基于自注意力機制的多源磁場脈沖信號識別方法及系統(tǒng)

本技術涉及數據處理，尤其涉及一種基于自注意力機制的多源磁場脈沖信號識別方法及系統(tǒng)。

背景技術：

1、現有的磁場脈沖信號識別技術主要依賴于傳統(tǒng)的信號處理方法和機器學習算法。這些方法通常包括傅里葉變換、小波分析等時頻域分析技術，以及支持向量機(svm)、隨機森林等分類算法。在多源信號處理方面，常用的技術包括陣列信號處理、波束形成和空間濾波等。這些方法在一定程度上能夠實現基本的信號識別和源定位功能，特別是在信噪比較高、干擾較少的理想環(huán)境中。

2、然而，現有技術在處理復雜電磁環(huán)境下的多源磁場脈沖信號時存在明顯不足。首先，傳統(tǒng)方法難以有效捕捉信號的非線性和非平穩(wěn)特性，導致在復雜背景下的識別準確率不高。其次，現有的多源信息融合技術往往采用簡單的特征拼接或加權平均，無法充分利用不同傳感器之間的相關性和互補性。再者，傳統(tǒng)方法缺乏自適應學習能力，難以應對動態(tài)變化的信號環(huán)境。最后，現有技術通常將信號識別和源定位作為獨立任務處理，未能充分利用任務間的潛在關聯(lián)性，限制了系統(tǒng)的整體性能。

技術實現思路

1、本技術提供了一種基于自注意力機制的多源磁場脈沖信號識別方法及系統(tǒng)，用于提升基于自注意力機制的多源磁場脈沖信號識別的效率及準確率。

2、第一方面，本技術提供了一種基于自注意力機制的多源磁場脈沖信號識別方法，所述基于自注意力機制的多源磁場脈沖信號識別方法包括：對多個磁場傳感器采集的原始信號集進行小波閾值去噪和帶通濾波預處理，得到三維張量形式的預處理信號特征表示數據；對所述預處理信號特征表示數據進行多尺度時頻分析，得到時頻特征矩陣；通過多頭自注意力機制對所述時頻特征矩陣進行特征增強和依賴關系捕捉，得到增強特征表示數據；通過跨傳感器自注意力層和雙向長短時記憶網絡，對所述增強特征表示數據進行多源信息融合和時間上下文建模，得到時空綜合上下文特征表示數據；對所述時空綜合上下文特征表示數據進行對抗重構處理，得到目標特征表示數據；對所述目標特征表示數據進行信號分類和源定位，得到信號識別數據和位置信息，其中，所述信號識別數據包括：磁場脈沖信號的類別數據以及信號源的三維空間坐標數據。

3、結合第一方面，在本技術第一方面的第一種實現方式中，所述對多個磁場傳感器采集的原始信號集進行小波閾值去噪和帶通濾波預處理，得到三維張量形式的預處理信號特征表示數據，包括：對所述原始信號集進行時間同步校準，得到時間對齊原始信號數據；通過自適應小波閾值算法對所述時間對齊原始信號數據進行去噪處理，得到初始去噪信號數據；通過自適應帶通濾波器對所述初始去噪信號數據進行頻帶優(yōu)化，得到頻帶優(yōu)化信號數據；對所述頻帶優(yōu)化信號數據進行幅度歸一化處理，得到幅度一致性信號數據；將所述幅度一致性信號數據按照獲取的傳感器編號、時間序列和信號特征進行數據結構調整，得到三維張量結構數據；對所述三維張量結構數據進行稀疏表示變換，得到所述三維張量形式的預處理信號特征表示數據。

4、結合第一方面，在本技術第一方面的第二種實現方式中，所述對所述預處理信號特征表示數據進行多尺度時頻分析，得到時頻特征矩陣，包括：對所述預處理信號特征表示數據進行小波變換，得到初始時頻分布數據；對所述初始時頻分布數據進行自適應尺度調整，得到多尺度時頻表示數據；通過經驗模態(tài)分解算法對所述多尺度時頻表示數據進行分解，得到固有模態(tài)函數數據；對所述固有模態(tài)函數數據進行希爾伯特變換，得到瞬時頻率和瞬時幅度數據；將所述瞬時頻率和所述瞬時幅度數據與所述多尺度時頻表示數據進行融合，得到時頻特征數據；對所述時頻特征數據進行非線性映射和降維處理，得到所述時頻特征矩陣。

5、結合第一方面，在本技術第一方面的第三種實現方式中，所述通過多頭自注意力機制對所述時頻特征矩陣進行特征增強和依賴關系捕捉，得到增強特征表示數據，包括：對所述時頻特征矩陣進行分塊處理，得到多個子矩陣數據；對所述多個子矩陣數據進行線性投影變換，得到查詢向量、鍵向量和值向量；通過點積運算對所述查詢向量和鍵向量進行相似度計算，得到注意力權重數據；對所述注意力權重數據進行歸一化處理，得到歸一化注意力權重數據；將所述歸一化注意力權重數據與所述值向量進行加權求和，得到單頭注意力輸出數據；通過多頭并行處理機制對所述單頭注意力輸出數據進行拼接和線性變換，得到所述增強特征表示數據。

