一种神经网络模型确定方法和系统技术方案

本发明专利技术公开了一种神经网络模型确定方法和系统，方法包括：获取训练样本信号集合，所述训练样本信号集合包括多组训练样本信号，每组训练样本信号包括标准数字信号和输入数字信号；将所述训练样本信号集合中的输入数字信号输入预设类型的深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；将每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号进行对比，得到对比结果；根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数。通过该技术方案，可以确定深度卷积神经网络模型，而该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化数字信号的预处理过程。

A method and system for determining neural network model

【技术实现步骤摘要】
一种神经网络模型确定方法和系统
本专利技术涉及深度学习算法
，更具体地，涉及一种神经网络模型确定方法和系统。
技术介绍
相关技术中，对于数字信号的预处理，如数字信号的还原、增强和去噪等，一般采用过滤器进行处理，但是，采用过滤器进行处理时，每种过滤器只能解决部分问题，这样，可能需要几十种过滤器，很难找到通用的过滤器。
技术实现思路
鉴于上述问题，本专利技术提出了一种神经网络模型确定方法和系统，其可以确定深度卷积神经网络模型，并通过深度卷积神经网络模型对数字信号进行处理，而该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化数字信号的预处理过程。根据本专利技术实施例的第一方面，提供一种神经网络模型确定方法，包括：获取训练样本信号集合，所述训练样本信号集合包括多组训练样本信号，每组训练样本信号包括标准数字信号和输入数字信号；将所述训练样本信号集合中的输入数字信号输入预设类型的深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；将每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号进行对比，得到对比结果；根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数。在一个实施例中，优选地，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号进行对比，得到对比结果，包括：计算每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号之间的信号差值；所述根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数，包括：根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；在所述精度未达到精度阈值时，调整所述当前神经网络参数。在一个实施例中，优选地，所述预设类型的深度卷积神经网络模型用于进行以下任一项操作：信号去噪操作、信号还原操作、相位还原操作和信号放大操作；当所述预设类型的深度卷积神经网络模型用于进行信号去噪操作时，所述输入数字信号中叠加有所述标准数字信号和随机高斯噪声信号；当所述预设类型的深度卷积神经网络模型用于进行信号还原操作时，所述标准数字信号为原始数字信号，所述输入数字信号由所述原始信号经预定转换方式进行转换处理得到；当所述预设类型的深度卷积神经网络模型用于进行相位还原操作时，所述标准数字信号为原始数字信号，所述输入数字信号由所述原始数字信号经相位偏移得到；当所述预设类型的深度卷积神经网络模型用于进行信号放大操作时，所述输入数字信号为原始数字信号，所述标准数字信号由所述原始数字信号经信号放大处理得到。在一个实施例中，优选地，当所述预设类型的深度卷积神经网络模型用于进行信号去噪操作时，所述获取训练样本信号集合，包括：从第一预定存储空间中调用信号发生程序，获取所述信号发生程序生成的多个标准数字信号保存在内存中；获取多个随机高斯噪声信号并保存在内存中；从内存中分别读取各个标准数字信号及各个所述随机高斯噪声信号，按照预定的规则利用所述内存中的随机高斯噪声信号对所述内存中的标准数字信号进行叠加，得到多个所述输入数字信号，将所述标准数字信号与对应的输入数字信号关联保存到位于第二预定存储空间的第一训练样本信号集合中。在一个实施例中，优选地，当所述预设类型的深度卷积神经网络模型用于进行信号还原操作时，所述获取训练样本信号集合，包括：从第一预定存储空间中调用信号发生程序，获取所述信号发生程序生成的多个标准数字信号保存在内存中；获取至少一种转换方式保存在内存中；从内存中选取转换方式对所述内存中的标准数字信号进行转换，得到多个所述输入数字信号，将所述标准数字信号与对应的输入数字信号关联保存到位于第二预定存储空间的第二训练样本信号集合中。在一个实施例中，优选地，当所述预设类型的深度卷积神经网络模型用于进行相位还原操作时，所述获取训练样本信号集合，包括：从第一预定存储空间中调用信号发生程序，获取所述信号发生程序生成的多个标准数字信号保存在内存中；获取至少一个相位偏移量保存在内存中；从内存中选取相位偏移量对所述内存中的标准数字信号进行相位偏移，得到多个所述输入数字信号，将所述标准数字信号与对应的输入数字信号关联保存到位于第二预定存储空间的第三训练样本信号集合中。在一个实施例中，优选地，当所述预设类型的深度卷积神经网络模型用于进行信号放大操作时，所述获取训练样本信号集合，包括：从第一预定存储空间中调用信号发生程序，获取所述信号发生程序生成的多个标准数字信号保存在内存中；获取至少一个放大系数保存在内存中；从内存中选取放大系数对所述内存中的标准数字信号进行放大处理，得到多个放大数字信号，将所述标准数字信号与对应的放大数字信号关联保存到位于第二预定存储空间的第四训练样本信号集合中。在一个实施例中，优选地，所述方法还包括：接收待处理的数字信号；利用预设类型的深度卷积神经网络模型对所述数字信号进行预处理操作，获得处理后的数字信号；输出所述处理后的数字信号。在一个实施例中，优选地，所述利用预设类型的深度卷积神经网络模型对所述数字信号进行预处理操作，获得处理后的数字信号，包括：在确定预处理目标为信号还原后，利用第一深度卷积神经网络模型对所述数字信号进行去噪操作，获得去噪后的数字信号；利用第二深度卷积神经网络模型对所述去噪后的数字信号进行相位还原操作，获得相位还原后的数字信号；利用第三深度卷积神经网络模型对所述去噪后的数字信号进行信号还原操作，得到所述数字信号对应的原始信号；在确定预处理目标为信号增强后，利用第一深度卷积神经网络模型对所述数字信号进行去噪操作，获得去噪后的数字信号；利用第二深度卷积神经网络模型对所述去噪后的数字信号进行相位还原操作，获得相位还原后的数字信号；利用第四深度卷积神经网络模型对所述去噪后的数字信号进行信号增强处理，得到所述数字信号对应的放大数字信号。根据本专利技术实施例的第二方面，提供一种神经网络模型确定系统，包括：一个或多个处理器；一个或多个存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行权利要求1至9任一项所述的方法。本专利技术实施例中，可以根据数字信号的处理需求确定预设类型的深度卷积神经网络模型，并通过预设类型的深度卷积神经网络模型对所述数字信号进行对应的预处理操作，如进行数字信号的还原，增强和去噪等操作，这样，不需要通过多个过滤器进行信号处理，而只通过深度卷积神经网络模型就可以实现信号处理，该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化数字信号的预处理过程，并且可以满足不同噪声环境下的数字信号处理需求。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一个实施例的神经网络模型确定方法流程图。图2是本专利技术另一个实施例的神经网络模型确定方法流程图。图3是本专利技术一个实施例的输入神经网络模型确定方法中步骤S101的流程图。图4是本专利技术另一个实施例的输入神经网络模型确定方法本文档来自技高网...

