频谱数据压缩回传与模型推理加速处理方法及系统技术方案

本发明专利技术公开了一种频谱数据压缩回传与模型推理加速处理方法及系统，所述方法在感知设备上部署包含数据下采样模块的信号压缩深度神经网络，用于对采集的数据进行压缩处理，得到收缩数据，显著降低所需传输的信号数据的大小。然后，在识别设备上部署包含数据上采样模块的信号恢复深度神经网络，从接收到的收缩数据中计算得到增强数据，作为恢复得到的信号数据，然后输入ADNN模型进行信号识别，提高了推理速度。理速度。理速度。

【技术实现步骤摘要】
频谱数据压缩回传与模型推理加速处理方法及系统


[0001]本专利技术涉及信号处理方法
，尤其涉及一种频谱数据压缩回传与模型推理加速处理方法及系统。

技术介绍

[0002]深度学习技术强大的自动特征提取能力使其在图像识别、推荐系统、目标检测、语音理解等领域得到了广泛应用。在人工智能赋能无线通信的愿景下，深度学习技术，特别是深度神经网络技术，开始应用于调制信号识别、干扰类型识别、入侵攻击识别等典型场景中，提升了无线通信领域的智能化水平。比如，面向自动信号识别的深度神经网络(AMR
‑
orientedDeepNeuralNetwork,ADNN)将无线通信信号作为输入数据，采用深度卷积神经网络、循环神经网络、注意力机制等技术进行数据处理，然后输出信号对应的调制类型，在取得很高识别精度的同时，显著降低了人工的参与度，且泛化能力较强。但是，将无线感知设备通过无线链路将采样的信号数据回传到部署ADNN的识别设备上处理时，会带来较大的传输开销和延迟。
[0003]图1给出了包含辐射源、感知设备、识别设备的场景示意图。其中感知设备负责接收辐射源的无线通信信号，并将接收的数据通过无线链路回传给识别设备，后者运行ADNN模型，得到辐射源采用的调制类型。为了降低无线链路回传的数据量，当前多采用数据压缩编码等方法。但是，这些方法无法改变原始数据的大小，且往往对路径的丢包敏感，较难应对少量数据丢失带来的挑战。此外，深度神经网络普遍采用的单分支结构上采样模块，例如最近邻和转置卷积，普遍面临训练梯度小，训练收敛速度慢且精度低的问题。

