【技术实现步骤摘要】
一种基于高斯混合神经网络模型的信号分类方法、设备及介质
本专利技术属于深度学习中的神经网络
,具体涉及一种基于高斯混合神经网络模型的信号分类方法、设备及介质。
技术介绍
目前,基于深度学习的神经网络技术是用于对图像进行特征的主流技术。采用卷积神经网络中对图像进行目标分类时,通常的工作的数学原理是将特征向量映射到一个具有更好可分性的高维空间。一般设计方法主要通过一个或者多个直连层实现特征向量向分类分数的转化,直连层通过线性变化和非线性的激活函数实现。然而这类方法不但聚类能力差,且效率较低。
技术实现思路
为了弥补上述缺陷,本专利技术提出一种基于高斯混合神经网络模型的信号分类方法、设备及介质,在同等的特征维度内具有更强的聚类区分能力;高斯混合神经网络模型中包含的可替换的高斯混合判别层具有很高的自由度,可对常见的神经网络中的判别层进行替换,从而提升神经网络整体性能。本专利技术通过以下技术手段解决上述技术问题:一种基于高斯混合神经网络模型的信号分类方法,所述方法包括:获取待分类信号,将待分类信号输入预先建立的高斯混合神经网络模型中,以实现所述待分类信号的分类处理;其中,所述高斯混合神经网络模型包括与卷积-直连层连接的高斯混合判别层;所述高斯混合判别层依次包括:归一化层,用于将卷积-直连层输出的特征向量调整至预设目标区间;特征相似计算层,用于计算调整至目标区间范围内的特征向量与通过深度学习训练得到的高斯分布之间的特征相似性;特征权重层,用 ...
【技术保护点】
1.一种基于高斯混合神经网络模型的信号分类方法,其特征在于,所述方法包括:/n获取待分类信号,将待分类信号输入预先建立的高斯混合神经网络模型中,以实现所述待分类信号的分类处理;/n其中,所述高斯混合神经网络模型包括与卷积-直连层连接的高斯混合判别层;所述高斯混合判别层依次包括:/n归一化层,用于将卷积-直连层输出的特征向量调整至预设目标区间;/n特征相似计算层,用于计算调整至目标区间范围内的特征向量与通过深度学习训练得到的高斯分布之间的特征相似性;/n特征权重层,用于根据特征相似性的计算结果和通过深度学习训练得到的特征权重矩阵,计算分类权重矩阵;/n类别相似性计算层,用于根据分类权重矩阵计算每一个分类的分类相似性;/n分类得分输出层,用于将分类相似性转化为0-1区间的分类得分。/n
【技术特征摘要】
1.一种基于高斯混合神经网络模型的信号分类方法,其特征在于,所述方法包括:
获取待分类信号,将待分类信号输入预先建立的高斯混合神经网络模型中,以实现所述待分类信号的分类处理;
其中,所述高斯混合神经网络模型包括与卷积-直连层连接的高斯混合判别层;所述高斯混合判别层依次包括:
归一化层,用于将卷积-直连层输出的特征向量调整至预设目标区间;
特征相似计算层,用于计算调整至目标区间范围内的特征向量与通过深度学习训练得到的高斯分布之间的特征相似性;
特征权重层,用于根据特征相似性的计算结果和通过深度学习训练得到的特征权重矩阵,计算分类权重矩阵;
类别相似性计算层,用于根据分类权重矩阵计算每一个分类的分类相似性;
分类得分输出层,用于将分类相似性转化为0-1区间的分类得分。
2.如权利要求1所述的方法,其特征在于,归一化层通过下式将卷积-直连层输出的特征向量调整至预设目标区间:
其中,Fa为卷积-直连层的输出向量,以及归一化层的输入向量,Fb为归一化层的输出向量,以及特征相似计算层的输入向量;S=[s1,s2,...,sN]和T=[t1,t2,...,tN]分别表示归一化层缩放和平移的初始化参数;N>0,表示特征通道数,运算符表示元素配对乘法。
3.如权利要求1所述的方法,其特征在于,特征相似计算层通过下式确定调整至目标区间范围内的特征向量与通过深度学习训练得到的高斯分布之间的特征相似性:
其中,Fc为特征相似计算层的输出矩阵,以及特征权重层的输入矩阵,高斯分布的均值为μ、标准差为σ,角标i对应特征通道,角标j对应分类类型。
4.如权利要求1所述的方法,其特征在于,特征权重层通过下式计算分类权重矩阵:
其中,分类权重矩阵Fd为特征权重层的输出矩阵,以及类别相似性计算层的输入矩阵,运算符是元素配对乘法,W是特征权重矩阵,其表达式为:
其中,wi-j为特征通道i上第j个分类权重,N表示特征通...
【专利技术属性】
技术研发人员:隋运峰,何东林,赵士瑄,刘为谦,程志,邓凌竹,
申请(专利权)人:中国民用航空总局第二研究所,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。