[发明专利]一种基于深度学习的无线信号区域强弱检测方法

权利要求书

1.一种基于深度学习的无线信号区域强弱检测方法，其特征在于，包括步骤：

步骤一：对信号数据进行短时傅立叶变换得到二维信号语图；

步骤二：对二维信号语图进行切割、填充与变形，得到语图样本；

步骤三：将每个样本平均分为N个区域，根据信号区域的强弱，将信号区域等级化，对语图样本每个区域根据等级进行标记处理，制作为数据集标签；

步骤四：使用深度学习一维压缩模型训练定制化数据集，损失值收敛后停止训练，得到模型权重文件；

步骤五：将预测信号通过步骤一和步骤二进行预处理；

步骤六：使用深度学习卷积神经网络和训练好的模型权重文件对预处理后的语图样本进行预测，每张语图样本通过预测都会得到对应的一组长度为M的区域信号强弱概率输出；

步骤七：将区域信号强弱概率映射到原预测语图上，设置信号阈值，设置最优区域阈值为最大概率值与信号阈值的差，当最大概率值大于信号阈值则认为是信号，小于信号阈值则是背景噪声，将各个区域概率整合后得到信号的位置信息；通过对每段信号区域的经区域信号强弱概率输出的预测值求均值得到该段信号的图像质量优劣预测值；取大于最优区域阈值的信号区域且连续最长的部分作为信号的最优区域；

其中，所述深度学习卷积神经网络的输入为256*512*1的矩阵，输出为1*32*1的特征矩阵，深度学习卷积神经网络首先使用64个卷积核将语图样本经过卷积压缩到一维特征向量中得到1*510*64特征矩阵，再进行池化得到1*255*64的特征矩阵，然后对特征矩阵进行高维的特征提取，经过三次卷积池化后得到1*32*512的特征矩阵，最后对其进行平坦化并全连接到512维的特征向量，再全连接到32维特征向量中；所述语图样本的大小为256*512*1，高度为256，宽度为512。