信号处理方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开一种信号处理方法、装置、计算机设备及存储介质，该信号处理方法包括获取携带时间标签的原始信号数据；对所述原始信号数据进行预处理以得到待处理样本数据；对所述待处理样本数据进行频域转换，得到与所述待处理样本数据对应的信号特征；采用改进Transformer模型对所述信号特征进行处理，得到原始分类模型；所述改进Transformer模型包括双向LSTM层、池化层以及融合层；所述双向LSTM层和所述池化层用于提取数据特征；所述融合层用于将所述双向LSTM层和所述池化层提取的数据特征进行融合；采用灰狼优化算法对所述原始分类模型进行优化，得到目标分类模型。该信号处理方法可有效保证模型分类精度和算法并行度。

【技术实现步骤摘要】
信号处理方法、装置、计算机设备及存储介质
本专利技术涉及数据处理
，尤其涉及一种信号处理方法、装置、计算机设备及存储介质。
技术介绍
随机信号是信息的一种载体，如电信号可以通过幅度、频率、相位的变化来传递不同的信息，在日常生产生活中信号处理和分类有着广泛的应用。目前，信号分类方法主要包括两大类，第一类方法：基于领域知识人工提取特征，然后使用分类算法(如逻辑回归)，对信号数据进行分类。该类方法主要依赖于工程师对信号的理解和先验知识，人工对信号提取特征，并且独立于后续的分类模型。然而，并不是所有的工程师都可以掌握充足的领域知识，即使具备一定的信号处理知识，人工提取出的特征也不一定有利于分类，很可能遗漏某些具有较好区分度的隐藏特征。第二类方法：通过深度学习模型(如卷积神经网络(CNN)及循环神经网络(RNN))将特征提取与分类算法两部分有机结合；其中，CNN结构虽然并行程度高但是没有考虑信号采样点间的时序关系；RNN中诸如长短时记忆网络(LSTM)和门控循环单元(GRU)虽然可以捕获信号采样点的时间先后关系但网络训练耗时。
技术实现思路
本专利技术实施例提供一种信号处理方法、装置、计算机设备及存储介质，以解决目前信号分类方法训练耗时且模型分类精度低的问题。一种信号处理方法，包括：获取携带时间标签的原始信号数据；对所述原始信号数据进行预处理以得到待处理样本数据；对所述待处理样本数据进行频域转换，得到与所述待处理样本数据对应的信号特征；采用改进Transformer模型对所述信号特征进行处理，得到原始分类模型；所述改进Transformer模型包括双向LSTM层、池化层以及融合层；所述双向LSTM层和所述池化层用于提取数据特征；所述融合层用于将所述双向LSTM层和所述池化层提取的数据特征进行融合；采用灰狼优化算法对所述原始分类模型进行优化，得到目标分类模型。一种信号处理装置，包括：原始信号数据获取模块，用于获取携带时间标签的原始信号数据；待处理样本数据获取模块，用于对所述原始信号数据进行预处理以得到待处理样本数据；信号特征获取模块，用于对所述待处理样本数据进行频域转换，得到与所述待处理样本数据对应的信号特征；原始分类模型获取模块，用于采用改进Transformer模型对所述信号特征进行处理，得到原始分类模型；所述改进Transformer模型包括双向LSTM层、池化层以及融合层；所述双向LSTM层和所述池化层用于提取数据特征；所述融合层用于将所述双向LSTM层和所述池化层提取的数据特征进行融合；目标分类模型获取模块，用于采用灰狼优化算法对所述原始分类模型进行优化，得到目标分类模型。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述信号处理方法的步骤。一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述信号处理方法的步骤。上述信号处理方法、装置、计算机设备及存储介质中，通过在输入端对原始信号进行频域转换，以将时域信号转换为频域特征，相较于现有的使用原始时序信号或者频谱作为输入，将信号进行时频域变换后获取时序梅尔频谱作为网络输入，既能获得指定数量的频谱特征又能保持一定的时序关系；再将获取到的梅尔频谱输入至改进Transformer模型中提取高层特征表示。然后，通过在原有的Transformer模型中加入双向lstm层、池化层以及融合层，通过将二者提取到的特征在融合层进行特征融合，以充分获取高层特征表示，既提升了模型的分类精度，又提高了算法并行度。最后，采用灰狼优化算法进行全流程联合调优，可以灵活选择每个环节中的待优化参数，联合搜索最优解，相较于各个环节独立调试，有助于进一步优化模型的整体表现。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例中信号处理方法的一应用环境示意图；图2是本专利技术一实施例中信号处理方法的一流程图；图3是改进Transformer模型的模型结构示意图；图4是图2中步骤S20的一具体流程图；图5是图2中步骤S30的一具体流程图；图6是图5中步骤S35的一具体流程图；图7是图2中步骤S40的一具体流程图；图8是本专利技术一实施例中信号处理装置的一示意图；图9是本专利技术一实施例中计算机设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。该信号处理方法可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。在一实施例中，如图2所示，提供一种信号处理方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：S10：获取携带时间标签的原始信号数据。其中，原始信号数据可根据信号采集设备例如振动信号采集仪或麦克风等采集到的未经处理的时序性信号数据，该原始信号数据包括但不限于语音信号数据或者机械振动信号数据。S20：对原始信号数据进行预处理以得到待处理样本数据。具体地，对原始信号数据进行预处理即对原始信号数据按照预设采样长度进行采样，以将原始信号数据分成一个或多个待处理样本数据，以进行模型训练，可以从全局角度挖掘不同时间段的原始信号数据的特征，保证模型分类准确率。S30：对待处理样本数据进行频域转换，得到与待处理样本数据对应的信号特征。由于信号在时域上的变换通常很难看出信号的特性，所以通常将它转换为频域上的能量分布来观察，不同的能量分布，就能代表不同语音的特性。因此在乘上汉明窗后，每帧信号还需进行快速傅里叶变换以得到在频谱上的能量分布。S40：采用改进Transformer模型对信号特征进行处理，得到原始分类模型；改进Transformer模型包括双向LSTM层、池化层以及融合层；双向LSTM层和池化层用于提取数据特征；融合层用于将双向LSTM层和池化层提取的数据特征进行融合。其中，Transformer模型广泛应用于NLP(自然语言处理)领域，例如机器翻译，问答系统，文本摘要和语音识别等方向，完全依赖于自我注意而不依赖于RNN或者CNN来计算输入和输出的转换模型。自我注意力机制(内注意力机制)是一种将一个序列不同位置联系起来本文档来自技高网...

