[发明专利]一种信号模式的快速学习与识别方法

说明书

本发明公开一种信号模式的快速学习与识别方法。本发明的方法由一种神经网络对比学习与识别模型来实现，包括：信息表征模块、对比学习与识别模块和解释模块。信息表征模块由若干层神经网络组成，用于实现信号数据在神经网络内的表征；对比学习与识别模块通过与记忆库中的记忆记录进行对比来实现学习与类别识别；解释模块用于解释输出的结果，给出输出结果的决策依据。本发明通过构建神经网络对比学习与识别模型对信号数据样本进行快速处理，提升了对信号样本数据的处理效率，进而实现对信号模式的高效学习与识别。

技术领域

本发明涉及信号处理技术领域，特别是涉及一种信号模式的快速学习与识别方法。

背景技术

设备运行状态信号的有效分析和可靠的模式识别是进行设备状态检测的关键。借助深度学习等人工智能方法，信号模式的识别进入了智能化时代，出现了众多的深度学习模型来处理设备的状态信号。但是，深度神经网络依赖于大型网络和大数据来逼近相对少数类别样本的统计相关性，存在数据饥渴和黑盒不透明等问题。目前深度神经网络反复迭代的训练模式耗能巨大，发展不具可持续性。现有的模型需要在大量数据集上进行模型训练，训练与学习过程非常耗时。

发明内容

针对目前该领域现有技术的不足，本发明提供一种信号模式的快速学习与识别方法，实现了神经网络对信号数据样本的快速处理，提升了对信号样本数据的处理效率。

为了实现上述目的，本发明提供了如下技术方案：

一种信号模式的快速学习与识别方法，包括：

获取神经网络对比学习与识别模型，所述神经网络对比学习与识别模型包括：信息表征模块、对比学习与识别模块和解释模块。所述信息表征模块用于实现信号数据在神经网络内的表征，所述对比学习与识别模块用于对比学习与识别表征后的信息，并将学习结果保存到记忆库、输出识别结果，所述解释模块用于解释输出的结果。

可选地，所述神经网络对比学习与识别模型的信息表征模块由若干层神经网络组成，所述信息表征模块的若干层神经网络具有特定的连接权值；所述对比学习与识别模块通过与记忆库中的记忆记录进行对比来实现学习与类别识别；

可选地，对学习与识别结果进行解释，给出决策依据。

有益效果

本发明的方法可以实现信号数据样本的快速学习，节省对传统神经网络模型训练所耗费的大量时间，节约计算资源。与信号经传统神经网络处理过程相比，本发明的方法具有更快的学习训练速度和更好的泛化能力，能够对输出进行解释，给出决策依据，具有广阔的工业应用前景。

附图说明

图1为本发明实施例提供的一种信号模式的快速学习与识别方法的流程示意图；

图2为本发明实施例提供的一种数据样本的快速神经网络学习方法的结构示意图；

图3为本发明实施例提供的一个数据样本识别结果的解释。

具体实施方式

下面结合附图对本发明做详细介绍，需要指出的是以下介绍是为了更好的理解本发明的过程，而不是对本发明起约束作用。

本发明的一种信号模式的快速学习与识别方法，由一种神经网络对比学习与识别模型来实现，所述的神经网络对比学习与识别模型包括：信息表征模块、对比学习与识别模块和解释模块，如图1所示。

信息表征模块由若干层神经网络组成，用于实现对信号数据在神经网络内的表征，降低信息的维度；所述信息表征模块的若干层神经网络，这些神经网络具有特定的连接权值，这些连接权值不需要在学习过程进行修改，每一层神经网络都由若干神经元组成；