技术实现思路

[0004]本专利技术所要解决的技术问题是如何提供一种传输开销小、识别精度高、推理速度快的频谱数据压缩回传与模型推理加速处理方法。
[0005]为解决上述技术问题，本专利技术所采取的技术方案是：一种频谱数据压缩回传与模型推理加速处理方法，其特征在于包括如下步骤：
[0006]S101：深度神经网络模型联合训练：设计信号压缩深度神经网络、信号恢复深度神经网络结构，并基于给定信号数据进行联合训练；
[0007]S102：上采样模块结构推理优化：将采用多分支结构的上采样模块融合为单分支结构，增加信号恢复深度神经网络的推理速度；
[0008]S103：深度神经网络模型部署：将训练得到的信号压缩深度神经网络部署到感知设备，并将信号恢复深度神经网络部署到识别设备；
[0009]S104：信号数据采集回传：感知设备将采集到的无线通信信号输入到信号压缩深度神经网络，将得到的收缩数据通过无线链路传输到识别设备；
[0010]S105：信号数据恢复与识别：识别设备将通过无线链路接收到的收缩数据输入到信号恢复深度神经网络，得到增强数据，并将其作为信号数据，输入到ADNN模型，得到信号
数据的调制类型。
[0011]进一步的技术方案在于：信号压缩深度神经网络的输入是信号数据，输出是收缩数据，且包含数据下采样模块，信号恢复深度神经网络的输入是收缩数据，输出是增强数据，且包含采用多分支结构的上采样模块。
[0012]进一步的技术方案在于，所述步骤S101具体包括如下步骤：
[0013]S1011：信号压缩深度神经网络设计：设计信号压缩深度神经网络的模型结构；
[0014]S1012：信号恢复深度神经网络设计：设计信号恢复深度神经网络的模型结构；
[0015]S1013：神经网络模型联合训练：将信号压缩深度神经网络与信号恢复深度神经网络进行联合训练。
[0016]进一步的技术方案在于，所述步骤S1013中：
[0017]联合训练是指将两个及以上的网络模型利用有关联的误差损失函数进行整体的模型参数更新；
[0018]训练样本是指由若干信号样本以及对应的调制类型标签组成的集合，可以采用公开数据集或者通过无线通信设备进行收集。
[0019]进一步的技术方案在于，所述联合训练包括如下步骤：
[0020]信号压缩深度神经网络的输出层与信号恢复深度神经网络的输入层进行连接，组成整体网络，输入训练样本，输出增强样本；然后计算信号样本和增强数据之间的误差损失，通过误差损失反向传播同时更新信号压缩深度神经网络与信号恢复深度神经网络的参数，实现联合寻训练。
[0021]进一步的技术方案在于，所述步骤S102中：
[0022]上采样模块在训练阶段具有多分支结构，同时接收数据输入并分别计算结果数据，并将结果数据拼接成最终输出数据；
[0023]融合为单分支结构指的是在推理阶段将上采样模块中的各个分支通过结构重参数化，无损转化为单分支结构；
[0024]所述结构重参数化指的是首先构造一系列结构，并将其参数等价转换为另一组参数，从而将这一系列结构等价转换为另一系列结构。
[0025]本专利技术还公开了一种频谱数据压缩回传与模型推理加速处理系统，其特征在于包括：
[0026]感知设备、识别设备和无线通信网络，所述感知设备用于接收辐射源发送的信号数据，并通过具有下采样模块的信号压缩深度神经网络将接收到的信号数据进行压缩处理并获得收缩数据；
[0027]无线通信网络，用于将收缩数据传输给识别设备；
[0028]所述识别设备用于接收收缩数据，并通过具有上采样模块的信号恢复深度神经网络恢复出信号数据，并将信号数据传输至ADNN模型进行处理，ADNN模型对信号数据进行处理后得到信号数据的调制类型。
[0029]进一步的技术方案在于：所述信号压缩深度神经网络包括四个压缩模块，128*512的第一压缩模块，64*256的第二压缩模块，32*128的第三压缩模块以及16*64的第四压缩模块，所述第一压缩模块至第四压缩模块依次连接，所述第一压缩模块至第四压缩模块包括Conv卷积层、ReLU激活函数层、BN批量归一化处理层以及MaxPool最大池化层。
[0030]进一步的技术方案在于：所述信号恢复深度神经网络包括四个恢复模块，16*128的第一恢复模块，32*256的第二恢复模块，64*512的第三恢复模块以及2*1024的第四恢复模块，所述第一恢复模块至第四恢复模块依次连接，所述第一恢复模块至第四恢复模块包括Conv卷积层、ReLU激活函数层、BN批量归一化处理层以及Upsample上采样层。
[0031]进一步的技术方案在于，所述ADNN模型包括：64*512的第一处理模块，64*256的第二处理模块，64*128的第三处理模块以及64*64的第四处理模块，64*32的第五处理模块，64*2的第六处理模块，1*64的第七处理模块，1*24的第八处理模块，所述第一处理模块至第五处理模块包括Conv卷积层、ReLU函数层、BN批量归一化处理层以及MaxPool最大池化层；所述第六处理模块包括Conv卷积层、ReLU函数层、BN批量归一化处理层以及AvgPool平均池化层；所述第七至第八处理模块为线性层。
[0032]采用上述技术方案所产生的有益效果在于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种频谱数据压缩回传与模型推理加速处理方法，其特征在于包括如下步骤：S101：深度神经网络模型联合训练：设计信号压缩深度神经网络、信号恢复深度神经网络结构，并基于给定信号数据进行联合训练；S102：上采样模块结构推理优化：将采用多分支结构的上采样模块融合为单分支结构，增加信号恢复深度神经网络的推理速度；S103：深度神经网络模型部署：将训练得到的信号压缩深度神经网络部署到感知设备，并将信号恢复深度神经网络部署到识别设备；S104：信号数据采集回传：感知设备将采集到的无线通信信号输入到信号压缩深度神经网络，将得到的收缩数据通过无线链路传输到识别设备；S105：信号数据恢复与识别：识别设备将通过无线链路接收到的收缩数据输入到信号恢复深度神经网络，得到增强数据，并将其作为信号数据，输入到ADNN模型，得到信号数据的调制类型。2.如权利要求1所述的频谱数据压缩回传与模型推理加速处理方法，其特征在于：信号压缩深度神经网络的输入是信号数据，输出是收缩数据，且包含数据下采样模块，信号恢复深度神经网络的输入是收缩数据，输出是增强数据，且包含采用多分支结构的上采样模块。3.如权利要求1所述的频谱数据压缩回传与模型推理加速处理方法，其特征在于，所述步骤S101具体包括如下步骤：S：信号压缩深度神经网络设计：设计信号压缩深度神经网络的模型结构；S：信号恢复深度神经网络设计：设计信号恢复深度神经网络的模型结构；S：神经网络模型联合训练：将信号压缩深度神经网络与信号恢复深度神经网络进行联合训练。4.如权利要求3所述的频谱数据压缩回传与模型推理加速处理方法，其特征在于，所述步骤S1013中：联合训练是指将两个及以上的网络模型利用有关联的误差损失函数进行整体的模型参数更新；训练样本是指由若干信号样本以及对应的调制类型标签组成的集合，可以采用公开数据集或者通过无线通信设备进行收集。5.如权利要求4所述的频谱数据压缩回传与模型推理加速处理方法，其特征在于，所述联合训练包括如下步骤：信号压缩深度神经网络的输出层与信号恢复深度神经网络的输入层进行连接，组成整体网络，输入训练样本，输出增强样本；然后计算信号样本和增强数据之间的误差损失，通过误差损失反向传播同时更新信号压缩深度神经网络与信号恢复深度神经网络的参数，实现联合训练。6.如权利要求1所述的频谱数据压缩回传与模型推理加速处理方法，其特征在于，所述步骤S102中：上采样模块在训练阶段具有多分支结构，同时接收数据输入并分别...

【专利技术属性】
技术研发人员：魏祥麟，范建华，王超，魏冉，于龙，朱宗卫，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：