[發(fā)明專利]一種基于可學習分數(shù)階小波變換的信號稀疏分解與重建系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 202310253733.5
• 申請日: 2023-03-16
• 公開（公告）號: CN116484174A
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計）人: 史軍;安思成;劉金龍;孫德華;李菲菲
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06N3/0464;G06N3/084
• 代理公司: 哈爾濱市陽光惠遠知識產(chǎn)權(quán)代理有限公司 23211
• 代理人: 劉景祥

本發(fā)明提出了一種基于可學習分數(shù)階小波變換的信號稀疏分解與重建系統(tǒng)及方法，構(gòu)建訓練數(shù)據(jù)樣本；針對于應用場景采集訓練信號s(t)作為網(wǎng)絡(luò)的訓練數(shù)據(jù)樣本；訓練可學習分數(shù)階小波變換深度卷積網(wǎng)絡(luò)；采集S1訓練數(shù)據(jù)樣本中的待稀疏分解與重建的信號將S1采集得到的待稀疏分解與重建的信號輸入S2訓練完的可學習分數(shù)階小波變換深度卷積網(wǎng)絡(luò)進行稀疏分解與重建；最后輸出重建信號；將分數(shù)階小波變換的卷積級聯(lián)分解算法和合成算法中預設(shè)的濾波器參數(shù)替換為可學習參量，通過反向傳播算法更新，可以對目標信號實現(xiàn)稀疏分解與重建。

技術(shù)領(lǐng)域

本發(fā)明屬于信號與信息處理技術(shù)領(lǐng)域，具體地，涉及一種基于可學習分數(shù)階小波變換的信號稀疏分解與重建系統(tǒng)及方法。

背景技術(shù)

在實際應用中，所遇到的信號通常都是非平穩(wěn)信號，譬如語音、雷達信號、生物醫(yī)學信號等。頻譜隨著時間的變化而改變是非平穩(wěn)信號的典型特征。傳統(tǒng)傅里葉變換奠定了平穩(wěn)信號分析的基礎(chǔ)，對于非平穩(wěn)信號則顯得無能為力。

為了處理非平穩(wěn)信號，在傅里葉變換的基礎(chǔ)上一系列新型信號處理工具應運而生。其中，分數(shù)階小波變換作為傳統(tǒng)小波變換的廣義形式，能夠?qū)⑿〔ㄗ儞Q在時間-頻率聯(lián)合域的信號分析方法擴展到一般的時間-分數(shù)階頻率聯(lián)合域。

分數(shù)階小波變換不僅繼承了傳統(tǒng)小波變換的所有性質(zhì)，而且具有傳統(tǒng)小波變換不具備的獨有特性，能夠解釋傳統(tǒng)小波變換不能解釋的現(xiàn)象。分數(shù)階小波變換有一個旋轉(zhuǎn)角度的自由參數(shù)，當旋轉(zhuǎn)角度從零逐漸變化到九十度，它能夠展示出信號從時域逐漸變化到時頻聯(lián)合域的動態(tài)特性。這為精細化表征非平穩(wěn)信號的時變譜特性提供了強有力的工具。

圖1和圖2分別給出了分數(shù)階小波變換分解算法和重建算法的原理框圖。

雖然分數(shù)階小波變換能夠在一定程度上進行信號的稀疏分解與重建，但是對于不同的信號樣本需要人工確定分數(shù)階小波基函數(shù)，無法最佳匹配待分析的數(shù)據(jù)。此外，目前對于分數(shù)階小波變換基函數(shù)的選擇與優(yōu)化通常是依靠經(jīng)驗，無法自適應數(shù)據(jù)的變化而做出相應改變。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明為解決分數(shù)階小波變換的基函數(shù)需要人為地根據(jù)經(jīng)驗設(shè)定而不是根據(jù)輸入信號的特征以及相應的指標來進行自適應調(diào)整這一現(xiàn)象，提出了一種基于可學習分數(shù)階小波變換的信號稀疏分解與重建系統(tǒng)及方法，將分數(shù)階小波變換的卷積級聯(lián)分解算法和合成算法中預設(shè)的濾波器參數(shù)替換為可學習參量，通過反向傳播算法更新，可以對目標信號實現(xiàn)稀疏分解與重建。

本發(fā)明通過以下技術(shù)方案實現(xiàn)：

一種基于可學習分數(shù)階小波變換的信號稀疏分解與重建方法：

所述方法具體包括以下步驟：

S1、構(gòu)建訓練數(shù)據(jù)樣本；針對于應用場景采集訓練信號s(t)作為網(wǎng)絡(luò)的訓練數(shù)據(jù)樣本；

S2、訓練可學習分數(shù)階小波變換深度卷積網(wǎng)絡(luò)；

S3、采集S1訓練數(shù)據(jù)樣本中的待稀疏分解與重建的信號

S4、將S1采集得到的待稀疏分解與重建的信號輸入S2訓練完的可學習分數(shù)階小波變換深度卷積網(wǎng)絡(luò)進行稀疏分解與重建；

S5、輸出重建信號。

進一步地，

在S2中包括以下步驟：

S21、對網(wǎng)絡(luò)中的角度參數(shù)α、分解層數(shù)L以及可學習參數(shù)進行初始化：

S22、對S1中網(wǎng)絡(luò)中的可學習參數(shù)進行訓練；

用v代表迭代次數(shù)，從v＝1開始循環(huán)迭代；

S23、對輸入信號進行分解得到所需的分解系數(shù)W＝[c_L,d₁,d₂,…,d_L]：