信号类别识别方法、装置、电子设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115758222A(43)申请公布日2023.03.07(21)申请号202211513572.0(22)申请日2022.11.29(71)申请人重庆长安汽车股份有限公司地址400020重庆市江北区鱼嘴镇长安汽车全球研发中心(72)发明人李霜刘定涛王清(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201专利代理师黄琼(51)Int.Cl.G06F18/24(2023.01)G06N3/09(2023.01)权利要求书2页说明书9页附图3页(54)发明名称信号类别识别方法、装置、电子设备及存储介质(57)摘要本申请涉及深度学习技术领域，特别涉及一种信号类别识别方法、装置、电子设备及存储介质，其中，方法包括：获取多数类的第一信号样本和少数类的第二信号样本；根据第一信号样本对预设网络模型进行训练得到教师模型，利用第一信号样本对教师模型进行迭代自蒸馏得到第n代子模型，并锁定第n代子模型中分类输出层之外所有层的参数权重，得到新模型；利用预设欠采样方法从第一信号样本随机选择部分信号样本，基于部分信号样本和第二信号样本生成新信号样本，利用新信号样本训练新模型，直到训练完成，得到分类器，利用分类器识别目标信号的实际类别。由此，解决了相关技术中网络训练数据不均衡问题导致识别能力存在偏向性，分类难度大等问题。CN115758222ACN115758222A权利要求书1/2页1.一种信号类别识别方法，其特征在于，包括以下步骤：获取多数类的第一信号样本和少数类的第二信号样本；根据所述第一信号样本对预设网络模型进行训练得到教师模型，利用所述第一信号样本对所述教师模型进行迭代自蒸馏得到第n代子模型，并锁定所述第n代子模型中分类输出层之外所有层的参数权重，得到新模型；利用预设欠采样方法从所述第一信号样本随机选择部分信号样本，基于所述部分信号样本和所述第二信号样本生成新信号样本，利用所述新信号样本训练所述新模型，直到训练完成，得到分类器，利用所述分类器识别目标信号的实际类别。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一信号样本对预设网络模型进行训练得到教师模型，包括：归一化所述第一信号样本中的样本值，得到样本值在预设区间的样本；将所述样本值在预设区间的样本的标签转换为二进制向量形式的独热码，并利用随机种子打乱样本，按照预设比例将打乱后的样本分成训练集、验证集和测试集；根据所述训练集对所述预设网络模型进行训练，利用所述验证集确定训练过程的损失值，在所述损失值或迭代训练次数满足训练停止条件时，停止训练，并利用所述测试集对训练得到模型进行测试，测试通过之后得到所述教师模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练集对所述预设网络模型进行训练，还包括：设置迭代训练次数阈值和初始学习率；根据所述初始学习率和训练集对所述预设网络模型进行训练，其中，若当前训练损失值大于上一次训练损失值，则根据预设学习率动态调整机制将当前学习率降低为预设学习率，并将所述预设学习率作为下一次训练的学习率进行训练，直到所述损失值大于预设损失值、或者迭代训练次数达到所述迭代训练次数阈值时，结束迭代训练。4.根据权利要求1所述的方法，其特征在于，所述利用所述第一信号样本对所述教师模型进行迭代自蒸馏得到第n代子模型，包括：利用所述第一信号样本对所述教师模型进行蒸馏获得到当代子模型；将所述当代子模型作为新的教师模型进行蒸馏获得下一代子模型，对蒸馏获得到子模型进行迭代蒸馏，直到迭代蒸馏次数大于或等于预设蒸馏次数时，得到所述第n代子模型。5.一种信号类别识别装置，其特征在于，包括：获取模块，用于获取多数类的第一信号样本和少数类的第二信号样本；第一训练模块，用于根据所述第一信号样本对预设网络模型进行训练得到教师模型，利用所述第一信号样本对所述教师模型进行迭代自蒸馏得到第n代子模型，并锁定所述第n代子模型中分类输出层之外所有层的参数权重，得到新模型；第二训练模块，用于利用预设欠采样方法从所述第一信号样本随机选择部分信号样本，基于所述部分信号样本和所述第二信号样本生成新信号样本，利用所述新信号样本训练所述新模型，直到训练完成，得到分类器，利用所述分类器识别目标信号的实际类别。6.根据权利要求5所述的装置，其特征在于，所述第一训练模块进一步用于：归一化所述第一信号样本中的样本值，得到样本值在预设区间的样本；将所述样本值在预设区间的样本的标签转换为二进制向量形式的独热码，并利用随机2CN115758222A权利要求书2/2页种子打乱样本，按照预设比例将打乱后的样本分成训练集、验证集和测试集；根据所述训练集对所述预设网络模型进行训练，利用所述验证集确定训练过程的损失值，在所述损失值或迭代训练次数满足训练