本申请实施例公开了一种动态谱信号识别方法、装置、电子设备及存储介质，本申请涉及地图、智能交通、人工智能等领域。该方法包括：获取待识别的动态谱信号，动态谱信号具备时间维度和频率维度；沿时间维度对动态谱信号进行预设尺寸阈值的分割，得到频率维度相同的若干信号块；将信号块分别输入到信号分类模型，得到动态谱信号针对单脉冲信号类型的置信度；当置信度达到预设阈值时，将单脉冲信号类型作为动态谱信号的信号类型。通过对动态谱信号的分割，使得模型能够处理同一分辨率的信号块，提升模型分类的准确性。升模型分类的准确性。升模型分类的准确性。
【技术实现步骤摘要】
动态谱信号识别方法、装置、电子设备及存储介质
[0001]本申请实施例涉及计算机
，具体涉及一种动态谱信号识别方法、装置、电子设备及存储介质。
技术介绍
[0002]随着天文物理与射电信号技术的发展，越来越多的宇宙信号能够被部署在世界各个区域的射电天文望远镜所观测记录，这些信号能够帮助天文工作者对宇宙的研究，具备重大科研意义。
[0003]而随着灵敏度以及观测范围的提高，天文望远镜所能接收到的数据量也随之爆发式增长，处理这些数据，往往意味着需要从较大数据容量中筛选出期望的信号，由于数据量较大，增大了筛选判断的效率和难度。
技术实现思路
[0004]本申请实施例提供一种动态谱信号识别方法、装置、电子设备及存储介质，可以提升动态谱信号识别的效率和准确性。
[0005]第一方面，本申请实施例提供了一种动态谱信号识别方法，包括：
[0006]获取待识别的动态谱信号，所述动态谱信号具备时间维度和频率维度；
[0007]沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割，得到频率维度相同的若干信号块；
[0008]将所述信号块分别输入到信号分类模型，得到所述动态谱信号针对单脉冲信号类型的置信度；
[0009]当所述置信度达到预设阈值时，将所述单脉冲信号类型作为所述动态谱信号的信号类型。
[0010]第二方面，本申请实施例还提供了一种动态谱信号识别装置，包括：
[0011]获取模块，用于获取待识别的动态谱信号，所述动态谱信号具备时间维度和频率维度；
[0012]处理模块，用于沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割，得到频率维度相同的若干信号块；
[0013]分析模块，用于将所述信号块分别输入到信号分类模型，得到所述动态谱信号针对单脉冲信号类型的置信度；
[0014]确定模块，用于当所述置信度达到预设阈值时，将所述单脉冲信号类型作为所述动态谱信号的信号类型。
[0015]其中，在本申请的一些实施例中，信号分类模型包括判别网络和融合网络，分析模块包括：
[0016]判别单元，用于将所述信号块分别输入到所述判别网络，得到每个信号块针对单脉冲信号类型的局部置信度；
[0017]融合单元，用于将各个所述局部置信度输入到所述融合网络，得到综合置信度；
[0018]确定单元，用于将所述综合置信度作为所述动态谱信号针对所述单脉冲信号类型的置信度。
[0019]其中，在本申请的一些实施例中，判别网络包括卷积层和判别层，判别单元包括：
[0020]提取子单元，用于针对每个信号块，将所述信号块输入到所述卷积层，得到所述信号块对应的块信号特征信息；
[0021]判别子单元，用于将所述块信号特征信息输入到所述判别层，得到所述信号块针对所述单脉冲信号类型的局部置信度。
[0022]其中，在本申请的一些实施例中，该装置还包括训练模块，训练模块包括：
[0023]获取单元，用于获取样本训练数据和样本信号分类模型，所述样本训练数据包括样本动态谱信号以及所述样本动态谱信号对应的样本信号类型，所述样本信号分类模型为所述信号分类模型在训练前对应的模型；
[0024]分割单元，用于将所述样本动态谱信号沿时间维度按照所述预设尺寸阈值进行分割，得到频率维度相同的若干样本信号块；
[0025]第一输入单元，用于针对每个所述样本信号块，将所述样本信号块输入到所述样本信号分类模型的判别网络，得到所述样本信号块针对每个所述样本信号类型的样本局部置信度；
[0026]第二输入单元，用于将各个所述样本局部置信度输入到所述样本信号分类模型的融合网络，得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度；
[0027]训练单元，用于根据所述样本综合置信度以及所述样本动态谱信号的样本信号类型，对所述样本信号分类模型进行训练，得到训练后的信号分类模型。
[0028]其中，在本申请的一些实施例中，训练单元包括：
[0029]基准损失确定子单元，用于根据所述样本综合置信度和所述样本动态谱信号的样本信号类型，确定基准损失；
[0030]训练子单元，用于根据所述基准损失对所述样本信号分类模型进行训练，得到训练后的信号分类模型。
[0031]其中，在本申请的一些实施例中，训练单元还包括：
[0032]正负样本确定子单元，用于根据所述样本信号类型从所述样本训练数据中确定正样本和负样本；
[0033]块级损失确定子单元，用于针对负样本的每个样本信号块，根据所述样本信号块针对每个所述预设信号类型的样本局部置信度，以及所述样本信号块所属的样本信号类型，确定所述样本信号块的块级损失；
