一种小样本电信号多分类深度学习识别检测方法技术

本发明专利技术涉及一种小样本电信号多分类非侵入式识别检测方法。包括：特征提取模块及信号分类模块。当飞行器信号进行特征提取时(201)，含有标签的飞行器信号样本被送入特征提取模块(202)，将提取到的样本深层特征(211)输入随机森林模块进行分类，采用自助抽样法抽取N个样本(303)，在特征集中无放回地抽取m个特征(304)，生成决策树(305)，进入循环次数判断模块(306)，将生成的决策树形成随机森林(307)，进行分类(308)，投票(309)，按多数票原则输出分类结果(310)。通过该方法，有效解决了提取浅层特征，梯度消失，特征尺度单一等问题，显著提升了飞行器多尺度信号分类和识别的准确率。升了飞行器多尺度信号分类和识别的准确率。升了飞行器多尺度信号分类和识别的准确率。

【技术实现步骤摘要】
一种小样本电信号多分类深度学习识别检测方法


[0001]本专利技术涉及一种小样本电信号多分类深度学习识别检测方法。

技术介绍

[0002]飞行器信号的识别与分类是飞行器健康管理策略的核心，通过对复杂系统当前的健康状态进行判别，有效找到故障发生原因及来源，提出一系列维护保障相关的建议或决策。飞行器健康管理策略在航空航天工业领域受到广泛认同和应用，为航天器的安全性和可靠性提供了巨大保障，将成为航空航天工业发展的一种必然趋势。
[0003]目前针对这些复杂装备所开发的故障诊断系统，由于其具有一定的局限性，大多数诊断系统还处于实验验证阶段，想要将这些系统应用于实际工程中，仍有许多技术需要进一步的研究和完善，对于航天器故障诊断技术的重要需求，急需在此方面有所突破，为航天器提供更好的保障和维护。现代化设备越来越趋向于大型化、复杂化、自动化和智能化，特别是功能越来越复杂的大型装备，传统的故障诊断技术表现出了极大的局限性，已经越来越不能够满足当前复杂设备对故障诊断实时性、准确性的要求。

