[发明专利]一种基于通道剪枝的深度卷积神经网络模型的定位方法

权利要求书

1.一种基于通道剪枝的深度卷积神经网络模型的定位方法，其特征在于，包括：

步骤(1)：构造基于深度卷积神经网络模型的位置定位基线识别模型；

步骤(2)：获取待定位区域中移动设备的无线电信号数据；

步骤(3)：将获取到的无线电信号数据进行预处理，得到无线电信号数据集；利用所述无线电信号数据集对所述位置定位基线识别模型进行训练和验证，得到预训练深度卷积神经网络模型；

步骤(4)：对所述预训练深度卷积神经网络模型进行通道剪枝，得到压缩的深度卷积神经网络模型；

步骤(5)：评估所述压缩的深度卷积神经网络模型的性能，并通过精确率、召回率和准确率来评估所述的压缩的深度卷积神经网络模型在预设类别下的定位性能。

2.根据权利要求1所述的基于通道剪枝的深度卷积神经网络模型的定位方法，其特征在于，所述位置定位基线识别模型中预设有待定位区域的历史信息。

3.根据权利要求1所述的基于通道剪枝的深度卷积神经网络模型的定位方法，其特征在于，所述无线电信号数据集包括数据集、验证集和测试集。

4.根据权利要求1所述的基于通道剪枝的深度卷积神经网络模型的定位方法，其特征在于，所述步骤(4)还包括：

步骤(41)：将所述预训练深度卷积神经网络模型中所有卷积层重新编号并排序，并统计所有卷积层的通道数；计算每个卷积层的所有通道性能参数α，公式为：

其中，表示第l层卷积层中第n号的滤波器的权重，||·||₂表示向量的L2范数，N_l表示第l层卷积层中滤波器的个数；

步骤(42)：将所述预训练深度卷积神经网络模型的剪枝个数设为P，对所有卷积层的通道性能参数α从大到小进行排序，选取通道性能参数最小的P个通道，记录并返回所述P个通道的卷积层号和通道编号；

步骤(43)：根据拟剪枝列表mask去除所述通道性能参数最小的P个通道及其对应的卷积核；

步骤(44)：对剪枝后的预训练深度卷积神经网络模型进行全网参数更新；

步骤(45)：判断剪枝是否结束，若剪枝结束，则使用所述无线电信号数据集来微调模型，微调结束后得到压缩的深度卷积神经网络模型并保存；若剪枝未结束，则重复所述步骤(41)至步骤(44)。

5.根据权利要求4所述的基于通道剪枝的深度卷积神经网络模型的定位方法，其特征在于，所述步骤(43)还包括：所有卷积层剪枝结束后，通过BatchNorm层的继承方式将被去除通道的前后通道相连，使被去除通道的卷积层的输出通道数与下一个卷积层的输入通道数相同。

6.根据权利要求4所述的基于通道剪枝的深度卷积神经网络模型的定位方法，其特征在于，所述步骤(43)还包括：最后一个卷积层的输出通道为分类数目，无需剪枝。

7.根据权利要求4所述的基于通道剪枝的深度卷积神经网络模型的定位方法，其特征在于，所述步骤(44)具体为：创建关于被去除卷积核的第i层卷积层和第i+1层卷积层的新权重参数，并将未被去除的卷积核的权重参数复制到所述剪枝后的预训练深度卷积神经网络模型中，完成参数更新。

8.根据权利要求1所述的基于通道剪枝的深度卷积神经网络模型的定位方法，其特征在于，所述步骤(5)具体为：所述压缩的深度卷积神经网络模型预测准确率的公式为：

其中，N_true表示预测正确的样本个数，N_test表示测试集样本总数；

设测试数据为X＝{x,y}，x表示所述测试数据的特征向量，y表示所述测试数据的真实标签，则所述压缩的深度卷积神经网络模型在预设类别下的定位性能通过精确率、召回率和准确率来表示，公式为：

其中，Precision为精确率，Recall为召回率，Acc为准确率；TP为真正类，表示为y＝k,y'＝k；TN为真负类，表示为y≠k,y'≠k；FP为假正类，表示为y≠k,y'＝k；FN为假负类，表示为y＝k,y'≠k，y'表示所述压缩的深度卷积神经网络输出的预测标签，k表示预设类别。