一种信号分类方法及装置与流程

1.本技术涉及信号分类技术领域，尤其涉及一种信号分类方法及装置。


背景技术：

2.信号分类是一个信号处理过程，是通过分析信号的特征，确定信号所属的类别。例如，在周界防护系统中，通过采集周界区域内的目标物检测信号，并分析检测信号特点，从而区分人员入侵和自然因素导致的信号波动。由于在不同的应用领域中，信号的特征复杂程度也不同，部分应用场景下的信号具有较高的复杂程度，因此单纯的信号特征分析通常无法准确判断信号所属的类别。
3.为了实现对复杂信号的分类，可以在分类过程中使用神经网络模型。典型的神经网络模型是通过将训练信号数据输入网络模型中，获得模型输出结果。并根据模型数据结果与标签信息反向传播更新模型参数。经过多次训练，从而获得符合当前领域的神经网络模型。在进行信号分类时，可以将待分类信号以向量的形式输入到神经网络模型中，并通过神经网络模型输出待分类信号的分类概率，最终确定信号所述的类别。
4.可见，在上述分类过程中，待分类信号中的具体值需要通过排列构成向量数据。常用的网络模型比如卷积神经网络，在处理待分类信号时是把待分类信号当做图像数据输入到网络模型中。但多数信号具有时序关系，即信号中的各具体值之间在时间上具有相关性。不经过处理而直接作为网络模型的输入，这种时序关系将无法得到有效保留，因此会降低信号分类的准确率。


技术实现要素：

5.本技术提供了一种基于小波变换的信号分类方法及装置，以解决传统信号分类方法因无法有效保留时序关系，导致分类准确率降低的问题。
6.一方面，本技术提供一种基于小波变换的信号分类方法，包括：
7.获取探测设备探测到的待分类信号，所述待分类信号为时序信号；
8.生成输入数据，所述输入数据包括所述待分类信号的原始数据、所述待分类信号经小波变换后获得的变换数据以及所述原始数据与所述变换数据堆叠形成的复合数据；
9.将所述输入数据输入神经网络模型，所述神经网络模型包括多个lstm网络、深度残差网络以及全连接网络；
10.获得所述待分类信号对应的入侵分类概率，所述入侵分类概率为所述神经网络模型的输出结果。
11.可选的，生成输入数据的步骤包括：
12.从所述待分类信号转化为向量形式的所述原始数据；
13.对所述待分类信号执行小波变换，以获得变换数据，所述变换数据与所述原始数据的向量长度相同；
14.将所述原始数据与所述变换数据堆叠形成所述复合数据。
15.可选的，所述神经网络模型的输入层包括第一分支和第二分支，所述第一分支包括两个第一lstm网络分别用于输入所述原始数据和所述变换数据；所述第二分支包括一个第二lstm网络，所述第二lstm网络的隐藏单元数为所述第一分支中两个所述第一lstm网络的隐藏单元数之和。
16.可选的，将所述输入数据输入神经网络模型的步骤包括：
17.将所述原始数据和所述变换数据分别输入两个所述第一lstm网络，以获得两个所述第一lstm网络的输出结果；
18.堆叠两个所述第一lstm网络的输出结果，以生成第一结果数据；
19.将所述复合数据输入所述第二lstm网络，以获得所述第二lstm网络的输出结果；
20.堆叠所述第一结果数据与所述第二lstm网络的输出结果，以生成第二结果数据。
21.可选的，将所述输入数据输入神经网络模型的步骤还包括：
22.将所述第二结果数据输入所述深度残差网络；
23.利用所述深度残差网络对所述第二结果数据中提取特征；
24.使用所述全连接网络和softmax激活函数根据提取的特征计算分类概率；
25.输出所述分类概率。
26.可选的，所述深度残差网络包括多个残差块和过渡块，多个所述残差块通过所述过渡块连接；每个所述残差块包括多个卷积层和多个激活函数层；
27.可选的，所述方法还包括训练所述神经网络模型，具体包括：
28.获取信号样本数据，所述信号样本数据包括训练标签；
29.通过小波变换处理所述信号样本数据，以生成训练数据；
30.将所述训练数据输入初始化的所述神经网络模型，以获得输出结果；
31.根据所述输出结果以及所述训练标签调节所述神经网络模型的模型参数。
32.可选的，所述方法还包括：
