[发明专利]一种基于一维卷积神经网络的振动信号识别方法

权利要求书

1.一种基于一维卷积神经网络的振动信号识别方法，其特征在于，具体包括如下步骤：

步骤一：采集振动信号；

步骤二：数据集的构建与数据集划分；

采集到的振动信号经过归一化处理后结合样本标签构成数据集，然后使用五折交叉验证方法将数据集分为训练集和测试集，训练集用来训练一维卷积神经网络模型，测试集用来测试已经训练完成的一维卷积神经网络模型的性能；

步骤三：一维卷积神经网络模型的训练；

步骤四：将测试集输入训练好的一维卷积神经网络模型中进行测试。

2.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤一中振动信号通过振动信号采集装置采集，所述振动信号采集装置由地震检波器和示波器连接组成。

3.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤一中的振动信号包括室外本底噪声、室外单人行走、室外单人跑步、室外双人行走、室外三人行走、室内单人行走、室内单人跑步、室内双人行走和室内三人行走。

4.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤三中，在模型训练过程中采用Adam算法对已构建的一维卷积神经网络参数进行迭代调整，以使得损失函数值最小，Adam算法的初始学习率设置为0.001。

5.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤三中采用的一维卷积神经网络模型使用Keras2.1.5作为环境，算法使用python3.7编写。

6.如权利要求1所述的一种基于一维卷积神经网络的振动信号识别方法，其特征在于，步骤三中采用的一维卷积神经网络模型的模型参数如下：

(1)第一卷积层，卷积核个数为128，每个卷积核的大小为7，步长为1，激活函数采用relu函数，采用全零填充；

(2)第一层批量标准化层；

(3)第二卷积层，卷积核个数为72，每个卷积核的大小为5，步长为1，激活函数采用relu函数，采用全零填充；

(4)第一最大池化层，池化大小为7，步长为1；

(5)第三卷积层，卷积核个数为48，每个卷积核的大小为5，步长为1，激活函数采用relu函数，采用全零填充；

(6)第二最大池化层，池化大小为5，步长为1；

(7)第四卷积层，卷积核个数为36，每个卷积核的大小为3，步长为1，激活函数采用relu函数，采用全零填充；

(8)第五卷积层，卷积核个数为32，每个卷积核的大小为3，步长为1，激活函数采用relu函数，采用全零填充；

(9)第三最大池化层，池化大小为5，步长为1；

(10)第一Flatten()层，其作用是将上层输出的数据转化为一维数据；

(11)第一全连接层，神经元个数为128，激活函数采用relu函数，dropout＝0.35；

(12)第二全连接层，神经元个数为64，激活函数采用relu函数，dropout＝0.3；

(13)第三全连接层，神经元个数为9，激活函数采用softmax函数，最终返回样本所属类别的概率。