CN116016068B - 基于数据驱动的互频智能干预信号表示方法及*** - Google Patents
基于数据驱动的互频智能干预信号表示方法及*** Download PDFInfo
- Publication number
- CN116016068B CN116016068B CN202211137836.7A CN202211137836A CN116016068B CN 116016068 B CN116016068 B CN 116016068B CN 202211137836 A CN202211137836 A CN 202211137836A CN 116016068 B CN116016068 B CN 116016068B
- Authority
- CN
- China
- Prior art keywords
- frequency
- output
- low
- component
- lstm network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Transmitters (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于数据驱动的互频智能干预信号表示方法及***,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理,即用高频分量对低频分量的干预,以及用低频分量对高频分量的干预,高频分量与低频分量之间相互干预、相互驱动,得到的高频输出分量融合了低频分量的隐含信息,低频输出分量融合了高频分量的隐含信息,使得高频分量和低频分量能够更为准确地表示信号信息,基于高频输出分量和低频输出分量获得的信号特征能够有效表征信号。
Description
技术领域
本发明涉及通讯技术领域,具体而言,涉及一种基于数据驱动的互频智能干预信号表示方法及***。
背景技术
在非协作通信***中,只有获得信号的调制方式才能对信号进行正确解调。涉及到的信号识别、目标识别等关键技术是非协作通信***的必要组成部分,是截获敌方信号的有效手段,同时也是频谱检测的重要步骤,在无人机集群作战、电磁频谱感知以及无线电通信等军事和民用领域具有重要的理论意义和应用价值。随着通信技术的快速发展,电磁信号呈现出数量多、密度大、形式繁等特点,致使通信环境愈加复杂,难以获得有效的信号表示,限制了相关智能***性能提升,主要体现在以下三个方面:一是辐射源信号的覆盖频率不断增加导致未知的信号种类和数量越来越多;二是随着通信技术水平的提高,大量复杂体制的设备开始出现,产生的电磁信号形式复杂,频率多变;三是通信设备的工作频段不断增宽、工作体制日益复杂会使得不同辐射源在频段和时域上互有重叠。传统信号表示方法通常遵循模式识别框架,主要包括数据预处理、特征提取、特征选择以及分类器设计等多个独立的处理模块,具体地:
⑴信号预处理。例如:数据滤波降噪、多径信号判别、载频估计、归一化和数据对齐等;
⑵特征提取和特征选择。例如:信号瞬时特征、稳态特征、变换域特征、特征优化、特征库建立与更新等;
⑶分类器设计方法。例如:多种适用于工程应用的分类器设计等;
然而,当使用传统方法先提取信号的特征,再利用SVM、ELM等经典识别算法进行识别时,相应的模型性能差异明显。主要原因是信号随时间变化过程隐藏了内隐信息,传统方法不能充分表示这种内隐特性,导致信号特征挖掘不够充分,使传统识别方法逐渐失去有效性。
近年来,计算机的运算能力大大增强,深度学习也随之快速发展。深度学习根据反向传播算法自动学习并调整神经网络中的权重和偏置,与传统基于模型的方法在解决问题的思路上有本质不同,因此可以自适应学习输入样本,实现底层到上层,具体到抽象的特征提取过程。此外,Transformer等深度学习技术具有较强的泛化能力,经过训练的深度网络模型可以适应复杂的通信环境,是有效表示信号的有力工具。
然而,深度学习方法自身并不具备从信号中显示挖掘内隐知识的能力,仅隐式挖掘得到的信号特征难以有效表征信号。
发明内容
本发明的目的在于提供了一种基于数据驱动的互频智能干预信号表示方法及***,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种基于数据驱动的互频智能干预信号表示方法,,所述方法包括:
获得变频信号的时频特征;
提取出时频特征中的低频分量和高频分量;
通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量;
其中,高低频干预模型包括高频网络和低频网络,高频网络的输入为高频分量,低频网络的输入为低频分量,高频网络的输出为高频输出分量,低频网络的输出为低频输出分量;高频网络包括多个高频单元,低频网络包括多个低频单元,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理。
可选的,高频网络包括2个高频单元,低频网络包括2个低频单元;
所述2个低频单元分别是第一LSTM网络和第三LSTM网络;所述2个高频单元分别是第二LSTM网络和第四LSTM网络;
第一LSTM网络的输入是所述低频分量,第二LSTM网络的输入是所述高频分量;
第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出对第一LSTM网络的输出干预操作后得到的第一融合分量;
第四LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出对第二LSTM网络的输出干预操作后得到的第二融合分量。
可选的,基于第二LSTM网络的输出对第一LSTM网络的输出干预操作得到第一融合分量,包括:
对第一LSTM网络的输出和第二LSTM网络的输出进行连接操作,得到第一连接分量;
对所述第一连接分量进行卷积操作,获得第一融合分量。
可选的,第三LSTM网络的输入包括基于第二LSTM网络的输出和第四LSTM网络的输出对第一LSTM网络的输出干预操作后的第一融合分量,包括:
对第一LSTM网络的输出和第二LSTM网络的输出进行连接操作,得到第一连接分量;
对第一LSTM网络的输出和第四LSTM网络的输出进行连接操作,得到第二连接分量;
对第一连接分量和第二连接分量进行连接操作,得到第三连接分量;
