本申请提供一种信号检测方法。此信号检测方法包含：收集一初始数据；对初始数据进行预处理，以得到一原始信号；利用一优化深度学习模型对原始信号进行重构，以产生一重建信号；以及比较原始信号和重建信号，以确认原始信号是否有异常发生。本申请更提供一种使用此信号检测方法的电子装置。本申请利用优化深度学习模型来重建出无杂讯的信号，并利用异常愈多则重建出来的信号与原始信号差异愈大的特性进行异常检测，以获得清楚且明确的检测结果。以获得清楚且明确的检测结果。以获得清楚且明确的检测结果。
【技术实现步骤摘要】
信号检测方法及使用其的电子装置
[0001]本申请是有关执行一信号检测方法的电子装置。
技术介绍
[0002]现有在检测接收的信号时，通常需要标记异常信号的特征图案(pattern)，并利用这些特征图案进行异常检测，以找出异常信号。然而，这种标记的检测方式，需要倚靠大量的事前人工作业，将所有可能的特征图案标记起来，整个过程相当繁琐，且由于对应异常信号的特征图案有时候有无限多种，或是不好标记，所以很难去对信号标记出所有特征图案，进而影响异常检测时的准确度。
技术实现思路
[0003]有鉴于此，本申请提供一种信号检测方法，包含：收集一初始数据；对初始数据进行预处理，以得到一原始信号；利用一优化深度学习模型对原始信号进行重构，以产生一重建信号；以及比较原始信号及重建信号，以确认原始信号是否有异常发生。
[0004]本申请更提供一种电子装置，包含一感应器以及一运算装置。感应器用以收集多个样本数据及一初始数据。运算装置电性连接该感应器，运算装置对样本数据进行预处理，以获得多个样本信号，并利用样本信号对一深度学习模型进行训练，以产生一优化深度学习模型；在建立优化深度学习模型之后，运算装置对初始数据进行预处理，以得到一原始信号，并利用一优化深度学习模型对原始信号进行重构，以产生一重建信号，运算装置比较原始信号及重建信号，以确认原始信号是否有异常发生。
[0005]综上所述，本申请利用优化深度学习模型来重建出无杂讯的信号，并利用异常愈多则重建出来的信号与原始信号差异愈大的特性进行异常检测，以获得清楚且明确的检测结果。
[0006]有关本申请的其它功效及实施例的详细内容，配合图式说明如下。
附图说明
[0007]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的图作简单地介绍，显而易见地，下面描述中的图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其它的图。
[0008]图1为根据本申请一实施例的电子装置的方块示意图；
[0009]图2为根据本申请一实施例于建立优化深度学习模型的流程示意图；
[0010]图3为根据本申请一实施例的信号检测方法的流程示意图；
[0011]图4为根据本申请一实施例的正常原始信号及重建信号的比较示意图；
[0012]图5为根据本申请一实施例有异常发生的原始信号及重建信号的比较示意图；
[0013]图6为根据本申请一实施例使用的变异性自动编码器的架构示意图；
[0014]图7为根据本申请一实施例使用的变异性自动编码器的数学示意图；
[0015]图8为根据本申请的原始信号及重建信号产生异常图案的一实施例示意图；
[0016]图9为根据本申请的原始信号及重建信号产生异常图案的另一实施例示意图。
具体实施方式
[0017]为了使本申请的目的、特征及效果更容易理解，以下提供用于详细说明本申请的实施例及图。
[0018]本申请的方法会将异常信号当作杂讯去除，以重构出无杂讯的重建信号，并比较重建信号与原始信号之间的差异，如果异常愈多则差异会愈大，故可以利用此特性来进行异常检测。
[0019]图1为根据本申请一实施例的电子装置的方块示意图，请参阅图1所示，一电子装置10包含有至少一感应器12以及一运算装置14。感应器12是对应一待感测件16，以感应收集来自待感测件16的初始数据或样本数据。运算装置14电性连接至感应器12，以接收初始数据或样本数据，并根据初始数据或样本数据进行后续运算与应用。在一实施例中，感应器12及运算装置14可为各自独立的装置，感应器12可根据待感测件16而对应选择适当的类型，例如，感应声音的麦克风、感应振波的加速规或是感应影像的影像撷取装置等，运算装置14可为笔记型电脑、平板电脑、桌上型电脑等，但不以此为限。
