【技術實現步驟摘要】
本專利技術屬于信號采集，更具體地，涉及一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法。
技術介紹
1、隨著通信領域的飛速發展，伴隨著通信網絡中的信號采集技術也有了質的跨越發展，經典的數據壓縮技術，無論是音頻壓縮、圖像壓縮、視頻壓縮，還是一般的編碼壓縮，都是從數據本身的特性出發，尋找并剔除數據中隱含的冗余度，從而達到壓縮的目的。這樣的壓縮有兩個特點：第一、它是發生在數據已經被完整采集到之后；第二、它本身需要復雜的算法來完成。相較而言，解碼過程反而在計算上比較簡單，以音頻壓縮為例，壓制一個音頻文件的計算量遠大于播放一個音頻文件的計算量。
2、這種壓縮和解壓縮的不對稱性正好同人們的需求是相反的。在大多數情況下，采集并處理數據的設備，往往是廉價、省電、計算能力較低的便攜設備，而負責處理(即解壓縮)信息的過程卻反而往往在大型計算機上進行，它有更高的計算能力，也常常沒有便攜和省電的要求。也就是說，人們是在用廉價節能的設備來處理復雜的計算任務，而用大型高效的設備處理相對簡單的計算任務。這一矛盾在某些情況下甚至會更為尖銳，例如在野外作業或者軍事作業的場合，采集數據的設備往往曝露在自然環境之中，隨時可能失去能源供給或者甚至部分喪失性能，在這種情況下，傳統的數據采集-壓縮-傳輸-解壓縮的模式就基本上失效了。
3、現有的信號壓縮感知方法是根據接收信號以及基于有限等距原則和特征分解優化后的觀測矩陣得到重構信號樣本；對所述重構信號樣本進行信號處理后得到壓縮樣本；通過預設的魯棒性字典學習模型根據稀疏字典對所述壓縮樣本進行信號
技術實現思路
1、為了克服現有技術對網絡中不同位置和層次上無法識別相同的特征，從而使網絡參數增多，本專利技術提出了一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，能夠有效實現權值共享使得網絡中的參數不會增多，從而降低了壓縮的難度。
2、為實現上述目的，本專利技術提供如下技術方案：
3、本專利技術提供一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，包括以下步驟：
4、s1、獲取設備信號并對獲取的設備信號進行預處理；
5、s2、構建字典學習算法；
6、s3、使用卷積神經網絡對設備信號進行特征提取并建立卷積神經網絡模型；
7、s4、使用設備信號的標簽和監督信息，對卷積神經網絡模型進行訓練并建立優化損失函數；
8、s5、使用驗證集和測試集對卷積神經網絡模型進行驗證和測試；
9、s6、使用訓練好的卷積神經網絡模型，對設備信號進行壓縮感知。
10、優選地，上述步驟s1通過傳感器獲取設備信號，并對獲取的設備信號進行預處理，包括去除噪聲，濾波等提高信號的質量。
11、優選地，上述步驟s2中構建字典學習算法使用k-svd算法,將數據矩陣分解為兩個矩陣的乘積，其具體的公式為:
12、y＝dx
13、其中，d為待訓練的字典，x對應待訓練的字典d的稀疏系數矩陣，y是待訓練的樣本。
14、優選地，通過字典學習算法，將設備信號的稀疏表示表示為字典中的基函數的線性組合。
15、優選地，上述步驟s3所述的卷積神經網絡多個卷積層和池化層組成。卷積層通過卷積操作提取圖像的特征,池化層通過池化操作減少特征圖的尺寸,從而降低計算復雜度。卷積神經網絡的最后一層通常是全連接層,用于將特征映射到類別概率。
16、優選地，利用卷積神經網絡對設備進行特征提取和降維，得到簡潔清楚的信號特征，使用卷積神經網絡可以對信號稀疏表示，可以信號的部分區域有較高的激活值，其它區域相對較低，這種稀疏表示的方法可以有效的減少數據的冗余。
17、優選地，卷積神經網絡可以在卷積層和池化層實現參數共享和權值共享，利用卷積核共享網絡權值，使得網絡可以在不同位置和不同層次識別相同的信號特征，這種共享方式減少了網絡參數數量，降低了模型訓練難度。
18、優選地，上述步驟s4所述卷積神經網絡模型的訓練的損失通常使用損失函數來度量模型預測結果與實際結果之間的差距,并通過優化算法來調整模型參數以提高預測精度。
19、優選地，卷積神經網絡優化損失函數利用交叉熵損失函數，且適用于多分類問題。該損失函數基于樣本的標簽和模型預測概率之間的交叉熵,可以衡量模型對樣本分類的準確性。
20、優選地，使用壓縮感知方法，對設備信號的稀疏表示進行壓縮，減少了信號的存儲和傳輸成本。
21、本專利技術還提供一種基于字典學習和卷積神經網絡的設備信號壓縮感知的系統，用于實現上述的診斷方法，包括：
