【技术实现步骤摘要】
多特征融合的信号分类方法及系统和其应用
：
[0001]本专利技术涉及数据处理
，具体的说一种特别适用于信号序列分类处理，能够充分挖掘待处理数据特征，进而提高数据分类准确度的多特征融合的信号分类方法及系统和其应用。
技术介绍
：
[0002]随着社会的进步、科技水平的提升，各行各业都在充分利用大量的数据信息，智能化产品离日常生活越来越近，与此同时，人们提升生活水平的需求也日益强烈，基于已有的大数据，采用人工智能技术来提升生活水平已经成为越来越火热的方向。
[0003]人工智能技术利用现有的传感器收集未知信号，对其进行自动分析并分类。对未知信号进行分类的常用方法有深度学习和机器学习这两大类，二者在目前的人工智能方面都有着广泛的应用。传统的机器学习方案多是采用将信号经处理后，提取特征放入分类器中进行训练，常用的机器学习算法有支持向量机、决策树、随机森林、梯度提升树等等，深度学习方案则有着更为灵活的使用，可将原始数据或数据特征放入分类器中进行模型的训练，常用的深度学习方法有卷积神经网络，循环神经网络、深度置信网络等。
【技术保护点】
【技术特征摘要】
1.一种多特征融合的信号分类方法，包括经深度学习算法实现的模型训练阶段和模型应用阶段，其特征在于，所述模型训练阶段对原始信号的时域特征、原始信号的频域特征以及原始信号经预处理后信号的时域特征融合后，送入训练模型中进行训练；所述预处理包括以下内容：步骤1-1：将n类训练样本数据按类别送入梅尔滤波器组进行滤波，所述梅尔滤波器组中设有N个滤波器；步骤1-2：对梅尔滤波器组中N个滤波器分别输出的n类滤波后数据进行特征提取处理，分别计算经1,2，
……
N个滤波器滤波后，各类数据中行为特征的相关性参数；步骤1-3：比较N组相关性参数，得到相关性参数最小的滤波器，作为模型预处理用滤波器；步骤1-4：采用步骤1-3所获滤波器处理信号。2.根据权利要求1所述的一种多特征融合的信号分类方法，其特征在于，所述模型训练阶段中对原始信号的时域特征提取、频域特征提取及滤波后时域特征提取是指对信号的统计特性以及降采样后特征的提取，并将多种类的特征进行融合。3.根据权利要求1所述的一种多特征融合的信号分类方法，其特征在于，所述经深度学习算法实现的模型采用卷积神经网络模型，对特征数据及其对应的行为类型标签进行训练，并对网络结构进行优化，得到所需分类模型。4.根据权利要求1所述的一种多特征融合的信号分类方法，其特征在于，所述模型应用阶段是指利用所获分类模型，对未知类型数据进行分类处理。5.一种执行如权利要求1-4中任意一项所述多特征融合的信号分类方法的系统，其特征在于，设有数据预处理模块、特征提取模块、多特征融合模块、卷积神经网络模型，其中数据预处理模块的输出端与特征提取模块相...
【专利技术属性】
技术研发人员：唐茂峰，曲媛媛，秦宇，秦志亮，刘晓炜，谢耘，
申请(专利权)人：威海北洋电气集团股份有限公司，
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。