一种深度小波过程神经网络及在时变信号分类中的应用
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
【Abstract】: Aiming at the problem of multi-channel nonlinear time-varying signal classification, a deep wavelet process neural network based on sparse self-encoder (SAE-DWPNN) is proposed. By constructing a multi-input/ multi-output wavelet process neural network (WPNN), multi-scale decomposition of time-varying signals and preliminary extraction of process distribution features are realized; By superimposing a SAE depth network after the WPNN hidden layer, the extracted signal features are synthesized and represented at a high level, and the time-varying signals are classified based on the softmax classifier. The SAE-DWPNN extends the existing process neural network into a deep structure, and expands the deep SAE network into the time domain in the information processing mechanism. It improves the information processing capabilities of the two models. The network can extract the distribution characteristics and structural features of multi-channel time series signals, and maintain the diversity of sample features, which improve the analysis ability of signal time-frequency characteristics and structural features. In this paper the properties of SAE-DWPNN is analyzed and a comprehensive training algorithm is given. Taking the classification of seven cardiovascular diseases based on 12-lead ECG signals as an example, the experimental results verify the validity of the model and algorithm. 【Key words】: Time-varying signal; Pattern classification; Wavelet process neural network; SAE deep network; Learning algorithm
关键词: 时变信号；模式分类；小波过程神经网络；深度 SAE 网络；学习算法 中图分类号: TP183 文献标识码: A DOI：10.3969/j.issn.1003-6970.2020.02.022 本文著录格式：张振，许少华. 一种深度小波过程神经网络及在时变信号分类中的应用[J]. 软件，2020，41（02）： 102107
A Deep Wavelet Process Neural Network and Its Application in Time-varying Signal Classification
ZHANG Zhen, XU Shao-hua*
(College of Computer Science and Engineering, Shandong UniveQingdao 266590, China)
基金项目: 山东省重点研发计划项目资助(批准号：2017YFSD030620) 作者简介: 张振(1992–)，男，研究生，主要研究方向：深度学习、大数据分析。 通讯联系人: 许少华(1962–)，男，教授，主要研究方向：人工智能，数据建模分析。
2020 年 第 41 卷 第 2 期
软
件
COMPUTER ENGINEERING & SOFTWARE
2020, Vol. 41, No. 2 国际 IT 传媒品牌
一种深度小波过程神经网络及在 时变信号分类中的应用
张 振，许少华*
（山东科技大学 计算机科学与工程学院，山东 青岛 266590）
摘 要: 针对多通道非线性时变信号分类问题，提出一种基于稀疏自编码器的深度小波过程神经网络 （SAE-DWPNN）。通过构建一种多输入/多输出的小波过程神经网络（WPNN），实现对时变信号的多尺度分解和对 过程分布特征的初步提取；通过在 WPNN 隐层之后叠加一个 SAE 深度网络，对所提取的信号特征进行高层次的综 合和表示，并基于 softmax 分类器实现对时变信号的分类。SAE-DWPNN 将现有过程神经网络扩展为深度结构，同 时将深度 SAE 网络在信息处理机制上扩展到时间域，扩展了两类模型的信息处理能力。该网络可提取多通道时序 信号的分布特征及其结构特征，并保持样本特征的多样性，提高了对信号时频特性和结构特征的分析能力。文中分 析了 SAE-DWPNN 的性质，给出了综合训练算法。以基于 12 导联 ECG 信号的 7 种心血管疾病分类诊断为例，实 验结果验证了模型和算法的有效性。
关键词: 时变信号；模式分类；小波过程神经网络；深度 SAE 网络；学习算法 中图分类号: TP183 文献标识码: A DOI：10.3969/j.issn.1003-6970.2020.02.022 本文著录格式：张振，许少华. 一种深度小波过程神经网络及在时变信号分类中的应用[J]. 软件，2020，41（02）： 102107
A Deep Wavelet Process Neural Network and Its Application in Time-varying Signal Classification
ZHANG Zhen, XU Shao-hua*
(College of Computer Science and Engineering, Shandong UniveQingdao 266590, China)
基金项目: 山东省重点研发计划项目资助(批准号：2017YFSD030620) 作者简介: 张振(1992–)，男，研究生，主要研究方向：深度学习、大数据分析。 通讯联系人: 许少华(1962–)，男，教授，主要研究方向：人工智能，数据建模分析。
2020 年 第 41 卷 第 2 期
软
件
COMPUTER ENGINEERING & SOFTWARE
2020, Vol. 41, No. 2 国际 IT 传媒品牌
一种深度小波过程神经网络及在 时变信号分类中的应用
张 振，许少华*
（山东科技大学 计算机科学与工程学院，山东 青岛 266590）
摘 要: 针对多通道非线性时变信号分类问题，提出一种基于稀疏自编码器的深度小波过程神经网络 （SAE-DWPNN）。通过构建一种多输入/多输出的小波过程神经网络（WPNN），实现对时变信号的多尺度分解和对 过程分布特征的初步提取；通过在 WPNN 隐层之后叠加一个 SAE 深度网络，对所提取的信号特征进行高层次的综 合和表示，并基于 softmax 分类器实现对时变信号的分类。SAE-DWPNN 将现有过程神经网络扩展为深度结构，同 时将深度 SAE 网络在信息处理机制上扩展到时间域，扩展了两类模型的信息处理能力。该网络可提取多通道时序 信号的分布特征及其结构特征，并保持样本特征的多样性，提高了对信号时频特性和结构特征的分析能力。文中分 析了 SAE-DWPNN 的性质，给出了综合训练算法。以基于 12 导联 ECG 信号的 7 种心血管疾病分类诊断为例，实 验结果验证了模型和算法的有效性。