[发明专利]用于无人值守传感器系统的多类别目标识别方法及系统

说明书

本发明公开了一种用于无人值守传感器系统的多类别目标识别方法及系统，此方法包括步骤：S1、数据预处理：对无人值守传感器设备获取的原始数据进行分帧；S2、信号特征提取：同时提取分帧后的数据的多段独立时域特征；S3、卷积神经网络模型训练：将步骤S2得到的多段独立时域特征作为训练样本，输入到卷积神经网络中训练，建立卷积神经网络模型；S4、信号识别：通过步骤S3建立的卷积神经网络模型对信号进行识别，得到识别结果。本发明具有操作简便、计算量小、识别率高、可以在嵌入式系统中应用等优点。

技术领域

本发明主要涉及多目标模式识别技术领域，具体涉及一种用于无人值守传感器系统的多类别目标识别方法及系统。

背景技术

传统的无人值守传感器系统中目标识别方法包括：过零分析、小波变换、卷积神经网络、循环神经网络等，前两种识别方法比较简单，但性能较差，环境适应性也不好，后两种计算量大，难于应用于计算资源相对有限的微处理器中，实际应用受限。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种计算量小、识别率高的用于无人值守传感器系统的多类别目标识别方法及系统。

为解决上述技术问题，本发明提出的技术方案为：

一种用于无人值守传感器系统的多类别目标识别方法，包括步骤：

S1、数据预处理：对无人值守传感器设备获取的原始数据进行分帧；

S2、信号特征提取：同时提取分帧后的数据的多段独立时域特征；

S3、卷积神经网络模型训练：将步骤S2得到的多段独立时域特征作为训练样本，输入到卷积神经网络中训练，建立卷积神经网络模型；

S4、信号识别：通过步骤S3建立的卷积神经网络模型对信号进行识别，得到识别结果。

作为上述技术方案的进一步改进：

在步骤S2中，独立时域特征共分三段，分别为：

采用固定时间间隔提取信号的峰峰值作为第一个时域特征以压缩数据量；

采用固定时间间隔提取信号的能量和作为第二个时域特征以压缩数据量；

对一帧数据计算Welch方法的功率谱，并选取有效低频部分作为第三个时域特征以压缩数据量。

在步骤S3中，使用单通道卷积神经网络或者三通道卷积神经网络进行训练；当使用单通道卷积神经网络时，则多个时域特征量可以选取不同宽度，并且合并输入至单通道卷积神经网络进行训练；当使用三通道卷积神经网络，则三个时域特征量数目应该相同。

在步骤S1中，首先对原始数据进行滤波，再进行分帧。

滤波过程：首先对信号进行低通滤波，滤除高频噪声；然后对信号进行陷波滤波或梳状滤波，滤除工频及其谐波干扰。

在步骤S4中，对信号进行连续识别，在次数超过多次时才得到识别结果。

在步骤S3中，根据步骤S2计算出其独立时域特征并组合在一起，输入到卷积神经网络进行训练；根据信号的类别，组合特征量确定标签，0代表环境信号或无信号，1代表走路或跑步，2代表车辆经过信号。

本发明还公开了一种用于无人值守传感器系统的多类别目标识别系统，包括：

数据预处理模块，用于对无人值守传感器设备获取的原始数据进行分帧；

信号特征提取模块，用于同时提取分帧后数据的多段独立时域特征；

卷积神经网络模型训练模块，用于将多段独立时域特征作为训练样本，输入到卷积神经网络中训练，建立卷积神经网络模型；