[发明专利]基于回波测量数据的信号特征提取与数据挖掘方法

权利要求书

1.一种基于回波测量数据的信号特征提取与数据挖掘方法，其特征在于，采用深度学习信息处理技术，具体步骤为：

(1)在原始由多个目标共同产生的回波基础上，对于每个单独的目标额外产生回波数据，作为分离回波的标签；

(2)构建基本残差块，其结构包括：三个一维卷积，一个ReLU激活函数，两个批正则化函数，一个最大池化层；

(3)分别将12个基本残差块链接成编码器和解码器，并用一维卷积链接，最后在编码器、解码器同一抽象等级之间使用跨层链接组成完整的深度学习网络；

(4)在完整数据集上根据8:1:1的比例，在同一目标位置下根据不同相对姿态划分训练集，验证集和测试集；

(5)对于深度学习网络，首先是在训练集上进行多次训练，然后再降低学习率，一边在训练集上训练，一边在验证集上验证性能，满足一定条件后停止训练，输出在验证集上最好的网络模型；

步骤(1)中所述的对于每个单独的目标额外产生回波数据的流程为：对于给定的目标位置和目标姿态，设有k个目标，生成第一个目标单独产生的回波，是把第一个目标的位置和相对姿态保存下来，而把其他的目标移除，生成这个目标对应的标签；这样的过程重复k次，即得到全部的标签；

步骤(2)中所述基本残差块内设有两个通路：一个通路称之为映射通路，用于将输入信号直接映射到通道数更多的高维空间，以获得更容易处理的高维表示；另一个通路称之为残差通路，用于学习前一个通路里获得的高维表示和更好的高维表示之间的残差；

在映射通路里，由于回波信号有着强时序相关性，使用一个一维卷积来获得时序信息并改变输入的通道数，用conv_f表示这个一维卷积；又为了实现残差相加，根据前面卷积的核大小来设置步长，确保输入的长度不变，这样可以与残差通路的输出直接相加，用conv_f(x)表示经过映射得到结果；

在残差通路里，重复使用了两个同样的结构，这种结构具体描述如下：

(a)同样是为了获得时序信息，输入先经过一个一维卷积，用conv_1来表示；

(b)再使用线性整流函数作为激活函数，把结果里小于0的部分强制设为0，这一部分不涉及梯度回传，用relu_1表示；

(c)为了方便训练，再使用一个批正则化，用bn_1表示；由于输入输出都是相对于一个批而言的，批正则化就是对这个批里面的所有样本做一个映射来把均值映射为0，方差映射为1，以加速网络训练；

输入经过两次由上面的(a)、(b)、(c)通路，第二次里的一维卷积，激活函数，批正则化函数分别由conv_2，relu_2，bn_2表示，得到的就是残差，用res(x)表示；

最后用一个最大池化层来得到最后的结果，即在输入上设置一个滑动窗口，输出这个窗口里最大的值，这个池化层的输入是conv_f(x)+res(x)；池化层的作用是保留显著特征的同时降低参数量，用MaxPool表示；

步骤(5)中,训练网络的具体步骤为，先把训练集中的数据随机分为多个批，每一个批由64个回波信号组成；把训练网络分为两个阶段：

第一个阶段采用较高学习率，即使用学习率在0.001之间,beta1＝0.9,beta2＝0.999的Adam优化器；只在训练集上跑迭代，用MSE作为损失函数做梯度回传，表达式如下：

MSE(Z_i,Y_i)＝||Z_i-Y_i||₂

第二阶段采用较低的学习率，与第一阶段不同的地方在于把学习率降低为0.0001，此外在训练集上跑迭代，仍然用一样的损失函数，然后每5次都在验证集上评价性能，如果在50次迭代以内性能没有提升就认为模型已经收敛，停止训练并输出历史最佳模型；

步骤(5)中,评价训练网络指标为两个，一个是峰值大小的相对误差，另一个是峰值相对位置的相对误差，如果这两个相对误差在均百分之十五以内，即为合格；

下面给出两个性能指标的准确定义，首先定义信号X的峰值为：

φ(X)＝max(X)

这里的信号X和后面的X均假设为只有长度一个维度的张量；

再定义信号X的峰值位置为：

P(X)＝argmax(X)

那么峰值大小的相对误差为：

峰值位置的相对误差为：

这里分母的含义是定义的波峰出现的长度，即整段波中大于峰值一定比例的点的个数，用k表示这里的一定比例；

这里的评价指标只和波峰的某个最大值点有关系，所以评价指标的输入参数只有一个明显波峰；

根据批样本数目或者信号长度取均值来平滑梯度；使用这样的损失函数来梯度回传，使输出信号所有点都尽可能接近标签，使输出更加具有可信度。

2.根据权利要求1所述的基于回波测量数据的信号特征提取与数据挖掘方法，其特征在于，步骤(3)中所述组成完整的深度学习网络的方法为：先取L个基本残差块，按照首尾相连的方式组成一个编码器，并且按照输入经过的先后顺序，给第一个经过的基本残差块编号为1，用f₁表示，其他同理；最后一个经过的基本残差块编号为L；

接着，经过一个一维卷积，用conv_med表示，这个一维卷积用于处理编码后的特征给后面的解码器；然后同样取L个基本残差块，也按照首尾相连的方式组成一个解码器，编号顺序与编码器的相反，给第一个经过的基本残差块编号为L，用h_L表示，其他同理；最后一个为1；这里的输入是经过前面提到的经过一维卷积处理后的特征；

最后，建立编码器和解码器的跨链接；对于解码器编号为i的基本残差块，如果iL,即不是第一个经过的基本残差块，输入就是编号为i的编码器残差块输出，和编号为i+1的解码器残差块的沿着通道拼起来；如果i＝L,就是和conv_med得到的输出拼起来作为输入。