对所述第三连接分量进行卷积操作,获得第一融合分量;所述第一融合分量的维度与所述低频分量的维度相同。
可选的,高频网络包括3个高频单元,低频网络包括3个低频单元;
所述3个低频单元分别是第一LSTM网络、第三LSTM网络和第五LSTM网络;所述3个高频单元分别是第二LSTM网络、第四LSTM网络和第六LSTM网络;
第一LSTM网络的输入是所述低频分量,第二LSTM网络的输入是所述高频分量;
第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第一LSTM网络的输出干预操作后得到的第一融合分量;
第四LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第二LSTM网络的输出干预操作后得到的第二融合分量;
第五LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第三LSTM网络的输出干预操作后得到的第三融合分量;
第六LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第四LSTM网络的输出进行干预操作后得到的第四融合分量。
可选的,在所述通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量之后,所述基于数据驱动的互频智能干预信号表示方法还包括:
对高频输出分量和低频输出分量进行拼接操作,得到拼接信号;
对所述拼接信号进行卷积操作,得到恢复时频域信号;
其中,恢复时频域信号的维度与所述时频特征的维度相同。
第二方面,本发明实施例还提供了一种基于数据驱动的互频智能干预信号表示***,所述***包括:
获得模块,用于获得变频信号的时频特征;
提取模块,用于提取出时频特征中的低频分量和高频分量;
交互模块,用于通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量;
其中,高低频干预模型包括高频网络和低频网络,高频网络的输入为高频分量,低频网络的输入为低频分量,高频网络的输出为高频输出分量,低频网络的输出为低频输出分量;高频网络包括多个高频单元,低频网络包括多个低频单元,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理。
可选的,高频网络包括2个高频单元,低频网络包括2个低频单元;
所述2个低频单元分别是第一LSTM网络和第三LSTM网络;所述2个高频单元分别是第二LSTM网络和第四LSTM网络;
第一LSTM网络的输入是所述低频分量,第二LSTM网络的输入是所述高频分量;
第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出对第一LSTM网络的输出干预操作后得到的第一融合分量;
第四LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出对第二LSTM网络的输出干预操作后得到的第二融合分量。
可选的,所述***还包括:
拼接模块,用于对高频输出分量和低频输出分量进行拼接操作,得到拼接信号;
恢复模块,用于对所述拼接信号进行卷积操作,得到恢复时频域信号;
其中,恢复时频域信号的维度与所述时频特征的维度相同。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例提供了一种基于数据驱动的互频智能干预信号表示方法及***,用于提取信号特征,通过获得变频信号的时频特征,提取出时频特征中的低频分量和高频分量,通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量。其中,高低频干预模型包括高频网络和低频网络,高频网络的输入为高频分量,低频网络的输入为低频分量,高频网络的输出为高频输出分量,低频网络的输出为低频输出分量;高频网络包括多个高频单元,低频网络包括多个低频单元,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理。
通过采用以上方案,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理,即用高频分量对低频分量的干预,以及用低频分量对高频分量的干预,高频分量与低频分量之间相互干预、相互驱动,得到的高频输出分量融合了低频分量的隐含信息,低频输出分量融合了高频分量的隐含信息,使得高频分量和低频分量能够更为准确地表示信号信息,基于高频输出分量和低频输出分量获得的信号特征能够有效表征信号。
附图说明
图1是本发明实施例提供的一种基于数据驱动的互频智能干预信号表示方法流程图。
图2是本发明实施例提供的一种频率分离流程示意图。
图3是本发明实施例提供的一种LSTM网络基本单元结构图。
图4是本发明实施例提供的一种高频网络干预低频网络示意图。
图5是本发明实施例提供的一种低频网络干预高频网络示意图。
图6是本发明实施例提供的另一种高频网络干预低频网络示意图。
图7是本发明实施例提供的另一种低频网络干预高频网络示意图。
图8是本发明实施例提供的一种电子设备方框结构示意图。
图中标记:500-总线;501-接收器;502-处理器;503-发送器;504-存储器;505-总线接口。
具体实施方式
实施例
现有技术中,提取信号的方式主要是在卷积神经网络的基础上提取隐士的信号特征,然而仅利用卷积神经网络或者长短时记忆网络隐式挖掘信号特征难以有效表征信号。本发明考虑到信号的演变过程可以由频率这一有效量纲表示,通过从频域中显式提取信号的低频分量和高频分量,并分别构建不同的分支表示低频分量和高频分量,并在模型构建过程中实现高低频的显式交互,通过利用高频或低频知识驱动深度学习模型的训练过程,使得原本基于数据驱动的深度学习方法性能得以改善。
下面结合附图,对本发明作详细的说明。
实施例1
本发明实施例提供了一种基于数据驱动的互频智能干预信号表示方法,用于提取信号特征,提取出的信号特征可以准确表示信号的特性,基于数据驱动的互频智能干预信号表示方法也可以称为基于数据驱动的互频智能干预信号提取方法。如图1所示,所述方法包括:
S101:获得变频信号的时频特征。
在本发明实施例中,变频信号的图示中,横坐标轴表示时间,纵坐标轴表示时域幅度。时频特征的图示中,横坐标表示时间,纵坐标表示频率。如图2所示。
获得变频信号的时频特征的具体方式为:
经过对变频信号进行载频估计、下变频、采样等处理后获得数据s(m),构建滑动窗口W(m),对窗口内有限点数进行傅里叶变换,得到变频信号,即
其中,变频信号是非平稳信号,S(f,k)表示时频特征;M表示变频信号的数据长度,M是大于2的正整数,m表示数据的序列号,m为小于M-1的非负整数,f表示频率,k为时间(或窗口滑动步长)。j是构成虚数的数学表示,称为j算子,通常j=sqrt(-1),j算子表示把一个复数逆时针旋转90度。
S102:提取出时频特征中的低频分量和高频分量。
在本发明实施例中,低频分量表示在时频特征中频率低于或者等于设定阈值的分量,设定阈值的取值可以是10Hz。高频分量表示在时频特征中频率高于设定阈值的分量。如图2所示。
S103:通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量。
在本发明实施例中,输入高低频干预模型的可以是包含多个高频分量的高频分量序列和包含多个低频分量的低频分量序列。多个高频分量按照时间顺序排列构成高频分量序列,多个低频分量按照时间顺序排列构成低频分量序列。
其中,高低频干预模型包括高频网络和低频网络,高频网络的输入为高频分量,低频网络的输入为低频分量,高频网络的输出为高频输出分量,低频网络的输出为低频输出分量;高频网络包括多个高频单元,低频网络包括多个低频单元,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理。
通过采用以上方案,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理,即用高频分量对低频分量的干预,以及用低频分量对高频分量的干预,得到的高频分量融合了低频分量的隐含信息,低频分量融合了高频分量的隐含信息,使得高频分量和低频分量能够更为准确地表示信号信息,基于高频分量和低频分量获得的信号特征能够有效表征信号。
在本发明实施例中,可以先用高频分量对低频分量进行干预,也可以先用低频分量对高频分量进行干预。
作为一种可选的实施方式,在步骤S103之后,所述基于数据驱动的互频智能干预信号表示方法还包括:
对高频输出分量和低频输出分量进行拼接操作,得到拼接信号。
其中,拼接操作可以采用拼接函数concat(高频输出分量,低频输出分量)。
对所述拼接信号进行卷积操作,得到恢复时频域信号。
可以表示为:恢复时频域信号=conv(拼接信号),即conv(concat(高频输出分量,低频输出分量)).其中,恢复时频域信号的维度与时频特征的维度相同。
通过采用以上方案,得到的恢复时频域信号可以准确表示信号特征,提高了恢复频域信号对信号的表示能力和准确性。
作为一种可选的实施方式,高频网络包括2个高频单元,低频网络包括2个低频单元;
所述2个低频单元分别是第一LSTM网络和第三LSTM网络。所述2个高频单元分别是第二LSTM网络和第四LSTM网络。
其中,第一LSTM网络的输入是低频分量,第二LSTM网络的输入是高频分量。
第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出对第一LSTM网络的输出进行干预操作后得到的第一融合分量。第四LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出对第二LSTM网络的输出进行干预操作后得到的第二融合分量。
在本发明实施例中,所述的第一LSTM网络、第二LSTM网络、第三LSTM网络和第四LSTM网络都是采用的长短期记忆网络(Long Short-Term Memory,LSTM)结构。即每个低频单元和每个高频单元都是LSTM网络。
LSTM网络结构包括3种门控机制,分别为输入门it、输出门ot和遗忘门ft。输入门用于控制当前时刻的输入和前一时刻输出的状态有多少信息需要保存,输出门用于决定当前时刻的内部状态有多少信息需要作为当前时刻输出的状态,遗忘门用于控制前一时刻的内部状态需要遗忘多少信息。其具体网络结构见图3。
LSTM网络结构的3种门的计算公式分别如式(1)、(2)和(3):
it=σ(Wihht-1+Wixxt+bi) (1)
ot=σ(Wohht-1+Woxxt+bo) (2)
ft=σ(Wfhht-1+Wfxxt+bf) (3)
其中,σ(·)表示Logistic函数,t表示当前时刻,ht-1是前一时刻的状态输出,xt是当前时刻的输入,W表示ht-1和xt对应的权重矩阵,具体的:Wih表示输入门中ht-1的权重矩阵,Wix表示输入门中xt的权重矩阵,bi表示输入门的偏差向量。Woh表示输出门中ht-1的权重矩阵,Wox表示输出门中xt的权重矩阵,bo表示输出门的偏差向量。Wfh表示遗忘门中ht-1的权重矩阵,Wfx表示遗忘门中xt的权重矩阵,bf表示遗忘门的偏差向量。
在LSTM网络中,引入候选状态c_int,即对输入进行转换,计算公式如式(4)所示:
c_int=tanh(Wchht-1+Wcxxt+bc) (4)
期中,c_int表示t时刻LSTM网络的候选状态,Wch表候选状态下ht-1的权重矩阵,Wcx表示候选状态下xt的权重矩阵,bc表示候选状态下的偏差向量。
该候选状态通过非线性激活函数得到。
当前时刻的内部状态ct如式(5)所示:
ct=ft⊙ct-1+it⊙c_int (5)
其中,ct表示当前时刻的内部状态,⊙表示向量元素乘积,ct-1为上一时刻内部状态。ct在控制单元内部信息循环传递的同时,传递信息给单元的外部输出,它包含了前面状态累积下来的信息。
LSTM网络的输出状态ht为:
ht=ot⊙tanh(ct) (6)
LSTM网络3种门的输出值均在0~1之间,以一定比例来控制信息传递。对于遗忘门ft,其值越接近0,对于之前时刻状态信息的遗忘量越多,但输入门it控制的c_int仍会影响当前时刻状态。
综上所述,一个LSTM网络基本单元的运行模式为:首先,通过输入xt和上一时刻输出状态ht-1来计算3种门;然后,通过2种门的值计算状态c_int,并更新当前时刻的内部状态ct;最后,通过输出门和非线性函数计算出当前时刻的输出状态ht。
由于LSTM中的记忆单元是选择性地遗忘前面时刻的信息,其保存信息的时间跨度比每个时刻状态改写的短期记忆要长,比从整个训练数据集中更新参数的长期记忆要短,因此被称为长短期记忆网络。相对于RNN对***状态建立的递归计算,3个门控对LSTM单元的内部状态建立了自循环。LSTM的这种门控机制能够存储长期表示的信息,建立长距离的时序依赖关系,从而实现时间序列特征学习。
经过上述对LSTM中的记忆单元的介绍后,可知LSTM结构单元的输入包括前一时刻(上一时刻)的状态输出ht-1和xt当前时刻的输入,第三LSTM网络为LSTM结构,其运算模式上述已经阐述清楚。在本发明实施例中,第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出对第一LSTM网络的输出进行干预操作后得到的第一融合分量,那么以下结合图4对第三LSTM网络的输入和输出进行详细介绍。
作为一种可选的实施方式,通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量,包括:
基于第二LSTM网络的输出和\或第四LSTM网络的输出对第一LSTM网络的输出进行干预操作,得到第一融合分量。如图4所示。
以第一融合分量作为第三LSTM网络的输入。
基于第一LSTM网络的输出和\或第三LSTM网络的输出对第二LSTM网络的输出进行干预操作,得到第二融合分量。如图5所示。
以第二融合分量作为第四LSTM网络的输入。
可选的,,以第三LSTM网络的输出作为最后输出的低频输出分量。以第四LSTM网络的输出作为最后输出的高频输出分量
作为另一种可选的实施方式,基于第二LSTM网络的输出和\或第四LSTM网络的输出对第三LSTM网络的输出进行干预操作后得到最后输出的低频输出分量。基于第一LSTM网络的输出和\或第三LSTM网络的输出对第四LSTM网络的输出进行干预操作后得到最后输出的高频分量。
结合到上述的LSTM网络结构的介绍,在本发明实施例中,对于第三LSTM网络,其输入包括当前时刻的低频分量和第一融合分量,即以第一融合分量作为上述公式(1)~(6)中的ht-1,以当前时刻的低频分量作为xt,则公式(6)中输出的ht就是本申请实施例提取到的低频输出分量。
同样的,对于第四LSTM网络,其输入包括当前时刻的高频分量和第二融合分量,即以第二融合分量作为上述公式(1)~(6)中的ht-1,以当前时刻的高频分量作为xt,则公式(6)中输出的ht就是本申请实施例提取到的高频输出分量。
作为一种可选的实施方式,基于第二LSTM网络的输出对第一LSTM网络的输出进行干预操作得到第一融合分量,包括:
对第一LSTM网络的输出和第二LSTM网络的输出进行连接操作,得到第一连接分量;对所述第一连接分量进行卷积操作,获得第一融合分量,具体请参阅公式(7):
l1=conv(concat(H1,L1)) (7)
其中,l1表示第一融合分量,H1表示第二LSTM网络的输出,L1表示第一LSTM网络的输出,concat()表示对第一LSTM网络的输出和第二LSTM网络的输出进行连接操作,conv()表示卷积操作,主要目的是为了对第一连接分量进行降维,使得第一连接分量的维度与第一LSTM网络的输出相同。
基于第四LSTM网络的输出对第一LSTM网络的输出进行干预操作,得到第一融合分量的具体操作与上述基于第二LSTM网络的输出对第一LSTM网络的输出进行干预操作得到第一融合分量相同,只需把H1表示第四LSTM网络的输出即可。
基于第二LSTM网络的输出和第四LSTM网络的输出对第一LSTM网络的输出进行干预操作得到第一融合分量,包括:
对第一LSTM网络的输出和第二LSTM网络的输出进行连接操作,得到第一连接分量;
对第一LSTM网络的输出和第四LSTM网络的输出进行连接操作,得到第二连接分量;
对第一连接分量和第二连接分量进行连接操作,得到第三连接分量;
对所述第三连接分量进行卷积操作,获得第一融合分量;所述第一融合分量的维度与所述低频分量的维度相同。
具体的,基于第二LSTM网络的输出和第四LSTM网络的输出对第一LSTM网络的输出进行干预操作得到第一融合分量的操作方式如公式(8)所示:
l1=conv(concat(concat(H1,L1),concat(H2,L1))) (8)
其中,H2表示第四LSTM网络的输出。
作为一种可选的实施方式,基于第二LSTM网络的输出和第四LSTM网络的输出对第一LSTM网络的输出进行干预操作得到第一融合分量的操作方式如公式(9)所示:
l1=conv(concat(conv(concat(H1,L1)),conv(concat(H2,L1)))) (9)
即,基于第二LSTM网络的输出和第四LSTM网络的输出对第一LSTM网络的输出进行干预操作得到第一融合分量,包括:对第一LSTM网络的输出和第二LSTM网络的输出进行连接操作,得到第一连接分量;对第一连接分量进行卷积操作得到第一降维分量,第一降维分量的维度与第一LSTM网络的输出的维度相同;对第一LSTM网络的输出和第四LSTM网络的输出进行连接操作,得到第二连接分量;对第二连接分量进行卷积操作得到第二降维分量,第二降维分量的维度与第一LSTM网络的输出的维度相同;对第一降维分量和第二降维分量进行连接操作,得到第三连接分量;对所述第三连接分量进行卷积操作,获得第一融合分量;所述第一融合分量的维度与第一LSTM网络的输出的维度相同。
在本发明实施例中,对于得到第一融合分量的操作,在维度相同的情况下,先拼接再卷积;维度不同的情况下,先卷积再拼接再卷积。
在本发明实施例中,基于第一LSTM网络的输出和\或第三LSTM网络的输出对第二LSTM网络的输出进行干预操作得到第二融合分量的具体实施方式与上述基于第二LSTM网络的输出和\或第四LSTM网络的输出对第一LSTM网络的输出进行干预操作得到第一融合分量的具体实施方式相似,具体请参照上述阐述的方式,在此不再赘述。
通过上述的方案,能够实现低频分量对高频分量的干预和通过高频分量干预低频分量,提取出的高频输出分量和低频输出分量能够准确表示信号的特征,提高了信号提取的有效性。
作为又一可选的实施例,高频网络包括3个高频单元,低频网络包括3个低频单元;
所述3个低频单元分别是第一LSTM网络、第三LSTM网络和第五LSTM网络;所述3个高频单元分别是第二LSTM网络、第四LSTM网络和第六LSTM网络;
第一LSTM网络的输入是所述低频分量,第二LSTM网络的输入是所述高频分量。
