一种基于比特域特征提取的目标分布式融合识别方法技术

本发明专利技术涉及一种基于比特域特征提取的目标分布式融合识别方法，用于边缘设备和边缘域融合中心中，方法包括以下步骤：1)从多种边缘设备中获取感知信号；2)获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；边缘设备中部署的深度神经网络通过对输出信号进行比特域特征提取，生成比特域特征向量，从而进行数据传输3)载入感知信号，获取目标识别结果。与现有技术相比，本发明专利技术可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，进行数据传输，缓解云中心的计算存储压力和网络带宽压力，并提高目标识别过程的响应速度。

【技术实现步骤摘要】
一种基于比特域特征提取的目标分布式融合识别方法
本专利技术涉及目标识别领域，尤其是涉及一种基于比特域特征提取的目标分布式融合识别方法。
技术介绍
边缘计算是指能够在网络边缘执行计算的一种新型计算模型，其边缘是指从数据源到云计算中心路径之间的任意计算和网络模型，而边缘的下行数据表示云服务、上行数据表示万物互联服务。此外，边缘计算的实际部署天然具备分布式特征，支持分布式计算与存储，具有分布式资源的动态调度与统一管理、支撑分布式智能、具备分布式安全等能力。目前边缘计算可以满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的诸多关键需求。与此同时，计算与存储技术的长足发展使得边缘感知设备具有较强的计算能力，可以负担一定计算任务，从而加快系统的响应速度。人工智能技术特别是深度学习方法已经在图像/视频目标检测与识别领域中得到了广泛应用，并取得了良好的预期成果。目前已有一些应用神经网络进行目标识别的研究，杨伟超在文献“Alpha稳定分布噪声下通信信号调制识别研究”中使用深度学习方法对信号进行调制识别，得到了较好的识别效果。李佳宸在文献“基于深度学习的数字调制信号识别方法研究”中提出基于深度学习的数字调制信号识别方法研究，分别应用两种不同的深度学习模型,并通过仿真选定算法中需要的参数以达到最佳效果。但上述研究均未考虑在边缘侧应用神经网络进行目标识别。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在未考虑在边缘侧应用神经网络进行目标识别的缺陷而提供一种基于比特域特征提取的目标分布式融合识别方法。本专利技术的目的可以通过以下技术方案来实现：一种基于比特域特征提取的目标分布式融合识别方法，用于边缘侧通信网络拓扑结构中，所述边缘侧通信网络拓扑结构包括多种边缘设备和边缘域融合中心，所述方法包括以下步骤：信号获取步骤：从所述多种边缘设备中获取感知信号；神经网络部署步骤：获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分所述深度神经网络，并部署到所述多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；所述边缘设备中部署的所述深度神经网络中设有信号压缩单元，所述信号压缩单元，用于对所述边缘设备中部署的深度神经网络的输出信号，进行比特域特征提取，生成比特域特征向量；所述边缘域融合中心根据所述比特域特征向量进行目标识别；目标识别步骤：将所述感知信号载入所述分布式神经网络架构中，获取目标识别结果。进一步地，所述信号压缩单元第一信号压缩层和第二信号压缩层；所述第一信号压缩层采用第一激活函数，将所述边缘设备中部署的深度神经网络的输出信号的各维实数值映射到0至1之间；所述第二信号压缩层连接所述第一信号压缩层，所述第二信号压缩层采用第二激活函数，将所述第一信号压缩层映射到0至1之间的各维实数值映射到0和1上，生成比特域特征向量。进一步地，所述第一激活函数为sigmoid激活函数。进一步地，所述第二激活函数的表达式为：式中，y为第二激活函数的输出，x为第二激活函数的输入，ε为调整阈值。进一步地，所述神经网络部署步骤中，所述部署规则根据所述边缘设备的计算能力和通信能力构建。进一步地，所述方法还包括：平均性能计算步骤：重复执行所述目标识别步骤，直至达到预设的第一次数，获取所述分布式神经网络架构的平均性能；神经网络调整步骤：调整所述分布式神经网络架构的层数和参数，并重复执行所述信号获取步骤、神经网络部署步骤、目标识别步骤和平均性能计算步骤，直至达到预设的第二次数，将所述平均性能最优的所述分布式神经网络架构，作为最优的分布式神经网络架构，采用该最优的分布式神经网络架构进行目标识别。进一步地，所述第一次数的取值范围在3至20范围以内。进一步地，所述第二次数的取值范围在50至150范围以内。进一步地，所述平均性能的计算指标包括识别速度和功耗。与现有技术相比，本专利技术具有以下优点：(1)本专利技术提出分布式深度神经网络架构，该架构可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，同时边缘设备只向边缘域融合中心传输压缩后的特征数据；在边缘侧进行目标识别计算，可缓解云中心的计算存储压力，并提高目标识别过程的响应速度；通过对目标信号进行特征量化压缩，得到信息量较小的比特域特征数据，进行数据传输，减少了网络传输的数据量，从而有效降低边缘设备和边缘域融合中心的传输通信量，缓解了网络带宽压力。(2)本专利技术在考虑边缘设备及边缘域融合中心的计算与通信能力的基础上，通过计算每次划分后分布式神经网络架构平均性能，实现对分布式神经网络架构的神经网络隐藏层进行最优划分，以此降低了总体的能耗和处理时间。附图说明图1为本专利技术基于比特域特征提取的目标分布式融合识别方法的整体流程示意图；图2为本专利技术基于比特域特征提取的目标分布式融合识别方法的数据传输示意图；图3为本专利技术分布式深度神经网络架构的结构示意图；图4为未使用比特域的基础神经网络在每一轮迭代中的测试集准确率曲线图；图5为本专利技术基于比特域特征提取的改进神经网络在每一轮迭代中的测试集准确率曲线图；图中，epochs为迭代次数，accuracy为准确率，baseline为基础神经网络曲线，trasformed为改进神经网络曲线。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例1本实施例提供一种基于比特域特征提取的目标分布式融合识别方法，用于边缘侧通信网络拓扑结构中，边缘侧通信网络拓扑结构包括多种边缘设备和边缘域融合中心，下面从方法概述、详细实施过程、具体应用和结果对比四个方面对本实施例方法进行描述。一、方法概述如图1所示，本实施例基于比特域特征提取的目标分布式融合识别方法，包括以下步骤：信号获取步骤S1：从多种边缘设备中获取感知信号；神经网络部署步骤S2：获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；边缘设备中部署的深度神经网络中设有信号压缩单元，信号压缩单元，用于对边缘设备中部署的深度神经网络的输出信号，进行比特域特征提取，生成比特域特征向量；边缘域融合中心根据比特域特征向量进行目标识别。目标识别步骤S3：将感知信号载入分布式神经网络架构中，获取目标识别结果。下面对各步骤进行具体描述。1、信号压缩单元信号压缩单元第一信号压缩层和第二信号压缩层；第一信号压缩层采用第一激活函数，将边缘设备中部署的深度神经网络的输出信号的各维实数值映射到0至1之间；第二信号压缩层连接第一信号压缩层本文档来自技高网...

