基于回波测量数据的信号特征提取与数据挖掘方法技术

本发明专利技术属于机器学习与信号特征提取技术领域，具体为基于回波测量数据的信号特征提取与数据挖掘方法。本发明专利技术方法包括：根据已有仿真数据额外生成仿真数据；构建可同时用于编码器解码器的基本残差块；编码器和解码器同一抽象等级跨链接；将由多个目标产生的原始回波输入进编码器得到易处理的特征图，再用解码器来得到多个由不同目标产生的回波，并根据波峰的幅值和位置的相对误差来评估性能。本发明专利技术可以很好地从多个目标共同产生的回波中分离出不同目标产生的回波，使得模型能很好的学习到目标产生回波的特征，从而提取出多个相对简单、由单个目标产生的回波。

Signal feature extraction and data mining based on echo measurement data

【技术实现步骤摘要】
基于回波测量数据的信号特征提取与数据挖掘方法
本专利技术属于机器学习与信号特征提取
，具体涉及基于回波测量数据的信号特征提取与数据挖掘方法。
技术介绍
回波测量数据的特征提取与数据挖掘实际上属于信号处理
，不过传统信号处理方法依赖于待处理信号的物理模型，而用深度学习做信号处理需要根据信号本身特点搭建网络。目前基于深度学习的回波特征提取方法几乎没有可行性高的公开文献。本专利技术所涉及的问题包括从由多个信号源反射的混合回波中分离出单个信号源所反射的信号，由于对混合源信号的系统特性缺乏有效信息，需通过一些方法和变换将单个所需的信号恢复，此类问题被称为盲源分离(BlindSourceSeparation)[1]。最早由Heraul和Jutten等人在1986年提出的自适应空间采样算法，利用简单的神经网络实现了两个信号的盲分离[2]。1994年，Comon提出了基于最小互信息的ICA方法，系统阐述了独立分量的概念，也界定了盲源分离问题的基本假设条件[3]。1995年，Bell和Sejnowski发表的一篇基于信息最大化准则的ICA算法，通过利用最大化非线性节点熵的方法充分利用了非线性网络传输的信息量，进而成功研究了自适应盲分离以及盲反卷积[4]。盲源分离理论经过发展，被广泛应用于图像处理、语音处理、信号处理等领域。在深度学习被广泛应用的时代，很多盲源分离问题可以利用深度学习的方法解决。例如在语音处理中，鸡尾酒会问题则是被研究最多的一个领域[5]，它试图解决在多人的声音混合的波形中分离出每个人的声音。与之类似任务的则是在音乐处理中，将组成一首歌的不同乐器与人声部分进行分离，他们都同属于多通道盲解卷积问题[6]。很多深度学习方法被成功利用与解决此类问题。Jansson等人参照在图像分割领域的U-Net模型结构[7]，将该结构网络应用在音乐频谱图上，成功分离出音乐中的人声以及不同乐器部分[8]。Daniel等人则在此基础上为了改进在音乐进行傅立叶变换时会丢失的相位信息等问题，提出了Wave-U-Net结构，直接在频域上进行处理[9]。Li等人则是将attention机制应用在此类问题上，提出了TF-Attention-Net[10]。[1]ChabrielG,KleinsteuberM,MoreauE,etal.Jointmatricesdecompositionsandblindsourceseparation:Asurveyofmethods,identification,andapplications[J].IEEESignalProcessingMagazine,2014,31(3):34-43.[2]JuttenC,HeraultJ.Blindseparationofsources,partI:Anadaptivealgorithmbasedonneuromimeticarchitecture[J].Signalprocessing,1991,24(1):1-10.[3]ComonP.Separationofstochasticprocesses[C]//WorkshoponHigher-OrderSpectralAnalysis.IEEE,1989:174-179.[4]BellAJ,SejnowskiTJ.Aninformation-maximizationapproachtoblindseparationandblinddeconvolution[J].Neuralcomputation,1995,7(6):1129-1159.[5]HaykinS,ChenZ.Thecocktailpartyproblem[J].Neuralcomputation,2005,17(9):1875-1902.[6]CardosoJF.Blindsignalseparation:statisticalprinciples[J].ProceedingsoftheIEEE,1998,86(10):2009-2025.[7]RonnebergerO,FischerP,BroxT.U-net:Convolutionalnetworksforbiomedicalimagesegmentation[C]//InternationalConferenceonMedicalimagecomputingandcomputer-assistedintervention.Springer,Cham,2015:234-241.[8]JanssonA,HumphreyE,MontecchioN,etal.SingingvoiceseparationwithdeepU-Netconvolutionalnetworks[J].2017.[9]StollerD,EwertS,DixonS.Wave-u-net:Amulti-scaleneuralnetworkforend-to-endaudiosourceseparation[J].arXivpreprintarXiv:1806.03185,2018.[10]LiT,ChenJ,HouH,etal.TF-Attention-Net:AnEndToEndNeuralNetworkForSingingVoiceSeparation[J].arXivpreprintarXiv:1909.05746,2019.。
技术实现思路
本专利技术的目的在于提出一种在未知信号物理特性的情况下，能够精确、快速地对信号进行特征提取与数据挖掘的方法，以便能够把一个由多个目标生成的回波信号分离成多个由单个目标生成的回波信号。本专利技术提出的对信号进行特征提取与数据挖掘的方法，是基于基于回波测量数据的，并采用深度学习信息处理技术，具体步骤为：(1)在原始由多个目标共同产生的回波基础上，对于每个单独的目标额外产生回波数据，作为分离回波的标签；(2)构建基本残差块，其结构包括：三个一维卷积，一个ReLU激活函数，两个批正则化函数，一个最大池化层；参见图1所示；(3)分别将12个基本残差块链接成编码器和解码器，并用一维卷积链接，最后在编码器、解码器同一抽象等级之间使用跨层链接组成完整的深度学习网络；(4)在完整数据集上根据8:1:1的比例，在同一目标位置下根据不同相对姿态划分训练集，验证集和测试集；(5)对于深度学习网络，首先是在训练集上进行多次训练，然后再降低学习率，一边在训练集上训练，一边在验证集上验证性能，满足一定条件后停止训练，输出在验证集上最好的网络模型。本专利技术步骤(1)中，所述额外生成单个目标回波的流程为：对于给定的目标位置和目标姿态，比如说有k个目标，要生成第一个目标单独产生的回波，就把第一个目标的位置和相对姿态保存下来，而把其他的目标移除，生成这个目标对应的标签。这样的过程重复k次即可得到全部的标签。本专利技术步骤(2)中，因为相比于常见的声音信号，这里要处理的回波信号幅值分布很不均匀，所本文档来自技高网...