[0034]样本级损失确定子单元，用于针对所述负样本，根据所述负样本中各个样本信号块的块级损失确定所述负样本的样本级损失；
[0035]训练子单元具体用于：
[0036]当所述样本训练数据为正样本时，根据所述基准损失对所述样本信号分类模型进行训练，得到训练后的信号分类模型；
[0037]当所述样本训练数据为负样本时，根据所述基准损失和所述样本级损失对所述样本信号分类模型进行训练，得到训练后的信号分类模型。
[0038]其中，在本申请的一些实施例中，第二输入单元包括：
[0039]第一输入子单元，用于将各个所述样本局部置信度输入到所述判定层，得到各个样本局部置信度对应的样本融合权重；
[0040]第二输入子单元，用于将各个所述样本局部置信度和各个所述样本融合权重输入到所述融合层，得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度。
[0041]其中，在本申请的一些实施例中，训练单元包括：
[0042]融合损失确定子单元，用于根据各个所述样本融合权重的分布的熵，确定融合损失；
[0043]基准损失确定子单元，用于根据所述样本综合置信度和所述样本动态谱信号的样本信号类型，确定基准损失；
[0044]训练子单元，用于根据所述基准损失对所述样本信号分类模型进行训练，得到训练后的信号分类模型。
[0045]第三方面，本申请实施例还提供了一种电子设备，电子设备包括存储器、处理器及存储在存储器中并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述的动态谱信号识别方法中的步骤。
[0046]第四方面，本申请实施例还提供了一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的动态谱信号识别方法中的步骤。
[0047]第五方面，本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例所述的各种可选实现方式中提供的方法。
[0048]其中，本申请实施例获取本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种动态谱信号识别方法，其特征在于，包括：获取待识别的动态谱信号，所述动态谱信号具备时间维度和频率维度；沿所述时间维度对所述动态谱信号进行预设尺寸阈值的分割，得到频率维度相同的若干信号块；将所述信号块分别输入到信号分类模型，得到所述动态谱信号针对单脉冲信号类型的置信度；当所述置信度达到预设阈值时，将所述单脉冲信号类型作为所述动态谱信号的信号类型。2.根据权利要求1所述的方法，其特征在于，所述信号分类模型包括判别网络和融合网络，所述将所述信号块分别输入到信号分类模型，得到所述动态谱信号针对单脉冲信号类型的置信度，包括：将所述信号块分别输入到所述判别网络，得到每个信号块针对单脉冲信号类型的局部置信度；将各个所述局部置信度输入到所述融合网络，得到综合置信度；将所述综合置信度作为所述动态谱信号针对所述单脉冲信号类型的置信度。3.根据权利要求2所述的方法，其特征在于，所述判别网络包括卷积层和判别层，所述将所述信号块分别输入到所述判别网络，得到每个信号块针对单脉冲信号类型的局部置信度，包括：针对每个信号块，将所述信号块输入到所述卷积层，得到所述信号块对应的块信号特征信息；将所述块信号特征信息输入到所述判别层，得到所述信号块针对所述单脉冲信号类型的局部置信度。4.根据权利要求1所述的方法，其特征在于，所述获取待识别的动态谱信号之前，所述方法还包括：获取样本训练数据和样本信号分类模型，所述样本训练数据包括样本动态谱信号以及所述样本动态谱信号对应的样本信号类型，所述样本信号分类模型为所述信号分类模型在训练前对应的模型；将所述样本动态谱信号沿时间维度按照所述预设尺寸阈值进行分割，得到频率维度相同的若干样本信号块；针对每个所述样本信号块，将所述样本信号块输入到所述样本信号分类模型的判别网络，得到所述样本信号块针对每个所述样本信号类型的样本局部置信度；将各个所述样本局部置信度输入到所述样本信号分类模型的融合网络，得到所述样本动态谱信号针对每个所述样本信号类型的样本综合置信度；根据所述样本综合置信度以及所述样本动态谱信号的样本信号类型，对所述样本信号分类模型进行训练，得到训练后的信号分类模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述样本综合置信度以及所述样本动态谱信号对应的样本信号类型，对所述样本信号分类模型进行训练，得到训练后的信号分类模型，包括：根据所述样本综合置信度和所述样本动态谱信号的样本信号类型，确定基准损失；
根据所述基准损失对所述样本信号分类模型进行训练，得到训练后的信号分类模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述基准损失对所述样本信号分类模型进行训练，得到训练后的信号分类模型之前，所述方...
【专利技术属性】
技术研发人员：李昱希，邱亦宁，凌宇航，孙众毅，甘振业，王亚彪，
申请(专利权)人：腾讯科技深圳有限公司，
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。