【技术实现步骤摘要】
本专利技术涉及信号处理，尤其涉及一种基于时间频域patch的原型对比学习方法和装置。
技术介绍
1、在信号处理技术蓬勃发展的大力支持下，先进的通信系统和军事侦察在高科技环境中越来越普遍。受益于深度学习方法强大的模式提取能力，信号处理开始从原始信号中辨别有意义的信息。这已经在应用中取得了显著的成就。
2、不同于传统的时间序列数据，通信信号通常具有以下特征：1)频率敏感性——隐含模式通常隐藏在频域中；2)标签稀缺——缺乏大规模和高质量的标签数据；3)类似模式——来自相同类别但振幅水平不同的信号通常表现出类似模式；和4)模式稀疏性——即使是信号的小部分也包含重要信息，而其余部分则无关紧要。这些独特的属性在采用最先进的时间序列或视觉分析方法来学习通信信号的适当表示方面提出了重大挑战。
3、对比学习被提出，并在各个研究领域进行了广泛的研究，在信号领域，经常无法提取详细、独特的特征，导致出现“对比混乱”的情况。这个问题可能会导致识别系统的故障。此外，具有稀疏模式的长信号序列的存在会引入大量的噪声，这会显著降低特征的泛化能力并阻碍训练过程。
4、因此现有的技术在信号处理方面并没有取得最佳的效果。为了解决这些问题，在当前复杂的信号环境下，迫切需要提供一种有效的信号处理方法。
技术实现思路
1、为了克服现有方法的不足，本专利技术提出一种基于时间频域patch的原型对比学习方法和装置。
2、本专利技术解决其技术问题所采用的技术方案是：
3、本
4、1)选取合适的信号数据集作为信号处理对象，并对其中的信号数据进行信号增强。
5、2)引入了一种双流对比学习方法，该方法结合了时间依赖对比学习方法和时间频率对比学习方法，以从增强信号中捕捉与时间和频率相关特征。
6、3)构建infomax对比学习模块作为约束一致性的正则化项，保持信息一致性并防止提取的特征未能获取原始信号的核心内容。
7、4)采用原型点聚类方法，构造更具判别性的对比潜在空间，解决相似模式下识别的困难的问题。
8、5)构建该方法的总损失函数，评估该方法的识别效果。
9、进一步，所述步骤1)中，数据集的数据的信号增强方法包括以下过程：
10、步骤101，引入了一种随机的基于patch的信号增强策略。对于给定的信号x，在过程中将分割为n个不重叠的patch序列其中l表示每个patch的长度，并且n×l＝l。
11、步骤102，所选patch采用旋转和翻转增强，其可以表示为：
12、旋转：
13、翻转:f(xp)：xp(t)＝xp(l-t),t∈[0,l], (2)
14、其中表示iq信号的实部和虚部，θ表示旋转角度，j表示虚部单位，t表示翻转时间步长。我们将对一个信号块进行随机增强，包括随机旋转角度θ∈[0，π]以及随机翻转。
15、再进一步，所述步骤2)中，双流对比学习方法中的时间对比模块构建包括以下过程：
16、步骤201，给定信号patch样本xp，应用前述信号增强方法，得到增强的样本和
17、步骤202，选择相同信号数据的扩充样本作为正样本对，即而不同信号数据的扩充样本作为负样本，即然后将构造的正样本对和负样本对输入编码器，以获得相应的特征向量，如
18、步骤203，通过最大化正样本之间的相似度，同时最小化反样本之间的相似度来完成时域中的对比任务。时间对比损失可以通过以下方式计算：
19、
20、其中，sim(z,z)＝zt·z/||z||，||z||是余弦相似性，并且是j≠i时求值为1的指示函数，并且τ表示温度参数。
21、再进一步，所述步骤2)中，双流对比学习方法中的时间频率对比学习模块构建包括以下过程：
22、步骤204，使用快速傅立叶变换(fft)将信号转换成频率域，对频率模式进行编码。给定信号patch样本xp，频率调制转换表示为
23、步骤205，利用频率编码来编码特定的频率敏感特征，公式化为使时间—频率对齐。
24、步骤206，选择同一样本的时间和频率特征作为正样本对，即而不同样本的频率作为负样本对，即来构建时间—频率对比任务。
25、步骤207，通过最大化相同样本的时间——频率相似性和最小化不同样本的时间——频率相似性，我们可以获得对时域具有高度依赖性的频率信息。时频对比损耗的计算方法如下：
26、