【技术保护点】
1.一种基于回波测量数据的信号特征提取与数据挖掘方法，其特征在于，采用深度学习信息处理技术，具体步骤为：/n(1)在原始由多个目标共同产生的回波基础上，对于每个单独的目标额外产生回波数据，作为分离回波的标签；/n(2)构建基本残差块，其结构包括：三个一维卷积，一个ReLU激活函数，两个批正则化函数，一个最大池化层；/n(3)分别将12个基本残差块链接成编码器和解码器，并用一维卷积链接，最后在编码器、解码器同一抽象等级之间使用跨层链接组成完整的深度学习网络；/n(4)在完整数据集上根据8:1:1的比例，在同一目标位置下根据不同相对姿态划分训练集，验证集和测试集；/n(5)对于深度学习网络，首先是在训练集上进行多次训练，然后再降低学习率，一边在训练集上训练，一边在验证集上验证性能，满足一定条件后停止训练，输出在验证集上最好的网络模型。/n

【技术特征摘要】
1.一种基于回波测量数据的信号特征提取与数据挖掘方法，其特征在于，采用深度学习信息处理技术，具体步骤为：
(1)在原始由多个目标共同产生的回波基础上，对于每个单独的目标额外产生回波数据，作为分离回波的标签；
(2)构建基本残差块，其结构包括：三个一维卷积，一个ReLU激活函数，两个批正则化函数，一个最大池化层；
(3)分别将12个基本残差块链接成编码器和解码器，并用一维卷积链接，最后在编码器、解码器同一抽象等级之间使用跨层链接组成完整的深度学习网络；
(4)在完整数据集上根据8:1:1的比例，在同一目标位置下根据不同相对姿态划分训练集，验证集和测试集；
(5)对于深度学习网络，首先是在训练集上进行多次训练，然后再降低学习率，一边在训练集上训练，一边在验证集上验证性能，满足一定条件后停止训练，输出在验证集上最好的网络模型。


2.根据权利要求1所述的基于回波测量数据的信号特征提取与数据挖掘方法，其特征在于，步骤(1)中所述的额外生成单个目标回波的流程为：对于给定的目标位置和目标姿态，设有k个目标，生成第一个目标单独产生的回波，是把第一个目标的位置和相对姿态保存下来，而把其他的目标移除，生成这个目标对应的标签；这样的过程重复k次，即得到全部的标签。


3.根据权利要求2所述的基于回波测量数据的信号特征提取与数据挖掘方法，其特征在于，步骤(2)中所述基本残差块内设有两个通路：一个通路称之为映射通路，用于将输入信号直接映射到通道数更多的高维空间，以获得更容易处理的高维表示；另一个通路称之为残差通路，用于学习前一个通路里获得的高维表示和更好的高维表示之间的残差；
在映射通路里，由于回波信号有着强时序相关性，使用一个一维卷积来获得时序信息并改变输入的通道数，用conv_f表示这个一维卷积；又为了实现残差相加，根据前面卷积的核大小来设置步长，确保输入的长度不变，这样可以与残差通路的输出直接相加，用conv_f(x)表示得到的映射；
在残差通路里，重复使用了两个同样的结构，这种结构具体描述如下：
(a)同样是为了获得时序信息，输入先经过一个一维卷积，用conv_1来表示；
(b)再使用线性整流函数作为激活函数，把结果里小于0的部分强制设为0，这一部分不涉及梯度回传，用relu_1表示；
(c)为了方便训练，再使用一个批正则化，用bn_1表示；由于输入输出都是相对于一个批而言的，批正则化就是对这个批里面的所有样本做一个映射来把均值映射为0，方差映射为1，以加速网络训练；
输入经过两次由上面的(a)、(b)、(c)通路，第二次里的一维卷积，激活函数，批正则化函数分别由conv_2，relu_2，bn_2表示，得到的就是残差，用res(x)表示；
最后用一个最大池化层来得到最后的结果，即在输入上设置一个滑动窗口，输出这个窗口里最大的值，这个池化层的输入是conv_f(x)+res(x)；池化层的作用是保留显著特征的同时降低...

【专利技术属性】
技术研发人员：朱殷，张军平，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31