信号的识别方法、装置、电子设备及计算机可读介质制造方法及图纸

本公开涉及一种信号的识别方法、装置、电子设备及计算机可读介质，属于信号处理技术领域。该方法包括：获取待识别的声发射信号，并提取声发射信号对应的语音频谱图特征；将声发射信号的语音频谱图特征输入预先训练的信号识别模型中，得到声发射信号的分类识别结果；其中，信号识别模型是通过基于梯度的神经网络可微架构搜索算法得到目标单元架构，并对基于目标单元架构得到的目标神经网络模型进行训练得到的。本公开通过基于梯度的神经网络可微架构搜索算法构建目标神经网络模型从而训练得到信号识别模型，并提取声发射信号的语音频谱图特征输入信号识别模型中得到声发射信号的分类识别结果，可以提高声发射信号识别的效率和准确率。和准确率。和准确率。

【技术实现步骤摘要】
信号的识别方法、装置、电子设备及计算机可读介质


[0001]本公开涉及信号处理
，具体而言，涉及一种信号的识别方法、信号的识别装置、电子设备及计算机可读介质。

技术介绍

[0002]材料收到外力或内力作用产生变形或者裂纹扩展时，以弹性波的形式释放出应变能的现象称为声发射(Acoustic Emission，AE)。一般而言，声发射信号十分微弱，不能被人耳直接听到，需要借助灵敏的传感器才能探测到。
[0003]深度学习具有自动学习提取信号内部特征的能力，能够直接利用声发射信号进行故障诊断，可以摆脱依赖人工进行特征选取的传统方法的束缚。但目前，声发射信号识别所需的神经网络模型架构仍需要专家手工设计，并通过大量实验进行参数调整对比模型性能，不仅效率较低，识别的准确率也难以令人满意。
[0004]鉴于此，本领域亟需一种声发射信号的识别方法，能够提高声发射信号识别的效率和准确率。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号的识别方法，其特征在于，包括：获取待识别的声发射信号，并提取所述声发射信号对应的语音频谱图特征；将所述声发射信号的语音频谱图特征输入预先训练的信号识别模型中，得到所述声发射信号的分类识别结果；其中，所述信号识别模型是通过基于梯度的神经网络可微架构搜索算法得到目标单元架构，并对基于所述目标单元架构得到的目标神经网络模型进行训练得到的。2.根据权利要求1所述的信号的识别方法，其特征在于，所述提取所述声发射信号对应的语音频谱图特征，包括：根据预设帧长和预设帧移提取所述声发射信号对应的语音频谱图特征。3.根据权利要求1所述的信号的识别方法，其特征在于，在所述提取所述声发射信号对应的语音频谱图特征之前，所述方法还包括：对所述声发射信号进行预处理，通过平滑插值填补法补全所述声发射信号中的无效数据。4.根据权利要求1所述的信号的识别方法，其特征在于，所述信号识别模型的训练方法包括：获取声发射信号数据集，并根据所述声发射信号数据集得到所述信号识别模型的训练数据集、验证数据集和测试数据集；对神经网络架构搜索空间中的初始单元的单元架构进行自定义初始化，其中，所述初始单元包括普通单元和缩小单元；通过所述训练数据集和所述验证数据集对所述神经网络架构搜索空间中各个单元的网络架构参数和网络权重参数进行迭代训练，得到所述目标单元架构以及所述目标单元架构对应的目标网络架构参数和目标网络权重参数；基于所述目标单元架构构建所述目标神经网络模型，通过所述训练数据集和所述验证数据集对所述目标神经网络模型进行训练，并通过所述测试数据集对所述目标神经网络模型进行测试，得到所述信号识别模型。5.根据权利要求4所述的信号的识别方法，其特征在于，所述根据所述声发射信号数据集得到所述信号识别模型的训练数据集、验证数据集和测试数据集，包括：对所述声发射信号数据集中的声发射信号识别数据进行预处理，并提取所述声发射信号识别数据对应的语音频谱图特征；根据所述声发射信号识别数据对应的语音频谱图特征以及对应的声发射信号类别，得到所述信号识别模型的模型训练数据集；按照预设比例将所述信号识别模型的模型训练数据集划分为训练数...

【专利技术属性】
技术研发人员：成莎莎，赵德欣，沈浩，王磊，杨杰，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：