【技术保护点】
1.一种基于比特域特征提取的目标分布式融合识别方法，用于边缘侧通信网络拓扑结构中，所述边缘侧通信网络拓扑结构包括多种边缘设备和边缘域融合中心，其特征在于，所述方法包括以下步骤：/n信号获取步骤：从所述多种边缘设备中获取感知信号；/n神经网络部署步骤：获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分所述深度神经网络，并部署到所述多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；/n所述边缘设备中部署的所述深度神经网络中设有信号压缩单元，所述信号压缩单元，用于对所述边缘设备中部署的深度神经网络的输出信号，进行比特域特征提取，生成比特域特征向量；/n所述边缘域融合中心根据所述比特域特征向量进行目标识别；/n目标识别步骤：将所述感知信号载入所述分布式神经网络架构中，获取目标识别结果。/n

【技术特征摘要】
1.一种基于比特域特征提取的目标分布式融合识别方法，用于边缘侧通信网络拓扑结构中，所述边缘侧通信网络拓扑结构包括多种边缘设备和边缘域融合中心，其特征在于，所述方法包括以下步骤：
信号获取步骤：从所述多种边缘设备中获取感知信号；
神经网络部署步骤：获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分所述深度神经网络，并部署到所述多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；
所述边缘设备中部署的所述深度神经网络中设有信号压缩单元，所述信号压缩单元，用于对所述边缘设备中部署的深度神经网络的输出信号，进行比特域特征提取，生成比特域特征向量；
所述边缘域融合中心根据所述比特域特征向量进行目标识别；
目标识别步骤：将所述感知信号载入所述分布式神经网络架构中，获取目标识别结果。


2.根据权利要求1所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述信号压缩单元第一信号压缩层和第二信号压缩层；
所述第一信号压缩层采用第一激活函数，将所述边缘设备中部署的深度神经网络的输出信号的各维实数值映射到0至1之间；
所述第二信号压缩层连接所述第一信号压缩层，所述第二信号压缩层采用第二激活函数，将所述第一信号压缩层映射到0至1之间的各维实数值映射到0和1上，生成比特域特征向量。


3.根据权利要求2所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述第一激活函数为sigmoid激活函数。


4.根据权利要求2所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述...

【专利技术属性】
技术研发人员：赵生捷，王德祯，张林，张荣庆，肖京，马慧生，吕征南，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31