[发明专利]基于深度学习的周期性信号数据特征序列提取方法和系统

权利要求书

1.一种基于深度学习的周期性信号数据特征序列提取方法，其特征在于，包括：

S1:按预设的时间窗将周期性信号数据划分为多段；

S2:对所述多段信号数据进行转换并组合得到二维数据信号图；

S3:将所述二维数据信号图带入预先建立的卷积神经网络模型，从所述二维数据信号图中定位多个特征区域；

S4:根据所述多个特征区域确定所述信号数据的特征序列；

其中，所述卷积神经网络模型基于带有特征标记的二维数据信号图训练得到。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多个特征区域确定所述信号数据的特征序列，包括：

根据所述多个特征区域进行二值化操作；

根据所述二值化操作对所述多个特征区域进行追溯，获得所述信号数据的多个特征序列。

3.根据权利要求1所述的方法，其特征在于，所述对所述多段信号数据进行转换并组合得到二维数据信号图，包括：

对所述多段信号数据利用短时傅里叶变换或小波变换进行转换，并组合排入预设大小的矩阵中，得到所述信号数据对应的二维数据信号图。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的建立，包括：

将带有特征标记的二维数据信号图作为初始卷积神经网络模型的输入，以所述带有特征标记的二维数据信号图中的特征区域作为初始卷积神经网络模型的输出，训练并获取卷积神经网络模型。

5.根据权利要求4所述的方法，其特征在于，带有特征标记的二维数据信号图的获取，包括：

获取历史周期性信号数据并对所述历史周期性信号数据按照特征进行标记处理；

将所述历史周期性信号数据转化并组合成带有特征标记的二维数据信号图。

6.根据权利要求1所述的方法，其特征在于，从所述二维数据信号图中定位多个特征区域，包括：

从所述二维数据信号图中利用Grad-CAM手段，定位多个特征区域。

7.根据权利要求1所述的方法，其特征在于，所述将所述二维数据信号图带入预先建立的卷积神经网络模型，从所述二维数据信号图中定位多个特征区域之后，且在所述根据所述多个特征区域确定所述信号数据的特征序列之前，还包括：

对所述二维数据信号图在带所述卷积神经网络模型中进行多次训练，直到从所述二维数据信号图中定位的多个特征区域是相同的。

8.根据权利要求1所述的方法，其特征在于，所述根据所述多个特征区域确定所述信号数据的特征序列之后，还包括：

通过设置不同的预设长度重复执行步骤S1至S4得到多个预设的时间窗下的特征序列；

从所有的特征序列中获取相同特征序列作为最优的特征序列；

将所述最优特征序列设为所述周期性信号数据对应的特征序列。

9.一种基于深度学习的周期性信号数据特征序列提取系统，其特征在于，包括：划分模块、转换组合模块、训练定位模块和确定序列模块；

所述划分模块，用于按预设的时间窗将周期性信号数据划分为多段；

所述转换组合模块，用于对所述多段信号数据进行转换并组合得到二维数据信号图；

所述训练定位模块，用于将所述二维数据信号图带入预先建立的卷积神经网络模型，从所述二维数据信号图中定位多个特征区域；

所述确定序列模块，用于根据所述多个特征区域确定所述信号数据的特征序列；

其中，所述卷积神经网络模型基于带有特征标记的二维数据信号图训练得到。

10.根据权利要求9所述的系统，其特征在于，所述确定序列模块，包括：二值化子模块和追溯子模块；

所述二值化子模块，用于根据所述多个特征区域进行二值化操作；

所述追溯子模块，用于根据所述二值化操作对所述多个特征区域进行追溯，获得所述信号数据的多个特征序列。