[0020]由于本申请是利用优化深度学习模型进行信号重建，所以在详细说明信号检测方法之前，要先建立优化深度学习模型。请同时参阅图1及图2所示，建立优化深度学习模型包含下列步骤：感应器12是自待感测件16感测收集正常的多个样本数据(如步骤S10)，并将样本数据传送至运算装置14。运算装置14接收样本数据，对这些样本数据进行预处理，以过滤杂讯，获得多个样本信号(如步骤S12)。运算装置14利用这些样本信号对一深度学习模型进行训练，以优化模型参数，进而产生优化深度学习模型(如步骤S14)，用以提供后续的特征提取与信号重建。在对深度学习模型进行训练的过程中，运算装置14会对样本信号提取特征，以获得特征数据，再根据特征数据重建出无杂讯的训练信号，并计算重建的训练信号与样本信号之间的差异值，并根据此差异值调整此深度学习模型的模型参数，并重复对所有样本信号进行前述的相同步骤，直至重构的训练信号与输入的样本信号之间的差异值收敛到最小，表示此时使用的模型参数已调整到最佳化，即可完成整个训练，以取得优化后的模型参数。将此优化后的模型参数套用在深度学习模型中，即可获得该优化深度学习模型。
[0021]请同时参阅图1及图3所示，本申请的信号检测方法包含下列步骤：利用感应器12收集一初始数据(如步骤S20)，并将初始数据传送至运算装置14，此初始数据是来自待感测件16，在一实施例，初始数据及前述样本数据是利用一相同或相近的测试条件进行收集，以确保重构信号的准确性。运算装置14接收初始数据，并对初始数据进行预处理，以过滤杂讯，得到一原始信号(如步骤S22)。运算装置14会利用优化深度学习模型对原始信号进行重构，以产生一重建信号(如步骤S24)。然后，运算装置14会比较原始信号及重建信号，以确认原始信号是否有异常发生(如步骤S26)，其中，由于异常愈多会让重构出来的重建信号与原始信号的差异愈大，因此，运算装置14在比较原始信号及重建信号的步骤中，会判断原始信号与重建信号的差值是否大于一预设临界值。如图4所示，在一实施例中，当原始信号与重建信号的差值小于等于预设临界值时，表示原始信号和重建信号非常近似，此时运算装置
14会确认原始信号无异常发生，即表示此原始信号实为一正常信号。反之，如图5所示，在一实施例中，当原始信号与重建信号的差值大于预设临界值时，表示原始信号和重建信号存在明显差异，此时运算装置14确认原始信号有异常发生，即表示此原始信号实为一异常信号。
[0022]在一实施例中，在取得此预设临界值的步骤中，是先将多个原始信号输入至优化深度学习模型中，通过优化深度学习模型的重建，每个原始信号都会产生对应的重建信号，再将这些对应的原始信号跟重建信号进行分类，并确认其中哪几组是良品的原始信号及重建信号，再将这些属于良品的原始信号与重建信号的差值进行计算后产生预设临界值，以便在后续信号检测时作为判断原始信号为正常信号或异常信号的依据。
[0023]在一实施例中，感应器12为麦克风，初始数据为声音数据，且经预处理后的原始信号及重构后的重建信号为声音信号。在一实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信号检测方法，其特征在于，包含：收集初始数据；对所述初始数据进行预处理，以得到原始信号；利用优化深度学习模型对所述原始信号进行重构，以产生重建信号；以及比较所述原始信号及所述重建信号，以确认所述原始信号是否有异常发生。2.根据权利要求1所述的信号检测方法，其特征在于，其中所述原始信号与所述重建信号的差值大于预设临界值，表示所述原始信号有异常发生。3.根据权利要求1所述的信号检测方法，其特征在于，其中所述原始信号为声音信号、影像信号或振波信号。4.根据权利要求1所述的信号检测方法，其特征在于，其中所述优化深度学习模型的建立更包括：收集多个样本数据；对所述这些样本数据进行预处理，以获得多个样本信号；以及利用所述这些样本信号对深度学习模型进行训练，以产生所述优化深度学习模型。5.根据权利要求4所述的信号检测方法，其特征在于，其中所述初始数据及所述这些样本数据是利用相同的测试条件进行收集。6.根据权利要求4所述的信号检测方法，其特征在于，其中在对所述深度学习模型进行训练的步骤中更包括：对每一所述样本信号提取特征，以获得特征数据，根据所述特征数据重建训练信号，并计算所述训练信号与所述样本信号之间的差异值，以根据所述差异值调整所述深度学习模型的模型参数；在所述训练信号与所述样本信号之间的差异值收敛至最小时，取得优化后的所述模型参数，将优化后的所述模型参数套用于所述深度学习模型中，以产生所述优化深度学习模型。7.根据权利要求1所述的信号检测方法，其特征在于，更包括：将所述原始信号减掉所述重建信号，以获得异常图案。8.一种电子装置，其特征在于，包含：感应器，用以收集多个样本数据及初始数据；以及运...
【专利技术属性】
技术研发人员：曾源毅，赖柏吟，廖书巧，
申请(专利权)人：华硕电脑股份有限公司，
类型：发明
国别省市：
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。