[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

说明书

本发明提供了一种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，包括：按预设的时间窗将周期性信号数据划分为多段；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；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；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；本发明提供了一种周期性信号识别方法，提高了信号处理的准确率和效率。

技术领域

本发明属于负荷预测领域，尤其是涉及一种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。

背景技术

信号的分析与处理过程就是对测试信号进行去伪存真、排除干扰从而获得所需的有用信 息的过程。一般来说，通常把研究信号的构成和特征值的过程称为信号分析，把对信号进行 必要的变换以获得所需信息的过程称为信号处理，信号的分析与处理过程是相互关联的。现 有的信号分析手段可以处理多类型的非线性复杂信号，例如经验模态分解(EMD)方法是一 种自适应的时频信号分析法，可以广泛地用于非线性非平稳过程的分析，通过将信号分解为 若干的本征函数(IMFS)，再通过对本征函数进行分析实现对信号数据特征的提取。但是， 该类方法存在着较大的局限性，需要基于专家经验，通常会因为噪声因素造成信号的模态混 叠，信号特征提取过程准确率和效率不高。

近年来，机器学习(ML,Machine Learning)理论取得了快速发展，通过借助计算机作为工 具致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效 率。深度学习(DL,Deep Learning)是机器学习领域中一个新的研究方向。深度学习是一个复杂 的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习的 方法能够自动学习特征，并进行分类决策，大幅度提高精度的同时也提升了效率。卷积神经 网络是近几年来最流行的深度学习模型之一。通过测试所获得的信号往往混有各种噪声。噪 声的来源可能是由于测试装置本身的不完善，也可能是由于系统中混入其他的输入源无法处 理信号。且现有的卷积神经网络没法处理混有各种噪声数据的信号，导致了噪声信号识别的 难度。

发明内容

为克服上述现有技术的不足，本发明提出一种基于深度学习的周期性信号数据特征序列 提取方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，带有特征标记的二维数据信号图的获取，包括：