6、結合第一方面，在本技術第一方面的第四種實現方式中，所述通過跨傳感器自注意力層和雙向長短時記憶網絡，對所述增強特征表示數據進行多源信息融合和時間上下文建模，得到時空綜合上下文特征表示數據，包括：對所述增強特征表示數據進行傳感器維度展開，得到多源特征序列數據；通過跨傳感器自注意力層對所述多源特征序列數據進行空間相關性計算，得到空間注意力權重數據；將所述空間注意力權重數據與所述多源特征序列數據進行加權融合，得到空間融合特征數據；對所述空間融合特征數據進行時間維度重排，得到時序特征數據；通過雙向長短時記憶網絡算法對所述時序特征數據進行前向和后向隱狀態(tài)提取，得到雙向上下文特征數據；對所述雙向上下文特征數據和所述空間融合特征數據進行特征拼接和非線性變換，得到所述時空綜合上下文特征表示數據。

7、結合第一方面，在本技術第一方面的第五種實現方式中，所述對所述時空綜合上下文特征表示數據進行對抗重構處理，得到目標特征表示數據，包括：對所述時空綜合上下文特征表示數據進行自適應權重分配，得到加權特征數據；通過生成對抗網絡算法對所述加權特征數據進行重構，得到重構特征數據；對所述重構特征數據和所述加權特征數據進行差異計算，得到重構誤差數據；基于所述重構誤差數據對所述加權特征數據進行反向調整，得到優(yōu)化特征數據；對所述優(yōu)化特征數據進行特征篩選，得到篩選特征數據；將所述篩選特征數據輸入對抗判別器進行真實性評估，得到所述目標特征表示數據。

8、結合第一方面，在本技術第一方面的第六種實現方式中，所述對所述目標特征表示數據進行信號分類和源定位，得到信號識別數據和位置信息，其中，所述信號識別數據包括：磁場脈沖信號的類別數據以及信號源的三維空間坐標數據，包括：對所述目標特征表示數據進行任務分解，得到分類特征數據和定位特征數據；通過多層感知機對所述分類特征數據進行非線性映射，得到信號類別概率分布數據；對所述信號類別概率分布數據進行數據分類，得到所述磁場脈沖信號的類別數據；通過深度回歸網絡對所述定位特征數據進行坐標預測，得到粗略空間坐標數據；對所述粗略空間坐標數據進行自適應細化處理，得到信號源的三維空間坐標數據；通過多任務聯(lián)合優(yōu)化算法對所述磁場脈沖信號的類別數據和所述信號源的三維空間坐標數據進行數據合并，得到所述信號識別數據和位置信息。

9、第二方面，本技術提供了一種基于自注意力機制的多源磁場脈沖信號識別系統(tǒng)，所述基于自注意力機制的多源磁場脈沖信號識別系統(tǒng)包括：

10、處理模塊，用于對多個磁場傳感器采集的原始信號集進行小波閾值去噪和帶通濾波預處理，得到三維張量形式的預處理信號特征表示數據。

11、分析模塊，用于對所述預處理信號特征表示數據進行多尺度時頻分析，得到時頻特征矩陣。

12、增強模塊，用于通過多頭自注意力機制對所述時頻特征矩陣進行特征增強和依賴關系捕捉，得到增強特征表示數據。

13、建模模塊，用于通過跨傳感器自注意力層和雙向長短時記憶網絡，對所述增強特征表示數據進行多源信息融合和時間上下文建模，得到時空綜合上下文特征表示數據。

14、重構模塊，用于對所述時空綜合上下文特征表示數據進行對抗重構處理，得到目標特征表示數據。

15、定位模塊，用于對所述目標特征表示數據進行信號分類和源定位，得到信號識別數據和位置信息，其中，所述信號識別數據包括：磁場脈沖信號的類別數據以及信號源的三維空間坐標數據。

16、本技術的第三方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有指令，當其在計算機上運行時，使得計算機執(zhí)行上述的基于自注意力機制的多源磁場脈沖信號識別方法。

17、本技術提供的技術方案中，通過引入自適應小波閾值去噪和自適應帶通濾波預處理，大幅提高了原始信號的質量，為后續(xù)分析奠定了堅實基礎；多尺度時頻分析的應用，結合連續(xù)小波變換和經驗模態(tài)分解，使得方法能夠有效捕捉信號的非線性和非平穩(wěn)特性，顯著提升了特征提取的精度和全面性；多頭自注意力機制的引入不僅增強了特征表示，還能夠有效捕捉長程依賴關系，極大地提高了模型對復雜信號模式的理解能力；跨傳感器自注意力層和雙向長短時記憶網絡的結合，實現了多源信息的高效融合和時間上下文的全面建模，大幅提升了系統(tǒng)對多源信號時空特性的理解能力，對抗重構處理的引入，通過生成對抗網絡算法，不僅提高了特征表示的魯棒性，還能有效抑制噪聲和干擾的影響，顯著增強了模型在復雜電磁環(huán)境下的適應能力；多任務聯(lián)合優(yōu)化算法的應用，將信號分類和源定位任務有機結合，充分利用了任務間的潛在關聯(lián)性，顯著提高了系統(tǒng)的整體性能和效率；此外，本方法的模塊化設計和自適應機制，使得系統(tǒng)具有良好的可擴展性和泛化能力，能夠適應不同的應用場景和信號類型；同時，通過引入動態(tài)閾值機制和特征篩選，本方法還具有出色的計算效率，能夠在保證高精度的同時，滿足實時處理的需求；多源融合策略和深度學習框架的結合，不僅提高了信號識別和源定位的準確性，還大大增強了系統(tǒng)對復雜干擾和多徑效應的抵抗能力，提升了基于自注意力機制的多源磁場脈沖信號識別的效率及準確率。