[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

说明书

本发明提出了一种基于复值干涉神经网络的时序信号识别方法，包括：将时序信号做预处理并计算信号的复值时频图；构建包含干涉卷积层和频域全连接层的复值干涉神经网络；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；复值干涉神经网络模型部署与测试。

技术领域

本发明涉及一种基于复值干涉神经网络的时序信号识别方法，主要针对复值时频图数据的信号识别问题，属于机器学习和时序信号处理技术领域。

背景技术

时序数据经常出现在很多领域中，如语音、通信、金融和生物医学等。传统的时序问题通常首先需要人力进行特征工程，才能将预处理的数据输入到机器学习算法中，并且这种特征工程通常需要一些特定领域内的专业知识，因此也就更进一步加大了预处理成本。然而随着深度学习的出现，卷积神经网络已经可以较为完美地处理计算机视觉任务，网络会一层层自动从最基本的特征组合成更加高级和抽象的特征，从而完成计算机视觉任务。但是，基于一维时序信号的卷积神经网络算法往往无法充分发挥卷积神经网络强大的自学习能力。研究表明，卷积神经网络能够高效提取空间数据的特征，因此基于时序信号二维时频图的卷积神经网络时序信号识别方法成为一种主流算法。

然而，信号时频图和自然图像有很大的不同，时频图的横轴和纵轴分别代表时间和频率，而自然图像的横轴和纵轴方向都代表空间。针对自然图像设计的网络结构层，如卷积层，没有考虑到横轴和纵轴在物理含义上的差别，因此虽然它已经在时序信号识别任务上取得了一些成果，但是仍然缺乏应有的鲁棒性和可解释性。针对以上问题，本发明提出了一种基于复值干涉神经网络的时序信号识别方法，其核心思路是，通过构建包含干涉卷积层和频域全连接层的复值干涉网络，充分挖掘时序信号的自相关特性，从而提取出各类时序信号的区分性特征，最终实现时序信号分类或识别。

发明内容

本发明解决的技术问题：用于复值时频图数据的时序信号识别。该问题可以描述为，构建一个包含可优化参数的复杂神经网络结构，并通过梯度下降法优化参数，从而使得该结构能够自动地从复值的时频图中发现不同类别时序信号的区分性特征，最终利用其特征实现某些给定的目标。在这样的过程中，神经网络的结构直接影响到所提取特征的优劣，本发明给出了一种具备良好的可解释性和噪声鲁棒性的神经网络结构。

本发明一种基于复值干涉神经网络的时序信号识别方法，包括：将时序信号做预处理并计算信号的复值时频图；构建包含干涉卷积层和频域全连接层的复值干涉神经网络；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；复值干涉神经网络模型部署与测试。

利用复值干涉神经网络进行射频指纹识别的流程图如图1所示，主要包括以下步骤：以下步骤：

步骤S1，将时序信号做预处理并计算时序信号的复值时频图；

步骤S2，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；

步骤S3，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；

步骤S4，依据步骤S1，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。

步骤S2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，这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。