[發明專利]一種基于比特域特征提取的目標分布式融合識別方法

有效

• 申請號: 202010945655.1
• 申請日: 2020-09-10
• 公開（公告）號: CN112115830B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 趙生捷;王德禎;張林;張榮慶;肖京;馬慧生;呂征南
• 申請（專利權）人: 同濟大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/25;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 上?？剖⒅R產權代理有限公司 31225
• 代理人: 趙繼明

本發明涉及一種基于比特域特征提取的目標分布式融合識別方法，用于邊緣設備和邊緣域融合中心中，方法包括以下步驟：1)從多種邊緣設備中獲取感知信號；2)獲取預先構建并訓練好的深度神經網絡，根據預設的部署規則，拆分深度神經網絡，并部署到多種邊緣設備和邊緣域融合中心中，獲得分布式神經網絡架構；邊緣設備中部署的深度神經網絡通過對輸出信號進行比特域特征提取，生成比特域特征向量，從而進行數據傳輸3)載入感知信號，獲取目標識別結果。與現有技術相比，本發明可在邊緣設備上對目標信號進行預處理，并得到量化壓縮后的比特域特征，進行數據傳輸，緩解云中心的計算存儲壓力和網絡帶寬壓力，并提高目標識別過程的響應速度。

技術領域

本發明涉及目標識別領域，尤其是涉及一種基于比特域特征提取的目標分布式融合識別方法。

背景技術

邊緣計算是指能夠在網絡邊緣執行計算的一種新型計算模型，其邊緣是指從數據源到云計算中心路徑之間的任意計算和網絡模型，而邊緣的下行數據表示云服務、上行數據表示萬物互聯服務。此外，邊緣計算的實際部署天然具備分布式特征，支持分布式計算與存儲，具有分布式資源的動態調度與統一管理、支撐分布式智能、具備分布式安全等能力。目前邊緣計算可以滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、安全與隱私保護等方面的諸多關鍵需求。與此同時，計算與存儲技術的長足發展使得邊緣感知設備具有較強的計算能力，可以負擔一定計算任務，從而加快系統的響應速度。

人工智能技術特別是深度學習方法已經在圖像/視頻目標檢測與識別領域中得到了廣泛應用，并取得了良好的預期成果。目前已有一些應用神經網絡進行目標識別的研究，楊偉超在文獻“Alpha穩定分布噪聲下通信信號調制識別研究”中使用深度學習方法對信號進行調制識別，得到了較好的識別效果。李佳宸在文獻“基于深度學習的數字調制信號識別方法研究”中提出基于深度學習的數字調制信號識別方法研究，分別應用兩種不同的深度學習模型,并通過仿真選定算法中需要的參數以達到最佳效果。但上述研究均未考慮在邊緣側應用神經網絡進行目標識別。

發明內容

本發明的目的就是為了克服上述現有技術存在未考慮在邊緣側應用神經網絡進行目標識別的缺陷而提供一種基于比特域特征提取的目標分布式融合識別方法。

本發明的目的可以通過以下技術方案來實現：

一種基于比特域特征提取的目標分布式融合識別方法，用于邊緣側通信網絡拓撲結構中，所述邊緣側通信網絡拓撲結構包括多種邊緣設備和邊緣域融合中心，所述方法包括以下步驟：

信號獲取步驟：從所述多種邊緣設備中獲取感知信號；

神經網絡部署步驟：獲取預先構建并訓練好的深度神經網絡，根據預設的部署規則，拆分所述深度神經網絡，并部署到所述多種邊緣設備和邊緣域融合中心中，獲得分布式神經網絡架構；

所述邊緣設備中部署的所述深度神經網絡中設有信號壓縮單元，所述信號壓縮單元，用于對所述邊緣設備中部署的深度神經網絡的輸出信號，進行比特域特征提取，生成比特域特征向量；

所述邊緣域融合中心根據所述比特域特征向量進行目標識別；

目標識別步驟：將所述感知信號載入所述分布式神經網絡架構中，獲取目標識別結果。

進一步地，所述信號壓縮單元第一信號壓縮層和第二信號壓縮層；

所述第一信號壓縮層采用第一激活函數，將所述邊緣設備中部署的深度神經網絡的輸出信號的各維實數值映射到0至1之間；

所述第二信號壓縮層連接所述第一信號壓縮層，所述第二信號壓縮層采用第二激活函數，將所述第一信號壓縮層映射到0至1之間的各維實數值映射到0和1上，生成比特域特征向量。

進一步地，所述第一激活函數為sigmoid激活函數。

進一步地，所述第二激活函數的表達式為：