申请/专利权人：南开大学

申请日：2024-03-26

公开（公告）日：2024-06-21

公开（公告）号：CN117951615B

主分类号：G06F18/2431

分类号：G06F18/2431;G06F18/214;G06F18/21;G06F18/241;G06N3/0464;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明涉及电数字处理技术领域，尤其涉及一种多类别时序信号的分类识别方法，包括如下步骤：对原始多类别时序信号进行采集，并根据所属类别赋予不同的标签；提取时域信息，并对每一个原始多类别时序信号提取出与每一个时域信息对应的频域信息，形成相应的特征矩阵；将特征矩阵导入相应的加载器中；搭建多类别时序信号分类识别网络模型并进行参数设置；对模型进行训练并验证，得到最佳多类别时序信号分类识别网络模型；对最佳多类别时序信号分类识别网络模型进行测试，并计算分类识别的准确率。本发明提供的方法既没有损耗原始数据信息，又能获得比现有技术更好的信号分类效果。

主权项：1.一种多类别时序信号的分类识别方法，其特征在于：包括如下步骤：S1：对原始多类别时序信号进行采集，并根据原始多类别时序信号所属类别赋予不同的标签，然后按照设定比例将赋予标签的原始多类别时序信号分别保存至原始训练集和原始测试集，所述原始多类别时序信号为雷达有源干扰信号，所述雷达有源干扰信号的信号类别包括线性调频信号、射频噪声干扰、噪声调幅干扰、噪声调频干扰、噪声调相干扰、噪声卷积干扰、噪声乘积干扰、周期高斯脉冲干扰、弥散频谱干扰、梳状频谱干扰、跳频噪声干扰、线性扫频干扰、非线性扫频干扰、间歇采样直接转发干扰、间歇采样重复转发干扰、间歇采样循环转发干扰、频谱扩展干扰、切片组合干扰、距离与速度拖引干扰，所述雷达有源干扰信号的标签类别分别为0、1、2...18，且标签类别与信号类别相对应；S2：对原始训练集和原始测试集中的每一个原始多类别时序信号提取时域信息，并对每一个原始多类别时序信号提取出与每一个时域信息对应的频域信息；S3：将原始训练集中的时域信息与相应的频域信息组成原始训练集特征矩阵导入原始训练集数据加载器中，将原始测试集中的时域信息与相应的频域信息组成原始测试集特征矩阵导入原始测试集数据加载器中；S4：在PyTorch框架之下按照设定参数搭建多类别时序信号分类识别网络模型并进行参数设置，且搭建的多类别时序信号分类识别网络模型包括一个一维卷积层和一个二维卷积层，还包括一维激活层、二维激活层、一维池化层、二维池化层、一级全连接层及二级全连接层，所述一维激活层设置于一维卷积层之后，二维激活层设置于二维卷积层之后，一维池化层设置于一维激活层之后，二维池化层设置于二维激活层之后，一级全连接层及二级全连接层依次设置于二维池化层之后，且在一级全连接层与二级全连接层之间设有激活函数；S5：将原始训练集数据加载器中的特征矩阵划分为多个子集，依次选取其中一个子集作为验证集，其余子集作为训练集对多类别时序信号分类识别网络模型进行训练，训练完成后用选取的验证集进行验证，直至验证集遍历每一个子集，且在每一次训练时，先直接使用PyTorch框架中的一维卷积层进行一维卷积操作，得到多个一维多类别时序信号分类识别网络模型，再使用unsqueeze函数将一维的信号上插入一个维度，再使用二维卷积层进行二维卷积操作，得到多个二维多类别时序信号分类识别网络模型，比较多个一维多类别时序信号分类识别网络模型及多个二维多类别时序信号分类识别网络模型，计算出在验证集上的损失最小的模型作为最佳多类别时序信号分类识别网络模型；S6：使用原始测试集数据加载器对最佳多类别时序信号分类识别网络模型进行测试，并将通过最佳多类别时序信号分类识别网络模型测试得出的多类别时序信号的类别与原始测试集中原始多类别时序信号所标记的所属类别进行比对，并计算分类识别的准确率。

全文数据：

权利要求：

百度查询： 南开大学 一种多类别时序信号的分类识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD