一种信号数据融合方法和识别方法技术

本发明专利技术涉及一种信号数据融合方法和识别方法，其中，融合方法包括以下步骤：获取m个传感器在t～t+h时刻的数据；采用自适应经验模态分解对所述m个传感器在t～t+h时刻的数据进行分解，得到所有数据的本征模函数以及对应的残值；将各个传感器数据在t～t+h时刻的本征模函数按照时刻抽取融合，得到各个传感器数据在t～t+h时刻的模态分解数据矩阵；将得到的各个传感器数据在t～t+h时刻的模态分解数据矩阵进行堆叠，得到所有数据在t～t+h时刻的模态分解数据矩阵。本发明专利技术能够在将一维数据转换为矩阵型数据的同时展现更多数据特征细节。阵型数据的同时展现更多数据特征细节。阵型数据的同时展现更多数据特征细节。

【技术实现步骤摘要】
一种信号数据融合方法和识别方法


[0001]本专利技术涉及无线通信
，特别是涉及一种信号数据融合方法和识别方法。

技术介绍

[0002]在无线通讯认知无线电中，频谱特征识别是实现动态频谱管理的重要内容。传统的频谱特征识别中，通常采用傅里叶变换、小波变换、希尔伯特变换等方式将时域信息转换为频谱信息，从而展现信号的特征。但傅里叶变换和小波变换在转换过程中，丢失了信号的时间维度的特征。采用希尔伯特变换虽然可以最大限度保留信号的时域信息，但对信号的处理是一维的方式。这种一维序列型信号处理方式，损失了时间上的结构关系信息。
[0003]无线通讯设备中引入深度学习等对设备进行智能化赋能是发展的方向之一。但深度学习的分类问题中，基于时间序列的深度学习网络如长短时记忆网络(LSTM)、递归神经网络(RNN)等一般用来处理向量型的数据，其功能也重点放在序列预测方面。全连接神经网络(FNN)通常可实现分类、回归等多种任务，但FNN在面对海量数据时，其网络参数规模过于庞大、对硬件资源占用高，且这种网络稳定性较差，容易出现梯度爆照、梯度消失等问题。卷积神经网络(CNN)常用于视觉图像识别，通常用CNN来实现分类问题。但CNN一般用来处理矩阵型的数据，无法对序列型数据进行处理。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种信号数据融合方法和识别方法，能够在将一维数据转换为矩阵型数据的同时展现更多数据特征细节。
[0005]本专利技术解决其技术问题所采用的技术方案是：提供一种信号数据融合方法，包括以下步骤：
[0006](1)获取m个传感器在t～t+h时刻的数据；
[0007](2)采用自适应经验模态分解对所述m个传感器在t～t+h时刻的数据进行分解，得到所有数据的本征模函数以及对应的残值；
[0008](3)将各个传感器数据在t～t+h时刻的本征模函数按照时刻抽取融合，得到各个传感器数据在t～t+h时刻的模态分解数据矩阵；
[0009](4)将得到的各个传感器数据在t～t+h时刻的模态分解数据矩阵进行堆叠，得到所有数据在t～t+h时刻的模态分解数据矩阵。
[0010]所述步骤(2)具体包括以下子步骤：
[0011](21)选取第i个传感器在t时刻的数据D
it
，对所述数据D
it
添加n个高斯白噪声，得到n个数据D
it1
～D
itn
；
[0012](22)对添加白噪声后的数据D
it1
～D
itn
分别采用经验模态分解算法进行一次迭代计算，得到初始本征模函数IMF11～IMF1
n
；
[0013](23)对得到的n个初始本征模函数取均值，并将所述均值作为数据D
it
的本征模函数IMF1，用数据D
it
减去所述本征模函数IMF1得到残值r
i1
；
[0014](24)对所述残值r
i1
按照所述步骤(21)至所述步骤(23)的方法继续K
‑
1次分解，直至得到残值r
i1
的极值点不超过2个时，分解结束，共得到K个本征模函数IMF1～IMFK以及残值Res，并记第i个传感器数据在t时刻的本征模函数IMF1
it
～IMFK
it
及残值Res
it
；
[0015](25)分别取第i个传感器在t+1～t+h时刻数据D
it+1
～D
it+h
，重复所述步骤(21)至所述步骤(24)，得到第i个传感器数据在第t+1～t+h时刻的本征模态函数IMF1
it+1
～IMFK
it+1
,
……
IMF1
it+h
～IMFK
it+h
以及对应的残值Res
it+1
～Res
it+h
；
[0016](26)重复所述步骤(21)至所述步骤(25)，得到所有传感器数据的本征模函数IMF1
1t
～IMFK
1t
,
……
IMF1
1t+h
～IMFK
1t+h
……
IMF1
mt
～IMFK
mt
,
……
IMF1
mt+h
～IMFK
mt+h
以及对应的残值Res
1t
～Res
1t+h
……
Res
mt
～Res
mt+h
。
[0017]所述步骤(3)具体包括以下子步骤：
[0018](31)将第1个传感器数据在t～t+h时刻的本征模态函数IMF1
1t
～IMF1
1t+h
按照行的方式并列，得到第1个传感器数据在t～t+h时刻的IMF1矩阵：
[0019](32)将第1个传感器数据在t～t+h时刻的本征模态函数IMF2
1t
～IMFK
1t+h
以及残值Res
1t
～Res
1t+h
按照所述步骤(31)中的方式并列，得到第1个传感器数据在t～t+h时刻的IMF2矩阵～IMFK矩阵，以及Res1矩阵；
[0020](33)将得到的第1个传感器数据在t～t+h时刻的IMF1矩阵～IMFK矩阵以及Res1矩阵进行堆叠得到第1个传感器数据在t～t+h时刻的模态分解数据矩阵
[0021](34)采用所述步骤(31)
‑
所述步骤(33)的方式得到第2～m个传感器数据在t～t+h时刻的模态分解数据矩阵：时刻的模态分解数据矩阵：时刻的模态分解数据矩阵：
[0022]本专利技术解决其技术问题所采用的技术方案是：还提供一种信号数据识别方法，包括以下步骤：
[0023](1)采用上述的信号数据融合方法得到待识别数据在t～t+h时刻的模态分解数据矩阵；
[0024](2)将所述模态分解数据矩阵输入至训练好的识别模型中，完成对数据的识别。
[0025]所述识别模型采用CNN深度学习网络，包括两个卷积层、两个池化层和一个全连接层，其中，第一卷积层设置有64个卷积核，第二卷积层设置有16个卷积核。
[0026]有益效果
[0027]由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术采用自适应完备经验模态分解的方法，对一维的序列型数据通过分解、融合等方式，将数据从一维空间转变为高维空间，同时最大限度的保留数据的时间顺序、幅度等特征细节，从而提高对数据特征的提取和识别。
附图说明
[0028]图1是本专利技术第一实施方式的流程图；
[0029]图2是本专利技术第一实施方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号数据融合方法，其特征在于，包括以下步骤：(1)获取m个传感器在t～t+h时刻的数据；(2)采用自适应经验模态分解对所述m个传感器在t～t+h时刻的数据进行分解，得到所有数据的本征模函数以及对应的残值；(3)将各个传感器数据在t～t+h时刻的本征模函数按照时刻抽取融合，得到各个传感器数据在t～t+h时刻的模态分解数据矩阵；(4)将得到的各个传感器数据在t～t+h时刻的模态分解数据矩阵进行堆叠，得到所有数据在t～t+h时刻的模态分解数据矩阵。2.根据权利要求1所述的信号数据融合方法，其特征在于，所述步骤(2)具体包括以下子步骤：(21)选取第i个传感器在t时刻的数据D
it
，对所述数据D
it
添加n个高斯白噪声，得到n个数据D
it1
～D
itn
；(22)对添加白噪声后的数据D
it1
～D
itn
分别采用经验模态分解算法进行一次迭代计算，得到初始本征模函数IMF11～IMF1
n
；(23)对得到的n个初始本征模函数取均值，并将所述均值作为数据D
it
的本征模函数IMF1，用数据D
it
减去所述本征模函数IMF1得到残值r
i1
；(24)对所述残值r
i1
按照所述步骤(21)至所述步骤(23)的方法继续K
‑
1次分解，直至得到残值r
i1
的极值点不超过2个时，分解结束，共得到K个本征模函数IMF1～IMFK以及残值Res，并记第i个传感器数据在t时刻的本征模函数IMF1
it
～IMFK
it
及残值Res
it
；(25)分别取第i个传感器在t+1～t+h时刻数据D
it+1
～D
it+h
，重复所述步骤(21)至所述步骤(24)，得到第i个传感器数据在第t+1～t+h时刻的本征模态函数IMF1
it+1
～IMFK
it+1
,
……
IMF1
it+h
～IMFK
it+h
以及对应的残值Res
it+1
～Res
it+h

【专利技术属性】
技术研发人员：刘远庆，柳军，王文彬，刘建坡，甘述绍，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：