉偉;鄭旭東;秦志亮;劉曉煒;謝耘
• 申請（專利權）人: 威海北洋電氣集團股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 威海科星專利事務所 37202
• 代理人: 初姣姣

1.一種基于深度學習的個體信號識別算法，其特征在于包括以下步驟：

步驟1：采集同一測試者在不同測試條件下產生的多個信號通道內多個類別的原始數據，并進行信號預處理；

步驟2：對多個信號通道內多個類別的原始數據，分別進行類別間差異性計算，并對計算結果按大小排序，選取結果最大的通道作為輸入信號通道；

步驟3：搭建并訓練CNN-HMM混合分類器，采用卷積神經網絡對信號進行特征提取，然后每個類別下分別訓練一個HMM模型，利用每個類別的HMM參數的運算確定落入每個類別的概率，最終確定分類結果；若分類結果不滿足要求，采取重復迭代的方式，添加步驟2中排序第二的通道信號，使排序第二的通道信號與排序第一的通道信號合并，重新訓練，直至獲得訓練后的CNN-HMM混合分類器；

步驟4：對步驟1中的同一測試者所提供的其他待分類數據依次執行步驟1、2后，利用步驟3中獲得的CNN-HMM混合分類器，計算信號在每個類別下的概率大小，輸出分類結果。

2.根據權利要求1所述的一種基于深度學習的個體信號識別算法，其特征在于步驟1中所述預處理為：對所采集的信號利用獨立成分分析法，進行降噪處理，按規定頻率段進行信號提取，然后截取預設長度數據，并對所截取的數據進行歸一化處理。

3.根據權利要求1所述的一種基于深度學習的個體信號識別算法，其特征在于步驟2對各自通道內不同類別間的信號進行類別間差異性計算是指進行樣本距離或類間距離或序列相關性的計算，所述樣本距離包括以下距離：點對點歐氏距離、區間對區間歐氏距離；類間距離包括：最小值距離、最大值距離、均值距離；序列相關性計算方法包括：獨立性檢驗、相關性檢驗或系列非參數檢驗。

4.根據權利要求1所述的一種基于深度學習的個體信號識別算法，其特征在于步驟3具體包括以下步驟：

步驟3-1：建立CNN-Relu深度學習網絡模型，對信號進行特征的自提取，首先令信號進入CNN卷積神經網絡，在每一層卷積層后均跟著一個Relu激勵函數，再通過各個網絡連接層，最后通過SoftMax層計算最終結果；

步驟3-2：運用交叉熵損失函數計算步驟3-1中網絡模型的損失，直至模型損失小于閾值0.1，則模型訓練結束，否則，利用Adam對模型參數進行優化；

步驟3-3：輸出經過步驟3-1、步驟3-2后得到的網絡模型連接層的中間結果，在不同類別下，分別訓練每個類別的HMM參數，用測試集進行分類效果的測試，并進行參數的保存；

步驟3-4：若步驟3-1中的網絡模型及步驟3-3中的HMM訓練的參數的分類效果達不到理想狀態，則繼續進行通道的選擇與串行疊加，重新進行步驟3-1至步驟3-3的訓練。

5.根據權利要求4所述的一種基于深度學習的個體信號識別算法，其特征在于步驟3-1中首先令信號進入一維卷積層，濾波器個數為8-64，步長為1-20，卷積和大小為5-20，后面緊跟著一個Relu激勵函數層，接著進入一層池化層，池化層步長為1-20，池化尺寸為5-20，重復以上網絡結構一次，共搭建兩層卷積網絡，再依次通過各個網絡連接層，通過計算得到最終結果；其中網絡連接層的結構共六層，依次設置一層全連接層，一層的密集層，一層激活函數，一層密集層，一層隨機失活層，一層Softmax層。

6.根據權利要求4所述的一種基于深度學習的個體信號識別算法，其特征在于步驟3-2在訓練網絡的過程中，采用Softmax輸出層上的二分類交叉熵作為整個網絡的損失函數，為了訓練網絡，采用Adam優化方法。

7.根據權利要求4所述的一種基于深度學習的個體信號識別算法，其特征在于步驟3-3中提取隨機失活層的中間結果，有關每個類別下HMM參數的訓練，具體為：將每個類別下樣本所提取出的隨機失活層數據進行整數化處理，按照四舍五入的原則將數據統一轉化為整數，分類別訓練并保存參數信息。