33.获取判断数据，所述判断数据为所述神经网络模型输出的训练集准确率、训练集损失、验证集准确率、验证集损失中的一种或多种的组合；
34.如果所述判断数据满足预设训练要求，则输出所述模型参数。
35.可选的，根据所述输出结果以及所述训练标签调节所述神经网络模型的模型参数的步骤包括：
36.使用损失函数计算所述训练数据中训练标签与所述输出结果之间的差异；
37.以所述差异最小化为目标，通过反向传播算法迭代调整所述神经网络模型的模型参数。
38.另一方面，本技术还提供一种信号分类装置，包括：获取模块、转换模块、模型输入模块以及输出模块。
39.其中，获取模块用于获取探测设备探测到的待分类信号，所述待分类信号为时序信号；
40.转换模块用于生成输入数据，所述输入数据包括所述待分类信号的原始数据、所述待分类信号经小波变换后获得的变换数据以及所述原始数据与所述变换数据堆叠形成的复合数据；
41.模型输入模块用于将所述输入数据输入神经网络模型，所述神经网络模型包括多
个lstm网络、深度残差网络以及全连接网络；
42.输出模块用于获得所述待分类信号对应的入侵分类概率，所述入侵分类概率为所述神经网络模型的输出结果。
43.由以上技术方案可知，本技术提供一种信号分类方法及装置，所述方法在获取待分类信号后，对待分类信号执行小波变换，并根据待分类信号原始数据以及小波变换结果生成输入数据。再将输入数据输入到神经网络模型，以通过神经网络模型计算可输出分类概率。其中，输入数据包括待分类信号的原始数据、待分类信号经小波变换后获得的变换数据以及原始数据与变换数据堆叠形成的复合数据，可以将待分类信号中的时序关系进行保留，增加输入神经网络模型中数据的特征，从而提高信号分类的准确率。
附图说明
44.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1为本技术实施例中信号分类装置应用场景示意图；
46.图2(a)为本技术实施例中一种信号分类方法流程示意图；
47.图2(b)为本技术实施例中一种周界安防系统的示意图；
48.图2(c)为本技术实施例中另一种周界安防系统的示意图；
49.图3为本技术实施例中生成输入数据的流程示意图；
50.图4为本技术实施例中将输入数据输入神经网络模型的流程示意图；
51.图5为本技术实施例中输出分类概率的流程示意图；
52.图6为本技术实施例中训练神经网络模型的流程示意图；
53.图7为本技术实施例中输出模型参数的流程示意图；
54.图8为本技术实施例中信号分类装置结构示意图。
具体实施方式
55.下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本技术相一致的所有实施方式。仅是与权利要求书中所详述的、本技术的一些方面相一致的系统和方法的示例。
56.本技术实施例中，信号分类是通过分析信号数据中的特征从而确定信号所属的类别的信号处理过程。其中，信号是指实际工程中由传感器等前端设备检测的一种电信号。如图1所示，所述信号可以通过a/d转化处理将电信号转化为能够被计算机、控制器等控制设备读取和处理的数字信号。所述信号还可以在转化为数字信号前进行降噪、除杂等处理，以获得质量较好的信号。
57.需要说明的是，在部分信号处理过程中，前段设备检测的电信号具有时序关系。即数字信号可以由多个按照时间顺序排列的具体数值组成，即数字信号可以通过编码、混合等处理后进一步转化为信号数据，并通过向量进行表示该信号数据。显然，在每个向量中，包括具有时序关系的多个信号原始值，用于表征信号中某一时刻的具体数据内容。
58.在部分应用场景中，信号可以由多个前端设备产生，或者由一个前端设备产生但包括多个具体含义，因此这种信号数据还可以包括多个向量。例如，对于周界安防系统，可以使用激光雷达、红外雷达、声波雷达等不同原理的传感器设备对防区周界进行探测，从而获得探测信号。使用探测信号对入侵防区周界的物体进行探测的过程中，入侵的物体不同，产生的信号变化特点也不同。
59.为了排除无关干扰对系统入侵判断的影响，周界安防系统需要区分“人员入侵”和“非人干扰”。其中，“人员入侵”信号通常包括人员垂直入侵信号、人员沿线入侵信号等，“非人干扰”信号通常包括天气变化信号、动物入侵信号、车辆入侵信号等。显然，上述不同类型的入侵方式所探测到的信号特征是不同的，并且由于入侵过程是一个持续的过程，因此探测到的信号会随着入侵过程持续的变化，即具有时序关系。
60.可以通过分析信号数据中的特征，确定信号所属的分类。例如，信号数据中可以包括可以通过分析信号数据，确定的入侵物体的移动速度、路径等特征确定入侵物体的类型。还可以通过综合分析信号数据中的多个特征，以获得更准确的分类结果。例如，可以将信号数据输入一个预先训练好的分类模型，并通过分类模型计算输出分类概率，从而确定探测信号对应属于哪一种入侵类型。
61.其中，所使用的分类模型可以是，经过大量样本数据深度训练获得的卷积神经网络模型。通过神经网络模型能够综合分析信号数据中的多种特征进行计算，从而输出的分类结果在准确率上具有较大的优势。
62.需要说明的是，所述时序关系是指信号数据中向量内各个具体数据值之间具有时序上的先后顺序，和/或，具体数据值之间在时间维度上具有相关关系，即在前一时刻采集的信号数据具体值，与在后一时刻采集的信号数据具体值之间具有相关关系。例如，入侵防区内的人员目标面积，会随着人员从外部逐渐进入到防区内呈连续变化。而根据人员的移动方向和速度，检测到的目标面积在时间维度上具有相关关系。
63.为了能够将信号数据输入到分类模型中，可以将信号数据中的向量转化为类似图像形式，作为图像进行后续的处理，但这种处理将导致向量内的时序关系丢失，从而使神经网络模型分析的特征中没有利用到信号间的时序关系。
64.为此，如图2(a)所示，本技术的部分实施例中提供一种基于小波变换的信号分类方法，包括：
65.s100：获取探测设备探测到的待分类信号。
66.本技术实施例中提供的信号分类方法，可以配置在具体应用系统中的信号分类装置内。信号分类装置可以连接前端设备，用于通过前端设备获取待分类的信号数据。所述待分类信号为时序信号。例如，在周界安防系统中，前端设备为能够获取无线信号(微波信号)的探测设备，探测设备可以在防区范围内进行探测，以获取探测信号。
67.获取的探测信号可以由前端设备发送给信号分类装置，期间进行降噪处理、模-数转换、调制/解调等信号处理过程，以形成待分类信号数据。其中，所述待分类信号数据中包括一个或多个数据向量，每个数据向量是由多个具有数值组成的序列，且向量中的数据之间具有时序关系。
68.需要说明的是，为了获取探测信号，探测设备可以采用不同的探测原理进行信号获取。例如，周界安防系统由微波射频信号的发射传感器和接收传感器组成，其中，每个发
射传感器可向s个接收传感器发射无线信号，相应的，每个接收传感器可接收t个发射传感器发射的无线信号，从而形成无线网，其中，s和t为正整数。当有入侵物或干扰物进入该无线网时，该无线网会发生网络波动。
69.如图2(b)、图2(c)所示，每个发射传感器可向三个接收传感器发射无线信号(即s为3)，相应的，每个接收传感器可以接收三个发射传感器所发射的无线信号(即t为3)。另外，为了提高周界安防系统的入侵检测精度，还可以提高发射传感器和接收传感器之间形成的无线网的密度。因此，在图2(c)中，每个发射传感器还可向五个接收传感器发射无线信号(即s为5)，相应的，每个接收传感器可以接收五个发射传感器所发射的无线信号(即t为5)。当然，根据不同的检测需求，还可以设置发射传感器向更多数量的接收传感器发射无线信号，本技术实施例对此不做限定。
70.s200：生成输入数据。
71.在获取待分类信号后，可以根据待分类信号生成输入数据，即使用小波变换处理输入的待分类信号，形成新的输入数据。其中，小波变换是一种信号的变换分析方法，是通过空间(时间)和频率的局部变换的方式，从信号中提取信息。小波变换可以通过变换充分突出信号某些方面的特征，并且能够对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。
72.通过小波变换获得的变换数据，可以保留待分类信号中的时序关系，以便于后续针对时序关系的特征进行分析。为了获得更准确的分类结果，在执行小波变换的同时，还可以保留待分类信号的原始数据，并且可将原始数据与变换数据进行重新组合，从而生成输入数据。即，输入数据包括待分类信号的原始数据、待分类信号经小波变换后获得的变换数据以及原始数据与变换数据堆叠形成的复合数据。
73.在本实施例中，通过小波变换可以根据待分类信号生成输入数据，其中，输入数据包括原始数据、变换数据以及复合数据。实现通过变换数据保留待分类信号中的时序关系特征，通过原始数据保留待分类信号中除时序关系以外的其他特征，通过复合数据保留时序关系特征与其他特征之间的联系。因此，相对于传统信号分类方法，可以增加分类过程中的特征数量，以便获得更准确的分类结果。
74.s300：将所述输入数据输入神经网络模型。
75.在生成输入数据后，可以将输入数据输入分类模型，以通过分类模型获得分类概率。其中，分类模型可以是预先训练好的神经网络模型。所述神经网络模型包括由多个lstm网络、深度残差网络以及全连接网络。输入数据通过输入层进入神经网络模型后，可以经过多个lstm网络、深度残差网络以及全连接网络的多次运算，分析信号特征，得到分类概率，最后通过输出层输出分类结果。
76.s400：获得所述待分类信号对应的入侵分类概率。
77.在将输入数据输入神经网络模型后，可以通过神经网络模型输出结果，由于本技术中神经网络模型用于信号分类，因此其输出结果为所述待分类信号对应于各类别的分类概率。
78.显然，分类概率最高的类别，可作为待分类信号数据的分类结果。例如，在周界安防系统中，一个信号数据对应分类类别为“人员入侵”的概率为85％，对应分类类别为“非人
干扰”的概率为15％，则确定当前信号数据的分类类别为“人员入侵”。经过神经网络处理后，输入的分类概率为“人员入侵”的可能性更大，因此确定当前信号数据由人员入侵触发形成，从而可以采取进一步措施处理相关事件，如生成报警信号等。
79.需要说明的是，输入神经网络模型中的输入数据可以包含多个向量对应的数据，选择多个向量是为了更有效地对分类结果进行区分，例如区分“人员入侵”导致的向量波动和自然因素导致的向量波动，具体所支持的向量数量，可以根据模型训练数据集的形式设定。
80.由以上技术方案可知，上述实施例提供的基于小波变换的信号分类方法，可以在获取待分类信号后，通过小波变换生成输入数据，并通过神经网络模型对输入数据进行特征分析，获得分类概率。所述方法通过小波变换提取输入样本的时序关系特征，并与原始输入结合重构新的输入，使得输入神经网络模型中的数据能够保留更显著的时序关系，增加数据特征，以输出更准确的分类概率。
81.为了生成数据数据，如图3所示，在本技术的部分实施例中，生成输入数据的步骤还包括：
82.s201：从所述待分类信号转化为向量形式的所述原始数据；
83.s202：对所述待分类信号执行小波变换，以获得变换数据；
84.s203：将所述原始数据与所述变换数据堆叠形成所述复合数据。
85.在获取待分类信号后，可以先将分类信号进行复制，再将其中一个待分类信号通过向量形式表示，以转化为原始数据。将另一个待分类信号执行小波变换，获得变换数据。可以针对待分类信号中所要保留的特征，设置小波变换中所使用的小波基。例如，使用的db1小波基，则返回结果为长度和输入向量一致的单个向量，即所述变换数据与所述原始数据的向量长度相同。如果想获取更多特征，可以选择不同的小波基。
86.在分别获得原始数据和变换数据后，还可以将获得的原始数据和变换数据进行堆叠，以生成复合数据。由于复合数据中包括原始数据和变换数据中的内容，因此所述复合数据的向量长度为所述原始数据的2倍。
87.例如，小波变换结果和原始数据具有相同长度，两个向量可以直接组合形成新的向量。经过小波变换后，由待分类信号可以获得大小为n
×
1的原始数据x
ori
，大小为n
×
1变换数据x
trans
。再将原始数据和小波变换结果进行堆叠，形成大小为n
×
2的复合数据x
cat
。
88.同理，在对多向量形式的待分类信号进行分类时，如果每个样本中具有m个向量，则原始数据x
ori
大小为n
×
m，变换数据x
trans
大小为n
×
m，堆叠后复合数据x
cat
大小为n
×
2m。
89.由以上技术方案可知，上述实施例中使用小波变换处理输入的待分类信号，形成新的输入数据，以在输入数据中保留时序关系。由于输入数据中包括原始数据、转换数据以及复合数据，这些数据可以分别保留待分类信号中的不同特征。因此，原始数据、转换数据以及复合数据需要分别输入到神经网络模型中，为了适应输入数据的形式，所述神经网络模型的输入层包括第一分支和第二分支，第一分支包括两个第一lstm网络分别用于输入原始数据和变换数据；第二分支包括一个第二lstm网络，第二lstm网络用于输入复合数据。由于复合数据是由原始数据和变换数据堆叠形成，因此复合数据的大小是原始数据和变换数据大小之和，因此第二lstm网络的隐藏单元数为所述第一分支中两个所述第一lstm网络的隐藏单元数之和。
90.即如图4所示，在本技术的部分实施例中，将所述输入数据输入神经网络模型的步骤包括：
91.s301：将所述原始数据和所述变换数据分别输入两个所述第一lstm网络，以获得两个所述第一lstm网络的输出结果；
92.s302：堆叠两个所述第一lstm网络的输出结果，以生成第一结果数据；
93.s303：将所述复合数据输入所述第二lstm网络，以获得所述第二lstm网络的输出结果；
94.s304：堆叠所述第一结果数据与所述第二lstm网络的输出结果，以生成第二结果数据。
95.其中，lstm网络(long short-term memory，长短期记忆网络)是一种时间循环神经网络，可用于处理和预测时间序列中间隔和延迟非常长的重要事件。本实施例中，可使用循环神经网络中的lstm层来处理输入数据，从而提取被送入后续卷积层的特征。为了充分利用三种输入数据，神经网络模型的输入层可以包括多个分支，分别以这几种输入作为不同分支的输入。
96.例如，在神经网络的第一个分支中又分为两个小分支，两个小分支均包含两个lstm层。第一个小分支以原始数据x
ori
作为输入，第二个小分支以小波变换后的变换数据x
trans
作为输入。两个lstm网络的隐层单元数相同，例如都设置为64。则经过两个小分支后，对于长度为n的输入向量，我们可以得到两个大小为n
×
64的输出结果，这两个输出结果直接堆叠形成第一个分支的输出结果，大小为n
×
128。
97.神经网络第二个分支以堆叠结果，即复合数据x
cat
作为输入。这一分支中lstm层的隐藏单元数设置为第一个分支中两个lstm层的隐藏单元数之和，即128，经过两个lstm层后，可以得到第二结果数据，即一个大小为n
×
128的输出。再将两个分支的输出结果堆叠起来，形成n
×
256格式的数据，作为卷积层的输入。显然，为了使最终堆叠的结果规范，隐藏单元的设置可以随n的大小进行调整。
98.由以上技术方案可知，本实施例中通过在神经网络模型的输入层中设置多个分支，以分别用于原始数据、转换数据以及复合数据的输入，再通过将多个分支的处理结果进行堆叠形成能够适应卷积网络的数据，实现在保留时序关系的前提下，完成数据的输入。
99.基于上述输入数据的输入方式，如图5所示，为了获得分类概率，所述方法还包括：
100.s401：将所述第二结果数据输入所述深度残差网络；
101.s402：利用所述深度残差网络对所述第二结果数据中提取特征；
102.s403：使用所述全连接网络和softmax激活函数根据提取的特征计算分类概率；
103.s404：输出所述分类概率。
104.在堆叠第一结果数据与第二lstm网络的输出结果，以生成第二结果数据后，神经网络模型还可以将第二结果数据输入深度残差网络，以利用深度残差网络在第二结果数据中提取特征。由于输入数据中保留了信号的时序关系特征，因此深度残差网络可以从第二结果数据中提取与时序关系有关的特征。再使用全连接网络和softmax激活函数根据提取的特征计算分类概率，从而输出分类概率。
105.其中，所述深度残差网络包括多个残差块和过渡块，多个所述残差块通过所述过渡块连接；每个所述残差块包括多个卷积层和多个激活函数层。利用深度残差网络的每一
层对lstm输出的堆叠后结果进行特征提取，深度残差网络的残差块由输入层、卷积层、激活函数层、卷积层、激活函数层、卷积层组成，最终的输出为输入与计算后结果的和。不同残差块之间使用过渡块进行连接，过渡块由1
×
1卷积组成。最终通过全连接层和softmax层输出，输出的结果是信号分属于某一类别的概率。
106.由以上技术方案可知，上述实施例提供的信号分类方法可以利用神经网络模型的lstm部分构建两个分支网络，以便提取输入的时序特征，并把输出结果进行堆叠后，与卷积神经网络相连接，进一步提取特征。实现神经网络模型针对包括时序关系的特征进行提取分析，以综合特征内容获得信号分类概率。
107.上述实施例中，利用神经网络模型处理待分类信号数据可以获得分类概率，而神经网络模型的适应性将直接影响分类结果的准确率。为了获得更加符合当前应用场景的神经网络模型，如图6所示，在对信号进行分类处理前，还可以训练神经网络模型，具体包括：
108.s501：获取信号样本数据，所述信号样本数据包括训练标签；
109.s502：通过小波变换处理所述信号样本数据，以生成训练数据；
110.s503：将所述训练数据输入初始化的所述神经网络模型，以获得输出结果；
111.s504：根据所述输出结果以及所述训练标签调节所述神经网络模型的模型参数。
112.神经网络模型的训练过程，是在构建初始模型的基础上，通过输入样本数据，获得模型输出结果，并根据模型输出结果与训练标签之间的差异反向传播，从而优化神经网络模型中的模型参数。
113.因此，在进行模型训练时，需要先获取信号样本数据。其中，所述信号样本数据包括训练标签。信号样本数据是预先基于统计、数据挖掘等方式获得的带有训练标签的信号数据，其训练标签用于指示所对应信号数据归属的分类。显然，为了适应当前应用场景，信号样本数据的来源也应该为当前应用场景中。例如，在周界安防系统中，信号样本数据是通过试验和统计，在不同的目标入侵方式下，各前端设备采集的信号数据构成。而信号样本数据中的训练标签，则是对应信号数据下所采用的目标入侵方式。
114.在获取信号样本数据后，也需要对信号样本数据进行小波变换处理，以获得保留有时序关系的训练数据。对信号样本数据进行小波变换处理的具体处理方式与上述实施例中提供的处理方式相同，此处不再赘述。
115.通过对信号样本数据进行小波变换处理，使训练数据中的时序关系得以保留，并发掘更多的深层信息，因此在将训练数据输入到初始化的神经网络模型后，可以获得参考了时序关系特征的输出结果。再根据输出结果以及训练标签之间的差异，反向传播该差异，以差异最小值为基准，调节神经网络模型的模型参数。
116.其中，可以使用损失函数计算训练数据中训练标签与输出结果之间的差异，并以差异最小化为目标，通过反向传播算法迭代调整神经网络模型的模型参数。例如，使用小波变换处理输入的信号样本数据。使用小波变换后的结果和原始输入堆叠组成复合数据进行输入。损失函数使用交叉熵函数，计算输入的标签和神经网络输出结果之间的差异。向初始化后的神经网络模型中输入处理过的训练样本和训练标签。原始数据和小波变换后的变换数据分别送入神经网络模型的第一个分支的两个小分支，复合数据输入第二个分支，从而通过神经网络模型获得输出结果。再通过反向传播算法在数据集上迭代性地调整网络参数。即在周界安防系统中，训练标签为“人员入侵”的信号样本数据为正样本，训练标签为“非人入侵”的信号样本数据为负样本。
117.经过多次输入信号样本数据，反复调节模型参数，可以使神经网络模型的输出结果越来越接近训练标签，即使得神经网络模型对当前场景的适应性越来越高。随着输出结果与训练标签之间的差异越来越小，可以在差异到达某一设定阈值后，输出此时的模型参数，从而将初始化的神经网络模型训练成一个适用于当前应用场景的神经网络模型。
118.为了输出神经网络模型的模型参数，如图7所示，在本技术的部分实施例中，所述方法还包括：
119.s505：获取判断数据；
120.s506：如果所述判断数据满足预设训练要求，则输出所述模型参数。
121.其中，所述判断数据为所述神经网络模型输出的训练集准确率、训练集损失、验证集准确率、验证集损失中的一种或多种的组合。实际应用中，可以根据不同的应用场景要求，选择不同的参数作为判断数据，并设置有不同的训练要求。
122.在获取判断数据后，可以对判断数据与预设训练要求进行对比，确定判断数据是否满足预设训练要求。当判断数据满足预设训练要求时，即当前模型下输出的结果与样本标签之间的差异在可接受的范围内，因此可以输出模型参数，完成模型训练。
123.另外，训练过程会同步输出训练集准确率、训练集损失、验证集准确率、验证集损失以便对模型参数进行更有效的调整。而模型何时停止训练以在验证集上的结果作为标准，训练完成后会保存最终的模型参数或直接输出模型。例如，如果某次迭代结果超越前一次结果，本次模型会被自动保存，作为当前最好的模型。
124.在获得训练好的神经网络模型后，还可以针对神经网络模型进行测试。可以将测试样本的原始数据、小波变换后的变换数据以及堆叠后的复合数据，送入训练完成的神经网络模型中，神经网络模型经计算最终输出待分类信号分属于“人员入侵”和“非人入侵”类别的概率值。
125.由以上技术方案可知，上述实施例中提供的基于小波变换的信号分类方法，可以利用小波变换保留输入数据中的时序关系特征并发掘深层信息，并与原始数据结合重构新的输入。通过lstm网络构成两个分支网络，提取输入数据中时序特征，并把输出堆叠后与卷积神经网络相连接，完成对数据中的特征分析。所述方法支持单向量输入和多向量输入，并使用不同的小波基和小波系数组成特征。
126.基于上述信号分类方法，如图8所示，本技术的部分实施例中还提供一种基于小波变换的信号分类装置，包括：获取模块、转换模块、模型输入模块以及输出模块。
127.其中，获取模块用于获取探测设备探测到的待分类信号，所述待分类信号为时序信号；
128.转换模块用于生成输入数据，所述输入数据包括所述待分类信号的原始数据、所述待分类信号经小波变换后获得的变换数据以及所述原始数据与所述变换数据堆叠形成的复合数据；
129.模型输入模块用于将所述输入数据输入神经网络模型，所述神经网络模型包括多个lstm网络、深度残差网络以及全连接网络；
130.输出模块用于获得所述待分类信号对应的入侵分类概率，所述入侵分类概率为所述神经网络模型的输出结果。
131.实际应用中，信号分类装置可以布置在诸如计算机、服务器等具有数据处理功能的终端设备中。信号分类装置的获取模块连接前端设备，以通过前端设备获取待分类信号。在获取待分类信号后，获取模块可以将待分类信号数据发送给转换模块，从而对待分类信号进行小波变换，以保留时序关系生成输入数据。转换模块再将生成的输入数据发送给模型输入模块。模型输入模块中内置神经网络模型，可以根据输入数据计算得到分类概率，并通过输出模块输出分类概率，完成信号分类。
132.需要说明的是，对于上述实施例中提供的其他实现方式，可以通过在所述信号分类装置中配置额外的功能模块，如训练模块等；或者在任一模块中配置功能处理单元，分别用于执行上述实施例中的相关程序步骤。例如，转换模块还可以包括原始数据转化单元、小波变换单元、堆叠单元等。
133.其中，原始数据转化单元用于从所述待分类信号转化为向量形式的所述原始数据；小波变换单元用于对所述待分类信号执行小波变换，以获得变换数据；堆叠单元用于将所述原始数据与所述变换数据堆叠形成所述复合数据。
134.同理，对于上述其他实施方式，也可以配置相应的功能模块或功能单元，完成对信号数据的各种处理，此处不再一一列举。
135.由以上技术方案可知，本技术提供一种基于小波变换的信号分类方法及装置，所述方法在获取待分类信号后，对待分类信号执行小波变换，并根据待分类信号原始数据以及小波变换结果生成输入数据。再将输入数据输入到神经网络模型，以通过神经网络模型计算可输出分类概率。其中，输入数据包括待分类信号的原始数据、待分类信号经小波变换后获得的变换数据以及原始数据与变换数据堆叠形成的复合数据，可以将待分类信号中的时序关系进行保留，增加输入神经网络模型中数据的特征，从而提高信号分类的准确率。
136.本技术提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本技术总的构思下的几个示例，并不构成本技术保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本技术方案所扩展出的任何其他实施方式都属于本技术的保护范围。