【技术实现步骤摘要】
一种基于复值干涉神经网络的时序信号识别方法
[0001]本专利技术涉及一种基于复值干涉神经网络的时序信号识别方法，主要针对复值时频图数据的信号识别问题，属于机器学习和时序信号处理
技术介绍
[0002]时序数据经常出现在很多领域中，如语音、通信、金融和生物医学等。传统的时序问题通常首先需要人力进行特征工程，才能将预处理的数据输入到机器学习算法中，并且这种特征工程通常需要一些特定领域内的专业知识，因此也就更进一步加大了预处理成本。然而随着深度学习的出现，卷积神经网络已经可以较为完美地处理计算机视觉任务，网络会一层层自动从最基本的特征组合成更加高级和抽象的特征，从而完成计算机视觉任务。但是，基于一维时序信号的卷积神经网络算法往往无法充分发挥卷积神经网络强大的自学习能力。研究表明，卷积神经网络能够高效提取空间数据的特征，因此基于时序信号二维时频图的卷积神经网络时序信号识别方法成为一种主流算法。
[0003]然而，信号时频图和自然图像有很大的不同，时频图的横轴和纵轴分别代表时间和频率，而自然图像的横轴和纵轴方向都代...
【技术保护点】
【技术特征摘要】
1.一种基于复值干涉神经网络的时序信号识别方法，其特征在于，包括以下步骤：第一步，将时序信号做预处理并计算时序信号的复值时频图；第二步，构建复值干涉神经网络，复值干涉神经网络以干涉卷积层和频域全连接层依次交替连接为主要特征，其中干涉卷积层对复值时频图做时间维的复值卷积操作以模拟波的干涉过程，频域全连接层对复值时频图做频率维度的复值全连接操作以模拟波的非线性过程；第三步，计算分类损失函数，并基于梯度下降法进行复值干涉神经网络训练，得到复值干涉神经网络模型；第四步，依据第一步，由待测试时序信号获得待测试复值时频图数据，利用复值干涉神经网络模型和待测试复值时频图数据，得到待测试时序信号属于各个类别的概率，最后取概率最大值对应的类别作为复值干涉神经网络的最终预测结果，从而实现时序信号的识别。2.根据权利要求1所述的基于复值干涉神经网络的时序信号识别方法，其特征在于：第二步中，所述频域全连接层包括：对输入张量进行维度变换，使变换后张量的最后一维是频率维度；定义两个全连接层，所述两个全连接层等效为一个复值全连接层；根据维度变换后的张量和两个全连接层，计算出等效复值全连接层输出张量的实部张量和虚部张量；对实部张量和虚部张量进行维度拼接，并将拼接后的张量变换为与输入张量意义相同的五维张量，...
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。