[发明专利]一种基于复值干涉神经网络的时序信号识别方法

权利要求书

1.一种基于复值干涉神经网络的时序信号识别方法，其特征在于，包括以下步骤：

第一步，将时序信号做预处理并计算时序信号的复值时频图；

第二步，构建复值干涉神经网络，复值干涉神经网络以干涉卷积层和频域全连接层依次交替连接为主要特征，其中干涉卷积层对复值时频图做时间维的复值卷积操作以模拟波的干涉过程，频域全连接层对复值时频图做频率维度的复值全连接操作以模拟波的非线性过程；

第三步，计算分类损失函数，并基于梯度下降法进行复值干涉神经网络训练，得到复值干涉神经网络模型；

第四步，依据第一步，由待测试时序信号获得待测试复值时频图数据，利用复值干涉神经网络模型和待测试复值时频图数据，得到待测试时序信号属于各个类别的概率，最后取概率最大值对应的类别作为复值干涉神经网络的最终预测结果，从而实现时序信号的识别。

2.根据权利要求1所述的基于复值干涉神经网络的时序信号识别方法，其特征在于：第二步中，所述频域全连接层包括：对输入张量进行维度变换，使变换后张量的最后一维是频率维度；定义两个全连接层，所述两个全连接层等效为一个复值全连接层；根据维度变换后的张量和两个全连接层，计算出等效复值全连接层输出张量的实部张量和虚部张量；对实部张量和虚部张量进行维度拼接，并将拼接后的张量变换为与输入张量意义相同的五维张量，作为频域全连接层的最终输出结果。

3.根据权利要求1所述的基于复值干涉神经网络的时序信号识别方法，其特征在于：第二步中，所述干涉卷积层包括：取输入数据的实部虚部，然后对实部张量、虚部张量作维度变换，使变换后张量的最后一维是时间维度；定义两个卷积层，这两个卷积层等效为一个复值卷积层，其中两个卷积层的权重参数均使用Kaiming正态初始化方法进行初始化；根据维度变换后的张量和两个卷积层，计算等效复值卷积层输出张量的实部张量和虚部张量；对实部张量和虚部张量进行维度拼接，并将拼接后的张量变换为与输入张量意义相同的五维张量，作为干涉卷积层的最终输出结果。

4.根据权利要求1所述的基于复值干涉神经网络的时序信号识别方法，其特征在于：所述构建的复值干涉神经网络，包括重复堆叠频域全连接层和干涉卷积层若干次以增加网络深度；接入统计池化层，将复值数据转化为实值数据，并获得每个样本的特征向量；最终接入两层普通全连接层用于特征变换，并输出样本属于各个类别的概率。

5.根据权利要求4所述的基于复值干涉神经网络的时序信号识别方法，其特征在于：所述构复值干涉神经网络中，重复堆叠频域全连接层和干涉卷积层时，采用ResNet和DenseNet网络架构中的跳层连接或稠密连接方式，以进一步增加网络深度。