27、其中，sim(z,z)＝zt·z/||z||，||z||是余弦相似性，并且是j≠i时求值为1的指示函数，并且τ表示温度参数。
28、所述步骤3)中，infomax对比学习模块构建方法包括以下过程：
29、步骤301，利用kl散度距离来测量原始patch和重建patch之间变量分布的相似性，从而促进时间解码器的重建。
30、步骤302，加强了频率重建的patch和原始patch之间的一致性。利用时间解码器dtemp(·)和频率解码器dfreq(·)，从时间和频率潜在码(即)重建原始patch，制定以下约束：
31、
32、所述步骤4)中，原型点聚类方法包括以下过程：
33、步骤401，采用可学习的参数作为伪原型向量来指导聚类过程。给定可学习的伪原型向量其中k表示向量的数量，计算具有不同原型点的连接的时间和频率特征的相似性，即
34、步骤402，时间频率特征与它们最相似的第k个原型点对齐，公式表述为：
35、
36、一旦获得了的相应原型点pk，通过优化聚类特征的损失在特征空间中实现自适应聚类，其可以表示为：
37、
38、由于伪原型点p是一个可学习的参数，它被纳入梯度优化过程并经历自动更新，可以表示为：
39、
40、其中p*表示更新的原型，lr表示学习速率，以及表示偏微分运算。
41、所述步骤5)中，该方法的总损失函数构建包括以下过程：
42、步骤501，对比学习损失通过结合等式由上述损失组成：
43、
44、其中β1和β2是可以控制部分总损失比率的超参数。
45、本专利技术的第二个方面涉及一种基于时间频域patch的原型对比学习装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本专利技术的基于时间频域patch的原型对比学习方法。
46、本专利技术的第三个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本专利技术的基于时间频域patch的原型对比学习方法。
47、本专利技术的技术构思是，提出了将信号特征与对比学习相结合，对信号数本文档来自技高网...
【技术保护点】
1.一种基于时间频域patch的原型对比学习方法，其特征在于：具体步骤如下：
2.一种基于时间频域patch的原型对比学习方法，其特征在于：，所述步骤1)中，数据集的数据的信号增强方法包括以下过程：
3.一种基于时间频域patch的原型对比学习方法，其特征在于：所述步骤2)中，双流对比学习方法中的时间对比模块构建包括以下过程：
4.一种基于时间频域patch的原型对比学习方法，其特征在于：，所述步骤2)中，双流对比学习方法中的时间频率对比学习模块构建包括以下过程：
5.一种基于时间频域patch的原型对比学习方法，其特征在于：所述步骤3)中，InfoMax对比学习模块构建方法包括以下过程：
6.一种基于时间频域patch的原型对比学习方法，其特征在于：所述步骤4)中，原型点聚类方法包括以下过程：
7.一种基于时间频域patch的原型对比学习装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-6中任一项所述的基于时间频域pa
8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-6中任一项所述的基于时间频域patch的原型对比学习方法。
...【技术特征摘要】
1.一种基于时间频域patch的原型对比学习方法，其特征在于：具体步骤如下：
2.一种基于时间频域patch的原型对比学习方法，其特征在于：，所述步骤1)中，数据集的数据的信号增强方法包括以下过程：
3.一种基于时间频域patch的原型对比学习方法，其特征在于：所述步骤2)中，双流对比学习方法中的时间对比模块构建包括以下过程：
4.一种基于时间频域patch的原型对比学习方法，其特征在于：，所述步骤2)中，双流对比学习方法中的时间频率对比学习模块构建包括以下过程：
5.一种基于时间频域patch的原型对比学习方法，其特征在于：所述步骤3)中...
【专利技术属性】
技术研发人员：温震宇，蒋玉婷，叶玉恒，苏捷，洪榛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。