【技术保护点】
1.一种用于处理数字信号的神经网络模型确定方法，其特征在于，包括：获取训练样本信号集合，所述训练样本信号集合包括多组训练样本信号，每组训练样本信号包括标准数字信号和输入数字信号；将所述训练样本信号集合中的输入数字信号输入预设类型的深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；将每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号进行对比，得到对比结果；根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数。

【技术特征摘要】
1.一种用于处理数字信号的神经网络模型确定方法，其特征在于，包括：获取训练样本信号集合，所述训练样本信号集合包括多组训练样本信号，每组训练样本信号包括标准数字信号和输入数字信号；将所述训练样本信号集合中的输入数字信号输入预设类型的深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；将每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号进行对比，得到对比结果；根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数。2.根据权利要求1所述的神经网络模型确定方法，其特征在于，优选地，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号进行对比，得到对比结果，包括：计算每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号之间的信号差值；所述根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数，包括：根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；在所述精度未达到精度阈值时，调整所述当前神经网络参数。3.根据权利要求1所述的神经网络模型确定方法，其特征在于，优选地，所述预设类型的深度卷积神经网络模型用于进行以下任一项操作：信号去噪操作、信号还原操作、相位还原操作和信号放大操作；当所述预设类型的深度卷积神经网络模型用于进行信号去噪操作时，所述输入数字信号中叠加有所述标准数字信号和随机高斯噪声信号；当所述预设类型的深度卷积神经网络模型用于进行信号还原操作时，所述标准数字信号为原始数字信号，所述输入数字信号由所述原始信号经预定转换方式进行转换处理得到；当所述预设类型的深度卷积神经网络模型用于进行相位还原操作时，所述标准数字信号为原始数字信号，所述输入数字信号由所述原始数字信号经相位偏移得到；当所述预设类型的深度卷积神经网络模型用于进行信号放大操作时，所述输入数字信号为原始数字信号，所述标准数字信号由所述原始数字信号经信号放大处理得到。4.根据权利要求1所述的神经网络模型确定方法，其特征在于，优选地，当所述预设类型的深度卷积神经网络模型用于进行信号去噪操作时，所述获取训练样本信号集合，包括：从第一预定存储空间中调用信号发生程序，获取所述信号发生程序生成的多个标准数字信号保存在内存中；获取多个随机高斯噪声信号并保存在内存中；从内存中分别读取各个标准数字信号及各个所述随机高斯噪声信号，按照预定的规则利用所述内存中的随机高斯噪声信号对所述内存中的标准数字信号进行叠加，得到多个所述输入数字信号，将所述标准数字信号与对应的输入数字信号关联保存到位于第二预定存储空间的第一训练样本信号集合中。5.根据权利要求1所述的神经网络模型确定方法，其特征在于，优选地，当所述预设类型的深度卷积神经网络模型用于进行信号还原操作时，所述获取训练样本信号集合，包括：从第一预定存储空间中调用信号发生程序，获取...

【专利技术属性】
技术研发人员：杨建，夏广武，
申请(专利权)人：上海点积实业有限公司，
类型：发明
国别省市：上海,31