[发明专利]基于多级语义表征和语义计算的信号语义识别方法

权利要求书

1.一种基于多级语义表征和语义计算的信号语义识别方法，其特征在于，包括如下：

(1)将从信号语义识别数据集中随机选取的M个带有标签的信号组成训练样本集S_a，剩余信号组成测试样本集S_b，其中M≥100；

(2)构建信号语义识别网络H：

(2a)建立由N_l个顺次连接的语义表征子网络W_r^(l)组成的语义表征网络W_r＝{W_r^(l)}，用于表征信号中的语义特征，其中，N_l≥2，l为语义表征子网络W_r^(l)的序号，1≤l≤N_l；其中语义表征子网络W_r^(l)，包括N_p个并联的语义表征模块R_j^(l)，1≤j≤N_p，N_p≥2，每个语义表征模块R_j^(l)包括级联的语义变换参数生成器G_j^(l)和语义变换器T_j^(l)，G_j^(l)包括多个层叠的卷积层和一个全局均值池化层，T_j^(l)用于根据G_j^(l)生成的语义变换参数θ_i,j^(l)对语义基元p_j^(l)进行语义变换，θ_i,j^(l)为G_j^(l)根据第i个输入样本生成的语义变换参数，1≤i≤M；

(2b)建立由多个层叠的图卷积层和一个全局图平均池化层组成的语义计算网络W_c，用于根据语义特征计算信号的语义类别；

(2c)将语义表征网络W_r与语义计算网络W_c进行级联，组成信号语义识别网络H；

(3)对信号语义识别网络H进行训练：

(3a)将训练样本集S_a输入到语义表征网络W_r中，并令l＝1，将S_a作为语义表征子网络W_r^(l)的输入训练样本集S_a^(l)，对其进行如下迭代训练：

(3a1)设置语义表征子网络W_r^(l)的损失函数为L_r＝L_r1+λL_r2，最大迭代次数T≥10，并令初始迭代次数t＝0，其中，L_r1为语义表征独立性损失函数，L_r2为语义表征强度损失函数，λ为L_f1和L_f2的平衡权重，λ＞0；

(3a2)将S_a^(l)输入到语义表征子网络W_r^(l)中，得到W_r^(l)的输出O^(l)，根据O^(l)计算L_r的值，并采用梯度下降法，对W_r^(l)进行更新；

(3a3)判断t≥T是否成立，若是，得到训练好的语义表征子网络W_r^(l)′，执行(3a4)，否则，令t＝t+1，返回(3a2)；

(3a4)判断l≥N_l是否成立，若是，得到训练好的表征网络W_r′及其输出O′，执行(3b)，否则，令l＝l+1，并令S_a^(l)为O^(l-1)′，返回(3a1)；

(3b)对语义计算网络W_c进行如下迭代训练：

(3b1)设置语义计算网络W_c的损失函数为交叉熵损失函数L_c，最大迭代次数Q≥100，并令初始迭代次数q＝0；

(3b2)将训练好的表征网络W_r′的输出O′输入到语义计算网络W_c中，得到W_c的输出O_c，并根据O_c计算L_c的值，采用梯度下降法，对W_c进行更新；

(3b3)判断q≥Q是否成立，若是，得到训练好的语义计算子网络W_c′，否则，令q＝q+1，返回(3b2)；

(3c)将训练好的表征网络W_r′和训练好的语义计算子网络W_c′进行级联，组成训练好的信号语义识别网络H′；

(4)将测试样本集S_b输入到训练好的信号语义识别网络H′中，得到信号语义识别结果。