一种信号分类的方法及装置制造方法及图纸

本发明专利技术公开了一种信号分类的方法及装置，该方法包括获取采集的信号数据，对信号数据进行分割，得到第一信号数据集，对第一信号数据集进行小波包分解，得到小波包系数数据集，将小波包系数数据集输入至深度卷积分类模型，确定出信号数据的分类，深度卷积分类模型是根据预设的训练样本集进行信号特征的训练学习确定的。由于小波包分解具有可以将信号按照任意时频分辨率进行分解的特点，将不同频段的信号分解到相应的频段中，解决傅里叶变换、小波变换等方法难以充分表述信号序列时频域特征的问题。小波包分解得到的特征工程，有利于CNN进一步学习更高抽象层级的特征，可将信号时间序列处理成为CNN所需的二维矩阵，从而提高信号分类的精度。

A Method and Device for Signal Classification

【技术实现步骤摘要】
一种信号分类的方法及装置
本专利技术实施例涉及数据处理
，尤其涉及一种信号分类的方法及装置。
技术介绍
当前PHM(故障预测与健康管理)技术的兴起，利用智能传感器(振动、温度、电流、电压等)对装备、设施进行在线监控，成为业界提高设备运维效率的研究热点，这其中的核心技术在于传感器信号的模式识别。一般来说，传感器信号可归为时间序列，时间序列是指将同一统计指标的数值按其先后发生的时间顺序排列而成的数列。时间序列分析(Timeseriesanalysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。对于信号分类而言，经典分类算法(如SVM、经典多层神经网络、决策树、Adaboost)的表现一般较差，其根本原因在于时间序列数据与传统的空间点数据存在关键不同：对于一个时间序列x，其每一个时刻的测量值对应于传统欧式空间的一个维度。在传统的欧氏空间中，维度之间的关联关系是有限的，不同维度的数值大小可以千差万别。然而对于一个时间序列，其所有的信息都包含在不同时刻的变化中。时间序列通常会按照某一些模式变化，因此其数据在本文档来自技高网...

【技术保护点】
1.一种信号分类的方法，其特征在于，包括：获取采集的信号数据；对所述信号数据进行分割，得到第一信号数据集；对所述第一信号数据集进行小波包分解，得到小波包系数数据集；将所述小波包系数数据集输入至深度卷积分类模型，确定出所述信号数据的分类，所述深度卷积分类模型是根据预设的训练样本集进行信号特征的训练学习确定的。

【技术特征摘要】
1.一种信号分类的方法，其特征在于，包括：获取采集的信号数据；对所述信号数据进行分割，得到第一信号数据集；对所述第一信号数据集进行小波包分解，得到小波包系数数据集；将所述小波包系数数据集输入至深度卷积分类模型，确定出所述信号数据的分类，所述深度卷积分类模型是根据预设的训练样本集进行信号特征的训练学习确定的。2.如权利要求1所述的方法，其特征在于，所述对所述信号数据进行分割，得到第一信号数据集，包括：以截取所述信号数据中大于一个工作周期长度的N个连续数据点作为一段数据，对所述信号数据进行分割，得到多段数据，生成所述第一信号数据集；或采取重叠分割方式，对所述信号数据进行分割，得到所述第一信号数据集。3.如权利要求1所述的方法，其特征在于，所述根据预设的训练样本集进行信号特征的训练学习确定深度卷积分类模型，包括：对获取的信号进行标记；对所述标记的信号数据进行分割，得到样本数据；将所述样本数据进行小波包分解，确定出小波包系数样本集；根据所述小波包系数样本集和预设深度卷积神经网络CNN进行信号特征训练，确定出所述深度卷积分类模型。4.如权利要求3所述的方法，其特征在于，所述根据所述小波包系数样本集和预设CNN进行信号特征训练，确定出所述深度卷积分类模型，包括：将所述小波包系数样本集划分为训练集、验证集和测试集；将所述训练集、验证集和测试集作为所述预设CNN的输入数据，进行训练学习，确定出所述深度卷积分类模型。5.一种信号分类的装置，其特征在于，包括：获取单元，用于获取采集的信号数据；处理单元，用于对所...

【专利技术属性】
技术研发人员：周波，万里，许铁军，
申请(专利权)人：青岛海信网络科技股份有限公司，
类型：发明
国别省市：山东,37