第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第一LSTM网络的输出进行干预操作后得到的第一融合分量;第五LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第三LSTM网络的输出进行干预操作后得到的第三融合分量;
第四LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第二LSTM网络的输出进行干预操作后得到的第二融合分量;
第六LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第四LSTM网络的输出进行干预操作后得到的第四融合分量。
即通过高频网络中的第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对低频网络中的第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出进行干预操作,如图6所示。通过低频网络中的第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对高频网络中的第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出进行干预操作。如图7所示。
在本发明实施例中,通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量,还可以包括:
基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第一LSTM网络的输出进行干预操作,得到的第一融合分量。
按照上述公式(1)~(6),以第一融合分量作为第三LSTM网络的输入中的ht-1。干预操作的具体方式参照上述公式(7)~(9)所示的任一方式以外,类似的,还可参照下述方式:
可以按照公式(10)、(11)任一项所示的方式来获得第一融合分量:
l1=conv(concat(concat(H1,L1),concat(H2,L1,concat(H3,L1))) (10)
l1=conv(concat(conv(concat(H1,L1)),conv(concat(H2,L1)),conv(concat(H3,L1))))(11)
其中,H3表示第六LSTM网络的输出。
基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第三LSTM网络的输出进行干预操作,得到的第三融合分量。
按照上述公式(1)~(6),以第三融合分量作为第五LSTM网络的输入中的ht-1。
基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第二LSTM网络的输出进行干预操作,得到的第二融合分量。
按照上述公式(1)~(6),以第二融合分量作为第四LSTM网络的输入中的ht-1。
基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第四LSTM网络的输出进行干预操作,得到的第四融合分量。
按照上述公式(1)~(6),以第四融合分量作为第六LSTM网络的输入中的ht-1。
可选的,以第五LSTM网络的输出作为最后输出的低频输出分量,以第六LSTM网络的输出作为最后输出的高频输出分量。
在本发明实施例中,第二融合分量、第三融合分量和第四融合分量的获得方式与第一融合分量的获得方式类似,在此不再赘述。
作为另一种可选的实施方式,基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第五LSTM网络的输出进行干预操作后得到最后输出的低频输出分量,基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第六LSTM网络的输出进行干预操作后得到最后输出的高频输出分量。
综上所述,本发明实施例提供的基于数据驱动的互频智能干预信号表示方法中,高低频干预模型包括高频网络和低频网络,高频网络的输入为高频分量,低频网络的输入为低频分量,高频网络的输出为高频输出分量,低频网络额输出为低频输出分量;
高频网络包括N个高频LSTM网络,低频网络包括N个低频LSTM网络;N个高频LSTM网络首尾串联,N个低频LSTM网络首尾串联;N为大于或者等于2的正整数;
低频网络中,第1个低频LSTM网络的输入为第1时刻的低频分量,第n个低频LSTM网络的输入包括:第n高频干预低频融合分量和第n时刻的低频分量;第n高频干预低频融合分量为基于高频网络中所有的高频LSTM网络的输出对第n-1个低频LSTM网络的输出进行干预操作后得到的分量;
高频网络中,第1个高频LSTM网络的输入为第1时刻的高频分量,第n个高频LSTM网络的输入包括:第n低频干预高频融合分量和第n时刻的高频分量;第n低频干预高频融合分量为基于低频网络中所有的低频LSTM网络的输出对第n-1个高频LSTM网络的输出进行干预操作后得到的分量;n为大于1且小于或者等于N的正整数。
高频LSTM网络和低频LSTM网络都是如图2所示的LSTM网络结构。
基于高频网络中所有的高频LSTM网络的输出对第n-1个低频LSTM网络的输出进行干预操作,包括:
将第n-1个低频LSTM网络的输出分别与每一个高频LSTM网络的输出进行连接操作,得到N个第一连接分量;
对第一连接分量进行卷积降维操作,得到第一卷积分量;第一卷积分量的维度与第n-1个低频LSTM网络的输出的维度相同;N个第一连接分量对应得到N个第一卷积分量;
对N个第一卷积分量进行连接操作,得到卷积连接分量;
对卷积连接分量进行卷积降维操作,得到第n低频干预高频融合分量;第n低频干预高频融合分量的维度与第n-1个低频LSTM网络的输出的维度相同。
上述的第一LSTM网络、第三LSTM网络、第五LSTM网络为低频LSTM网络;第二LSTM网络、第四LSTM网络和第六LSTM网络为高频LSTM网络。
结合图6和图7,对高低频干预模型中高频信号和低频信号之间相互干预操作和交互操作进行阐述。
对于低频网络:
对于第t-1时刻,其输入包括xt-1,xt-1表示第t-1时刻的低频分量。
