[发明专利]一种信号分类的方法及装置

说明书

本发明公开了一种信号分类的方法及装置，该方法包括获取采集的信号数据，对信号数据进行分割，得到第一信号数据集，对第一信号数据集进行小波包分解，得到小波包系数数据集，将小波包系数数据集输入至深度卷积分类模型，确定出信号数据的分类，深度卷积分类模型是根据预设的训练样本集进行信号特征的训练学习确定的。由于小波包分解具有可以将信号按照任意时频分辨率进行分解的特点，将不同频段的信号分解到相应的频段中，解决傅里叶变换、小波变换等方法难以充分表述信号序列时频域特征的问题。小波包分解得到的特征工程，有利于CNN进一步学习更高抽象层级的特征，可将信号时间序列处理成为CNN所需的二维矩阵，从而提高信号分类的精度。

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种信号分类的方法及装置。

背景技术

当前PHM(故障预测与健康管理)技术的兴起，利用智能传感器(振动、温度、电流、电压等)对装备、设施进行在线监控，成为业界提高设备运维效率的研究热点，这其中的核心技术在于传感器信号的模式识别。一般来说，传感器信号可归为时间序列，时间序列是指将同一统计指标的数值按其先后发生的时间顺序排列而成的数列。时间序列分析(Timeseries analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。

对于信号分类而言，经典分类算法(如SVM、经典多层神经网络、决策树、Adaboost)的表现一般较差，其根本原因在于时间序列数据与传统的空间点数据存在关键不同：对于一个时间序列x，其每一个时刻的测量值对应于传统欧式空间的一个维度。在传统的欧氏空间中，维度之间的关联关系是有限的，不同维度的数值大小可以千差万别。然而对于一个时间序列，其所有的信息都包含在不同时刻的变化中。时间序列通常会按照某一些模式变化，因此其数据在不同维度的上的关联性非常重要。基于此差异，时间序列数据无法很好地被传统基于欧式距离的分类算法所求解。

通常对于信号分析，一般采用傅立叶变换、小波变换及HHT变换等方法。常规傅里叶分析理论在时频联合分析方面存在局限，只能简单的将时域信号转化为频域信号，而不能得到具体频率段数据出现的时间；HHT变换在分解复杂信号时存在求解结果精度不高、计算时间长的不足，同时还存在边端效应、越界问题、停止准则和虚假低频成分过滤的问题。傅里叶变换的实质是把波形分解成许多不同频率的正弦波的叠加，对于确知信号和平稳随机过程有着广泛的应用，但是傅里叶分析是一种全局变换，要么时域，要么频域，无法同时表述信号的时频域特征，而这种特征常常是非平稳信号的关键性质。小波变换能将数据分为n段处理，能够体现信号的时频域特征，但是单纯的小波变换不够智能，需要专业人士才能识别信号，检测不方便，另外小波变换不能对高频段进一步进行分解，这也限制了信号分析的效果。

现阶段，通常对信号分类能起到较好效果的是，基于经典的信号分析技术，对信号时间序列进行变换、时频分析之后获取数据特征，再利用这些特征建立分类模型(经典的机器学习分类器)，精度已经可以达到80％以上，但还是比较依赖人工的特征工程，人的特征工程经验对模型精度影响很大。

发明内容

本发明实施例提供一种信号分类的方法及装置，用以实现提高信号分类的精度。

本发明实施例提供的一种信号分类的方法，包括：

获取采集的信号数据；

对所述信号数据进行分割，得到第一信号数据集；

对所述第一信号数据集进行小波包分解，得到小波包系数数据集；

将所述小波包系数数据集输入至深度卷积分类模型，确定出所述信号数据的分类，所述深度卷积分类模型是根据预设的训练样本集进行信号特征的训练学习确定的。