[發明專利]信號處理方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202010219441.6
• 申請日: 2020-03-25
• 公開（公告）號: CN111582020A
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 陳曦
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 深圳眾鼎專利商標代理事務所(普通合伙) 44325
• 代理人: 張美君

本發明公開一種信號處理方法、裝置、計算機設備及存儲介質，該信號處理方法包括獲取攜帶時間標簽的原始信號數據；對所述原始信號數據進行預處理以得到待處理樣本數據；對所述待處理樣本數據進行頻域轉換，得到與所述待處理樣本數據對應的信號特征；采用改進Transformer模型對所述信號特征進行處理，得到原始分類模型；所述改進Transformer模型包括雙向LSTM層、池化層以及融合層；所述雙向LSTM層和所述池化層用于提取數據特征；所述融合層用于將所述雙向LSTM層和所述池化層提取的數據特征進行融合；采用灰狼優化算法對所述原始分類模型進行優化，得到目標分類模型。該信號處理方法可有效保證模型分類精度和算法并行度。

技術領域

本發明涉及數據處理技術領域，尤其涉及一種信號處理方法、裝置、計算機設備及存儲介質。

背景技術

隨機信號是信息的一種載體，如電信號可以通過幅度、頻率、相位的變化來傳遞不同的信息，在日常生產生活中信號處理和分類有著廣泛的應用。

目前，信號分類方法主要包括兩大類，第一類方法：基于領域知識人工提取特征，然后使用分類算法(如邏輯回歸)，對信號數據進行分類。該類方法主要依賴于工程師對信號的理解和先驗知識，人工對信號提取特征，并且獨立于后續的分類模型。然而，并不是所有的工程師都可以掌握充足的領域知識，即使具備一定的信號處理知識，人工提取出的特征也不一定有利于分類，很可能遺漏某些具有較好區分度的隱藏特征。第二類方法：通過深度學習模型(如卷積神經網絡(CNN)及循環神經網絡(RNN))將特征提取與分類算法兩部分有機結合；其中，CNN結構雖然并行程度高但是沒有考慮信號采樣點間的時序關系；RNN中諸如長短時記憶網絡(LSTM)和門控循環單元(GRU)雖然可以捕獲信號采樣點的時間先后關系但網絡訓練耗時。

發明內容

本發明實施例提供一種信號處理方法、裝置、計算機設備及存儲介質，以解決目前信號分類方法訓練耗時且模型分類精度低的問題。

一種信號處理方法，包括：

獲取攜帶時間標簽的原始信號數據；

對所述原始信號數據進行預處理以得到待處理樣本數據；

對所述待處理樣本數據進行頻域轉換，得到與所述待處理樣本數據對應的信號特征；

采用改進Transformer模型對所述信號特征進行處理，得到原始分類模型；所述改進Transformer模型包括雙向LSTM層、池化層以及融合層；所述雙向LSTM層和所述池化層用于提取數據特征；所述融合層用于將所述雙向LSTM層和所述池化層提取的數據特征進行融合；

采用灰狼優化算法對所述原始分類模型進行優化，得到目標分類模型。

一種信號處理裝置，包括：

原始信號數據獲取模塊，用于獲取攜帶時間標簽的原始信號數據；

待處理樣本數據獲取模塊，用于對所述原始信號數據進行預處理以得到待處理樣本數據；

信號特征獲取模塊，用于對所述待處理樣本數據進行頻域轉換，得到與所述待處理樣本數據對應的信號特征；

原始分類模型獲取模塊，用于采用改進Transformer模型對所述信號特征進行處理，得到原始分類模型；所述改進Transformer模型包括雙向LSTM層、池化層以及融合層；所述雙向LSTM層和所述池化層用于提取數據特征；所述融合層用于將所述雙向LSTM層和所述池化層提取的數據特征進行融合；

目標分類模型獲取模塊，用于采用灰狼優化算法對所述原始分類模型進行優化，得到目標分類模型。

一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述信號處理方法的步驟。