针对第t时刻,t为大于2的正整数,那么t时刻对应的第n低频LSTM网络的输入为第t时刻的低频分量xt和高频网络的高频LSTM网络的输出对第n-1低频LSTM网络的输出ht-1进行干预操作后的结果lt,即以lt替代公式(1)~(6)中的ht-1。lt的获得方式如公式(7)~(9)中任一项所示的l1的获得方式。
针对第t+1时刻,那么t+1时刻对应的第n+1低频LSTM网络的输入为第t+1时刻的低频分量xt+1和高频网络的高频LSTM网络的输出对第n低频LSTM网络的输出ht进行干预操作后的结果lt+1,即以lt+1替代公式(1)~(6)中的ht-1。lt+1的获得方式如公式(7)~(11)中任一项所示的l1的获得方式。
对于高频网络:
对于第t-1时刻,其输入包括yt-1,yt-1表示第t-1时刻的高频分量。
针对第t时刻,t为大于2的正整数,那么t时刻对应的第n高频LSTM网络的输入为第t时刻的高频分量yt和低频网络的低频LSTM网络的输出对第n-1高频LSTM网络的输出zt-1进行干预操作后的结果gt,即以gt替代公式(1)~(6)中的ht-1。gt的获得方式如公式(7)~(9)中任一项所示的l1的获得方式。
针对第t+1时刻,那么t+1时刻对应的第n+1高频LSTM网络的输入为第t+1时刻的高频分量yt+1和低频网络的低频LSTM网络的输出对第n高频LSTM网络的输出zt进行干预操作后的结果gt,即以gt替代公式(1)~(6)中的ht-1。gt的获得方式如公式(7)~(11)中任一项所示的l1的获得方式。
综上,图6和图7中所示的技术方案,完全展示了高频信号与低频信号之间的交互,通过高频分量和低频分量交互训练高低频干预模型,实现了高频或低频知识驱动深度学习模型的训练过程,使得原本基于数据驱动的深度学习方法性能得以改善,获得的高频输出分量和低频输出分量能够准确表示信号特性。
在本发明实施例中,高频网络和低频网络是同时训练的,即高频分量与低频分量之间的交互、高频网络以及低频网络三个进程同时进行,直到其输出收敛,则网络训练结束。
实施例2
基于上述实施例提供的基于数据驱动的互频智能干预信号表示方法,本发明实施例提供了用于执行上述方法的基于数据驱动的互频智能干预信号表示***,所述***包括:
获得模块,用于获得变频信号的时频特征。
提取模块,用于提取出时频特征中的低频分量和高频分量。
交互模块,用于通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量。
拼接模块,用于对高频输出分量和低频输出分量进行拼接操作,得到拼接信号。
恢复模块,用于对所述拼接信号进行卷积操作,得到恢复时频域信号。
其中,恢复时频域信号的维度与所述时频特征的维度相同。高低频干预模型包括高频网络和低频网络,高频网络的输入为高频分量,低频网络的输入为低频分量,高频网络的输出为高频输出分量,低频网络的输出为低频输出分量。高频网络包括多个高频单元,低频网络包括多个低频单元,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过而一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理。
关于上述实施例中的模型,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种复信号多分量交互特征信号处理***,如图8所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述基于数据驱动的互频智能干预信号表示方法的任一方法的步骤。
其中,在图8中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述基于数据驱动的互频智能干预信号表示方法的任一方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
Claims (10)
1.一种基于数据驱动的互频智能干预信号表示方法,其特征在于,所述方法包括:
获得变频信号的时频特征;
提取出时频特征中的低频分量和高频分量;
通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量;
其中,高低频干预模型包括高频网络和低频网络,高频网络的输入为高频分量,低频网络的输入为低频分量,高频网络的输出为高频输出分量,低频网络的输出为低频输出分量;高频网络包括多个高频单元,低频网络包括多个低频单元,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理。
2.根据权利要求1所述的基于数据驱动的互频智能干预信号表示方法,其特征在于,高频网络包括2个高频单元,低频网络包括2个低频单元;
所述2个低频单元分别是第一LSTM网络和第三LSTM网络;所述2个高频单元分别是第二LSTM网络和第四LSTM网络;
第一LSTM网络的输入是所述低频分量,第二LSTM网络的输入是所述高频分量;
第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出对第一LSTM网络的输出干预操作后得到的第一融合分量;
第四LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出对第二LSTM网络的输出干预操作后得到的第二融合分量。
3.根据权利要求2所述的基于数据驱动的互频智能干预信号表示方法,其特征在于,基于第二LSTM网络的输出对第一LSTM网络的输出干预操作得到第一融合分量,包括:
对第一LSTM网络的输出和第二LSTM网络的输出进行连接操作,得到第一连接分量;
对所述第一连接分量进行卷积操作,获得第一融合分量。
4.根据权利要求2所述的基于数据驱动的互频智能干预信号表示方法,其特征在于,第三LSTM网络的输入包括基于第二LSTM网络的输出和第四LSTM网络的输出对第一LSTM网络的输出干预操作后的第一融合分量,包括:
对第一LSTM网络的输出和第二LSTM网络的输出进行连接操作,得到第一连接分量;
对第一LSTM网络的输出和第四LSTM网络的输出进行连接操作,得到第二连接分量;
对第一连接分量和第二连接分量进行连接操作,得到第三连接分量;
对所述第三连接分量进行卷积操作,获得第一融合分量;所述第一融合分量的维度与所述低频分量的维度相同。
