信号分类-使用人工智能识别信号

Question

我在识别信号时遇到了问题。假设信号是一个准周期信号，周期时间是有限的。信号的“形状”必须符合一定的准则，所以实际的算法采用了信号处理技术，如滤波、推导信号、寻找最大值和最小值等。它在发现好的信号方面有很好的比率，但问题是它也能检测到错误的形状。

所以我想使用人工智能--主要是神经网络--来解决这个问题。我认为一个具有一些平均输入(信号可以减少)和一个输出的多层网络应该显示从0到1的“匹配”。然而，问题是我从来没有做过这样的事情，所以我请求帮助，如何实现这样的事情？如何教神经网络获得预期的结果？(假设我有输入向量，输出应该是1)

或者整个想法都是对这个问题的错误近似？我对任何学习算法或想法都持开放态度，可以学习和使用它们来克服这个问题。

因此，这是一个关于测量信号的图(值和时间现在不是问题)，你可以看到很多“错误”的信号，如上所述，大多数检测到的信号都是好的。

​

Answer 1

你的问题可以用宽泛的方式回答。您应该考虑对其进行编辑，以防止其关闭。

但不管怎样，Matlab有很多内置的函数和工具箱来支持人工智能，有很多可用的示例代码，你可以修改和参考。你可以在 Matlab FileExchange.中找到一些

我知道阅读大量人工智能的技术论文是一项艰巨的任务，所以祝你好运！

Answer 2

您可以尝试使用Neuroph构建神经网络。你可以从"http://neuroph.sourceforge.net/TimeSeriesPredictionTutorial.html"中获得灵感。另一方面，可以使用傅立叶变换来近似信号。

Answer 3

你可以尝试一维卷积。所以基本的想法是你在每个时间戳给每个信号值一个标签0:坏，1:好。在此之后，您可以建模

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', padding = 'same', input_shape=(1,1)))
model.add(Bidirectional(LSTM(20, return_sequences=True)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', padding = 'same'))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(100, activation='sigmoid'))
model.add(Dense(2, activation='softmax'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

训练模型，然后给它一个新的信号来预测。它将预测给定序列的0和1值。如果0的计数大于1的计数，则信号不好。