22、設備信號獲取模塊，用于獲取需要預處理的設備信號；
23、字典學習算法構建模塊，用于使用字典學習算法從設備信號中學習一個字典，該字典對設備信號進行稀疏性表示，將信號分解為字典中的一組基函數的線性組合；
24、特征提取模塊，利用卷積神經網絡提取設備信號的空間特征和時間特征并深度學習建立卷積神經網絡模型用于后續從稀疏表示中恢復原始設備信號；
25、模型訓練模塊，使用設備信號的稀疏性表示和原始信號作為訓練數據訓練卷積神經網絡；
26、損失函數優化模塊，當取損失函數的最小值時，將對應的參數反饋至特征提取模塊并保存，獲得優化卷積神經網絡模型；
27、模型驗證測試模塊，用于對卷積神經網絡模型進行驗證和測試；
28、壓縮感知模塊，利用訓練好的卷積神經網絡對設備信號的稀疏表示進行壓縮。
29、優選地，設備信號獲取模塊主要通過傳感器獲取設備信號，并對獲取的設備信號進行預處理，包括去除噪聲，濾波等提高信號的質量。
30、優選地，在字典學習算法構建模塊中上述步驟s2構建字典算法使用k-svd算法,將數據矩陣分解為兩個矩陣的乘積，其具體的公式為:
31、y＝dx
32、其中，d為待訓練的字典，x對應待訓練的字典d的稀疏系數矩陣，y是待訓練的樣本。
33、優選地，通過字典學習算法，將設備信號的稀疏表示表示為字典中的基函數的線性組合。
34、優選地，特征提取模塊中卷積神經網絡多個卷積層和池化層組成。卷積層通過卷積操作提取圖像的特征,池化層通過池化操作減少特征圖的尺寸,從而降低計算復雜度。卷積神經網絡的最后一層通常是全連接層,用于將特征映射到類別概率。
35、優選地，所述的模型訓練模塊利用卷積神經網絡對設備進行特征提取和降維，得到簡潔清楚的信號特征，使用卷積神經網絡可以對信號稀疏表示，可以信號的部分區域有較高的激活值，其它區域相對較低，這種稀疏表示的方法可以有效的減少數據的冗余。
36、優選地，所述的模型訓練模塊通過卷積神經網絡可以在卷積層和池化層實現參數共享和權值共享，利用卷積核共享網絡權值，使得本文檔來自技高網...
【技術保護點】
1.一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的字典學習算法包括字典構建階段算法和利用字典表示樣本階段算法。
3.根據權利要求1所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的字典學習算法使用K-SVD算法,將數據矩陣分解為兩個矩陣的乘積，其具體的公式為:
4.根據權利要求1所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的字典學習算法將設備信號的稀疏表示表示為字典中的基函數的線性組合。
5.根據權利要求1所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的設備信號的特征提取使用卷積神經網絡。
6.根據權利要求4所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的卷積神經網絡由輸入層、隱含層、輸出層依次連接構成。
7.根據權利要求5所述的一種基于字典學習和卷
8.根據權利要求1所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的優化損失函數為交叉熵損失函數。
9.一種基于字典學習和卷積神經網絡的設備信號壓縮感知的系統，用于實現權利要求1-8任一項所述的診斷方法，其特征在于，包括：
...【技術特征摘要】
1.一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的字典學習算法包括字典構建階段算法和利用字典表示樣本階段算法。
3.根據權利要求1所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的字典學習算法使用k-svd算法,將數據矩陣分解為兩個矩陣的乘積，其具體的公式為:
4.根據權利要求1所述的一種基于字典學習和卷積神經網絡的設備信號壓縮感知的方法，其特征在于，所述的字典學習算法將設備信號的稀疏表示表示為字典中的基函數的線性組合。
5.根據權利要求1所述的一種基于字典學習和卷積...
【專利技術屬性】
技術研發人員：李惠儀，吳虹瑩，葉彤，龐偉林，周克楠，黃海虹，
申請(專利權)人：廣東電網有限責任公司佛山供電局，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。