5.根据权利要求1所述的基于数据驱动的互频智能干预信号表示方法,其特征在于,高频网络包括3个高频单元,低频网络包括3个低频单元;
所述3个低频单元分别是第一LSTM网络、第三LSTM网络和第五LSTM网络;所述3个高频单元分别是第二LSTM网络、第四LSTM网络和第六LSTM网络;
第一LSTM网络的输入是所述低频分量,第二LSTM网络的输入是所述高频分量;
第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第一LSTM网络的输出干预操作后得到的第一融合分量;
第四LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第二LSTM网络的输出干预操作后得到的第二融合分量;
第五LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出和\或第六LSTM网络的输出对第三LSTM网络的输出干预操作后得到的第三融合分量;
第六LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出和\或第五LSTM网络的输出对第四LSTM网络的输出进行干预操作后得到的第四融合分量。
6.根据权利要求1所述的基于数据驱动的互频智能干预信号表示方法,其特征在于,在所述通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量之后,所述基于数据驱动的互频智能干预信号表示方法还包括:
对高频输出分量和低频输出分量进行拼接操作,得到拼接信号;
对所述拼接信号进行卷积操作,得到恢复时频域信号;
其中,恢复时频域信号的维度与所述时频特征的维度相同。
7.一种基于数据驱动的互频智能干预信号表示***,其特征在于,所述***包括:
获得模块,用于获得变频信号的时频特征;
提取模块,用于提取出时频特征中的低频分量和高频分量;
交互模块,用于通过预先训练好的高低频干预模型对低频分量和高频分量进行交互处理,得到高频输出分量和低频输出分量;
其中,高低频干预模型包括高频网络和低频网络,高频网络的输入为高频分量,低频网络的输入为低频分量,高频网络的输出为高频输出分量,低频网络的输出为低频输出分量;高频网络包括多个高频单元,低频网络包括多个低频单元,通过一个或者多个高频单元的输出对一个或者多个低频单元的输入进行干预操作,通过一个或者多个低频单元的输出对一个或者多个高频单元的输入进行干预操作,以实现高低频干预模型对低频分量和高频分量进行交互处理。
8.根据权利要求7所述的基于数据驱动的互频智能干预信号表示***,其特征在于,高频网络包括2个高频单元,低频网络包括2个低频单元;
所述2个低频单元分别是第一LSTM网络和第三LSTM网络;所述2个高频单元分别是第二LSTM网络和第四LSTM网络;
第一LSTM网络的输入是所述低频分量,第二LSTM网络的输入是所述高频分量;
第三LSTM网络的输入包括基于第二LSTM网络的输出和\或第四LSTM网络的输出对第一LSTM网络的输出干预操作后得到的第一融合分量;
第四LSTM网络的输入包括基于第一LSTM网络的输出和\或第三LSTM网络的输出对第二LSTM网络的输出干预操作后得到的第二融合分量。
9.根据权利要求8所述的基于数据驱动的互频智能干预信号表示***,其特征在于,所述***还包括:
拼接模块,用于对高频输出分量和低频输出分量进行拼接操作,得到拼接信号;
恢复模块,用于对所述拼接信号进行卷积操作,得到恢复时频域信号;
其中,恢复时频域信号的维度与所述时频特征的维度相同。
10.一种电子设备,其特征在于,所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137836.7A CN116016068B (zh) | 2022-09-19 | 2022-09-19 | 基于数据驱动的互频智能干预信号表示方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137836.7A CN116016068B (zh) | 2022-09-19 | 2022-09-19 | 基于数据驱动的互频智能干预信号表示方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116016068A CN116016068A (zh) | 2023-04-25 |
CN116016068B true CN116016068B (zh) | 2023-08-11 |
Family
ID=86036018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211137836.7A Active CN116016068B (zh) | 2022-09-19 | 2022-09-19 | 基于数据驱动的互频智能干预信号表示方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116016068B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950759A (zh) * | 2020-05-18 | 2020-11-17 | 武汉科技大学 | 一种基于两级分解、lstm和at的短期风速预测方法 |
CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
CN114547795A (zh) * | 2022-02-21 | 2022-05-27 | 苏州科技大学 | 一种基于数据驱动的滚动轴承剩余寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11521299B2 (en) * | 2020-10-16 | 2022-12-06 | Adobe Inc. | Retouching digital images utilizing separate deep-learning neural networks |
-
2022
