基于深度学习的滤波器优化方法技术

本发明专利技术提供了一种基于深度学习的滤波器优化方法，属于滤波器技术领域，本发明专利技术中滤波器考虑三方面的数据：多个采集的无线通信数据

【技术实现步骤摘要】
基于深度学习的滤波器优化方法


[0001]本专利技术涉及滤波器
，具体而言，涉及一种基于深度学习的滤波器优化方法
。

技术介绍

[0002]在通过射频
ADC
采集无线通信电磁波时，需要对无线通信数据进行滤波处理，从而保障计算获取信号的精度，避免噪声影响无线通信数据，从而影响通信质量
。
现有的滤波方法包括：均值滤波法
、
中位值滤波法
、
一阶滞后滤波法等
。
均值滤波方法和中位值滤波法在考虑多个采集的无线通信数据时，通过均值或中位值表达一段时间内的无线通信数据，仅能粗略体现一段时间内无线通信数据的情况，因此，采用均值滤波法和中位值滤波法存在滤波精度差的问题
。
一阶滞后滤波法考虑一个采集的无线通信数据和一个历史滤波无线通信数据，采集的无线通信数据和历史滤波无线通信数据考虑的数量少，同样存在滤波精度差的问题
。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种基于深度学习的滤波器优化方法解决了现有的滤波方法存在滤波精度差的问题
。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于深度学习的滤波器优化方法，包括以下步骤：
S1、
通过射频
ADC
采集无线通信电磁波，得到无线通信数据，将无线通信数据构建为第一序列，无线通信数据的滤波数据构建为第二序列，无线通信数据的变化值构建为第三序列；<br/>S2、
将第一序列构建为第一矩阵，将第二序列构建为第二矩阵，将第三序列构建为第三矩阵；
S3、
将第一矩阵
、
第二矩阵和第三矩阵作为训练样本；
S4、
采用训练样本对基于神经网络的滤波器进行训练，得到训练完成的滤波器；
S5、
采用训练完成的滤波器对传感器的实时无线通信数据进行处理，得到当前滤波数据
。
[0005]进一步地，所述
S1
中第一序列为：，其中，为第一序列，为第1个无线通信数据，为第个无线通信数据，为第个无线通信数据，为总的无线通信数据数量，为无线通信数据的编号；第二序列为：，其中，为第二序列，为的滤波数据，为的滤波数据，为的滤波数据，为第个无线通信数据；第三序列为：，其中，为第三序列，为第2个无线通信
数据，为第个无线通信数据
。
[0006]进一步地，所述
S2
中第一矩阵为：，第二矩阵为：，第三矩阵为：，其中，为第一矩阵，为第二矩阵，为第三矩阵，为转置运算
。
[0007]进一步地，所述
S4
中滤波器包括：第一数据特征提取单元
、
第二数据特征提取单元
、
第三数据特征提取单元
、Concat
层和
BP
神经网络；所述
Concat
层的输入端分别与第一数据特征提取单元的输出端
、
第二数据特征提取单元的输出端和第三数据特征提取单元的输出端连接，其输出端与
BP
神经网络的输入端连接；所述
BP
神经网络的输出端作为滤波器的输出端；所述第一数据特征提取单元用于处理第一矩阵；所述第二数据特征提取单元用于处理第二矩阵；所述第三数据特征提取单元用于处理第三矩阵
。
[0008]上述进一步地方案的有益效果为：本专利技术中通过三个数据特征提取单元分别处理三个矩阵，实现特征提取，通过
Concat
层对特征进行拼接，再通过
BP
神经网络进行预测，本专利技术中
BP
神经网络的输出层仅一个输出节点，仅输出一个预测的滤波数据，即的滤波数据，
BP
神经网络的隐藏层选择常用的激活函数，本专利技术中先是实现对数据的特征提取，找到每种矩阵的特征，再根据三种特征实现预测，提高滤波的精度，准确减少噪声的干扰
。
[0009]进一步地，所述第一数据特征提取单元
、
第二数据特征提取单元和第三数据特征提取单元均包括：第一卷积层
、
第二卷积层
、
第一注意力模块
、
第二注意力模块和加法器；所述第一卷积层的输入端作为第一数据特征提取单元
、
第二数据特征提取单元或第三数据特征提取单元的输入端；所述第一卷积层的输出端分别与第一注意力模块的输入端和第二注意力模块的输入端连接；所述加法器的输入端分别与第一注意力模块的输出端和第二注意力模块的输出端连接，其输出端与第二卷积层的输入端连接；所述第二卷积层的输出端作为第一数据特征提取单元
、
第二数据特征提取单元或第三数据特征提取单元的输出端
。
[0010]上述进一步地方案的有益效果为：本专利技术设置了两路的注意力模块，从而对特征施加不同的关注度，一方面能提高提取所需特征的精度，另一方面能提高提取特征的数据量
。
[0011]进一步地，所述第一注意力模块包括：最大池化层
、
第一
softmax
层和第一乘法器；所述最大池化层的输入端与第一乘法器的第一输入端连接，并作为第一注意力模块的输入端；所述第一
softmax
层的输入端与最大池化层的输出端连接，其输出端与第一乘法器的第二输入端连接；所述第一乘法器的输出端作为第一注意力模块的输出端；所述第一乘法器用于将第一
softmax
层的输出和第一乘法器的第一输入端的输入进行哈达玛积
。
[0012]进一步地，所述第二注意力模块包括：平均池化层
、
第二
softmax
层和第二乘法器；所述平均池化层的输入端与第二乘法器的第一输入端连接，并作为第二注意力模块的输入端；所述第二
softmax
层的输入端与平均池化层的输出端连接，其输出端与第二乘法器的第二输入端连接；所述第二乘法器的输出端作为第二注意力模块的输出端；所述第二乘法器用于将第二
softmax
层的输出和第二乘法器的第一输入端的输入进行哈达玛积
。
[0013]上述进一步地方案的有益效果为：在本专利技术中，一路注意力模块通过最大池化层提取显著特征，另一路注意力模块通过平均池化层提取全局特征，根据显著特征和全局特
征分别对第一卷积层输出的特征施加不同关注度，再通过加法器实现特征的融合
。
[0014]进一步地，所述
S4
中对基于神经网络的滤波器进行训练的损失函数为：其中，为第次训练时的损失值，为以自然常数为底的指数函数，为取最大值，为第次训练时滤波器输出的第个无线通信数据的滤波数据，为第个无线通信数据的标签滤波数据，为第次训练时滤波器输出的第个无线通信数据的滤波数据，为正整数，为训练次数的编号，为对数函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的滤波器优化方法，其特征在于，包括以下步骤：
S1、
通过射频
ADC
采集无线通信电磁波，得到无线通信数据，将无线通信数据构建为第一序列，无线通信数据的滤波数据构建为第二序列，无线通信数据的变化值构建为第三序列；
S2、
将第一序列构建为第一矩阵，将第二序列构建为第二矩阵，将第三序列构建为第三矩阵；
S3、
将第一矩阵
、
第二矩阵和第三矩阵作为训练样本；
S4、
采用训练样本对基于神经网络的滤波器进行训练，得到训练完成的滤波器；
S5、
采用训练完成的滤波器对传感器的实时无线通信数据进行处理，得到当前滤波数据
。2.
根据权利要求1所述的基于深度学习的滤波器优化方法，其特征在于，所述
S1
中第一序列为：，其中，为第一序列，为第1个无线通信数据，为第个无线通信数据，为第个无线通信数据，为总的无线通信数据数量，为无线通信数据的编号；第二序列为：，其中，为第二序列，为的滤波数据，为的滤波数据，为的滤波数据，为第个无线通信数据；第三序列为：，其中，为第三序列，为第2个无线通信数据，为第个无线通信数据
。3.
根据权利要求2所述的基于深度学习的滤波器优化方法，其特征在于，所述
S2
中第一矩阵为：，第二矩阵为：，第三矩阵为：，其中，为第一矩阵，为第二矩阵，为第三矩阵，为转置运算
。4.
根据权利要求3所述的基于深度学习的滤波器优化方法，其特征在于，所述
S4
中滤波器包括：第一数据特征提取单元
、
第二数据特征提取单元
、
第三数据特征提取单元
、Concat
层和
BP
神经网络；所述
Concat
层的输入端分别与第一数据特征提取单元的输出端
、
第二数据特征提取单元的输出端和第三数据特征提取单元的输出端连接，其输出端与
BP
神经网络的输入端连接；所述
BP
神经网络的输出端作为滤波器的输出端；所述第一数据特征提取单元用于处理第一矩阵；所述第二数据特征提取单元用于处理第二矩阵；所述第三数据特征提取单元用于处理第三矩阵
。5.
根据权利要求4所述的基于深度学习的滤波器优化方法，其特征在于，所述第一数据特征提取单元
、
第二数据特征提取单元和第三数据特征提取单元均包括：第一卷积层
、
第二卷积层
、

【专利技术属性】
技术研发人员：张少俊，陈晨，侯德坤，左自国，
申请(专利权)人：成都嘉晨科技有限公司，
类型：发明
国别省市：