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

本发明专利技术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，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、特征相似计算层、特征权重层、类别相似性计算层和分类得分输出层；通过上述方案提升神经网络整体性能。

A signal classification method, equipment and media based on Gaussian mixture neural network model

【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。优选的，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：Fb＝FaoS+T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o表示元素配对乘法。优选的，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。优选的，特征权重层通过下式计算分类权重矩阵：Fd＝log(Fc)oW其中，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o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表示特征通道数，M为目标分类类别数量。优选的，类别相似性计算层通过下式计算每一个分类的分类相似性：其中，Fe为类别相似性计算层的输出矩阵，以及分类得分输出层的输入矩阵，角标i对应特征通道，角标j对应分类类型。优选的，分类得分输出层通过下式确定所述分类得分：其中，Fek为Fe对第k类的分类得分中间计算值，scorek为高斯混合神经网络输入信号属于k类的最终分类得分。进一步地，通过下式训练获得所述归一化层缩放和平移的初始化参数：其中，μ'i、μ"i分别是在特征通道i上所有类别均值μi-j的最大值和最小值，si、ti分别为S＝[s1,s2,...,sN]和T＝[t1,t2,...,tN]的第i个参数。进一步地，获得所述特征权重层的初始输入参数包括：将训练信号输入所述高斯混合神经网络模型中，对每个类别的训练样本分别计算卷积-直连层输出向量的均值μi-j和标准样本差σi-j，其中脚标i是特征通道编号，脚标j是类别编号。进一步地，所述W的初始化方法为：令所有参数置为1或者-1到1之间的随机值。进一步地，通过下式确定特征通道i上第j个分类权重wi-j：令执行归一化处理，可得：一种信号分类设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-10所述的方法。一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-10所述的方法。本专利技术的有益效果体现在：本专利技术提供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，可以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。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。图1是本专利技术提供的基于高斯混合神经网络模型的信号分类方法流程图；图2是本专利技术提供的待分类信号的分类处理流程图；图3是本专利技术提供的包含高斯混合判别层的高斯混合神经网络模型结构框架图。具体实施方式下面结合附图对本专利技术的具体实施方式做进一步的详细说明。为了具体了解本专利技术提供的技术方案，将在下面的实施例中对本专利技术的技术方案做出详细的描述和说明。显然，本专利技术提供的实施例并不限定于本领域的技术人员所熟习的特殊细节。本专利技术的较佳实施例详细描述如下，除这些描述外，本专利技术还可以具有其他实施方式。如图1所示的基于高斯混合神经网络模型的信号分类方法，包括：S1获取待分类信号；S2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；卷积-直连层，用于读取高斯混合神经网络输入信号的特征向量；所述高斯混合判别层为多层级联结构，依次包括：归一化层、特征相似计算层、特征权重层、类别相似性计算层和分类得分输出层。其上一层的输出结果作为下一层的输入。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。步骤S2的具体过程包括：S201将本文档来自技高网...

【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