- 2022-09-19 CN CN202211137836.7A patent/CN116016068B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950759A (zh) * | 2020-05-18 | 2020-11-17 | 武汉科技大学 | 一种基于两级分解、lstm和at的短期风速预测方法 |
CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
CN114547795A (zh) * | 2022-02-21 | 2022-05-27 | 苏州科技大学 | 一种基于数据驱动的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
基于改进长短期记忆网络的时间序列预测研究;陈孝文等;《武汉理工大学学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116016068A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangiorgio et al. | Robustness of LSTM neural networks for multi-step forecasting of chaotic time series | |
Chen et al. | Weak in the NEES?: Auto-tuning Kalman filters with Bayesian optimization | |
CN111310828B (zh) | 用于adas场景的目标检测模型微调方法及装置 | |
CN114261400B (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
Wang et al. | A structure evolving learning method for fuzzy systems | |
Havangi | Intelligent adaptive unscented particle filter with application in target tracking | |
Solonska et al. | Adaptive semantic analysis of radar data using fuzzy transform | |
Castellano et al. | Reinforcement learning with almost sure constraints | |
CN116016068B (zh) | 基于数据驱动的互频智能干预信号表示方法及*** | |
Khishe et al. | Underwater backscatter recognition using deep fuzzy extreme convolutional neural network optimized via hunger games search | |
Cowen et al. | Lsalsa: accelerated source separation via learned sparse coding | |
CN116628468A (zh) | 一种样本攻击防御效果可解释驱动的电磁信号感知方法 | |
Havangi | Robust SLAM: SLAM base on H∞ square root unscented Kalman filter | |
Schön et al. | Bayesian approach to temporal logic control of uncertain systems | |
Yi | Adaptive fuzzy connectivity-preserving consensus protocols for stochastic strict-feedback nonlinear MASs subject to unmeasured periodic disturbances | |
CN114611990A (zh) | 一种网络信息体系要素体系贡献率评估方法和装置 | |
Kafka et al. | An empirical study into finding optima in stochastic optimization of neural networks | |
Li et al. | Adaptive support-driven Bayesian reweighted algorithm for sparse signal recovery | |
Tollner et al. | Demonstrating a new evaluation method on ReLU based Neural Networks for classification problems | |
Peng et al. | A fast algorithm for sparse support vector machines for mobile computing applications | |
Suyal et al. | An Agile Review of Machine Learning Technique | |
Qin | Estimation and identification of nonlinear parameter of motion index based on least squares algorithm | |
CN117093853B (zh) | 时序数据的处理方法、装置、计算机可读介质及电子设备 | |
Hesse et al. | Hybrid optimal control for dynamical systems using Gaussian process regression and unscented transform | |
Dawoud et al. | Differentially Private Set-Based Estimation Using Zonotopes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |