[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

说明书

本发明属于机器学习与信号特征提取技术领域，具体为基于回波测量数据的信号特征提取与数据挖掘方法。本发明方法包括：根据已有仿真数据额外生成仿真数据；构建可同时用于编码器解码器的基本残差块；编码器和解码器同一抽象等级跨链接；将由多个目标产生的原始回波输入进编码器得到易处理的特征图，再用解码器来得到多个由不同目标产生的回波，并根据波峰的幅值和位置的相对误差来评估性能。本发明可以很好地从多个目标共同产生的回波中分离出不同目标产生的回波，使得模型能很好的学习到目标产生回波的特征，从而提取出多个相对简单、由单个目标产生的回波。

技术领域

本发明属于机器学习与信号特征提取技术领域，具体涉及基于回波测量数据的信号特征提取与数据挖掘方法。

背景技术

回波测量数据的特征提取与数据挖掘实际上属于信号处理技术领域，不过传统信号处理方法依赖于待处理信号的物理模型，而用深度学习做信号处理需要根据信号本身特点搭建网络。目前基于深度学习的回波特征提取方法几乎没有可行性高的公开文献。

本发明所涉及的问题包括从由多个信号源反射的混合回波中分离出单个信号源所反射的信号，由于对混合源信号的系统特性缺乏有效信息，需通过一些方法和变换将单个所需的信号恢复，此类问题被称为盲源分离(BlindSourceSeparation)[1]。

最早由Heraul和Jutten等人在1986年提出的自适应空间采样算法，利用简单的神经网络实现了两个信号的盲分离[2]。1994年，Comon提出了基于最小互信息的ICA方法，系统阐述了独立分量的概念，也界定了盲源分离问题的基本假设条件[3]。1995年，Bell和Sejnowski发表的一篇基于信息最大化准则的ICA算法，通过利用最大化非线性节点熵的方法充分利用了非线性网络传输的信息量，进而成功研究了自适应盲分离以及盲反卷积[4]。盲源分离理论经过发展，被广泛应用于图像处理、语音处理、信号处理等领域。

在深度学习被广泛应用的时代，很多盲源分离问题可以利用深度学习的方法解决。例如在语音处理中，鸡尾酒会问题则是被研究最多的一个领域[5]，它试图解决在多人的声音混合的波形中分离出每个人的声音。与之类似任务的则是在音乐处理中，将组成一首歌的不同乐器与人声部分进行分离，他们都同属于多通道盲解卷积问题[6]。很多深度学习方法被成功利用与解决此类问题。Jansson等人参照在图像分割领域的U-Net模型结构[7]，将该结构网络应用在音乐频谱图上，成功分离出音乐中的人声以及不同乐器部分[8]。Daniel等人则在此基础上为了改进在音乐进行傅立叶变换时会丢失的相位信息等问题，提出了Wave-U-Net结构，直接在频域上进行处理[9]。Li等人则是将attention机制应用在此类问题上，提出了TF-Attention-Net[10]。

[1]Chabriel G,Kleinsteuber M,Moreau E,et al.Joint matricesdecompositions and blind source separation:A survey of methods,identification,and applications[J].IEEE Signal Processing Magazine,2014,31(3):34-43.

[2]Jutten C,Herault J.Blind separation of sources,part I:An adaptivealgorithm based on neuromimetic architecture[J].Signal processing,1991,24(1):1-10.

[3]Comon P.Separation of stochastic processes[C]//Workshop on Higher-Order Spectral Analysis.IEEE,1989:174-179.