本發(fā)明涉及信號(hào)檢測(cè)，尤其涉及一種基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、時(shí)間序列分析在金融市場、天氣預(yù)報(bào)、能源管理、交通預(yù)測(cè)、健康監(jiān)控等多個(gè)領(lǐng)域有著廣泛的應(yīng)用。隨著技術(shù)的發(fā)展，對(duì)時(shí)間序列數(shù)據(jù)的處理要求也越來越高，尤其是在gps坐標(biāo)時(shí)間序列中，這些數(shù)據(jù)包含了豐富的地球動(dòng)力學(xué)信息，對(duì)于地質(zhì)監(jiān)測(cè)、災(zāi)害預(yù)警等具有重要意義。

2、傳統(tǒng)的時(shí)間序列分析方法通常采用如統(tǒng)計(jì)模型、線性回歸等方法，在處理復(fù)雜動(dòng)態(tài)特征時(shí)存在局限性。但是傳統(tǒng)方法在處理復(fù)雜的gps時(shí)間序列數(shù)據(jù)時(shí)，難以達(dá)到理想的檢測(cè)精度，計(jì)算量大，無法滿足實(shí)時(shí)或近實(shí)時(shí)的數(shù)據(jù)處理需求。因此需要一種更高效、準(zhǔn)確的方法來分析gps坐標(biāo)時(shí)間序列中檢測(cè)得到瞬態(tài)信號(hào)。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)的主要目的在于提供一種基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法、裝置、設(shè)備及介質(zhì)，旨在解決如何提高瞬態(tài)信號(hào)檢測(cè)精度與效率的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本申請(qǐng)?zhí)岢鲆环N基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法，所述方法包括：

3、獲取導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)；

4、將所述導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)輸入預(yù)設(shè)混合深度學(xué)習(xí)模型中，得到瞬態(tài)信號(hào)；

5、將所述瞬態(tài)信號(hào)進(jìn)行處理輸出，得到檢測(cè)結(jié)果。

6、在一實(shí)施例中，所述將所述導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)輸入預(yù)設(shè)混合深度學(xué)習(xí)模型中，得到瞬態(tài)信號(hào)的步驟之前，包括：

7、獲取導(dǎo)航坐標(biāo)時(shí)間序列樣本數(shù)據(jù)，構(gòu)建初始混合深度學(xué)習(xí)模型，所述初始混合深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)和長短時(shí)記憶網(wǎng)絡(luò)；

8、基于所述導(dǎo)航坐標(biāo)時(shí)間序列樣本數(shù)據(jù)對(duì)所述初始混合深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到預(yù)設(shè)混合深度學(xué)習(xí)模型。

9、在一實(shí)施例中，所述基于所述導(dǎo)航坐標(biāo)時(shí)間序列樣本數(shù)據(jù)對(duì)所述初始混合深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到預(yù)設(shè)混合深度學(xué)習(xí)模型的步驟，包括：

10、初始化模型參數(shù)；

11、將所述導(dǎo)航坐標(biāo)時(shí)間序列樣本數(shù)據(jù)輸入所述初始混合深度學(xué)習(xí)模型計(jì)算，得到預(yù)測(cè)瞬態(tài)信號(hào)；

12、根據(jù)損失函數(shù)計(jì)算，得到所述預(yù)測(cè)瞬態(tài)信號(hào)與真實(shí)瞬態(tài)信號(hào)之間的誤差值；

13、通過反向傳播算法計(jì)算，得到所述模型參數(shù)的梯度；

14、根據(jù)所述梯度通過優(yōu)化算法迭代更新所述模型參數(shù)，直至達(dá)到最大迭代次數(shù)或損失函數(shù)計(jì)算得到的誤差值收斂到預(yù)設(shè)閾值，得到預(yù)設(shè)混合深度學(xué)習(xí)模型。

15、在一實(shí)施例中，所述基于所述導(dǎo)航坐標(biāo)時(shí)間序列樣本數(shù)據(jù)對(duì)所述初始混合深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到預(yù)設(shè)混合深度學(xué)習(xí)模型的步驟之后，包括：

16、對(duì)所述預(yù)設(shè)混合深度學(xué)習(xí)模型進(jìn)行評(píng)估，得到評(píng)估結(jié)果；

17、若所述評(píng)估結(jié)果不滿足檢測(cè)要求，則對(duì)所述預(yù)設(shè)混合深度學(xué)習(xí)模型重新訓(xùn)練，直至滿足所述檢測(cè)要求。

18、在一實(shí)施例中，所述將所述導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)輸入所述預(yù)設(shè)混合深度學(xué)習(xí)模型中，得到瞬態(tài)信號(hào)的步驟，包括：

19、將所述導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換，得到所述預(yù)設(shè)混合深度學(xué)習(xí)模型的輸入數(shù)據(jù)；

20、基于所述輸入數(shù)據(jù)通過卷積神經(jīng)網(wǎng)絡(luò)，得到特征映射數(shù)據(jù)；

21、根據(jù)所述特征映射數(shù)據(jù)通過長短時(shí)記憶網(wǎng)絡(luò)進(jìn)行時(shí)序分析，得到長期依賴關(guān)系；

22、根據(jù)所述特征映射數(shù)據(jù)和所述長期依賴關(guān)系，得到分類識(shí)別結(jié)果；

23、當(dāng)所述分類識(shí)別結(jié)果滿足預(yù)設(shè)要求時(shí)，得到瞬態(tài)信號(hào)。

24、在一實(shí)施例中，所述將所述瞬態(tài)信號(hào)進(jìn)行處理輸出，得到檢測(cè)結(jié)果的步驟，包括：

25、對(duì)所述瞬態(tài)信號(hào)進(jìn)行強(qiáng)度評(píng)估，確定為強(qiáng)瞬態(tài)信號(hào)或弱瞬態(tài)信號(hào)；

26、對(duì)所述強(qiáng)瞬態(tài)信號(hào)或弱瞬態(tài)信號(hào)進(jìn)行重復(fù)去除和信號(hào)增強(qiáng)處理，得到處理后的信號(hào)；

27、對(duì)所述處理后的信號(hào)進(jìn)行關(guān)聯(lián)分析，得到檢測(cè)結(jié)果。

28、在一實(shí)施例中，所述獲取導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)的步驟，包括：

29、獲取原始導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)；

30、對(duì)所述原始導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)進(jìn)行去噪處理，得到去噪聲后的數(shù)據(jù)；

31、對(duì)所述去噪聲后的數(shù)據(jù)進(jìn)行濾波和時(shí)間序列插值，得到處理后的數(shù)據(jù)；

32、對(duì)所述處理后的數(shù)據(jù)進(jìn)行識(shí)別并剔除異常值，得到剔除后的數(shù)據(jù)；

33、對(duì)所述剔除后的數(shù)據(jù)進(jìn)行數(shù)據(jù)階躍校正，得到導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)。

34、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提出一種基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)裝置，所述基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)裝置包括：

35、獲取模塊，用于獲取導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)；

36、處理模塊，用于將所述導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)輸入預(yù)設(shè)混合深度學(xué)習(xí)模型中，得到瞬態(tài)信號(hào)；

37、結(jié)果模塊，用于將所述瞬態(tài)信號(hào)進(jìn)行處理輸出，得到檢測(cè)結(jié)果

38、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提出一種介質(zhì)，所述介質(zhì)為計(jì)算機(jī)可讀介質(zhì)，所述介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法的步驟。

39、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提供一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法的步驟。

40、本申請(qǐng)通過獲取導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)，將導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)輸入預(yù)設(shè)混合深度學(xué)習(xí)模型中，得到瞬態(tài)信號(hào)，將瞬態(tài)信號(hào)進(jìn)行處理輸出，得到檢測(cè)結(jié)果。通過獲取導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)，輸入預(yù)設(shè)的cnn-lstm混合模型檢測(cè)瞬態(tài)信號(hào)，并處理輸出檢測(cè)結(jié)果，提高了信號(hào)檢測(cè)精度與效率。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述的方法，其特征在于，所述將所述導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)輸入預(yù)設(shè)混合深度學(xué)習(xí)模型中，得到瞬態(tài)信號(hào)的步驟之前，包括：

3.如權(quán)利要求2所述的方法，其特征在于，所述基于所述導(dǎo)航坐標(biāo)時(shí)間序列樣本數(shù)據(jù)對(duì)所述初始混合深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到預(yù)設(shè)混合深度學(xué)習(xí)模型的步驟，包括：

4.如權(quán)利要求2所述的方法，其特征在于，所述基于所述導(dǎo)航坐標(biāo)時(shí)間序列樣本數(shù)據(jù)對(duì)所述初始混合深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到預(yù)設(shè)混合深度學(xué)習(xí)模型的步驟之后，包括：

5.如權(quán)利要求1所述的方法，其特征在于，所述將所述導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)輸入所述預(yù)設(shè)混合深度學(xué)習(xí)模型中，得到瞬態(tài)信號(hào)的步驟，包括：

6.如權(quán)利要求1所述的方法，其特征在于，所述將所述瞬態(tài)信號(hào)進(jìn)行處理輸出，得到檢測(cè)結(jié)果的步驟，包括：

7.如權(quán)利要求1所述的方法，其特征在于，所述獲取導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)的步驟，包括：

8.一種基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)裝置，其特征在于，所述裝置包括：

9.一種基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)設(shè)備，其特征在于，所述設(shè)備包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并在所述處理器上運(yùn)行的基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)程序，所述基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)程序配置為實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法的步驟。

10.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)程序，所述基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法的步驟。

技術(shù)總結(jié)
本申請(qǐng)公開了一種基于深度學(xué)習(xí)的時(shí)間序列瞬態(tài)信號(hào)檢測(cè)方法、裝置、設(shè)備及介質(zhì)，涉及信號(hào)檢測(cè)技術(shù)領(lǐng)域，包括：通過獲取導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)，將導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)輸入預(yù)設(shè)混合深度學(xué)習(xí)模型中，得到瞬態(tài)信號(hào)，將瞬態(tài)信號(hào)進(jìn)行處理輸出，得到檢測(cè)結(jié)果。通過獲取導(dǎo)航坐標(biāo)時(shí)間序列數(shù)據(jù)，輸入預(yù)設(shè)的CNN?LSTM混合模型檢測(cè)瞬態(tài)信號(hào)，并處理輸出檢測(cè)結(jié)果，提高了信號(hào)檢測(cè)精度與效率。

技術(shù)研發(fā)人員：陳保周,賈凱達(dá),柴陽,劉朔
受保護(hù)的技術(shù)使用者：武漢輕工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15