本公開涉及深度學(xué)習(xí)，尤其涉及一種基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法和裝置。

背景技術(shù)：

1、擴(kuò)張卷積(dilatedconvolution)是卷積神經(jīng)網(wǎng)絡(luò)中常用的卷積操作，也被稱為空洞卷積(atrousconvolution)。擴(kuò)張卷積通過在卷積核中引入擴(kuò)張率(dilationrate)，在卷積操作中增加空洞，從而擴(kuò)大了卷積核的感受野，使得網(wǎng)絡(luò)可以更好地捕捉數(shù)據(jù)中的長距離依賴關(guān)系。在傳統(tǒng)的卷積操作中，卷積核的每個(gè)元素只與輸入數(shù)據(jù)中相鄰的元素進(jìn)行卷積操作。而在擴(kuò)張卷積中，通過在卷積核中間插入空洞(跳過一定數(shù)量的元素)，可以使得卷積核在卷積操作中跳過一定的像素，從而擴(kuò)大了卷積核的感受野。

2、目前，擴(kuò)張卷積只能對(duì)固定類型的輸入數(shù)據(jù)進(jìn)行卷積操作，無法適用于多種不同類型的輸入數(shù)據(jù)，適用場景少。

3、公開內(nèi)容

4、本公開提供一種基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法和裝置，用以解決擴(kuò)張卷積只能對(duì)固定類型的輸入數(shù)據(jù)進(jìn)行卷積操作，無法適用于多種不同類型的輸入數(shù)據(jù)，適用場景少的問題。

5、本公開提供一種基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法，包括：

6、獲取目標(biāo)輸入數(shù)據(jù)，根據(jù)所述目標(biāo)輸入數(shù)據(jù)的信號(hào)長度和信號(hào)通道數(shù)得到擴(kuò)張卷積的動(dòng)態(tài)擴(kuò)張率；

7、根據(jù)所述動(dòng)態(tài)擴(kuò)張率對(duì)所述目標(biāo)輸入數(shù)據(jù)進(jìn)行特征提取，得到所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征。

8、作為一個(gè)實(shí)施例，所述根據(jù)所述目標(biāo)輸入數(shù)據(jù)的信號(hào)長度和信號(hào)通道數(shù)得到擴(kuò)張卷積的動(dòng)態(tài)擴(kuò)張率，包括：

9、基于預(yù)設(shè)注意力模型確定所述信號(hào)長度和所述信號(hào)通道數(shù)各自對(duì)應(yīng)的權(quán)重系數(shù)；

10、根據(jù)所述權(quán)重系數(shù)，確定所述信號(hào)長度和所述信號(hào)通道數(shù)的加權(quán)和；

11、根據(jù)所述信號(hào)長度和所述信號(hào)通道數(shù)的加權(quán)和，得到所述動(dòng)態(tài)擴(kuò)張率。

12、作為一個(gè)實(shí)施例，所述預(yù)設(shè)注意力模型包括平均池化層、兩個(gè)全連接層和歸一化層，所述基于預(yù)設(shè)注意力模型確定所述信號(hào)長度和所述信號(hào)通道數(shù)各自對(duì)應(yīng)的權(quán)重系數(shù)，包括：

13、基于所述平均池化層對(duì)所述目標(biāo)輸入數(shù)據(jù)進(jìn)行平均池化操作，得到平均池化后的特征圖；

14、所述平均池化后的特征圖經(jīng)兩個(gè)所述全連接層以及所述歸一化層后，得到所述信號(hào)長度和所述信號(hào)通道數(shù)各自對(duì)應(yīng)的權(quán)重系數(shù)。

15、作為一個(gè)實(shí)施例，所述根據(jù)所述信號(hào)長度和所述信號(hào)通道數(shù)的加權(quán)和，得到所述動(dòng)態(tài)擴(kuò)張率，包括：

16、對(duì)所述信號(hào)長度和所述信號(hào)通道數(shù)的加權(quán)和進(jìn)行向下取整，得到所述動(dòng)態(tài)擴(kuò)張率。

17、作為一個(gè)實(shí)施例，所述根據(jù)所述動(dòng)態(tài)擴(kuò)張率對(duì)所述目標(biāo)輸入數(shù)據(jù)進(jìn)行特征提取，得到所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征，包括：

18、將所述動(dòng)態(tài)擴(kuò)張率代入預(yù)設(shè)的動(dòng)態(tài)擴(kuò)張卷積結(jié)構(gòu)，基于所述動(dòng)態(tài)擴(kuò)張卷積結(jié)構(gòu)對(duì)所述目標(biāo)輸入數(shù)據(jù)進(jìn)行特征提取，得到所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征；

19、所述動(dòng)態(tài)擴(kuò)張卷積結(jié)構(gòu)包括多個(gè)殘差小塊，每一所述殘差小塊均包括卷積塊以及與所述卷積塊殘差連接的擴(kuò)張卷積塊，所述動(dòng)態(tài)擴(kuò)張卷積結(jié)構(gòu)的第一個(gè)所述殘差小塊的擴(kuò)張率為所述動(dòng)態(tài)擴(kuò)張率。

20、作為一個(gè)實(shí)施例，所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征的表達(dá)式如下：

21、

22、其中，表示第i個(gè)殘差小塊，表示第i個(gè)殘差小塊的擴(kuò)張卷積塊，f6表示卷積塊，input為目標(biāo)輸入數(shù)據(jù)。

23、作為一個(gè)實(shí)施例，所述目標(biāo)輸入數(shù)據(jù)為多尺度數(shù)據(jù)或時(shí)間序列數(shù)據(jù)或預(yù)設(shè)領(lǐng)域的動(dòng)態(tài)變化數(shù)據(jù)。

24、本公開還提供一種基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取裝置，包括：

25、擴(kuò)張率確定模塊，用于獲取目標(biāo)輸入數(shù)據(jù)，根據(jù)所述目標(biāo)輸入數(shù)據(jù)的信號(hào)長度和信號(hào)通道數(shù)得到擴(kuò)張卷積的動(dòng)態(tài)擴(kuò)張率；

26、特征提取模塊，用于根據(jù)所述動(dòng)態(tài)擴(kuò)張率對(duì)所述目標(biāo)輸入數(shù)據(jù)進(jìn)行特征提取，得到所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征。

27、本公開還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)所述基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法。

28、本公開還提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法。

29、本公開提供的基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法和裝置，獲取目標(biāo)輸入數(shù)據(jù)，根據(jù)所述目標(biāo)輸入數(shù)據(jù)的信號(hào)長度和信號(hào)通道數(shù)得到擴(kuò)張卷積的動(dòng)態(tài)擴(kuò)張率；根據(jù)所述動(dòng)態(tài)擴(kuò)張率對(duì)所述目標(biāo)輸入數(shù)據(jù)進(jìn)行特征提取，得到所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征。本公開根據(jù)目標(biāo)輸入數(shù)據(jù)的信號(hào)長度和信號(hào)通道數(shù)動(dòng)態(tài)調(diào)整擴(kuò)張率，可以對(duì)不同的目標(biāo)輸入數(shù)據(jù)進(jìn)行特征信息的提取時(shí)，自適應(yīng)動(dòng)態(tài)調(diào)整擴(kuò)張率以獲取最合適的特征提取結(jié)果。

技術(shù)實(shí)現(xiàn)思路

技術(shù)特征：

1.一種基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法，其特征在于，所述根據(jù)所述目標(biāo)輸入數(shù)據(jù)的信號(hào)長度和信號(hào)通道數(shù)得到擴(kuò)張卷積的動(dòng)態(tài)擴(kuò)張率，包括：

3.根據(jù)權(quán)利要求2所述的基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法，其特征在于，所述預(yù)設(shè)注意力模型包括平均池化層、兩個(gè)全連接層和歸一化層，所述基于預(yù)設(shè)注意力模型確定所述信號(hào)長度和所述信號(hào)通道數(shù)各自對(duì)應(yīng)的權(quán)重系數(shù)，包括：

4.根據(jù)權(quán)利要求2所述的基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法，其特征在于，所述根據(jù)所述信號(hào)長度和所述信號(hào)通道數(shù)的加權(quán)和，得到所述動(dòng)態(tài)擴(kuò)張率，包括：

5.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法，其特征在于，所述根據(jù)所述動(dòng)態(tài)擴(kuò)張率對(duì)所述目標(biāo)輸入數(shù)據(jù)進(jìn)行特征提取，得到所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征，包括：

6.根據(jù)權(quán)利要求5所述的基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法，其特征在于，所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征的表達(dá)式如下：

7.根據(jù)權(quán)利要求1-6任一項(xiàng)所述的基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法，其特征在于，所述目標(biāo)輸入數(shù)據(jù)為多尺度數(shù)據(jù)或時(shí)間序列數(shù)據(jù)或預(yù)設(shè)領(lǐng)域的動(dòng)態(tài)變化數(shù)據(jù)。

8.一種基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取裝置，其特征在于，包括：

9.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法。

10.一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法。

技術(shù)總結(jié)
本公開提供一種基于動(dòng)態(tài)擴(kuò)張卷積的信號(hào)特征提取方法和裝置，屬于深度學(xué)習(xí)技術(shù)領(lǐng)域，獲取目標(biāo)輸入數(shù)據(jù)，根據(jù)所述目標(biāo)輸入數(shù)據(jù)的信號(hào)長度和信號(hào)通道數(shù)得到擴(kuò)張卷積的動(dòng)態(tài)擴(kuò)張率；根據(jù)所述動(dòng)態(tài)擴(kuò)張率對(duì)所述目標(biāo)輸入數(shù)據(jù)進(jìn)行特征提取，得到所述目標(biāo)輸入數(shù)據(jù)的信號(hào)特征。本公開根據(jù)目標(biāo)輸入數(shù)據(jù)的信號(hào)長度和信號(hào)通道數(shù)動(dòng)態(tài)調(diào)整擴(kuò)張率，可以對(duì)不同的目標(biāo)輸入數(shù)據(jù)進(jìn)行特征信息的提取時(shí)，自適應(yīng)動(dòng)態(tài)調(diào)整擴(kuò)張率以獲取最合適的特征提取結(jié)果。

技術(shù)研發(fā)人員：余陸斌,黃永勝,周振威,何世烈,路國光,陳義強(qiáng),趙振博,劉俊斌,俞鵬飛,孟苓輝
受保護(hù)的技術(shù)使用者：中國電子產(chǎn)品可靠性與環(huán)境試驗(yàn)研究所（（工業(yè)和信息化部電子第五研究所）（中國賽寶實(shí)驗(yàn)室））
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10