【技术保护点】
1.一种信号处理方法，其特征在于，包括：/n获取携带时间标签的原始信号数据；/n对所述原始信号数据进行预处理以得到待处理样本数据；/n对所述待处理样本数据进行频域转换，得到与所述待处理样本数据对应的信号特征；/n采用改进Transformer模型对所述信号特征进行处理，得到原始分类模型；所述改进Transformer模型包括双向LSTM层、池化层以及融合层；所述双向LSTM层和所述池化层用于提取数据特征；所述融合层用于将所述双向LSTM层和所述池化层提取的数据特征进行融合；/n采用灰狼优化算法对所述原始分类模型进行优化，得到目标分类模型。/n

【技术特征摘要】
1.一种信号处理方法，其特征在于，包括：
获取携带时间标签的原始信号数据；
对所述原始信号数据进行预处理以得到待处理样本数据；
对所述待处理样本数据进行频域转换，得到与所述待处理样本数据对应的信号特征；
采用改进Transformer模型对所述信号特征进行处理，得到原始分类模型；所述改进Transformer模型包括双向LSTM层、池化层以及融合层；所述双向LSTM层和所述池化层用于提取数据特征；所述融合层用于将所述双向LSTM层和所述池化层提取的数据特征进行融合；
采用灰狼优化算法对所述原始分类模型进行优化，得到目标分类模型。


2.如权利要求1所述信号处理方法，其特征在于，所述对所述原始信号数据进行预处理以得到待处理样本数据，包括：
根据预设的采样段长度对所述原始信号数据进行采样，得到至少一个原始样本数据；
对每一所述原始样本数据进行平滑处理，得到至少一个所述待处理样本数据。


3.如权利要求1所述信号处理方法，其特征在于，所述对所述待处理样本数据进行频域转换，得到与所述待处理样本数据对应的信号特征，包括；
对所述待处理样本数据进行分帧处理，得到至少一帧第一样本数据；
对每一帧所述第一样本数据进行加窗处理，得到至少一帧第二样本数据；
对每一帧所述第二样本数据进行短时傅里叶变换，得到每一帧第二样本数据对应的时序能量谱；
将所述时序能量谱与梅尔滤波器组进行点积运算，得到所述梅尔滤波器组对应的对数能量；
对所述对数能量进行离散余弦变换，得到与所述待处理样本数据对应的信号特征。


4.如权利要求3所述信号处理方法，其特征在于，所述对所述对数能量进行离散余弦变换，得到与所述待处理样本数据对应的信号特征，包括：
对所述对数能量进行离散余弦变换，得到第一特征，所述第一特征对应至少一个特征值；
选取所述第一特征中前n个特征值作为每一所述待处理样本数据对应的所述信号特征；所述n为大于零的整数。


5.如权利要求1所述信号处理方法，其特征在于，所述改进Transformer模型还包括多头注意力层和输出层；
所述采用改进Transformer模型对所述信号特征进行处理，得到原始分类模型，包括：
对每一帧所述信号特征进行位置嵌入处理，得到对应的待输入数据；
获取多头注意力层对所述待输入数据进行线性变换，得到所述多头注意力层输出的第一处...

【专利技术属性】
技术研发人员：陈曦，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44