技术实现思路

[0004]本专利技术的目的在于针对现有飞行器信号分类和识别方法存在信号尺度识别局限性问题，提出了一种小样本电信号多分类深度学习识别检测方法。有效解决了提取浅层特征，梯度消失，特征尺度单一等问题，显著提升了飞行器信号分类和识别的准确率。
[0005]飞行器信号识别与分类方法中的传统机器学习算法，缺乏对高维数据的特征提取能力，在飞行器信号分类问题中的分类准确率，分类速度及其他各项性能指标有所局限。
[0006]本专利技术采用了一种深度学习特征提取与随机森林的小样本电信号多分类非侵入式识别检测方法，其作为一类新兴前沿的机器学习方法，被广泛应用于数据科学相关的计算机视觉、自然语言处理等领域，具有更强的鲁棒性和普适性。深度学习方法基于深层的神经网络模型，能够从复杂的飞行器信号样本中自动提取特征。本专利技术通过深度信网络的方法，克服传统机器学习方法对于高维度复杂数据处理难度大的问题，在特征提取能力上和泛化能力上都有所提高。
[0007]本专利技术涉及深度信网络特征提取算法，随机森林信号分类算法。
附图说明
[0008]图1显示了根据本专利技术的一个实施例的飞行器信号分类与识别的算法流程图；
[0009]图2显示了根据本专利技术的一个实施例的飞行器信号的特征提取流程图；
[0010]图3显示了根据本专利技术的一个实施例的飞行器信号基于随机森林的分类流程图。
具体实施方式
[0011]根据本专利技术的一个实施例的小样本电信号多分类深度学习识别检测方法的流程
图如图1所示，其包括：
[0012]当飞行器信号要进行故障判别工作时(101)，首先将飞行器中复杂设备的数据进行信号采集，并传输给传感器(102)，将传感器得到的原始信号进行信号预处理(103)。
[0013]然后进行判断流程，对信号来源进行判断(104)，若信号来源是历史数据，则进入历史数据读取环节(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，最终将历史数据及其对应的标注构建成专家数据库(108)；若信号来源是实时数据，则进入实时数据读取环节(109)。
[0014]将历史数据和实时数据转换为二维数据(110)共同输入神经元网络，通过深信度网络的特征提取(111)，将提取得到的深层特征送入随机森林分类算法(112)，经过投票模块(113)得到飞行器信号分类结果(114)。再进行收敛判断(115)，若分类结果的损失函数在训练中达到收敛，进入最终环节输出实时故障诊断结果(116)；若分类结果的损失函数在训练中没有收敛，则要返回随机森林算法(112)，更新(113)中的投票权重参数，再次进行信号分类(114)过程，直到损失函数收敛。当判断训练收敛时，完成训练，输出实时故障诊断结果(116)。
[0015]深信度网络是一个概率生成模型，是建立一个样本数据和类别标签之间的联合分布，由多个隐含变量组合而成的深层神经网络。深信度网络由一系列受限玻尔兹曼机(Restrict Boltzmann Machine)堆叠组合而成，受限玻尔兹曼机是由可视层和隐藏层组成的图形模型，两层都满足波尔兹曼分布。
[0016]可视层和隐藏层之间的神经元属于全连接，但同层之间的神经元节点不存在连接，是相互独立、没有关系的，两层都满足玻尔兹曼分布，即：
[0017]p(h|v)＝p(h1|v)，p(h2|v)，
…
p(h
n
|v)
ꢀꢀꢀꢀ
(1)
[0018]由该公式可知，可视层v与隐藏层h通过p(h|v)进行相互重构，通过调整参数，当隐藏层的重构向量与原输入样本差别小于设定的最小值的时候，即表示找到了能量函数的最低值，训练也就随之结束；
[0019]训练的目的是获得三个参数，分别是网络权值W
mn
、偏移量B
n
和偏移量C
m
；
[0020]联合组态的能量方程可以表示为：
[0021][0022]通过玻尔兹曼分布和能量函数可以确定某个组态的联合概率分布，如下式所示：
[0023][0024][0025]所述联合概率分布的联合概率密度为：
[0026][0027]给定一个电信号样本集，使其满足独立同分布要求：D＝{v
(1)
，v
(2)
，
…
，v
(N)
}，需要学习参数θ＝{W，b，c}。由于该概率满足特殊的吉布斯概率分布，则有：
[0028][0029][0030][0031]因此可得：
[0032][0033][0034]c
i
＝c
i
+α(p(h
i
＝1|v
(1)
)
‑
p(h
i
＝1|v
(k)
))
ꢀꢀꢀꢀꢀ
(10)
[0035]其中，α为学习率，k表示第k次循环，且有：
[0036][0037]深信度网络是由多个受限玻尔兹曼机叠加而成的深度学习方法，采用深信度网络方法对专家数据库进行特征学习，选择合适的网络层数通过逐层训练，对信号进行重构，降低数据维度，最终得到降维之后的电信号样本的输出。专家数据库是离线训练并不断丰富的，专家库可以用来训练在线分类器，可以提高在线分类的精度，缩短时间。
[0038]深信度网络的特征提取流程，包括：
[0039]当飞行器信号进行特征提取时(201)，含有标签的飞行器信号样本被送入特征提取模块(202)，开始从上到下的执行按层的贪心训练(203)，计算正梯度(204)，采样可见单元的V
’
(205)，用吉布斯方法重新采样隐藏的激活h
’
(206)，计算负梯度(207)，根据负梯度来更新神经网络参数(208)，判断是否达到循环次数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本电信号多分类深度学习识别检测方法，其特征在于包括：A3)对信号来源进行判断(104)，其中：若信号来源是历史数据，则进入历史数据读取环节(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，最终将历史数据及其对应的标注构建成专家数据库(108)；若信号来源是实时数据，则进入实时数据读取环节(109)，A4)将历史数据和实时数据转换为二维数据(110)共同输入神经元网络，A5)利用深信度网络进行特征提取(111)，A6)将提取得到的深层特征送入随机森林分类算法(112)，经过投票模块(113)得到飞行器信号的分类结果(114)，A7)进行收敛判断(115)，其中：若分类结果的损失函数在训练中达到收敛，进入最终环节输出实时故障诊断结果(116)；若分类结果的损失函数在训练中没有收敛，则返回随机森林分类算法(112)，更新投票模块(113)中的投票权重参数，再次进行信号分类(114)，直到损失函数收敛，其中：所述深信度网络是一个概率生成模型，是建立一个样本数据和类别标签之间的联合分布，由多个隐含变量组合而成，所述深信度网络由一系列受限玻尔兹曼机堆叠组合而成，受限玻尔兹曼机是由可视层和隐藏层组成的图形模型，可视层和隐藏层之间的神经元属于全连接，同层之间的神经元节点不存在连接，是相互独立、没有关系的，可视层和隐藏层都满足玻尔兹曼分布，即：p(h|v)＝p(h1|v)，p(h2|v)，
…
p(h
n
|v)
ꢀꢀꢀ
(1)，式中h代表隐藏层的状态，v代表可视层的状态，P代表条件概率，即：可视层v与隐藏层h通过p(h|v)进行相互重构，通过调整参数，当隐藏层的重构向量与原输入样本差别小于设定的最小值的时候，即表示找到了能量函数的最低值，训练也就随之结束；训练的目的是获得三个参数，分别是网络权值W
mn
、偏移量B
n
和偏移量C
m
；受限玻尔兹曼机的能量方程表示为：通过玻尔兹曼分布和能量函数可以确定某个组态的联合概率分布，如下式所示：
所述联合概率分布的联合概率密度为：其中，使一个给定的电信号样本集满足独立同分布要求：D＝{v
(1)
，v
(2)
...

【专利技术属性】
技术研发人员：李可，王栋浩，胡振宁，李鹏蛟，武昊鹏，阚艳，庞丽萍，杨顺昆，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：